摘要
突破压力（Breakthrough Pressure, BP）是评估页岩盖层密封能力的关键参数，然而直接实验室测量既耗时又成本高昂，这限制了其在连续区域评估中的应用。本研究开发了一种基于常规测井数据的工作流程，用于预测松辽盆地古龙凹陷青山口页岩油层下盖层Quan-4段（K1q4）的突破压力。研究整合了四种常规可获得的测井数据——伽马射线测井（Gamma Ray, GR）、声波区间传输时间测井（Acoustic Interval Transit Time, AC）、体积密度测井（Bulk Density, DEN）和补偿中子测井（Compensated Neutron Logging, CNL）——并与岩心测量得到的突破压力数据相结合。在统一的工作流程中，比较了四种机器学习算法：随机梯度下降（Stochastic Gradient Descent, SGD）、极端随机树（Extreme Random Trees, ERT）、随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost）和自适应提升（AdaBoost）。训练集用于数据标准化、模型拟合、网格搜索和内部五折交叉验证，而保留的测试集和外部预测井则用于性能评估。结果表明，突破压力通常随伽马射线和体积密度的增加而增加，随声波区间传输时间和补偿中子测井数据的增加而减少，这说明黏土含量、压实程度和孔隙连通性共同控制着盖层密封能力的测井响应。在评估的模型中，AdaBoost取得了最佳的整体性能，在保留的测试集上的均方根误差（RMSE）、平均绝对误差（MAE）和R2值分别为1.33 MPa、0.97 MPa和0.89，在外部预测井中的相应值为1.19 MPa、0.92 MPa和0.94。训练-测试诊断分析、学习曲线和SHAP分析表明，在当前数据集中模型表现稳定，特征贡献也具有物理合理性。因此，所提出的工作流程可以为研究区域的盖层评估提供一种实用的补充手段，尽管更广泛的应用仍需要井级独立验证和对预测不确定性的明确量化。
