基于CV-XGBoost的水下分流河道砂体厚度预测及应用

打开文本图片集

摘要：针对水下分流河道砂体单层厚度薄，叠置、交叉严重，横向非均质性强，井震关系一致性不好等问题，研究了一种基于交叉验证的极限梯度提升（CV-XGBoost）储层厚度预测方法。先用相关分析与多重共线性评价去除冗余属性，然后进行模型训练与参数集寻优，最后用验证集进行厚度预测。结果表明：1）对于较少样本的储层预测，有必要做交叉验证，以提高储层预测精度；2）XGBoost用具有二阶偏导的正则项来控制模型收敛进度，预测精度好于常规的LASSO（least absolute shrinkage and selection operator）回归、GBDT（gradient boosting decision tree）和SVM（support vector machine）方法；3）验证集占比较低的储层预测可用来了解砂体宏观展布，较高的验证集占比则有助于提高砂体描述的精度；4）本研究区平均振幅、平均能量、弧长、主频为厚度预测贡献度较大的属性。（剩余10205字）