自然科学|滩相碳酸盐岩储层测井物性参数智能机器解释——以JN区块飞三段为例

依据研究区7口井飞三段的声波时差与实测孔隙度数据建立飞三段声波时差和孔隙度关系图(图2)，飞三段孔隙度与声波时差呈现一定的正相关关系，R = 0.671，拟合程度偏低。

1.LightGBM模型回归

其基础构建于梯度提升决策树(GBDT)，采用直方图算法高效选择最优分裂点，并用带深度限制的按叶生长(Leaf-wise)策略，提升训练效率并减少了内存的占用。

2. 梯度提升树法回归

训练样本集A包括测井数据X_mn和渗透率Y，其中X_mn含m个样本，每样本n维特征。明确样本集后，按GBDT流程进行渗透率预测，输出最终模型：

1.储层孔隙度解释模型

基于机器学习方法LightGBM建立了飞三段孔隙度的回归模型（图3，图4），模型分析认为：AC特征重要性为38.3%，GR特征重要性为61.7% (GR反映泥质含量，高GR值指示飞三段台地边缘相中泥质夹层发育，间接影响孔隙度计算)。由模型评估结果可见训练集及测试集精确率(R)分别为90.8%以及85.7%。

2. 储层渗透率解释模型

基于机器学习方法梯度提升树(GBDT)建立了飞三段渗透率的回归模型（图5，图6），模型分析认为：孔隙度特征重要性为50.6%，AC特征重要性为29.3%，GR特征重要性为20.1%。由模型评估结果可见训练集及测试集精确率(R)分别为100%以及96.4%。

结合JN区块预测方法效果对比结果可知(表2)：

传统AC-POR交会预测法绝对误差范围为−2.106%至0.916%，相对误差范围为−61.76%至99.55%，误差波动较大，部分层位(如J25井T1f33层)预测值显著低于实测值，而XD2井T1f32b层预测值偏高。

LightGBM回归预测法绝对误差范围为−0.816%至0.288%，相对误差范围为−39.61%至31.25%，误差范围显著小于AC-POR交会法，稳定性更高，最大负误差出现在J35-3井T1f31层。

梯度提升树回归预测法绝对误差范围为−0.078 mD至0.014 mD，相对误差范围为−55.98%至23.47%，低渗透率样本相对误差较大，模型对小值预测敏感度不足。

与传统储层物性测井解释方法相比，机器学习法解释物性吻合度更高。

(1) 传统AC-POR预测法精确度较低，预测的孔隙度准确性较差，主要是由于物性影响因素较多，单一测井参数线性回归误差较大。

(2) 基于LightGBM回归方法解释的孔隙度模型精确度高，训练集及测试集精确率(R)分别为90.8%以及85.7%，J61井应用该模型的拟合程度高，实测数据与解释数据基本能一一对应。

(3) 基于梯度提升树回归法解释渗透率，其模型精确度高，训练集及测试集精确率(R)分别为100%以及96.4%，对J61井应用该模型，其渗透率解释效果好，与实测数据拟合程度高。

(4) 模型依赖高质量测井数据，对低信噪比数据敏感；未来需验证其在其他碳酸盐岩区块(如礁滩相)的适用性。

04