基于随机森林的非不确定性驱动的碎屑储层微孔隙与渗透性建模

预测碎屑储层中的微孔隙和渗透性是储层质量评估中的一个挑战，尤其是在难以或昂贵进行直接测量的地层中。这些储层属性是确定储层容纳流体存储和传输能力的基本因素，但传统方法（如汞注入毛细压力（MICP）和扫描电子显微镜（SEM））都需要巨大的资源。本研究的目标是开发一种基于机器学习的成本效益高的模型，使用可轻易获得的现场数据和基础实验室分析预测复杂的储层属性。采用随机森林分类器，使用关键地质参数（如孔隙度、粒径分布和光谱伽马射线（SGR）测量值）作为特征。应用不确定性分析以消除自然变异性，扩大数据集，提高模型的鲁棒性。该模型在预测微孔隙（93%）和渗透性（88%）方面取得了高水平的准确率。通过使用易于获取的数据，该模型减少了对昂贵实验室方法的依赖，使其成为早期探索、尤其是偏远或海上环境中宝贵的工具。将机器学习与不确定性分析相结合，为评估硅质碎屑岩系的关键储层属性提供了可靠且成本效益高的解决方案。这一模型为改进储层质量评估、实现更明智的决策和优化探索工作提供了实用方案。