储层参数是描述储层特性和流体模式的关键参数。传统模型基于测井曲线建模,多采用线性回归和经验公式。然而,在实际测井过程中,储层复杂,非均质性强,测井数据可能受噪声和异常值影响。因此,精确预测储层参数是一个亟待解决的问题。为此,本文提出了基于集成学习与不确定性量化的储层参数预测模型,主要创新点如下: 第一,传统Stacking模型存在基学习器组合差异性不足、权重分配固化的问题。为解决以上问题,本章提出了优化基学习器选择和模型输出加权的协同融合方法,即利用NSGA-II自动选择出最优基学习器组合,并根据每个基学习器输出结果的预测误差进行权重分配。经实验验证,本文提出的改进Stacking模型在性能上显著优于传统Stacking模型。与目前主流的储层参数预测模型相比,改进Stacking模型在预测精度上展现出较高优势。 第二,由于现有模型的预测结果会受到测井数据噪声和模型结构的影响,因此预测结果不可避免的存在不确定性。若模型仅输出确定性的预测结果,将难以准确反映预测的可靠程度,甚至可能导致决策偏差。因此,本文提出了改进贝叶斯神经网络(Uncertainty Dynamic Gating Residual Bayesian Network,UDGRBN)模型,用于对预测过程中产生的不确定性进行量化。UDGRBN模型在贝叶斯神经网络的基础上,在前向传播过程中加入了残差连接和不确定性门控机制,从而缓解梯度消失和不确定性传播冗余问题。经实验验证,该模型不仅可以准确预测储层参数,同时可以有效量化不确定性。 本文针对储层参数预测中存在的模型精度不足与不确定性量化缺失问题,提出了集成学习与不确定性量化融合的储层参数预测模型。并通过改进Stacking集成框架与构建不确定性量化网络,开发了兼具高精度预测与可靠性评估能力的储层参数预测系统,为复杂非均质储层的精细化表征提供了新的解决方案。