基于测井数据与机器学习的非均质碳酸盐岩-砂岩储层胶结指数连续预测方法

《Scientific Reports》：Ensemble machine learning approach for prediction of cementation factor (m) using well logs in heterogeneous reservoirs

　　

摘要

胶结指数 (m) 是阿尔奇公式中估算含水饱和度的关键参数；然而，其连续确定通常仅限于岩心测量数据。本研究提出了一种稳健的工作流程，利用测井数据和机器学习 (ML) 技术，在非均质混合岩性（碳酸盐岩 - 砂岩）储层中连续预测 m。两口井 (A 和 B) 拥有测井数据 (RHOB, NPHI, DT, PHIE, LLD, LLS, 和 GR) 和岩心测量数据 (φ, F, 和 m)，而附近三口井 (C、D 和 E) 仅拥有测井数据。使用 F-回归和互信息回归进行特征选择，确定了预测地层电阻率因子 (F) 和 m 的最具信息量测井曲线。包括 DT、ET、MLP、SVR、LINEAR、RIDGE、KNN、GB 和 RF 在内的九种机器学习算法，使用 A 井进行训练，并在作为盲测试井的 B 井上进行验证。随后利用表现最佳的算法开发集成模型：用于 F-Ensemble 曲线的有 RF、LINEAR、KNN、GB、ET 和 SVR，用于 m-Ensemble 曲线的有 RF、KNN 和 GB。F-Ensemble 在 A 井和 B 井中分别达到了 0.98 和 0.86 的 R² 值，RMSE 值分别为 2.13 和 20.22。m-Ensemble 得出的 R² 值分别为 0.92 和 0.69，RMSE 值分别为 0.09 和 0.23。基于集成的不确定性通过所选模型的中央第 10 至 90 百分位离散度进行量化；在 A 井和 B 井中，F 的归一化平均离散度分别为 6.51% 和 7.26%，m 的分别为 2.6% 和 3.2%。此外，利用 PHIE 和 F-Ensemble 曲线直接从阿尔奇公式计算出一个 m-Archie 曲线，该结果与岩心派生的 m 值产生了可靠的一致性。与四种常规经验模型的比较表明，所提出的集成框架提供了更高的预测精度、更平滑的测井响应以及针对噪声、异常值和岩性非均质性的更强鲁棒性。所开发的方法论成功扩展到了三口无岩心井，得出了地质上连续且一致的 m 剖面。总体而言，所提出的工作流程在有限的岩心数据条件下为 m 的连续估算提供了一种可靠的方法，并展示了在所研究非均质碳酸盐岩 - 砂岩储层内邻近井之间的可迁移性，且该特性在很大程度上独立于岩性类型；然而，应用于其他储层或地质盆地则需要当地重新校准和独立验证。