碳酸鹽巖儲(chǔ)層在形成過(guò)程中受到多種因素的影響,儲(chǔ)層巖性復(fù)雜多樣,基于測(cè)井資料對(duì)碳酸鹽巖巖性識(shí)別具有重要意義。為了解決傳統(tǒng)的測(cè)井巖性識(shí)別方法和機(jī)器學(xué)習(xí)方法對(duì)于復(fù)雜碳酸鹽巖巖性識(shí)別準(zhǔn)確率不高的問(wèn)題,以廊固凹陷北部奧陶系碳酸鹽巖為例,將XGBoost算法應(yīng)用于復(fù)雜碳酸鹽巖巖性識(shí)別,并將模型的性能與決策樹(shù)C4.5算法和支持向量機(jī)算法進(jìn)行對(duì)比。結(jié)果表明,采用的XGBoost算法的巖性識(shí)別模型對(duì)研究區(qū)碳酸鹽巖巖性識(shí)別的準(zhǔn)確率達(dá)到了88.18%,相較于決策樹(shù)C4.5算法和支持向量機(jī)算法準(zhǔn)確率均提高了10%左右,且由于XGBoost算法采用多線(xiàn)程和分布式計(jì)算的方法,使得訓(xùn)練時(shí)間大大縮短�；赬GBoost算法建立的巖性識(shí)別模型能夠有效地識(shí)別復(fù)雜碳酸鹽巖巖性,為復(fù)雜碳酸鹽巖巖性的測(cè)井識(shí)別提供了新的思路。

【文章來(lái)源】： 巖性油氣藏. 2020,32(04)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【文章目錄】：
0 引言
1 XGBoost算法的原理
2 應(yīng)用實(shí)例
    2.1 研究區(qū)概況
    2.2 樣本構(gòu)建
    2.3 數(shù)據(jù)處理
    2.4 模型應(yīng)用及對(duì)比
        2.4.1 模型參數(shù)設(shè)置
        2.4.2 實(shí)驗(yàn)結(jié)果及方法對(duì)比
3 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]低滲-特低滲白云巖儲(chǔ)層成巖相分析及測(cè)井識(shí)別——以伊陜斜坡馬五段為例 [J]. 李百?gòu)?qiáng),張小莉,王起琮,郭彬程,郭艷琴,尚曉慶,程浩,盧俊輝,趙希.  巖性油氣藏. 2019(05)
[2]基于SOM和模糊識(shí)別的復(fù)雜碳酸鹽巖巖性識(shí)別 [J]. 仲鴻儒,成育紅,林孟雄,高世臣,仲婷婷.  巖性油氣藏. 2019(05)
[3]基于XGBoost算法的恒星/星系分類(lèi)研究 [J]. 李超,張文輝,林基明.  天文學(xué)報(bào). 2019(02)
[4]基于常規(guī)測(cè)井和成像測(cè)井的致密儲(chǔ)層裂縫識(shí)別方法——以準(zhǔn)噶爾盆地吉木薩爾凹陷蘆草溝組為例 [J]. 劉冬冬,楊東旭,張子亞,張晨,羅群,潘占昆,黃治鑫.  巖性油氣藏. 2019(03)
[5]基于XGBoost的乳腺癌預(yù)測(cè)模型 [J]. 沈倩倩,邵峰晶,孫仁誠(chéng).  青島大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[6]基于聚類(lèi)和XGboost算法的心臟病預(yù)測(cè) [J]. 劉宇,喬木.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(01)
[7]基于Boosting Tree算法的測(cè)井巖性識(shí)別模型 [J]. 江凱,王守東,胡永靜,浦世照,段航,王政文.  測(cè)井技術(shù). 2018(04)
[8]基于礦物組合分類(lèi)的碳酸鹽巖儲(chǔ)層巖性識(shí)別模型的建立 [J]. 羅菊蘭,陳彥竹,高波,及成林,苗秀英.  國(guó)外測(cè)井技術(shù). 2018(02)
[9]基于礦物組合分類(lèi)的碳酸鹽巖儲(chǔ)層巖性識(shí)別模型的建立[J]. 羅菊蘭,陳彥竹,高波,及成林,苗秀英.  國(guó)外測(cè)井技術(shù). 2018 (02)
[10]四川盆地西北部棲霞組碳酸鹽巖儲(chǔ)層特征及主控因素 [J]. 關(guān)新,陳世加,蘇旺,樂(lè)幸福,張浩然.  巖性油氣藏. 2018(02)



本文編號(hào)：3541303