(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111442082.1 (22)申请日 2021.11.30 (71)申请人 核工业北京地质研究院 地址 100029 北京市朝阳区小关东里十号 院 (72)发明人 张云龙　李西得　谢惠丽　刘武生　 倪仕琪　 (74)专利代理 机构 核工业专利中心 1 1007 代理人 董和煦 (51)Int.Cl. G01V 11/00(2006.01) G01V 99/00(2009.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的非常规致密砂岩储层 孔隙度预测方法 (57)摘要 本发明属于致密砂岩矿产资源勘探技术领 域， 具体涉及一种基于机器学习的非常规致密砂 岩孔隙度进行预测方法。 本发明包括如下步骤： 步骤1、 从钻井岩心分析测试数据和测井数据中 提取用于预测的样本数据； 步骤2、 数据预处理； 步骤3、 基于不同机械学习方法， 训练多个孔隙度 预测模型； 步骤4、 交叉验证； 步骤5、 优化各个模 型； 步骤6、 新数据的加入和模型的重新优化。 本 发明基于现有的岩石地球物理数据， 综合多种参 数， 实现了对致密砂岩储层孔隙度较好的预测。 权利要求书2页 说明书5页 附图1页 CN 114397711 A 2022.04.26 CN 114397711 A 1.一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 包括如下 步骤： 步骤(1)、 从钻井岩心分析测试数据和测井数据中提取用于预测的样本数据； 步骤 (2)、 数据预处理； 步骤(3)、 基于不同机械学习方法， 训练多个孔隙度预测模 型； 步骤(4)、 交 叉验证； 步骤(5)、 优化各个模型； 步骤(6)、 新数据的加入和模型的重新优化。 2.根据权利要求1所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 所述步骤(1)中， 获取致密砂岩岩心样品分析测试孔隙度和与岩石孔隙度有关 的测井数据 组成数据集， 并以岩心样品分析测试孔隙度作为监督学习的目标集， 以自然伽 马、 自然电位、 声 波时差、 中子孔隙度、 密度和深侧向电阻率以及埋 藏深度为特 征集。 3.根据权利要求2所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 对步骤(1)中收集到的数据进行清洗和统计分析， 对孔隙度测量异常点、 测 井 参数获取的异常值进 行移出； 统计 分析每类参数的统计分布， 划分不同岩石类型、 不同沉积 相类型、 不同成岩阶段的各类岩石测井参数 特征， 全面掌握数据特 征和数据内涵。 4.根据权利要求3所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 所述 步骤(2)中， 包括如下步骤： 步骤(2.1)、 校正测井数据中的测井深度和 样品数据中的岩心样品深度， 将特征集和目 标集进行匹配关联； 步骤(2.2)、 对特征集中的自然伽马、 自然电位、 声波时差、 中子孔隙度、 密度、 深侧向电 阻率和埋 藏深度这些 特征数据进行归一 化处理； 步骤(2.3)、 对 归一化后的特 征集进行降维处 理。 5.根据权利要求4所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 所述 步骤(2.2)中， 归一 化方法采用： 其中： xnormal为一特征数据归一化后的数据， xmin代表这一特征数据中的最小值， xmax代 表这一特征数据中最大值。 6.根据权利要求5所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 所述步骤(2.3)中， 通过对各特征值之间的相关性进行分析， 结合各测 井数据 的实际物理意义对岩石孔隙度的响应机理， 通过分析特征数据的相关性及主成分分析， 对 特征数据集进行降维判断和处 理。 7.根据权利要求6所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 所述步骤(3)中， 将降维处理后的特征集平均分为5份， 将对应的目标集也分为 相应的5份； 依次选择第五步中的一份数据i作为测试集的特征集F_test(i)， 对应的目标集 为测试集的目标集T_test(i)， 其余4份数据组成训练集合的特征集F_train(i)和目标集T_ train(i)； 通过多 次训练， 选择最优的训练结果； 选择不同的机器学习 算法， 训练对个孔隙 度预测模型。 8.根据权利要求7所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 所述步骤(4)中， 根据每个已经训练模型的交叉验证结果， 对每个训练模型进 行评价。 9.根据权利要求8所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法，权　利　要　求　书 1/2 页 2 CN 114397711 A 2其特征在于： 所述步骤(5)中， 评价指标包括均方误差MSE、 均方根误差RMSE、 平均绝对误差 MAE和R2。 10.根据权利要求9所述的一种基于机器学习的非常规致密砂岩孔隙度进行预测方法， 其特征在于： 所述MSE的计算方法如下： 其中RMSE的计算方法如下： 其中MAE的计算方法如下： 其中R2的计算方法如下： 其中， yi为测试集中样品实际分析测试孔隙度； 为模型预测结果， 为模型预测结果 的平均值。权　利　要　求　书 2/2 页 3 CN 114397711 A 3