文献类型：期刊文章

作　　者：马陇飞[1,2] 萧汉敏[1,2,3] 陶敬伟[4] 苏致新[5]

MA Longfei;XIAO Hanmin;TAO Jingwei;SU Zhixin(College of Engineering Science,University of Chinese Academy of Sciences,Beijing City,100049,China;Institute of Porous Flow&Fluid Mechanics,Chinese Academy of Sciences,Langfang City,Hebei Province,065007,China;PetroChina Research Institute of Petroleum Exploration&Development,Beijing City,100083,China;Shanghai Pukka Information Tech Ltd.,Shanghai City,200235,China;Exploration Department,Daqing Oilfield Co.,Ltd.,PetroChina,Daqing City,Heilongjiang Province,163453,China)

机构地区：[1]中国科学院大学工程科学学院,北京100049 [2]中国科学院渗流流体力学研究所,河北廊坊065007 [3]中国石油勘探开发研究院,北京100083 [4]上海帕科信息科技有限公司,上海200235 [5]中国石油大庆油田有限责任公司勘探事业部,黑龙江大庆163453

出　　处：《油气地质与采收率》

基　　金：中国石油基础性前瞻性研究专项“致密储层渗流通道表征技术及渗流机理研究”(2021DJ2201)。

年　　份：2022

卷　　号：29

期　　号：1

起止页码：21-29

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、JST、PA、RCCSE、ZGKJHX、核心刊

摘　　要：岩性识别是油气勘探开发领域一项重要的基础工作。针对致密砂岩储层岩石成分复杂、岩性多样和岩性常规测井识别受限等问题,利用机器学习算法在数据分析上的强大功能,采用泛化能力出众的梯度提升决策树(GB⁃DT)算法解决岩性识别中人力和物力耗费大的问题。以鄂尔多斯盆地三叠系延长组长7段致密砂岩储层为研究对象,通过敏感分析选取声波时差、自然伽马、电阻率、泥质含量、自然电位、有效孔隙度、含水饱和度和密度8个测井参数,构建基于GBDT算法的岩性识别模型,结合实际数据进行验证和应用效果分析。与朴素贝叶斯、随机森林、支持向量机和人工神经网络算法岩性识别相比,GBDT算法岩性识别准确率达到了92%,高精度的GBDT算法岩性识别模型为致密砂岩储层岩性精确识别提供了新的解决途径。

关 键 词：致密砂岩储层 岩性识别 机器学习  GBDT模型  鄂尔多斯盆地

分 类 号：TE319]