地学文摘｜PS2026：Hua-Yang Li 基于机器学习与钻井 - 岩石力学参数数据的新型异常地层压力预测体系

A novel abnormal pore pressure prediction framework based on machine learning and drilling–rock mechanics parameter data

基于机器学习与钻井 - 岩石力学参数数据的新型异常地层压力预测体系

摘要

东海陆架盆地西湖凹陷地质条件复杂，发育深大断裂、破碎压力系统，目的层还存在异常超压与压力倒转现象，传统孔隙压力预测方法在此应用面临极大挑战。本文提出一种融合九项钻井参数与三项岩石力学参数的孔隙压力综合预测框架，突破了以往研究仅依靠测井或地震等单一数据源的局限。

研究选取西湖凹陷三个区块的八口直井数据完成模型构建与验证。对反向传播、K 近邻、支持向量回归、CatBoost、LightGBM 共五种机器学习算法进行参数优化；同时对比直接划分、随机划分两种数据集分割方案，消除高压层段的预测偏差。

采用均方误差、平均绝对误差、平均绝对百分比误差等六项评价指标（含训练耗时）开展综合评估，结果表明LightGBM 模型综合性能最优：拟合度接近理想水平（决定系数R2=0.999），预测误差极低（均方误差MSE=0.001，平均绝对百分比误差 MAPE=0.239%），训练耗时仅 0.45 秒；常压带与超压带整体相对误差区间为−1.83%∼+1.61%。

利用邻近一口井及区域内另外四口井开展实际应用检验，模型泛化能力优异，平均预测精度超 97%，预测结果与目标区块 “常压 — 超压 — 压力倒转” 的压力分布规律高度吻合。该机器学习模型还成功应用于周边两个构造单元，且无需调整参数，预测精度仍保持在 92% 以上。

本研究形成一套精度高、实用性强的孔隙压力预测技术，可有效降低钻井风险，也为其他发育复杂超压盆地的孔隙压力预测提供了可复用的研究思路与技术参考。

(AI翻译）

获取更多内容，请点击文章底部阅读原文