岩石导热性，或其导热能力，是建立石油盆地模型和设计提高石油采收率（EOR）方法的关键，所谓的三次采收，使油田作业者能够比使用基本方法采出更多的原油。常见的EOR方法是热注入法，即通过蒸汽等各种手段对油层中的石油进行加热，这种方法需要对油藏内的传热过程有广泛的了解。

为此，人们需要在现场直接测量岩石导热率，但事实证明这是一项艰巨的任务，尚未产生可用于实践的满意结果。因此，科学家和从业人员转而采用间接方法，即根据井下测井数据推断岩石导热率，这些数据提供了岩石物理特性垂直变化的高分辨率图像。

"今天，三个核心问题排除了在非钻井区间内直接测量热导率的任何机会。首先是测量所需的时间：石油工程师不可能让你把井长时间搁置，因为这在经济上是不合理的。其次，钻井液的诱导对流极大地影响了测量结果。最后，还有井眼形状不稳定，这与测量的一些技术问题有关。"Skoltech公司的博士生、论文第一作者Yury Meshalkin说。

已知的方法，两者都有其缺点，与数据的可用性和岩石特性的非线性有关。Meshalkin和他的同事们将7种机器学习算法对立起来，竞相从测井数据中尽可能准确地重建热导率。他们还选择了Lichtenecker-Asaad的理论模型作为这次比较的基准。

研究人员利用位于俄罗斯北部Timan-Pechora盆地的一个重油田的真实井志数据发现，在7种机器学习算法和基本的多元线性回归中，随机森林提供了最准确的基于井志的岩石导热系数预测，甚至击败了理论模型。

"如果从今天的实际需求和现有的解决方案来看，我想说我们基于机器学习的最佳结果是非常准确的。很难给出一些定性的评估，因为情况会有所不同，而且受限于某些油田。但我相信，石油生产商可以在EOR设计中使用这种间接的岩石导热系数预测。"Meshalkin指出。

科学家们认为，机器学习算法是快速有效预测岩石导热系数的一个有前途的框架。这些方法更直接、更稳健，不需要普通井志数据之外的额外参数。因此，它们可以 "从根本上提高地热勘查、盆地和石油系统建模以及优化热力EOR方法的结果。