摘要：鄂爾多斯盆地碳酸鹽巖地層蘊(yùn)含著豐富的油氣資源。在勘探實(shí)踐中發(fā)現(xiàn)，大牛地氣田馬家溝組斷層發(fā)育、斷距小，類(lèi)型多樣且成因復(fù)雜，給勘探、開(kāi)發(fā)帶來(lái)了較多挑戰(zhàn)。為了應(yīng)對(duì)這些挑戰(zhàn)，提高儲(chǔ)層預(yù)測(cè)的精度變得至關(guān)重要。在分析大牛地氣田敏感彈性參數(shù)的基礎(chǔ)上，建立地震屬性與儲(chǔ)層縱橫波速度比（vP/vS）的關(guān)系，提出一種基于XGBoost算法的地震多屬性vP/vS預(yù)測(cè)方法。為了進(jìn)一步提升XGBoost算法的預(yù)測(cè)精度和泛化能力，采用貝葉斯算法對(duì)XGBoost算法的超參數(shù)進(jìn)行優(yōu)化，從而找到最佳的超參數(shù)組合，以確保模型在訓(xùn)練集和測(cè)試集上的性能均能得到提升。將XGBoost算法應(yīng)用于Marmousi 2模型進(jìn)行橫波速度預(yù)測(cè)，預(yù)測(cè)值與實(shí)際值相關(guān)系數(shù)超過(guò)0.88，而均方誤差、平均絕對(duì)百分比誤差分別低于6.55×10?7和4%，驗(yàn)證了該方法的準(zhǔn)確性和可靠性。在鄂爾多斯盆地大牛地氣田，應(yīng)用該方法獲得的vP/vS成功識(shí)別出含氣儲(chǔ)層，結(jié)果與實(shí)際鉆井?dāng)?shù)據(jù)一致。理論模型和實(shí)際數(shù)據(jù)應(yīng)用結(jié)果表明，XGBoost作為一種強(qiáng)大的機(jī)器學(xué)習(xí)算法預(yù)測(cè)精度較高，為直接由疊后地震屬性預(yù)測(cè)vP/vS提供了一種有效的途徑。

關(guān)鍵詞：橫波速度，碳酸鹽巖儲(chǔ)層，地震屬性，XGBoost算法，縱橫波速度比（vP/vS）

中圖分類(lèi)號(hào)：P631文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.13810/j.cnki.issn.1000?7210.2024.04.001

vP/vS prediction based on XGBoost algorithm and itsapplication in reservoir detection

TIAN Renfei1，LI Shan1，LIU Tao2，JING Yang1

（1.College of Geophysics，Chengdu University of Technology，Chengdu，Sichuan 610059，China；

2.Hulunbuir Subsidiary of PetroChina Daqing Oilfield Co.Ltd.，Daqing，Heilongjiang 163712，China）

Abstract：There are abundant oil and gas resources entrapped in the carbonate reservoirs of the Ordos Basin.However，exploration results showed that the M ajiagou Formation in the Daniudi Gas Field had developed mul?tiple kinds of faults with small fault throws due to complex origins，which brings many challenges to its explora?tion and development.To address these challenges，it is crucial to optimize the sensitive elastic parameters for reservoir prediction.Therefore，the relationship between seismic attributes and the velocity ratio of compres?sional to shear waves（vP/vS）in the reservoir has been established，based on the analysis of elastic?sensitive pa?rameters in the Daniudi Gas Field.Then，a prediction method for the vP/vS based on the XGBoost algorithm and multiple seismic attributes is proposed.To further improve the performance and generalization ability of the model，the hyperparameters of the XGBoost algorithm are optimized by Bayesian algorithm.This approach aims to find the optimal combination of hyperparameters，ensuring improved performance of the model on both training and testing datasets.The XGBoost algorithm is applied to the Marmousi 2 model for predicting shear wave velocity，achieving a correlation coefficient between predicted and actual values exceeding 0.88.With root mean squared error and mean absolute percentage error below 6.55×10?7 and 4%respectively，the accu?racy and reliability of the proposed method are demonstrated.The method applied in the Daniudi Gas Field of the Ordos Basin has successfully identified gas?bearing reservoirs，and the results are consistent with actual dril?ling data.Both theoretical model and practical data indicate that XGBoost，as a powerful machine learning algo?rithm，exhibits high accuracy，which can provide an effective approach for directly predicting vP/vS from post?stack seismic attributes.

Keywords：shear wave velocity，carbonate reservoir prediction，seismic attributes，XGBoost algorithm，the ve?locity ratio of compressional to shear waves（vP/vS）

田仁飛，李山，劉濤，等.基于XGBoost算法的vP/vS預(yù)測(cè)及其在儲(chǔ)層檢測(cè)中的應(yīng)用［J］.石油地球物理勘探，

2024，59（4）：653-663.

TIAN Renfei，LI Shan，LIU Tao，et al.vP/vS prediction based on XGBoost algorithm and its application in reser?voir detection［J］.Oil Geophysical Prospecting，2024，59（4）：653-663.

0引言

縱橫波速度比（vP/vS）是油氣藏儲(chǔ)層描述的關(guān)鍵參數(shù)之一，對(duì)于儲(chǔ)層的含氣性具有較高的靈敏度[1]。要獲取這一參數(shù)，主要方法包括巖石物理測(cè)試、橫波測(cè)井和疊前反演。在實(shí)際油氣田勘探中，巖石物理測(cè)試和橫波測(cè)井往往成本高且僅有“一孔之見(jiàn)”，難以獲得整個(gè)研究區(qū)的vP/vS參數(shù)。同時(shí)，疊前反演雖然可以獲得高精度的vP/vS參數(shù)，但精度受地震資料品質(zhì)影響較大，并且需要較多橫波測(cè)井曲線(xiàn)用于標(biāo)定[2]。因此，開(kāi)展高精度的vP/vS（或橫波速度）預(yù)測(cè)對(duì)于油氣儲(chǔ)層的分析、評(píng)價(jià)至關(guān)重要，不僅具有重要的理論意義，而且也具有廣闊的應(yīng)用前景。

利用地震資料預(yù)測(cè)vP/vS，關(guān)鍵在于橫波速度預(yù)測(cè)。目前，橫波速度預(yù)測(cè)方法眾多，有許多學(xué)者開(kāi)展了深入研究。其中，基于人工智能的深度學(xué)習(xí)[3]、機(jī)器學(xué)習(xí)[4]等方法已經(jīng)成為儲(chǔ)層橫波預(yù)測(cè)中的研究熱點(diǎn)，并取得了一定的應(yīng)用效果[5?6]。然而，人工智能在模型性能及泛化能力、特征參數(shù)選擇、參數(shù)優(yōu)化、計(jì)算效率等方面仍存在諸多難點(diǎn)問(wèn)題亟待解決。為了解決這些問(wèn)題，本文引入XGBoost算法。該算法以梯度提升決策樹(shù)（Gradient Boosting Decision Tree，GBDT）為基礎(chǔ)，通過(guò)梯度提升策略，在每一輪迭代中優(yōu)化殘差，從而逐步提升XGBoost模型的性能。此外，該算法對(duì)異常值相對(duì)魯棒，有助于提升模型的泛化能力。在特征選擇與處理方面，XGBoost算法內(nèi)置了特征重要性評(píng)估機(jī)制，能夠自動(dòng)選擇對(duì)任務(wù)最相關(guān)的特征[7]。這不僅簡(jiǎn)化了特征優(yōu)選的過(guò)程，還有助于構(gòu)建更簡(jiǎn)潔、解釋性更強(qiáng)的模型。

前人已經(jīng)在多個(gè)領(lǐng)域驗(yàn)證了XGBoost算法的有效性。例如，閆星宇等[8]通過(guò)分析砂巖儲(chǔ)層孔隙度與滲透率的關(guān)系，應(yīng)用XGBoost算法構(gòu)建了砂巖儲(chǔ)層滲透率預(yù)測(cè)模型；谷宇峰等[9]應(yīng)用粒子群優(yōu)化（PSO）算法對(duì)XGBoost算法進(jìn)行改進(jìn)，并用于測(cè)井滲透率預(yù)測(cè)，并與PSO優(yōu)化支持向量回歸、PSO優(yōu)化GBDT等方法進(jìn)行對(duì)比分析，認(rèn)為PSO優(yōu)化XGBoost的預(yù)測(cè)效率和精度最高，穩(wěn)定性最好；丁陽(yáng)陽(yáng)等[10]應(yīng)用XGBoost算法進(jìn)行多屬性測(cè)井信息融合，識(shí)別煤體結(jié)構(gòu)類(lèi)型，相對(duì)于常用圖版法，XG?Boost能夠?qū)崿F(xiàn)煤體結(jié)構(gòu)的高精度和高效率識(shí)別；張家臣等[11]應(yīng)用XGBoost算法在渤海灣盆地建立了測(cè)井曲線(xiàn)生成模型。此外，Al?Mudhafar[12]和Merem?bayev等[13]的研究表明，XGBoost算法在測(cè)井解釋和巖相預(yù)測(cè)等方面具有優(yōu)異表現(xiàn)。同樣，XGBoost算法也應(yīng)用到地震數(shù)據(jù)處理和解釋?zhuān)缭诔踔翙z測(cè)[14]、巖性分類(lèi)[15]、砂體識(shí)別[16]、斷層檢測(cè)[17]等方面也取得了很好應(yīng)用效果。

基于以上分析，本文提出一種基于XGBoost算法、應(yīng)用地震屬性預(yù)測(cè)儲(chǔ)層vP/vS參數(shù)的方法。該方法應(yīng)用獨(dú)立成分分析（Independent Component Analysis，ICA）優(yōu)選多種地震屬性，并采用貝葉斯算法優(yōu)化XGBoost模型的超參數(shù)。實(shí)際數(shù)據(jù)應(yīng)用結(jié)果表明，該方法可為油氣儲(chǔ)層預(yù)測(cè)提供一種新思路。

1方法原理

以從地震數(shù)據(jù)中提取的多種屬性為輸入，利用ICA對(duì)這些地震屬性進(jìn)行降維處理。然后，結(jié)合地震屬性和測(cè)井信息，應(yīng)用XGBoost算法對(duì)儲(chǔ)層敏感的參數(shù)vP/vS進(jìn)行預(yù)測(cè)。

1.1地震多屬性提取及優(yōu)選

地震屬性是通過(guò)數(shù)學(xué)方法從地震數(shù)據(jù)中提取的、能夠反映地下物性及構(gòu)造變化的數(shù)值化指標(biāo)。這些屬性數(shù)據(jù)體涵蓋了地震波的幾何學(xué)、運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)和統(tǒng)計(jì)學(xué)特征。地震多屬性提取的目的在于從地震數(shù)據(jù)中挖掘與儲(chǔ)層特征參數(shù)密切相關(guān)的信息，并轉(zhuǎn)化為能夠?yàn)榈刭|(zhì)解釋和油藏描述所用的信息。自20世紀(jì)60年代出現(xiàn)地震屬性概念后，現(xiàn)已提出200多種。通常采用獨(dú)立成分分析等方法降低地震多屬性的維度并優(yōu)選屬性，以獲取與研究目標(biāo)相關(guān)的地震屬性，減少冗余信息，提高模型預(yù)測(cè)能力。

地震屬性?xún)?yōu)選有很多方法，其中ICA是應(yīng)用廣泛的降維和特征提取方法。其基本思想是將混合信號(hào)視為多個(gè)獨(dú)立成分的線(xiàn)性組合，通過(guò)統(tǒng)計(jì)分析和獨(dú)立性檢驗(yàn)分離出獨(dú)立的成分，并選擇最具有代表性的成分作為新的特征向量。這可以大幅降低數(shù)據(jù)維度，提高數(shù)據(jù)處理效率，同時(shí)保留主要特征，避免信息丟失。ICA可以發(fā)現(xiàn)數(shù)據(jù)中的線(xiàn)性關(guān)系和非線(xiàn)性關(guān)系，非常靈活和強(qiáng)大。具體實(shí)現(xiàn)方法包括最大熵法、最大似然法、快速I(mǎi)CA算法等[18]。其處理流程包括準(zhǔn)備數(shù)據(jù)集、中心化數(shù)據(jù)、白化數(shù)據(jù)、應(yīng)用ICA算法、選擇獨(dú)立成分和反變換等，詳細(xì)實(shí)現(xiàn)過(guò)程見(jiàn)文獻(xiàn)[18]。在地震屬性?xún)?yōu)化時(shí)，使用ICA可以消除冗余信息，提高數(shù)據(jù)利用率和模型預(yù)測(cè)能力，有助于發(fā)現(xiàn)數(shù)據(jù)中的隱含關(guān)系，從而提高預(yù)測(cè)結(jié)果的精度。

1.2 XGBoost算法

XGboost算法是GBDT算法的改進(jìn)，二者都是基于梯度提升的集成學(xué)習(xí)方法。其核心思想是使用弱學(xué)習(xí)器（如決策樹(shù)）進(jìn)行迭代，不斷優(yōu)化集成模型的預(yù)測(cè)效果。GBDT僅使用一階導(dǎo)數(shù)，而XGBoost則對(duì)損失函數(shù)進(jìn)行二階泰勒展開(kāi)，同時(shí)引入一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。這意味著任何滿(mǎn)足二階連續(xù)可導(dǎo)的函數(shù)都可以作為損失函數(shù)，從而提高了模型的穩(wěn)定性和效率。XGBoost還采用了分裂節(jié)點(diǎn)時(shí)的貪婪算法和分位數(shù)近似技巧，加速了樹(shù)的訓(xùn)練過(guò)程。此外，XGBoost對(duì)樹(shù)的結(jié)構(gòu)進(jìn)行了限制，如最大決策樹(shù)生成數(shù)量、單棵樹(shù)最大分支深度、學(xué)習(xí)速率、樣本隨機(jī)抽取比例、構(gòu)建樹(shù)時(shí)向下采樣率、分支樹(shù)最小損失梯度、葉子節(jié)點(diǎn)最小樣本數(shù)限制、子樹(shù)權(quán)重的L1和L2正則化等超參數(shù)。通過(guò)調(diào)整這些超參數(shù)，可以?xún)?yōu)化XGBoost模型的性能，使其在訓(xùn)練數(shù)據(jù)上達(dá)到良好的擬合效果，同時(shí)在測(cè)試數(shù)據(jù)上保持強(qiáng)大的泛化能力。該算法還具有缺失值自動(dòng)處理、稀疏數(shù)據(jù)處理及并行計(jì)算等功能，進(jìn)一步提高了模型的效率和擴(kuò)展性[7]。XGBoost算法的流程如下（圖1）。

（1）計(jì)算損失函數(shù)對(duì)樣本的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)。一階導(dǎo)數(shù)為

式中：L（yi，y（?）i）是損失函數(shù)；yi是第i個(gè)樣本的真值；y（?）i是模型對(duì)第i個(gè)樣本的預(yù)測(cè)值。二階導(dǎo)數(shù)為

（2）初始化模型

式中：f0為初始模型（也稱(chēng)基分類(lèi)器）；xi為第i個(gè)樣本的參數(shù)；γ為使損失函數(shù)達(dá)到最小的常數(shù)；n為樣本個(gè)數(shù)。

（3）迭代構(gòu)建樹(shù)模型。對(duì)于第t次迭代，首先計(jì)算當(dāng)前模型ft?1的預(yù)測(cè)值y（?）i（t-1）=ft-1（xi）。其次計(jì)算樣本殘差ri（t）=yi-y（?）t-1）。第三，將上一步得到的殘差ri（t）作為樣本新的真實(shí)值，擬合新的回歸樹(shù)模型

式中：R為樣本容量；wj表示第t次迭代時(shí)的第j個(gè)葉子節(jié)點(diǎn)的分?jǐn)?shù)；I為樣本x對(duì)應(yīng)葉子節(jié)點(diǎn)指示函數(shù)，即x∈R則I=1，否則I=0；mt表示葉子節(jié)點(diǎn)數(shù)。第四，對(duì)于每個(gè)葉子節(jié)點(diǎn)，計(jì)算其分?jǐn)?shù)wj（j=1，2，…，mt），wj的計(jì)算公式為

式中：Gj是第j個(gè)葉子節(jié)點(diǎn)上所有樣本的梯度和；Hj是第j個(gè)葉子節(jié)點(diǎn)上所有樣本的二階導(dǎo)數(shù)和；λ是正則化參數(shù)，用于控制葉子節(jié)點(diǎn)權(quán)重的大小，防止過(guò)擬合。第五，更新模型

式中η為學(xué)習(xí)率。

（4）輸出最終模型

式中T為最大迭代次數(shù)。

相對(duì)于GBDT算法，XGBoost算法具有許多優(yōu)勢(shì)。首先，它支持并行計(jì)算和優(yōu)化，能夠在較短的時(shí)間內(nèi)處理大量數(shù)據(jù)，因此適用于大規(guī)模數(shù)據(jù)集和高維度數(shù)據(jù)。其次，該算法通過(guò)自動(dòng)學(xué)習(xí)缺失值的分裂方向、為缺失值設(shè)定默認(rèn)值、利用缺失值的統(tǒng)計(jì)信息和正則化等方式提高對(duì)缺失值和異常值的魯棒性，能夠處理不完整的數(shù)據(jù)集和含噪數(shù)據(jù)。此外，XGBoost算法還支持自定義損失函數(shù)和正則化項(xiàng)，可以根據(jù)不同的需求定制。無(wú)論是在處理分類(lèi)問(wèn)題還是回歸問(wèn)題，XGBoost算法都能通過(guò)靈活的自定義損失函數(shù)和正則化項(xiàng)，以及高效的優(yōu)化方法，獲得高精度的結(jié)果。

1.3 XGBoost超參數(shù)優(yōu)化

XGBoost是一種強(qiáng)大的集成學(xué)習(xí)算法，但其性能受超參數(shù)選擇的影響。在實(shí)踐中，不恰當(dāng)?shù)某瑓?shù)選擇可能導(dǎo)致模型的性能不佳，進(jìn)而影響預(yù)測(cè)的穩(wěn)定性和精度。通過(guò)優(yōu)化這些超參數(shù)，可以提高模型的準(zhǔn)確性和泛化能力，防止模型過(guò)擬合或欠擬合，增強(qiáng)模型的魯棒性，使其能夠更好地適應(yīng)地震數(shù)據(jù)集。

1.3.1網(wǎng)格搜索

網(wǎng)格搜索是一種用于超參數(shù)調(diào)優(yōu)的方法，其目的是確定模型的最佳超參數(shù)組合。在進(jìn)行網(wǎng)格搜索時(shí)，首先定義一個(gè)超參數(shù)空間，該空間包含了所有可能的超參數(shù)組合。隨后，利用交叉驗(yàn)證評(píng)估各種超參數(shù)組合的性能，并最終選擇表現(xiàn)最佳的超參數(shù)組合作為模型的最終設(shè)置。

1.3.2隨機(jī)搜索

隨機(jī)搜索是一種常見(jiàn)的超參數(shù)調(diào)優(yōu)方法，與網(wǎng)格搜索相似，都是在超參數(shù)空間中尋找最佳的超參數(shù)組合。然而，與網(wǎng)格搜索不同的是，隨機(jī)搜索通過(guò)在超參數(shù)空間中隨機(jī)采樣一組超參數(shù)組合來(lái)進(jìn)行搜索，而不是遍歷預(yù)定義網(wǎng)格中的所有可能組合。這種方法的優(yōu)點(diǎn)在于，它可以在有限的時(shí)間內(nèi)嘗試更多的超參數(shù)組合，從而增加找到最佳組合的機(jī)會(huì)。此外，由于隨機(jī)搜索可以在更大的超參數(shù)空間中進(jìn)行探索，因此可以避免陷入局部最優(yōu)解。

1.3.3貝葉斯優(yōu)化

貝葉斯優(yōu)化是一種用于優(yōu)化難以解析的黑盒函數(shù)的方法。其核心思想是通過(guò)代理模型來(lái)模擬目標(biāo)函數(shù)，以選擇下一個(gè)評(píng)估的樣本點(diǎn)，從而最小化所需樣本數(shù)量并在探索和利用間取得平衡。具體流程包括定義目標(biāo)函數(shù)、超參數(shù)空間以及使用高斯過(guò)程作為代理模型。初始觀測(cè)后，根據(jù)代理模型的預(yù)測(cè)進(jìn)行迭代優(yōu)化，選擇下一個(gè)最佳超參數(shù)設(shè)置。當(dāng)達(dá)到預(yù)定迭代次數(shù)或目標(biāo)函數(shù)收斂時(shí)，優(yōu)化停止并返回最佳超參數(shù)設(shè)置。相較于傳統(tǒng)的網(wǎng)格搜索或隨機(jī)搜索，貝葉斯優(yōu)化能更高效地找到最佳超參數(shù)設(shè)置，并自適應(yīng)地調(diào)整探索和利用的權(quán)衡[19]，一般通過(guò)構(gòu)建目標(biāo)函數(shù)的概率模型和定義采集函數(shù)自適應(yīng)地調(diào)整這種權(quán)衡。因此，本文選用貝葉斯優(yōu)化算法對(duì)XG?Boost的超參數(shù)進(jìn)行優(yōu)化。其流程如圖2所示。

1.4評(píng)價(jià)指標(biāo)

本文采用相關(guān)系數(shù)（r）、均方誤差（Root Mean Squared Error，RMSE）、平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）三種指標(biāo)評(píng)價(jià)預(yù)測(cè)結(jié)果。r用來(lái)衡量?jī)蓚€(gè)變量之間相關(guān)性的指標(biāo)，取值范圍在?1到1之間。當(dāng)r等于1時(shí)，表示兩個(gè)變量完全正相關(guān)；當(dāng)r等于?1時(shí)，表示兩個(gè)變量完全負(fù)相關(guān)；當(dāng)r等于0時(shí)，表示兩個(gè)變量之間沒(méi)有線(xiàn)性相關(guān)性。一般來(lái)說(shuō)，相關(guān)系數(shù)的絕對(duì)值越接近1，說(shuō)明兩個(gè)變量之間的線(xiàn)性關(guān)系越強(qiáng)。r的定義為

式中：y（ˉ）為真實(shí)值的均值；為預(yù)測(cè)值的均值。

RMSE是一種常用的衡量預(yù)測(cè)值和真實(shí)值之間差距的指標(biāo)。通常情況下，RMSE越小，表示預(yù)測(cè)越準(zhǔn)確。RMSE定義為

MAPE反映了預(yù)測(cè)值與真實(shí)值之間的相對(duì)誤差。MAPE越小，表示預(yù)測(cè)精度越高。MAPE的定義為

2 Marmousi 2模型預(yù)測(cè)實(shí)驗(yàn)

Marmousi 2模型為完全彈性模型，橫向延伸17 km，深度為3.5 km，包括199層[20]。采用彈性波動(dòng)方程有限差分法進(jìn)行正演，炮間距為25 m，道間距為12.5 m，時(shí)間采樣率為1 ms，經(jīng)過(guò)系列處理，獲得的縱波疊前時(shí)間偏移剖面。

為了驗(yàn)證XGBoost算法在預(yù)測(cè)橫波速度的可行性，本文從Marmousi 2模型的疊后地震數(shù)據(jù)中提取振幅、頻率、相位等地震屬性，共20種（表1）?？紤]到地震屬性對(duì)橫波速度的敏感性不同，首先采用ICA對(duì)地震屬性進(jìn)行優(yōu)化選擇。通過(guò)ICA降維和優(yōu)化處理，前四個(gè)分量的累計(jì)方差百分比為91.5%。在預(yù)測(cè)橫波速度之前，首先建立地震屬性與理論模型的橫波速度識(shí)別標(biāo)簽。然后，采用XG?Boost算法構(gòu)建橫波速度預(yù)測(cè)模型。隨機(jī)選取80%的道作為訓(xùn)練集，20%的道為測(cè)試數(shù)據(jù)集。將降維處理后地震屬性的前四個(gè)分量輸入到XGBoost模型。由圖3的迭代誤差曲線(xiàn)可知，基于XGBoost算法的預(yù)測(cè)模型在迭代到一定次數(shù)后，RMSE趨于穩(wěn)定，說(shuō)明模型在訓(xùn)練集和測(cè)試集上的性能已經(jīng)達(dá)到了一個(gè)相對(duì)穩(wěn)定的狀態(tài)，得到了最優(yōu)訓(xùn)練效果，此時(shí)進(jìn)一步的訓(xùn)練不會(huì)顯著提升模型的性能。

從預(yù)測(cè)的橫波速度中抽取部分單道進(jìn)行定量分析。由圖4的部分道橫波預(yù)測(cè)結(jié)果可知：在單道橫波曲線(xiàn)中，大部分與原始模型重合，但由于模型縱、橫向變化較大，部分單道或單道的部分層段與模型存在較大差異。部分道預(yù)測(cè)結(jié)果與真實(shí)值的r、RMSE、MAPE統(tǒng)計(jì)如表2所示，可以看出，相關(guān)系數(shù)最小值為0.88，說(shuō)明預(yù)測(cè)值與實(shí)際值之間有較強(qiáng)的相關(guān)性；而RMSE和MAPE的最大值分別為6.55×10?7、4%，說(shuō)明預(yù)測(cè)值與實(shí)際值之間的誤差小，預(yù)測(cè)結(jié)果可靠性高。但由于不同道對(duì)應(yīng)的地層存在差異，在地層特征變化較大時(shí)，相應(yīng)預(yù)測(cè)結(jié)果的準(zhǔn)確性會(huì)下降，在第2581道誤差較大，相關(guān)性也最低。

3應(yīng)用實(shí)例

3.1工區(qū)概況

鄂爾多斯大牛地氣田是中國(guó)境內(nèi)最大的甲烷型天然氣田之一。天然氣廣泛分布于淺層至深層，其中目標(biāo)層馬家溝組儲(chǔ)層的平均厚度為50～80 m，最大厚度可達(dá)130 m。這一顯著的儲(chǔ)層厚度為氣田的開(kāi)發(fā)奠定了堅(jiān)實(shí)的儲(chǔ)量基礎(chǔ)[21]。而且，大牛地氣田還有大量的未探明儲(chǔ)量，因此具有巨大的勘探和開(kāi)發(fā)潛力[22]。

本文以鄂爾多斯盆地大牛地氣田馬家溝組碳酸鹽巖儲(chǔ)層為研究目標(biāo)。收集了工區(qū)內(nèi)馬家溝組51+2亞段測(cè)井?dāng)?shù)據(jù)，包括縱波阻抗、橫波阻抗、vP/vS等。圖5為vP/vS與縱波阻抗交會(huì)圖，可以看出：含氣白云巖和含水白云巖在vP/vS和縱波阻抗上也存在顯著差異，因此可以選擇這些vP/vS作為巖性識(shí)別、流體檢測(cè)的參數(shù)。由于在研究工區(qū)內(nèi)僅部分井有橫波速度數(shù)據(jù)，無(wú)法獲取全工區(qū)的橫波速度數(shù)據(jù)，因此本文利用基于地震多屬性的XGBoost算法直接預(yù)測(cè)vP/vS。

3.2疊前反演

研究區(qū)馬家溝組馬5段為主要含氣儲(chǔ)層，其Xline1019測(cè)線(xiàn)疊前時(shí)間偏移剖面如圖6所示。為了驗(yàn)證XGBoost算法在鄂爾多斯盆地大牛地地區(qū)實(shí)際資料中應(yīng)用的可靠性，本文與疊前反演獲得的vP/vS數(shù)據(jù)進(jìn)行對(duì)比、分析。

3.2.1疊前道集優(yōu)化

研究區(qū)的疊前道集經(jīng)過(guò)疊前反褶積、道集拉平、振幅補(bǔ)償?shù)葍?yōu)化處理（圖7）。由圖7可知：研究工區(qū)疊前道集的目標(biāo)層位的信噪比較高（綠線(xiàn)所示），同相軸較連續(xù)，振幅變化較一致。對(duì)比圖7的G3氣井和W3水井的井旁道集，AVO特征明顯不同：氣井井旁振幅隨炮檢距增大而減小；水井井旁振幅隨炮檢距增大而增大。儲(chǔ)層AVO響應(yīng)特征明顯，能夠區(qū)分含氣儲(chǔ)層和含水儲(chǔ)層。

3.2.2疊前同時(shí)反演

將疊前道集劃分為0°～6°、6°～12°和12°～18°分別進(jìn)行疊加，并從地震資料中提取地震子波，對(duì)工區(qū)內(nèi)每口測(cè)井資料進(jìn)行精細(xì)井震標(biāo)定和追蹤太原組、本溪組和馬54亞段的地震層位，結(jié)合工區(qū)已有縱波速度、橫波速度和密度測(cè)井資料進(jìn)行約束，建立初始的低頻模型。然后采用約束稀疏脈沖算法，通過(guò)迭代提高模型的精度，并對(duì)低頻模型進(jìn)行修正，直到滿(mǎn)足精度要求為止。

3.3基于XGBoost算法預(yù)測(cè)vP/vS及應(yīng)用

3.3.1地震屬性及超參數(shù)優(yōu)化

本文共提取了實(shí)際地震數(shù)據(jù)的16種地震屬性（表3），沿Tc2b向下移動(dòng)6 ms處的部分屬性切片如圖8所示。利用ICA算法分析屬性之間的相關(guān)性（圖9）；隨后提取出最具有代表性的成分，進(jìn)行數(shù)據(jù)降維，去除冗余信息，提高數(shù)據(jù)的表達(dá)能力。ICA分析結(jié)果如圖10所示。

圖9是地震屬性熱圖，其顏色表示相關(guān)大小，顏色越白或越黑，則表明兩個(gè)地震屬性的相關(guān)性越強(qiáng)。通過(guò)貝葉斯算法優(yōu)化后，輸入XGBoost模型的每個(gè)地震屬性應(yīng)該是最佳的，并能很好地映射到vP/vS值。圖10是對(duì)地震屬性進(jìn)行ICA降維后前7個(gè)分量的方差百分比統(tǒng)計(jì)，其中前4個(gè)分量的累計(jì)方差百分比達(dá)94.86%。因此，采用ICA前4個(gè)分量作為參數(shù)輸入到XGBoost模型預(yù)測(cè)vP/vS。

本文將處理后的地震屬性與前文計(jì)算得到的測(cè)井、地震反演的橫波速度計(jì)算縱橫波速度比，并組成數(shù)據(jù)集，該數(shù)據(jù)集將作為測(cè)試數(shù)據(jù)，用于XGBoost算法對(duì)縱橫波速度比的預(yù)測(cè)。在具體實(shí)驗(yàn)中，首先采用貝葉斯優(yōu)化XGBoost模型的最優(yōu)參數(shù)組合（表4），再應(yīng)用XGBoost模型預(yù)測(cè)大牛地馬5段含氣儲(chǔ)層的vP/vS。

3.3.2結(jié)果分析

研究區(qū)共有7口井，其中W1～W4井產(chǎn)水，G1～G3井試氣結(jié)果分別為9.77×104、1.58×104、7.03×104 m3/d。圖11為G1井的測(cè)井曲線(xiàn)，自上而下在2821.0～2824.0、2830.0～2833.0和2835.5～2838.5 m進(jìn)行綜合測(cè)試，無(wú)阻流量為9.77×104 m3/d，獲得了高產(chǎn)的工業(yè)氣流。氣層具有低自然伽馬（GR）、中低孔隙度（5%～12%）、中低vP/vS（1.78～1.84）特征。

從疊前反演和基于XGBoost模型預(yù)測(cè)的vP/vS數(shù)據(jù)體中，提取兩條典型的連井剖面。圖12a為過(guò)G1?G2?W3井的基于疊前反演獲得的vP/vS，圖12b是基于XGBoost模型預(yù)測(cè)的vP/vS，其中圖中的紅色部分代表有利儲(chǔ)層。顯然，G1和G2井在馬51+2亞段呈現(xiàn)明顯的異常響應(yīng)，而W3井含水層的vP/vS異常特征則相對(duì)不明顯。圖13a揭示了過(guò)W1?G3井的基于疊前反演獲得的vP/vS，圖13b是基于XG?Boost模型預(yù)測(cè)的vP/vS。G3井在目標(biāo)層也呈現(xiàn)出明顯的vP/vS異常，但W1水井未出現(xiàn)明顯異常。這一現(xiàn)象說(shuō)明含氣層與水層在vP/vS剖面上具有顯著差異，從而證實(shí)了vP/vS能夠較好的預(yù)測(cè)含氣儲(chǔ)層。兩條過(guò)井剖面驗(yàn)證了應(yīng)用vP/vS參數(shù)預(yù)測(cè)大牛地碳酸鹽巖含氣儲(chǔ)層是可行的。對(duì)比圖12a與圖12b、圖13a與圖13b可見(jiàn)，兩種方法獲得的vP/vS剖面整體特征一致，說(shuō)明本文方法能夠達(dá)到疊前反演的效果。值得一提是，基于XGBoost模型的預(yù)測(cè)方法不需要疊前數(shù)據(jù)，只需要利用工區(qū)具有vP/vS測(cè)井的井旁地震道的地震屬性來(lái)建立訓(xùn)練模型，然后推廣應(yīng)用到整個(gè)研究區(qū)，從而獲得能夠反應(yīng)儲(chǔ)層流體性質(zhì)的vP/vS參數(shù)，為直接從疊后地震屬性預(yù)測(cè)vP/vS提供了一種有效手段。

馬51+2亞段沉積時(shí)期相對(duì)海平面持續(xù)下降，海水深度不斷減小，加上干旱的氣候，共同為白云巖的形成提供了有利條件[23]，也是形成優(yōu)質(zhì)儲(chǔ)層最有利的層段。圖14展示了沿Tc2b向下6 ms提取的預(yù)測(cè)vP/vS參數(shù)，其中紅色代表強(qiáng)異常，對(duì)應(yīng)有利儲(chǔ)層區(qū)，W1、W2、W3、W4水井分布在強(qiáng)異常區(qū)外。表5對(duì)比了工區(qū)盲測(cè)井的相同深度（即Tc2b向下移動(dòng)6 ms處）的基于XGBoost算法預(yù)測(cè)的儲(chǔ)層vP/vS參數(shù)與通過(guò)測(cè)井計(jì)算的vP/vS參數(shù)，可見(jiàn)，二者基本一致，表明基于XGBoost算法預(yù)測(cè)vP/vS是準(zhǔn)確和可行的。

4結(jié)論

本文提出了一種基于XGBoost算法的地震多屬性vP/vS預(yù)測(cè)方法。在分析大牛地測(cè)井橫波速度敏感參數(shù)的基礎(chǔ)上，建立地震屬性與儲(chǔ)層橫波速度之間的關(guān)系，采用XGBoost算法直接從疊后地震屬性預(yù)測(cè)橫波速度或vP/vS參數(shù)，獲得的主要結(jié)論如下。

（1）XGBoost算法是一種基于決策樹(shù)的集成學(xué)習(xí)算法，可以通過(guò)不斷迭代提高模型的預(yù)測(cè)精度。采用貝葉斯算法對(duì)XGBoost算法的超參數(shù)進(jìn)行優(yōu)化，以增強(qiáng)模型的預(yù)測(cè)精度和泛化能力。

（2）應(yīng)用XGBoost算法對(duì)Marmousi 2模型進(jìn)行橫波速度預(yù)測(cè)，獲得了精確的結(jié)果，從而證明了該方法的可靠性。

（3）針對(duì)鄂爾多斯盆地大牛地氣田的地震數(shù)據(jù)，利用XGBoost算法預(yù)測(cè)的vP/vS能夠區(qū)分含氣與含水儲(chǔ)層，并有效地反映含氣儲(chǔ)層分布范圍。與測(cè)井?dāng)?shù)據(jù)計(jì)算的vP/vS誤差較小，表明XGBoost作為一種強(qiáng)大的機(jī)器學(xué)習(xí)算法精度較高，在地震數(shù)據(jù)解釋中具有較大的應(yīng)用潛力。

參考文獻(xiàn)

［1］印興耀，李龍.基于巖石物理模型的縱、橫波速度反演方法[J].石油物探，2015，54（3）：249?253.

YIN Xingyao，LI Long.P?wave and S?wave velocities inversion based on rock physics model[J].Geophysical Prospecting for Petroleum，2015，54（3）：249?253.

［2］劉濤.基于XGBoost算法的碳酸鹽巖儲(chǔ)層橫波速度預(yù)測(cè)[D].四川成都：成都理工大學(xué)，2023.

［3］ZOU C，ZHAO L，HONG F，et al.A comparison of machine?learning methods to predict porosity in carbo?nate reservoirs from seismic?derived elastic properties[J].Geophysics，2023，88（2）：B101?B120.

［4］LIU M，JERVIS M，LI W，et al.Seismic facies classi?fication using supervised convolutional neural networks and semisupervised generative adversarial networks[J].Geophysics，2020，85（4）：O47?O58.

［5］ANEMANGELY S A，RAMEZANZADEH A，AMIRI H，et al.Machine learning technique for the prediction of shear wave velocity using petrophysical logs[J].Journal of Petroleum Science and Engineering，2019，174（3）：306?327.

［6］何運(yùn)康.基于深度學(xué)習(xí)的橫波速度預(yù)測(cè)方法研究[D].陜西西安：長(zhǎng)安大學(xué)，2022.

［7］CHEN T，GUESTRIN C.XGBoost：A scalable treeboosting system[C].Proceedings of the 22nd Interna?tional Conference on Knowledge Discovery and Data Mining，2016，785?794.

［8］閆星宇，顧漢明，肖逸飛，等.XGBoost算法在致密砂巖氣儲(chǔ)層測(cè)井解釋中的應(yīng)用[J].石油地球物理勘探，2019，54（2）：447?455.

YAN Xingyu，GU Hanming，XIAO Yifei，et al.XG?Boost algorithm applied in the interpretation of tight?sand gas reservoir on well logging data[J].Oil Geo?physical Prospecting，2019，54（2）：447?455.

［9］谷宇峰，張道勇，鮑志東.測(cè)井資料PSO?XGBoost滲透率預(yù)測(cè)[J].石油地球物理勘探，2021，56（1）：26?37.

GU Yufang，ZHANG Daoyong，BAO Zhidong.Per?meability prediction using PSO?XGBoost based on log?ging data[J].Oil Geophysical Prospecting，2021，56（1）：26?37.

［10］丁陽(yáng)陽(yáng)，趙軍龍，李兆明，等.基于XGBoost算法的煤體結(jié)構(gòu)測(cè)井識(shí)別技術(shù)研究[J].地球物理學(xué)進(jìn)展，2022，37（3）：998?1006.

DING Yangyang，ZHAO Junlong，LI Zhaoming，et al.Research on logging recognition technology of coal structure based on XGBoost algorithm[J].Progress in Geophysics，2022，37（3）：998?1006.

［11］張家臣，鄧金根，譚強(qiáng)，等.基于XGBoost的測(cè)井曲線(xiàn)重構(gòu)方法[J].石油地球物理勘探，2022，57（3）：697?705.

ZHANG Jiachen，DENG Jingen，TAN Qiang，et al.Reconstruction of well logs based on XGBoost[J].Oil Geophysical Prospecting，2022，57（3）：697?705.

［12］AL?MUDHAFAR W J.Integrating well log interpre?tations for lithofacies classification and permeability modeling through advanced machine learning algo?rithms[J].Journal of Petroleum Exploration and Pro?duction Technology，2017，7（4）：1023?1033.

［13］MEREMBAYEV T，KURMANGALIYEV D，BEKBAUOV B，et al.A comparison of machine learning algorithms in predicting lithofacies：Case stu?dies from Norway and Kazakhstan[J].Energies，2021，14（7）：1896?1904.

［14］MI?OSZ M，MICHA?M.Multi?pattern algorithmfor first?break picking employing open?source machine learning libraries[J].Journal of Applied Geophysics，2019，170（3）：103848.

［15］DUNHAM M W，MALCOLM A E，WELFORD JK.A seismic petrophysical classification study of the 2?D SEAM model using semisupervised techniques and detrended attributes[J].Geophysical Journal Inter?national，2021，227（2）：1123?1142.

［16］張藝山，徐懷寶，齊洪巖，等.基于XGBoost算法的地震多數(shù)據(jù)體識(shí)別含油河道砂體[J].新疆石油地質(zhì)，2020，41（4）：477?482.

ZHANG Yishan，XU Huaibao，QI Hongyan，et al.Using multiple seismic data volume to identify oil?bea?ring channel sandbodies based on XGBoost algorithm[J].Xinjiang Petroleum Geology，2020，41（4）：477?482.

［17］丁昌偉，王新，陳同俊，等.貝葉斯優(yōu)化的XGBoost在小斷層地震解釋中的應(yīng)用[J].煤炭學(xué)報(bào)，2023，48（6）：2530?2539.

DING Changwei，WANG Xin，CHEN Tongjun，et al.Application of Bayesian optimized XGBoost in seismic interpretation of small?scale faults[J].Journal of China Coal Society，2023，48（6）：2530?2539.

［18］LUBO?ROBLES D，MARFURT J K.Independentcomponent analysis for reservoir geomorphology and unsupervised seismic facies classification in the Ta?ranaki Basin，New Zealand[J].Interpretation，2019，7（3）：SE19?SE42.

［19］龔雪嬌，朱瑞金，唐波.基于貝葉斯優(yōu)化XGBoost的短期峰值負(fù)荷預(yù)測(cè)[J].電力工程技術(shù)，2020，39（6）：76?81.

GONG Xuejiao，ZHU Ruijin，TANG Bo.Short?term peak load forecasting based on Bayesian optimization XGBoost[J].Electric Power Engineering Technology，2020，39（6）：76?81.

［20］MARTIN G S，WILEY R，MARFURT K J.Mar?mousi 2：An elastic upgrade for Marmousi[J].The Leading Edge，2006，25（2）：156?166.

［21］胥旺，鄧虎成，雷濤，等.鄂爾多斯盆地東北部大牛地氣田馬家溝組不同性質(zhì)斷裂對(duì)表生巖溶的控制作用[J].天然氣地球科學(xué)，2023，34（3）：431?444.

XU Wang，DENG Hucheng，LEI Tao，et al.Control of different faults on supergene karst in the Majiagou Formation of Daniudi Gas Field，northeastern Ordos Basin[J].Natural Gas Geoscience，2023，34（3）：431?444.

［22］李明瑞，王學(xué)剛，于波，等.針對(duì)目標(biāo)的非地震解釋技術(shù)在鄂爾多斯盆地西緣的應(yīng)用[J].石油地球物理勘探，2023，58（6）：1481?1488.

LI Mingrui，WANG Xuegang，YU Bo，et al.Non?seis?mic target?oriented interpretation techniques and appli?cation in the western edge of Ordos Basin[J].Oil Geo?physical Prospecting，2023，58（6）：1481?1488.

［23］王佳慶.碳酸鹽巖地震巖石物理建模與儲(chǔ)層預(yù)測(cè)研究：以鄂爾多斯盆地大牛地地區(qū)為例[D].四川成都：成都理工大學(xué)，2021.

（本文編輯：宜明理）

作者簡(jiǎn)介

田仁飛博士，副教授，1983年生；2005、2008、2012年分別獲得成都理工大學(xué)勘查技術(shù)與工程專(zhuān)業(yè)學(xué)士學(xué)位、地球探測(cè)與信息技術(shù)專(zhuān)業(yè)碩士學(xué)位、固體地球物理學(xué)專(zhuān)業(yè)博士學(xué)位；現(xiàn)為成都理工大學(xué)地球物理學(xué)院地球物理系主任，主要從事油氣地震勘探、綜合地球物理勘探等方面的教學(xué)和研究。