基于BSMOTE-SVM的细粒沉积岩岩相智能预测：以松辽盆地青山口组一段为例

摘要

细粒沉积岩岩相的空间展布特征是页岩油勘探的关键研究内容。由于高成本且稀缺的取心井限制了岩相的分析，测井预测岩相的工作变得尤为重要。以松辽盆地青山口组一段(青一段)为例，建立了“岩性+矿物+TOC+沉积构造”的岩相划分方案，确定了7类岩相。结合6条常规测井曲线形成了X8井的岩相—测井数据库。综合使用机器学习中的随机森林(RF)、XGBoost和支持向量机(SVM)3种模型评价岩相的预测效果，并确定SVM是最优分类模型，使用BSMOTE处理岩相样本的分类不平衡问题并将处理后的数据输入到SVM模型，建立了BSMOTE-SVM的岩相预测的组合模型。BSMOTE-SVM的预测效果最佳，准确率(A)、精确率(P)、召回率(R)和F1依次分别为86.49%、 86.60%、 86.49%和86.31%。该组合模型可快速且精准的预测多井的岩相，并确定了松辽盆地长岭凹陷青一段的岩相分布，为下一步页岩油有利富集区的优选提供了一定指导依据。

关键词

细粒沉积岩 / 岩相 / 测井预测 / BSMOTE-SVM / 青山口组 / 松辽盆地