基于高效梯度提升策略含水饱和度预测模型_丁圣.pdf

2023 年第 38 卷 第1期2023，38(1):0185-0200地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P丁圣，杨尚锋，路巍，等 2023 基于高效梯度提升策略含水饱和度预测模型 地球物理学进展，38(1):0185-0200，doi:106038/pg2023GG0145DING Sheng，YANG ShangFeng，LU Wei，et al 2023 obust prediction for water saturation based on strategy of light gradient boosting machine Progressin Geophysics(in Chinese)，38(1):0185-0200，doi:10 6038/pg2023GG0145基于高效梯度提升策略含水饱和度预测模型obust prediction for water saturation based on strategy of light gradientboosting machine丁圣1，杨尚锋1，2*，路巍3，罗仁敏3，朱立华1，谷宇峰4，陈小宏2DING Sheng1，YANG ShangFeng1，2*，LU Wei3，LUO enMin3，ZHU LiHua1，GU YuFeng4，CHEN XiaoHong2收稿日期2022-05-29;修回日期2022-11-03投稿网址http:/www progeophys cn第一作者简介丁圣，男，1978 年生，博士，高级工程师，研究方向为测井地质、地震地质综合评价等 E-mail:ds3108126 com*通讯作者杨尚锋，男，1990 年生，博士，工程师，研究方向为地震、测井地质解释和储层预测等 E-mail:wwwyshf yeah net1 中国石油化工股份有限公司石油物探技术研究院，南京2111032 中国石油大学(北京)，北京1022493 中国石油长庆油田采油五厂，西安7102004 自然资源部油气资源战略研究中心，北京1000341 Sinopec Geophysical esearch Institute，Nanjing 211103，China2 China University of Petroleum(Beijing)，Beijing 102249，China3 The Fifth Oil Production Plant of PetroChina Changqing Oilfield Company，Xian 710200，China4 Strategic esearch Center of Oil and Gas esources，Ministry of Natural esources，Beijing 100034，China摘要经典含水饱和度参数预测模型是通过岩石物理实验来确定的 由于获取的岩心样本量在实际工程中非常有限，导致由实验确定的预测模型参数不可靠，最终合理的预测结果难以给出 含水饱和度预测本质属于拟合问题，而机器学习在处理拟合问题方面能力出众，因此是一理想应用手段 高效梯度提升模型(LightGBM)在集成学习理论中是最强模型之一，具有巨大的实际应用潜力，为此被采用进行预测研究 为降低原始数据集异常点及无效特征对模型预测能力和泛化能力带来的负面影响，本文提出利用 Tukey 算法和主成分分析(PCA)算法进行数据预处理，由此建立了一基于 LightGBM 的预测策略 本文选用鄂尔多斯盆地长 4+5 段致密砂岩储层岩心样本数据集对提出的预测策略进行验证 为加强验证效果，本文引入 K 邻近(KNeighbors)、支 持 向 量 拟 合(SV)和 随 机 森 林(andom Forest)等 3 个模型在两个验证集上进行对比 实验结果显示，提出策略在两个实验中均能给出最小均方根误差(MSE)和平均绝对误差(MAE)验证结果显示提出的基于 LightGBM 的预测策略能够处理AbstractParametricdeterminationofclassicwatersaturationpredictorgenerallyisrealizedunderpetrophysical experiment Since the costly and technicallimitations are imposed on the acquisition of cores in theactual petroleum-based engineering，the parameters ofwater saturation predictors figured out by fewer coresroutinely are unreliable The predicting results，thus，arealso questionableThe nature of prediction of watersaturation is akin to solving a regression issue，whilemachine learning currently is acknowledged as the mostextraordinary solverinthisfieldThen，suchkindtechnology becomes fairly potential on the predicting ofwatersaturationLightGradientBoostingMachine(LightGBM)has been proved as one of the most powerfulmodels in the ensemble learning，and simultaneously hasdemonstratedasapromisingcandidateinthesoftcomputing application，therefore selected to forecast watersaturation To possibly eliminate the negative influencebrought by outliers and interference features of the rawdataset，inthepreprocessingTukeyandPrincipalComponent Analysis(PCA)，two classic and functionalalgorithms，are introduced，and thereby a LightGBM-based predicting strategy for water saturation is proposedThe data for validation is collected from the tight sandstonereservoirs located in the member of Chang 4+5，OrdosBasin To highlight the validating effect，three contrastivepredicting models，including KNeighbors，Support Vectoregression(SV)，and F(random forest)，are employed地球物理学进展www progeophys cn2023，38(1)实际含水饱和度参数预测问题，且鲁棒性好，在测井评价研究方向上具有应用和参考价值关键词致密砂岩储层;含水饱和度预测;集成学习;LightGBM中图分类号P631文献标识码Adoi:10 6038/pg2023GG0145to finalize two tests The experimental results manifest thatthe proposed strategy is capable of providing the smallestoot Mean Squared Errors(MSE)and Mean AbsoluteError(MAE)in two tests The findings reveal that theLightGBM-based strategy is effective and robust enough todeal with the real water saturation prediction，and then itis believable that it has a remarkable application value anda reference value in the research of logging interpretationKeywordsTight sandstone reservoir;Water saturationprediction;Ensemble learning;LightGBM0引言含水饱和度参数在储层评价和储量评估中至关重要，因此其预测方法在测井解释研究领域中一直处于研究热点(田瀚等，2017;胡向阳等，2018;王谦，2020;吴蒙等，2022)由于大部分油气勘探实例是基于砂泥岩剖面进行的，所以现有的含水饱和度参数解释模型基本也是针对砂泥岩储层而建立的 根据孔隙结构、泥岩分布形态、黏土含量及赋存状态、裂缝分布及发育程度等因素可将面向砂泥岩储层的含水饱和度参数解释模型分为四大类:(1)以 Ct=SnW形式为准，只包含砂岩饱和度项，其代表包括 Archie 公式等(Hu et al，2015)，其中 Ct为地层电导率(S/m)，SW为含水饱和度(%)，为砂岩项系数，n 为砂岩项指数;(2)以 Ct=SnW+SpW形式为准，较第一类增加了泥质 项，其 代 表 包 括Waxman-Smits 方 程 和 Bardon-Pied 方 程(改 进 的Simandoux 方程)等(Bardon and Pied，1969;Berg，1995)，其中 为泥质项系数，p 为泥质项指数;(3)以 Ct=SnW+SqW形式为准，将第二类中泥质项变为砂泥交互项，其代表包括 Doll 模型和 Alger 方程等(Alger and aymer，1963;Zhang et al，2021)，其中 为交互项系数，q 为交互项指数;(4)以 Ct=SnW+SqW+SpW形式为准，是考虑砂泥岩项所有情况的一类，其代表包括 Poupon-Leveaux 方程(也称Indonesia 方程)等(Poupon and Leveaux，1971)随着勘探程度的加深和油气需求的日益增长，非常规储层的研究愈发得到重视，因此众多岩石物理学家在上述面向常规储层的四类含水饱和度解释模型的基础上通过进一步研究提出了新的应用模型 田瀚等(2017)经探讨碳酸盐岩与硅酸盐岩在孔隙结构等方面上的不同提出一种实用的碳酸盐岩含水饱和度解释模型 胡向阳等(2018)认为在已有的解释模型上加入岩石物理相参数能更好地描述储层导电机制，由此通过研究提出了基于岩石物理相的含水饱和度解释模型 王谦(2020)、吴蒙等(2022)针对致密砂岩较常规砂岩在粒度、黏土的含量及其在孔喉中的赋存形式、裂缝发育形态及密度等因素上的不同，建立出了应用于致密砂岩储层的含水饱和度解释模型，并通过简单的实例验证了模型的可行性 上述解释模型是通过分析目的层储层地质特征以及储层导电过程而建立的，因此也称物理模型 虽然该类模型已在油气勘探中取得成功，但愈发复杂的形式也为其带来了应用限制 复杂的形式是指模型需要更多的参数进行描述，而限于取心工程的成本和难度，在拥有少量岩心样本的情况下，这些参数很难通过实验准确测定