在页岩油气评价中，利用测井资料准确预测烃源岩总有机碳（TOC）含量，是识别和评价优质储层的重要基础。然而，现有基于物理模型的方法（如ΔlogR法和基于密度的计算方法）往往受限于参数难以准确确定、模型敏感性强及适用性有限等因素，在强非均质性页岩体系中难以保持稳定的预测精度。与此同时，随着测井数据规模的持续增长，数据驱动方法已成为TOC反演的重要补充；但传统机器学习模型普遍依赖人工经验调整超参数，其性能易受调参质量制约，往往难以获得最优的模型表达，导致预测准确性与泛化能力均遇到明显瓶颈。尤其在地质非均质性强、样本规模有限的条件下，传统方法更难充分刻画测井响应与有机质丰度之间复杂的非线性关系。因此，亟需构建一种能够自动优化模型超参数、提升预测精度与稳定性的智能化TOC反演框架，以突破物理模型精度不足与传统机器学习调参依赖性强这双重瓶颈，从而为非常规储层评价与开发提供更可靠的技术支撑。
为此，本研究提出一种基于群智能优化算法（SIOA）与高斯过程回归（GPR）的TOC含量预测框架（SIOA-GPR）。该框架利用SIOA自动搜索并优化GPR的关键超参数，避免人工设定带来的不确定性与性能局限，系统提升模型的预测能力。通过该优化过程，GPR能够更充分地捕捉测井响应的非线性特征，并获得更为稳健的参数配置，从而提高TOC反演的准确性与泛化性能。
为验证框架的有效性，本研究选取苏北盆地Y1井的岩心实测TOC数据及对应测井曲线作为样本，划分为训练集与独立验证集，在训练阶段同步进行模型拟合与超参数优化。与多种传统集成学习模型对比的结果表明，SIOA-GPR在相关系数、平均绝对误差等指标上均具有显著优势，且在不同页岩层段中均保持良好的泛化能力，充分体现了该方法在复杂强非均质储层条件下的适用性。本研究提出的SIOA-GPR框架不仅提高了TOC含量反演的精度与可靠性，也为非常规储层表征提供了一条高效、自动化、可扩展的技术途径，对油气勘探与工程开发具有重要的应用价值。
图1.集成框架预测结果
研究成果近期发表在能源地学领域国际重要期刊 Geoenergy Science and Engineering。论文第一作者为永利官网博士生乔露，通讯作者为永利官网杨升宇教授。
论文信息：Lu Qiao, Sheng-yu Yang*, Qin-hong Hu, Hui-jun Wang, and Tao-hua He, 2025, Integrated framework of Total Organic Carbon (TOC) content prediction and application in shale. Geoenergy Science and Engineering, https://doi.org/10.1016/j.geoen.2025.213811.
