于红岩，Reza Rezaee，王震亮，韩同城，张艺怀，Muhammad Arif，Lukman Johnson

页岩气储层为目前的能源短缺提供了主要的补给。有机碳是页岩气储层评价的重要因素，直接影响储层特征、压裂方案的设计和储量的评估。有机质的含量和成熟度是评价有机孔、吸附气、微观孔隙结构、渗透率和润湿性的主要参数。因此，一个可靠的预测页岩储层有机碳的方法对于未来页岩储层评价至关重要。前人提出过很多有机碳含量的计算方法，包括Schmoker模型和Passey方法，但是这些方法在页岩气储层应用中误差和工作量都较大。目前，机器学习在石油勘探与开发中得到了广泛的应用，例如神经网络法、支持向量机等等。但是这些方法在小样本的数据中会出现过拟合的情况，导致模型应用于其他未知区域的效果不理想。因此，本研究提出了目前较为前沿的机器学习方法—高斯过程处理。这个算法适用于高维度、小样本的非线性回归。研究首次设计了一套机器学习的流程，采用了四种权重计算算法，并且选择了7个核函数训练模型。最后，将高斯处理算法流程与前人的算法共同应用在澳大利亚Canning盆地奥陶系的页岩气储层和中国的鄂尔多斯盆地三叠系的页岩气储层。结果发现，传统的模型适合高有机碳含量的地区，在低有机碳含量的地区误差较大，但是高斯处理算法体现了较好的结果，尤其是利用支持向量机获取的特征集和Cauchy核函数得到的效果最好。

      此研究提高了页岩气储层有机质评价方法的准确度，并且提供了更可靠的结果。