皇家永利

我院工业大数据应用技术国家工程实验室油气工业大数据-人工智能技术研究中心罗仁泽教授团队近日在地球物理勘探领域权威期刊《GEOPHYSICS》上发表了题目为《Advanced machine learning for low-data porosity and permeability prediction in tight sandstones》的研究论文，提出了一种RTF-vEXR 新型机器学习模型，为致密砂岩储层孔隙度与渗透率预测提供了高效解决方案。第一作者为我院2022级博士研究生武娟，通讯作者为罗仁泽教授。

RTF-vEXR 模型以 “数据增强 + 集成回归” 为核心设计思路，构建双模块协同架构：

1. 引入 REaLTabFormer（RTF）数据生成模型，通过捕捉测井参数（如 GR、DEN、AC 等）与目标参数（孔隙度、渗透率）的内在关联，生成高质量合成数据，有效弥补原始岩心数据不足的短板，同时避免引入虚假相关性，确保数据真实性与多样性；

2. 创新设计 vEXR 集成回归模型，融合极端随机树（ET）、极端梯度提升（XGBoost）与随机森林（RF）三大算法优势，以投票机制整合多模型预测结果，显著提升模型鲁棒性与拟合能力，降低单一模型的过拟合风险。

3. 在苏里格气田的实际验证中，RTF-vEXR 模型展现出卓越性能。此外，研究团队通过相关性分析与 SHAP 值评估，精准筛选对预测结果贡献显著的测井参数（如孔隙度预测优选 GR、DEN、AC 等，渗透率预测优选 GR、SP、AC 等），剔除冗余信息，进一步优化模型输入，兼顾预测精度与计算效率。

RTF-vEXR 模型的提出，不仅突破了低数据场景下致密砂岩储层参数预测的技术瓶颈，为油气勘探工程降低经济成本、提升开发效率提供了有力支撑，更为机器学习在资源勘探领域的创新应用开辟了新路径，具有重要的理论与实践价值。

论文信息：Wu J, Luo R Z, Luo L, et al. Advanced Machine Learning for Low-Data Porosity and Permeability Prediction in Tight Sandstones[J]. Geophysics, 2025, 90(3): 1-74.

论文链接：https://doi.org/10.1190/geo2024-0340.1

图1   RTF-vEXR模型预测框架

图2   RTF-vEXR模型和其他模型的孔隙度交会图

图3   RTF-vEXR模型和其他模型的渗透率交会图