储层总有机碳含量预测可用于储层含油气水平及生烃潜力评估,对非常规油气勘探和开发具有重要意义。然而传统的储层总有机碳含量预测方法通常存在测井数据信息提取能力差、预测精度有限等问题。为解决上述不足,本文以储层总有机碳含量为研究对象,从数据处理角度出发,利用机器学习理论方法,分别从提升测井数据质量、测井特征优选、总有机碳含量预测精度改善的角度,系统地开展测井数据驱动总有机碳含量预测方法研究,重点解决测井特征冗余和预测精度有限问题,为提升储层含油气水平及生烃潜力评估能力提供借鉴。首先,为提升测井数据质量,本文依次对原始测井数据进行深度校正、数据缺失和异常值处理、数据归一化处理,为后续特征优选和总有机碳含量预测提供有效数据支撑。进一步,为解决测井特征冗余和不相关问题,本文开展基于嵌入式特征选择的特征优选研究,根据特征对模型的贡献度进行特征排序,并研究贡献阈值对预测精度的影响,进而筛选出最优特征子集。在此基础上,本文研究并提出一种基于嵌入式特征选择与梯度提升回归树的总有机碳含量预测方法,使用嵌入式特征选择方法有效提取测井数据信息,最后利用梯度提升回归树算法集成多个弱学习器的优势,有效改善了总有机碳含量预测精度,降低了训练时间成本。本文通过实验分析验证所提方法的有效性。结果表明,将相关函数法、均值填补缺失数据、最大最小标准化法用于测井数据预处理研究,有效改善了低质量数据对预测模型精度的影响。进一步,使用嵌入式特征选择方法进行特征优选,将输入特征个数从31降为3,预测指标R~2达到0.992,在保证预测精度的同时显著降低了数据维度。在此基础上,将嵌入式特征选择与梯度提升回归树算法结合,总有机碳含量预测模型的训练时间缩短至0.388s,有效提升了总有机碳含量的预测速度。此外,与传统基于神经网络的总有机碳含量预测模型对比,本文所提出的总有机碳含量预测方法预测精度R~2从0.950提升至0.992,训练用时从18.799s减少至0.388s,有效提升了原始测井数据处理速度和预测精度等方面的性能。