基于極限梯度爬升算法與支持向量回歸算法變權(quán)組合模型致密油的采收率預(yù)測

張金水， 田冷， 黃詩慧， 董鵬舉

(中國石油大學(xué)(北京)石油工程學(xué)院， 北京 102200)

非常規(guī)油氣藏作為中外日益?zhèn)涫苤匾暤挠蜌赓Y源，各國對致密油藏等非常規(guī)油氣藏都加大了勘探開發(fā)力度，而可采儲量是油氣田開發(fā)動態(tài)分析的基礎(chǔ)，可評估油氣藏開采潛能大小，不同采出程度可表征當前油氣田的不同開發(fā)階段，中后期可根據(jù)采收率預(yù)測的變化對生產(chǎn)措施實時調(diào)控，更好地適應(yīng)油藏的開采，為油田的進一步提高采收率提供戰(zhàn)略性的部署。以中國某致密油藏為例，儲層巖性和孔隙結(jié)構(gòu)復(fù)雜、滲透率低，其儲層為裂縫—孔隙雙重介質(zhì)，裂縫所占的儲集空間遠小于基巖的儲集空間，滲流特征難以表征，可采儲量影響因素復(fù)雜多變，導(dǎo)致難以準確計算儲層壓裂后采收率，因此需要建立一種動態(tài)監(jiān)測可反映出該致密油藏壓裂水平井開發(fā)的生產(chǎn)動態(tài)分析和采收率預(yù)測方法，一是可以評估當前儲層改造程度[1]，二是可實時獲取施工參數(shù)對產(chǎn)量的直接影響，便于動態(tài)指導(dǎo)施工。

以往對致密油藏的研究表明，對致密油的采收率預(yù)測可分為宏觀平衡法和微觀實驗法。宏觀平衡法是根據(jù)油藏的類型，進行物質(zhì)平衡分析，從宏觀上來預(yù)測油藏的可采儲量，孫賀東等[2]建立冪函數(shù)形式的高壓、超高壓氣藏物質(zhì)平衡方程，分析了視儲層壓力衰竭程度和采出程度對儲量計算可靠性的影響；畢海濱等[3]以物質(zhì)平衡時間法來評估試采階段出現(xiàn)邊界流動特征的單井可采儲量。微觀實驗法是根據(jù)巖心滲流實驗、試井解釋、水驅(qū)特征曲線的變化進程等來進行微觀儲量分析。Clarkson等[4]研究了經(jīng)典速率瞬變技術(shù)(流動狀態(tài)分析、類型曲線方法和模擬)在致密油儲層分析的應(yīng)用；Cook[5]以遞減曲線回歸法完成了三叉形地層石油資源的評估；耿站立等[6]將具有唯一解的常用水驅(qū)特征曲線優(yōu)選問題轉(zhuǎn)化為廣適水驅(qū)特征曲線與丙型、丁型曲線聯(lián)合求取唯一解問題，提高了不同水驅(qū)方式下采收率預(yù)測精度。但致密油儲層滲透率低、單井產(chǎn)能低的特性決定了其開發(fā)大多伴隨著壓裂施工改造過程，對于多因素分析的致密儲層壓裂改造后的采收率預(yù)測模型研究尚有不足，而微觀實驗法所需要的成本高昂且步驟復(fù)雜，易受到外界因素干擾。

人工智能作為一種新興的熱門領(lǐng)域，因其同時兼?zhèn)浯髷?shù)據(jù)分析與精細模擬的優(yōu)勢，被廣泛應(yīng)用于圖像音色識別[7]、無人系統(tǒng)駕駛[8-9]以及智能計算芯片[10]等，在各個行業(yè)領(lǐng)域中不斷得到傳播和發(fā)展[11]。近年來，機器學(xué)習被廣泛應(yīng)用于石油行業(yè)，如儲層酸壓性能預(yù)測[12]、壓裂縫網(wǎng)表征[13]、裂縫處理[14]、注采井間連通性識別[15]等，機器學(xué)習可以有效承接油氣勘探形成的海量地質(zhì)信息、井信息以及生產(chǎn)數(shù)據(jù)信息，支撐精細油氣藏描述模型的建立，為致密油藏的采收率實時、精準預(yù)測提供了可能。李磊等[16]在算法研究領(lǐng)域，運用加速遺傳組合算法，根據(jù)最小二乘原理提出了最優(yōu)離合點，優(yōu)化了以往以平均數(shù)群決策的綜合意愿不足的缺點；段友祥等[17]利用多種弱分類器組合算法進行巖性分類建立模型來預(yù)測儲層屬性參數(shù)，從而計算油藏采收率，為融合算法在石油行業(yè)的發(fā)展提供了參考。但這類方法難以處理高維復(fù)雜數(shù)據(jù)、提取數(shù)據(jù)之間的深層關(guān)聯(lián)信息，在特征識別方面存在一定的不足。

為此，在多種弱分類器組合算法基礎(chǔ)之上提出一種新的融合算法，將極限梯度爬升算法(extreme gradient boosting algorithm，XGBoost)與支持向量回歸(support vector regression algorithm，SVR)算法以殘差自適應(yīng)性方式賦值單模型加權(quán)系數(shù)組合，建立致密油儲層壓裂后采收率預(yù)測模型。因機器學(xué)習中SVR算法可有效降低泛化誤差和計算復(fù)雜度，且具備高維度映射預(yù)測的優(yōu)勢，XGBoost算法可解釋性較強，多個決策樹模型可減小誤差相關(guān)度，因此XGBoost-SVR模型可以有效地利用單模型的優(yōu)勢所在，同時還能減小SVR單模型對核函數(shù)的敏感依賴大、XGBoost單模型數(shù)據(jù)集存在空間復(fù)雜度過高等結(jié)構(gòu)和功能上的缺陷。在模型中借鑒了殘差進化算法思想，不斷基于單模型殘差誤差分析更新模型的結(jié)構(gòu)參數(shù)和融合模型的加權(quán)系數(shù)[18-19]，實現(xiàn)了不同模型間加權(quán)系數(shù)的最優(yōu)組合。從地質(zhì)、流體和工程三方面分析影響采收率的相關(guān)因素，原始數(shù)據(jù)集經(jīng)過數(shù)據(jù)預(yù)處理之后導(dǎo)入融合模型，通過特征識別來確定各影響因素排序，再經(jīng)過4折交叉驗證來驗證采收率的預(yù)測準確度，可通過實際工程數(shù)據(jù)和生產(chǎn)信息來實時反映采收率的變化指標，更有效地實現(xiàn)現(xiàn)場施工參數(shù)的動態(tài)調(diào)控，基于生產(chǎn)大數(shù)據(jù)可有效得模擬地質(zhì)構(gòu)造背景，反映真實的地下儲層改造情況，實現(xiàn)模型與實際工程間的仿真交互環(huán)境，實現(xiàn)對致密油的采收率動態(tài)預(yù)測。

1 研究方法

1.1 XGBoost原理

XGBoost算法[20]是一種集成的并行決策樹模型，是Boosting算法的一種結(jié)構(gòu)拓展和優(yōu)化，由多個決策樹弱分類器基于熵的組合形成一種具有預(yù)測性能的強分類器，在損失函數(shù)推導(dǎo)過程中，使用了一階導(dǎo)數(shù)gi和二階導(dǎo)數(shù)hi(對損失函數(shù)做二階泰勒展開求解函數(shù))，經(jīng)過多個迭代生成M輪CART回歸樹，并在目標函數(shù)之外加入正則項整體求最優(yōu)解，用以權(quán)衡目標函數(shù)的下降和模型復(fù)雜程度，進而準確求取目標參數(shù)。

學(xué)習多顆分類回歸樹的梯度加法模型，預(yù)測結(jié)果等于所有單決策樹的得分總和。其理論公式可表示為

(1)

定義目標函數(shù)，即損失函數(shù)和正則項，可分別表示為

(2)

圖1中，所有弱分類器的結(jié)果相加等于預(yù)測值，然后下一個弱分類器氣擬合誤差函數(shù)對預(yù)測值的殘差。

y為單棵決策樹的預(yù)測目標值；fk(x)為第k棵決策樹所輸出的預(yù)測值圖1 XGBoost算法流程圖Fig.1 Flow chart of XGBoost algorithm

再將所定義的目標函數(shù)進行組合，并進行二階泰勒公式展開，求得最終目標函數(shù)為

(3)

1.2 SVR原理

SVR是一種劃分超平面方法，定義為特征空間上的間隔最大的線性分類器，即基本思想是實現(xiàn)多樣本數(shù)據(jù)點之間的間隔最大化原則，最終可轉(zhuǎn)化為一個凸二次規(guī)劃問題的求解[21]。SVR算法影響因素與預(yù)測數(shù)據(jù)之間的非線性擬合函數(shù)f(x,w)可表示為

f(x,w)=wφ(x)+b=(w,φ)+b

(4)

式(4)中：w為權(quán)值矢量；φ(x)為非線性映射，生成和輸入向量x同維的向量；b為偏差；(w,φ)為w和φ的內(nèi)積。

SVR也可用于非線性數(shù)據(jù)集的分類或回歸預(yù)測，存在數(shù)據(jù)樣本為線性不可分數(shù)據(jù)集時，提高空間維度來映射數(shù)據(jù)點，可引入適當?shù)暮撕瘮?shù)向高維空間進行映射，通過內(nèi)積函數(shù)從原始空間映射更高維空間，分析輸入因素與目標序列的特征關(guān)系組合，來實現(xiàn)非線性樣本分類或回歸預(yù)測。

核函數(shù)的最佳選擇是SVR模型最優(yōu)化問題的關(guān)鍵，在一定誤差允許內(nèi)，預(yù)估目標輸出，同時最小化w模型參數(shù)，使其具有更強的泛化能力。優(yōu)化目標等價于一個最基本的凸二次規(guī)劃問題，可表示為

(5)

(6)

式(6)中：ε為規(guī)定誤差；yi為目標值。

1.3 Pearson系數(shù)分析

Pearson相關(guān)系數(shù)是用來衡量定距不同因素變量之間的相互關(guān)聯(lián)程度。皮爾遜相關(guān)系數(shù)r表征的相互關(guān)聯(lián)程度為-1～1，系數(shù)越高，則不同變量之間的相互關(guān)聯(lián)程度越高。在分析多因素變量之間的影響相關(guān)度方面，更能反映出因素之間的冗余特征重合度，可實現(xiàn)多數(shù)據(jù)集的因素交互分析。

(7)

1.4 變權(quán)組合預(yù)測模型

構(gòu)建組合預(yù)測模型，關(guān)鍵參數(shù)是各單模型權(quán)重因子的賦值，采取的是殘差賦權(quán)法，基于雙模型預(yù)測參數(shù)與標準值的殘差分析，不斷更新其模型的適應(yīng)度，實現(xiàn)模型間的有效交互模式，達到準確預(yù)測回歸變量的目標。以XGBoost和SVR單模型預(yù)測數(shù)據(jù)與真實數(shù)據(jù)之間的殘差來確定組合模型的權(quán)重系數(shù)，它融合各個模型的優(yōu)勢與特點，利用最優(yōu)化數(shù)學(xué)模型來求出各模型組合賦權(quán)系數(shù)，來構(gòu)造基于殘差的自適應(yīng)變權(quán)組合模型來進一步提高致密油的采收率預(yù)測精確度。

(8)

式(8)中：n為預(yù)測模型的總個數(shù)；ωi(t′)為t′時刻第i個模型的權(quán)重；εt′(t′)為t′時刻第i個模型的預(yù)測誤差平方和；f(xt′)為t′時刻融合模型的預(yù)測值；fi(xt′)為t′時刻第i個模型的預(yù)測值。

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)選擇

該致密油藏為裂縫—孔隙型雙重介質(zhì)儲層，存在儲層流體滲流特征復(fù)雜、啟動壓力梯度高等開發(fā)難點，不能準確得確定采收率的影響因素。原始數(shù)據(jù)集從地質(zhì)因素、儲層因素和工程因素三方面來選取采收率影響參數(shù)，巖石儲層的物性參數(shù)對油氣藏的采收率有直接的影響關(guān)系，該地區(qū)儲層間的巖石孔隙度決定了油氣資源的富集度，有效厚度、含油飽和度等因素直接影響了油層的采出程度，工程改造參數(shù)(如加砂量與支撐劑濃度等)都會直接影響人工裂縫的導(dǎo)流能力，壓裂簇數(shù)則決定了壓裂井井筒的泄流面積，采收率標定按油藏數(shù)值模擬來表征相應(yīng)參數(shù)。將收集后的數(shù)據(jù)進行歸類整理，剔除與采收率無關(guān)或偏差較大的數(shù)據(jù)，留下與采收率影響因素相符的數(shù)據(jù)，部分數(shù)據(jù)集如表1所示。

表1 致密油部分影響因素原始參數(shù)集Table 1 Original parameter set of some influencing factors of tight oil

2.2 數(shù)據(jù)清洗

2.2.1 離群點處理

選取的生產(chǎn)數(shù)據(jù)離群點一般分為“真異常”和“偽異常”兩種，前者是由于各種地質(zhì)因素、特定工程因素導(dǎo)致的數(shù)據(jù)量變化，比如酸化或者壓裂之后，地層滲透率明顯增高，產(chǎn)量規(guī)模大幅度提高，這些都是基于油藏正常狀態(tài)，而不是數(shù)據(jù)本身的異常；而后者是地質(zhì)條件如若未發(fā)生改變，數(shù)據(jù)分布明顯不合理，存在極大的統(tǒng)計誤差，排除因地下油藏條件變異反應(yīng)，即為“偽異常”。可以根據(jù)該離群點是否存在工程措施、地下儲層是否發(fā)生明顯突變來判斷真?zhèn)萎惓＃賹⒄砗玫牟墒章氏嚓P(guān)數(shù)據(jù)集進行二次處理，對空白字段、無意義數(shù)據(jù)進行刪除，來確保采收率數(shù)據(jù)的有效性。

由圖2可知，滲透率、溫度等參數(shù)存在異常值和離群點，如正常溫度為80～110 ℃，而統(tǒng)計溫度存在65.23、67.25 ℃異常點；滲透率整體范圍低于5 mD，而統(tǒng)計滲透率存在8.56 mD異常點，可基于井位初步判斷其地下條件，可根據(jù)該井附近的地層中溫來進行溫度和滲透率的校正。

圖2 數(shù)據(jù)異常值分析圖Fig.2 Data outlier analysis diagram

2.2.2 缺失值處理

現(xiàn)場采集致密油采收率影響因素數(shù)據(jù)時，油井的地震、測井、壓裂、生產(chǎn)等數(shù)據(jù)因鉆井、井下作業(yè)及工程因素，會存在一定記錄缺失和字段信息缺失等情況，其對數(shù)據(jù)分析和模型精度會有較大的影響，導(dǎo)致最終采收率預(yù)測結(jié)果帶有不確定性，所以有必要對采集的現(xiàn)場數(shù)據(jù)進行缺失值處理。

在此對數(shù)據(jù)采取基于統(tǒng)計學(xué)的填充方法，均值填充，取附近地質(zhì)儲層數(shù)據(jù)相近的三口井的均值作為填充數(shù)據(jù)，每一個影響因素的填補都需要考慮其本身的工程背景含義，要在排除“真異常”點基礎(chǔ)上綜合補充缺失數(shù)據(jù)集。

2.3 特征相關(guān)性分析

首先計算采收率與各特征影響因素的皮爾森相關(guān)系數(shù)，結(jié)果如表2所示，這可以在一定程度上判斷特征對于預(yù)測的作用。相關(guān)系數(shù)大于0.85的特征量可以去除，保留其一即可，避免造成數(shù)據(jù)冗余。

表2 Pearson相關(guān)系數(shù)Table 2 Pearson correlation coefficient

Pearson相關(guān)性分析可以有效提高變量特征與采收率因素之間的可解釋性，增強對采收率和影響因素之間的理解。經(jīng)過分析，如圖3所示，總液量與總加砂量、每簇加液量與每簇加砂量兩因素之間相關(guān)系數(shù)大于0.75，兩變量因素之間特征重合度過高，會降低主控因素對采收率的影響因子排序。

圖3 Pearson相關(guān)系數(shù)圖Fig.3 Pearson correlation coefficient diagram

因總液量與總加砂量、每簇加液量與每簇加砂量因素間Pearson系數(shù)屬于極強相關(guān)，存在特征重疊冗余現(xiàn)象，因此需篩選因素特征。如圖4、圖5所示，根據(jù)特征因素吻合度差異選擇總加砂量與每簇加液量即可。

圖4 總加砂量、總液量對比分析Fig.4 Comparative analysis of total sand addition and total liquid volume

圖5 毎簇加砂量、毎簇加液量對比分析Fig.5 Comparative analysis of sand addition and liquid addition per cluster

3 模型構(gòu)建與調(diào)試

3.1 組合預(yù)測模型構(gòu)建流程

圖6為XGBoost-SVR模型流程圖，具體步驟如下。

圖6 XGBoost-SVR模型流程圖Fig.6 Flow chart of XGBoost-SVR model

步驟1根據(jù)測井數(shù)據(jù)、巖心分析、地震以及壓裂數(shù)據(jù)等采集目標區(qū)塊采收率影響因素原始數(shù)據(jù)集，構(gòu)造模型訓(xùn)練所支撐的數(shù)據(jù)集。

步驟2對原始采收率數(shù)據(jù)集進行必要的預(yù)處理分析，重點包括真?zhèn)萎惓７治觥?shù)據(jù)清洗、判斷數(shù)據(jù)準確性等，在缺失值部分采用屬性相近井資料數(shù)據(jù)進行均值補充。

步驟3各類型數(shù)據(jù)進行了篩選與整理，構(gòu)建單個機器學(xué)習模型，輸入數(shù)據(jù)按訓(xùn)練集∶測試集=7∶3進行隨機數(shù)據(jù)劃分后，以此為基礎(chǔ)分別訓(xùn)練SVR單模型和XGBoost單模型，不斷調(diào)試單模型超參數(shù)，達到最優(yōu)之后保存各個訓(xùn)練模型。以訓(xùn)練好的模型來預(yù)測測試集數(shù)據(jù)，最終得到SVR與XGBoost單模型預(yù)測結(jié)果。

步驟4對單模型預(yù)測值進行回歸分析，與實際值偏差滿足一定條件前提下，可進行組合模型構(gòu)建。

步驟5利用已訓(xùn)練好的單模型來基于殘差分析賦值各個單模型權(quán)重比例，不斷更新迭代其權(quán)重系數(shù)，最終可得到組合模型最終預(yù)測結(jié)果。通過二者基于殘差自適應(yīng)變權(quán)組合形成的模型來進行致密油的采收率預(yù)測。

步驟6模型評價分析，根據(jù)模型評價指標比較模型預(yù)測能力，分析模型預(yù)測效果。

3.2 單模型調(diào)參

以采集的致密油藏采收率以及影響采收率的13種因素共122組生產(chǎn)數(shù)據(jù)集，作為樣本庫，其中隨機97組數(shù)據(jù)作為訓(xùn)練集，剩余25組作為測試集，建立XGBoost-SVR采收率預(yù)測模型。這是一個目標變量回歸預(yù)測問題，不同的模型原理和所得結(jié)果之間是存在差異的。此次融合了XGBoost以及SVR兩個模型，其中第一類可以看作是決策樹模型，SVR為支持向量機模型。這兩類模型原理相差較大，產(chǎn)生的結(jié)果相關(guān)性較低，融合有利于提高預(yù)測準確性。

XGBoost模型根據(jù)數(shù)據(jù)大小和種類以及影響采收率參數(shù)來參數(shù)尋優(yōu)，模型參數(shù)最終設(shè)置為：決策樹的深度max_depth=5，學(xué)習率learning_rate=0.01，最大迭代次數(shù)n_estimators=200，隨機采樣的比例subsample=0.7，每棵隨機采樣的列數(shù)的占比colsample_bytree=0.8，靜默模式silent=True，線程數(shù)nthread=0.2。SVR模型確定固定值向量機結(jié)構(gòu)參數(shù)中，懲罰因子C=24.83，單個樣本的影響波及范圍g=5.77來開始支持向量機模型的訓(xùn)練與預(yù)測。

3.3 XGBoost-SVR組合模型構(gòu)建與調(diào)試

在進行模型構(gòu)建過程中，要避免影響因素與采收率之間發(fā)生過擬合現(xiàn)象，即模型在訓(xùn)練樣本中表現(xiàn)優(yōu)越，但是在驗證數(shù)據(jù)集以及測試數(shù)據(jù)集中表現(xiàn)不佳，可采用特征樣本隨機訓(xùn)練，減少樹深度和正則化參數(shù)后等有效方法來降低過擬合。

兩個單模型的超參數(shù)調(diào)整對于模型的表現(xiàn)有很大的影響，在不斷地調(diào)試之后，結(jié)合誤差值分析確定參數(shù)范圍內(nèi)最優(yōu)的參數(shù)組合，在確定結(jié)構(gòu)參數(shù)后，對于單模型再次在訓(xùn)練中使用交叉驗證，一方面是可以對比不同模型的效果，另一方面是在4折交叉驗證中，每折訓(xùn)練結(jié)束后的模型，結(jié)合本折交叉驗證都對采收率進行一次預(yù)測。對XGBoost-SVR組合模型進行4折交叉驗證，得出4個采收率預(yù)測數(shù)值，最終組合模型的預(yù)測結(jié)果是4次預(yù)測結(jié)果的平均值，基于抽樣化的樣本可以提高精準度，最終結(jié)果實際上是4個組合模型結(jié)果的融合，抽樣和融合可以減少過擬合，可對預(yù)測精度有所提高。

3.4 預(yù)測結(jié)果分析

在驗證基于殘差自適應(yīng)組合模型精確度的同時，分別對XGBoost單模型和SVR單模型進行預(yù)測輸出進行對比試驗，各個模型預(yù)測結(jié)果如圖7、圖8、表3所示。由圖7、圖8可知，采收率值實際值處于平均水平時，各模型預(yù)測值和實際值的擬合度都較高，而對于實際值遠小于或遠大于平均水平的擬合效果均較差(W87井、W31井)。相比于單機器學(xué)習模型，組合模型與實際值的擬合效果最好，起伏程度更加接近采收率變化的范圍趨勢，偏差較小。

利用保存好的組合模型對輸入變量重要性分析評價，變量重要性結(jié)果如圖9所示。采收率預(yù)測變量重要性結(jié)果為儲層變量因素大于工程變量重要性，重要性順序為簇數(shù)、有效厚度、滲透率、含油飽和度等。儲層變量因素中有效厚度和滲透率的重要性相對較高，反映了儲油層和致密油滲流通道的影響度，表明在采收率的影響因素中，裂縫發(fā)育程度、儲層自身性質(zhì)以及滲流通道都占了較大比重。

圖7 XGBoost預(yù)測結(jié)果Fig.7 XGBoost prediction result

圖8 SVR預(yù)測結(jié)果Fig.8 SVR prediction result

表3 各模型預(yù)測結(jié)果對比Table 3 Comparison of prediction results of various models

4 模型評估

對組合模型可從精準度和離散程度兩方面評估模型性能，均方誤差(mean square error，MSE)和均方根誤差(root mean squared error，RMSE)反映了采收率模型預(yù)測值和真實采收率之間的偏離程度，R2可評估該模型預(yù)測數(shù)據(jù)的離散程度，如圖10所示，從基本理論方面揭示了評估模型的精準度和離散程度差異性。

MSE和RMSE計算公式為

(9)

對上述3種模型預(yù)測方法進行模型評估，回歸模型評估如表4所示。

如圖11所示，相比于單模型，基于殘差確定的組合模型可充分利用不同的定性預(yù)測模型或定量預(yù)測模型的優(yōu)勢，可以基于誤差分析，不斷提升組合模型的預(yù)測精度，模型類型相差比較大的兩模型間優(yōu)勢互補，不同的預(yù)測方法從不同的角度挖掘到的信息也不一致，因此組合模型進一步提高了模型的泛化能力。

圖9 特征影響因素重要性排序Fig.9 Ranking of the importance of feature influencing factors

圖10 理論模型精確度和離散程度評估圖Fig.10 Evaluation of the accuracy and dispersion degree of the theoretical model

表4 模型評估值結(jié)果Table 4 Model evaluation results

圖11 融合模型預(yù)測值殘差圖Fig.11 The residual plot of the predicted value of the fusion model

5 結(jié)論

引進機器學(xué)習之中的模型融合技術(shù)來預(yù)測致密油的采收率，可以有效地提高回歸預(yù)測的準確性，相比于單模型，融合模型在穩(wěn)定性和精確度方面體現(xiàn)出了一定的優(yōu)勢。得出如下結(jié)論。

(1)經(jīng)過對致密油的采收率影響特征重要性分析，儲層因素的相對重要性高于施工參數(shù)的重要性，其中簇數(shù)、有效厚度和滲透率因素相對重要性高，而加砂量和加液量相對重要性較低，證明了儲層物性、裂縫(天然裂縫、人工裂縫)的發(fā)育程度對采收率的影響非常重要。

(2)XGBoost-SVR組合模型可充分利用XGBoost單模型可解釋性強和SVR單模型高維度映射的優(yōu)勢，同時也增加了一定容錯率，對于致密油藏的采收率預(yù)測精度達到94.63%，可為致密油藏的開發(fā)措施調(diào)整提供良好的指導(dǎo)作用。