基于随机森林算法的油气层敏感性损害预测.pdf

DOI:10.12358/j.issn.1001-5620.2023.04.002基于随机森林算法的油气层敏感性损害预测盛科鸣1，蒋官澄2（1.中国石油大学(北京)人工智能学院,北京102249；2.中国石油大学(北京)油气资源与探测国家重点实验室中国石油大学(北京)石油工程教育部重点实验室中国石油大学(北京),北京102249）盛科鸣，蒋官澄.基于随机森林算法的油气层敏感性损害预测 J.钻井液与完井液，2023，40（4）：423-430.SHENGKeming,JIANGGuancheng.PredictionoffourkindsofsensibilitydamagestohydrocarbonreservoirsbasedonrandomforestalgorithmJ.Drilling Fluid&Completion Fluid，2023,40（4）：423-430.摘要储层损害贯穿在油气田勘探开发的各个时期，其种类繁多、损害机理十分复杂。传统岩心流动实验评价储层敏感性的结果可靠，但岩心获取成本高、投入时间和成本大。调研和实践表明，利用神经网络、随机森林等算法基于小规模样本建立的模型可以实现对样本的预测，节约时间和经济成本。基于 X 区块敏感性室内评价小规模样本资料，选择训练集及测试集，深入对比了 BP 神经网络算法、径向基函数神经网络算法、随机森林算法，优选出随机森林算法作为储层敏感性损害定量诊断的主要方法，采用网格搜索等算法进行了超参数优化、根据因素权重对数据进行降维，以此提高预测精度，搭建了完整的模型。4 种损害模型的 R2平均值为 0.852，预测精度在 90.00%95.68%。关键词储层敏感性预测；油气人工智能；随机森林；神经网络；相关性分析中图分类号：TE258文献标识码：A文章编号：1001-5620（2023）04-0423-08PredictionofFourKindsofSensibilityDamagestoHydrocarbonReservoirsBasedonRandomForestAlgorithmSHENGKeming1,JIANGGuancheng2(1.College of Artificial Intelligence,China University of Petroleum(Beijing),Beijing 102249;2.State Key Laboratory of Petroleum Resources and ProspectingMOE Key Laboratory of Petroleum EngineeringChina University of Petroleum(Beijing),Beijing 102249)AbstractManykindsofhydrocarbonreservoirdamageswithcomplexmechanismshavebeenencounteredineveryphaseofoilandgasfieldexplorationanddevelopment.Conventionalcoreflowtestusedinevaluatingthesensibilitydamageofareservoircangivereliabletestresults,however,thistestisbothexpensive(coring,forinstance)andtimeconsuming.Researcheshaveshownthatamodelestablishedwithneuralnetworkandrandomforestalgorithmonsmall-scalesamplescanbeusedtosavetimeandmoneyinpredictingthepropertiesofsamples.Inthisstudy,thedataofasetofsmall-scalesamplestestedinlaboratoryisobtainedfromtheblockX.Thetraining-setsandtesting-setsarethenselectedonthesamples.Byextensivelycomparingtheresultsofthreealgorithms,whicharetheBPneuralnetworkalgorithm,theradialbasisfunctionneuralnetworkalgorithmandtherandomforestalgorithm,therandomforestalgorithmisfinallyselectedasthemainmethodofquantitativelydiagnosingthesensitivitydamageofhydrocarbonreservoirs.Toimprovethepredictionaccuracy,algorithmssuchasgridsearchareusedinhyperparameteroptimization,anddatadimensionality reduction is performed based on factor weight.A complete model is finally established based on the studiesconducted.TheaverageR2valueofthefourkindsofreservoirdamagemodelis0.852,withapredictionaccuracybetween90.00%基金项目：国家自然科学基金青年科学基金项目“智能钻井液聚合物处理剂刺激响应机理与分子结构设计方法研究”（52004297）；中国博士后创新人才支持计划“大温差智能响应机理及智能恒流变无土相生物油基钻井液研究”（BX20200384）。第一作者简介：盛科鸣，在读博士研究生，1997 年生，研究方向为油气工程信息化与智能化技术。E-mail:。通讯作者：蒋官澄，博士，二级教授，1966 年生，研究领域为油田化学、储层保护等。E-mail:。第40卷第4期钻井液与完井液Vol.40No.42023年7月DRILLINGFLUID&COMPLETIONFLUIDJuly2023and95.68%.KeywordsReservoirsensibilityprediction;OilandgasAI;Radomforest;Neuralnetwork;Correlationanalysis0引言在油气层开发的注水过程中，地层流体和外来工作液（外来入井流体）接触之后，原本的地层稳定环境被改变，地层矿物会发生物理性质和化学性质的改变，影响油气层孔隙度和渗透率，这样的一种现象被称作油气层敏感性损害1。目前研究储层敏感性损害的方式一共有 3 种，一是通过室内实验测定进行统计分析25，二是对储层敏感性损害及其影响因素的关系建立数学模型610，三是利用人工智能方法进行预测8,1120。传统的油气层敏感性评价常参考行业标准通过岩心流动实验来进行，基于岩心分析资料并在大量实验结果的基础上得出结论，评价结果可靠，但是实验周期长、需消耗大量人力物力，不适应油田快速发展的需要。常用的预测方式有数学模型预测和人工智能方法预测。数学模型预测是对储层敏感性损害及其影响因素的关系进行数学推导，从而建立模型有其局限性，且预测模型的精度不能保证，而人工智能方法基于以往的历史数据，属于“黑盒”模型，相比于数学模型可解释性差，但更容易建立出更加精确的模型预测储层敏感性损害，即可以克服数学模型复杂的推导和简化参数带来的误差。随机森林算法作为分类决策树算法衍生出的一种，相比于 BP 神经网络和 RBF 神经网络而言，具有良好的抗噪性，对异常值有一定的容忍度。因此将这 3 种算法分别对储层速敏、水敏、酸敏和碱敏 4 种损害分别建模。1油气层敏感性损害机理1.1速敏性损害速敏性损害是当地下流体流动速度发生变化时，引起油气层中的各种微粒发生运移，使得油气层孔隙被这些微粒堵塞，造成油气层渗透率下降的现象。速敏性损害往往以 3 种形式存在：微粒于孔隙中缓慢堆积；体积较大的微粒嵌入或卡入孔隙中；微粒达到一定的数量级后在孔隙中形成“桥塞”。DKDK速敏性强弱由产生的损害率()来衡量。的定义式如下。DK=KiKminKi（1）KiKmin式中，为临界流速之前岩石样本渗透率的均值，是临界流速后岩石样本渗透率的最小值，mD。1.2水敏性损害水敏性损害是当与油气层不配伍的外来入井流体进入到油气层以后，导致黏土物质膨胀、运移，从而使得油气层渗透率下降的一种现象，水敏性损害常见于碎屑岩油气储集层。Iw水敏性的评价指标为水敏指数（），水敏指数的定义如下。Iw=KfKwKf（2）KfKw式中，是标准盐水测出的岩石样本渗透率，是用蒸馏水测出的岩石样本渗透率，mD。1.3酸敏性和碱敏性损害酸敏和碱敏损害是酸液或碱液注入油气层以后，酸液或者碱液与油气层矿物之间发生的不良物理和化学反应产生胶状物、沉淀等，使得油气层渗透率下降的一种现象。2随机森林算法原理随机森林（RandomForest）是一种统计学理论，最早由 Breiman21提出，是由 bagging 算法结合决策树算法为框架的集成算法，类似的还有XGBoost 等算法。如图 1 所示，随机森林算法利用 bootstrap 重抽样的方法，将具有 M 个特征的N 个样本的数据进行随机有放回的抽样，即从所有的特征中随机选择一个包含 k（kn）个特征的子集。未被抽取的数据可以评估随机森林模型的好坏，防止过拟合问题的产生。将这 M 个特征向量不进行剪枝任其生长，分裂结点依据不纯度作为最佳分割标准，在回归树中以方差表示：err=1NNi=1(xi x)2（3）424钻井液与完井液2023年7月重复 k 次上述过程生成 k 棵决策树，k 棵决策树构成随机森林。最终预测结果为所有决策树预测结果的均值。当 k 趋近于无穷时满足：P(X,Y)Ph(X,)=Ymaxj,YPh(X,)=j 0（4）E(X,Y)(Y avkh(X,k)2 E(X,Y)(Y Eh(X,k)2（5）k式中，为与第 k 个决策树相对应的随机变量，当各决策树的相关性越低，整个随机森林的泛化误差越小；当 k 趋于无穷时，整个随机森林算法的泛化误差趋于稳定。使用随机森林预测出的结果，为所有决策树预测结果的均值。X=1kki=1Xi（6）大量研究证明，随机森立算法具有极高的准确率，并且不容易出现过拟合的问题。数据集随机森林-1结果-1随机森林-2结果-2多数结果/平均结果最终结果随机森林-N结果-N图1随机森林网络结构3数据处理1)对胶结类型的处理。按岩矿鉴定标准，通过采用非等差式赋值方法并进行归一化变换。2)对岩石颗粒分选的处理。表示岩石颗粒分选程度时，最常采用的是福克-沃德(FolkandWard)分选标准差，其归一化方程见式（7）。Xi=0.0690，i 4.0（7）Xii式中，是相对应的归一化值，是福克-沃德分选标准差。3)泥质、石英、胶结物、黏土矿物含量、孔隙度等取实际值，以小数表示。4)渗透率、地层水矿化度等指标按照最大最小值归一化方法进行处理，其公式见式（8）。Xij=xijxjminxjmaxxjmini=1，2，.，m；j=1，2，n（8）4Pearson 相关系数Pearson 相关系数(PearsonCorrelationCoeffi-cient)是一种线性相关系数。进行 Pearson 相关系数分析法是衡量变量相似度的有效方法22。Pearson相关系数是最常用的相关系数，它常用来表示二元正太分布和线性回归的相关性2324。其表达式见公式（9）。r=Ni=1(xi x)(yi y)vtNi=1(xi x)2Ni=1(yi y)2（9）rxixyiy xx yyN式中，为 Pearson 相关系数；为变量 对应的不同样本的值；为变量 对应的不同样本的值；为变量 的平均数；为变量 的平均数；为变量的个数。根据 Pearson 相关系数理论分别对速敏、水敏、酸敏和碱敏 4 组数据进行 Pearson 相关系数分析，以速敏损害为例，其结果如图 2 所示。Kruskal23曾经给出 Spearman 相关系数的直观定义：在 3 个二元分布的随机向量之中，其中至少有 1 个二元分布与其他二元分布协同出现的概率减去其中至少有一个分布与其他分布不协同出现的概率，即为 Spearman 相关系数。Spearman 相关系数是一种秩相关系数，也是一种非参数相关的系数。Spearman 相关系数不要求严格的参数假设，因此它具有更广泛的适用环境；它使用各个变量的秩来计算各个变量之间的相关性，因此对变量进行单调变换不会影响 Spearman 相关系数的值。此外，Spearman 相关系数不受量纲的影响，它也可以较好地刻画变量之间的非线性关系。在我们实际应用中时，变量间的连结无关紧第40卷第4期盛科鸣等：基于随机森林算法的油气层敏感性损害预测425要，因此可以以一种简化的方式去计算 Spearman相关系数。rs=16N(N21)Ni=1(xiyi)2（10）rsxixyiyN式中，为 Spearman 相关系数；为变量 对应的不同样本的值；为变量 对应的不同样本的值；为变量的个数。根据 Spearman 相关系数理论分别对速敏、水敏、酸敏和碱敏 4 组数据进行 Spearman 相关系数分析，以速敏损害为例，其结果如图 3 所示。由上述图表可见，速敏、酸敏、水敏和碱敏损害因素之间的 Pearson 相关系数和 Spearman 相关系数均在 0.85，0.85 的范围以内，没有 2 个或多个因素相关系数同时大于 0.85 或小于0.85 的情况，因此可以认为参与相关性分析的因素之间相对独立，不包括重复信息。5模型建立5.1BP 神经网络将学习率设置为 0.001，学习率更新策略为Adam，训练集测试集划分比为 91，其他条件均相同的情况下，以到达指定误差 0.01 的迭代次数最少作为选优依据，对这 4 种方法进行对比，结果如图 4 所示。根据张立明法和高大启法选取神经元数目建立的 4 种敏感性模型的迭代次数是最少的。对比了上述方法以后，在各类敏感性损害预测采用的 BP 神经网络中，输入层、隐藏层及输出层的神经元个数如表 1 所示。表14 类 BP 神经网络的神经元个数神经网络层速敏水敏酸敏碱敏输入层14141412隐藏层24242323输出层22125.2RBF 神经网络采用梯度下降法去训练径向基函数神经网络，先随机初始化每个隐藏层神经元的权值矩阵和偏置矩阵，之后通过模型对样本的误差通过梯度下降的办法来指导权值的更新。根据图 5 结果显示，RBF 神经网络的收敛速度是 BP 神经网络的 100010000 倍。5.3随机森林网络随机森林算法需要确定的超参数有：要生成的决策树个数、决策树的深度、内部节点再划分所需最小样本数、叶子的最小拆分样本量等。对于这些超参数的确定，使用网格搜索的办法去进行超参数的寻优。使用决策树个数和分裂特征数进行网格搜索寻优结果如图 6 所示，当分裂特征数为 1，决策树个数为 342 时，得到最优解。速敏指数埋藏深度孔隙度渗透率胶结类型蒙脱石含量伊利石含量绿泥石含量高岭石含量伊蒙混层含量绿蒙混层含量黏土矿物含量石英含量长石含量地层水矿化度临界流速1.0000.1820.1240.2040.3460.3490.0180.0370.1880.3370.0940.2750.2990.2560.2840.3630.1821.0000.3820.0470.1820.3910.4360.3870.2820.6380.2460.0090.4420.4190.0300.5030.1240.3821.0000.5890.0700.2320.4130.4560.4020.1950.4310.3750.0090.1070.3590.0830.2040.0470.5891.0000.0300.3400.2680.2990.1500.1650.0860.2430.3840.4430.2380.1510.3460.1820.0700.0301.0000.3570.0030.0200.0520.3020.2460.1150.2210.2230.3330.3330.3490.3910.2320.3400.35710000.0930.3750.2100.7210.2610.2910.6350.7020.5370.5820.0180.4360.4130.2680.0030.0831.0000.6630.5250.3390.3780.1950.2010.1110.2970.1710.0370.3870.4560.2990.0200.3750.6631.0000.3670.2000.5570.3660.0740.1790.5570.1680.1880.2820.4020.1500.0520.2100.5250.3671.0000.2810.2620.0760.3570.2190.2250.0500.3370.6380.1950.1650.3020.7210.3390.2000.2811.0000.1970.0710.6860.6350.1200.7230.0940.2460.4310.0960.2460.2610.3780.5570.2620.1971.0000.1600.0450.0300.5310.1620.2750.0090.3750.2430.1150.2910.1950.3660.0760.0710.1601.0000.1370.3170.4330.1430.2990.4420.0080.3840.2210.6350.2010.0740.3570.6860.0450.1371.0000.9540.2760.5240.2560.4190.1070.4430.2230.7020.1110.1790.2190.6350.0300.3170.9541.0000.3990.5090.2840.0300.3590.2380.3330.5370.2970.5570.2250.1200.5310.4330.2760.3991.0000.0270.3630.5030.0830.1510.3330.582+00.1710.1680.0500.7230.1620.1430.5240.5090.0271000图2速敏 Pearson 相关矩阵426钻井液与完井液2023年7月当搜寻出一组较好的超参数以后，可以先建立一个随机森林模型。随机森林算法非常方便的一点是可以轻易地计算出各因素权重，可以根据这个随机森林模型计算出的因素权重去优化最终的随机森林模型，即删去因素权重占比较小的因素，这样可以提高模型的预测精度。4 个敏感性损害随机森林预测模型的因素权重如图 7（以速敏模型为例），黏土矿物、孔隙度等对预测结果的影响较大，而地层水矿化度、蒙脱石含量等因素对预测结果影响较小，因此后续的建模过程中，可以将地层水矿化度、蒙脱石含量等因素删去，以提升预测结构的精确度。6模型对比优选及实验验证6.1训练集与测试集的划分在模型对比优选的过程中，学习率设置为0.001，学习率更新策略为 Adam 法，此处采用X 区块油田敏感性室内评价数据作为训练集。训练集与测试集的划分比例为 91。BP 神经网络、速敏指数埋藏深度孔隙度渗透率胶结类型蒙脱石含量伊利石含量绿泥石含量高岭石含量伊蒙混层含量绿蒙混层含量黏土矿物含量石英含量长石含量地层水矿化度临界流速1.0000.1710.1550.2500.4920.6530.1530.2330.3260.3420.2010.0360.3770.4950.8340.2990.1711.0000.3410.0660.0740.3030.3400.2780.1090.5160.1810.0150.3270.3070.2200.2100.1550.3411.0000.5220.0710.1590.2590.4300.3620.3190.3890.2380.0420.0870.0960.0340.2500.0660.5221.0000.0110.2510.2550.2310.0970.0780.0130.1930.3060.3510.2150.0650.4920.0740.0710.0111.0000.3730.0260.0460.1310.2690.2350.1150.1780.2490.5010.2320.6530.3030.1590.2510.37310000.00904260.2400.5630.2740.2520.6030.7470.7960.2230.1530.3400.2590.2550.0260.0091.0000.5030.4030.3900.2770.0770.3780.3070.1570.2360.2330.2780.4300.2310.0460.4260.5031.0000.2270.3630.6380.5320.0150.2040.3840.2840.3260.1090.3620.0970.1310.2400.4030.2271.0000.3980.2170.0620.3730.2280.3350.0060.3420.5160.3190.0780.2690.5630.3900.3630.3981.0000.2790.1410.7560.6670.3660.4040.2010.1810.3890.0130.2350.2740.2770.6380.2170.2791.0000.2170.1190.0760.3030.1630.0360.0150.2380.1930.1150.2520.0770.5320.0620.1410.2171.0000.0740.2830.1290.2550.3770.3270.0420.3060.1780.6030.3780.0150.3730.7560.1190.0741.0000.9400.3960.3450.4950.3070.0870.3510.2490.7470.3070.2040.2280.6670.0760.2830.9401.0000.5820.2940.8340.2200.0960.2150.5010.7960.1570.3840.3350.3660.3030.1290.3960.5821.0000.2470.2990.2100.0340.0650.2320.223+00.2360.2840.0060.4040.1630.2550.3450.2940.2471000图3速敏 Spearman 相关矩阵速敏0水敏酸敏碱敏张立明法柯尔莫哥洛夫法高大启法0.618 法100002000030000400005000060000图44 种方法下 BP 神经网络迭代次数迭代次数损失函数00246810120.250.500.751.001.251.501.752.00速敏模型水敏模型酸敏模型碱敏模型图54 种模型的 RBF 神经网络迭代次数决策树个数误差函数00.050.100.150.200.250.300.3550100150200250300350400分裂特征数为 1分裂特征数为 2分裂特征数为 3分裂特征数为 4分裂特征数为 5图6网格搜索结果第40卷第4期盛科鸣等：基于随机森林算法的油气层敏感性损害预测427RBF 神经网络、随机森林网络模型的训练集与测试集的划分如表 2 所示。表2训练集与测试集的划分敏感性类型速敏水敏酸敏碱敏训练集111156163148测试集111516146.24 种敏感性损害预测结果在模型寻优过程中，采用的评价函数为均方根误差（RMSE）。对速敏性损害、水敏性损害、酸敏性损害和碱敏性损害这 4 种损害每种都以第三章中的方法建立了 3 种模型，并将在测试集上的测试三种算法模型的得到评价参数 RMSE（均方误差）和 R2大小平均值进行了可视化处理，其结果如图 8 和图 9 所示。用来评价模型的 RMSE 越小，R2越大，该模型的准确度越高。BP 神经网络RBF 神经网络随机森林网络RMSE/%速敏模型水敏模型酸敏模型碱敏模型1020030405060图83 种算法的 RMSE由上述结果可以看出，随机森林模型在 4 种敏感性预测中的误差是最小的，它对 4 种损害建模，R2平均值为 0.852，误差均在 15%以下。随机森林模型的表现是最好的，RBF 神经网络模型次之，R2平均值为 0.654；BP 神经网络的效果相较前两者差一些，R2平均值为 0.47。6.3实验验证根据 SY/T5358储层敏感性流动实验评价方法标准进行岩心流动实验，对 X 区块岩心进行敏感性评价。根据达西定律，在事先设定的实验条件下注入与储层损害有关的流体，或者改变渗流条件（流体流速、净围压），测定岩心渗透率的变化，判断临界参数以及评价实验流体或者渗流条件的变化对岩心渗透率的损害程度。计算服从达西定律的最大流速的公式如公式（11）所示。vc=3.532K（11）vcK式中，是液体的最大渗流速度，cm/s；是测试条件下的流体黏度，mPas；是岩心孔隙度；是流体在测定温度下的密度，g/cm3；是岩心渗透率，m2。液体在岩石样本中流动时，根据达西定律计算渗透率的公式如公式（12）所示。K1=LQpA100（12）K1LQpA式中，是岩石液体渗透率，mD；是岩石长度，cm；是 流 体 单 位 时 间 内 通 过 岩 心 的 体 积，cm3/s；岩心两端压差，MPa；为岩心横截面积，cm2。使用所建立的随机森林网络模型分别对速敏、水敏、酸敏和碱敏进行预测，并与依照上述实验方法得到的每种敏感性对应的实验结果进行对比，检验模型的精确程度和在储层敏感性中的应用（仍以速敏模型为例）。表 3 为速度敏感性损害预测结0黏土矿物总量孔隙度埋藏深度临界流速渗透率伊蒙混合含量绿蒙混合含量高岭石含量石英含量绿泥石含量伊利石含量长石含量地层水矿化度蒙脱石含量权重/%16%11%9%8%8.9%8.9%8%8%7%6%5%3%1%0%51016图7速敏模型因素权重随机森林R2RBF 神经网络算法 BP 神经网络00.10.20.30.40.50.60.70.80.9图93 种算法的 R2平均大小428钻井液与完井液2023年7月果，速敏指数的预测误差在 11%以下，临界流速的预测误差在 13%以下。表 4 使用均方误差作为指标（MSE），全面地评价了 4 种不同敏感性损害预测模型的性能，结果显示各模型预测精度均在 90%以上。表3速敏预测结果序号速敏指数临界流速真实值预测值误差/%真实值 预测值 误差/%143.2443.91431.560.500.53046.08223.323.23870.265.005.12062.41327.026.74700.940.500.52134.26435.038.843610.980.500.561912.38554.049.75897.850.250.27038.12表4预测结果损害类型MSE/%精确度/%速敏4.31895.68水敏10.00490.00酸敏6.98493.02碱敏6.00894.007结论1.进行油气层损害定量诊断的主要难题在于室内实验用的岩心难以获取，实验成本较高，而数学模型又存在需要进行大量数学推导且难以推广的问题。虽然室内实验结果可靠，但是应用人工智能方法进行油气层损害定量诊断仍然是重要的研究方向。2.样本数据规模过小是将人工智能方法应用于油气层损害定量诊断的主要困难。尤其当数据中存在野值的时候，将极大程度上降低模型的预测精度。油气层损害机理复杂，影响因素众多，油气层损害定量诊断本身就是一个高维非线性回归问题，因此小规模的样本又会引起过拟合或欠拟合的问题。3.在深入研究 BP 神经网络、RBF 神经网络和随机森林网络的基础上，进行模型的对比优选之后，选用随机森林网络作为油气层敏感性损害定量诊断的最优模型。并在此之上进行超参数优化，提高了模型的准确度。随机森林算法对 4 种敏感性损害建模的 R2平均值为 0.852，预测精度在 90.00%95.68%。4.随机森林模型在进行预测时，不会出现过拟合的问题，并且很容易计算出各个影响因素对预测结果的贡献占比，为给数据降维提供了有力的依据。据此可以对模型进行进一步的优化，从而提高模型的预测精度。参考文献谢金秀.储层敏感性实验与机制研究 J.石化技术，2021，28（1）：139-140.XIE Jinxiu.Reservoir sensitivity experiment andmechanismresearchJ.Petrochemical Technology,2021,28（1）：139-140.1肖玉茹，何峰煜.塔里木盆地北部西达里亚油气田三叠系储层敏感性评价 J.新疆地质，1996（4）：364-374.XIAO Yuru,HE Fengyu.Appraisal of sensitivity oftriassicreserviorofwestDaliyaoil-gasfieldinnorthernTarimbasinJ.Xinjiang Geology,1996（4）：364-374.2孙建孟，李召成，谭未一.用单相关分析法快速预测储层敏感性 J.钻井液与完井液，1999（1）：4-8.SUN Jianmeng,LI Zhaocheng,TAN Weiyi.Rapidlypredicating the formation-sensitivity with analysingmethod of single correlationJ.Drilling Fluid&Completion Fluid,1999（1）：4-8.3王峰，向祖平，陈中华，等.利用响应曲面法校正气藏储层应力敏感性曲线 J.西南石油大学学报(自然科学版)，2010，32（5）：96-99,190.WANGFeng,XIANGZuping,CHENZhonghua,etal.Correctionofstresssensitivitycurveofgasreservoirbyresponse surface methodJ.Journal of SouthwestPetroleum University(Science&Technology Edition),2010,32（5）：96-99,190.4LIUYL,RUIZH.Astorage-drivenCO2EORforanet-zeroemissiontargetJ.Engineering,2022,18:79-87.5MUNGANN.PermeabilityreductionthroughchangesinpH and salinityJ.Journal of Petroleum Technology,1965,17（12）：1449-1453.6BRYANTSL,BULLERDC.Formationdamagefromacid treatmentsJ.SPE Production Engineering,1990,5（4）：455-460.7彭春耀，鄢捷年，李玉凤.预测储层潜在敏感性损害的新方法 J.钻井液与完井液，1999（2）：4-10.PENGChunyao,YANJienian,LIYufeng.Newwaysofpredicting reservoir damage of potential sensitivityJ.8第40卷第4期盛科鸣等：基于随机森林算法的油气层敏感性损害预测429Drilling Fluid&Completion Fluid,1999（2）：4-10.张玄奇.储层敏感性的灰色评价 J.大庆石油地质与开发，2004，23（6）：60-62.ZHANGXuanqi.GreyevaluationofreservoirsensitivityJ.Petroleum Geology&Oilfield Developmentin Daqing,2004,23（6）：60-62.9AL-MUDHAFAR W J,RAO D N,SRINIVASAN S.Reservoir sensitivity analysis for heterogeneity andanisotropyeffectsquantificationthroughthecyclicCO2-assistedgravitydrainageEORprocess-acasestudyfromsouthRumailaoilfieldJ.Fuel,2018,221：455-468.10ALEGRE L.An investigation of the applicability ofexpertsystemstodiagnoseformationdamageproblemsJ.Los Angeles:University of SouthernCalifornia,1988.11郭建明，李棋，薄春生，等.保护储集层综合集成决策支持系统的研制与应用 J.石油工业计算机应用，1995（3）：22-28，32.GUOJianming,LIQi,BOChunsheng,etal.DevelopmentandapplicationofintegrateddecisionsupportsystemforreservoirprotectionJ.Computer Applications ofPetroleum,1995（3）：22-28，32.12梅文荣，张绍槐.基于神经网络的地层损害识别研究 J.西安石油学院学报(自然科学版)，1995（1）：46-49.MEIWenrong,ZHANGShaohuai.TheresearchontherecognitionofformationdamagebasedonartificialneuralnetworkJ.Journal of Xian Shiyou University(NaturalScience Edition),1995（1）：46-49.13刘宝锋.基于人工神经网络的超深井储层敏感性预测D.青岛:中国石油大学(华东),2009.LIUBaofeng.Thesensitivitypredictionoftheultra-deepreserviorbasedonartificialneuralnetworkD.Qingdao:ChinaUniversityofPetroleum(EastChina),2009.14黄 春，蒋 官 澄，纪 朝 凤，等.基 于 径 向 基 函 数(RBF)神经网络的储层损害诊断技术研究 J.应用基础与工程科学学报，2010，18（2）：313-320.HUANG Chun,JIANG Guancheng,JI Chaofeng,et al.Research on the formation damage diagnosis based onradialbasisfunctionsneuralnetworkJ.Journal of BasicScience and Engineering,2010,18（2）：313-320.15蒋官澄，王晓军，吴雄军，等.模式识别在储层敏感性预 测 中 的 应 用 J.油 气 地 质 与 采 收 率，2010，1617（5）：61-64.JIANGGuancheng,WANGXiaojun,WUXiongjun,etal.Application of pattern recognition in the prediction ofreservoirsensitivityJ.Petroleum Geology and RecoveryEfficiency,2010,17（5）：61-64.孙玉学，谢建波，才庆.应