（柳波 文）测井数据可以提供地层岩石物理信息，在储层评价、钻井工程和水力压裂建模等油气勘探开发过程中得到广泛应用。尤其是近年来发展的核磁共振（NMR）测井技术，通过机器学习算法建立的预测模型可以克服常规测井资料无法获得渗透率信息的不足。今年2月，《地质能源科学与工程》（Geoenergy Science and Engineering）在线发表了柳波团队与国际合作者题为“NMR log response prediction from conventional petrophysical logs with XGBoost-PSO framework”的论文（https://doi.org/10.1016/j.geoen.2023.211561）。
本次研究创建的一种利用PSO（粒子群优化算法）实现了基于XGBoost（极端梯度提升方法）的超参数最优组合，实现了常规测井资料（如中子、密度、声波时差、井径、伽马和电阻率等）预测地层NMR测井响应，从而得到自由流体孔隙度（CMFF）、束缚流体孔隙度（BFV）、总孔隙度（TCMR）和渗透率（KTIM）等参数（图1）。这种仿生优化算法具有更快的收敛速度和更高的预测精度（88.5%-91.4%），是适用于油气田勘探开发过程中降低成本的一种高效、经济的工具。柳波教授为论文第一作者，合作者包括德国基尔大学Mehdi Ostadhassan教授，北京大学能源研究院刘扣其助理教授等。该研究得到省自然科学基金研究团队项目支持。
图1 总孔隙度和渗透率预测值与实测值对比
论文信息与链接：Liu, B., Rostamian, A., Kheirollahi, M., Mirseyed, S.F., Mohammadian, E., Golsanami, N., Liu, K., Ostadhassan, M., 2023. NMR log response prediction from conventional petrophysical logs with XGBoost-PSO framework. Geoenergy Science and Engineering 224, 211561. （https://doi.org/10.1016/j.geoen.2023.211561）（孟强 审核）
Links