基于混合物理-机器学习模型的碳酸盐岩储层页岩体积精确预测研究

为解决碳酸盐岩储层页岩体积(Vsh)估算精度不足的问题，研究人员创新性地提出融合物理模型与机器学习(ML)的混合框架。通过对比中子-密度、声波-密度等经典方法，结合人工神经网络(ANN)和随机森林(RF)算法，构建了残差学习模型。结果表明：混合ANN模型性能最优(R2=0.95，RMSE=0.062)，较传统方法误差降低48%。该研究为复杂储层表征提供了兼具物理可解释性与预测精度的新范式。

　　

在油气勘探领域，碳酸盐岩储层因强烈的非均质性和复杂的矿物组成，使得传统页岩体积(V_sh)估算方法面临重大挑战。现有基于伽马射线、中子密度等单一物理模型的方法(R2<0.85)难以捕捉非线性响应，而纯数据驱动的机器学习又缺乏地质可解释性。这种矛盾在伊朗南部扎格罗斯褶皱带等典型碳酸盐岩区尤为突出——该区域页岩中伊利石和云母占比高，且放射性砂岩的存在常导致伽马射线法高估V_sh值。

针对这一难题，国内研究人员开展了一项创新研究，通过整合物理模型与机器学习优势，建立了混合残差学习框架。研究选取波斯湾北部油田两口井数据(训练井#1含2395个数据点，验证井#4含1738个数据点)，先采用Z-score(±3.0阈值)和IQR进行数据清洗，再通过皮尔逊相关性分析筛选出中子孔隙度(NPHI)、声波时差(DT)、体积密度(RHOB)和深电阻率(LLD)四个关键特征。研究团队系统比较了三种物理模型、两种ML模型(ANN和RF)及其混合版本的性能，其中混合ANN通过修正中子-密度物理模型的残差实现性能突破。

关键技术包括：(1)基于XRD岩心数据验证伽马射线V_sh标签的可靠性；(2)采用5折交叉验证和网格搜索优化ANN(单隐藏层24神经元)与RF(300棵树)超参数；(3)通过相关性因子和排列重要性分析特征贡献度；(4)构建混合模型时保留物理模型输出作为输入特征之一。

材料与方法
研究采用Well #1的测井数据(深度2930-4400m)覆盖Ilam至Fahliyan七个地层，核心层段(4260-4400m)的XRD显示伊利石和云母为优势黏土矿物。通过Th-K交会图验证矿物组成，中子-密度交会图确认石灰岩为主岩性。

结果与讨论

• 敏感性分析：NPHI和DT对V_sh预测贡献最大(相关性因子>0.75)，RHOB呈负相关(-0.45)。
• 物理模型对比：中子-密度法表现最佳(R2=0.85)，但MAE达0.091。
• ML模型表现：ANN优于RF，测试集R2=0.92，较物理模型提升8%。
• 混合模型突破：混合ANN将RMSE降至0.062，较最优物理模型降低48%，且保持地质一致性。

结论与意义
该研究证实：混合物理-ML模型通过残差学习机制，既能继承物理模型的解释性，又能修正其系统误差。特别是在Fahliyan组等黏土矿物复杂的层段，混合ANN的V_sh预测精度显著超越传统方法。这一框架为碳酸盐岩储层评价提供了新思路，其方法论可扩展至孔隙度、渗透率等参数预测。未来研究可结合微电阻率成像测井等数据，进一步提升模型在横向预测中的适用性。论文发表于《Results in Engineering》，为智能油气田开发提供了重要技术参考。