孔隙度是储层评价的重要参数。然而传统方法主要依赖物理实验测定、测井解释经验公式受限于非线性地质建模能力,导致预测精度有限。为提高储层参数预测精度,论文建立了一种基于时间卷积网络(TCN)与Transformer融合的储层参数预测模型,基于皮尔逊相关系数优选测井数据作为模型输入,同时采用遗传算法对模型进行超参数寻优,将该方法应用于鄂尔多斯盆地西南部长8油层组,并对比其与单一Transformer、CNN及TCN模型的预测效果。实验结果表明:相较于其他3种模型,TCN-Transformer模型的平均绝对误差(MAE)以及均方根误差(RMSE)更低,拟合优度(R²)更接近于1,表明其有更高的预测精度。此外,TCN-Transformer模型在未经训练和调参的独立测试集上的预测误差最低,展现出较强的泛化能力。该方法为孔隙度预测提供了高精度工具,对储层评价与开发方案有实际应用价值。