第六届非常规油气地质评价暨新能源学术研讨会
6th Symposium on Unconventional Oil and Gas Geological Evaluation and New Energy

98 / 2021-05-30 10:31:59

基于多种机器学习方法的页岩TOC含量评价——以川南五峰-龙马溪组为例

川南；龙马溪组；主成分分析法；BP神经网络；GBDT

页岩油气理论与技术

页岩油气总有机碳(TOC)含量是烃源岩定性评价的重要指标，合理预测TOC含量对区块勘探开发具有重要意义。目前传统测井TOC预测方法多为Schmoker密度测井的多元拟合法和ΔlogR法，其预测的准确性和适用范围均受到复杂地质条件的限制及统计方法差异的影响。为建立合理准确的页岩TOC含量预测方法的，本文收集川南长宁、泸州等地区多口井的测井曲线及龙马溪组实测TOC值17口井627组实验数据，利用主成分分析法(PCA) 对收集的测井资料预处理，建立并训练基于BP神经网络模型和基于梯度提升决策树（GBDT）预测模型。利用建立的BP神经网络模型和GBDT决策树模型以及传统TOC预测方法开展川南页岩气井TOC预测和对比研究。结果表明：与传统模型相比，两种模型均有较强的非线性拟合能力，能够真实地反映出页岩气TOC含量与各测井参数之间的非线性关系，其模型预测结果与实际值基本吻合。与传统BP神经网络模型相比，GBDT预测精度更高，均方根误差达到0.0387。本次研究为川南龙马溪组TOC含量预测方法提供一个研究方向，依据该方法建立的TOC预测模型具有低成本、高效、连续等特点，可以快速和准确地TOC含量，能为提高页岩油气勘探开发效率提供技术支撑。