基于可解释神经网络的非常规储层参数建模范式

作者：张凤姣; 邓少贵^*; 陈琰; 高贝贝

来源：中国石油大学学报(自然科学版), 2023, 47(03): 62-69.

• 储层参数
• 神经网络
• 可解释性
• 预测

机器学习在非常规油气储层参数建模中起着越来越重要的作用，然而其特有的“黑盒”结构导致储层参数预测结果缺乏专业领域知识支撑。针对这一问题，提出一种基于可解释神经网络(INN)的储层参数建模范式。该模型以泛函网络结构为框架，通过可视化子网络基函数及其系数，一定程度上能展示模型的可解释性。最后，以松辽盆地青山口组青一段页岩油储层脆性指数建模为例进行模型验证。结果表明，与ELM、SVM、BP等传统的机器学习模型相比，所提出的INN储层参数模型不仅具有可解释性，且预测结果与实际值的均方根误差最小(5.2%～6.31%),相关系数最高(0.75～0.87)。