这项研究的重点是在非均质砂岩储层中使用极限学习机进行储层参数估算。具体的工作目标是获得准确的Kong隙度和渗透率，而常规的岩石物理方法已证明在没有岩心数据的情况下很难获得准确的Kong隙度和渗透率。 已使用来自8口井的4950口具有核心数据的样本来训练和验证神经网络，而强大的ELM算法可提供快速而准确的预测结果，并且与BP（反向传播）网络和SVM（支持向量机）进行比较也证明了这一点。然后将网络模型用于估计其余油井的Kong隙度和渗透率，预测属性与石油测试结论相匹配。 在此基础上，对储层Kong隙