基于高效梯度提升策略含水饱和度预测模型

经典含水饱和度参数预测模型是通过岩石物理实验来确定的.由于获取的岩心样本量在实际工程中非常有限，导致由实验确定的预测模型参数不可靠，最终合理的预测结果难以给出.含水饱和度预测本质属于拟合问题，而机器学习在处理拟合问题方面能力出众，因此是一理想应用手段.高效梯度提升模型(LightGBM)在集成学习理论中是最强模型之一，具有巨大的实际应用潜力，为此被采用进行预测研究.为降低原始数据集异常点及无效特征对模型预测能力和泛化能力带来的负面影响，本文提出利用Tukey算法和主成分分析(PCA)算法进行数据预处理，由此建立了一基于LightGBM的预测策略.本文选用鄂尔多斯盆地长4+5段致密砂岩储层岩心样本数据集对提出的预测策略进行验证.为加强验证效果，本文引入K邻近(KNeighbors)、支持向量拟合(SVR)和随机森林(Random Forest)等3个模型在两个验证集上进行对比.实验结果显示，提出策略在两个实验中均能给出最小均方根误差(RMSE)和平均绝对误差(MAE).验证结果显示提出的基于LightGBM的预测策略能够处理实际含水饱和度参数预测问题，且鲁棒性好，在测井评价研究方向上具有...