多源数据与机器学习驱动的页岩天然裂缝含油率智能预测方法

天然裂缝含油率（HSFs）是页岩油气资源评价的关键参数, 然而传统基于实验测定的方法存在连续性差、成本高及效率低等局限. 本研究提出了一种融合多源地质地球物理数据与机器学习算法的页岩HSFs连续定量预测方法. 基于四川盆地侏罗系页岩含油率实验测试及多源响应地球物理数据, Pearson因子分析揭示了HSFs与孔隙度、TOC含量、声波时差及密度等参数之间存在显著相关性, 表明了并非所有裂缝发育段均有利于烃类富集, 显著高的HSFs值仅出现在同时具备高TOC含量及高孔隙度的页岩段. 鉴于此, 形成了一套融合多源数据与地质信息约束的人工智能预测模型. 采用优化的极端梯度提升监督学习模型, 模型预测HSFs性能优异：残差（RE）为0.221, 均方根误差（RMSE）为0.311, 平均绝对误差（MAE）为0.156, 决定系数（R²）达0.959. 该方法可在短时间内实现单井页岩HSFs的高效、高精度连续评价, 预测精度超过95%. 为页岩油气甜点预测与资源评价提供了新的手段, 并在全油气系统各关键地质要素的智能预测及数字孪生模型构建方面展现了广阔应用场景.