基于NOA 優(yōu)化隨機森林算法的砂巖孔隙度預測

中圖分類號：P631 文獻標識碼：A DOI：10. 13810/j. cnki. issn. 1000-7210. 20240333

Porosity prediction of sandstone based on NOA optimized random forest algorithm

LU Yangdi1，DENG Rui1，WANG Yi² ，ZHANG Cheng’en2，DUAN Hongzhen2 ollege of Geophysics and Petroleum Resources，Yangtze University，Wuhan，Hubei 430100，China； 2. China National Logging Corporation，Xi’an，Shaanxi 710077，China）

Abstract：In oil and gas exploration and development，porosity is an important parameter to evaluate reservoir physical properties，especially in flooded well evaluation. Accurate porosity prediction is the key significance to the evaluation of remaining oil and subsequent production and development. The conventional linear porosity model has limitations in prediction accuracy，and the random forest regression model often faces the problems of low optimization efficiency，complex parameter adjustment，and large consumption of computing resources when traditional parameter optimization methods are employed. To improve the accuracy and efficiency of po? rosity prediction，this paper proposes a new method to optimize the random forest regression model based on the nutcracker optimization algorithm（NOA）. This method is inspired by the foraging，storage，and food re? trieval behavior of the North American bird nutcracker. In this study，the random forest regression model is sub? jected to hyperparameter optimization through NOA with the acoustic time difference，compensated density， and compensated neutron curve as the input features of the model and the core porosity as the target value， which avoids locally optimal solutionand thus determines globally optimal parameter combination. Compared with the traditional grid search method，NOA shows higher efficiency in hyperparameter optimization. The re? sults of data analysis and model prediction show that this method not only speeds up the training speed of the ran? dom forest model but also effectively improves the fitting effect and prediction accuracy of the porosity model. Keywords：NOA，random forest，porosity，flooded wells

蘆楊笛，鄧瑞，汪益，等 . 基于 NOA 優(yōu)化隨機森林算法的砂巖孔隙度預測［J］. 石油地球物理勘探，2025，60（3）：576?586.

LU Yangdi，DENG Rui，WANG Yi，et al. Porosity prediction of sandstone based on NOA optimized random forest algorithm［J］. Oil Geophysical Prospecting，2025，60（3）：576?586.

0 引言

在原油開采過程中，隨著采出原油越多，油藏內(nèi)部的壓力會下降，導致原油的流動性逐漸降低，自然驅(qū)動力不足；或者當油藏地質(zhì)條件復雜時，單純依靠自然驅(qū)動無法有效開采油藏，注水開發(fā)成為了油田開發(fā)到一定階段后的必然手段。一方面，通過向油層注水，幫助維持油藏壓力，從而推動更多的原油流向生產(chǎn)井，增加采收率；同時通過注水補充油藏壓力，避免局部油藏壓力急劇下降導致油井生產(chǎn)能力下降，從而實現(xiàn)資源的高效利用，延長油田的生產(chǎn)周期。另一方面，注水開發(fā)能夠在油藏因地質(zhì)復雜構(gòu)造造成的自然驅(qū)動力不足時充當驅(qū)動力，提高采油效率[1]。

油田在注水開發(fā)生產(chǎn)過程中，由于外來水對地層的補充和沖刷，會導致原始儲層物性、潤濕性、微觀孔隙結(jié)構(gòu)等性質(zhì)發(fā)生變化[2]。孔隙度作為儲層評價的一個重要參數(shù)，更是測井評價中建立其他重要參數(shù)模型（例如滲透率模型、飽和度模型）的基礎(chǔ)；同時，在地質(zhì)儲量計算過程中，求取準確的孔隙度也至關(guān)重要。因此，水淹井的孔隙度計算影響著油田對區(qū)塊剩余油儲量的評估及后續(xù)一系列的生產(chǎn)投入，對油田生產(chǎn)開發(fā)有著重要的指導意義。

自 Breiman[3]于 2001 年 提 出 隨 機 森 林 算 法 以來，這一集成學習方法因其在分類和回歸任務(wù)中的卓越性能而受到廣泛關(guān)注。隨機森林通過構(gòu)建多個決策樹并采用投票機制或平均預測值提高預測的準確性和魯棒性。隨機森林在處理高維數(shù)據(jù)和缺失數(shù)據(jù)方面具有優(yōu)勢，但其性能在很大程度上依賴超參數(shù)的配置，如樹的數(shù)量、樹的最大深度以及最小葉子節(jié)點樣本數(shù)等。

傳統(tǒng)的超參數(shù)優(yōu)化方法，如網(wǎng)格搜索[4-5]和隨機搜索[6]，在面對大規(guī)模參數(shù)空間時計算成本高昂。網(wǎng)格搜索方法通過系統(tǒng)地遍歷給定的參數(shù)網(wǎng)格尋找最優(yōu)參數(shù)組合，在參數(shù)空間較大時會迅速變得計算密集。隨機搜索方法通過在參數(shù)空間中隨機選擇參數(shù)組合來減少搜索空間，這種方法在某些情況下可以降低計算成本，但仍然需要大量的迭代次數(shù)。

為了提高優(yōu)化效率，研究者們轉(zhuǎn)向了基于梯度的優(yōu)化[7]和貝葉斯優(yōu)化[8]等更高級的技術(shù)。貝葉斯優(yōu)化因其在處理高維參數(shù)空間時的高效性而受到青睞，它通過構(gòu)建目標函數(shù)的概率模型來指導搜索過程，從而在較少的迭代次數(shù)內(nèi)找到接近最優(yōu)的超參數(shù)組合。但是，貝葉斯優(yōu)化需要構(gòu)建和維護一個概率模型，在實現(xiàn)上比傳統(tǒng)方法復雜；而且，貝葉斯優(yōu)化雖然比網(wǎng)格搜索法高效，但在處理高維參數(shù)空間時，計算成本仍然較高?；谔荻鹊膬?yōu)化方法則利用目標函數(shù)相對于超參數(shù)的梯度信息，為超參數(shù)調(diào)整提供了直觀的方向；但是基于梯度的方法可能會陷入局部最優(yōu)解，而不是全局最優(yōu)解，尤其是在參數(shù)空間復雜或目標函數(shù)非凸的情況下；此外，基于梯度的優(yōu)化高度依賴梯度信息的準確性，但在隨機森林這類集成模型中，由于其結(jié)構(gòu)的非參數(shù)化特性，直接獲取超參數(shù)的梯度非常困難。

為了解決以上這些問題，本文提出將星鴉優(yōu)化（Nutcracker Optimization Algorithm， NOA）算 法 與隨機森林回歸模型相結(jié)合進行孔隙度預測。NOA算法由 Mohamed 等[9]于 2023 年提出，是一種基于星鴉的覓食、儲藏和糧食找回行為的仿生優(yōu)化算法，通過模擬星鴉的覓食行為，能夠有效地在整個參數(shù)空間內(nèi)全局搜索，有助于避免局部最優(yōu)解，提高找到全局最優(yōu)超參數(shù)組合的概率；而且 NOA 對超參數(shù)的設(shè)置不敏感，這使得算法在不同的隨機森林模型和數(shù)據(jù)集上都能保持較好的性能和魯棒性；同時相比于一些復雜的優(yōu)化算法，NOA 的實現(xiàn)相對簡單，易于集成到現(xiàn)有的隨機森林模型訓練流程中；另外NOA 具有記憶和經(jīng)驗利用機制，允許星鴉利用自身及同伴的經(jīng)驗（局部最優(yōu)與全局最優(yōu)）來更新位置，加速算法收斂。

本文以 LJM 油田 M 層油藏孔隙度預測為目標，通過 NOA 優(yōu)化隨機森林算法與常規(guī)的隨機森林算法和線性回歸的預測結(jié)果作對比，以求能夠提高油藏孔隙度的預測精度。

1 研究背景

LJM 油田位于中國酒泉盆地西部的 LJM 背斜帶。酒泉盆地呈帶狀，南高北低，東西展布于祁連山與黑山、寬灘山之間，海拔在 1670～2700m 之間，除祁連山北麓呈丘陵狀外，其余呈南北向坡形；南部的祁連山海拔最高為 4587m ，北部的黑山海拔最高為2720m ，寬灘山海拔最高為 2244m ；大部分地面被洪流堆積的第四系酒泉巧石層覆蓋，赤金、清泉、白楊河等地有農(nóng)田分布；油田在祁連山北麓的山前扇形坡帶上，坡度為 30%～50% 。LJM 油田僅發(fā)育白楊河組以上的地層，白堊系僅有數(shù)十米的中溝組；下白堊統(tǒng)的下溝組、赤金堡組是盆地的主要生油巖，巖性為湖相黑色泥巖、泥質(zhì)白云巖，最大的厚度達2000m 以上；古近系漸新統(tǒng)白楊河組的砂巖是 LJM油田的良好儲層，其中發(fā)育的泥巖是良好的區(qū)域蓋層；油層在白楊河組（ （E₃b） ，根據(jù)油藏的壓力系統(tǒng)、油水系統(tǒng)、地層狀況等因素，將其分為三個油藏，最上為 K 油藏，中間為 L 油藏，最下為 M 油藏[10]。

M 油藏儲層巖石的顏色以棕紅色為主，巖性以塊狀砂巖發(fā)育較多，由上到下細分 M1、M2、M3 三個小砂層組；但不同層段的砂巖粒度組分差別較大，中砂與細砂含量很高，而粗砂、極細砂、粗粉砂、細粉砂含量相對較少，且含有少量巨砂，并在 M3 儲層見到細礫及中礫，黏土含量很低?？傮w上，M1 儲層以細砂巖為主，M2 儲層以細、中砂巖為主，M3 儲層巖性最粗，為含極粗砂、礫石的細、中、粗砂巖組合體；通過砂巖薄片鑒定分析，巖石礦物成分較單一，成分成熟度低，砂巖成分主要是石英、長石和巖屑，含量分別占碎屑物的 65%～70%.10% 和 20% ；石英以單晶為主，具波狀消光和裂理，含包體；長石以微鉀長石、中酸性斜長石為主，蝕變強，絹云母和高嶺石化，巖屑成分與物源有關(guān)，主要有酸性噴出巖、花崗質(zhì)巖、石英巖、變質(zhì)巖、碳酸鹽巖等；通過 X 衍射全巖定量分析及黏土礦物分析，黏土礦物以蒙脫石為主，部分為伊蒙混層，高嶺石、伊利石相對較少，極少量綠泥石；填隙物主要為含鐵泥質(zhì)和碳酸鹽，泥質(zhì)含量為 10%～30% ，碳酸鹽含量為 5%～10%^[10] 。

2 星鴉優(yōu)化算法

NOA 算法中星鴉的行為主要分為兩部分：第一部分是收集食物并儲存，第二部分是尋找和取回儲存地點的食物，這兩種行為的特點是發(fā)生在兩個不同的時期。第一種行為發(fā)生在夏季和秋季，第二種行為發(fā)生在冬季和春季。NOA 算法基于上述兩個行為制定了兩個主要策略：覓食和儲藏策略、儲藏物搜索和尋回策略。與其他基于種群的優(yōu)化算法類似，NOA 的種群初始化為

式中： X_i，j^t 為迭代第 Ψ_t 次時第 i 個星鴉的第 j 個位置，其中 為當前迭代次數(shù)； U_j 為尋優(yōu)參數(shù)的上界限； L_j 為尋優(yōu)參數(shù)的下界限；RM 為區(qū)間[0，1]的隨機數(shù)，確保初始位置均勻分布在搜索空間內(nèi)。

覓食和儲藏策略包括探索和開發(fā)兩個階段，探索過程為

式中： X_i^（t+l） 為迭代第 Ψ_t 次時第 i 個星鴉的新位置；T_max 為最大迭代次數(shù)； γ 為根據(jù) levy flight 生成的隨機數(shù)； δ 為算法控制參數(shù)，用以避免陷入局部最小值； A，B，C 為從種群中隨機選擇的三個不同的索引，用于促進高質(zhì)量“食物”源的探索； 和 r₁ 為范圍在[0，1]內(nèi)的隨機實數(shù)； X_m，j^t 為迭代第 Ψ_t 代中第 j 維度當前種群所有解的均值； X_A，j^t 為迭代第 Ψ_t 次時索引為 A 的星鴉的第 j 個位置； X_b，j^t 為迭代第 t 次時索引為 B 的星鴉的第 j 個位置； 為迭代第 t 次時索引為 C 的星鴉的第 j 個位置； μ 為根據(jù)正態(tài)分布（τ₄） 、levy flight （τ₅） 和 （0，1） 之間的隨機數(shù) （τ₃） 生成的數(shù)值[11]，公式為

式中 r₂，r₃ 為 范圍內(nèi)的隨機實數(shù)。

開發(fā)過程為

式中： X_i^（t+1） 為迭代第 Ψ_t 次中第 i 個星鴉存儲區(qū)域的新位置； X_best^t 為目前為止獲得的最佳解； X_i^t 為當次迭代第 Ψ_t 次中第 i 個星鴉的儲藏物；l 為一個從 1 到 0線性減小的因子，用于在 NOA 的開發(fā)行為中引入多樣性，可以避免在某一個方向上搜索時可能出現(xiàn)的局部最小值，同時可以加快算法收斂速度。

此外，探索和開發(fā)兩個階段通過下式保持兩者之 間 的 平 衡[9，11-12]

式中： φ 為 （1，0） 之間的隨機數(shù)； P_a1 為用于確定在當前種群之外區(qū)域更新當前解百分比的算法控制參數(shù)。

式中： 均為迭代第 Ψ_t 次的第 i 個星鴉的儲藏物位置； 為[0，1]范圍內(nèi)隨機值的向量； θ 為 [0，π] 范圍內(nèi)的隨機數(shù)； P₀ 為概率，用于決定在搜索空間中全局探索的比例； α 按下式計算

探索和開發(fā)過程的區(qū)別在于儲藏策略的選擇不同，具體過程為

同第一個策略一樣，探索和開發(fā)兩個階段通過一個公式保持兩者之間的平衡[9，11-12]

式中： 為第 j 維目前為止獲得的最佳解； P_a2 為用于確定儲藏物搜索和尋回階段之間交換概率的算法控制參數(shù)。

由上可知，NOA 算法在覓食和儲藏策略中展現(xiàn)了全局探索和對搜索過程的動態(tài)調(diào)整能力。通過模擬星鴉在自然界中的覓食行為，利用 levy flight 和隨機數(shù)生成機制，在廣闊的搜索空間中進行有效地全局搜索，增加了發(fā)現(xiàn)全局最優(yōu)解的可能性；同時，通過動態(tài)平衡探索和開發(fā)兩個階段，使算法能夠在保持足夠多樣性的同時，對有前景的區(qū)域進行更細致地搜索。這種平衡策略不僅避免了算法過早收斂到局部最優(yōu)，還加快了算法的收斂速度，提高了搜索效率。

NOA 算法在儲藏物搜索和尋回策略中進一步體現(xiàn)了其基于記憶的搜索優(yōu)勢和靈活的搜索策略。通過記憶先前找到的優(yōu)質(zhì)解，并將其作為搜索過程中的參考點，有效利用歷史信息來指導當前的搜索方向；此外，算法中的概率控制機制使其能夠在全局范圍內(nèi)探索，增加了找到全局最優(yōu)解的機會。這種機制的靈活性，結(jié)合了隨機性和確定性的特點，使算法能夠適應(yīng)各種復雜的優(yōu)化問題，在解空間的廣度和深度上進行有效搜索。

3 數(shù)據(jù)處理

隨機森林算法[3，13]涉及到四個關(guān)鍵參數(shù)：森林中樹的數(shù)量（ntree），即算法中包含的決策樹的總數(shù)；決策數(shù)深度（mtry），即樹的最長路徑上節(jié)點的數(shù)量，也是從根節(jié)點開始到達最遠葉的節(jié)點路徑長度；用于訓練每棵樹的樣本數(shù)量（sampsize）；決策樹中每個葉子節(jié)點的最小樣本數(shù)量（nodesize）。將以上四個參數(shù)尋優(yōu)范圍的上下界限分別以數(shù)組的形式存儲在U、L 中，輸入到 NOA 尋找最優(yōu)值[14-20]。同時，用網(wǎng)格搜索法在同樣的范圍內(nèi)對四個參數(shù)尋優(yōu)，并對比最終結(jié)果。

數(shù)據(jù)集共有 585 個點的巖心孔隙度數(shù)據(jù)，選擇與孔隙度相關(guān)性較好的常規(guī)孔隙度測井曲線建模（表 1），模型特征值包括：聲波時差（AC）、補償中子（CNC）、補償密度（DEN）。為了確保構(gòu)建的孔隙度模型能夠在該區(qū)塊中有更好的適應(yīng)性和普及性，建模過程中將數(shù)據(jù)集隨機按 7∶3 組合， 70% 的數(shù)據(jù)作為訓練集， 30% 的數(shù)據(jù)作為測試集。

表1 孔隙度模型特征值

圖 1 為模型中三條特征曲線值分別與巖心分析孔隙度（POR）構(gòu)建的交會圖，AC、CNC、DEN 與POR 的 皮 爾 遜 相 關(guān) 系 數(shù) 分 別 為 0. 647、0. 638、-0.689 ，其中補償密度與孔隙度的相關(guān)性最強。

模型的最終評價效果通過決定系數(shù) R² 、平均絕對誤差 MAE、平均相對誤差百分比 MAPE、均方誤差 MSE 和均方根誤差 RMSE 共 5 項指標評價

式中： y_I 為實際值； 為預測值； Π_y^- 為實際值的平均值； n 為樣本總數(shù)。

圖1 三條特征曲線與巖心分析孔隙度交會

針對隨機森林算法的三個主要建模參數(shù)調(diào)參（表 2），NOA 算法和網(wǎng)格搜索法均用五折交叉驗證作為參考對模型參數(shù)尋優(yōu)[21]，將數(shù)據(jù)集隨機分成 5份數(shù)量相等的子樣本集，輪流取 1 個子樣本集作為測試數(shù)據(jù)集，其他子樣本集用作訓練數(shù)據(jù)集。將每次試驗得出的測試評分取平均值評估模型效果。

測試硬件為筆記本電腦，CPU 為 13th Gen Intel（R） Core（TM） i9-13900HX，GPU 為 NVIDIA Ge?Force RTX 4060 Laptop，RAM 為 DDR5-8GB（ 兩條）；運行環(huán)境為 MATLAB 軟件。

如圖 2 所示，NOA 優(yōu)化隨機森林的種群數(shù)量設(shè)為 30、迭代次數(shù)達到 110 左右已經(jīng)趨近平穩(wěn)，則迭代次數(shù)設(shè)為 150 次即可，計算時間為 12.24min 。由于網(wǎng)格搜索法是通過窮舉的方式進行參數(shù)調(diào)優(yōu)，如果根據(jù)表 1 的搜索范圍將步長均設(shè)為 1，則需要進行 10302500 次計算，導致計算量過大、計算時間過長；為了減少計算量、提高計算速度，同時盡可能地保證計算結(jié)果的準確性，將 ntree 的計算步長設(shè)為10，sampsize 的 計 算 步 長 設(shè) 為 5，nodesize 的 計 算 步長設(shè)為 1，最終的計算減少至 22550 次，相比之下計算量減少到原來的 11/5025，最終的計算時間為26.47min 。各模型的最優(yōu)參數(shù)如表 2。

表2 隨機森林算法的孔隙度預測模型參數(shù)

圖2 星鴉優(yōu)化算法收斂

預測結(jié)果與分析

模型參數(shù)調(diào)優(yōu)后，對三種方法及隨機森林算法基 礎(chǔ) 參 數(shù) （ntree 為 100、mtry 為 3、sampsize 為 50、nodesize 為 1）建立的模型效果進行評價，評價參數(shù)如表 3。多元回歸模型（后文以“模型 ① ”代替）相關(guān)性最差（相關(guān)評價參數(shù)及繪圖如圖 3），訓練集（圖 3a）和測試集（圖 3b）的 R² 分別為 0. 7693 和 0. 6966；以基礎(chǔ)參數(shù)建立的隨機森林模型相關(guān)性在訓練集上的表現(xiàn)不明顯，在測試集上有些許提高，訓練集和測試集的 R² 分別為 0. 7725 和 0. 7483；用網(wǎng)格搜索法對參數(shù)尋優(yōu)的隨機森林模型（后文以“模型 ② ”代替）相關(guān)性有些許提高（相關(guān)評價參數(shù)及繪圖如圖 4），訓練集（圖 4a）和測試集（圖 4b）的 R² 分 別 為 0. 8060和 0. 7424；NOA 對參數(shù)尋優(yōu)的隨機森林模型（后文以“模型 ③ ”代替）相關(guān)性最好（相關(guān)評價參數(shù)及繪圖如圖 5），訓練集（圖 5a）和測試集（圖 5b）的 R² 分別為 0. 8855 和 0. 7695。模型 ③ 相比其他兩個模型的平均相對誤差在訓練集上分別降低了 2% 和 1% ，在測試集上降低了約 0.7% 。

表3 三種建模方法評價參數(shù)

為了深入評估模型效果，下一步對模型進行多重比較分析，以探索不同模型間的性能差異。采用Tukey HSD 方法評估模型之間平均值差異的統(tǒng)計顯著性。從分析結(jié)果（表 4）來看：模型 ③ 與模型② 之間的平均值差異為 0. 3349，其置信區(qū)間為[0. 1086，0. 5612]，表征兩組模型之間差異的 P 值為

0. 0015，表明兩者之間的統(tǒng)計差異顯著；模型 ③ 與模型 ① 之 間 的 差 異 為 0. 4212，置 信 區(qū) 間 為 [0. 1949，0.6475]，P 值為 0，同樣顯示出顯著的差異；而對于模型 ② 與模型 ① ，差異為 0. 0863，置信區(qū)間為[?0. 1400，0. 3126]， P 值為 0. 6443，表明該差異并不顯著。由此可知，模型 ③ 與其他兩個模型在性能上存在顯著差異，而模型 ② 與模型 ① 之間的性能差異不大。

綜上所述，隨機森林算法在該地區(qū)的孔隙度預測中表現(xiàn)出較好的效果。通過 NOA 算法對隨機森林參數(shù)尋優(yōu)，不僅能在較短的時間內(nèi)尋找到最優(yōu)參數(shù)，而且在訓練集樣本的擬合能力有較大提高，也能在測試集上展現(xiàn)出較高的泛化能力。

多元回歸、隨機森林算法對于該區(qū)塊某口巖心

井 孔 隙 度 預 測 結(jié) 果 如 圖 6，深 度 段 為 539.70～ 644.20m 的三個模型預測結(jié)果均可以較好地反映出 M 層的孔隙度，但是隨機森林的預測結(jié)果誤差更?。ㄕ`差分析結(jié)果如表 5），且用優(yōu)化算法調(diào)參的模型計算誤差更小，預測能力更強。

表5 三個模型孔隙度預測的誤差分析

5 結(jié)論

本文以 LJM 油田 M 層油藏孔隙度預測為目標，通過 NOA 優(yōu)化隨機森林算法與常規(guī)的隨機森林算法和線性回歸的預測結(jié)果作對比，得出了如下結(jié)論。

（1）NOA 算法通過模擬星鴉覓食、儲藏和糧食找回行為的機制，搜索策略較為靈活且具備更好的全局優(yōu)化能力，能避免局部最優(yōu)解，從而更有可能找到全局最優(yōu)的參數(shù)組合。

（2）與網(wǎng)格搜索法的窮舉方法相比，NOA 算法采用啟發(fā)式搜索和自適應(yīng)調(diào)整策略，能夠在較少的計算時間內(nèi)獲得較優(yōu)的結(jié)果，特別是在參數(shù)空間較大時，能夠顯著減少需要評估的參數(shù)組合數(shù)量，提高搜索效率。

（3）NOA 算法有強大的自適應(yīng)性，能夠根據(jù)搜索過程中的反饋信息動態(tài)調(diào)整搜索策略，在處理復雜的參數(shù)調(diào)優(yōu)問題時更加靈活、高效，而網(wǎng)格搜索法的參數(shù)組合固定且無法調(diào)整，在面對復雜的優(yōu)化問題時會限制其效果。

NOA 算法能夠有效提高水淹井孔隙度預測的精度，對后續(xù)剩余油評價和生產(chǎn)開發(fā)有一定的指導意義。但需要指出的是，本文研究所用的數(shù)據(jù)集較小、維度低，且僅討論了與網(wǎng)格搜索法的對比。NOA 在數(shù)據(jù)量更大、維度更高的數(shù)據(jù)集上的優(yōu)化性能以及與其他類型優(yōu)化算法的性能對比，需要進行更有針對性的研究。

參 考 文 獻

［1］ 劉文濤，李曉良，王慶魁，等. 常規(guī)親水稠油油藏注水 吞吐開發(fā)的研究與實踐[J]. 石油地球物理勘探，2006， 41，（增刊 1）：115?118，142，149. LIU Wentao， LI Xiaoliang， WANG Qingkui， et al. Study of water flood huff and puff development in ordi? nary water ? wet heavy oil reservoir and practice[J]. Oil

Geophysical Prospecting， 2006， 41， （S1）： 115 ? 118， 142，149.

［2］ 王玉，馬華帥，郇金來，等. 潿洲A 油田水淹儲層參數(shù) 變化規(guī)律及機理研究[J]. 海洋地質(zhì)前沿，2019，35（2）： 43?49. WANG Yu， MA Huashuai， XUAN Jinlai， et al. Changes in reservoir parameters after water flooding in Weizhou A oilfield[J]. Marine Geology Frontiers， 2019， 35（2）： 43?49.

［3］ BREIMAN L. Random Forests[J]. Machine Lear ? ning，2001，45（1）：5?32.

［4］ 李文， 王興浩， 何云霄， 等. 基于支持向量機的水質(zhì) 濁 度 補 償 研 究 [J]. 計 算 機 測 量 與 控 制 ， 2020， 28（6）： 140?143. LI Wen， WANG Xinghao， HE Yunxiao， et al. Tur? bidity sensor compensation method based on SVM[J]. Computer Measurement amp; Control， 2020， 28（6）： 140?143.

［5］ 田仁飛，李山，劉濤，等 . 基于 XGBoost 算法的 v_P/v_S 預測及其在儲層檢測中的應(yīng)用[J]. 石油地球物理勘 探，2024，59（4）： 653?663. TIAN Renfei， LI Shan， LIU Tao， et al. v_P/v_S predic? tion based on XGBoost algorithm and its application in reservoir detection[J]. Oil Geophysical Prospecting， 2024， 59（4）： 653?663.

［6］ BERGSTRA J， YAMINS D， COX D D. Making a s ? cience of model search[J]. CoRR， 2012， abs/1209. 5111.

［7］ MACLAURIN D， DUVENAUD K D， ADAMS P R. Gradient ? based Hyperparameter Optimization through Reversible Learning[J]. CoRR， 2015， abs/ 1502. 03492.

［8］ SNOEK J，LAROCHELLE H，ADAMS P R . Practi? cal Bayesian Optimization of Machine Learning Algo? rithms[J]. CoRR， 2012， abs/1206. 2944.

［9］ MOHAMED A， REDA M， MOHAMMED J， et al. Nutcracker optimizer： A novel nature ? inspired meta? heuristic algorithm for global optimization and engi? neering design problems[J]. Knowledge ? Based Sys? tems， 2023， 262，110248.

［10］ 雷少佳. 老君廟水淹層解釋方法研究[D]. 武漢：長江 大學，2016.

［11］ WANG T ， NIE Y ， WANG S ， et al. Depth control of ROV using the improved LADRC based on nut? cracker optimization algorithm[J]. Ocean Engineering， 2024，309（P1）： 118370.

［12］ JAMEEL M， ABOUHAWWASH M. Revolutioniz? ing optimization： An innovative nutcracker optimizer for single and multi ? objective problems[J]. Applied Soft Computing， 2024，164：112019?112019.

［13］ ROKACH， LIOR. Ensemble ?based classifiers[J]. The Artificial Intelligence Review， 2010，33（1/2）：1?39.

［14］ 潘少偉，鄭澤晨，雷建永，等. 基于混合優(yōu)化XGBoost 算法的砂巖儲層孔隙度預測[J]. 計算機應(yīng)用與軟件， 2023，40（5）：103?109，206. PAN Shaowei， ZHENG Zechen， LEI Jianyong， et al. Porosity prediction of sandstone reservoirs based on hybrid optimization XGBoost algorithm[J]. Com ? puter Applications and Software， 2023， 40（5）： 103 ? 109，206. 劉磊，李偉， 基于 Stacking 集成學 習的分 頻地震屬性融合儲層預測方法[J]. 石油地球物理勘 探，2024，59（1）：12?22. LIU Lei， LI Wei， DU Yushan， et al. Reservoir pre? diction method of fusing frequency ? decomposed seis? mic attributes using Stacking ensemble learning[J]. Oil Geophysical Prospecting， 2024， 59（1）： 12?22.

［16］ 崔俊峰，楊金路，王民，等. 基于隨機森林算法的泥頁 巖 孔 隙 度 預 測 [J]. 油 氣 地 質(zhì) 與 采 收 率 ， 2023，30（6）： 13?21. CUI Junfeng， YANG Jinlu， WANG Min， et al. Shale porosity prediction based on random forest algo? rithm[J]. Petroleum Geology and Recovery Effi? ciency， 2023， 30（6）： 13?21.

［17］ 程希， 周軍， 傅海成， 等. 機器學習算法在地球物理 測 井 中 的 適 用 性 及 應(yīng) 用 [J]. 西 北 地 質(zhì) ，2023，56（4）： 336?348. CHENG Xi， ZHOU Jun， FU Haicheng， et al. Appli? cability and application of machine learning algorithm in logging interpretation[J]. Northwestern Geology， 2023， 56（4）： 336?348.

［18］ 路萍 . 基于機器學習的致密砂巖儲層孔滲模型研究 [D]. 西安：西北大學，2022. LU Ping. Research on porosity and permeability mo ? dels of tight sandstone reservoirs based on machine learning[D]. Xi′an： Northwest University， 2022.

［19］ 秦敏，胡向陽，梁玉楠，等. 利用Stacking 模型融合法 識別高溫、高壓儲層流體[J]. 石油地球物理勘探， 2021，56（2）： 364?371. QIN Min， HU Xiangyang， LIANG Yunan， et al. Using Stacking model fusion to identify fluid in high ? temperature and high ? pressure reservoir[J]. Oil Geo? physical Prospecting， 2021， 56（2）： 364?371.

［20］ 武庭潤，高建虎，常德寬，等 . 基于 Transformer 的地 震數(shù)據(jù)斷層識別[J]. 石油地球物理勘探，2024，59（6）： 1217?1224. WU Tingrun， GAO Jianhu， CHANG Dekuan， et al. Faults identification of seismic data based on Trans? former[J]. Oil Geophysical Prospecting， 2024， 59（6）： 1217?1224.

［21］ 王光宇， 宋建國， 徐飛，等 . 不平衡樣本集隨機森林 巖 性 預 測 方 法 [J]. 石 油 地 球 物 理 勘 探 ，2021，56（4）： 679?687. WANG Guangyu， SONG Jianguo， XU Fei， et al. Random Forests lithology prediction method for imbal? anced data sets[J]. Oil Geophysical Prospecting， 2021， 56（4）： 679?687.

（本文編輯：趙君）

作 者 簡 介

蘆楊笛 碩士研究生，2001 年生；2023 年獲長江大學勘查技術(shù)與工程專業(yè)學士學位；現(xiàn)在該校攻讀地球物理測井專業(yè)碩士學位，目前主要從事復雜儲層測井解釋方面的學習和研究。