机器学习方法在浅层滩坝相薄储层孔隙度预测中的应用——以准噶尔盆地车排子地区白垩系为例

准噶尔盆地车排子地区白垩系储层以滩坝相沉积为主，储层砂体薄，纵向变化快，孔隙度估算难度较大。基于Xgboost机器学习算法，根据取心井的岩心实测数据，结合其对应的测井数据，建立了测井孔隙度模型。结果表明，研究区对储层孔隙度影响较大的测井变量为自然伽马测井、声波测井、密度测井和冲洗带电阻率测井，其相关系数分别为0.38、0.42、0.28和0.32。基于特征测井数据，利用Xgboost算法预测的孔隙度与实测孔隙度吻合度较高，相关系数为0.92，均方差为0.20。此外，对近期钻探的新井储层孔隙度进行预测，结果表明孔隙度较高的井段与试油数据相吻合，从侧面反映了模型的可靠性。这一结果为研究区油气藏评价和后期油藏模型的建立提供基础数据，有利于提高研究区勘探的精度。同时，该模型也可用于类似滩坝相、砂体薄的沉积背景下储层孔隙度估算研究。