基于XGBoost算法的砂砾岩储层测井岩性识别

摘要

在砂砾岩储层的岩性识别中,岩石粒度的影响使测井曲线响应复杂,呈现低维线性不可分、高维可分的特点,传统的低维建模方法难以有效应对高维数据建模需求。随着人工智能技术的发展,基于测井数据和计算机算法的岩性识别方法逐渐成为研究趋势。应用优化版的梯度提升决策树算法XGBoost以提升M区块砂砾岩储层的岩性识别精度。虽然XGBoost已在岩性识别中广泛应用,但不同区块的岩性差异使其参数需进行区域适配优化。以百口泉组储层为研究对象,分析其岩性特征及测井响应特征,并选择GR、AC、DEN和R_T测井曲线作为特征变量。对468组样本按4:1的比例划分训练集和测试集,并通过交叉验证优化XGBoost的关键参数,确定了最佳的迭代次数和学习率等参数。实验结果显示,XGBoost算法在本区块的岩性识别准确率达91.05%,相较于C4.5决策树算法,在识别精度和效率上均有显著提升。研究结果验证了XGBoost在砂砾岩储层岩性识别中的适用性和有效性,为类似储层的勘探开发提供了技术参考。

关键词

XGBoost算法 / 砂砾岩储层 / 岩性识别 / 测井评价 / 百口泉组储层 / 玛湖凹陷