基于XGBoost算法的监督机器学习在哥伦比亚中马格达莱纳河谷盆地细粒岩相分类中的应用研究

本文创新性地应用监督机器学习（ML）中的XGBoost算法，对哥伦比亚中马格达莱纳河谷盆地（MMVB）白垩系细粒沉积岩进行岩相分类预测。研究整合6口井的1700余组X射线衍射（XRD）数据，模型整体准确率达90%，特定岩相预测精度高达99%，为填补传统取芯间隔（30英尺以上）导致的数据空白提供了低成本、高精度的解决方案，显著提升储层建模和油气勘探效率。

　　

亮点

本研究开发的XGBoost分类器在泥岩主导地层中展现出卓越的岩相识别能力。经过训练验证后，模型不仅成功预测已见井段的未取芯层位，更在完全未参与建模的新井（盲测井）中保持稳定表现。

结果

五折交叉验证显示，模型平均整体准确率达84.93%，宏观平均F1分数持续高于0.85，表明其对不同频率岩相类别均具有均衡判别力。

讨论

具有显著岩石物理特征的岩相类别表现尤为突出：

• •

  第6类（硅质-碳酸盐泥岩）因独特的硅质胶结特征，分类准确率达96%

• •

  第8类（纯碳酸盐泥岩）凭借高光电因子响应，F1分数达0.91

• •

  第10类（富有机质黏土岩）依托明显伽马射线异常，召回率超过93%

结论

XGBoost算法成功实现哥伦比亚MMVB盆地白垩系细粒泥岩的岩相智能分类，交叉验证准确率84.9%。盲测井（7号井）结果表明，该模型具备跨地层单元的外推能力，为油气储层精细表征提供了可推广的机器学习框架。