碳酸盐岩储层自适应模型常规测井渗透率预测

摘要

碳酸盐岩储层常规测井渗透率预测主要依靠物理模型和拟合模型,然而物理模型通常难以获取精准的物理参数,拟合模型难以直接预测非均质性较强的储层。为此,从优化物理模型、拟合模型参数出发,利用改进的粒子群优化算法(IPSO)同时优化物理模型参数及机器学习模型参数,进而提出渗透率预测的自适应模型。以川中北部高石梯—磨溪区块灯影组灯二段储层为研究对象,通过两个实验验证该自适应模型的渗透率预测能力。结果表明:(1)耦合物理模型和机器学习模型能提高模型的预测能力,有效地解决了应用过程中物理模型基础资料不足问题;(2)IPSO算法能更有效地优化物理模型参数和机器学习模型参数,IPSO-XGBoost预测性能更优,具有很强的推广性;(3)通过IPSO算法迭代确定离散岩石类型(DRT)聚类算法中的经验系数更具推广性。该自适应模型可为碳酸盐岩储层渗透率的准确预测提供新思路。