A Hybrid Ensemble Learning Framework for Permeability Prediction Using Integrated Petrophysical Logs, Core Measurements, and Drill Stem Test Data
本研究提出了一种混合集成学习框架，该框架整合了测井曲线、岩心测量数据和钻井测试数据，通过将任务同时构建为分类和回归问题，以准确预测非均质储层中的渗透率，证明了其相较于单一机器学习模型具有更优越的性能和可解释性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在地球深处，石油和天然气储层并非均匀的流体储罐，而是复杂的、类似海绵状的岩石。这些岩石让流体流过的能力——被称为渗透率的属性——是决定能开采多少能源以及如何建造取油井的最重要因素。如果岩石太致密，燃料就会被困住；如果岩石太松散，井可能会坍塌或产生过多的水。几十年来，工程师们一直试图通过向地下深处钻探并取出被称为“岩芯”的固体岩石圆柱体，然后在实验室中进行测试，来测量这一属性。虽然这种方法很准确，但极其昂贵、缓慢，且仅能提供特定点的快照，导致大片储层区域处于未测量状态。为了填补这些空白，工程师们长期以来一直依赖“测井”，即通过降入钻孔中的工具获取岩石电学和物理特性的连续记录。然而，将这些电信号转化为衡量流体流动难易程度的精确度量，仍然是一个困难的谜题，往往需要依靠猜测或在地质情况变得复杂时失效的简单公式。
来自德黑兰大学和Pars石油天然气公司的研究团队通过结合两种技术的优势解决了这一挑战：即利用人工智能对来自岩芯的精确快照数据和来自测井的连续详细记录进行综合分析。他们没有依赖单一的数学公式或基础计算机程序，而是构建了一个混合框架，该框架使用一组不同的机器学习算法协同工作。他们在伊朗的一个产气井上测试了这种方法，向计算机输入了一个庞大的数据集，其中不仅包括标准的测井数据，还包括“钻柱测试”的结果——这是一种动态程序，通过暂时隔离并加压井，以观察岩石在流动条件下的实际表现。研究人员将数据分为两个不同的组，以解决两类不同的问题：一组将渗透率视为一组待分类的类别，而另一组则将其视为一个待预测的连续数值。
结果表明，计算机模型（尤其是那些结合了多种学习方法的模型）在预测岩石流动特性方面取得了显著成功。当任务是将岩石按渗透率等级进行分类时，最先进的模型达到了近乎完美的准确度，几乎在所有情况下都能正确识别流动潜力。当任务是预测渗透率的具体数值时，模型同样表现出高度的稳定性，能够以比传统方法更少的误差重建井的连续剖面。他们工作的关键部分涉及一种称为SHAP分析的技术，该技术就像是计算机决策过程中的透明层。这使得研究人员能够准确看到计算机最信任哪些测量指标。他们发现，计算机始终依赖于人类地质学家多年来使用的相同物理线索：岩石中的放射性物质含量（指示了阻碍流动的粘土的存在），以及岩石的电阻率（揭示了碳氢化合物的存在位置）。
这项研究之所以特别有价值，是因为它并未仅仅假设结合不同的计算机模型总会更好。研究人员仔细对比了混合团队与单个模型的效果，并发现了一个细微的真相。在井中某些特定的、特征明显的段落中，一个经过良好调优的单一计算机模型的表现与复杂的混合团队一样出色。然而，在岩石属性变化剧烈或不同信号发生重叠的复杂、非均质段落中，混合团队表现得更为优越。通过融合不同算法的长处，该团队创建了一个系统，使其不易受到噪声数据或异常岩石条件的干扰。这种方法为估算整个储层的渗透率提供了一种可靠且可解释的方式，弥合了昂贵且稀疏的岩芯样本与连续但往往具有歧义的测井数据之间的鸿沟。研究结果表明，对于世界许多地方存在的复杂且多变的储层，采用不同机器学习工具的协作方法，能为理解地下流体运动提供最稳健且最值得信赖的指导。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。