基于巖石物理相的深層頁巖氣地質—工程甜點參數測井評價方法
——以四川盆地LZ區塊五峰組—龍馬溪組為例

張少龍，閆建平，郭偉，鐘光海，黃毅，李志鵬

(1.同濟大學海洋地質國家重點實驗室，上海 200092；2.西南石油大學地球科學與技術學院，四川成都 610500；3.油氣藏地質及開發工程國家重點實驗室(西南石油大學)，四川成都 610500；4.中國石油勘探開發研究院，北京 100083；5.中國石油西南油氣田公司頁巖氣研究院，四川成都 610051；6.中國石油集團測井有限公司西南分公司，重慶 400021；7.中國石化勝利油田分公司勘探開發研究院，山東東營 257015)

0 引言

隨著常規油氣產量的降低以及能源消費的持續增長，頁巖油氣資源逐漸成為關注的重點[1]。川南LZ區塊及其周緣地區上奧陶統五峰組—下志留統龍馬溪組發育富有機質海相頁巖，深層頁巖氣資源豐富，現已成為四川盆地頁巖氣勘探、開發的重點區域，具有極大的勘探、開發潛力[2]。相較于中淺層頁巖氣儲層而言，深層頁巖氣儲層通常具有孔隙保存條件復雜、高溫、高壓、水平應力差大、地層強度高、壓裂難度大等特點[3-5]，并且常規沉積微相[6]、巖相劃分[7]也難以精細刻畫其甜點層段的強非均質性。在此背景下，為有效降低勘探、開發成本，提高深層頁巖氣產量，精確計算總有機碳含量(TOC)、孔隙度、總含氣量以及脆性指數等地質—工程甜點參數尤為重要。

目前，利用測井數據求取頁巖氣儲層甜點參數的方法主要有體積模型法[8]、多元回歸法[9]、經驗公式法[10-11]以及機器學習法[12]。上述方法各有不足，其中最大的問題是均未充分考慮頁巖氣尤其是深層頁巖氣儲層的有機—無機組分、結構以及多尺度孔縫特征等強非均質性造成的計算模型誤差。此外，體積模型方法較理想，但在實際工作中，并不能簡單地將頁巖儲層劃分為互不影響的幾個部分；多元回歸方法往往計算精度不盡如意；經驗公式法僅對特定地區或層位的應用效果較好，推廣性較差；長井段機器學習算法僅將測井曲線作為參數集建立模型，忽略了其包含的地質、物理意義。

鑒于此，筆者在總結前人研究成果的基礎上，將砂巖、碳酸鹽巖儲層評價與油氣藏建模中的巖石物理相概念[13]引入深層頁巖氣儲層，以川南LZ區塊上奧陶統五峰組—下志留統龍馬溪組深層頁巖為研究對象，綜合地質—測井資料劃分巖石物理相，并在此基礎上建立了測井巖石物理相機器學習分類識別方法以及基于“巖石物理相分類+機器學習算法”的地質—工程甜點參數測井精細計算模型。不同巖石物理相從地質角度有效弱化深層頁巖氣儲層的非均質性，降低參數計算誤差，較好地解決沉積微相、巖相劃分難以精細刻畫深層頁巖氣儲層強非均質性的難題，精確計算單井、多井深層頁巖氣地質—工程甜點參數，為LZ區塊五峰組—龍馬溪組頁巖氣儲層甜點評層選區、水平井靶體優選、資源量估算及透明頁巖氣藏建模與開發方案實施提供了精確的參數基礎，也為同類深層頁巖氣藏參數計算供了借鑒，具有較好的推廣和應用價值。

1 區域地質概況

四川盆地是發育在揚子準臺地西北緣的一個次一級構造單元，LZ區塊位于四川盆地南部，處于川西南古中斜坡低褶帶東部，川南古坳中隆低陡彎形帶北部(圖1a)，目前已有多口井獲得產量突破[14]，深層頁巖氣勘探、開發潛力巨大。

本文重點研究層位為上奧陶統五峰組和下志留統龍馬溪組一段一亞段(龍一1)，從下至上龍一1又進一步劃分為4個小層(龍一11、龍一12、龍一13和龍一14)(圖1b)，目前龍一11—龍一13開發效果最好。龍一1主要為強還原環境的陸棚相沉積[15]，進一步細分為淺水陸棚、半深水陸棚以及深水陸棚三個亞相[16]，又細分為含鈣質深水陸棚、鈣質半深水陸棚以及(砂)泥質淺水陸棚等沉積微相[17]。龍馬溪組巖性主要為黑色富有機質頁巖、硅質頁巖以及鈣質頁巖等，五峰組巖性主要為硅質頁巖、硅質巖和碳酸鹽巖。

圖1 LZ區塊構造分區位置[17](a)及五峰組—龍一1地層劃分(b)

2 巖石物理相類型劃分及特征

2.1 深層頁巖氣儲層特征

全巖X射線衍射結果表明：LZ區塊五峰組—龍一1頁巖樣品礦物組成包括石英、長石、方解石、白云石、黃鐵礦以及黏土，其中石英、黏土以及碳酸鹽巖(方解石+白云石)為主要礦物，長石和黃鐵礦含量較少。石英含量為3%～88%，平均為38.56%；碳酸鹽巖含量為0～96%，平均為18.12%；黏土礦物含量為0～60%，平均為33.45%(圖2a)。不同樣品之間礦物含量差異明顯且分布范圍較廣，反映了組分特征的強非均質性。

頁巖樣品孔隙度、TOC以及總含氣量測試結果表明：孔隙度分布范圍為1.46%～6.22%，平均為4.15%，主要分布范圍為4%～6%；總含氣量分布范圍為0.427～5.77 cm3/g，平均為1.99 cm3/g，主要分布范圍為0.5～2.5 cm3/g；TOC分布范圍為0.188%～6.367%，平均為2.36%。此外，孔隙度、TOC及總含氣量關系密切，往往孔隙度大、TOC高的樣品，頁巖總含氣量較高(圖2b)。

五峰組—龍一1頁巖巖心分小層TOC測試結果表明：五峰組頁巖TOC為0.17%～4.77%，平均為2.16%；龍一11頁巖TOC為3.3%～6.87%，平均為4.26%；龍一12頁巖TOC為3.5%～5.04%，平均為4.3%；龍一13頁巖TOC為1.02%～4.97%，平均為3.55%；龍一14頁巖TOC為0.28%～3.29%，平均為2.13%(圖2c)。整體來看，隨著深度增加，TOC呈先增加后減小的趨勢，在龍一11達到最高。

圖2 LZ區塊五峰組—龍一1儲層參數特征

根據Boyer等[18]提出的利用TOC評價烴源巖品質的標準，龍一11頁巖生烴潛力最高，其次為龍一12、龍一13和五峰組頁巖，龍一14頁巖生烴潛力相對較低。

2.2 巖石物理相類型及特征分析

巖石物理相是一定規模儲層巖石物理特性的綜合，是沉積作用、成巖作用、后期構造作用和流體改造作用的綜合反映[13]。目前巖石物理相劃分和應用的對象主要為砂巖、砂礫巖以及碳酸鹽巖儲層，主要分為基于“相控論”(沉積相+成巖相+構造相)[19]、流動單元(流動帶指數)[20]、多地質參數[21]以及測井參數[22]的巖石物理相劃分方案。綜合來看，雖然劃分方案的側重角度不一，但都體現了依托巖石物理相劃分將儲層非均質性評價問題轉變為相對均質性評價問題的思路。

與砂巖、砂礫巖以及碳酸鹽巖儲層相比，海相深層頁巖氣儲層除了粒度較細、儲層整體為細粒沉積巖以外，最重要的特征是“自生自儲”特性，表現為大面積、連續、聚集成藏，天然氣分層聚集賦存性較差且儲層骨架礦物組構、多尺度孔縫介質非均質性強。因此，不能利用流動單元法劃分巖石物理相。此外，海相深層頁巖儲層巖石物理相的內涵與因素也發生了變化，由沉積作用、成巖作用以及構造作用轉變為沉積作用、成巖作用、構造作用以及生物作用[23]。因此，海相深層頁巖氣儲層巖石物理相為沉積作用、成巖作用、構造作用以及生物作用的綜合反映。但沉積微相、巖相劃分難以精細刻畫甜點層段非均質性，且在測井剖面上很難連續評價生物作用對儲層的影響，故“相控論”巖石物理相劃分方法也不適用于深層頁巖氣儲層巖石物理相劃分。

基于此，考慮到TOC、孔隙度、總含氣量以及脆性指數等地質—工程甜點參數以及測井響應特征反映了海相深層頁巖氣儲層巖石物理相內涵以及受控因素，結合地質—工程甜點參數和測井曲線將LZ區塊五峰組—龍一1儲層巖石物理相劃分為三類(Ⅰ、Ⅱ、Ⅲ)，進一步分為6個亞類(Ⅰ1、Ⅰ2、Ⅰ3、Ⅱ1、Ⅱ2、Ⅲ)(圖3)。本文采用Kang等[24]的頁巖脆性指數計算模型計算巖心脆性指數。

三類巖石物理相參數特征差異較明顯(圖4)。相對于Ⅱ、Ⅲ，Ⅰ的U值(>15×10-6)、TOC(>3%)、孔隙度以及脆性指數(>0.5)較高。在Ⅰ中，Ⅰ1脆性指數最高而TOC最低(<4 %)，相對于Ⅰ1、Ⅰ2，Ⅰ3的含氣量(>3.5 cm3/g)和孔隙度(>5 %)較高；在Ⅱ中，Ⅱ1的U值(>9×10-6)、孔隙度(>4 %)以及總含氣量較高，但是脆性指數(<0.5)較低。整體上，雖然利用TOC、孔隙度以及脆性指數等地質—工程參數和常規測井曲線無法完全區分巖石物理相及其界限，但是各參數的主要分布范圍存在一定差異——劃分深層頁巖氣儲層巖石物理相的依據。

圖4 LZ區塊巖石物理相參數特征

因此，將礦物含量、孔隙度、TOC、總含氣量以及脆性指數作為深層頁巖氣儲層巖石物理相的地質—工程核心評價與劃分指標。其中6個亞類的核心評價指標、測井響應特征及差異如表1所示，微觀薄片特征如圖5所示。

表1 LZ區塊五峰組—龍馬溪組深層頁巖氣儲層巖石物理相核心評價指標特征

圖5 LZ區塊五峰組—龍馬溪組巖石物理相薄片特征

Ⅰ1的沉積微相為富硅深水陸棚，其巖心測試石英和長石含量較高，均值為60.17%，孔隙度均值為4.95%，TOC均值為4.30%，脆性指數均值為0.69，總含氣量均值為3.27 cm3/g。GR值最高(最小值～最大值/平均值為144.713～335.459/217.052API)；U值為(8.9～42.48)×10-6，平均為22.41×10-6，生烴潛力最高；Th/U均值為0.704，指示強還原沉積環境。薄片上可見石英、方解石等順層分布形成水平亮紋層，黏土吸附有機質形成暗色紋層(圖5a)。

Ⅰ2的沉積微相為富硅深水陸棚，其巖心測試石英和長石含量均值為59.68%，孔隙度均值為4.31%，TOC均值為4.15%，脆性指數均值為0.67，總含氣量均值為2.91 cm3/g。GR值中等(70.246～229.821/149.61API)；U均值為12.92×10-6，顯示較好的生烴潛力；Th/U均值為1.06，指示缺氧的沉積環境。薄片上可見石英、方解石顆粒順層分布，黏土吸附有機質形成暗色紋層(圖5b)。

Ⅰ3的沉積微相為富硅深水陸棚，其巖心測試石英和長石含量均值為57.64%，孔隙度均值為5.47%，TOC均值為4.34%，脆性指數均值為0.60，總含氣量均值為4.10 cm3/g。GR值較高，平均為137.455API；U值分布范圍為(5.86～14.87)×10-6，平均為11.65×10-6，生烴潛力較高；Th/U值介于0.619～2.781，平均為1.22，也指示缺氧沉積環境。薄片上可見整體粒度細小，黃鐵礦多分散分布，粉粒石英與方解石和粉晶白云石順層分布形成水平紋層，且與泥質紋層呈不等厚互層特征(圖5c)。

Ⅱ1的沉積微相為含鈣深水陸棚，其巖心測試石英和長石含量均值為42.32%，孔隙度均值為4.46%，TOC均值為2.41%，脆性指數均值為0.47，總含氣量均值為2.13 cm3/g。GR值分布范圍為134.631～211.618 API，均值為167.359 API；U值最小值為2.807×10-6，最大值為14.418×10-6，平均值為9.65×10-6，生烴潛力高；Th/U均值為1.87。薄片上可見粉晶白云石、方解石以及粉粒石英等分散分布，部分呈順層分布現象，形成水平紋層(圖5d)。

Ⅱ2的沉積微相為含鈣深水陸棚，其巖心測試石英和長石含量均值為49.42%，孔隙度均值為3.97%，TOC均值為2.29%，脆性指數均值為0.51，總含氣量均值為2.00 cm3/g。GR均值為145.064 API，U均值為6.65×10-6，生烴潛力相對較弱；Th/U均值較高，平均為2.66，顯示弱氧沉積環境。薄片上可見粉粒石英與方解石和粉晶白云石分散分布，形成的水平亮紋層寬度較大，且與泥質紋層呈不等厚互層特征(圖5e)。

Ⅲ的沉積微相為鈣質淺水陸棚，其巖心測試石英和長石含量均值為48.61%，孔隙度均值為3.42%，TOC均值為1.75%，脆性指數均值為0.54，總含氣量均值為1.66 cm3/g。GR值最低，平均為129.37 API；U均值為5.68×10-6，生烴潛力最弱；Th/U均值為3.73，指示弱氧化沉積環境。薄片上可見近圓斑狀黃鐵礦，粉末狀黃鐵礦分散分布，黏土吸附有機質呈暗色條紋、短條帶狀順層分布(圖5f)。

綜合來看，Ⅰ和Ⅱ1為LZ區塊海相深層頁巖氣儲層的有利相，具有高TOC、高孔隙度、高總含氣量以及高脆性指數的特征。在Ⅰ中，Ⅰ3的地質甜點參數(TOC、孔隙度、總含氣量)最優，Ⅰ1的工程甜點參數(脆性指數)最優，說明頁巖儲層地質甜點最優層段不一定對應工程甜點最優層段，在實際天然氣勘探、開發中，需要著重分析兩者的耦合關系。需要指出的是，Ⅰ1、Ⅰ2、Ⅰ3對應的沉積微相均為富硅深水陸棚相，但是測井響應特征與對應的地質特征均存在一定差異，充分說明利用沉積微相難以精細刻畫深層頁巖氣儲層的強非均質性，進一步證明了劃分深層頁巖氣儲層巖石物理相的必要性。薄片分析結果表明，相對于Ⅱ和Ⅲ，Ⅰ具有較好的水平紋層結果，表明該階段處于低能時期，沉積水動力最弱。特別值得關注的是，前人對五峰組以及龍一1優質頁巖儲層的分析著重關注龍一11、龍一12、龍一13，但文中的巖石物理相劃分結果表明，龍一14也存在相對優質的甜點層段，是潛在的水平井靶體層段。

2.3 巖石物理相測井識別方法

雖然在連續測井剖面上借助巖心分析資料較準確地劃分和識別了巖石物理相，但深層頁巖氣井取心成本高，在實際工作中往往存在巖心分析資料不足的缺陷。因此，以關鍵井巖心分析數據標定測井，進而建立基于常規測井曲線的巖石物理相劃分與識別方法是需要研究的內容。

對LZ區塊地層關鍵井巖石物理相巖心資料劃分與識別結果的常規測井數據交會分析表明(圖6)，不同類型的巖石物理相測井響應特征存在一定差異，特別是Ⅰ1具有明顯的低Th/U(<0.5)、高GR(>200 API)、高U值(>20×10-6)特征。此外，利用GR-CNL交會圖可以區分Ⅰ1和Ⅲ(圖6a)；利用GR-AC交會圖可以區分Ⅰ1和Ⅱ2(圖6b)。由于巖石物理相類型較多，不同巖石物理相測井響應特征受沉積、成巖、構造以及生物作用的共同影響，存在較大程度的重疊現象，因此僅利用單一常規測井曲線交會圖難以有效區分不同的巖石物理相?？紤]到常規測井曲線交會圖難以識別巖石物理相亞類的現狀，故嘗試結合測井信息、地質信息與大數據機器學習算法的優勢，采用具有監督學習功能的隨機森林算法劃分與識別巖石物理相亞類。

圖6 6亞類巖石物理相測井數據二維交會圖

隨機森林算法[25-26]是基于Bagging框架的決策樹模型，具有抗干擾能力強、魯棒性高、泛化能力優且可以處理高維輸入樣本集的特征，最重要的是可以處理不平衡的數據集(每一類樣本數量相差較大)，對文中的不同巖石物理相的樣本集具有極強的針對性。此外，隨機森林算法不但可以優化分類任務也可以回歸計算任務，從而滿足復雜且非均質性強的深層頁巖氣地層巖石物理相測井分類識別、甜點參數測井精細解釋模型構建及計算的需求。

隨機森林算法流程[25](圖7)為：①在訓練階段，首先采用高穩健和高效率的Bootstrap重采樣技術從原始訓練數據集中選取訓練樣本。②利用分類與回歸樹(CART)模型訓練并預測每一個重采樣訓練樣本集。對于分類算法而言，CART就是分類樹，采用基尼指數最小化準則；對于回歸算法而言，CART就是回歸樹，采用平方誤差最小化準則。③對于分類問題，綜合考慮每一顆決策樹的輸出類別，以投票的方式決定重采樣訓練樣本中的某一個隨機樣本的類別；對于回歸問題，以每顆決策樹輸出的均值作為最終結果。④在實際應用階段，將新樣本數據輸入到訓練好的隨機森林分類或回歸模型中，即可得到樣本的歸屬類別或回歸結果。

圖7 隨機森林算法流程

本文以LZ區塊的H203、L205、L206、L207等井的巖石物理相劃分結果作為樣本集，利用隨機森林分類算法識別巖石物理相亞類。

在測井曲線預處理和歸一化之后，首先對隨機森林分類算法調參以獲得最優算法參數，其中需要調參的算法參數主要為“樹”個數n_estimators和最大特征數max_features。對于后者而言，當樣本集特征數不多(如小于50)時，一般使用默認值。本文的樣本是輸入的8條測井曲線(特征數為8)，因此max_features使用默認值。對于最優“樹”的優選，在劃分訓練集(樣本集的70%)、預測集(樣本集的30%)、“葉”個數(預測分類數為6)等次要算法參數的基礎上，分析了“樹”個數的選取對算法精度的影響。結果表明，當“樹”個數為291時，算法精度最高，模型性能評價系數為0.9178(圖8a)，因此選取291作為隨機森林分類算法的最優 “樹”個數。此外，算法運行過程還可以分析輸入判識參數的重要性，即測井曲線類型對隨機森林分類算法預測結果的貢獻值?？紤]到目前川南深層頁巖氣儲層存在個別有機質碳化現象[27]，致使利用電阻率曲線判識優質儲層的準確性明顯降低。因此，模型輸入測井曲線中并未使用電阻率曲線。分析結果表明，利用GR、CNL、U、AC以及DEN(補償密度)五條曲線劃分LZ區塊深層頁巖氣儲層巖石物理相亞類的重要性較高(圖8b)。

圖8 隨機森林算法模型參數特征

未參與模型訓練的L208井巖石物理相亞類識別結果表明，利用隨機森林分類算法識別與劃分LZ區塊深層頁巖氣儲層巖石物理相的效果較好，識別結果與基于地質—測井資料的劃分結果的一致性較好，識別符合率達90%以上(圖9)，充分顯示了隨機森林分類算法的可靠性。

圖9 L208井五峰組—龍馬溪組頁巖氣地層巖石物理相識別結果

3 深層頁巖氣參數精細解釋模型

3.1 模型建立與測試

應用測井信息準確劃分巖石物理相之后，考慮參數測井解釋模型建立的可行性及為便于計算，以H203、L205、L206以及L207等井的巖心分析測試資料為基礎，優選隨機森林回歸算法參數建立了分 巖石物理相的隨機森林回歸算法深層頁巖氣儲層地質—工程甜點參數(TOC、孔隙度、石英、長石、方解石、白云石、黏土等礦物含量、脆性指數以及游離氣含量、吸附氣含量、總含氣量)測井精細解釋模型。為了充分體現該算法預測結果的精度，同時建立了不分巖石物理相的多元線性回歸模型以及分巖石物理相的多元線性回歸模型。

TOC、孔隙度、總含氣量以及脆性指數四類模型計算值與巖心實測值的對比結果表明：不分巖石物理相的多元回歸方法精度最低，除部分參數外，數據點大多偏離45°線(圖10a左、圖10b左、圖10c左、圖10d左)；分巖石物理相的多元線性回歸模型計算精度有所提高(圖10a中、圖10b中、圖10c中、圖10d中)；分巖石物理相的隨機森林回歸模型預測精度最高，參數預測值與巖心測試值接近，基本都在45°線附近(圖10a右、圖10b右、圖10c右、圖10d右)。L208井分巖石物理相的隨機森林回歸算法甜點參數(石英、長石、方解石、白云石、黏土等礦物含量、脆性指數、TOC、孔隙度及吸附氣含量、游離氣含量、總含氣量)測井精細計算結果(圖11)表明，計算結果與地質測試結果較吻合，表明模型精度高。

圖10 不分巖石物理相的多元回歸方法(左)、分巖石物理相的多元線性回歸模型(中)及分巖石物理相的隨機森林回歸模型(右)的TOC(a)、孔隙度(b)、總含氣量(c)以及脆性指數(d)預測精度對比

圖11 L208井五峰組—龍一1儲層地質—工程甜點參數計算結果

3.2 實例評價與效果分析

以LZ區塊L203井、Y101井五峰—龍一1為例，在連續測井剖面上識別與劃分巖石物理相，并利用分巖石物理相的隨機森林回歸模型求取孔隙度、TOC、脆性指數和含氣量等地質—工程甜點參數(圖12、圖13)。

L203井巖石物理相識別以及甜點參數精細求取結果表明：有利地質—工程甜點層段從上到下分 別為3781.80～3783.14 m、3784.80～3787.28 m以及3799.52～3812.52 m，對應的巖石物理相分別為Ⅱ1、Ⅱ1和Ⅰ；其中Ⅰ的計算孔隙度為3.839%～6.032%，平均為4.731%，計算總含氣量為2.384～4.342 cm3/g，平均為3.412 cm3/g，計算脆性指數為0.579～0.729，平均為0.673。在此基礎上，以“優中選優、甜中選甜”的角度出發細分層段3799.52～3812.52 m，其中3806.96～3810.28 m脆性指數較高，均值為0.705，3799.60～3806.96 m脆性指數均值為0.671，3810.28～3812.52 m脆性指數均值為0.638，因此水平井靶體位置優選層段為3806.96～3810.28 m。L203井3799.52～3812.52 m層段直改平后試氣產能達137.9×104m3/d，與巖石物理相劃分結果、甜點參數精細計算結果以及試氣結果吻合(圖12)。同理，利用隨機森林分類算法識別Y101井的巖石物理相，根據隨機森林回歸算法模型精細計算地質—工程甜點參數。結果表明：層段3474.48～3477.80 m和 3479.88～3494.52 m的巖石物理相為Ⅱ1，層段3524.04～3538.84 m的巖石物理相為Ⅰ；其中Ⅰ的計算孔隙度均值為4.496%，計算總含氣量均值為3.771 cm3/g，計算脆性指數均值為0.601，其中水平井靶體優選層段為3532.16～3536.00 m，計算脆性指數均值為0.662。直改平后試氣產能為43×104m3/d，解釋結果、計算結果與試氣結果吻合(圖13)。

圖12 L203井五峰組—龍一1巖石物理相分類測井評價綜合解釋成果圖

圖13 Y101井五峰組—龍一1巖石物理相分類測井評價綜合解釋成果圖

上述結果充分說明了深層頁巖氣儲層巖石物理相分類評價以及分巖石物理相的隨機森林回歸算法模型求取地質—工程甜點參數的合理性，同時，精確的參數剖面也有助于水平井靶體的準確選取。

此外，L203以及Y101井測井精細解釋結果也表明，龍一14中的Ⅱ1是相對優質的甜點層段，目前深層頁巖氣產能主要來自龍一11—龍一13，分段水力壓裂還難以動用龍一14。因此，將來深層頁巖氣規模效益開發要特別重視龍一14的Ⅱ1層段，并作為LZ區塊及其周緣地區深層頁巖氣第二套水平井靶體優選和設計開發的“后備”對象。

4 結論

(1)綜合全巖衍射、薄片鑒定、物性以及地化測試數據和常規測井響應特征等，將川南LZ區塊五峰組—龍一1深層頁巖氣儲層巖石物理相劃分為三類(Ⅰ、Ⅱ、Ⅲ)，進一步細分為6個亞類(Ⅰ1、Ⅰ2、Ⅰ3、Ⅱ1、Ⅱ2、Ⅲ)，其中五峰組頂部到龍一11—龍一13的Ⅰ1和龍一14的Ⅱ1具有相對的高TOC、高孔隙度、高含氣量以及高脆性指數特征，是最有利的地質—工程甜點耦合層段。

(2)考慮到常規測井曲線交會圖方法難以精細劃分和識別巖石物理相亞類的不足，在測井曲線預處理和歸一化的前提下，采用兼顧分類與回歸雙重優勢的隨機森林機器學習算法較好地在測井剖面上劃分和識別了6個巖石物理相亞類，準確率達90%以上。

(3)對比、分析不分巖石物理相多元回歸模型、分巖石物理相多元回歸模型以及分巖石物理相隨機森林回歸模型在深層頁巖氣儲層地質—工程甜點參數求取結果的差異性，表明分巖石物理相隨機森林回歸模型計算結果精度高且應用效果好，能夠為評層選區、水平井靶體優選及資源量估算提供精確的參數依據。