油田开发过程中,石油的钻采作业可能会引发诸如油气流动阻力增加、油层渗透率下降等油气层损害现象,而油气层损害现象主要是由油气层与外来流体接触发生五种敏感性反应后堵塞油气层孔隙造成的。为了降低油气层所受损害,需要对油气层潜在敏感性进行合理的评价,但传统的油气层潜在敏感性评价方法主要基于油气层敏感性流动实验,实验所需岩心样本获取难度大,实验耗时久,并且在某些情况下对复杂油气层状况的评价效果并不理想。因此探索高效、可靠的油气层敏感性评价方法就尤为重要,本文正是基于此来开展研究。针对油气层敏感性流动实验存在的问题,本文主要提出一种基于机器学习的油气层潜在敏感性的评价方法来实现对油气层潜在敏感性快速、高效的评价。主要工作包括:首先,通过分析和研究机器学习过程、决策树算法、BP神经网络算法的原理与特点,结合决策树算法与神经网络算法的特点,提出基于机器学习的油气层潜在敏感性评价方法。该方法主要包含两部分优化内容:一是基于改进信息增益的特征选择方法,该方法主要以特征信息增益与类别分布所构成的影响力为评价标准,选取最优特征子集,与基于传统信息增益的特征选择方法相比考虑到更多的情况;二是基于决策树的神经网络结构与权重初始化方法,该方法主要利用决策树算法对信息的处理能力,确定BP神经网络的初始结构与初始权重。与传统BP神经网络算法相比,该算法提高了网络结构的合理性,并且降低了网络初始权重的随机性,有利于生成一个最优BP神经网络模型。其次,通过对油气层各个参数的分析,选择影响五种敏感性的因素并结合油气层敏感性流动实验评价出的敏感程度作为样本数据。运用本文提出的评价方法与基于传统BP神经网络的评价方法对五种敏感性进行评价,实验结果表明,本文提出的评价方法在精度与时间复杂度上优于基于传统BP神经网络的评价方法,具有一定的优越性和有效性。最后,研发可视化的基于机器学习的油气层敏感性评价软件,实现对油气层潜在敏感性高效、快捷的评价,方便在后续的研究中使用本文提出的方法,为油田开发与油气层保护提供参考依据。