基于二维地层水电阻率变量的低对比度产层机器学习可视化识别研究

本研究针对低对比度产层(LCP)因电阻率与水层相似导致的误判难题，创新性地构建了二维地层水电阻率(FWR)变量，结合支持向量机(SVM)、决策树(DT)和人工神经网络(ANN)三种机器学习算法，实现了鄂尔多斯盆地西南部侏罗系LCP的精准识别（F1-score达95.55%）。通过交叉图可视化模型决策边界，首次将形态学信息与真/视FWR差异融合，显著提升了模型可解释性，为复杂油气藏识别提供了新范式。

　　

在油气勘探领域，低对比度产层(LCP)如同披着"隐形衣"的宝藏——其电阻率与水层高度相似，传统测井方法难以准确识别。随着非常规油气资源开发成为主流，这一难题愈发凸显：全球约30%的油气藏属于LCP类型，但现有技术要么依赖昂贵的核磁共振等高端测井手段，要么采用基于阿尔奇公式(Archie's equation)的经验模型，前者成本高昂，后者在复杂地质条件下适用性有限。更棘手的是，机器学习(ML)方法虽能提升识别精度，其"黑箱"特性却让地质学家望而生畏。如何破解这一"看得见却认不出"的困局？中国石油天然气集团公司的研究团队在《Marine and Petroleum Geology》发表的研究给出了创新解决方案。

研究团队采用多学科交叉方法，首先收集鄂尔多斯盆地西南部67口探井的74个层段数据，包括常规测井参数(SP/GR/AC/DEN等)、试油结果和生产数据。通过计算真/视地层水电阻率(FWR)，创新构建了融合曲线形态特征的二维FWR变量。采用SVM、DT和ANN三种算法，分别输入常规参数、FWR参数和二维FWR变量进行模型训练，最终通过交叉图实现决策过程的可视化解析。

Characteristics of variable distribution
统计分析显示，除密度(DEN)外所有参数均呈正偏态分布。二维FWR变量成功将产层类型区分度提升3倍，其中ANN模型在测试集上F₁-score达95.55%，显著优于SVM(89.32%)和DT(82.17%)。

Conclusion
研究取得三重突破：一是创建二维FWR变量，首次将曲线形态学差异量化为分类特征；二是揭示ANN模型通过隐含层神经元生成4条分界线，形成9个分类区域的精细划分机制；三是实现ML原理与地质认知的"双向翻译"，SVM的3区域划分与DT的阶梯状分界分别对应过简化和过拟合问题。

这项研究的意义远超技术层面：二维FWR变量如同给LCP配上了"地质翻译器"，使机器学习决策过程首次实现"透明化"。其方法论可推广至页岩气、致密油等非常规储层评价，为数字孪生油田建设提供了可解释AI范本。正如研究者所言："当交叉图的每一个分区都能对应地质成因，机器学习就真正成为了地质家的‘智能罗盘’。"