基于集成机器学习方法的常规测井曲线反演FMI裂缝开度估算研究

本文创新性地构建了融合集成学习与多元线性回归（MVLR）的两步优化委员会机器（CM）模型，通过整合六种独立机器学习算法（ANN/FL/NF/SVM/XGBoost等）和四种优化器（GA/ACOR/CMA-ES/GWO），实现了基于常规测井数据对全井眼微电阻率成像（FMI）裂缝开度的精准预测。该模型使均方误差（MSE）降低64.48%，相关系数（R）提升5.68%，为裂缝性储层（CFN/DFN）建模和生产甜点识别提供了高效解决方案。

　　

亮点

裂缝开度作为表征储层流体流动能力的关键参数，其精确估算对油气田开发具有重大意义。传统方法依赖昂贵的成像测井（如FMI），而本研究开创性地通过常规测井数据结合人工智能技术实现了突破。

结果

通过后训练回归分析显示：

• •

  独立模型中，支持向量机（SVM）在均方误差（MSE）表现最优，人工神经网络（ANN）则在相关系数（R）上领先

• •

  采用遗传算法优化的委员会机器（CMGA）使MSE从0.0020骤降至0.0007220，降幅达64.48%

• •

  多元线性回归（MVLR）整合所有CM模型后，性能进一步提升：MSE再降1.32%，R值提高0.055%

讨论

• 机器学习排序：SVM > XGBoost > ANN（性能最优）

• 委员会机器架构有效解决了单一模型过拟合问题

• 该技术特别适用于缺乏FMI数据的老油田，成本仅为传统方法的1/5

结论

这项来自伊朗GHS油田的研究证实，集成机器学习可突破传统裂缝表征技术的局限。通过构建"常规测井-FMI开度"的智能映射关系，为离散裂缝网络（DFN）建模和产量预测提供了新范式。

作者贡献声明

Hamed Gholami Vijouyeh：可视化|项目管理|初稿撰写

David A. Wood：方法学指导|论文润色

Ali Kadkhodaie：概念设计|算法优化

团队协作：所有作者共同完成了数据验证与模型调优