機器學習主要作用是分類、回歸、降維和聚類。在開發指標預測中主要是回歸和降維。機器學習的主要理論基礎就是使目標函數最小化，而目標函數主要由經驗風險和結構風險組成。經驗風險就是預測值和真實觀測值的差異，結構風險則是由置信域決定的。置信域也就是推廣性的界，主要是由維度大小和樣本數量決定的。機器學習的算法有很多種，可以運用到指標預測和數模調參方面的算法主要包括支持向量回歸機、隨機決策森林、多元自適應回歸樣條、深度學習、k最近鄰、核脊回歸、協同過濾和概率矩陣分解、神經網絡、隨機梯度、廣義回歸神經網絡等。

對于開發指標，主要對產量、物性參數進行預測。產量包括產水率、產氣率、產油率和遞減率等。物性參數主要包括油藏物理性質和流體性質。使用隨機森林、多元自適應回歸樣條和支持向量回歸機對遞減率的進行預測，發現支持向量回歸機SEDM預測最好。

對于產量預測，使用數模等數據驅動式模型預測比使用遞減率預測準確。人工神經網絡無法取代數據驅動式模型，但兩者結合可以有更好的效果。

對孔隙度、滲透率等物性參數進行預測。對比傳統地質概率方法、克里金法和機器學習，發現機器學習的耗時小、計算量小且準確度沒有下降。

支持向量回歸機由于原理和概率統計中的VC維和推廣性的界相似，是重要的回歸算法之一。首先選定輸入數據，然后對數據進行粗糙化、歸一化等預處理。第二步則是建立模型，選定核函數。第三部利用油產量差、氣產量差、水產量差分別預測孔隙度和滲透率，再將預測的孔隙度和滲透率加入輸入項的自變量中去預測誤差較大的厚度。根據產量數據進行建模預測數模所需的調參數據。其中，進行數據空間映射的核函數對模型影響較大。徑向基核函數的預測效果最好。

支持向量機由于核心是核函數的運用，所以可被稱為單核函數，而多核學習則是支持向量機的一種推廣，使用雙回路來調整多核學習（MKL）油藏孔隙度（φ）和滲透率模型（k）：（1）內回路通過最大程度地減少靜態模型的失配來優化輸入特征的影響（2）外回路優化多核學習（MKL）參數，以最小化油藏模型響應的動態失配。MKL能夠對所選的空間特征進行非線性混合。對于不同的油藏區域，需要選擇不同的內核寬度。相比于單個核函數，多核模型可以具有更高的靈活性。經過多個核函數映射后的高維空間是由多個特征空間組合而成的組合空間，新的組合空間中能夠得到更加準確、合理的表達，進而提高樣本數據的分類正確率或預測精度。盡管多核學習在解決一些異構數據集問題上表現出了非常優秀的性能，但效率是多核學習發展的最大瓶頸。（1）空間方面（2）時間方面，高耗的時間和空間復雜度是導致多核學習算法不能廣泛應用的一個重要原因。

利用深度學習和集合數據同化法進行歷史擬合。使用一個深的自動編碼器為架構，其基本思想是使用一組先前沉積相認識來訓練DL網絡，然后，利用隱層的系數（編碼器的輸出）作為歷史擬合參數，利用ES-MDA分析方程進行調整，然后，基于初始訓練（解碼器），使用更新后的系數重建沉積相模型，也被稱為ES-MDA-DL。根據PUNQ-S3案例，對比ES-MDA，ES-MDA-PCA發現。ES-MDA-DL也得到了定義良好的河道，保持了對數滲透率的雙模型分布，得到的數據擬合質量與ES-MDA和ES-MDA-PCA得到的數據擬合質量相同。ES-MDA-DL和ES-MDA-PCA使用了降維技術、將數據降維并做高斯變化，這樣解決了ES-MDA對于數據高斯性假設的依賴。同時這兩種方法更新了沉積相和巖石物理性質，使得結果更準確。

對于可行性約束的油藏歷史擬合，可使用基于KNN分類器來挖掘訓練數據集中的特征空間。在保留形狀與連通模式的同時更新曲流河河道以擬合觀測數據是非常困難的，并且很難通過經典歷史擬合方法去實現。采用機器學習方法，在保持復雜相連通的同時，提出一種復雜相模型自動歷史擬合的框架。

GRNN模型比MARS模型和SGB模型具有更好的擬合質量。MARS模型在測試集上的結果表現比SGB和GRNN模型好得多。MARS、SGB和RF機器學習方法與GRNN方法不同，它們能夠自動選擇相關的輸入特征。

總的來說，不同的機器學習算法、模型輸入數據的處理與選擇、參數和函數的選擇與調節等因素共同決定了模型的效率及準確度。機器學習在開發指標的預測和數模調參方面有著廣泛的運用。一些較新的算法，例如多核學習，還有待進一步提升。