鲁健康，郝彬，李程善，王维斌，王乾右，杨威*

1 中国石油大学(北京)油气资源与探测国家重点实验室，北京 102249

2 中国石油大学(北京)非常规油气科学技术研究院，北京 102249

3 中国石油勘探开发研究院西北分院，兰州 730020

4 中国石油长庆油田分公司勘探事业部，西安 710018

5 利物浦大学地球海洋与生态科学系，英国利物浦 L69 3GP

0 引言

渗透率是衡量岩石允许流体通过的畅通程度的参数，是储层评价以及开发的关键参数之一[1,2]，在较均质的常规砂岩储层中，孔隙度与渗透率具有良好的相关性，利用岩心实测数据可建立孔隙度与渗透率的回归模型[3]。为提高渗透率的解释精度，国内外学者提出了不同的模型及计算方法[4-5]：如Jennings和Lucia等[6]基于岩石构系数提出了广义渗透率模型，Bryant等[7]通过建立高精度的地质模型对渗透率进行预测，Mathisen等[8]借助于测井应用数学统计方法计算渗透率，廖东良等[9]提出分流动单元计算渗透率的方法。近几年，随着人工智能技术在石油工业中的应用，越来越多的学者开始利用机器学习、大数据分析、BP神经网络等方法综合预测储集层参数[10-11]：如王依诚等[12]基于机器学习方法构建数字岩心的渗透率快速预测方法，黄雨阳[13]等联合NMR与MICP参数建立了储层渗透率的智能预测方法，王猛等[14]采用区域测井大数据分析进行渗透率建模，张言辉[15]建立了渗透率预测的BP神经网络模型提高渗透率的计算精度。

鄂尔多斯盆地中南部地区长6储层为一套致密砂岩储层，由于受后期成岩作用影响导致储层的孔隙结构和物性发生变化，储层非均质性较强，在同一孔隙度下储层的渗透率相差一到两个数量级。……