基于XGBoost算法的vP/vS預測及其在儲層檢測中的應用

摘要：鄂爾多斯盆地碳酸鹽巖地層蘊含著豐富的油氣資源。在勘探實踐中發現，大牛地氣田馬家溝組斷層發育、斷距小，類型多樣且成因復雜，給勘探、開發帶來了較多挑戰。為了應對這些挑戰，提高儲層預測的精度變得至關重要。在分析大牛地氣田敏感彈性參數的基礎上，建立地震屬性與儲層縱橫波速度比（vP/vS）的關系，提出一種基于XGBoost算法的地震多屬性vP/vS預測方法。為了進一步提升XGBoost算法的預測精度和泛化能力，采用貝葉斯算法對XGBoost算法的超參數進行優化，從而找到最佳的超參數組合，以確保模型在訓練集和測試集上的性能均能得到提升。將XGBoost算法應用于Marmousi 2模型進行橫波速度預測，預測值與實際值相關系數超過0.88，而均方誤差、平均絕對百分比誤差分別低于6.55×10?7和4%，驗證了該方法的準確性和可靠性。在鄂爾多斯盆地大牛地氣田，應用該方法獲得的vP/vS成功識別出含氣儲層，結果與實際鉆井數據一致。理論模型和實際數據應用結果表明，XGBoost作為一種強大的機器學習算法預測精度較高，為直接由疊后地震屬性預測vP/vS提供了一種有效的途徑。

關鍵詞：橫波速度，碳酸鹽巖儲層，地震屬性，XGBoost算法，縱橫波速度比（vP/vS）

中圖分類號：P631文獻標識碼：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預測及其在儲層檢測中的應用［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）是油氣藏儲層描述的關鍵參數之一，對于儲層的含氣性具有較高的靈敏度[1]。要獲取這一參數，主要方法包括巖石物理測試、橫波測井和疊前反演。在實際油氣田勘探中，巖石物理測試和橫波測井往往成本高且僅有“一孔之見”，難以獲得整個研究區的vP/vS參數。同時，疊前反演雖然可以獲得高精度的vP/vS參數，但精度受地震資料品質影響較大，并且需要較多橫波測井曲線用于標定[2]。因此，開展高精度的vP/vS（或橫波速度）預測對于油氣儲層的分析、評價至關重要，不僅具有重要的理論意義，而且也具有廣闊的應用前景。

利用地震資料預測vP/vS，關鍵在于橫波速度預測。目前，橫波速度預測方法眾多，有許多學者開展了深入研究。其中，基于人工智能的深度學習[3]、機器學習[4]等方法已經成為儲層橫波預測中的研究熱點，并取得了一定的應用效果[5?6]。然而，人工智能在模型性能及泛化能力、特征參數選擇、參數優化、計算效率等方面仍存在諸多難點問題亟待解決。為了解決這些問題，本文引入XGBoost算法。該算法以梯度提升決策樹（Gradient Boosting Decision Tree，GBDT）為基礎，通過梯度提升策略，在每一輪迭代中優化殘差，從而逐步提升XGBoost模型的性能。此外，該算法對異常值相對魯棒，有助于提升模型的泛化能力。在特征選擇與處理方面，XGBoost算法內置了特征重要性評估機制，能夠自動選擇對任務最相關的特征[7]。這不僅簡化了特征優選的過程，還有助于構建更簡潔、解釋性更強的模型。

前人已經在多個領域驗證了XGBoost算法的有效性。例如，閆星宇等[8]通過分析砂巖儲層孔隙度與滲透率的關系，應用XGBoost算法構建了砂巖儲層滲透率預測模型；谷宇峰等[9]應用粒子群優化（PSO）算法對XGBoost算法進行改進，并用于測井滲透率預測，并與PSO優化支持向量回歸、PSO優化GBDT等方法進行對比分析，認為PSO優化XGBoost的預測效率和精度最高，穩定性最好；丁陽陽等[10]應用XGBoost算法進行多屬性測井信息融合，識別煤體結構類型，相對于常用圖版法，XG?Boost能夠實現煤體結構的高精度和高效率識別；張家臣等[11]應用XGBoost算法在渤海灣盆地建立了測井曲線生成模型。此外，Al?Mudhafar[12]和Merem?bayev等[13]的研究表明，XGBoost算法在測井解釋和巖相預測等方面具有優異表現。同樣，XGBoost算法也應用到地震數據處理和解釋，如在初至檢測[14]、巖性分類[15]、砂體識別[16]、斷層檢測[17]等方面也取得了很好應用效果。

基于以上分析，本文提出一種基于XGBoost算法、應用地震屬性預測儲層vP/vS參數的方法。該方法應用獨立成分分析（Independent Component Analysis，ICA）優選多種地震屬性，并采用貝葉斯算法優化XGBoost模型的超參數。實際數據應用結果表明，該方法可為油氣儲層預測提供一種新思路。

1方法原理

以從地震數據中提取的多種屬性為輸入，利用ICA對這些地震屬性進行降維處理。然后，結合地震屬性和測井信息，應用XGBoost算法對儲層敏感的參數vP/vS進行預測。

1.1地震多屬性提取及優選

地震屬性是通過數學方法從地震數據中提取的、能夠反映地下物性及構造變化的數值化指標。這些屬性數據體涵蓋了地震波的幾何學、運動學、動力學和統計學特征。地震多屬性提取的目的在于從地震數據中挖掘與儲層特征參數密切相關的信息，并轉化為能夠為地質解釋和油藏描述所用的信息。自20世紀60年代出現地震屬性概念后，現已提出200多種。通常采用獨立成分分析等方法降低地震多屬性的維度并優選屬性，以獲取與研究目標相關的地震屬性，減少冗余信息，提高模型預測能力。

地震屬性優選有很多方法，其中ICA是應用廣泛的降維和特征提取方法。其基本思想是將混合信號視為多個獨立成分的線性組合，通過統計分析和獨立性檢驗分離出獨立的成分，并選擇最具有代表性的成分作為新的特征向量。這可以大幅降低數據維度，提高數據處理效率，同時保留主要特征，避免信息丟失。ICA可以發現數據中的線性關系和非線性關系，非常靈活和強大。具體實現方法包括最大熵法、最大似然法、快速ICA算法等[18]。其處理流程包括準備數據集、中心化數據、白化數據、應用ICA算法、選擇獨立成分和反變換等，詳細實現過程見文獻[18]。在地震屬性優化時，使用ICA可以消除冗余信息，提高數據利用率和模型預測能力，有助于發現數據中的隱含關系，從而提高預測結果的精度。

1.2 XGBoost算法

XGboost算法是GBDT算法的改進，二者都是基于梯度提升的集成學習方法。其核心思想是使用弱學習器（如決策樹）進行迭代，不斷優化集成模型的預測效果。GBDT僅使用一階導數，而XGBoost則對損失函數進行二階泰勒展開，同時引入一階導數和二階導數。這意味著任何滿足二階連續可導的函數都可以作為損失函數，從而提高了模型的穩定性和效率。XGBoost還采用了分裂節點時的貪婪算法和分位數近似技巧，加速了樹的訓練過程。此外，XGBoost對樹的結構進行了限制，如最大決策樹生成數量、單棵樹最大分支深度、學習速率、樣本隨機抽取比例、構建樹時向下采樣率、分支樹最小損失梯度、葉子節點最小樣本數限制、子樹權重的L1和L2正則化等超參數。通過調整這些超參數，可以優化XGBoost模型的性能，使其在訓練數據上達到良好的擬合效果，同時在測試數據上保持強大的泛化能力。該算法還具有缺失值自動處理、稀疏數據處理及并行計算等功能，進一步提高了模型的效率和擴展性[7]。XGBoost算法的流程如下（圖1）。

（1）計算損失函數對樣本的一階導數和二階導數。一階導數為

式中：L（yi，y（?）i）是損失函數；yi是第i個樣本的真值；y（?）i是模型對第i個樣本的預測值。二階導數為

（2）初始化模型

式中：f0為初始模型（也稱基分類器）；xi為第i個樣本的參數；γ為使損失函數達到最小的常數；n為樣本個數。

（3）迭代構建樹模型。對于第t次迭代，首先計算當前模型ft?1的預測值y（?）i（t-1）=ft-1（xi）。其次計算樣本殘差ri（t）=yi-y（?）t-1）。第三，將上一步得到的殘差ri（t）作為樣本新的真實值，擬合新的回歸樹模型

式中：R為樣本容量；wj表示第t次迭代時的第j個葉子節點的分數；I為樣本x對應葉子節點指示函數，即x∈R則I=1，否則I=0；mt表示葉子節點數。第四，對于每個葉子節點，計算其分數wj（j=1，2，…，mt），wj的計算公式為

式中：Gj是第j個葉子節點上所有樣本的梯度和；Hj是第j個葉子節點上所有樣本的二階導數和；λ是正則化參數，用于控制葉子節點權重的大小，防止過擬合。第五，更新模型

式中η為學習率。

（4）輸出最終模型

式中T為最大迭代次數。

相對于GBDT算法，XGBoost算法具有許多優勢。首先，它支持并行計算和優化，能夠在較短的時間內處理大量數據，因此適用于大規模數據集和高維度數據。其次，該算法通過自動學習缺失值的分裂方向、為缺失值設定默認值、利用缺失值的統計信息和正則化等方式提高對缺失值和異常值的魯棒性，能夠處理不完整的數據集和含噪數據。此外，XGBoost算法還支持自定義損失函數和正則化項，可以根據不同的需求定制。無論是在處理分類問題還是回歸問題，XGBoost算法都能通過靈活的自定義損失函數和正則化項，以及高效的優化方法，獲得高精度的結果。

1.3 XGBoost超參數優化

XGBoost是一種強大的集成學習算法，但其性能受超參數選擇的影響。在實踐中，不恰當的超參數選擇可能導致模型的性能不佳，進而影響預測的穩定性和精度。通過優化這些超參數，可以提高模型的準確性和泛化能力，防止模型過擬合或欠擬合，增強模型的魯棒性，使其能夠更好地適應地震數據集。

1.3.1網格搜索

網格搜索是一種用于超參數調優的方法，其目的是確定模型的最佳超參數組合。在進行網格搜索時，首先定義一個超參數空間，該空間包含了所有可能的超參數組合。隨后，利用交叉驗證評估各種超參數組合的性能，并最終選擇表現最佳的超參數組合作為模型的最終設置。

1.3.2隨機搜索

隨機搜索是一種常見的超參數調優方法，與網格搜索相似，都是在超參數空間中尋找最佳的超參數組合。然而，與網格搜索不同的是，隨機搜索通過在超參數空間中隨機采樣一組超參數組合來進行搜索，而不是遍歷預定義網格中的所有可能組合。這種方法的優點在于，它可以在有限的時間內嘗試更多的超參數組合，從而增加找到最佳組合的機會。此外，由于隨機搜索可以在更大的超參數空間中進行探索，因此可以避免陷入局部最優解。

1.3.3貝葉斯優化

貝葉斯優化是一種用于優化難以解析的黑盒函數的方法。其核心思想是通過代理模型來模擬目標函數，以選擇下一個評估的樣本點，從而最小化所需樣本數量并在探索和利用間取得平衡。具體流程包括定義目標函數、超參數空間以及使用高斯過程作為代理模型。初始觀測后，根據代理模型的預測進行迭代優化，選擇下一個最佳超參數設置。當達到預定迭代次數或目標函數收斂時，優化停止并返回最佳超參數設置。相較于傳統的網格搜索或隨機搜索，貝葉斯優化能更高效地找到最佳超參數設置，并自適應地調整探索和利用的權衡[19]，一般通過構建目標函數的概率模型和定義采集函數自適應地調整這種權衡。因此，本文選用貝葉斯優化算法對XG?Boost的超參數進行優化。其流程如圖2所示。

1.4評價指標

本文采用相關系數（r）、均方誤差（Root Mean Squared Error，RMSE）、平均絕對百分比誤差（Mean Absolute Percentage Error，MAPE）三種指標評價預測結果。r用來衡量兩個變量之間相關性的指標，取值范圍在?1到1之間。當r等于1時，表示兩個變量完全正相關；當r等于?1時，表示兩個變量完全負相關；當r等于0時，表示兩個變量之間沒有線性相關性。一般來說，相關系數的絕對值越接近1，說明兩個變量之間的線性關系越強。r的定義為

式中：y（ˉ）為真實值的均值；為預測值的均值。

RMSE是一種常用的衡量預測值和真實值之間差距的指標。通常情況下，RMSE越小，表示預測越準確。RMSE定義為

MAPE反映了預測值與真實值之間的相對誤差。MAPE越小，表示預測精度越高。MAPE的定義為

2 Marmousi 2模型預測實驗

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]。采用彈性波動方程有限差分法進行正演，炮間距為25 m，道間距為12.5 m，時間采樣率為1 ms，經過系列處理，獲得的縱波疊前時間偏移剖面。

為了驗證XGBoost算法在預測橫波速度的可行性，本文從Marmousi 2模型的疊后地震數據中提取振幅、頻率、相位等地震屬性，共20種（表1）。考慮到地震屬性對橫波速度的敏感性不同，首先采用ICA對地震屬性進行優化選擇。通過ICA降維和優化處理，前四個分量的累計方差百分比為91.5%。在預測橫波速度之前，首先建立地震屬性與理論模型的橫波速度識別標簽。然后，采用XG?Boost算法構建橫波速度預測模型。隨機選取80%的道作為訓練集，20%的道為測試數據集。將降維處理后地震屬性的前四個分量輸入到XGBoost模型。由圖3的迭代誤差曲線可知，基于XGBoost算法的預測模型在迭代到一定次數后，RMSE趨于穩定，說明模型在訓練集和測試集上的性能已經達到了一個相對穩定的狀態，得到了最優訓練效果，此時進一步的訓練不會顯著提升模型的性能。

從預測的橫波速度中抽取部分單道進行定量分析。由圖4的部分道橫波預測結果可知：在單道橫波曲線中，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。部分道預測結果與真實值的r、RMSE、MAPE統計如表2所示，可以看出，相關系數最小值為0.88，說明預測值與實際值之間有較強的相關性；而RMSE和MAPE的最大值分別為6.55×10?7、4%，說明預測值與實際值之間的誤差小，預測結果可靠性高。但由于不同道對應的地層存在差異，在地層特征變化較大時，相應預測結果的準確性會下降，在第2581道誤差較大，相關性也最低。

3應用實例

3.1工區概況

鄂爾多斯大牛地氣田是中國境內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，其中目標層馬家溝組儲層的平均厚度為50～80 m，最大厚度可達130 m。這一顯著的儲層厚度為氣田的開發奠定了堅實的儲量基礎[21]。而且，大牛地氣田還有大量的未探明儲量，因此具有巨大的勘探和開發潛力[22]。

本文以鄂爾多斯盆地大牛地氣田馬家溝組碳酸鹽巖儲層為研究目標。收集了工區內馬家溝組51+2亞段測井數據，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作為巖性識別、流體檢測的參數。由于在研究工區內僅部分井有橫波速度數據，無法獲取全工區的橫波速度數據，因此本文利用基于地震多屬性的XGBoost算法直接預測vP/vS。

3.2疊前反演

研究區馬家溝組馬5段為主要含氣儲層，其Xline1019測線疊前時間偏移剖面如圖6所示。為了驗證XGBoost算法在鄂爾多斯盆地大牛地地區實際資料中應用的可靠性，本文與疊前反演獲得的vP/vS數據進行對比、分析。

3.2.1疊前道集優化

研究區的疊前道集經過疊前反褶積、道集拉平、振幅補償等優化處理（圖7）。由圖7可知：研究工區疊前道集的目標層位的信噪比較高（綠線所示），同相軸較連續，振幅變化較一致。對比圖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。儲層AVO響應特征明顯，能夠區分含氣儲層和含水儲層。

3.2.2疊前同時反演

將疊前道集劃分為0°～6°、6°～12°和12°～18°分別進行疊加，并從地震資料中提取地震子波，對工區內每口測井資料進行精細井震標定和追蹤太原組、本溪組和馬54亞段的地震層位，結合工區已有縱波速度、橫波速度和密度測井資料進行約束，建立初始的低頻模型。然后采用約束稀疏脈沖算法，通過迭代提高模型的精度，并對低頻模型進行修正，直到滿足精度要求為止。

3.3基于XGBoost算法預測vP/vS及應用

3.3.1地震屬性及超參數優化

本文共提取了實際地震數據的16種地震屬性（表3），沿Tc2b向下移動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性（圖9）；隨后提取出最具有代表性的成分，進行數據降維，去除冗余信息，提高數據的表達能力。ICA分析結果如圖10所示。

圖9是地震屬性熱圖，其顏色表示相關大小，顏色越白或越黑，則表明兩個地震屬性的相關性越強。通過貝葉斯算法優化后，輸入XGBoost模型的每個地震屬性應該是最佳的，并能很好地映射到vP/vS值。圖10是對地震屬性進行ICA降維后前7個分量的方差百分比統計，其中前4個分量的累計方差百分比達94.86%。因此，采用ICA前4個分量作為參數輸入到XGBoost模型預測vP/vS。

本文將處理后的地震屬性與前文計算得到的測井、地震反演的橫波速度計算縱橫波速度比，并組成數據集，該數據集將作為測試數據，用于XGBoost算法對縱橫波速度比的預測。在具體實驗中，首先采用貝葉斯優化XGBoost模型的最優參數組合（表4），再應用XGBoost模型預測大牛地馬5段含氣儲層的vP/vS。

3.3.2結果分析

研究區共有7口井，其中W1～W4井產水，G1～G3井試氣結果分別為9.77×104、1.58×104、7.03×104 m3/d。圖11為G1井的測井曲線，自上而下在2821.0～2824.0、2830.0～2833.0和2835.5～2838.5 m進行綜合測試，無阻流量為9.77×104 m3/d，獲得了高產的工業氣流。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模型預測的vP/vS數據體中，提取兩條典型的連井剖面。圖12a為過G1?G2?W3井的基于疊前反演獲得的vP/vS，圖12b是基于XGBoost模型預測的vP/vS，其中圖中的紅色部分代表有利儲層。顯然，G1和G2井在馬51+2亞段呈現明顯的異常響應，而W3井含水層的vP/vS異常特征則相對不明顯。圖13a揭示了過W1?G3井的基于疊前反演獲得的vP/vS，圖13b是基于XG?Boost模型預測的vP/vS。G3井在目標層也呈現出明顯的vP/vS異常，但W1水井未出現明顯異常。這一現象說明含氣層與水層在vP/vS剖面上具有顯著差異，從而證實了vP/vS能夠較好的預測含氣儲層。兩條過井剖面驗證了應用vP/vS參數預測大牛地碳酸鹽巖含氣儲層是可行的。對比圖12a與圖12b、圖13a與圖13b可見，兩種方法獲得的vP/vS剖面整體特征一致，說明本文方法能夠達到疊前反演的效果。值得一提是，基于XGBoost模型的預測方法不需要疊前數據，只需要利用工區具有vP/vS測井的井旁地震道的地震屬性來建立訓練模型，然后推廣應用到整個研究區，從而獲得能夠反應儲層流體性質的vP/vS參數，為直接從疊后地震屬性預測vP/vS提供了一種有效手段。

馬51+2亞段沉積時期相對海平面持續下降，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]，也是形成優質儲層最有利的層段。圖14展示了沿Tc2b向下6 ms提取的預測vP/vS參數，其中紅色代表強異常，對應有利儲層區，W1、W2、W3、W4水井分布在強異常區外。表5對比了工區盲測井的相同深度（即Tc2b向下移動6 ms處）的基于XGBoost算法預測的儲層vP/vS參數與通過測井計算的vP/vS參數，可見，二者基本一致，表明基于XGBoost算法預測vP/vS是準確和可行的。

4結論

本文提出了一種基于XGBoost算法的地震多屬性vP/vS預測方法。在分析大牛地測井橫波速度敏感參數的基礎上，建立地震屬性與儲層橫波速度之間的關系，采用XGBoost算法直接從疊后地震屬性預測橫波速度或vP/vS參數，獲得的主要結論如下。

（1）XGBoost算法是一種基于決策樹的集成學習算法，可以通過不斷迭代提高模型的預測精度。采用貝葉斯算法對XGBoost算法的超參數進行優化，以增強模型的預測精度和泛化能力。

（2）應用XGBoost算法對Marmousi 2模型進行橫波速度預測，獲得了精確的結果，從而證明了該方法的可靠性。

（3）針對鄂爾多斯盆地大牛地氣田的地震數據，利用XGBoost算法預測的vP/vS能夠區分含氣與含水儲層，并有效地反映含氣儲層分布范圍。與測井數據計算的vP/vS誤差較小，表明XGBoost作為一種強大的機器學習算法精度較高，在地震數據解釋中具有較大的應用潛力。

參考文獻

［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算法的碳酸鹽巖儲層橫波速度預測[D].四川成都：成都理工大學，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］何運康.基于深度學習的橫波速度預測方法研究[D].陜西西安：長安大學，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層測井解釋中的應用[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.測井資料PSO?XGBoost滲透率預測[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］丁陽陽，趙軍龍，李兆明，等.基于XGBoost算法的煤體結構測井識別技術研究[J].地球物理學進展，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，等.基于XGBoost的測井曲線重構方法[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算法的地震多數據體識別含油河道砂體[J].新疆石油地質，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.貝葉斯優化的XGBoost在小斷層地震解釋中的應用[J].煤炭學報，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.基于貝葉斯優化XGBoost的短期峰值負荷預測[J].電力工程技術，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斷裂對表生巖溶的控制作用[J].天然氣地球科學，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，王學剛，于波，等.針對目標的非地震解釋技術在鄂爾多斯盆地西緣的應用[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層預測研究：以鄂爾多斯盆地大牛地地區為例[D].四川成都：成都理工大學，2021.

（本文編輯：宜明理）

作者簡介

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勘查技術與工程專業學士學位、地球探測與信息技術專業碩士學位、固體地球物理學專業博士學位；現為成都理工大學地球物理學院地球物理系主任，主要從事油氣地震勘探、綜合地球物理勘探等方面的教學和研究。