基于极限梯度爬升算法与支持向量回归算法变权组合模型致密油的采收率预测

摘要：

致密油储层因具有渗透率与产能低下的特点,多采用大型水力压裂改造储层来提高采收率,根据不同的地质、压裂参数变化,预测改造后的采收率对于压裂施工改造有良好的指导作用.目前多因素影响的致密油压裂后采收率预测理论模型,难以实时准确地根据压裂方式及参数来预测压裂后油藏采收率变化.为进一步提升致密油的采收率预测精确度,引进机器学习进行预测,基于极限梯度爬升算法(extreme gradient boosting algorithm,XGBoost)和支持向量回归算法(support vector re-gression algorithm,SVR)进行了 一定改进得到变权组合模型XGBoost-SVR,模型借鉴残差进化机制,实现加权融合系数的最优组合,该组合模型可对两种单模型进行优势互补,避免了因单一模型参数导致的范围性误差,增大模型预测容错率.首先对致密油的采收率影响因素进行收集整理,分析地质因素、储层因素和工程因素对采收率的影响,构造相关原始数据集;其次将预处理后数据集输入SVR单模型和XGBoost单模型分别进行训练,得出单模型预测值;最后采用基于残差的自适应的变权组合方法建立XGBoost-SVR组合模型,得到各模型最终预测结果,明确采收率影响因素及各影响因素权重比.模型预测结果表明:与SVR和XGBoost单模型相比,组合模型在预测精度达到94.63％,表现出更好的适应性.

关键词：致密油、采收率预测、极限梯度爬升算法-支持向量回归算法(XGBoost-SVR)、机器学习

所属期刊栏目：22

分类号：TE331(油气田开发与开采)

资助基金：国家自然科学基金51974329

在线出版日期：2022-07-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：4778-4787