基于機(jī)器學(xué)習(xí)和測(cè)井?dāng)?shù)據(jù)的碳酸鹽巖孔隙度與滲透率預(yù)測(cè)

侯賢沐，王付勇，宰 蕓，廉培慶

1.油氣資源與探測(cè)國家重點(diǎn)實(shí)驗(yàn)室，北京 102249 2.中國石油大學(xué)(北京)非常規(guī)油氣科學(xué)技術(shù)研究院，北京 102249 3.中石化石油勘探開發(fā)研究院，北京 100083

0 引言

在評(píng)價(jià)儲(chǔ)層和評(píng)估油氣儲(chǔ)量時(shí)，測(cè)井?dāng)?shù)據(jù)具有十分重要的意義?？筛鶕?jù)測(cè)井?dāng)?shù)據(jù)推斷儲(chǔ)層構(gòu)造，構(gòu)建相應(yīng)油藏地質(zhì)模型。傳統(tǒng)過程需要基于專家經(jīng)驗(yàn)，根據(jù)經(jīng)驗(yàn)公式、巖石物理實(shí)驗(yàn)、地質(zhì)沉積構(gòu)造等方法綜合考慮，效率低，人為誤差較大。在當(dāng)前數(shù)據(jù)驅(qū)動(dòng)方法快速發(fā)展的背景下，將測(cè)井?dāng)?shù)據(jù)與機(jī)器學(xué)習(xí)相融合，實(shí)現(xiàn)測(cè)井?dāng)?shù)據(jù)的自動(dòng)智能解釋與分析是未來發(fā)展的趨勢(shì)[1]。

孔隙度和滲透率是油藏儲(chǔ)層關(guān)鍵的物性參數(shù)。通過取心井獲取儲(chǔ)層天然巖心，通過實(shí)驗(yàn)室測(cè)定孔隙度、滲透率等參數(shù)，是獲取儲(chǔ)層物性參數(shù)最為準(zhǔn)確方法，然而，取心井取心的缺點(diǎn)是耗時(shí)長(zhǎng)、成本高。雖然有許多物理方法可預(yù)測(cè)孔隙度和滲透率，比如傳統(tǒng)的線性回歸方法及數(shù)字巖心等效分形介質(zhì)模型預(yù)測(cè)方法[2]，但是這些物理方法預(yù)測(cè)過程繁瑣或者預(yù)測(cè)條件局限性較大?；跈C(jī)器學(xué)習(xí)分析測(cè)井曲線與鉆孔中各地層物性參數(shù)、巖性以及沉積規(guī)律之間的關(guān)系和特征響應(yīng)模式，為測(cè)井?dāng)?shù)據(jù)處理分析提供了新的解決途徑[3-5]。

前人基于機(jī)器學(xué)習(xí)，利用測(cè)井?dāng)?shù)據(jù)對(duì)儲(chǔ)層孔隙度和滲透率等物性參數(shù)進(jìn)行預(yù)測(cè)。崔學(xué)慧等[6]基于聲波時(shí)差(DT)、自然電位、自然伽馬(CGR)、地層真電阻率(Rt)4種測(cè)井曲線，采用隨機(jī)森林(RF)回歸算法預(yù)測(cè)孔隙度，預(yù)測(cè)效果遠(yuǎn)好于線性回歸預(yù)測(cè)。K-近鄰(KNN)方法在聚類分析方面具有突出的優(yōu)勢(shì)，多應(yīng)用于地層屬性識(shí)別及油田數(shù)據(jù)分類[7-10]，而較少應(yīng)用于滲透率和孔隙度的回歸預(yù)測(cè)，但本文也將嘗試?yán)肒NN方法進(jìn)行儲(chǔ)層孔隙度與滲透率預(yù)測(cè)。袁偉等[11]根據(jù)測(cè)井?dāng)?shù)據(jù)劃分儲(chǔ)層類型，分別建立了各類儲(chǔ)層的滲透率預(yù)測(cè)模型，利用支持向量機(jī)(SVM)方法對(duì)每類儲(chǔ)層進(jìn)行訓(xùn)練學(xué)習(xí)，發(fā)現(xiàn)分類后的預(yù)測(cè)精度較分類前有明顯提高。用傳統(tǒng)SVM方法預(yù)測(cè)孔隙度與滲透率時(shí)，SVM高斯核函數(shù)中的參數(shù)對(duì)SVM學(xué)習(xí)預(yù)測(cè)性能的影響較大。當(dāng)樣本量較小時(shí)，SVM回歸模型對(duì)孔隙度和滲透率樣本群體的大小不敏感；當(dāng)樣本量較大時(shí)，預(yù)測(cè)擬合準(zhǔn)確度又不高。最近幾年，遺傳算法和粒子群算法普遍應(yīng)用于機(jī)器學(xué)習(xí)參數(shù)的選擇優(yōu)化，SVM回歸得到進(jìn)一步的發(fā)展[12-14]。Elkatatny 等[15]建立了一個(gè)人工神經(jīng)網(wǎng)絡(luò)(ANN)模型，并基于Rt、巖性密度(RHOB)和補(bǔ)償中子(NPHI)3種測(cè)井?dāng)?shù)據(jù)預(yù)測(cè)非均質(zhì)碳酸鹽油藏的滲透率，得到一種數(shù)學(xué)方程，節(jié)省了預(yù)測(cè)時(shí)間并提高了預(yù)測(cè)滲透率精度。Ahmadi等[16]采用的數(shù)據(jù)樣本包括DT、NPHI、RHOB和總孔隙率，依據(jù)模糊算法或粒子群算法，結(jié)合機(jī)器學(xué)習(xí)的預(yù)測(cè)效果突出。張東曉等[17]研究測(cè)井曲線生成方法時(shí)發(fā)現(xiàn)長(zhǎng)短期記憶(LSTM)方法能夠更有效地從訓(xùn)練數(shù)據(jù)中提取信息，即使訓(xùn)練數(shù)據(jù)較少，LSTM仍然可以實(shí)現(xiàn)有效訓(xùn)練。武中原等[18]基于LSTM，以CGR、光電吸收截面指數(shù)(PE)、RHOB、DT、NPHI和Rt等6種測(cè)井參數(shù)為輸入?yún)?shù)，構(gòu)建了巖性識(shí)別模型，與傳統(tǒng)方法相比，LSTM方法巖性識(shí)別準(zhǔn)確率更高。

目前研究主要針對(duì)儲(chǔ)層物性較好的砂巖油氣藏，而對(duì)非均質(zhì)性更強(qiáng)、裂縫與溶孔廣泛發(fā)育的碳酸鹽巖油藏研究較少?；谥袞|某碳酸鹽巖油藏測(cè)井?dāng)?shù)據(jù)，選取4種不同的機(jī)器學(xué)習(xí)方法(RF、KNN、SVM、 LSTM)預(yù)測(cè)儲(chǔ)層孔隙度與滲透率，并與取心實(shí)驗(yàn)測(cè)試孔隙度與滲透率對(duì)比，篩選最優(yōu)機(jī)器學(xué)習(xí)方法，以期實(shí)現(xiàn)碳酸鹽巖儲(chǔ)層孔隙度、滲透率智能準(zhǔn)確預(yù)測(cè)。

1 機(jī)器學(xué)習(xí)方法

1.1 隨機(jī)森林

RF[19]是一種以決策樹為基礎(chǔ)的集成學(xué)習(xí)算法，算法核心是Bagging思想[20]和隨機(jī)子空間法[21]。輸入樣本，RF將內(nèi)部多個(gè)決策樹的預(yù)測(cè)結(jié)果取平均得到最終的結(jié)果。能夠進(jìn)行非線性反演，對(duì)高維特征數(shù)量具有很好的預(yù)測(cè)效果。此外，RF還具有操作簡(jiǎn)單、易于實(shí)現(xiàn)、不易過擬合、計(jì)算效率高等優(yōu)點(diǎn)。

1.2 K-近鄰

KNN回歸預(yù)測(cè)方法是對(duì)連續(xù)的數(shù)據(jù)標(biāo)簽進(jìn)行預(yù)測(cè)，依據(jù)計(jì)算數(shù)據(jù)點(diǎn)最臨近的k個(gè)數(shù)據(jù)點(diǎn)平均值而獲得預(yù)測(cè)值。

1.3 支持向量機(jī)

SVM的基本思想是通過核函數(shù)將樣本空間映射到一定維度的特征空間，在特征空間中求出原樣本的最優(yōu)分類面，得到輸入變量和輸出結(jié)果之間的一種線性或非線性關(guān)系，即尋找SVM進(jìn)行模式分類。而SVM回歸是SVM中一個(gè)重要的應(yīng)用分支，主要是通過升高維度后，在高維空間中構(gòu)造線性決策函數(shù)來實(shí)現(xiàn)線性回歸。通過引進(jìn)核函數(shù)，既能升高維度，又能控制過擬合。同時(shí)，核函數(shù)代替線性方程中的線性項(xiàng)可以使原來的線性算法“非線性化”，實(shí)現(xiàn)非線性回歸。核函數(shù)種類有很多種，如線性核、多項(xiàng)式核、Sigmoid核和徑向基函數(shù)(RBF)核。由于特征數(shù)據(jù)維度較高，本文選用RBF核函數(shù)：

(1)

式中：K為核函數(shù)；x、y為特征向量；γ為核參數(shù)。

1.4 長(zhǎng)短期記憶網(wǎng)絡(luò)

LSTM由Hochreiter等[22]于1997年首次提出，經(jīng)過后續(xù)發(fā)展，形成當(dāng)今應(yīng)用廣泛的機(jī)器學(xué)習(xí)算法。LSTM是對(duì)常規(guī)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種改進(jìn)和完善，加入了遺忘層、輸入層、輸出層結(jié)構(gòu)，能保留跨度較大序列中的有用信息，解決了RNN單元結(jié)構(gòu)中一個(gè)tanh層下部分信息相關(guān)性低下的問題，避免了常規(guī)RNN中出現(xiàn)的梯度消失、梯度爆炸等問題。LSTM是目前應(yīng)用最成功的RNN網(wǎng)絡(luò)之一。

圖1是經(jīng)典的LSTM重復(fù)單元，核心公式如下：

it=σ(Wixt+Wiht-1+bi)；

(2)

ft=σ(Wfxt+Wfht-1+bf)；

(3)

ot=σ(Woxt+Woht-1+bo)；

(4)

gt=tanh(Wgxt+Wght-1+bg)；

(5)

ct=ft?ct-1+it?gt；

(6)

ht=ot?tanh(ct)。

(7)

式中：Wi、Wf、Wo和Wg分別為輸入門、遺忘門、輸出門和待選記憶細(xì)胞的權(quán)重參數(shù)；bi、bf、bo和bg分別為輸入門、遺忘門、輸出門和待選記憶細(xì)胞的偏置項(xiàng)；t為時(shí)刻。

σ. sigmoid非線性激活函數(shù)；ct-1、ct. 前一序列、當(dāng)前序列隱藏層節(jié)點(diǎn)狀態(tài)；ht-1、ht. 前一序列、當(dāng)前序列隱藏層節(jié)點(diǎn)輸出；xt. 當(dāng)前序列隱藏層節(jié)點(diǎn)輸入；it. 輸入門；ft. 遺忘門；ot. 輸出門；gt. 待選記憶細(xì)胞；?、⊕. 矩陣對(duì)應(yīng)位置元素相乘、相加。

圖1 LSTM單元結(jié)構(gòu)圖

Fig.1 LSTM unit structure diagram

由式(5)經(jīng)過tanh激活，得到gt，通過式(6)和式(7)得到ct和ht。循環(huán)計(jì)算時(shí)，權(quán)重參數(shù)將不斷變更，每次都會(huì)輸出得到的一個(gè)ht和ct，通過投影矩陣解碼出對(duì)應(yīng)的值。

2 現(xiàn)場(chǎng)應(yīng)用實(shí)例

中東某碳酸鹽巖油藏主力含油層系為白堊系F、S組，均為碳酸鹽巖沉積。S組沉積范圍為2 700～3 400 m，厚度約為680 m；F組沉積范圍為4 000～4 500 m，厚度為400～450 m。以F層測(cè)井參數(shù)作為研究對(duì)象開展研究。如表1所示，共有8口取心井，計(jì)914塊巖心在實(shí)驗(yàn)室測(cè)定孔隙度與滲透率，取心深度為4 072.84～4 404.03 m。對(duì)原始測(cè)井?dāng)?shù)據(jù)進(jìn)行篩選，選取CGR、無鈾伽馬(SGR)、PE、Rt、DT、RHOB和NPHI 等7種測(cè)井?dāng)?shù)據(jù)，通過機(jī)器學(xué)習(xí)方法預(yù)測(cè)儲(chǔ)層孔隙度與滲透率。A1井的139組數(shù)據(jù)用于預(yù)測(cè)集，其余7口井的775組數(shù)據(jù)作為訓(xùn)練集。

表1 各取心井取心數(shù)據(jù)統(tǒng)計(jì)

建立數(shù)據(jù)庫(8口取心井的孔隙度和滲透率)，采用min-max標(biāo)準(zhǔn)化方式消除不同測(cè)井?dāng)?shù)據(jù)量綱的影響：

(8)

式中：x為測(cè)井參數(shù)原始值；x*、xmin、xmax分別為x的歸一化值、最小值、最大值。

本文展示了以A1井孔隙度為例的部分標(biāo)準(zhǔn)化樣本數(shù)據(jù)(表2)。

基于Python編程語言實(shí)現(xiàn)RF、KNN和SVM算法，基于MATLAB編程語言實(shí)現(xiàn)LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)算法，訓(xùn)練預(yù)測(cè)過程如圖2所示。

因?yàn)榫礁`差(RMSE)能夠表示真實(shí)值與預(yù)測(cè)值之間存在的誤差，故選取RMSE作為評(píng)判預(yù)測(cè)效果的指標(biāo)。同時(shí)，采用統(tǒng)計(jì)學(xué)中的判定系數(shù)(R2)作為輔助評(píng)判指標(biāo)，其值越大，預(yù)測(cè)值越接近真實(shí)值。

2.1 孔隙度預(yù)測(cè)

使用Python編程語言，調(diào)用sklearn庫，調(diào)試超參數(shù)，基于RF、KNN和SVM預(yù)測(cè)孔隙度。

實(shí)現(xiàn)基于RF預(yù)測(cè)孔隙度的過程如下。第一步，輸入樣本集，從初始樣本集中有放回地隨機(jī)抽取固定數(shù)量樣本，進(jìn)行T輪采樣，得到T個(gè)訓(xùn)練集。

表2 A1井部分標(biāo)準(zhǔn)化樣本數(shù)據(jù)以及對(duì)應(yīng)孔隙度和滲透率

圖2 基于機(jī)器學(xué)習(xí)的儲(chǔ)層孔隙度和滲透率預(yù)測(cè)流程圖

第二步，決策樹選擇最優(yōu)屬性的節(jié)點(diǎn)分裂。在這個(gè)過程中，每一個(gè)訓(xùn)練集全部子集屬性等概率被選擇，且每個(gè)樣本訓(xùn)練子集相互獨(dú)立，最后生成T個(gè)決策樹，T個(gè)決策樹預(yù)測(cè)結(jié)果的均值作為最終的預(yù)測(cè)結(jié)果。反復(fù)實(shí)驗(yàn)，最終確定本次回歸RF核心參數(shù)決策樹數(shù)量為90個(gè)。

實(shí)現(xiàn)基于KNN預(yù)測(cè)孔隙度過程主要為k值選取。根據(jù)經(jīng)驗(yàn)k一般取10，樣本數(shù)據(jù)量小的時(shí)，k可以適當(dāng)調(diào)大。反復(fù)訓(xùn)練模型，當(dāng)KNN核心參數(shù)k為13時(shí)，預(yù)測(cè)效果達(dá)到最優(yōu)。

SVM選取核函數(shù)為RBF，根據(jù)sklearn官網(wǎng)給出懲罰因子與核參數(shù)γ的關(guān)系。結(jié)合實(shí)踐，在10-3～103的對(duì)數(shù)范圍內(nèi)選取懲罰因子即可滿足預(yù)測(cè)精度，因此從10-3開始，最終選取合適的懲罰因子為100，γ為0.01，得到SVM模型最好的評(píng)價(jià)指標(biāo)。

使用MATLAB編程語言，調(diào)試超參數(shù)，實(shí)現(xiàn)LSTM預(yù)測(cè)孔隙度。將7種測(cè)井參數(shù)作為輸入?yún)?shù)，創(chuàng)建具有3個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)。優(yōu)化每層神經(jīng)元數(shù)，隱藏層節(jié)點(diǎn)數(shù)必須小于m-1(m為訓(xùn)練樣本數(shù)量)。m必須大于網(wǎng)絡(luò)模型參數(shù)數(shù)量，一般是其2～10倍?；诒疚挠?xùn)練樣本為775組，神經(jīng)元總數(shù)應(yīng)在70～400之間，逐步調(diào)整超參數(shù)合理數(shù)值，得到LSTM模型最優(yōu)評(píng)價(jià)指標(biāo)，最終設(shè)置第1層、第2層、第3層隱藏層神經(jīng)元數(shù)分別為85、75、65。選用Adam優(yōu)化算法代替經(jīng)典的隨機(jī)梯度下降法，其優(yōu)點(diǎn)是可以有效更新網(wǎng)絡(luò)權(quán)重，自動(dòng)調(diào)整學(xué)習(xí)率。批量大小設(shè)置為20，初始學(xué)習(xí)率為0.01，進(jìn)行200次訓(xùn)練。因每次隨機(jī)生成的權(quán)重參數(shù)不同，生成的損失函數(shù)可能不收斂，則需再次訓(xùn)練，直至水平收斂即可。為了達(dá)到理想結(jié)果，預(yù)測(cè)集重復(fù)預(yù)測(cè)5次，最終選取RMSE評(píng)價(jià)指標(biāo)最高的預(yù)測(cè)模型。

孔隙度預(yù)測(cè)均基于以上設(shè)定。由于機(jī)器學(xué)習(xí)方法在機(jī)器學(xué)習(xí)擬合過程中起主導(dǎo)作用，超參數(shù)只起到基本調(diào)節(jié)作用，改善精度效果不明顯，因而免去重復(fù)調(diào)節(jié)超參數(shù)的過程，繼續(xù)后續(xù)研究，以提高本次研究的效率。

圖3給出了A1井測(cè)井參數(shù)與實(shí)際孔隙度的相關(guān)性，其中NPHI與孔隙度相關(guān)性最高，其余測(cè)井參數(shù)與孔隙度相關(guān)性從高到低依次為RHOB、DT、PE、Rt、SGR和CGR。

依據(jù)圖3中的相關(guān)性順序，進(jìn)行特征消除選擇。首先刪除相關(guān)性最小的特征值CGR，輸入其余6種參數(shù)，利用機(jī)器學(xué)習(xí)方法訓(xùn)練模型；進(jìn)一步刪除SGR測(cè)井?dāng)?shù)據(jù)，輸入剩余5種測(cè)井?dāng)?shù)據(jù)訓(xùn)練模型；后續(xù)依次刪除Rt、PE、DT和RHOB數(shù)據(jù)，直至剩余NPHI的數(shù)據(jù)為止。統(tǒng)計(jì)RF、KNN、SVM、 LSTM 4種機(jī)器學(xué)習(xí)方法的RMSE，結(jié)果如圖4所示。當(dāng)NPHI、RHOB和DT 3種測(cè)井參數(shù)數(shù)據(jù)作為輸入時(shí)，LSTM方法的RMSE值最低，說明預(yù)測(cè)精度最高；而且LSTM方法較其他3種機(jī)器學(xué)習(xí)方法，輸入不同參數(shù)時(shí)，預(yù)測(cè)精度普遍更高。

在輸入NPHI、RHOB、DT 3種參數(shù)數(shù)據(jù)的條件下，分別采用RF、KNN、SVM和LSTM方法預(yù)測(cè)孔隙度，預(yù)測(cè)值與真實(shí)值對(duì)比見圖5。從圖5可以看出，孔隙度小于5%或大于20%的范圍預(yù)測(cè)偏差較大。這些真實(shí)孔隙度在整個(gè)底層段是兩個(gè)極端方向的值，預(yù)測(cè)值有所偏差是正常的，整個(gè)預(yù)測(cè)值與真實(shí)值的走勢(shì)大致相同，達(dá)到了預(yù)期目的。因此，選取合適的測(cè)井參數(shù)對(duì)提高孔隙度預(yù)測(cè)效果至關(guān)重要。

表3為RF、KNN、SVM、LSTM方法NPHI、RHOB、DT 3種參數(shù)預(yù)測(cè)A1井孔隙度的RMSE和R2，可以看出：LSTM方法的RMSE最低，其值為4.536 2，R2為0.577 2，說明采用LSTM方法預(yù)測(cè)結(jié)果最好；相較其他方法，RF方法的RMSE最高，達(dá)到了5.356 3，說明RF方法不太適合預(yù)測(cè)擬合孔隙度。

2.2 滲透率預(yù)測(cè)

分別采用LSTM、RF、KNN和SVM方法進(jìn)行滲透率預(yù)測(cè)。首先給出A1井7種測(cè)井?dāng)?shù)據(jù)與實(shí)際滲透率半對(duì)數(shù)相關(guān)性，如圖6所示。從圖6可以看出：因滲透率與測(cè)井參數(shù)相關(guān)性特征選擇順序有所變化，輸入?yún)?shù)種類改變，需依次剔除CGR、Rt、SGR、DT、PE和RHOB測(cè)井?dāng)?shù)據(jù)，訓(xùn)練各自模型，評(píng)價(jià)最優(yōu)模型?；跐B透率的測(cè)井參數(shù)選擇，LSTM方法3個(gè)隱含層參數(shù)依次設(shè)置為90、75和70，其他程序條件未作變動(dòng)。最終統(tǒng)計(jì)結(jié)果見圖7，可見4種方法擬合預(yù)測(cè)值與真實(shí)值偏差均較大。表4為4種機(jī)器學(xué)習(xí)方法僅輸入NPHI參數(shù)預(yù)測(cè)A1井滲透率的誤差，其中：RF方法最好，預(yù)測(cè)結(jié)果的RMSE為45.882 3，R2為0.407 3，效果仍不理想；KNN、SVM和LSTM方法預(yù)測(cè)偏差同樣較大，SVM預(yù)測(cè)模型的R2甚至出現(xiàn)負(fù)值，這與實(shí)際情況相差甚遠(yuǎn)。究其原因，主要有以下兩點(diǎn)影響因素：第一，碳酸鹽儲(chǔ)集層儲(chǔ)集空間類型多、次生變化大這些差異導(dǎo)致巖心完整性不好，影響整個(gè)層位實(shí)驗(yàn)參數(shù)的代表性；第二，測(cè)試巖樣體積特別小，所測(cè)得滲透率不能反映整個(gè)層位的性質(zhì)，當(dāng)碰到碳酸鹽巖這類非均質(zhì)性較強(qiáng)的儲(chǔ)層時(shí)，微裂縫和孔洞廣泛發(fā)育，測(cè)井曲線精度會(huì)影響機(jī)器學(xué)習(xí)預(yù)測(cè)的準(zhǔn)確性。

ft(英尺)為非法定計(jì)量單位，1 ft=0.301 8 m，下同。

圖4 基于孔隙度相關(guān)性特征參數(shù)選擇輸入的RMSE變化值

表3 4種機(jī)器學(xué)習(xí)方法預(yù)測(cè)孔隙度誤差和判定系數(shù)

NPHI與滲透率相關(guān)性最高，其余測(cè)井參數(shù)與滲透率相關(guān)性從高到低依次為RHOB、PE、DT、SGR、Rt和CGR；相較于孔隙度與測(cè)井參數(shù)數(shù)據(jù)的相關(guān)性，滲透率與測(cè)井參數(shù)數(shù)據(jù)的相關(guān)性表現(xiàn)較差，說明儲(chǔ)層滲透率比孔隙度難于表征。

圖5 基于RF(a)、KNN(b)、SVM(c)和LSTM(d)方法的預(yù)測(cè)值與真實(shí)值對(duì)比圖

圖6 A1井7種測(cè)井?dāng)?shù)據(jù)與實(shí)際滲透率半對(duì)數(shù)相關(guān)性圖

雖然滲透率模型評(píng)價(jià)參數(shù)表現(xiàn)不理想，圖8還是給出了本次滲透率預(yù)測(cè)精度最高的RF模型預(yù)測(cè)值與真實(shí)值對(duì)比圖，此時(shí)僅輸入NPHI參數(shù)數(shù)據(jù)。整個(gè)滲透率預(yù)測(cè)值與真實(shí)值的走勢(shì)相同，特別是深度在4 340～4 380 m之間，真實(shí)滲透率走勢(shì)先上升，然后再下降，模型預(yù)測(cè)值反映出這個(gè)趨勢(shì)。簡(jiǎn)而言之，模型預(yù)測(cè)精度還有很大提升空間，值得進(jìn)一步研究。

圖7 基于滲透率相關(guān)性特征參數(shù)選擇輸入RMSE變化值

表4 4種機(jī)器學(xué)習(xí)方法預(yù)測(cè)滲透率誤差

圖8 基于RF方法的預(yù)測(cè)值與真實(shí)值對(duì)比圖

3 結(jié)論

基于4種機(jī)器學(xué)習(xí)方法，利用測(cè)井?dāng)?shù)據(jù)對(duì)碳酸鹽儲(chǔ)層孔隙度和滲透率進(jìn)行預(yù)測(cè)，篩選機(jī)器學(xué)習(xí)預(yù)測(cè)孔隙度和滲透率最優(yōu)的方法，得到以下結(jié)論：

1)在孔隙度預(yù)測(cè)過程中，當(dāng)NPHI、RHOB和DT測(cè)井?dāng)?shù)據(jù)作為輸入時(shí)，LSTM方法預(yù)測(cè)孔隙度效果最好；輸入不同的參數(shù)數(shù)據(jù)預(yù)測(cè)孔隙度時(shí)，其他方法精度從高到低依次為KNN、SVM和RF。

2)相較于孔隙度的預(yù)測(cè)效果，滲透率的預(yù)測(cè)精度較差。其原因是碳酸鹽巖儲(chǔ)層裂縫與溶蝕孔洞發(fā)育，非均質(zhì)性強(qiáng)，測(cè)井曲線精度可能不高。實(shí)驗(yàn)測(cè)得巖心滲透率值差異可能很大，導(dǎo)致預(yù)測(cè)結(jié)果很難有關(guān)聯(lián)性。依據(jù)本文預(yù)測(cè)方式，當(dāng)輸入測(cè)井參數(shù)僅為NPHI時(shí)，RF方法預(yù)測(cè)精度最高。

3)輸入不同測(cè)井參數(shù)數(shù)據(jù)對(duì)孔隙度和滲透率預(yù)測(cè)效果影響較大，通過調(diào)整輸入?yún)?shù)種類與機(jī)器學(xué)習(xí)方法，可進(jìn)一步提高孔隙度與滲透率預(yù)測(cè)效果。