本书围绕复杂油气藏与非常规油气藏，聚焦智能算法和井筒数据的融合，详细介绍了数据清洗与预处理、经典智能算法、集成学习算法与深度学习方法原理、最优化问题演化算法，探讨了机器学习与物理模型共同驱动理论，并举例展示了上述智能算法在有机页岩、致密砂岩、碳酸盐岩测井解释与地层评价中的应用，应用场景涵盖岩性岩相识别、流体识别等分类问题，以及有机碳含量、孔隙度、渗透率、饱和度等参数回归问题。

第1章 绪论
1.1 井筒数据解释面临的挑战
1.2 数据挖掘与机器学习研究进展
1.3 井筒数据智能解释研究进展
1.4 井筒数据智能解释基本思路
1.5 问题与对策
第2章 井筒数据与数据治理
2.1 井筒多源数据
2.2 数据治理
2.3 数据降维
2.4 数据敏感性与标签构建
第3章 智能算法理论基础
3.1 聚类分析算法
3.2 经典机器学习算法
3.3 算法适应性
第4章 经典智能算法应用
4.1 有机页岩储层测井智能解释
4.2 致密砂岩储层测井智能评价
第5章 集成学习算法及应用
5.1 同质集成
5.2 异质集成——委员会机器
5.3 动态委员会机器
第6章 深度学习算法及应用
6.1 全连接神经网络算法及应用
6.2 卷积神经网络算法及应用
6.3 循环神经网络算法及应用
第7章 最优化问题演化算法及应用
7.1 线性反演算法
7.2 线性反演应用实例
7.3 非线性反演算法
7.4 非线性反演应用实例
第8章 物理模型与机器学习联合驱动范式及应用
8.1 物理模型与专家知识
8.2 模型—数据联合驱动范式
8.3 应用案例
第9章 多源数据融合理论及应用
9.1 信息融合理论
9.2 井筒数据融合方法
9.3 井震多源信息融合与储层智能评价
参考文献