機(jī)器學(xué)習(xí)主要作用是分類、回歸、降維和聚類。在開發(fā)指標(biāo)預(yù)測(cè)中主要是回歸和降維。機(jī)器學(xué)習(xí)的主要理論基礎(chǔ)就是使目標(biāo)函數(shù)最小化，而目標(biāo)函數(shù)主要由經(jīng)驗(yàn)風(fēng)險(xiǎn)和結(jié)構(gòu)風(fēng)險(xiǎn)組成。經(jīng)驗(yàn)風(fēng)險(xiǎn)就是預(yù)測(cè)值和真實(shí)觀測(cè)值的差異，結(jié)構(gòu)風(fēng)險(xiǎn)則是由置信域決定的。置信域也就是推廣性的界，主要是由維度大小和樣本數(shù)量決定的。機(jī)器學(xué)習(xí)的算法有很多種，可以運(yùn)用到指標(biāo)預(yù)測(cè)和數(shù)模調(diào)參方面的算法主要包括支持向量回歸機(jī)、隨機(jī)決策森林、多元自適應(yīng)回歸樣條、深度學(xué)習(xí)、k最近鄰、核脊回歸、協(xié)同過濾和概率矩陣分解、神經(jīng)網(wǎng)絡(luò)、隨機(jī)梯度、廣義回歸神經(jīng)網(wǎng)絡(luò)等。

對(duì)于開發(fā)指標(biāo)，主要對(duì)產(chǎn)量、物性參數(shù)進(jìn)行預(yù)測(cè)。產(chǎn)量包括產(chǎn)水率、產(chǎn)氣率、產(chǎn)油率和遞減率等。物性參數(shù)主要包括油藏物理性質(zhì)和流體性質(zhì)。使用隨機(jī)森林、多元自適應(yīng)回歸樣條和支持向量回歸機(jī)對(duì)遞減率的進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)支持向量回歸機(jī)SEDM預(yù)測(cè)最好。

對(duì)于產(chǎn)量預(yù)測(cè)，使用數(shù)模等數(shù)據(jù)驅(qū)動(dòng)式模型預(yù)測(cè)比使用遞減率預(yù)測(cè)準(zhǔn)確。人工神經(jīng)網(wǎng)絡(luò)無法取代數(shù)據(jù)驅(qū)動(dòng)式模型，但兩者結(jié)合可以有更好的效果。

對(duì)孔隙度、滲透率等物性參數(shù)進(jìn)行預(yù)測(cè)。對(duì)比傳統(tǒng)地質(zhì)概率方法、克里金法和機(jī)器學(xué)習(xí)，發(fā)現(xiàn)機(jī)器學(xué)習(xí)的耗時(shí)小、計(jì)算量小且準(zhǔn)確度沒有下降。

支持向量回歸機(jī)由于原理和概率統(tǒng)計(jì)中的VC維和推廣性的界相似，是重要的回歸算法之一。首先選定輸入數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行粗糙化、歸一化等預(yù)處理。第二步則是建立模型，選定核函數(shù)。第三部利用油產(chǎn)量差、氣產(chǎn)量差、水產(chǎn)量差分別預(yù)測(cè)孔隙度和滲透率，再將預(yù)測(cè)的孔隙度和滲透率加入輸入項(xiàng)的自變量中去預(yù)測(cè)誤差較大的厚度。根據(jù)產(chǎn)量數(shù)據(jù)進(jìn)行建模預(yù)測(cè)數(shù)模所需的調(diào)參數(shù)據(jù)。其中，進(jìn)行數(shù)據(jù)空間映射的核函數(shù)對(duì)模型影響較大。徑向基核函數(shù)的預(yù)測(cè)效果最好。

支持向量機(jī)由于核心是核函數(shù)的運(yùn)用，所以可被稱為單核函數(shù)，而多核學(xué)習(xí)則是支持向量機(jī)的一種推廣，使用雙回路來調(diào)整多核學(xué)習(xí)（MKL）油藏孔隙度（φ）和滲透率模型（k）：（1）內(nèi)回路通過最大程度地減少靜態(tài)模型的失配來優(yōu)化輸入特征的影響（2）外回路優(yōu)化多核學(xué)習(xí)（MKL）參數(shù)，以最小化油藏模型響應(yīng)的動(dòng)態(tài)失配。MKL能夠?qū)λx的空間特征進(jìn)行非線性混合。對(duì)于不同的油藏區(qū)域，需要選擇不同的內(nèi)核寬度。相比于單個(gè)核函數(shù)，多核模型可以具有更高的靈活性。經(jīng)過多個(gè)核函數(shù)映射后的高維空間是由多個(gè)特征空間組合而成的組合空間，新的組合空間中能夠得到更加準(zhǔn)確、合理的表達(dá)，進(jìn)而提高樣本數(shù)據(jù)的分類正確率或預(yù)測(cè)精度。盡管多核學(xué)習(xí)在解決一些異構(gòu)數(shù)據(jù)集問題上表現(xiàn)出了非常優(yōu)秀的性能，但效率是多核學(xué)習(xí)發(fā)展的最大瓶頸。（1）空間方面（2）時(shí)間方面，高耗的時(shí)間和空間復(fù)雜度是導(dǎo)致多核學(xué)習(xí)算法不能廣泛應(yīng)用的一個(gè)重要原因。

利用深度學(xué)習(xí)和集合數(shù)據(jù)同化法進(jìn)行歷史擬合。使用一個(gè)深的自動(dòng)編碼器為架構(gòu)，其基本思想是使用一組先前沉積相認(rèn)識(shí)來訓(xùn)練DL網(wǎng)絡(luò)，然后，利用隱層的系數(shù)（編碼器的輸出）作為歷史擬合參數(shù)，利用ES-MDA分析方程進(jìn)行調(diào)整，然后，基于初始訓(xùn)練（解碼器），使用更新后的系數(shù)重建沉積相模型，也被稱為ES-MDA-DL。根據(jù)PUNQ-S3案例，對(duì)比ES-MDA，ES-MDA-PCA發(fā)現(xiàn)。ES-MDA-DL也得到了定義良好的河道，保持了對(duì)數(shù)滲透率的雙模型分布，得到的數(shù)據(jù)擬合質(zhì)量與ES-MDA和ES-MDA-PCA得到的數(shù)據(jù)擬合質(zhì)量相同。ES-MDA-DL和ES-MDA-PCA使用了降維技術(shù)、將數(shù)據(jù)降維并做高斯變化，這樣解決了ES-MDA對(duì)于數(shù)據(jù)高斯性假設(shè)的依賴。同時(shí)這兩種方法更新了沉積相和巖石物理性質(zhì)，使得結(jié)果更準(zhǔn)確。

對(duì)于可行性約束的油藏歷史擬合，可使用基于KNN分類器來挖掘訓(xùn)練數(shù)據(jù)集中的特征空間。在保留形狀與連通模式的同時(shí)更新曲流河河道以擬合觀測(cè)數(shù)據(jù)是非常困難的，并且很難通過經(jīng)典歷史擬合方法去實(shí)現(xiàn)。采用機(jī)器學(xué)習(xí)方法，在保持復(fù)雜相連通的同時(shí)，提出一種復(fù)雜相模型自動(dòng)歷史擬合的框架。

GRNN模型比MARS模型和SGB模型具有更好的擬合質(zhì)量。MARS模型在測(cè)試集上的結(jié)果表現(xiàn)比SGB和GRNN模型好得多。MARS、SGB和RF機(jī)器學(xué)習(xí)方法與GRNN方法不同，它們能夠自動(dòng)選擇相關(guān)的輸入特征。

總的來說，不同的機(jī)器學(xué)習(xí)算法、模型輸入數(shù)據(jù)的處理與選擇、參數(shù)和函數(shù)的選擇與調(diào)節(jié)等因素共同決定了模型的效率及準(zhǔn)確度。機(jī)器學(xué)習(xí)在開發(fā)指標(biāo)的預(yù)測(cè)和數(shù)模調(diào)參方面有著廣泛的運(yùn)用。一些較新的算法，例如多核學(xué)習(xí)，還有待進(jìn)一步提升。