利用机器学习估算原油采收率：XGBoost分类的应用
机器学习
2025-08-27 v1 人工智能
机器学习
摘要
在石油工程中，确定最终采收率RF至关重要，尤其在开采与勘探之前。然而，准确估算需要未必在油藏开发早期可用或测得的数据。因此，我们应用机器学习(ML)，利用易得特征来估算本研究定义的十类原油RF。为构建ML模型，我们采用XGBoost分类算法。选择分类是因为采收率介于0到1之间，类似概率。我们合并了三个数据库，得到四种不同组合，先训练并测试ML模型，随后用包含未见数据的独立数据库进一步评估。对训练数据集采用十折交叉验证以评估模型有效性。为评估模型准确性与可靠性，确定了准确率、邻域准确率与宏平均f1分数。总体而言，结果表明XGBoost分类算法能以合理准确率估算RF类别，在训练集上高达0.49，测试集上0.34，所用独立数据库上0.2。我们发现XGBoost模型的可靠性取决于训练数据集中的数据，即ML模型依赖于数据库。特征重要性分析与SHAP方法显示最重要的特征为储量、油藏面积与厚度。
引用
@article{arxiv.2210.16345,
title = {Estimating oil recovery factor using machine learning: Applications of XGBoost classification},
author = {Alireza Roustazadeh and Behzad Ghanbarian and Frank Male and Mohammad B. Shadmand and Vahid Taslimitehrani and Larry W. Lake},
journal= {arXiv preprint arXiv:2210.16345},
year = {2025}
}