基于集成学习的储层物性参数预测方法研究

作     者：陈怡 

作者单位：东北石油大学 

学位级别：硕士

导师姓名：霍凤财;张永丰

授予年度：2023年

学科分类：0820[工学-石油与天然气工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 082002[工学-油气田开发工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：集成学习 机器学习 储层物性参数 孔隙度 渗透率 

摘      要：储层物性参数是油气藏评价的基础,是描述储层特性和流体模式的重要参数。传统预测模型基于测井曲线建模,拟合孔隙度和渗透率参数。主要方法包括回归分析和经验公式,但是这些方法大多基于线性。在实际测井过程中,储层复杂,非均质性强,测井数据可能受噪声和异常值影响,这些问题会在一定程度上影响模型的预测效果。传统预测模型基于物理模型和统计方法,复杂度高,容易对训练数据造成过拟合,进一步影响预测效果。因此,传统回归分析等方法已不足以满足需求,亟需一种高效、精确的预测方法。机器学习在非线性回归任务中的表现优势备受国内外研究者关注,近年来展开大量深入的探究。通过建立模型并融合大量输入特征的方法,研究者们试图发掘出变量特征之间的非线性关系。由此,储层物性参数预测算法也逐渐从传统的线性回归模型转向基于机器学习的建模方式。在机器学习领域,采用集成学习方法可显著提高算法的准确度和稳定性。针对上述问题,本文分析研究五种常见储层参数预测模型以及传统Stacking集成学习方法,并基于粒子群算法优化,构建改进的Stacking集成学习储层参数预测模型。本文基于公开样本数据集,使用精度加权和样本扩充的方法对传统Stacking集成学习进行改进,建立可用于储层参数预测的模型。针对大量数据及存在冗余特征的问题,本研究采用Pearson相关系数法以及基于模型的特征选择方法对样本特征进行相关性分析,以便找出与孔隙度、渗透率密切相关的测井曲线。首先,使用热力图展示储层物性参数与各个测井曲线之间的皮尔逊相关系数,单独分析其与测井曲线之间的关系,筛选出与其相关性较强的特征数据,为进一步提升模型性能,又进行基于模型的特征选择法,最终选取与孔隙度、渗透率相关的测井曲线数据。其次,对数据进行预处理,使测井资料数据都在同一量纲区间。基于传统的物性参数预测模型具有建模成本高昂、精度受多种因素影响等问题,提出TCN-LSTM融合算法,将其分别与TCN(Temporal Convolutional Network,TCN)算法和LSTM(Long Short-Term Memory,LSTM)算法进行比较,证明融合算法的有效性;然后,将测井样本数据分别代入XGBoost算法、SVR(Support Vector Regression,SVR)算法、TCN-LSTM算法、BP(Back Propagation,BP)神经网络以及ARIMA算法五种模型进行训练,采用粒子群优化算法确定参数值。再分别用上述模型对公开样本数据集中的孔隙度、渗透率做出预测,分析预测值与解释值的拟合图以及各模型的RMSE值和MAPE值。基于对某井储层物性参数的预测,对比上述模型与传统Stacking集成模型和本文改进Stacking集成模型的预测效果,发现无论是从预测值与解释值的拟合图还是模型的2项RMSE值、MAPE值来看,改进Stacking集成模型都是预测效果最准确,效果最好的;最后,将改进Stacking集成模型应用在实际储层物性参数应用中,针对某低渗油井A和油井B的实际孔隙度、渗透率参数进行实验,分别与本章所提到的各机器学习算法和传统的Stacking集成模型进行对比实验,之后研究各模型下的平均绝对百分比误差分布概率,对所得结果进行深入分析。综上所述,本文采用的改进Stacking集成模型在储层参数预测中可以有效提高各模型的精度,是一种可靠且潜力巨大的预测方法。该方法也适用于研究区域其他油井的测试,并能为未来的油气田勘探开发提供有益的帮助。