基于TPE优化集成学习的岩石弹性模量预测模型

孟祥龙; 王胜建; 朱迪斯; 马彦彦; 李大勇; 迟焕鹏; 张家政; 岳伟民

doi:10.19509/j.cnki.dzkq.tb20240325

您当前的位置：

首页 >

文章列表页 >

基于TPE优化集成学习的岩石弹性模量预测模型

更新时间：2026-11-05

- 基于TPE优化集成学习的岩石弹性模量预测模型
- Bulletin of Geological Science and Technology Vol. 45, Issue 1, Pages: 342-350(2026)
- 作者机构：
  
  1. 中国地质调查局油气资源调查中心
  2. 中国地质调查局非常规油气地质重点实验室
- 作者简介：
- 基金信息：
- DOI：10.19509/j.cnki.dzkq.tb20240325
  CLC： TE311;TP181
- Published：2026
- 稿件说明：
移动端阅览
孟祥龙, 王胜建, 朱迪斯, et al. 基于TPE优化集成学习的岩石弹性模量预测模型[J]. Bulletin of Geological Science and Technology, 2026, 45(1): 342-350.
DOI：

孟祥龙, 王胜建, 朱迪斯, et al. 基于TPE优化集成学习的岩石弹性模量预测模型[J]. Bulletin of Geological Science and Technology, 2026, 45(1): 342-350. DOI： 10.19509/j.cnki.dzkq.tb20240325.

摘要

油气工程中常利用地球物理资料获取地层弹性模量并结合小样本的岩心实验数据进行校正，但这种方法在复杂地质条件下往往表现不佳。为提高岩石弹性模量的预测精度和泛化能力，提出了一种利用基本岩石物性参数的弹性模量智能预测模型。分别采用3种集成学习算法（RandomForest

XGBoost

LightGBM）构建了岩石弹性模量智能预测模型，并采用TPE方法对模型进行超参数优化，最后利用SHAP归因分析探讨了各输入变量对模型的贡献。结果表明：（1）提出的智能预测模型明显优于传统模型，能够实现弹性模量的精确预测并具有较强的泛化能力，其中XGBoost模型表现最佳（决定系数R

=0.87，均方根误差RMSE=6.94，平均绝对误差MAE=4.96）；（2）横波速度对模型贡献最大，纵波速度次之，密度最小，精确横波波速对弹性模量预测有重要意义。该方法无需对工区及地层进行预先识别即可实现弹性模量的精准预测，研究成果对油气工程设计及实施有重要参考意义。

Abstract

关键词

Keywords

references

李新林.川南深层页岩气储层地应力测井评价方法研究[D].长江大学,2022(04).

江昊焱.X地区致密砂岩储层岩石力学特性及体积压裂甜点研究[D].西安石油大学,2020(11).

王艳梅.岩石力学动、静态参数关系研究[D].西南石油大学,2012(04).

陈勉, 金衍, 张广清, 著.石油工程岩石力学[M].科学出版社,2008.

蔡美峰主编.岩石力学与工程[M].科学出版社,2002.

Junlong Sun,Ru Zhang,Anlin Zhang,Xinzhong Wang,Jiaxin Wang,Li Ren,Zetian Zhang,Zhilong Zhang.Rock strength prediction based on machine learning: A study from prediction model to mechanism explanation[J].Measurement,2024.

Qin Xuan,Zhang Yonghao,Wang Yang,Ren Jiali,Han De-hua.Experimental study on the static and dynamic elastic stiffness of rock samples from a shale oil reservoir[J].International Journal of Rock Mechanics and Mining Sciences,2023.

Sharifi Javad,Nooraiepour Mohammad,Amiri Mohammadkazem,Mondol Nazmul Haque.Developing a relationship between static Young’s modulus and seismic parameters[J].Journal of Petroleum Exploration and Production Technology,2022.

Harrypersad-Daniel A.M.,Blake O.O.,Ramsook R..Determining the static Young’s modulus and Poisson’s ratio, and compressive strength of the friable Erin Formation rocks using P-wave velocity[J].Journal of Applied Geophysics,2022.

Nasiri H.,Homafar A.,Chelgani S. Chehreh.Prediction of uniaxial compressive strength and modulus of elasticity for Travertine samples using an explainable artificial intelligence[J].Results in Geophysical Sciences,2021.

Ahmed K. Abd El-Aal,Mohamed K. Salah,Mohamed A. Khalifa.Acoustic and strength characterization of Upper Cretaceous dolostones from the Bahariya Oasis, Western Desert, Egypt: The impact of porosity and diagenesis[J].Journal of Petroleum Science and Engineering,2020.

Lundberg Scott M,Erion Gabriel,Chen Hugh,DeGrave Alex,Prutkin Jordan M,Nair Bala,Katz Ronit,Himmelfarb Jonathan,Bansal Nisha,Lee Su-In.From Local Explanations to Global Understanding with Explainable AI for Trees.[J].Nature machine intelligence,2020.

Norwegian University of Science and Technology, Trondheim, Norway,SINTEF, Trondheim, Norway,Norwegian University of Science and Technology, Trondheim, Norway,SINTEF, Trondheim, Norway.From Static to Dynamic Stiffness of Shales: Frequency and Stress Dependence[J].Rock Mechanics and Rock Engineering,2019.

Erling Fjær.Relations between static and dynamic moduli of sedimentary rocks[J].Geophysical Prospecting,2019.

Salaheldin Elkatatny,Mohamed Mahmoud,Ibrahim Mohamed,Abdulazeez Abdulraheem.Development of a new correlation to determine the static Young’s modulus[J].Journal of Petroleum Exploration and Production Technology,2018.

Ali Reza Najibi,Mohammad Ghafoori,Gholam Reza Lashkaripour,Mohammad Reza Asef.Reservoir geomechanical modeling: In-situ stress, pore pressure, and mud design[J].Journal of Petroleum Science and Engineering,2017.

Tianqi Chen,Carlos Guestrin.XGBoost: A Scalable Tree Boosting System.[J].CoRR,2016.

Ali Reza Najibi,Mohammad Ghafoori,Gholam Reza Lashkaripour,Mohammad Reza Asef.Empirical relations between strength and static and dynamic elastic properties of Asmari and Sarvak limestones, two main oil reservoirs in Iran[J].Journal of Petroleum Science and Engineering,2015.

Z. A. Moradian,M. Behnia.Predicting the Uniaxial Compressive Strength and Static Young’s Modulus of Intact Sedimentary Rocks Using the Ultrasonic Test[J].International Journal of Geomechanics,2009.

Leo Breiman.Random Forests.[J].Machine Learning,2001.

李红斌,王贵文,庞小娇,刘小平,王高成,舒红林,罗瑀峰,刘梦才,赖锦.苏北盆地古近系阜宁组页岩工程品质测井评价[J].地质科技通报,2023(03).

李超,汪磊,陈洋,李天义.基于贝叶斯集成学习算法的土体先期固结压力预测模型[J].地球科学,2023(05).

陈曦泽,贾俊峰,白玉磊,郭彤,杜修力.基于XGBoost-SHAP的钢管混凝土柱轴向承载力预测模型[J].浙江大学学报(工学版),2023(06).

蔡文军,邓金根,冯永存,蔚宝华,汪衍刚,候友林.泥页岩地层区域三维地质力学建模与应用[J].钻采工艺,2023(01).

李阳,代宗仰,张洁伟,肖朵艳,李丹,赵晓阳,李甜,黄澜,黄囿霖.基于无监督学习的多参数储层评价:以蒲包山地区下三叠统飞仙关组礁滩储层为例[J].地质科技通报,2023(05).

肖立志.机器学习数据驱动与机理模型融合及可解释性问题[J].石油物探,2022(02).

伍顺伟,高阳,胡俊,户海胜,何金玉,王刚.玛湖地区横波预测方法优选及其对岩石力学参数计算的影响[J].特种油气藏,2021(03).

舒红林,仇凯斌,李庆飞,潘元炜,罗瑀峰,舒东楚,王高成.页岩气地质力学特征评价方法——中国南方海相强改造区山地页岩地质力学特征[J].天然气工业,2021(S1).

赵旭阳,郭海敏,李紫璇,牛月.基于测井横波预测的地应力场及岩石力学参数建模[J].断块油气田,2021(02).

王文文,李诺,韩建强,罗涛,肖涛.基于多基因遗传规划的储层岩石静态模量预测[J].应用声学,2020(02).

杨剑锋,乔佩蕊,李永梅,王宁.机器学习分类问题及算法研究综述[J].统计与决策,2019(06).

徐继伟,杨云.集成学习方法:研究综述[J].云南大学学报(自然科学版),2018(06).

杨宝刚,潘仁芳,赵丹,李卓文,高博乐.四川盆地长宁示范区龙马溪组页岩岩石力学特性及脆性评价[J].地质科技情报,2015(04).

葛洪魁,陈颙,林英松.岩石动态与静态弹性参数差别的微观机理[J].石油大学学报(自然科学版),2001(04).

尤明庆,苏承东,申江.岩石材料的非均质性与动态参数[J].辽宁工程技术大学学报(自然科学版),2001(04).

Views

402

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

融合集成机器学习与负样本采样策略的降雨群发滑坡易发性评价

基于集成学习的成矿预测——以鲁西苗山-新泰地区铁金多金属矽卡岩型矿床为例

离子剂-无机材料固化盐渍土的直剪力学特性与离散元数值模拟

三维数字岩心孔喉特征与驱替参数对渗流驱替能力影响——以鄂尔多斯盆地富县地区长8油层组致密油储层为例

少井条件下深水重力流储层地质建模方法

Related Author

廖伟杰

冯文凯

彭超

李飞

杨忠亮

宁康超

赵家琛

易小宇

Related Institution

中国煤炭地质总局广东煤炭地质局勘查院

成都理工大学地质灾害防治与地质环境保护全国重点实验室

茂名市地质与海洋监测站

中国地质大学(武汉)资源学院

山东省煤田地质规划勘察研究院,非煤矿山隐蔽致灾评估与防控重点实验室,济南市院士工作站

AI问答

⁰