基于机器学习和测井数据的碳酸盐岩孔隙度与渗透率预测

准确预测碳酸盐岩储层孔隙度和渗透率对于碳酸盐岩油气藏储层评价具有重要意义。碳酸盐岩储层裂缝与溶孔广泛发育,基于经验公式从测井曲线预测储层孔隙度和渗透率具有较大误差。以中东某碳酸盐岩油藏为研究对象,选取914块取心井岩心,测定孔隙度与渗透率,利用随机森林（RF）、K-近邻（KNN）、支持向量机（SVM）和长短期记忆网络（LSTM）4种不同机器学习方法,通过测井数据进行孔隙度与渗透率预测,优化机器学习参数,筛选出适用于碳酸盐岩油藏的测井孔隙度与渗透率预测方法。研究结果表明：4种机器学习方法预测储层孔隙度结果差异不大,通过调整输入参数种类,可进一步提高孔隙度与渗透率预测效果,当以补偿中子（NPHI）、岩性密度（RHOB）和声波时差（DT）3种测井参数数据作为输入时,基于LSTM的储层孔隙度预测精度最高,孔隙度预测结果均方根误差（RMSE）为4.536 2;由于碳酸盐岩储层的强非均质性,基于机器学习的测井储层渗透率预测效果较差,相对而言,仅以NPHI作为机器学习输入参数时,基于RF的储层渗透率预测精度最高,渗透率预测结果的RMSE为45.882 3。