走滑断层控藏条件下基于集成机器学习的地应力场反演方法研究——以塔里木盆地富满油田为例

《Journal of Asian Earth Sciences》：Ensemble machine learning-driven geostress field inversion in strike-slip fault-controlled reservoirs: A case study of the Fuman Oilfield in Tarim Basin, China

本文创新性地提出集成机器学习（ESM）框架，融合现场地应力测试与数值模拟技术，通过CNN、BiiLSTM和RF算法的加权投票机制，实现了走滑断层控制型储层地应力场高精度反演（R2=0.995）。研究揭示了断层区地应力扰动规律（-12°~23°）与裂缝线性密度（FLD）的空间耦合关系，明确了四种应力集中模式，为复杂构造区油气藏靶区优化提供了技术支撑。

　　

亮点

基于集成机器学习反演的地应力场分析

Fig. 19展示了三个监测点处最大水平主应力（σ_H）和最小水平主应力（σ_h）的分布云图。可以明显观察到，在断层发育区地应力场完全释放，呈现低值特征：最大水平主应力范围为200-213 MPa，最小水平主应力范围为100-125 MPa。相比之下，在基质、非断层区或孤立断层区则呈现高值，最大和最小主应力值显著升高。

结论

本研究提出了一种集成现场地应力测试与数值模拟的ESM模型，采用单一算法（CNN、BiLSTM和RF）的加权投票机制，实现了走滑断层控制型储层应力场的精细化反演。主要结论如下：

（1）基于现场水力压裂测试和声发射（AE）实验，获得了三口目标井（MH1、MH2、MH3）的σ_H和σ_h值（例如MH1井：σ_H = 208.1 MPa, σ_h = 121.3 MPa）。