成本敏感主动学习在储层测井智能解释中的应用：一种兼顾经济性与决策可靠性的新策略

针对储层测井解释中标签获取成本高、误分类代价差异大的问题，研究人员提出成本敏感主动学习（CSAL）策略，通过高价值样本查询和误分类成本矩阵优化，在气藏识别（87.56%准确率）和岩性识别任务中显著优于传统方法。该研究为能源勘探提供了兼顾经济性与决策可靠性的智能解释新范式。

　　

随着全球能源需求持续增长，油气田勘探开发技术面临严峻挑战。测井数据作为储层评价的核心依据，其解释结果直接影响勘探决策的经济性与安全性。传统人工解释方法受限于数据非线性响应和大规模处理能力，而现有机器学习模型存在两大瓶颈：一是依赖大量岩心标签样本（实际获取成本极高），二是忽视误分类代价差异——例如将气层误判为水层可能导致重大经济损失，而干层与泥岩的误判影响较小。这种"高标签成本"与"代价不敏感"的双重困境，催生了对低成本、高鲁棒性智能解释模型的迫切需求。

中国国家自然科学基金资助团队创新性地将成本敏感主动学习（Cost-Sensitive Active Learning, CSAL）引入测井解释领域。研究通过主动学习范式筛选高价值样本降低标签需求，结合误分类代价矩阵优化决策边界，在东方（DF）和惠州（HZ）工区的气藏识别与岩性识别任务中验证了CSAL的优越性。相关成果发表于《Engineering Applications of Artificial Intelligence》，为能源行业提供了兼顾经济性与可靠性的智能决策工具。

关键技术方法包括：1）基于成本加权最小间隔（CWMM）和最大期望成本（MEC）的主动查询策略；2）验证井测试与随机划分相结合的评估框架；3）针对气-水-非储层三类目标的代价敏感矩阵设计。实验数据来自实际测井曲线与岩心解释结果，涵盖电阻率、声波时差等多项地球物理参数。

实验结果
气藏识别任务：CWMM方法在验证井测试中取得最低误分类代价（2407单位）和最高准确率（87.56%），显著优于传统不确定性熵策略。代价敏感机制有效避免了气层的高成本误判，其决策边界更符合实际开发需求。
岩性识别任务：CSAL模型在砂泥岩薄互层等复杂地层中表现稳定，MEC策略使关键储集层识别代价降低19.3%。特征分析表明自然伽马与电阻率组合对岩性分界贡献度达62%。
跨任务对比：成本敏感策略使两类任务的平均误判代价下降23%-41%，且随着迭代次数增加，CWMM的代价收敛速度较基线方法快2.3倍。

结论与意义
该研究首次系统论证了CSAL在智能测井解释中的适用性，其创新价值体现在三方面：1）通过主动学习将岩心标签需求降低至传统监督学习的17%-29%；2）代价敏感机制使气层等关键目标误判率下降34.5%；3）提出的CWMM策略在两类任务中均表现出最优的代价-准确率平衡性。从工程应用角度看，这种"双成本"优化模型可直接服务于海上油气田和非常规储层的经济高效开发，例如在DF工区实际应用中避免了一口验证井的无效完井决策（预估节约开发成本120万美元）。未来研究可进一步探索跨工区代价迁移学习与三维地质约束下的CSAL扩展框架。