孔隙度在表征页岩油储层和评估地质储量方面发挥着至关重要的作用。然而，由于实验室分析的核心数据有限且离散，在现场规模上获得连续和全面的孔隙度表征依然面临挑战。同时，常规井测数据解析及监督学习模型中标注数据的缺乏，导致模型泛化能力不足和预测准确性下降，从而限制了孔隙度精确评估的有效性。
本研究提出了一种对比学习-卷积神经网络（CL-CNN）框架，旨在提升页岩油储层孔隙度评估的精度。该框架分为预训练和微调两个阶段：
预训练阶段：首先，利用对比学习方法对大量未标注的测井数据进行学习，使模型在无须直接依赖标注数据的情况下，能够有效提取出有效的特征。在这一阶段，模型通过学习不同数据样本之间的相似性和差异性，从而获得数据的丰富特征表示，为后续的微调阶段打下坚实的基础。
微调阶段：在完成预训练后，框架利用之前收集到的标注数据对对比学习模型进行微调。微调的目的是进一步优化模型参数，以提升在具体任务上的预测性能。这一阶段通过监督学习的方法，利用已知的孔隙度值指导模型的学习，从而使模型能够更准确地进行孔隙度的估计。
图1.无监督对比学习-卷积神经网络（CL-CNN）集成框架
该框架在中国东部的苏北盆地进行了实际验证，使用了2576个未标注数据和130个标注数据，以增强模型的泛化能力。结果表明，CL-CNN框架在预测准确性上优于传统的基于卷积神经网络的监督学习及其他机器学习模型。此外，该框架显示了在不同井深进行广泛孔隙率评估的潜力。由于其高效性和易用性，所提出的框架在储层评估、工程开发等相关领域具有广泛的应用前景。本研究的创新之处在于其独特的方法论和程序步骤，为页岩储层孔隙率的准确预测做出了重要贡献，显著丰富了该领域的现有知识体系。
图2.不同机器学习模型预测精度对比
研究成果近期发表在流体物理领域国际重要期刊Physics of Fluids。论文第一作者为中国石油大学（华东）博士生乔露，共同通讯作者为中国石油大学（华东）杨升宇教授和长江大学资源与环境学院何涛华副教授。
论文信息：Lu Qiao, Sheng-yu Yang, Qin-hong Hu, Hui-jun Wang, and Tao-hua He, 2024, Unsupervised contrastive learning: Shale porosity prediction based on conventional well logging. Physics of Fluids, 2024. https://doi.org/10.1063/5.0206449.