盐穴储油库不溶沉积空隙中油质评估与演化过程的实验研究

本文通过实验视角探究盐穴储油库(SCOS)不溶沉积空隙中的油质评估与演化过程，创新性地结合计算流体力学(CFD)模拟与机器学习算法（如随机森林、极端随机树和Stacking集成模型），建立了水泥置换效率预测体系，并通过L-BFGS等优化算法实现参数全局优化，为复杂工况下固井质量提升提供了跨学科解决方案。

　　

Highlight

基于水泥置换效率的机器学习预测与优化研究

数值模拟验证

通过两口实钻井的现场测井数据验证了Fluent数值模拟方法的准确性，并构建了涵盖浆液性质、套管偏心度等参数的数据集，为机器学习建模奠定基础。

机器学习模型优选

采用随机森林(Random Forest)、极端随机树(Extremely Randomized Trees)、人工神经网络(ANN)和支持向量机(SVM)算法进行预测，发现前两种算法在决定系数和平均误差上表现最优，预测偏差控制在3.5%以内。

模型融合与优化

通过Stacking集成方法融合随机森林与极端随机树模型，显著提升预测鲁棒性。结合L-BFGS模拟退火算法优化参数后，宽/窄环空置换效率分别提升3.74%和5.46%，揭示了浆液密度差<600 kg/m³、转速<30 rpm等关键参数阈值。

结论

(1) 多算法比较表明随机森林类模型最适合水泥置换效率预测；(2) Stacking集成策略有效克服单一模型局限性；(3) L-BFGS算法在复杂环空条件下优化效果显著，为固井工程提供了智能优化范式。

创新点

首次将CFD模拟-机器学习-优化算法闭环应用于固井研究，通过307组数值实验构建高维数据集，突破传统单因素分析局限，实现多参数耦合作用的全局优化。