技术特征：
1.一种基于机器学习的地层孔隙压力预测方法，其特征在于：包括以下预测步骤：a、数据处理与准备：采集相关测井数据以及相关的岩石物性参数；b、确定敏感曲线：准备灰色关联度法所需的参考序列和比较序列，并确定敏感测井曲线；c、模型的训练与测试：将原始数据集划分为训练集和测试集，将训练集输入梯度提升回归树模型中，获取最优模型；d、预测地层孔隙压力：并且将确定的敏感测井曲线作为最优模型的输入特征向量，对储层地层压力的预测。2.根据权利要求1所述的一种基于机器学习的地层孔隙压力预测方法，其特征在于：所述测井数据包括密度、自然电位、自然伽马、声波时差、井径、深侧向电阻率、浅侧向电阻率、孔隙度中的至少一种类型。3.根据权利要求2所述的一种基于机器学习的地层孔隙压力预测方法，其特征在于：所述比较序列的构建具体为：将剔除测井数据中与实际情况不符的所有无效值以及井段缺失值后的测井曲线数据作为灰色关联度的比较序列。4.根据权利要求3所述的一种基于机器学习的地层孔隙压力预测方法，其特征在于：所述参考序列的构建包括以下子步骤：b01、计算出地层孔隙压力值：；式中为上覆岩层压力，；为静水压力，；为地层实测声波时差，；为正常压实声波时差，；为eaton系数，无量纲；b02、再利用实测地层孔隙压力数据梯度对计算孔隙压力进行约束，得数据集a；b03、将实测地层孔隙压力梯度的平均值根据实际地质情况换算成实际的地层孔隙压力值，即数据集b；b04、将数据集a与数据集b按各自0.5的权重进行融合，得到数据集c，数据集c为灰色关联度法的参考序列。5.根据权利要求4所述的一种基于机器学习的地层孔隙压力预测方法，其特征在于：在步骤b01中上覆岩层压力的计算方式如下：；式中：为目的层起始深度，；为重力加速度；为上覆岩层的平均密度，；为目的层深度，。6.根据权利要求1所述的一种基于机器学习的地层孔隙压力预测方法，其特征在于：所述灰色关联度法的具体步骤为：b1、确定参考序列和比较序列，并初始化无量纲；b2、求参考序列和比较序列的差值和最值：其中差值为：，式中为参考序列，第个时刻的值为；为比较序列，常记为；最值包括两级最大差值和两级最小差值；
两级最大差值为：；两级最小差值为：；b3、计算关联系数：；其中：；式中：为时刻与差的绝对值，k为不同时刻，取值为1，2，3
…
n；为分辨系数，；b4、得出关联度并排序，再根据关联度确定敏感测井曲线。7.根据权利要求1所述的一种基于机器学习的地层孔隙压力预测方法，其特征在于：所述训练集和测试集的划分具体为：通过设定比值将原始数据集按比例进行划分，所述训练集包括原始数据集的5%、10%、15%、20%、25%和30%的比例数据集，测试集为原始数据集除去所有比例数据集后组成的数据集合。8.根据权利要求1所述的一种基于机器学习的地层孔隙压力预测方法，其特征在于：所述最优模型训练包括以下子步骤：d1、模型初始化：初始化估计函数和损失函数，将迭代次数设定为n，训练一次，为训练集的真实标签；d2、残差的计算：，为梯度公式，可用于计算损失函数的负梯度，即残差减小的方向，为样本t的真实标签；d3、残差的拟合：利用步骤d2中得到的负梯度值对决策树进行更新，为第 n次迭代的决策树参数；d4、估计函数的更新：令，其中a为常数项；d5、令，循环第d2到第d4步，直到达到迭代次数上限；d6、最终得到回归树。
技术总结
本发明涉及测井工程技术领域，目的在于提供一种基于机器学习的地层孔隙压力预测方法，解决现有的预测方法的预测结果准确率较低，效果并不理想的问题。采用的技术方案为：一种基于机器学习的地层孔隙压力预测方法，包括以下预测步骤：a、数据处理与准备：采集相关测井数据以及相关的岩石物性参数；b、确定敏感曲线：准备灰色关联度法的参考序列和比较序列，确定敏感测井曲线；c、模型的训练与测试：将原始数据集划分为训练集和测试集，将训练集输入梯度提升回归树模型中，获取最优模型，d、预测地层孔隙压力：将敏感测井曲线作为最优模型的输入特征向量，对储层地层压力的预测。本发明具有较好的预测精度、预测范围广、可靠性高等优点。可靠性高等优点。可靠性高等优点。
技术研发人员：徐云贵 李春茂 黄旭日 张荣虎 曹卫平 廖建平
受保护的技术使用者：西南石油大学
技术研发日：2021.09.22
技术公布日：2021/10/26