基于CV-XGBoost的水下分流河道砂體厚度預測及應用

打開文本圖片集

摘要：針對水下分流河道砂體單層厚度薄，疊置、交叉嚴重，橫向非均質性強，井震關系一致性不好等問題，研究了一種基于交叉驗證的極限梯度提升（CV-XGBoost）儲層厚度預測方法。先用相關分析與多重共線性評價去除冗余屬性，然后進行模型訓練與參數集尋優(yōu)，最后用驗證集進行厚度預測。結果表明：1）對于較少樣本的儲層預測，有必要做交叉驗證，以提高儲層預測精度；2）XGBoost用具有二階偏導的正則項來控制模型收斂進度，預測精度好于常規(guī)的LASSO（least absolute shrinkage and selection operator）回歸、GBDT（gradient boosting decision tree）和SVM（support vector machine）方法；3）驗證集占比較低的儲層預測可用來了解砂體宏觀展布，較高的驗證集占比則有助于提高砂體描述的精度；4）本研究區(qū)平均振幅、平均能量、弧長、主頻為厚度預測貢獻度較大的屬性。（剩余10205字）