样本数量与孔隙结构对低渗透砂岩储层物性参数预测的影响

【作者】 孙玉玺； 季汉成； 陈亮； 齐媛； 贺燚平；

【机构】 中国石油大学(北京)地球科学学院； 中国石油长庆油田分公司第五采油厂；

【摘要】 近年来,基于数据驱动的机器学习(ML)方法在储层岩石物性预测领域展现出显著优势。然而,低渗透砂岩储层孔隙结构复杂、非均质性强,且岩心数据采集和处理成本高昂。当前对于训练样本规模及孔隙结构异质性对模型预测效果的影响尚缺乏系统深入的量化认识。本研究基于鄂尔多斯盆地中西部三叠系延长组64口井的约1万组岩心物性数据、高压压汞数据及常规测井数据,通过训练样本数量递增实验,量化分析样本数量对机器学习模型预测性能提升的边际效应,并揭示复杂孔隙结构导致模型性能提升受限的内在机制。研究表明:(1)具有非线性建模能力的机器学习模型显著优于传统的线性方法,有效提高了低渗透砂岩储层孔隙度和渗透率预测的准确性。此外,引入离散的地质变量(如沉积相、地质层位等)可进一步提升模型性能;(2)小样本条件下时,模型存在欠拟合现象,表现出较大的预测不确定性。随着样本量的增加,模型性能呈现出逐渐饱和趋势,且样本规模与模型性能提升速率间存在幂律衰减关系;(3)对于孔隙结构更为复杂的致密储层,常规测井数据仅能解释约18.17%的孔隙结构变化,模型边际收益最低,性能平台期出现更晚,需显著增加样本数量才能获得稳定可靠的预测结果。研究揭示了有效预测低渗透砂岩储层孔隙度和渗透率并不需要过于庞大的数据集,可通过动态的小规模采样确定合理的训练样本数量。而针对孔隙结构更复杂的致密砂岩储层,应特别关注训练数据的补充和多源数据融合,以充分揭示储层的内在特征。更多还原