排序方式： 共有6条查询结果，搜索用时 125 毫秒
1
1.
岩性识别是一项重要的地质基础研究内容.以交会图为代表的常规岩性识别工具虽然在构建的二维或三维图版中能够依据手动归类的测井数据点集来明确各种岩性的一系列测井响应判定,但却无法适用于致密砂岩储层,其原因是该类储层的岩性成分不仅复杂,且较多岩性的测井响应特征具有相似性.根据机器学习在数据分析上的强大性能,本文提出利用在模式识别方面能力出众的GBDT模型来解决岩性识别问题.本文以姬塬油田西部长4+5段致密砂岩储层测井资料为基础,通过设计两种实验来验证提出模型的岩性识别能力.为提高验证效果,在实验中加入BP、PNN和KNN三种传统模式识别模型进行对比.实验结果显示,GBDT识别准确率最高,分别为90.14％和90.41％.基于GBDT较传统模式识别模型能够给出更为准确的预测值,实验结果充分证明了提出模型不仅能有效识别致密砂岩储层岩性,在岩性识别研究领域上还具有良好的推广应用前景. 相似文献
2.
核磁共振二维谱应用在储层流体识别与评价中具有快速直观识别流体类型、储层参数估算精度高的特点,使之能高效率的完成测井资料解释工作,然而拥有稳健、可靠及计算快速的反演方法是获取高质量核磁共振二维谱的关键所在.通过对二维核磁共振子空间类型反演方法的大量研究,在奇异值截断公式上进行了分析和改进,使得反演方程组的奇异值矩阵能保留下更多的奇异值,为反演结果的保真性奠定基础,并对其进行分组处理使反演方程组的条件数降低,从而提高求解的稳定性;在迭代计算中提出变参量迭代算法,使求解更合理、快速及高效.在数值模拟中,变参量迭代快速反演方法能够准确地还原30×30、60×80扩散弛豫二维构造谱,计算用时都在1分钟内;在油水试验中,变参量迭代快速反演方法反演出的扩散—弛豫二维谱能够正确识别所测流体类型,含油饱和度估算结果的相对误差为0.6%,绝对误差为0.79%.变参量迭代快速反演方法能够快速有效得处理二维核磁共振数据,反演出的扩散一弛豫二维谱质量高,二维谱应用于解释中所得到的结论可靠性高,表明该方法具有一定应用价值. 相似文献
3.
以交会图为代表的传统岩性识别图版无法适用于致密砂岩地层,其主要原因是大部分地层岩性的测井响应特征相似度高,难以基于图版分析被有效识别。LightGBM较传统模式识别模型能更高效地解决问题,为此采用该模型识别致密砂岩地层岩性。由于LightGBM在建模时利用了较多的超参数,导致预测结果难以保证为最优,所以采用GS算法进行优化,进而提出GS-LightGBM。实验目的层为姬塬油田西部长4+5段致密砂岩地层。提出模型的预测能力通过设计两个实验来验证。为突出验证效果,实验中加入SVM和XGBoost作为对比模型。实验结果显示,GS-XGBoost和GS-LightGBM的准确率、F1-score和AUC指标相接近,都最高,但GS-LightGBM的计算时间只有GS-XGBoost的约1/23。实验结果表明,GS-LightGBM模型可在不失精度的情况下,能快速给出预测结果,具备了在致密砂岩地层岩性识别研究上的应用价值和推广性。 相似文献
4.
致密砂岩储层的研究对于当前国内油气勘探进展至关重要.准确掌握致密砂岩储层特征是开展油藏描述和有利区优选等工作的重要前提,而获取储层表征参数又是刻画储层特征的关键,所以储层参数预测技术逐渐成为当前研究热点之一.渗透率是划分油气水层以及后续井开发工程的重点分析要素.对于致密砂岩储层而言,因其非均质性强,使得渗透率很难用常规方法准确求取.为此,本文根据机器学习在数据分析上的强大性能,提出利用GBDT技术预测致密砂岩储层渗透率.本文以姬塬油田西部长4+5段致密砂岩储层测井资料为基础,通过设计2个实验来验证提出方法预测效果.为突出提出方法的预测能力,在实验中引入逐步迭代、Timur模型和BP模型进行对比.2个实验结果显示提出方法得到的拟合误差最小,证明GBDT技术能够有效用于致密砂岩储层渗透率预测,并且预测资料仅需测井数据,无需其他实验数据支撑,表明技术具有良好的推广性. 相似文献
5.
交会图在致密砂岩储集层应用上难以奏效,其主要原因是多种储集层岩性具有相似测井响应特征而难以在交会图版中被有效分辨.众多机器学习技术可有效分辨属性相似度高的数据,为此识别性能出众的GBDT(gradient boosting decision tree,梯度提升决策树)常被用来解决致密砂岩储集层岩性识别问题.但GBDT使用较多超参数致训练模型难以最优化,本文选用PSO(particle swarm optimization,粒子群算法)来解决优化问题,进而提出PSO-GBDT模型.本文以姬塬油田西部长4+5段致密砂岩储集层为研究对象,通过设计两个实验来验证提出模型的识别能力.实验结果表明,PSO-GBDT岩性识别准确率分别为(90.37％,88.20％)和(93.48％,90.16％),高于其他验证模型.该模型能有效解决致密砂岩储集层岩性识别问题,在岩性识别研究上具有良好的推广应用前景. 相似文献
6.
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(SVR)和随机森林(Random 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(RMSE)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... 相似文献
1