页岩油作为重要的非常规油气资源，在全球能源结构中占据重要地位，其高效勘探与开发对保障能源安全具有重要意义。准确识别岩相是页岩油储层表征和开发的核心环节，直接影响储层评价与三维建模的精度。然而，传统岩相识别方法存在显著局限性。基于岩心观察和薄片分析的方法受限于样本数量与成本，难以实现全井段或区域的连续评价。虽然测井数据蕴含丰富的岩相信息，但其与岩相间的复杂非线性关系、高维度特性以及噪声干扰，使得传统机器学习算法（如KNN、SVM、BP神经网络等）在参数调优、高维数据处理和模型泛化能力上面临挑战。

据此，我校能源学院硕士生赵梦圆在其导师李一凡副教授和工程技术学院徐绍涛老师的共同指导下，提出了一种基于粒子群优化随机森林（PSO-RF）的岩相智能识别方法。该研究以北部湾盆地涠西南凹陷页岩油储层为对象，通过岩心特征综合分析厘定出九类岩相，结合主成分分析（PCA）降维消减测井数据冗余，并利用粒子群算法（PSO）优化随机森林（RF）超参数，构建了PSO-RF模型。研究结果表明，该模型在取心井测试集上的整体准确率可达90%，且在非取心井中展现出优于传统机器学习算法的地质适配性，为复杂页岩油储层的岩相识别提供了高效解决方案。

主要研究亮点如下：

1. 采用PSO-RF融合算法，通过粒子群优化随机森林的超参数空间，显著提升了随机森林模型对高维测井数据的处理能力与预测精度。

2. 结合主成分分析（PCA）对测井数据进行降维，有效提取声波时差（DT）、补偿中子（CNL）和自然伽马（GR）等曲线的关键特征信息，降低了数据冗余度与计算复杂度。

3. 系统验证了模型在取心井与非取心井中的准确性与适用性，通过混淆矩阵与评价指标（精确度、召回率、F1分数）定量分析了不同岩相的识别效果，揭示了砂-泥岩过渡带的预测优势，为实际勘探提供了可靠依据。

图1 北部湾盆地涠西南凹陷地理位置与地层示意图

图2 北部湾盆地涠西南凹陷岩相类型及其特征

图3 PSO算法迭代过程示意图

图4 PSO-RF算法工作流程图

图5 PSO-RF与传统机器学习算法在非取心井B上的岩相识别结果

上述研究成果发表于国际石油工程领域著名期刊《SPE Journal》上：Mengyuan Zhao, Yifan Li*, Caiwei Fan, Han Wang, Xinbo Di, and Shaotao Xu*. Lithofacies Identification by a Particle Swarm–Optimized Random Forest Algorithm in a Shale Oil Reservoir. SPE Journal, 2025: 1-21.

全文链接：https://doi.org/10.2118/225429-PA