基于机器学习的页岩总有机碳含量评价方法

来源：石油科学通报杂志2025年第2期北京时间：

作者：王宵宇；廖广志；黄文松；刘海山；孔详文；赵子斌

单位：中国石油大学(北京)油气资源与工程全国重点实验室,北京 102249%中国石油勘探开发研究院,北京 100083%中海油田服务股份有限公司,三河 065201

摘要：总有机碳(TOC)含量是评估烃源岩储层品质和生烃潜力的重要地球化学参数之一,其准确预测对页岩油气勘探开发具有重要意义.随着人工智能技术的快速发展,单一机器学习方法常被应用于TOC含量评价.然而,单一机器学习方法存在过拟合、欠拟合和目标函数局部最优等问题.集成模型被证实通过整合多个智能算法可以提高预测精度和稳定性能,其中组合策略是优化集成模型的关键之一.算术平均法作为组合策略难以充分发挥最佳模型的预测性能,而且容易受到预测误差较大的智能算法的影响.加权求和法作为组合策略根据训练数据确定加权系数,在训练集上表现出色,却在测试集中表现欠佳.本文提出了一种基于智能匹配技术的集成模型(IMTEM),采用极限梯度提升、随机森林、支持向量机和极限学习机作为算法模块对输入数据进行初步处理,提取的特征信息与原始测井响应共同输入到前馈神经网络层中进行非线性转换以及特征学习,从而对页岩TOC含量进行准确且连续的评价.将本文提出的方法应用于四川盆地龙马溪组页岩TOC含量预测,测试结果表明,相比于两种集成模型、5 种基础模型和ΔlogR方法,IMTEM的预测结果与岩心实测TOC含量一致性更高,更适用于页岩TOC含量的预测.

关键词：机器学习,测井评价,页岩地层,总有机碳含量,集成模型