受第二光谱（Second Spectrum）启发的集成长短期记忆网络（LSTM）、随机森林（Random Forest）与SHAP的混合框架增强储层孔隙度与渗透率预测

《Unconventional Resources》：Enhanced prediction of reservoir porosity and permeability via a Second Spectrum-inspired hybrid framework integrating LSTM, Random Forest, and SHAP

　　

研究人员提出了一种受NBA球员追踪系统第二光谱（Second Spectrum）启发的新型储层框架。长短期记忆网络（LSTM）将测井曲线视为深度序列信号以捕捉地质连续性。混合LSTM-RF-SHAP模型结合了预测精度与透明的特征归因能力。SHAP识别出DEN、GR与RXO为页岩中孔隙度与渗透率变化的关键驱动因子。该方法推进了非常规储层的序列化和可解释建模。

研究背景方面，储层表征通过孔隙度与渗透率等关键岩石物理性质决定地下地层的存储与流动能力，传统方法依赖测井解释、岩心测量及Archie与Timur等经验关系，在岩性非均质性强、各向异性显著及非线性岩-流相互作用的复杂地质环境中可靠性下降，非常规页岩储层因极低渗透率、强非均质性与岩心数据稀疏使直接测量成本高昂。既有机器学习研究多将测井视为独立变量，忽视深度依赖的序列模式，且多数模型为黑箱，可解释性不足，限制工程师信任。为此，研究人员借鉴体育分析中第二光谱从静态统计转向动态时空追踪的理念，提出将常规测井解释视为第一光谱、沿井轨迹分析序列与跨曲线交互的第二光谱视角，构建集成随机森林（RF）、长短期记忆网络（LSTM）与SHAP可解释性的混合框架，以四川盆地东南部下古生界页岩为对象开展研究。该论文发表于《Unconventional Resources》。

关键技术方法上，研究人员使用四川盆地东南部12101个深度有序样本，含GR、AC、CAL、CNL、DEN、SP、RXO、PE八条标准测井曲线及孔隙度与渗透率标签，渗透率经log₁₀变换稳定方差。预处理后采用双路径架构：路径一以200棵树的RF回归器建模点态非线性空间映射（宏观岩性），路径二以双向LSTM（BiLSTM）对RF残差建模以捕捉深度轴自相关（微观序列），两路加性残差融合（?_hybrid=?_RF+ε_BiLSTM）；可解释性由TreeSHAP（RF）与GradientSHAP（BiLSTM）分别给出，并以5折交叉验证、留一区块（LOZO）验证及盲hold-out集评估泛化。

研究结果如下。引言部分阐明第二光谱概念移植与双路径解耦动机。地质背景部分描述四川盆地东南部从震旦系至第四系多期构造-沉积演化及武峰组、龙马溪组海相页岩气源岩特征。方法部分述及预处理（深度轴线性插值、StandardScaler防泄漏）、RF基线（200树、√p分裂、OOB评估）、BiLSTM残差模型（64→32单元、LayerNorm、Dropout 0.25、Adam lr=1e-3、EarlyStopping）与加性融合策略。特征重要性分析显示MDI与Permutation Importance一致排序DEN、CNL、AC为主导，RXO对渗透率排列重要性高于MDI，符合冲洗带饱和度指示孔连通性的物理解释。预测性能部分，RF孔隙度R²=0.8619、MAE=0.1772、RMSE=0.3003、Bias=-0.0069，渗透率log₁₀ R²=0.8357；混合模型孔隙度R²=0.8620、Bias收至-0.0023，ΔR²仅+0.0001，表明BiLSTM主要修正系统偏差而非提升方差解释。残差诊断中Jarque-Bera显非正态（p<0.05），但混合残差Q-Q尾部分布更贴近正态，Durbin-Watson自相关由<1.5衰减，独立性改善。空间鲁棒性上5折CV孔隙度均值R²=0.8696±0.0116、渗透率0.8440±0.0246；LOZO五区RF R² 0.8807–0.9078，BiLSTM单独仅0.47–0.63，证实序列模型仅适合作残差校正。不确定性量化利用RF 200树方差得90%名义区间经验覆盖98.97%，低渗段σ=0.1857 log₁₀mD高于高渗段0.1103 log₁₀mD。SHAP分析示RF孔隙度以AC（mean|SHAP|=0.1979）、DEN（0.0909）主导，BiLSTM残差路径中AC与DEN权重上升，捕捉层序连续；渗透率模型RXO贡献凸显。盲验证集1211样RF孔隙度R²=0.9016、渗透率R²=0.9127，泛化间隙约0.01。扰动敏感性中AC在±20%噪声下ΔRMSE=0.4835最高，DEN仅0.0700最稳。

讨论部分指出，双路径框架在RF已捕获主要岩性信号前提下，BiLSTM以极小精度代价显著降低系统偏差并削弱残差自相关，SHAP双向归因与岩石物理先验一致，不确定性区间过覆盖提供保守风险边界，整体计算训练149秒、推理亚秒，可直接嵌入Techlog等平台。结论部分翻译如下：本研究提出受第二光谱启发的双路径框架，显式解耦空间岩性非均质性与序列地层连续性；RF（200树）与BiLSTM（64→32单元）残差校正融合在四川盆地东南部12101样上孔隙度R²=0.8620（MAE=0.1773，RMSE=0.3002，Bias自-0.0069降至-0.0023），渗透率log₁₀ R²=0.8357；5折CV孔隙度0.8696±0.0116、渗透率0.8440±0.0246，90%区间经验覆盖98.97%；SHAP确认特征归因符合岩石物理认知，BiLSTM捕捉静态模型不可及的深度残差结构；框架计算高效、仅用常规测井、输出P10–P90概率区间，为页岩储层表征提供可扩展、物理一致且工业就绪的混合范式。