贝叶斯优化的加权集成学习方法在碳酸盐储层流体类型识别中的应用 张国荣（Guorong Zhang）、 高楚桥（Chuqiao Gao）、 赵斌（Bin Zhao）和 杜世轩（Shixuan Du）

《Processes》：Bayesian-Optimized Weighted Ensemble Learning for Fluid-Type Identification in Carbonate Reservoirs Guorong Zhang, Chuqiao Gao, Bin Zhao and Shixuan Du

　　

摘要

碳酸盐储层具有强烈的异质性、显著的各向异性以及复杂的孔隙结构，这使得传统的测井方法无法满足复杂岩性储层的流体识别需求。为了解决这一问题，本研究提出了一种基于贝叶斯优化的加权集成（BO-WE）模型，该模型结合了三种基础模型：支持向量机（SVM）、随机森林（RF）和轻量级梯度提升机（LGBM）。通过贝叶斯优化（BO）来调整基础模型的超参数并确定最优的集成权重。将所提出的方法应用于研究区域，并与硬投票（HVT）和堆叠（STK）集成模型进行了比较。结果表明，BO在集成模型中实现了基础模型的合理权重分配；BO-WE模型通过四个指标（准确性、精确度、召回率和F1分数）对独立测试集进行了预测，这四个指标均超过91.65%，且流体类型被准确识别。该模型为油气勘探和开发过程中碳酸盐储层的流体识别提供了一种有效的方法。