使用提升和混合机器学习方法从XRD和测井数据估算粘土重量百分比：阿拉斯加北库克湾油田

《Applied Computing and Geosciences》：Boosting and hybrid machine learning for clay weight percentage estimation from XRD and well logs: North Cook Inlet Field, Alaska

　　

粘土矿物（Clay minerals）因其独特的性质，如塑性（plasticity）、吸附性（adsorption）和催化行为（catalytic behavior），在油气勘探、生产和储层表征中起着至关重要的作用。传统的粘土含量量化方法通常依赖于岩心分析和矿物学测井，这些方法成本高昂且由于间接性而常常存在不确定性。研究人员引入了一种基于机器学习的新方法来估算美国阿拉斯加北库克湾油田Kitchen Lights Unit 1 (KLU 1)的粘土重量百分比（WCL%）。该方法整合了六种机器学习模型：三种单独提升算法CatBoost (CB)、Gradient Boosting (GB)和Extreme Gradient Boosting (XGB)，以及三种混合堆叠模型。混合模型采用CB、GB和XGB的组合作为基回归器，以多元变量回归（MVR）作为元模型。使用由测井测量和X射线衍射（XRD）分析组成的精选数据集来训练和评估这些模型。混合模型3 (HM_3) 优于所有其他模型，最佳模型达到R²为0.9658，均方误差（MSE）为0.7331。相比之下，CB模型在提升模型中表现最差（R² = 0.931，MSE = 1.480）。总体而言，HM_1、HM_1 (GS)、HM_2、HM_3、GB和XGB的R²值均超过0.95，证明它们从常规测井数据估算WCL (%)的稳健性。SHAP分析确定热中子孔隙度（TNPH）为最具影响力的特征。最后，研究人员在不列颠哥伦比亚省Montney组验证了该方法，证实了其在不同地质背景下的泛化能力。

**论文解读：基于提升和混合机器学习估算粘土重量百分比的创新方法**

**研究背景与问题**
粘土矿物在油气勘探与储层表征中具有关键作用，其含量直接影响孔隙度、渗透率、脆性及水力压裂效率。传统粘土含量量化方法主要依赖岩心分析（如X射线衍射（XRD））和矿物学测井，但这些方法成本高昂、取样稀疏，且间接测量常引入不确定性。现有基于机器学习的矿物预测研究多针对单一矿物或采用黑箱模型（如人工神经网络），缺乏可解释性且泛化能力有限。针对上述问题，研究人员提出利用提升算法与混合堆叠框架，从常规测井数据中准确估算粘土重量百分比（WCL%），以减少对实验室测试的依赖，并提供可迁移的储层表征工具。该研究发表在《Applied Computing and Geosciences》。

**研究方法**
研究人员从阿拉斯加北库克湾油田Kitchen Lights Unit 1 (KLU 1)井的Sunfish层段（Tyonek组）采集了192个岩心样本，通过XRD分析获得矿物重量百分比，并匹配相应深度的常规测井数据（包括体积密度校正（BDC）、深电阻率（RD）、标准分辨率地层密度（RHOZ）、中子孔隙度校正（NPHIC）、声波井径校正（ACC）、热中子孔隙度（TNPH）、自然电位（SP））。核心技术方法包括：①三种提升算法：CatBoost (CB)、Gradient Boosting (GB)和Extreme Gradient Boosting (XGB)；②基于堆叠的混合模型：将CB、GB、XGB作为基回归器，以多元变量回归（MVR）作为元模型，构建HM_1、HM_2、HM_3三种混合模型；③采用GridSearchCV进行超参数优化；④通过SHAP（SHapley Additive exPlanations）分析评估特征重要性；⑤进行深度消融实验和连续深度验证评估模型稳健性；⑥在加拿大不列颠哥伦比亚省Montney组（非常规储层）进行域迁移验证。

**研究结果**
**4.1 基于提升模型的估算**
通过比较三种提升算法，研究人员发现Gradient Boosting (GB)在测试集上表现最优（R²=0.9586，MSE=0.8887），而CatBoost (CB)表现最差（R²=0.9310，MSE=1.4801）。XGBoost的R²为0.9526，MSE为1.0157。该结果表明GB在捕捉测井数据与粘土含量间的非线性关系方面具有优势。

**4.1.2 基于混合模型的估算（默认参数）**
三种混合模型（HM_1、HM_2、HM_3）均采用默认超参数，其中HM_3（基回归器为CB和GB，元模型为MVR）表现最佳，测试集R²=0.9658，MSE=0.7331。HM_1和HM_2的R²分别为0.9653和0.9637。混合模型整体优于单个提升模型，表明堆叠策略能有效整合不同基学习器的优势。

**4.1.3 基于GridSearchCV调参的混合模型估算**
经超参数优化后，HM_1(GS)（基回归器为GB和XGB）在测试集上获得最佳泛化性能（R²=0.9528，MSE=1.2642），但相比未调参的HM_3有所下降。HM_3(GS)出现明显过拟合（测试R²=0.9179，MSE=2.1980），提示调参策略需谨慎以避免过度拟合训练数据。

**4.2 模型排名**
综合R²、MSE、MAE、MAPE、最大误差和最小误差六项指标，模型整体排名为：HM_3 > HM_1 > GB > HM_2 ≈ XGB > CB。HM_3以累计排名第一（总得分10分）成为最优模型。

**4.3 输入特征重要性排序**
通过SHAP分析，研究人员确定热中子孔隙度（TNPH）为估算WCL%的最重要特征，其次为标准分辨率地层密度（RHOZ）。该结果与手动特征排除实验（基于HM_3模型）一致，进一步验证了TNPH对粘土相关氢信号的敏感性，虽非直接测量，但作为辅助特征有效增强了模型性能。

**4.4 深度消融分析**
使用HM_3模型进行对比实验：包含深度时R²=0.9658；去除深度后R²降至0.7584，但模型仍保留一定预测能力。该结果表明粘土含量估算主要依赖测井物理响应而非深度索引，深度仅提供上下文信息，避免了深度驱动的过拟合风险。

**4.5 基于连续深度区间的验证**
采用连续20%深度区间作为测试集，模型性能显著下降，最佳区间（4018.82–4030.39 m）的R²仅为0.118。该结果揭示随机分割可能因垂直自相关而高估模型泛化能力，连续深度验证提供了更保守的现实评估，表明模型更适合采样深度域内的局部插值而非跨地质单元外推。

**4.6 矿物学域迁移与方法适用性**
将模型应用于Montney组（非常规储层）时，最佳HM_1的R²降至0.5351，MSE升至13.30。性能下降归因于矿物学域偏移（粘土矿物比例不同）。尽管如此，该结果仍表明方法具有可迁移潜力，但需针对新地质背景重新训练和优化超参数及特征选择。

**讨论与结论**
研究人员在讨论部分指出，HM_3的优异性能证实了集成学习在提取测井-粘土关系中的有效性，但模型的预测行为需结合地质背景解释。在非均质储层中，粘土分布受沉积环境、成岩作用等影响，当前192个样本虽足以初步建模，但不足以代表全部异质性，因此模型更适用于同一深度域或相似地质环境。GridSearchCV调参未提升混合模型性能，甚至导致过拟合，未来应探索更优的优化策略、更强正则化及更简单的集成结构。深度消融和连续深度验证进一步表明，模型在本地插值中可靠，但跨域推广需谨慎。

结论部分翻译如下：本研究提出的方法显著提高了计算粘土重量百分比的精度和效率。在XRD测试前实施该方法可加速预测并全面了解粘土在层段内的分布。此外，实验方法及结果填补了现有文献的空白，为同领域工程师提供了实用解决方案。尽管机器学习方法优势众多，但实验室XRD数据收集仍是主要挑战。本研究的创新点和发现可概括为：①首次成功开发并应用CB、GB、XGB及混合模型建模砂岩储层粘土重量百分比；②所有混合模型在默认超参数下表现优异（R² > 0.95）；③CatBoost性能低于其他提升模型（R² = 0.9310）；④HM_3被评为最佳模型；⑤首次采用六项统计指标（R²、MAE、MAPE、MSE、maxE、minE）确保机器学习模型估算粘土重量百分比的可靠性；⑥首次将热中子孔隙度（TNPH）作为输入参数估算粘土重量百分比；⑦SHAP分析表明TNPH对估算影响最大；⑧利用本研究提出的模型可经济便捷地估算粘土含量。