Petrel 2024.6 机器学习插件

做储层地质建模的同行都有体会，岩相空间展布是物性参数建模的基础，而传统基于变差函数的序贯指示模拟（SIS），在面对非均质性强、井网稀疏的复杂储层时，往往力不从心——变差函数拟合的主观性、对硬数据的过度依赖、以及无法有效融合多属性信息，常让最终模型在盲井验证时“差一口气”。

Petrel 2024.6 集成的机器学习辅助岩相预测插件，提供了一条不同的路径。它允许我们直接利用多口井的测井曲线（GR、SP、DT、电阻率等）作为特征输入，通过监督学习算法训练岩相分类器，然后将分类结果作为软概率约束，再结合地质统计方法进行空间展布模拟。这种“数据驱动+地质约束”的混合思路，在我最近的一个碎屑岩储层项目中，显著提高了薄砂层的预测精度。

以下实操流程和踩坑心得整理出来，供大家参考。

一、数据准备与特征工程

插件支持标准的 LAS 或 ASCII 格式测井数据。关键一步是岩相标签的标定——必须基于岩心描述或成像测井解释，建立准确的“岩相-测井响应”对应关系。我用的目标是三类：砂岩、泥岩、粉砂质泥岩。

特征选择上，除了常用的 GR、SP、RT 外，我还加入了计算属性：如中子-密度交会指示、自然伽马相对值、以及基于小波变换的曲线高频分量（用于识别薄互层）。插件允许自定义公式，这一点比很多独立 ML 工具更灵活。

数据清洗需特别注意：剔除井径扩径段、裂缝发育段等非代表性数据，防止异常

值干扰模型。

二、训练集构建与模型选择

插件内置了随机森林、梯度提升树、支持向量机（SVM）和浅层神经网络。经过多轮交叉验证，随机森林在我这个案例中表现最优（AUC 0.92），主要是因为它对异常值和缺失数据容忍度高，且能给出特征重要性排序。

训练集的划分遵循“同一油田、不同井”原则——用 70% 的井作为训练，30% 作为盲测，避免同一口井的数据同时进入训练和验证，防止过度乐观的精度评估。

关键参数调优：

决策树数量：从 100 开始，逐步增加，发现 300 棵后精度趋于稳定。
最大深度：设为 15，防止过拟合。
最小样本分裂数：根据单井岩相厚度设定为 5。

三、预测结果与地质统计方法的对比

将训练好的模型应用于所有井的未解释段，输出每条曲线对应深度的岩相概率（三分类概率之和为 1）。然后，将这些概率体作为“软数据”，导入到 Petrel 的序贯指示模拟模块中，替代传统的单一变差函数模型。

与纯 SIS 方法对比，混合模型的盲井验证吻合率从 78% 提升至 86%，尤其是厚度小于 2 米的薄砂层，识别率提高了近 20%。但我也注意到，在岩性过渡带（如砂泥互层），模型容易出现“锯齿状”预测，需要后续结合沉积模式进行平滑处理。

四、几点经验教训

地质约束不可少：纯数据驱动的 ML 模型可能在局部产生不符合沉积规律的异常点，我采用了“沉积相分区建模”策略，对不同相带分别训练子模型，效果更稳定。

不平衡样本的处理：泥岩样品远多于砂岩，导致模型偏向预测泥岩。我通过 SMOTE 过采样和代价敏感学习（调高砂岩类别的权重）予以缓解。

可解释性：随机森林的特征重要性排序显示，GR 和 DT 贡献最大，这与沉积学认识一致，增强了模型可信度。

计算资源：300 棵树、200 口井、每口井 1000 个深度点，训练时间约 3 分钟（Intel i7 笔记本），可以接受。