论文部分内容阅读
我国页岩勘探的首要目的是确定油气高产的甜点区。由于国内页岩普遍呈高度非均质性,岩心和常规测井数据评价的精度较低,而机器学习可以减少数据处理时的不确定性,提高甜点评价的准确度,对页岩勘探开发具有重要意义。高TOC和高可压裂指数(FI)反映了较好的页岩属性,本文介绍的机器学习方法,可用于预测甜点评价的关键参数TOC和FI。(1)人工神经网络(ANN)能够较准确地预测TOC,但训练过程较慢。可利用更稳定的随机森林回归算法,或更快速的极限学习机(ELM)高效、精准地预测TOC。(2)针对FI与测井数据之间的复杂关系,重点介绍一种混合机器学习(HML)方法。其使用模糊逻辑识别输入(测井数据)和输出(FI、TOC)的关系,利用神经网络定义模糊逻辑中的重要参数,并通过遗传算法缩短神经网络识别最佳参数的时间。实际应用中,预测的TOC、FI与实测值的均方误差分别为0.08、0.12,相关性较好。因此HML可准确模拟输入和输出参数之间复杂的相关性,有效地识别测井数据与TOC、FI的关系,进而准确的评价甜点。