准噶尔盆地金龙2井区火山岩储层为低孔低渗储层,火山岩岩性复杂,岩性识别符合率低,其次储渗模式复杂,无法用简单的线性关系进行描述,因此利用常规解释方法预测火山岩储层质量参数效果不佳。为此本文尝试运用对解决非线性问题效果较好的集成学习算法,对该区岩性进行识别、解释储层参数和流体识别,并对应用效果进行评价。本文以准噶尔盆地金龙2井区火山岩储层为研究对象,以测录井资料为基础开展研究。首先分析了储层岩性、物性、含油性和电性及它们间的关系;然后利用测井、岩心以及薄片资料,在岩心自动归位的基础上,运用多种非线性方法识别研究区复杂岩性,建立孔隙度模型;最后,针对渗透率纵向变化范围大,孔渗关系不明确的问题,通过多种机器学习算法识别储层内不同流动单元,在流动单元内运用常规方法解释渗透率。通过计算不同毛管压力曲线间的Pearson相关系数并聚类,按聚类特征结合孔渗及岩石物理参数将储集层分为3大类。将分类后的岩样和取芯样品与测井数据进行深度匹配,通过集成算法结合测井属性建立储层类别判别模型。结果表明,集成算法在研究区有较好的应用效果。具体为:采用随机森林算法建立孔隙度模型,采用梯度提升树算法建立岩性识别模型、划分流动单元和储层类别判别。这些算法组合可进行全区推广应用。