本技术公开了一种基于可解释机器学习的低渗油气藏储层分类方法,包括以下步骤:获取目标区块的岩心样本,并获取岩心参数;计算所有岩心参数之间的皮尔逊相关系数,若两个岩心参数之间的相关系数大于第一阈值,则随机剔除一个,以得到初始数据集;基于初始数据集,利用bootstrap技术生成多个重采样数据集;基于随机森林模型,对任一个重采样数据集均训练一棵决策树,利用网格搜索法为模型选择最佳超参数;基于沙普利相加解释和杂质平均减少量,筛选出多个重要特征,基于主成分分析法,对目标区块的不同岩心类别进行解释。本发明引入了一种可解释的机器学习方法,对低渗透储层中的不同沉积相进行了分类,能够为本区块后续的油气开发提供相应的数据支持。
背景技术
低渗透储层已成为湖沼盆地油气勘探的目标。然而,复杂的孔喉结构和成岩作用的影响可能会妨碍我们对储层质量的了解。此外,由于渗透率和孔隙度同样较低,识别不同类型的低渗透储层具有挑战性,比如湖相盆地中常见的滩坝岩和浊积岩沉积。传统的压汞孔隙模拟统计分析很难区分这些类型。
实现思路