随着石油勘探开发的不断深入,要想从海量的地震数据中创造新的效益,有必要将数据挖掘方法应用于石油勘探和开发中,以获取高性能的地质、油藏、储层及流体性质评价的预测模型。该方法由特征选择、模型参数优化、性能评估等三大循环组成,核心技术是将遗传算法用于特征选择和参数优化,通过重复交叉验证得到泛化准确率的无偏估计以及从多种学习方法中优选出最终模型。本文以克拉玛依油田砾岩油藏水淹层评价为例,研究了6种特征子集方案和决策树、神经网络、支持向量机、贝叶斯网络及组合学习等5种方法,综合考虑预测模型的准确率和生成规则的可操作性,并选择决策树模型作为砾岩油藏水淹级别评价的最终预测模型。与传统的地球物理勘探方法相比较,采用该数据挖掘方法的优势在于:可以充分利用多专业数据;获得丰富的预测模型;探查和发现规律;提高预测准确度,因而能更好地为油气勘探开发服务。