基于小样本机器学习的低渗透砂岩储集层孔隙结构测井表征方法

摘要

近年来，机器学习在基于测井数据的储集层参数评价中展现出显著优势，但受限于取心实验样本数量，模型的泛化能力往往无法保障。研究在鄂尔多斯盆地姬塬地区三叠系延长组收集了100余组高压压汞实验数据和7种常规测井数据，采用TabPFN和其他常见7种机器学习方法，系统地比较在小样本环境下不同方法的性能表现，并基于SHAP可解释性分析理解模型决策机制。研究表明：（1）研究区延长组砂岩储集层平均渗透率为0.39×10^-3μm²，为典型的低渗—超低渗储集层，具有孔喉半径小、孔隙结构复杂等特点。第一主成分能解释孔隙结构参数65.00%的总方差，通过生产数据、机理分析等认为其可作为表征孔隙结构的目标变量。（2） TabPFN模型在小样本环境中表现优异，验证集和盲井测试集中R²分别为0.81和0.87。由于其无需调参即可实现较高的性能，展现出更为突出的适用性。（3）特征重要性排名中，密度测井、沉积相、声波测井、地质分层以及深电阻率为前5大特征。其中，沉积相与地质分层在极端孔隙结构区间贡献更为突出，提示离散地质变量对提升模型性能的关键作用。研究为在小样本环境下的低渗透砂岩储集层孔隙结构表征提供了有效的数据驱动案例。

关键词

TabPFN / 机器学习 / 孔隙结构 / 低渗透砂岩 / 致密砂岩 / 延长组 / 鄂尔多斯盆地