在实际测井智能评价中，无论是传统的单一模型方法，还是近年来广泛采用的单层集成与双层异构集成框架，均受到表征能力有限与标注数据稀缺的双重制约，存在明显的性能“天花板”。尤其在强非均质性的页岩油储层中，此类模型难以充分揭示测井响应背后复杂的地质控制机制，导致反演精度与泛化能力普遍不足。更为突出的问题是，当前数据驱动方法大多依赖有限标注数据进行监督训练，而对油田中大量未标注的测井曲线利用不足，致使丰富的地质信息未被有效挖掘，特征表达能力得不到提升，从而从根本上制约了模型对复杂储层的识别能力。因此，在单一模型与传统集成方法之外，如何构建一种能够协同利用大量未标注测井数据与有限标注数据、并突破现有方法表征能力界限的无监督 监督融合集成框架，已成为当前页岩油储层智能反演中亟待突破的关键问题。
为克服上述局限，本研究提出一种融合无监督与监督学习的两阶段集成框架。首先，基于济阳坳陷页岩油典型井的未标注测井数据，采用对比学习进行预训练，以获取能够充分反映地层地球物理响应特征的潜在表征；随后，利用该井实测TOC标注数据对预训练模型进行监督微调，从而在预训练所得特征的基础上，更高效地完成地质属性的监督反演，提升模型精度与稳定性。实验结果表明，该集成模型在TOC预测精度与泛化能力上均显著优于主流监督学习模型，凸显了在标注数据稀缺条件下有效利用未标注测井数据对提升储层参数反演能力的重要价值。本研究提出的框架具备良好的可扩展性，为页岩油储层智能评价提供了一条稳健的技术路径。
图1.无监督-监督学习集成模型预测精度
研究成果近期发表在流体物理领域国际重要期刊Physics of Fluids。论文第一作者为开云电竞投注（华东）地球科学与技术学院博士生乔露，通讯作者为开云电竞投注（华东）地球科学与技术学院杨升宇教授。
论文信息：Lu Qiao, Sheng-yu Yang*, Xiang-long Liu, Xu-yang Wang, Jia-yi He, Qin-hong Hu, Qiang-hao Zeng, and Tao-hua He, 2025, An integrated unsupervised–supervised learning framework for enhanced petrophysical prediction. Physics of Fluids,https://doi.org/10.1063/5.0283683.
