中国陆相页岩油资源丰富，其勘探开发对保障国家能源安全具有重要意义。国内外页岩油成功开采的经验表明，砂岩或碳酸盐岩与泥岩薄互层结构是页岩油有利岩相的主控因素之一，薄互层的存在使得上、下源岩所产生的原油更易聚集，是油气产出的输导通道，在生产上有助于大型压裂改造。但常规测井曲线纵向分辨率较低，导致薄互层段的测井响应特征不明显，这给页岩油储层测井评价带来极大的挑战。中国石油大学（华东）邓少贵教授以济阳坳陷牛庄洼陷沙河街组三段下亚段和沙河街组四段上亚段陆相泥页岩段为例，对比分析了薄互层段和非互层段的“三品质”特征，选取反映储层“三品质”性质的8条常规测井曲线以及3条高分辨率测井曲线作为物理约束，使用粒子群算法优化的极限学习机模型进行泥页岩中的薄互层识别，取得了良好的效果。相关研究成果刊登在《石油学报》第44卷第7期。

邓少贵分析了济阳坳陷牛庄洼陷沙河街组三段下亚段和沙河街组四段上亚段重结晶灰岩、泥岩薄互层特征，发现其烃源岩品质、储层品质和工程品质均优于同层位的非互层段，有利于页岩油的富集与产出。

研究发现粒子群优化的极限学习机模型（PSO-ELM）有助于页岩油薄互层识别，采用ELM算法生成初始判别模型，使用粒子群优化算法对模型超参数进行搜索和优化。PSO-ELM模型的优势在于PSO算法可以帮助ELM自动搜索并找到输入权值及隐含层阈值，尽可能保证每次实验结果都最优，提升模型泛化能力；其不足之处在于确定隐藏神经元需要耗费大量时间的试错过程，当数据量较大时，训练时间相对于原始ELM算法耗时较多。

选取反映储层“三品质”性质的8条常规测井曲线以及3条高分辨率测井曲线作为物理约束，组成数据库对新提出的PSO-ELM进行训练和验证，并对比其他3种常见的机器学习模型进行10次重复试验。实验结果表明，所提出的PSO-ELM机器学习模型稳定性和准确率最高，且更能精准刻画厚度约为0.3m的薄互层。

论文链接：http://www.syxb-cps.com.cn/CN/10.7623/syxb202307006

全文见附件。

附件：邓少贵：基于混合机器学习算法的页岩薄互层识别方法.pdf