崔浩然,姚元戎,高明轩,索永亮,陶连馨,潘欣雨,孙平昌

• 1:吉林大学地球科学学院
• 2:吉林省油页岩与共生能源矿产重点实验室
• 3:中海石油(中国)有限公司天津分公司渤海石油研究院

摘要(Abstract)：

针对渤海湾盆地构造条件复杂和海域油田岩心资料稀少的问题，馆陶组沉积微相刻画困难的问题，提出基于集成学习算法的测井曲线沉积微相识别方法。为了充分利用测井曲线信息，提高沉积微相识别效果，构建了测井曲线衍生特征作为补充信息。在对测井曲线进行优选和预处理基础上，将测井数据集划分为训练集和盲测集，并使用训练集构建了三种集成学习模型和一种常规监督学习模型。经过在盲测集上的应用，基于Bagging思想的随机森林模型取得最优的预测效果，预测准确率达到82.57%。经过Stacking融合后的模型较常规监督学习模型预测准确率提高了6%以上。因此，使用集成学习算法是识别复杂构造下沉积微相的有效手段。

关键词(KeyWords)： 集成学习;测井曲线;沉积微相预测;浅水辫状河三角洲;渤南低凸起

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金项目（42372125）

作者(Author): 崔浩然,姚元戎,高明轩,索永亮,陶连馨,潘欣雨,孙平昌

参考文献(References)：

• [1]郭太现，杨庆红，黄凯，等.海上河流相油田高效开发技术[J].石油勘探与开发，2013,40(6):708-714.
• [2]叶小明，王鹏飞，霍春亮，等.海上复杂碎屑岩储层油气藏地质建模关键技术[J].中国海上油气，2018,30(3):110-115.
• [3]邓瑞，孟凡顺.利用测井曲线精细分层识别沉积微相的方法研究[J].测井技术，2010,34(6):554-558.
• [4]张国栋，唐伟，翟瑞国，等.河流相储集层横向预测方法探索[J].石油勘探与开发，2001(6):84-86.
• [5]张福明，李洪奇，邵才瑞，等.应用神经网络模式识别技术进行测井沉积学研究[J].石油勘探与开发，2003(3):121-123.
• [6]陈靖.基于录测井资料的沉积微相定量识别方法研究——以渤中26-X构造为例[J].石油地质与工程，2022,36(5):21-27.
• [7]冯阿建，陈强，申有义，等.基于测井的古县区块含煤岩系沉积岩粒度分析[J].中国煤炭地质，2023,35(6):72-75,83.
• [8]肖晓，闫建平，郭伟，等.基于LightGBM算法的页岩气储层甜点参数预测方法[J].中国煤炭地质，2023,35(10):28-37.
• [9]刘艳冬，卢兰萍，刘林林，等.基于GA-BP神经网络的煤层底板突水量等级预测[J].中国煤炭地质，2023,35(8):32-37.
• [10]韩文龙，王延斌，高向东，等.基于BP神经网络的沉积微相识别[J].煤炭技术，2016,35(12):114-116.
• [11]李艳华，王红涛，王鸣川，等.基于PCA和KNN的碳酸盐岩沉积相测井自动识别[J].测井技术，2017,41(1):57-63.
• [12]罗仁泽，周洋，康丽侠，等.基于DMC-BiLSTM的沉积微相智能识别方法[J].石油物探，2022,61(2):253-261,338.
• [13]侯帅，李玉娇，白梅娟，等.基于元学习和集成学习的高熵合金相预测算法[J].计算机应用与软件，2025,42(6):302-310.
• [14]GONZALO M, DANIEL H, ALBERTO S. An analysis of ensemble pruning techniques based on ordered aggregation[J]. IEEE transactions on pattern analysis and machine intelligence,2009,31(2):245-259.
• [15]邓子昊，张黎明，徐兴华，等.基于集成学习和LEM的折线型边坡稳定性评价方法[J].地球科学，2024,49(11):4216-4224.
• [16]何小龙，张兵，杨凯，等.基于沉积微相特征挖掘的随机森林岩石相测井识别方法——以新场地区须家河组二段致密砂岩为例[J].物探与化探，2024,48(5):1337-1347.
• [17]陈凯，朱钰.机器学习及其相关算法综述[J].统计与信息论坛，2007(5):105-112.
• [18]曹志民，丁璐，韩建.基于Stacking集成学习的声波时差测井曲线复原研究[J].化工自动化及仪表，2024,51(3):470-476.
• [19]申春生，胡治华，林国松，等.渤海PL油田浅水辫状河三角洲沉积模式[J].石油地质与工程，2022,36(6):28-32+40.
• [20]WOOD D A. Carbonate/siliciclastic lithofacies classification aided by well-log derivative, volatility and sequence boundary attributes combined with machine learning[J]. Earth Science Informatics,2022,15(3):1699-1721.
• [21]GHARAKHANLOU N M, PEREZ L. Flood susceptible prediction through the use of geospatial variables and machine learning methods[J]. Journal of Hydrology,2023,617.
• [22]DE WINTER J, GOSLING S D, POTTER J. Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes:A tutorial using simulations and empirical data[J].Psychological methods,2016,21(3):273-290.