【技术实现步骤摘要】
本专利技术涉及页岩力学性质预测，具体为基于共享决策树多任务梯度提升机的页岩力学性质预测方法。
技术介绍
1、页岩的抗压强度、弹性模量、泊松比等岩石力学参数是水力压裂优化设计的关键基础参数，其数值特征直接影响岩石变形和裂缝扩展模式等。影响这些岩石力学参数的主要因素包括页岩的矿物组分、储层的地应力和温度等。因此，若要研究深层页岩储层的岩石力学特性，就需要对深层页岩的矿物组分以及储层的温压环境进行分析。现阶段岩石力学参数的获取主要依赖三轴压缩实验、声波各向异性测试等实验室表征手段。然而，页岩的显著非均质性和各向异性特征导致实验结果存在明显的尺寸效应和离散性，难以提取影响因素与岩石力学性质之间的映射关系，且实验成本较高，有一定的局限性和不确定性。
2、近年来，机器学习（ml）算法在各个领域显示出良好的应用前景，在预测岩石力学性质方面，一些研究人员应用不同的ml工具（如梯度提升机（gbdt）、人工神经网络（ann）、随机森林（rf））来预测岩石的力学性质，但这些研究没有考虑多任务（如弹性模量、泊松比和抗拉强度等）间的关联性，需为每个任...
【技术保护点】
1.基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于：所述建立基于共享决策树多任务梯度提升机的页岩力学性质预测模型包括以下步骤：
3.根据权利要求1所述的基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于：将划分的训练集、验证集和测试集，分别用于模型训练、超参数调优和性能评估的步骤包括：
4.根据权利要求1所述的基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于：所述总有机碳含量范围为...
【技术特征摘要】
1.基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于：所述建立基于共享决策树多任务梯度提升机的页岩力学性质预测模型包括以下步骤：
3.根据权利要求1所述的基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于：将划分的训练集、验证集和测试集，分别用于模型训练、超参数调优和性能评估的步骤包括：
4.根据权利要求1所述的基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于：所述总有机碳含量范围为2.83％-5.35％；深度范围为2430-4956m；
5.根据权利要求4所述的基于共享决策树多任务梯度提升机的页岩力学性质预测方法，其特征在于：对所有数据进行归一化处理，归一化公式为：
6.根据权利要求1...
【专利技术属性】
技术研发人员：岳明，魏超冉，宋田茹，宋洪庆，宋智勇，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。