周 游 張廣智* 張圣澤 劉俊州 韓 磊

(①中國石油大學(華東)深層油氣重點實驗室，山東青島266580； ②中國石油大學(華東)地球科學與技術(shù)學院，山東青島266580； ③中國石油化工股份有限公司石油勘探開發(fā)研究院，北京100083)

0 引言

致密油氣是一種非常重要的非常規(guī)資源，是接替常規(guī)油氣資源、支撐油氣革命不可或缺的力量[1]。中國擁有豐富的致密油氣資源，儲層普遍經(jīng)歷了復(fù)雜的成巖和構(gòu)造作用，多以基質(zhì)致密、儲集空間類型多樣、特低孔低滲的縫控型為主[2]?？p控型致密儲層中的裂縫不僅控制有效儲層的規(guī)模和油氣儲量，同時還是油氣開采過程中重要的運輸通道。由于儲層含油氣性和產(chǎn)能高度依賴裂縫，裂縫的有效性評價是分析儲層質(zhì)量以及油氣勘探部署的重要依據(jù)[3-4]。裂縫開度(FVA)作為定量描述裂縫發(fā)育特征的參數(shù)，是評價裂縫有效性的基礎(chǔ)，對于指導(dǎo)致密油氣儲層勘探開發(fā)具有重要的參考價值[5]。

目前，裂縫開度的計算方法主要包括實驗測量、數(shù)值模擬及測井計算等三種。Ponziani等[6]利用實驗裝置準確測量巖心的裂縫開度，但受取心技術(shù)的限制，測量結(jié)果數(shù)量較少且在深度上不連續(xù)； Van Stappen等[7]依靠微CT成像和三維激光掃描設(shè)備獲取了不同圍壓下的裂縫開度，但裝備適用范圍有限，無法真實還原地層條件； 丁文龍等[8]基于數(shù)學模型，運用有限元方法對構(gòu)造應(yīng)力場進行數(shù)值模擬，得到了裂縫發(fā)育區(qū)的裂縫開度信息，但應(yīng)力場有限元模擬需考慮地質(zhì)體的巖石物理特征，所需參數(shù)較多，且參數(shù)的選取依賴研究者的主觀經(jīng)驗； Boadu[9]通過數(shù)值模擬實驗建立了地震信號特征與裂縫開度之間的關(guān)系，利用地震屬性預(yù)測裂縫開度等儲層特征參數(shù)，但預(yù)測結(jié)果存在垂向分辨率低、多解性強等問題； Aghli等[10]采用圖像處理的方法對電成像測井資料進行處理、計算，得到了連續(xù)且垂向分辨率高的裂縫開度數(shù)據(jù)，但由于成像測井測量成本高昂，計算的開度數(shù)據(jù)受測量深度的限制。地球物理常規(guī)測井資料具有縱向分辨率高、連續(xù)性好、信息量大、成本低等優(yōu)點，對大多數(shù)油氣田而言，如何利用常規(guī)測井信息建立裂縫的測井響應(yīng)機理模型，進而計算地層裂縫開度，是亟需解決的實際問題[11]。

在常規(guī)油氣儲層中，成巖作用差異往往導(dǎo)致巖石成分和結(jié)構(gòu)發(fā)生變化，產(chǎn)生不同的測井響應(yīng)，可以利用多元線性回歸(MLR)等線性方法預(yù)測儲層參數(shù)[12]。而縫控型致密油氣儲層的強非均質(zhì)性導(dǎo)致常規(guī)測井數(shù)據(jù)與裂縫開度之間存在復(fù)雜的非線性關(guān)系，簡單的線性模型并不能準確表征地下裂縫張開程度的變化趨勢，因此需要建立一個非線性預(yù)測模型表示常規(guī)測井數(shù)據(jù)與裂縫開度之間的轉(zhuǎn)換關(guān)系。機器學習可通過模擬人類、自然行為對歷史數(shù)據(jù)進行學習，找出其中的規(guī)律，進而利用新的數(shù)據(jù)對目標進行預(yù)測[13-14]。國內(nèi)外許多學者借助機器學習模型強大的非線性映射能力，對常規(guī)測井資料的數(shù)據(jù)特征進行深度挖掘，在儲層參數(shù)預(yù)測方面取得了良好的應(yīng)用效果[15-19]，但單一機器學習模型仍存在泛化性差、易受噪聲數(shù)據(jù)干擾等缺點[20]。

委員會機器(CM)采用集成的思想，模仿人類委員會的決策機制，將一個復(fù)雜的計算任務(wù)分給多個計算能力優(yōu)異的專家，各個專家各自獨立求解，然后利用某種組合機制組合這些專家的解，得到最終的全局最優(yōu)解[21-23]。委員會機器可將訓練好的學習模型全部利用起來，整合各個學習模型的優(yōu)勢，在儲層參數(shù)預(yù)測方面得到了有效應(yīng)用[24-25]。盡管委員會機器方法取得了成功，但各專家模型的組合權(quán)重一般是通過人工平均賦值或優(yōu)化算法獲得，這些組合策略易受到人為經(jīng)驗和模型各種參數(shù)調(diào)節(jié)的影響。如何得到合理、有效的組合策略，是模型面臨的難題之一[26-27]。

為了提高組合權(quán)重的計算精度，增加模擬組合策略的可解釋性，本文利用遞階層次結(jié)構(gòu)模型和門神經(jīng)網(wǎng)絡(luò)模型對傳統(tǒng)委員會機器進行改進，基于條件交替期望變換理論，綜合考慮各個專家網(wǎng)絡(luò)的預(yù)測性能，添加組合權(quán)重自適應(yīng)生成的層次網(wǎng)絡(luò)模塊，形成了一個新的委員會機器模型——層次專家委員會機器模型(HECM)。運用該模型在研究工區(qū)實現(xiàn)了井中裂縫開度預(yù)測，并與單一機器模型和傳統(tǒng)委員會機器模型的預(yù)測結(jié)果進行了對比。結(jié)果表明，HECM的預(yù)測結(jié)果與巖心測量結(jié)果更吻合。

1 方法原理

1.1 委員會機器模型設(shè)計原則

委員會機器網(wǎng)絡(luò)由幾個訓練有素的專家機器組成，專家機器通常是由多種智能算法并行構(gòu)建的機器學習模型。每個專家機器使用完全相同的輸入，基于不同的初始網(wǎng)絡(luò)條件獨立完成訓練，最后將各專家機器輸出的結(jié)果進行線性加權(quán)平均并作為委員會機器的輸出。委員會機器的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 委員會機器的網(wǎng)絡(luò)結(jié)構(gòu)

在使用單一機器學習模型預(yù)測裂縫開度時，通常會訓練多種機器學習模型，最終選取預(yù)測效果最好的一個，其余的模型則被舍棄，從而造成學習資源的浪費。當各學習模型預(yù)測效果相當時，則會出現(xiàn)難以選擇的情況。此外，模型的泛化性能很大程度上取決于數(shù)據(jù)本身，在某一樣本集取得最佳預(yù)測效果的模型并不一定適用其他的獨立樣本集。而委員會機器能夠充分利用這些訓練好的模型，整合各模型的優(yōu)勢，有效提高自身的泛化性和預(yù)測性能[28]。

1.2 層次網(wǎng)絡(luò)模塊的構(gòu)建原理

類似于委員會機器的搭建思想，本文提出的HECM也要對各專家機器的輸出進行加權(quán)組合，但不同的是，這些權(quán)重不再是人為指定或無條件求和平均，而是由一個額外的層次網(wǎng)絡(luò)模塊自適應(yīng)生成。該模塊主要由遞階層次結(jié)構(gòu)模型和門神經(jīng)網(wǎng)絡(luò)模型構(gòu)成，可對基礎(chǔ)專家的輸出結(jié)果進行評價、分析，決定各個基礎(chǔ)專家在全局輸出中的貢獻。基于層次網(wǎng)絡(luò)模塊自適應(yīng)計算權(quán)重的步驟如下[29]。

(1)構(gòu)建遞階層次結(jié)構(gòu)。將影響預(yù)定目標的因素進行分組，并將每一組作為一個層次，按最高層(目標層)、多重中間層(準則層)以及最低層(方案層)的形式排列起來。層與層之間可以建立子層次，上、下層因素之間的聯(lián)系可用連接線表示，形成具有自上而下主導(dǎo)關(guān)系的遞階層次結(jié)構(gòu)。

(2)構(gòu)造判斷矩陣。當確定好上、下層之間的主導(dǎo)關(guān)系后，需計算聯(lián)系上層某因素(目標A或某個準則U)的下層各因素在上層因素之中所占的比重。

假定A層中的某一因素與下一層次B中的因素有聯(lián)系，則可構(gòu)造A、B層次之間的判斷矩陣

(1)

式中bij表示對于A層某一因素而言，因素bi對bj的相對重要性的判斷值。一般取1、3、5、7、9等5個等級標度，其中1表示bi與bj同等重要，3表示bi較bj稍重要，5表示bi較bj明顯重要。按照該準則，因素之間的相對重要性依次上升。當5個等級不夠用時，可采取2、4、6、8表示相鄰判斷的中值。

(3)層次單排序。層次單排序是為了確定同一層次因素對于上一層次某因素相對重要性的排序權(quán)值。通過求解判斷矩陣的最大特征根λmax所對應(yīng)的歸一化后的特征向量W，其分量即為對應(yīng)因素單排序的權(quán)重值

PW=λmaxW

(2)

為了檢驗層次單排序的合理性，需要對判斷矩陣進行一致性檢驗?？捎秒S機一致性比率(Random Conformance Rate，CR)對判斷矩陣進行檢驗

(3)

(4)

式中：CI(Consistency Index)為矩陣一致性指標； RI(Mean Random Consistency Index)為平均隨機一致性指標，其取值規(guī)則如表1所示[30]。當CR<0.01時，判斷矩陣具有令人滿意的一致性，否則需要對判斷矩陣進行調(diào)整，直到CR<0.01為止。

表1 平均隨機一致性指標的取值規(guī)則

(5)

其中U(k)中的第j列為第k層m個因素對于第k-1層上第j個因素為準則的單排序向量。

w(k)=U(k)w(k-1)

(6)

從而得到各基礎(chǔ)方案對應(yīng)的初始權(quán)重

(7)

同樣，為了評價層次總排序的計算結(jié)果的一致性，也需要計算與單排序類似的檢驗量。第k層的總排序的一致性比率計算公式為

(8)

(5)門網(wǎng)絡(luò)模塊更新權(quán)重。利用單層感知器(SLP)，構(gòu)建一個由多元非線性函數(shù)和交替條件期望變換(ACE)算法激活的門神經(jīng)網(wǎng)絡(luò)模塊，即

(9)

式中：θ是關(guān)于因變量Y的期望轉(zhuǎn)化函數(shù)；φ是關(guān)于自變量X的期望轉(zhuǎn)化函數(shù)；ε為回歸誤差；p為變量的個數(shù)。

按照ACE算法的理論[31]，利用式(9)進行非線性回歸得到的誤差方差方程為

(10)

據(jù)此建立以誤差方差最小為優(yōu)化目標的優(yōu)化方程

(11)

為了求解誤差方差方程，每個變量建立如下的單一條件期望函數(shù)

(12)

(13)

那么，在變換空間中，最優(yōu)的期望變換方程可表示為

(14)

式中ε*遵循均值為零的正態(tài)分布。

因此，通過門神經(jīng)網(wǎng)絡(luò)模塊更新權(quán)重后，可進一步提高基礎(chǔ)方案的預(yù)測精度。

1.3 HECM的構(gòu)建方案

如圖2所示，為了獲得最佳的預(yù)測性能，以目標預(yù)測精度作為總體評價目標，選取平均絕對誤差(MAE)、均方根誤差(RMSE)、總絕對誤差(TAE)、決定系數(shù)(R2)等4個參數(shù)為目標評價準則因素； 將每個準則因素作為基礎(chǔ)專家網(wǎng)絡(luò)單元的性能評價指標，構(gòu)建相應(yīng)的判斷矩陣，兩兩比較每個基礎(chǔ)專家網(wǎng)絡(luò)單元的性能表現(xiàn)，以確定各自重要性； 將核嶺回歸(KRR)、支持向量回歸(SVR)、BP神經(jīng)網(wǎng)絡(luò)(BPN)等3個機器學習模型作為基礎(chǔ)專家網(wǎng)絡(luò)單元，把每個基礎(chǔ)網(wǎng)絡(luò)單元的輸出結(jié)果選為待評價方案，送入性能評議模塊進行評判打分。最后利用單層感知器和ACE算法構(gòu)成一個門神經(jīng)網(wǎng)絡(luò)模塊(主席決策層)，對打分結(jié)果進行綜合決策，從而得到最優(yōu)的解決方案。

圖2 HECM的網(wǎng)絡(luò)結(jié)構(gòu)

2 應(yīng)用實例

2.1 研究區(qū)概況

研究區(qū)位于四川盆地川西坳陷孝泉—豐谷隆起帶的新場氣田。受龍門山造山帶抬升的影響，目的層須家河組經(jīng)歷了由海相向陸相的變遷，經(jīng)過印支期、燕山期和喜山期等多期次構(gòu)造運動，形成了氣水關(guān)系復(fù)雜的致密碎屑巖氣藏。須二段(須家河組二段)為主要含氣層段，儲層巖性主要為淺灰色中粒巖屑石英砂巖，受構(gòu)造、沉積以及差異成巖作用等多種因素的影響，不同深度的儲集性能差異明顯[32]。

統(tǒng)計、分析工區(qū)的高產(chǎn)氣井S井4000～5400m段的105組巖心和井壁成像測井資料，發(fā)現(xiàn)該段裂縫以低角度斜縫為主，裂縫充填程度較低，裂縫開度最小值為0.018mm，最大值為1.950mm，平均值為0.410mm，裂縫開度主要集中在0.100～0.700mm。將裂縫開度與實際產(chǎn)能關(guān)聯(lián)分析，發(fā)現(xiàn)主要產(chǎn)氣層的裂縫開度與產(chǎn)氣量存在明顯的正相關(guān)。因此，本文以巖心和成像測井資料計算的裂縫開度作為預(yù)測對象，基于提出的HECM，選取常規(guī)測井數(shù)據(jù)當作模型驅(qū)動，研究適用于致密砂巖儲層的裂縫開度預(yù)測方法。

2.2 學習樣本優(yōu)選與數(shù)據(jù)預(yù)處理

在機器學習中，學習樣本的有效性和代表性是決定預(yù)測效果的兩個重要因素。儲層裂縫張開程度受巖性的控制，而各類測井曲線又能夠從不同角度反映地下巖石的物理特性，因此可結(jié)合不同測井資料的響應(yīng)特征，篩選對裂縫開度敏感的測井參數(shù)作為預(yù)測模型的學習樣本。

巖石礦物組成的差異對裂縫的形成和發(fā)育具有控制作用，因而能夠揭示泥質(zhì)含量的測井曲線會對開啟裂縫較為敏感。對于裂縫開度較大的地層，泥漿濾液會在井壁滲透形成泥餅，導(dǎo)致井徑(CAL)測量值變小。同時，泥漿和地層水的流動不僅使地層產(chǎn)生電動勢，也使鈾元素更易被裂縫或井壁吸附而發(fā)生沉淀，導(dǎo)致自然電位(SP)和自然伽馬(GR)測量值變大。另外，致密砂巖孔隙結(jié)構(gòu)的不同導(dǎo)致地層非均質(zhì)性和流體壓力產(chǎn)生差異，也能影響裂縫的形成與分布，因而揭示孔隙度的測井曲線也對裂縫較為敏感。由于裂縫開啟，井壁內(nèi)充填密度較小的流體造成聲波能量衰減嚴重、地層中含氫指數(shù)增大、密度測井儀器極板不能較好地貼合井壁，導(dǎo)致密度(DEN)測量值降低，聲波時差(AC)和中子孔隙度(CNL)測量值升高。與巖性和孔隙度系列測井相比，電阻率系列測井提供的信息能更好地反映裂縫的張開程度。致密砂巖作為高阻地層，其電阻率變化主要取決于地層巖性和流體性質(zhì)，裂縫的存在會引起地層水和泥漿的入侵，導(dǎo)致深側(cè)向(RD)和淺側(cè)向(RS)電阻率明顯降低，且裂縫的張開程度越大，深、淺側(cè)向電阻率之間的差異越小[33]。

定性分析測井資料變化規(guī)律不足以獲得實際工區(qū)敏感的測井參數(shù)，需要結(jié)合實際工區(qū)樣本集的數(shù)據(jù)分布特征，進行相關(guān)系數(shù)定量計算，排序、篩選出敏感的測井參數(shù)，結(jié)果如圖3所示。從圖中可以看出，各常規(guī)測井參數(shù)與裂縫開度雖具有一定的相關(guān)性，但整體的相關(guān)系數(shù)都較低。直接利用測井參數(shù)進行訓練，預(yù)測難度較大，需要進一步的數(shù)據(jù)處理以提升樣本集的質(zhì)量。因此，基于計算結(jié)果，初步選擇AC、CNL、RS、SP這4個參數(shù)構(gòu)建預(yù)測模型的學習樣本數(shù)據(jù)集。

利用Z-Score標準化處理和主成分分析(PCA)構(gòu)建數(shù)據(jù)預(yù)處理模塊，可以消除數(shù)據(jù)間量綱不同和相關(guān)冗余性對模型預(yù)測精度的影響[34]。數(shù)據(jù)處理后的結(jié)果如圖4所示。從圖4a中可以看出，處理后的學習樣本前三個主成分的累計貢獻率就超過90%，能夠較好地代替原有輸入樣本變量。從圖4b中可以看出，處理后的學習樣本之間的偽相關(guān)性消失，各主成分之間的相關(guān)系數(shù)為0，各主成分變量與裂縫開度的整體相關(guān)性有所提升。因此，經(jīng)數(shù)據(jù)預(yù)處理后的學習樣本屬性由4個減少到3個，不僅減輕了模型的學習負擔，還進一步提高了學習樣本的質(zhì)量。

2.3 HECM的訓練測試

工區(qū)的研究樣本數(shù)量較少，裂縫開度的預(yù)測本質(zhì)上屬于極小樣本的非線性回歸問題。利用HECM

圖3 不同測井參數(shù)與裂縫開度相關(guān)性分析(a)測井參數(shù)與裂縫開度的散點交會圖； (b)各變量間的相關(guān)系數(shù)熱力圖

圖4 數(shù)據(jù)處理后的結(jié)果(a)各主成分貢獻率； (b)各變量間的相關(guān)系數(shù)熱力圖

預(yù)測裂縫開度主要包括兩個階段：第一階段，通過KRR、SVR、BPN等不同的機器學習模型構(gòu)建基礎(chǔ)專家網(wǎng)絡(luò)單元，每個網(wǎng)絡(luò)單元接收相同的輸入數(shù)據(jù)并給出獨立的裂縫開度預(yù)測結(jié)果，評判專家以各性能評價指標表現(xiàn)作為評判標準，為各基礎(chǔ)專家網(wǎng)絡(luò)單元的預(yù)測結(jié)果進行打分，再由大會評議層討論、確定各基礎(chǔ)專家網(wǎng)絡(luò)單元所占的初始權(quán)重； 第二階段，利用SLP模型和ACE算法構(gòu)建主席決策層，對大會評議層討論的結(jié)果進行迭代更新，從而得到模型的最終輸出。

將經(jīng)過預(yù)處理后的樣本數(shù)據(jù)按2∶1的比例進行分區(qū)，隨機選取70個樣本數(shù)據(jù)作為訓練集，剩余的35個樣本數(shù)據(jù)作為測試集。先將帶有標簽的訓練集輸入到各基礎(chǔ)專家網(wǎng)絡(luò)單元中進行訓練，再利用測試集進行結(jié)果的驗證，各模型的超參數(shù)設(shè)置及預(yù)測的性能表現(xiàn)如表2、圖5所示。

從表2中可以看出，KRR網(wǎng)絡(luò)單元超參數(shù)設(shè)置少，網(wǎng)絡(luò)復(fù)雜度低，訓練集預(yù)測結(jié)果穩(wěn)定，但容錯能力較差，測試集預(yù)測效果不佳； BPN網(wǎng)絡(luò)單元超參數(shù)調(diào)節(jié)簡單，非線性映射能力強，訓練集預(yù)測結(jié)果極為優(yōu)秀，但在訓練中過于追求經(jīng)驗風險最小，出現(xiàn)了過擬合的現(xiàn)象，面對小樣本的測試集數(shù)據(jù)時泛化能力不足，預(yù)測效果一般； SVR網(wǎng)絡(luò)單元雖超參數(shù)設(shè)置較多，但基于結(jié)構(gòu)風險最小化原則，對噪聲數(shù)據(jù)的容忍度高，訓練集和預(yù)測集預(yù)測效果均較好。

從圖5可以看出，面對無規(guī)律的實際數(shù)據(jù)，單個網(wǎng)絡(luò)單元在小樣本訓練中易受方差和偏差的影響，各基礎(chǔ)專家網(wǎng)絡(luò)單元輸出誤差波動性大，穩(wěn)定性不足，預(yù)測結(jié)果與實際結(jié)果有差異，預(yù)測精度仍需提升。各基礎(chǔ)網(wǎng)絡(luò)單元之間的預(yù)測結(jié)果差異較大，因此需要通過專家評判層和大會評議層依據(jù)模型性能評價指標，從不同角度對各基礎(chǔ)專家網(wǎng)絡(luò)單元的性能進行綜合評判、打分，并根據(jù)打分結(jié)果確定每個基礎(chǔ)網(wǎng)絡(luò)單元的初始權(quán)重。

將各基礎(chǔ)專家網(wǎng)絡(luò)單元的預(yù)測結(jié)果當成門神經(jīng)網(wǎng)絡(luò)的自變量，利用SLP模型將各自變量輸入到ACE算法的變換空間，以回歸誤差方差最小為期望，通過反復(fù)交替條件期望，迭代更新各自變量的初始權(quán)重。最后將取得最優(yōu)變換后的自變量總和作為HECM的輸出，并將輸出的結(jié)果與傳統(tǒng)的CM和SVR回歸模型進行對比(圖6)。

從圖6可以看出，SVR回歸模型作為基礎(chǔ)網(wǎng)絡(luò)單元中綜合性能表現(xiàn)最好的學習模型，預(yù)測結(jié)果的箱線圖與實測結(jié)果差異明顯。SVR模型的上、下界限相對于中位數(shù)的跨度遠高于實測結(jié)果，上、下四分位數(shù)和中位數(shù)也都大于實測結(jié)果，導(dǎo)致箱體之內(nèi)的正常數(shù)據(jù)波動較大，對離群值的預(yù)測精度較低。CM模型雖然整體數(shù)據(jù)分布與實測結(jié)果類似，但箱體特征與實測結(jié)果差異較大，四分位間距遠大于實測結(jié)果，箱體之內(nèi)的正常數(shù)據(jù)分布不穩(wěn)定，上、下界限波動范圍較廣，對離群值的預(yù)測能力有限。HECM模型無論是整體數(shù)據(jù)分布，還是箱體特征，都與實測結(jié)果吻合程度較高，對離群值尤其是特殊極端值仍有穩(wěn)定的預(yù)測能力，具備較高的預(yù)測精度。

表2 各基礎(chǔ)網(wǎng)絡(luò)單元超參數(shù)設(shè)置及模型性能評估指標

圖5 基礎(chǔ)專家網(wǎng)絡(luò)單元KRR(a)、BPN(b)、SVR(c)的裂縫開度預(yù)測結(jié)果及性能得分雷達圖(d)

圖6 各模型的預(yù)測結(jié)果與實測結(jié)果的箱線圖

2.4 應(yīng)用效果

為了進一步驗證HECM在實際資料中的應(yīng)用效果，利用訓練好的模型對工區(qū)的高產(chǎn)S探井的裂縫開度進行預(yù)測，并與常用的裂縫開度計算經(jīng)驗公式進行預(yù)測效果對比(圖7)。

由圖可見，基于雙側(cè)向電阻率經(jīng)驗公式[35]計算

圖7 不同方法預(yù)測的裂縫開度結(jié)果對比(a)HECM； (b)經(jīng)驗公式

的裂縫開度與實測結(jié)果吻合較差，受限于公式形式和經(jīng)驗參數(shù)的選取，在某些非裂縫因素引起的電阻率降低的深度段，得到的裂縫開度誤差較大； 另外在裂縫非常發(fā)育的深度段，由于雙側(cè)向的深、淺電阻率的差異較小，導(dǎo)致計算的裂縫開度過于穩(wěn)定，從而無法準確表征實際地層裂縫張開程度的變化趨勢。從整體上看，HECM預(yù)測的裂縫開度與實測結(jié)果更加吻合，預(yù)測的裂縫開度曲線變化趨勢更符合地下的實際情況，可為后續(xù)利用地震數(shù)據(jù)進行三維裂縫開度反演提供可靠的井中裂縫開度信息。

3 結(jié)論

(1)致密油氣儲層巖性復(fù)雜、儲集空間類型多樣、縱向非均質(zhì)性極強，常規(guī)裂縫開度預(yù)測方法難以準確估算井中裂縫開度?；趯哟螌＜椅瘑T會機器模型有效地建立了常規(guī)測井數(shù)據(jù)、成像測井、巖心資料與巖石裂縫張開程度之間的非線性映射關(guān)系，可以很好地應(yīng)用于致密油氣儲層的裂縫開度預(yù)測。

(2)層次專家委員會機器模型在計算復(fù)雜度沒有明顯增加的情況下，能夠發(fā)揮各個機器學習模型的優(yōu)勢，充分挖掘測井數(shù)據(jù)中蘊含的地質(zhì)信息，克服了經(jīng)驗公式的巖性適用限制，為致密油氣儲層裂縫開度的定量預(yù)測提供了新的思路。

(3)致密油氣儲層裂縫開度預(yù)測本質(zhì)上屬于含噪聲的小樣本復(fù)雜、無規(guī)律回歸問題，數(shù)據(jù)質(zhì)量的好壞直接關(guān)系到模型的預(yù)測精度。如果能增加實測樣本的數(shù)量，豐富測井曲線的類型，選擇相關(guān)性更好的測井數(shù)據(jù)參與訓練，那么模型的預(yù)測精度能夠得到提升。另外，如何剔除性能較差的基礎(chǔ)網(wǎng)絡(luò)單元，挑選性能更強、差異更大的基礎(chǔ)網(wǎng)絡(luò)單元進行組合，進一步提高模型的泛化能力，仍需要進行更深層次的研究。