基于2种机器学习方法的页岩TOC含量评价 ——以川南五峰组—龙马溪组为例

• 作者: 杨占伟 姜振学 梁志凯 吴伟 王军霞 宫厚健 李维邦 苏展飞 郝绵柱
• 来源期刊: 岩性油气藏
• 学科: 工学
• 关键词: 主成分分析法 BP神经网络 GBDT 五峰组—龙马溪组 川南
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 勘探技术|EXPLORATION TECHNOLOGY
• 页码范围: 130-138
• 页数: 9页
• 分类号: TE122
• 语种: 中文
• DOI: 10.12108/yxyqc.20220113

摘要

为了建立合理准确的川南五峰组—龙马溪组页岩TOC含量预测方法,以长宁、泸州等地区的测井曲线及17口井实测TOC含量数据为基础,利用主成分分析法对这些资料进行预处理,基于BP神经网络和梯度提升决策树(GBDT)方法建立2种TOC含量预测模型,并将之与传统TOC含量预测方法进行对比.结果表明:①2种新模型的准确度均高于传统方法,预测结果与实际值吻合度均满足要求.②与BP神经网络模型相比,GBDT预测精度更高,均方根误差仅为0.0387.利用GBDT方法所建立的TOC含量预测模型具有低成本、高效、连续等特点,能够快速准确地预测目的层TOC含量.该成果可为提高页岩油气勘探开发效率提供有效技术支撑.