基于机器学习的TOC测井预测方法——以松辽盆地南部青山口组一段为例

摘要

总有机碳质量分数(w（TOC）)作为评价页岩储层地球化学特征的重要参数,是衡量页岩储层有机质质量分数和生烃潜力的重要指标。测井数据具有高纵向分辨率的特点,可以弥补取样数量不足、测试成本高等缺陷。因此,在页岩油勘探中利用测井数据预测w（TOC）已成为一项重要技术。本文提出一种结合高斯混合模型（GMM）和轻量级梯度提升机（LightGBM）算法的组合模型,实现w （TOC）的测井预测。以松辽盆地南部长岭凹陷青山口组一段页岩为研究对象,收集了声波时差、密度、补偿中子、自然伽马和电阻率测井数据,通过箱型图方法进行异常点检测和处理,利用交叉验证和网格搜索方法调节最优参数,建立w（TOC）预测模型。将提出方法与改进Δlg R、K-近邻、决策树、极端梯度提升和LightGBM模型进行对比,结果表明,GMM-LightGBM模型的预测效果最佳,模型评价指标均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）分别为0.254、0.211、0.766。将该模型应用在另一口实例取心井中也取得了不错的效果,RMSE、MAE和R²分别为0.547、0.462、0.647。

关键词

机器学习 / GMM-LightGBM模型 / TOC / 页岩 / 储层 / 松辽盆地