基于AMSCO深度森林的辽河盆地东部凹陷火成岩储层流体识别

摘要

本文旨在开发一种新的基于集成学习的火成岩储集层流体识别方法，以解决全球油气资源开发中火成岩储层因岩性和岩相多变、储集空间复杂等因素导致的传统流体识别方法效果不佳的问题。该方法创新性地将自适应多目标群体优化算法(AMSCO)与基于极端梯度提升(XGBoost)的深度森林算法相结合，利用常规测井数据集，对复杂岩性火成岩储层进行流体识别。在方法设计上，本研究首先采用AMSCO算法对不平衡常规测井数据集进行优化，有效解决了数据集中存在的类别不平衡问题，为后续模型训练提供了更为均衡的数据基础。其次，充分利用XGBoost在处理大规模数据和高维度数据上的优势，以及深度森林在特征提取和分类任务上的卓越性能，构建了一个融合了XGBoost和深度森林的高效的集成学习模型CXDF(cross-adaptive XGBoost and deep forest),从而实现了对复杂岩性火成岩储层流体的准确识别。为验证该方法的有效性，本文将其与支持向量机(SVM)、XGboost和基于XGboost的深度森林一起应用于模拟井中进行模型验证比较，并将模型应用于实际地层。结果表明，该方法在模拟井中的各项评价指标均优于其他方法，特别是在识别非产水层流体时表现出更高的准确性。在实际地层的应用中，该方法在不同流体结构的储层中均保持了较高的识别性能，展现出良好的泛化能力和稳定性。

关键词

机器学习 / 集成学习 / 储层流体识别 / 火成岩

基金资助

国家自然科学基金项目(41874135)