基于XGBoost与SVR变权组合模型致密油的采收率预测

致密油储层因具有渗透率与产能低下的特点，多采用大型水力压裂改造储层来提高采收率，根据不同的地质、压裂参数变化，预测改造后的采收率对于压裂施工改造有良好的指导作用。目前多因素影响的致密油压裂后采收率预测理论模型，难以实时准确地根据压裂方式及参数来预测压裂后油藏采收率变化。为进一步提升致密油的采收率预测精确度，本文引进机器学习进行预测，基于极限梯度爬升算法（XGBoost）和支持向量回归算法（SVR）进行了一定改进得到变权组合模型XGBoost-SVR，模型借鉴残差进化机制，实现加权融合系数的最优组合，该组合模型可对两种单模型进行优势互补，避免了因单一模型参数导致的范围性误差，增大模型预测容错率。本文首先对致密油的采收率影响因素进行收集整理，分析地质因素、储层因素和工程因素对采收率的影响，构造相关原始数据集；其次将预处理后数据集输入SVR单模型和XGBoost单模型分别进行训练，得出单模型预测值；最后采用基于残差的自适应的变权组合方法建立XGBoost-SVR组合模型，得到各模型最终预测结果，明确采收率影响因素及各影响因素权重比。模型预测结果表明：与SVR和XGBoost单模型相比，组合模型在预测精度达到94.63%，表现出更好的适应性。

Tight oil recovery prediction based on XGBoost and SVR variable weight combination model