基于XGBoost的低渗油田储层粒度预测

• 作者: 李建平 张小庆 李莹
• 来源期刊: 计算机系统应用
• 关键词: 机器学习 神经网络 XGBoost 储层粒度
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 软件技术 · 算法|Software Technique · Algorithm
• 页码范围: 241-245
• 页数: 5页
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.008325

摘要

针对低渗油田储层粒度预测问题,本文提出利用机器学习中的极致剃度提升树(extreme gradient boosting,XGBoost)来对低渗油田储层粒度进行预测的方案.首先,根据问题构建合适的XGBoost模型,然后根据已有的岩心储层粒度特征值与其余测井信息的关系,选取适用于粒度预测的测井曲线建立样本库,最后利用样本库数据对建立的XGBoost模型进行训练,训练后的模型即可预测研究区域未知的储层粒度特征.结果表明,本文所设计的XGBoost模型对低渗油田的储层粒度预测方案在计算效率、预测准确率等方面均优于BP神经网络.