[发明专利]一种基于XGBoost特征选择的有利储层发育区预测方法

说明书

本发明公开了一种基于XGBoost特征选择的有利储层发育区预测方法，其特征在于利用规范化方法处理地震属性以及岩性剖面数据，通过对储层发育区的分类标准进行规定，形成带有类别标签的样本集；进而采用XGBoost算法对地震属性集进行特征选择，选择相关性大的地震属性构成关键属性集；最后采用支持向量机(SVM)分类算法对未知区域的储层发育区类别进行预测。本发明提供的方法可以有效的提高有利储层发育区预测的准确率，辅助地质人员快速地圈定有利目标。

技术领域

本发明属于地球物理勘探领域和机器学习领域，具体涉及一种基于XGBoost特征选择的有利储层发育区预测方法。

背景技术

在进行有利储层发育区预测的过程中，传统的方式是通过地震属性分析得到沉积相和层位构造，通过测井曲线得到砂岩位置，通过多个井的测井曲线对比得到储层的分布，最后依据上述得到的数据分析物源和油气聚集区。而以上步骤部分是不确定性的，是根据人工经验进行的。随着云计算、物联网、大数据的发展，勘探过程中对数据精度要求越来越高，而传统手段预测有利储层发育区时间花费长、利用的地震属性种类少，忽略了未使用的地震属性可能存在的对分类结果的支配作用，导致预测结果往往不准确。

机器学习中分类预测的相关技术可应用到有利储层发育区预测，为地质人员圈定有利储层发育区起到了辅助作用。但是地震属性数量众多，其中可能存在不重要以及冗余的属性，属性个数越多，分析属性、训练模型所需的时间就越长且容易引起“维度灾难”。而好的属性能够提升分类模型的性能，提高预测的准确率，因此，特征选择显得尤为重要。

发明内容

为了克服传统有利储层发育区预测过程中遇到的困难，辅助地质人员快速圈定有利储层发育区，本发明提供了一种基于XGBoost特征选择的有利储层发育区预测方法：首先采用XGBoost特征选择，得到与类别标签相关性大的若干地震属性。其次，采用基于监督学习的SVM分类预测算法，用于预测未知区域是否为有利储层发育区。

为实现上述目的，本发明技术方案主要包括以下四个步骤：

A.数据采集及预处理：

从勘探数据库、地震数据体等数据源中提取地震属性以及岩性剖面数据，采用规范化方法对地震属性进行预处理，将属性数值映射到[0,1]区间，获得样本集。在此采用的规范化方法为Min-Max标准化，计算公式如下：

B.制定储层发育区分类标准：

根据时窗对应的深度范围内砂岩的累计厚度或者单层砂岩的连续厚度将类别标签划分为3类，分别是非有利储层发育区(标记为0)、储层发育区(标记为1)、有利储层发育区(标记为2)。

C.采用XGBoost选择关键属性：

采用XGBoost方法对所有地震属性进行相关性分析，研究地震属性与储层发育区类别标签之间的相关性大小，选择相关性大的地震属性构成关键属性子集，去除不必要及冗余属性。

D.采用支持向量机预测分类：

以特征选择出的关键地震属性集作为输入变量，储层发育区类别标签(0,1,2)作为输出变量，将预处理后的地震数据及类别标签构成训练样本，采用支持向量机(SVM)分类模型进行训练，利用训练好的模型对未知区域进行有利储层发育区预测。

本发明的有益效果是：XGBoost是一种优化算法，具有很高的分类精度。采用基于XGBoost的特征选择方法，可以有效的考虑到多种地震属性之间的隐含关系，从而使预测结果更加准确。融入机器学习中关于特征选择以及分类预测的相关知识为地质人员在有利储层发育区预测上提供了辅助作用。

附图说明

图1是本发明的流程图