一种受地质约束的混合堆叠集成方法：利用井筒测井预测陆相页岩储层的总有机碳（TOC）

这对未来油气勘探为何重要

在页岩层中发现新油越来越依赖于对数据的智能利用，而不是钻更多成本更高的井。一个关键指标称为总有机碳（TOC），它告诉地质学家哪些页岩富含足以生油的古代有机质。从岩心直接测量TOC既耗时又昂贵，因此大多数井的多数深度处并无样品。本研究展示了如何通过一个以地质知识为导向、精心设计的人工智能系统，将常规测井数据转化为在中国主要页岩油盆地内可靠的、连续的TOC估计。

用电子“眼睛”解读岩石

现代油井常规使用能够测量自然放射性、声波走时、电阻率、密度和中子响应等性质的测井工具。这些读数沿井筒形成连续曲线，远比采集和分析岩心便宜。然而，测井信号与有机质丰度之间的联系非常复杂，受岩性、颗粒度、孔隙流体以及沉积与成岩过程影响。早期的经验公式（例如经典的ΔlogR方法）在简单地质条件下表现尚可，但在地层更为复杂和层理化的情况下（如中国东北的松辽盆地的陆相湖盆）往往力不从心。

将地质洞见纳入机器学习

为了解决这一问题，作者构建了一种混合“堆叠”集成模型，结合了四种不同的预测引擎：梯度提升树、随机森林、支持向量回归和一种改进的循环神经网络。与其仅向这些模型输入原始的测井曲线，他们设计了一套丰富的输入特征来编码地质背景。岩性被转换为一种连续的数值尺度，能够在层界处平滑过渡，并反映TOC在油页岩、普通页岩、粉砂岩和碳酸盐岩之间的变化趋势。来自区域地层学已知的储层区间被作为类别指示加入，帮助系统学习测井–TOC关系随深度带的变化。

从复杂测井中提取微妙模式

团队还设计了新的特征以捕捉测井响应的微妙组合，这些组合可区分致密、有机质富集的页岩与更具渗透性、较干净的岩石。他们合并了多种电阻率测量来描述流体被困与混合的紧致程度，并将伽玛、中子与密度读数组合起来以区分富粘土的背景与真正的有机质富集。为处理岩心样本与测井记录之间的不规则间距，引入了专门的卷积模块：它将测井曲线视为复值信号，提取振幅与相位信息，同时考虑不均匀的深度步长。随后通过主成分分析将众多相关的测井特征浓缩为少数正交分量，概括关键岩性属性。

优化模型并填补数据缺口

由于基于岩心的TOC测量数量有限，研究者使用受白鲸行为启发的启发式优化方法来选择最具信息量的特征子集并以数据驱动方式调优大量模型参数。他们进一步应用了一种针对回归任务的数据增强方法，在未标注深度处生成可信的合成TOC值，同时约束其在同井和同岩性内的一致性。这些步骤产生了更平衡的训练集并降低了过拟合风险。最后，将四个优化后的基模型进行堆叠，由更高层的学习器组合其输出，使各自的优势能够互相弥补对方的不足。

在真实地下条件下效果如何？

该方法在松辽盆北部的青山口组七口井上进行了测试，使用2374个岩心样本作为地面真值。在一系列对照试验中，每一项关键组成部分——地质约束、设计的测井特征、先进卷积、优化算法、数据增强和模型堆叠——都带来了可量化的提升。最终集成模型在井内拟合度高，更重要的是，在未见过的井上比任何单一模型具有更好的泛化能力。与传统公式和更简单的机器学习配置相比，该方法在不同岩性区段和井间预测TOC时始终产生更低的误差并表现出更稳定的性能。

这对能源与地质学意味着什么

对非专业读者而言，核心信息是将领域知识与人工智能相结合，可以从现有数据中释放更多信息，而无需额外钻探或实验室工作。通过教会算法以“地质化”的方式思考哪些地层可能富含有机质页岩，并通过谨慎处理杂乱、不均的现场测量，本研究提供了一个用于绘制陆相页岩油储层“甜点”位置的实用工具。尽管该方法仍需在不同岩性和其他盆地中进一步验证，但它指向了一个未来：更智能的模型将有助于降低勘探风险、更好地利用现有钻井，并指导更有针对性和更高效的非常规油气开发。

引用: Lu, Y., Tian, F., Zhang, H. et al. A geology-constrained hybrid stacking ensemble method using well logs for TOC prediction in continental shale reservoirs. Sci Rep 16, 9059 (2026). https://doi.org/10.1038/s41598-026-39144-9

关键词: 页岩油, 总有机碳, 井筒测井, 机器学习, 储层表征