
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种用于非均相碳酸盐岩渗透率预测的岩石分类机制与数据驱动建模的混合框架
《Scientific Reports》:A hybrid framework of rock typing mechanism and data driven modeling for permeability prediction in heterogeneous carbonate rocks
【字体: 大 中 小 】 时间:2026年08月29日 来源:Scientific Reports 4.9
编辑推荐:
摘要准确的渗透率预测对于刻画和高效开发非均质性碳酸盐储层至关重要。传统岩心分析不仅成本高昂,而且在空间代表性上存在固有局限。纯粹的数据驱动模型虽然能够捕捉孔结构描述参数与渗透率之间的复杂非线性关系,但往往泛化能力有限,且物理可解释性较差。为克服上述局限,我们提出了一种将岩石分
准确的渗透率预测对于刻画和高效开发非均质性碳酸盐储层至关重要。传统岩心分析不仅成本高昂,而且在空间代表性上存在固有局限。纯粹的数据驱动模型虽然能够捕捉孔结构描述参数与渗透率之间的复杂非线性关系,但往往泛化能力有限,且物理可解释性较差。为克服上述局限,我们提出了一种将岩石分类引导的物理约束与数据驱动学习相结合的混合渗透率预测框架。基于水力岩石分类理论,我们首先针对碳酸盐岩岩性建立了一个二元渗透率–孔隙度模型。随后,将铸型薄片提取的四个微观结构参数(即孔隙度、优势孔隙尺寸、周长与面积比以及孔隙圆度)作为输入,在包含10折外层和5折内层的嵌套交叉验证方案下训练不同的机器学习模型,以预测流带指数(FZI)和离散岩石类型(DRT)。随后将预测的FZI/DRT与岩石分类约束的渗透率–孔隙度模型耦合,实现薄片尺度的渗透率间接推断。与纯数据驱动模型及基于DRT的耦合模型相比,基于FZI的耦合模型表现出显著提升的性能,在测试数据集上获得了R2为0.689的结果。特别是在中等渗透率区间,其R2最高(0.63),同时在log尺度上取得了最低RMSE(0.51)、MAE(0.34)和平均残差(?0.05)。这些结果表明,机理驱动的数据融合可同时提高非均质碳酸盐岩样品的预测精度和模型可解释性,为利用常规薄片分析实现储层快速评价提供了一条替代性且经济有效的途径。