随机森林 html5,利用随机森林回归算法预测总有机碳含量

受美国“页岩气革命”的影响，页岩气勘探受到了大量的关注(

现有利用测井曲线预测TOC的方法有4类：①利用单曲线或多曲线建立回归关系的预测方法，如利用密度曲线(DEN)预测TOC、利用U含量曲线(U)预测TOC等(R法、CARBOLOG法等(

单元拟合方法优势是建模方法简单，但从信息论的角度来说，单元拟合所使用的地层信息过少(仅使用地层某一地层响应特征与TOC建关系)，在该曲线测量效果较差或者储集层TOC较低时，地层关于TOC的响应受到压制，预测精度会有所下降。多元拟合方法所建立的模型为非理论模型，仅能确定响应值与TOC的正负相关性，这种线性或非线性约束存在其不合理性，所建立的模型并不可靠。第2类方法从其理论来说，对储集层的成熟度有要求，对于过成熟页岩效果并不理想。而利用非常规测井预测TOC的方法确实能在一定程度上提高TOC的预测精度，但是测量价格较为昂贵，即使存在效果较好的模型也难以推广。

机器学习算法能通过对样本的学习，自动确定各测井响应值与TOC的综合关系。其最大的优势在于，可以较好的利用大量地层信息对TOC进行综合预测，使得模型较为稳定，不会因为某一曲线失真而使精度大大下降。不同算法由于机理不同效果不尽相同，而机器学习算法的表征函数能力是研究的关键，针对该思路，作者提出了一种基于随机森林回归算法预测TOC的模型，其较现有机器学习预测TOC算法来说具有更强的泛化能力与稳定性。通过对实际资料的处理，认为该模型预测TOC较其他算法精度更高，较为可靠。该模型可有效提高TOC预测的精度和可靠性，对页岩气的勘探开发帮助很大。

1 总有机碳含量与测井响应关系研究

机器学习方法的精度在很大程度上取决于模型的输入，这是因为不同的测井曲线与TOC的相关程度不同，若曲线与TOC的相关性弱或者关系过于复杂，在样本不足的情况下很容易使算法学到错误的函数关系，造成过拟合。利用焦石坝地区2口井(A、B)237块龙马溪组-五峰组页岩岩样资料研究TOC与测井响应值的关系。焦石坝地区为典型的海相页岩储集层，岩性以暗色页岩为主，岩石类型丰富，常见的有含放射虫碳质笔石页岩、碳质笔石页岩、含骨针放射虫笔石页岩、含碳含粉砂泥岩、含碳质笔石页岩以及含粉砂泥岩；主要沉积相是深水陆棚亚相和浅水陆棚亚相沉积的滨外陆棚相；页岩矿物成分主要包括石英、长石、方解石、白云石、黄铁矿和黏土等矿物；页岩有机碳含量总体较高，原始生烃潜力巨大，有机质类型主要为Ⅰ型，为过成熟演化阶段，以生成干气为主；页岩现场含气检测总含气量较高，吸附气量较大；页岩储集空间以孔隙为主，主要为低-中孔、特低渗-低渗储集层。对应的TOC与各测井曲线响应值相关关系表见

表 1