赵 军，张 涛，何胜林，张桓荣，韩 东，汤 翟

（1.西南石油大学地球科学与技术学院，四川成都610500；2.中海石油（中国）有限公司湛江分公司地质研究院，广东湛江524057）

储层渗透率是储层产能评价的一项重要指标，也是反映储层物性好坏的重要参数。通过对渗透率建模的优化处理，得到准确的渗透率参数，对储层品质评价具有十分重要的意义。已有研究表明，针对渗透率的预测方法主体上分为两类：一类为基于岩心分析数据的统计建模，另一类是利用数据挖掘的学习建模方法。许多学者根据岩心分析数据提出了许多渗透率预测模型，包括分形模型[1]和根据压汞与核磁共振等[2]一系列预测模型。其中利用测井资料估算渗透率，建立以实验数据为标准的经验统计模型是目前较为常用的方法[3-7]，但是基于岩心数据建模的方法不能完全适用于所有储层条件下的渗透率。因此，许多学者在此基础上采用各种智能算法来预测储层渗透率，以提高渗透率的预测精度。毛志勇等[8]、邵良彬等[9]、古勇等[10]、AKANDE等[11]根据粒子群算法的随机性选择，结合支持向量机能简化回归问题，从而建立渗透率预测模型，提高了模型的泛化能力和预测精度，汪雷等[12]、张言辉等[13]、朱林奇等[14]、马晟翔等[15]利用BP 神经网络的学习和泛化能力，结合不同的测井数据信息，挖掘测井数据与渗透率之间的关联，建立渗透率预测模型。BARAKA等[16]利用数据分组的处理方法能快速推导最优模型的特点，结合神经网络建立渗透率模型。……