季少聰　楊香華*　朱紅濤　鄧運華　康洪全　王　波

(①中國地質大學(武漢)資源學院，湖北武漢 430074； ②中國地質大學(武漢)構造與油氣資源教育部重點實驗室，湖北武漢430074； ③中國海洋石油研究總院，北京 100027)

1　引言

烴源巖評價是油氣勘探的一項關鍵工作，而總有機碳(TOC)含量是烴源巖有機質豐度和生烴潛力評價的重要組成部分[1]。一方面，受古生產力、底層水氧含量、水動力條件和沉積速率的影響，烴源巖有機質豐度存在強烈的非均質性[2]，有機質分布不均勻；另一方面，受油基泥漿污染，下剛果盆地A區(qū)塊僅有兩口井存在可用于實測Madingo組TOC含量的樣品，且樣品數(shù)量較少，分布不連續(xù)。因此，僅以有限的實測TOC數(shù)據(jù)難以進行整個研究區(qū)烴源巖有機質豐度的定量評價。

前人研究表明，測井資料蘊含著烴源巖的多種地球化學信息，通過建立烴源巖實測TOC含量與測井參數(shù)之間的定量模型可以預測TOC在垂向上的分布[3]。國內外學者提出了多種依據(jù)測井參數(shù)預測TOC含量的方法： ①單因素法，根據(jù)對有機質敏感的自然伽馬[4]、聲波時差、密度[5,6]和電阻率等單測井參數(shù)與TOC的相關關系進行計算； ②多元回歸分析法，在統(tǒng)計分析測井參數(shù)與TOC相關性的基礎上，優(yōu)選多種測井參數(shù)擬合TOC含量與多參數(shù)之間的經驗公式[7,8]； ③ΔlgR法，Passey等[9]提出了一種基于電阻率測井曲線和聲波時差測井曲線(或密度測井曲線、中子孔隙度測井曲線)的重疊關系來定量預測TOC含量的計算方法，即ΔlgR法[10]； ④通過建立人工神經網絡模型反映TOC與測井參數(shù)之間復雜的非線性關系[11-13]，實現(xiàn)TOC含量的定量預測。但是，根據(jù)測井資料僅能預測單井TOC含量，無法預測TOC的平面分布。近年來，一些學者探索了地震屬性與烴源巖有機質豐度的非線性關系[14-18]，計算TOC含量三維數(shù)據(jù)體，通過切片可以顯示TOC在平面上的分布特征[6,7]。

下剛果盆地目前勘探程度整體較低，關于烴源巖的研究較為薄弱，僅局限于零散樣品的地球化學評價方面，對烴源巖有機質分布的非均質性認識不清[19,20]。本文以下剛果盆地A區(qū)塊實測TOC含量和測井資料為基礎，優(yōu)選適合研究區(qū)的測井計算方法，定量預測單井TOC含量；并結合三維地震數(shù)據(jù)建立地震屬性與TOC含量之間的神經網絡模型，計算TOC含量三維數(shù)據(jù)體，進而預測研究區(qū)TOC在垂向和平面上的分布特征。

2　區(qū)域地質概況

下剛果盆地位于非洲西海岸，北部以馬永巴高原與加蓬盆地相鄰，南部以安布里什高原與寬扎盆地相鄰，東部以前寒武系基底露頭和變質沉積物為界，西部邊界以洋殼的出現(xiàn)為標志。盆地總面積為68698km2，其中海上面積為43528km2，陸上面積為25171km2，是西非被動大陸邊緣系列含鹽盆地之一[21]。晚侏羅世，隨著岡瓦納大陸的裂解，非洲和南美洲大陸開始分離。受南大西洋裂谷作用和持續(xù)漂移的控制，盆地經歷了晚侏羅世—早白堊世Aptian期裂谷階段、早白堊世Aptian期過渡階段和早白堊世Aptian期以后的漂移拗陷階段共3個演化階段。裂谷階段主要發(fā)育湖相沉積，漂移拗陷階段主要發(fā)育海相沉積。Aptian期受持續(xù)的海侵及干旱氣候的影響，形成了廣泛分布的鹽巖層，該鹽巖層分隔了鹽下湖相含油氣系統(tǒng)和鹽上海相含油氣系統(tǒng)。受漂移拗陷階段南大西洋不斷擴張的影響，Madingo組沉積時期下剛果盆地過渡到半封閉的海洋環(huán)境，在陸架背景發(fā)育高有機質豐度的海相烴源巖[22,23](圖1)。

圖1　研究區(qū)地理位置(據(jù)文獻[22]修改)

3　烴源巖實測地球化學特征

3.1　有機質豐度

有機質豐度是評價烴源巖優(yōu)劣的一個重要方面，而TOC含量是最主要的有機質豐度指標。本次研究以研究區(qū)A井和B井實測TOC含量數(shù)據(jù)為基礎，其中B井Madingo組烴源巖12個實測TOC數(shù)據(jù)顯示，TOC含量分布具有明顯的兩分性(圖2)。具體表現(xiàn)為：Madingo組上段TOC含量較低，主要分布在0～3%之間，其中1%～2%之間的樣品數(shù)量最多； Madingo組下段TOC含量較高，介于1%～5%之間。

圖2　B井Madingo組烴源巖TOC含量分布

3.2　有機質類型及成熟度

有機質類型和有機質成熟度是烴源巖評價中的兩個重要指標，氫指數(shù)和熱解峰溫圖版可以劃分烴源巖的有機質類型和有機質成熟度。研究區(qū)B井Madingo組烴源巖絕大多數(shù)樣品分布在Ⅱ1型區(qū)內，有機質類型以腐殖腐泥型為主。另外，Madingo組上段2個樣品位于Ⅱ2型區(qū)內，有機質類型為腐泥腐殖型，Madingo組下段1個樣品位于Ⅰ型區(qū)內，有機質類型為腐泥型(圖3)。Madingo組烴源巖有機質成熟度普遍較低，絕大多數(shù)樣品分布在0.3%

圖3　B井Madingo組烴源巖有機質類型及成熟度圖版

4　烴源巖地球物理響應特征

4.1　烴源巖測井響應特征

前人研究成果表明，對有機質敏感的測井參數(shù)包括自然伽馬、聲波時差、密度和電阻率等。一般富有機質烴源巖具有高自然伽馬、高聲波時差、低密度和高電阻率的測井響應特征[24]。

研究區(qū)B、C、D井包含自然伽馬、聲波時差、密度、電阻率、補償中子和有效孔隙度6種測井資料，而A井只有自然伽馬、聲波時差、密度和電阻率4種測井資料。以研究區(qū)A井和B井實測TOC含量數(shù)據(jù)為基礎，統(tǒng)計和分析了研究區(qū)實測TOC與GR(自然伽馬，單位為API)、DT(聲波時差，單位為μs/ft)、RHOB(密度，單位為g/cm3)和AE60(陣列感應電阻率，單位為Ω·m)四項測井參數(shù)的相關關系，以及B井實測TOC與NPHI(補償中子)和PHIE(有效孔隙度)兩項測井參數(shù)的相關關系(圖4)。結果表明，TOC與密度相關性最好，呈負相關關系，相關系數(shù)為-0.8393；TOC與自然伽馬、聲波時差、補償中子和有效孔隙度相關性較好，均呈正相關關系，相關系數(shù)分別為0.737、0.5359、0.5338和0.4462；而電阻率與TOC無明顯相關性，相關系數(shù)僅為0.0877。

研究區(qū)B井Madingo組下段巖性、電性變化頻繁，巖性組合主要為厚層泥巖與薄層灰質泥巖、粉砂質泥巖互層，底部發(fā)育厚層泥灰?guī)r，可識別三段富有機質層段(圖5b中灰色矩形內)，巖性以泥巖為主，具有高TOC含量、高自然伽馬、高聲波時差和低密度的特征；Madingo組上段巖性、電性變化不明顯，巖性組合以大套泥巖、灰質泥巖及泥灰?guī)r為主，TOC含量總體較低。

因此，研究區(qū)烴源巖具有低密度、高自然伽馬和高聲波時差的測井響應特征，這些響應特征是烴源巖TOC含量測井預測的基礎。

4.2　烴源巖地震響應特征

Madingo組烴源巖是下剛果盆地鹽上海相烴源巖的主力層位，其地震反射特征與上、下巖層明顯不同。根據(jù)地震相分析，Madingo組上段地震反射特征表現(xiàn)為強振幅、連續(xù)、低頻地震相，平行或亞平行反射結構，反映其沉積時期水動力能量較弱、沉積環(huán)境相對穩(wěn)定[25,26]；Madingo組下段具有與Madingo組上段相似的地震反射特征，局部為弱振幅地震反射(圖5)。

圖4　研究區(qū)實測TOC與測井參數(shù)的相關性分析

圖5　Madingo組烴源巖測井和地震響應特征

5　烴源巖TOC含量測井預測

通過比較實測TOC與各測井參數(shù)之間的相關關系，優(yōu)選出研究區(qū)與TOC具有較好相關性的測井參數(shù)。分別以前人提出的多元回歸分析法[7]、ΔlgR法[10]、BP神經網絡法[12,13]計算TOC含量，并結合單測井參數(shù)與TOC交會分析結果，比較不同計算方法的誤差大小，進而建立研究區(qū)TOC含量測井預測的經驗公式。

5.1　多元回歸分析法

由前所述，研究區(qū)密度、自然伽馬、聲波時差、補償中子和有效孔隙度測井參數(shù)與TOC具有較好的相關關系，而A井沒有進行補償中子和有效孔隙度測量。因此，以密度、自然伽馬和聲波時差三項測井參數(shù)和實測TOC含量為基礎，建立多元回歸方程模型

TOC=a×ρ+b×γ+c×Δt+d

式中： TOC為實測TOC值；ρ、γ和Δt分別為密度、自然伽馬和聲波時差測井值；a、b、c為系數(shù)，d為常數(shù)。根據(jù)最小二乘法擬合獲得a、b、c、d值，進而得到回歸方程

TOC=-6.675×ρ+0.012×γ-

0.022×Δt+18.614

該式相關系數(shù)為0.884(圖6a)。

5.2　改進的ΔlgR法

Passey等[9]提出了一種測井預測不同成熟度條件下的TOC含量計算方法，即ΔlgR法。

首先，根據(jù)聲波時差和電阻率測井參數(shù)計算ΔlgR

(1)

式中：R和Δt分別為實測電阻率值和聲波時差值；R基線和Δt基線分別為非烴源巖段電阻率和聲波時差值，x為系數(shù)。

TOC與ΔlgR線性相關，Passey等[9]提出了根據(jù)ΔlgR計算TOC的經驗公式

TOC=10(2.297-0.1688×LOM)×ΔlgR

(2)

式中LOM是熱變指數(shù)，反映有機質成熟度，可以根據(jù)鏡質體反射率(Ro)分析得到[27]。

然而，該方法沒有考慮與研究區(qū)實測TOC具有良好相關性的密度測井參數(shù)，并且需要成熟度參數(shù)和人為確定巖性基線等，因此誤差較大，不適用于研究區(qū)TOC含量預測。基于以上問題，本次研究采用張寒等[10]提出的改進的ΔlgR法。式(2)可簡化為

TOC=K×ΔlgR

(3)

式中K為系數(shù)，將式(1)代入式(3)可得

TOC=K×lgR+xK×Δt-K×(lgR基線+

x×Δt基線)

(4)

式(4)可簡化為

TOC=a×lgR+b×Δt+c

(5)

TOC含量與密度呈負相關關系，經密度校正，式(5)可修改為

(6)

式中：ρ為密度測井值；a和b為系數(shù)，c為常數(shù)。根據(jù)最小二乘法擬合獲得a、b、c的值，進而得到改進的ΔlgR法計算TOC公式

該式相關系數(shù)為0.7648(圖6b)。

5.3　BP神經網絡法

烴源巖有機質豐度與測井參數(shù)之間并非簡單的線性相關關系，人工神經網絡是一種由人工神經元并行互聯(lián)形成的網絡，在解決非線性復雜問題方面具有優(yōu)越性[28]。

圖6　實測TOC與不同方法預測TOC的相關性分析

5.3.1神經網絡模型結構

本次研究采用應用較為廣泛的BP神經網絡，它根據(jù)神經網絡估算值(實際輸出)和訓練數(shù)據(jù)集中的期望輸出值之間的誤差，對網絡的各層權值和閾值由后向前逐層進行誤差校正，當誤差滿足要求或者訓練次數(shù)達到預先設定的次數(shù)時訓練停止。

BP神經網絡模型在網絡訓練時需要考慮網絡的層數(shù)、隱含層單元數(shù)等。Robet-Nielson證明了具有1個隱含層的3層BP網絡模型可以有效地逼近任意連續(xù)函數(shù)[29]，因此，為了簡化模型，提高運算速度，本次研究選擇含1個隱含層的3層網絡模型，即輸入層、隱含層和輸出層。前已述及，研究區(qū)密度、自然伽馬和聲波時差三項測井參數(shù)和實測TOC相關性較好，以該三項測井參數(shù)和實測TOC含量為基礎進行TOC含量定量預測。因此網絡輸入層為密度、自然伽馬和聲波時差測井值，節(jié)點數(shù)為3；輸出層為TOC含量，節(jié)點數(shù)為1。

隱含層節(jié)點數(shù)的選擇是神經網絡設計中的一個重要環(huán)節(jié)，可以通過經驗公式和神經網絡訓練來確定。首先根據(jù)經驗公式確定隱含層節(jié)點數(shù)的范圍，然后分別建立具有不同隱含層節(jié)點數(shù)的BP神經網絡模型，通過對比確定最佳的隱含層節(jié)點數(shù)。經驗公式為：m=(n+k)1/2+α。其中：m為隱含層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；k為輸出層節(jié)點數(shù)；α為1～10之間的常數(shù)[29]。計算可知，n=3，k=1，m為3～12之間的常數(shù)。分別建立隱含層節(jié)點數(shù)為3～12之間的BP神經網絡模型，通過對比訓練結果可知，當隱含層節(jié)點為10時，實際輸出和期望輸出之間的相關系數(shù)最大(表1)，即神經網絡的逼近效果最好。

表1　不同隱含層節(jié)點數(shù)的BP神經網絡模型對比

5.3.2數(shù)據(jù)歸一化

由于自然伽馬、聲波時差和密度三項測井參數(shù)之間量綱不統(tǒng)一，數(shù)值間的差別很大。因此，為了消除參數(shù)之間的量綱和取值范圍差異的影響，需要進行歸一化處理。

MATLAB軟件中數(shù)據(jù)歸一化函數(shù)包括premnmx、tramnmx等，premnmx函數(shù)用于將網絡的輸入數(shù)據(jù)和輸出數(shù)據(jù)進行歸一化。premnmx函數(shù)的語法格式為

[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)

式中：p(n×Q階矩陣)和t(k×Q階矩陣)分別為訓練數(shù)據(jù)輸入樣本和輸出樣本；而minp(n×1階矩陣)和maxp(n×1階矩陣)分別為p中的最小值和最大值，mint(k×1階矩陣)和maxt(k×1階矩陣)分別為t中的最小值和最大值，pn(n×Q階矩陣)和tn(k×Q階矩陣)分別為經過歸一化的輸入樣本和期望樣本。n為輸入層節(jié)點數(shù)，k為輸出層節(jié)點數(shù)，Q為常數(shù)，premnmx函數(shù)對p和t分別按照行進行歸一化處理。premnmx函數(shù)的基本算法如下

式中：x為樣本某行向量中任一數(shù)據(jù)； max和min分別為該行向量的最大值和最小值；xn為該數(shù)據(jù)歸一化的結果，數(shù)值范圍在[-1,+1]區(qū)間內。

在訓練網絡時所用的是經過歸一化的訓練數(shù)據(jù)輸入樣本和未經歸一化的訓練數(shù)據(jù)輸出樣本，之后使用網絡時所用的測驗數(shù)據(jù)輸入樣本需要和訓練數(shù)據(jù)輸入樣本接受相同的預處理，tramnmx函數(shù)可以實現(xiàn)這一功能。tramnmx函數(shù)的語法格式為

[Pn]=tramnmx(P,minp,maxp)

式中：P為測驗數(shù)據(jù)輸入樣本；Pn為經過歸一化的測驗數(shù)據(jù)輸入樣本，maxp和minp同上，分別為訓練數(shù)據(jù)輸入樣本p的最大值和最小值。

5.3.3TOC含量預測模型

以研究區(qū)58組TOC含量實測值和測井參數(shù)值為全部樣本，隨機選擇49組數(shù)據(jù)(全部樣本的85%)為訓練樣本；訓練樣本中隨機選擇9組數(shù)據(jù)(全部樣本的15%)為校驗樣本，參與訓練；其余9組數(shù)據(jù)(全部樣本的15%)為測試樣本，不參與訓練，用于檢驗模型的泛化能力。

采用三層網絡結構模型，選擇雙曲正切為激勵函數(shù)，輸入層包含3個特征向量，即RHOB(密度)、GR(自然伽馬)和DT(聲波時差)測井值，隱含層取10個節(jié)點，輸出層為一個節(jié)點，即預測TOC值。建立TOC含量的BP神經網絡預測模型

式中： tanh為激勵函數(shù)，其定義域為(-∞,+∞)，值域為(-1,+1)；xi為輸入層特征向量；wij和bj分別為輸入層到隱含層的權值和閾值；vjk和ak分別為隱含層到輸出層權值和閾值；n=3、m=10、k=1分別為輸入層節(jié)點數(shù)、隱含層節(jié)點數(shù)和輸出層節(jié)點數(shù)。

計算結果表明，訓練樣本、校驗樣本、測試樣本和全部樣本的實際輸出(預測TOC)和期望輸出(實測TOC)的相關系數(shù)分別為0.9281、0.9941、0.9981和0.9542(圖7)，相關系數(shù)均在0.9以上。輸入層到隱含層的權值和閾值、隱含層到輸出層的權值和閾值見表2。

圖7　不同階段實際輸出與期望輸出之間的相關性分析

權值輸入層至隱含層權值wij123閾值bj1　4．42191-4．04612　0．26273-6．1328723．96921-4．37696-1．22653-4．6793333．76385-7．16371-6．34619-3．960564-4．106673．59427-2．543042．022105-1．620511．74757-6．984340．135686-3．51984-0．96528-4．20091-2．6185876．95786-0．20732-1．803320．827118-1．804976．70492-3．24668-2．8896093．980930．99275-4．804424．7267610-3．33471-1．225825．17919-5．89568隱含層至輸出層權值vjk12345678910閾值ak0．76706-0．164885．457200．042782．52433-0．667850．76842-2．014900．720430．622320．05366

5.4　預測方法對比優(yōu)選

通過對比實測TOC與不同方法計算TOC的相關性和誤差大小可知(表3)，BP神經網絡法預測效果最好，相關系數(shù)高達0.9542，平均絕對誤差為0.2167，平均相對誤差為15.73%；其次為多元回歸分析法，相對系數(shù)為0.884，平均絕對誤差為0.3425，平均相對誤差為24.85%；而改進的ΔlgR法和單測井參數(shù)法平均相對誤差都接近或大于30%，誤差較大，不滿足精度要求。因此，可應用BP神經網絡法進行研究區(qū)TOC含量的測井定量預測。

表3　實測TOC與不同方法預測TOC誤差對比

6　烴源巖TOC含量三維定量預測

根據(jù)實測TOC含量與密度、自然伽馬和聲波時差測井參數(shù)值訓練得到的BP神經網絡模型，計算并繪制研究區(qū)A、B、C和D四口單井的TOC預測曲線。運用HRS軟件的Strata和Emerge模塊建立測井預測TOC含量與井旁道地震屬性之間的神經網絡模型，并計算TOC含量三維數(shù)據(jù)體。

6.1　井震聯(lián)合預測

在HRS軟件的Strata模塊中分別導入研究區(qū)的三維地震數(shù)據(jù)和Madingo組頂、底界面和中間界面層位數(shù)據(jù)以及四口單井的TOC預測曲線，制作合成地震記錄并進行井震標定，再建立反演模型進行波阻抗反演得到波阻抗數(shù)據(jù)體，根據(jù)速度=波阻抗/密度求取速度體。然后在Emerge模塊中提取井旁道振幅、頻率和相位等多種屬性，優(yōu)選與TOC相關性較好的屬性。本次研究提取了10種地震屬性進行多屬性相關性分析(表4)，并建立測井預測TOC含量與地震屬性之間的神經網絡模型，通過誤差對比選擇合適模型進行TOC含量三維定量預測。結果表明：多屬性相關分析中，隨著地震屬性個數(shù)的增加，多屬性預測TOC結果與測井預測TOC的相關系數(shù)逐漸增加，誤差逐漸減小，當屬性個數(shù)為10時，相關系數(shù)達到最大，為0.780433；而神經網絡預測TOC結果與測井預測TOC的相關系數(shù)為0.866684(圖8)。因此，本次研究選擇神經網絡模型進行TOC含量三維定量預測。

表4　多屬性相關性分析結果

6.2　TOC分布特征

以測井計算TOC含量與地震屬性之間的神經網絡模型和研究區(qū)三維地震數(shù)據(jù)為基礎，在HRS軟件中計算得到研究區(qū)Madingo組烴源巖的三維TOC含量數(shù)據(jù)體，并通過切片得到一系列TOC剖面圖和各層TOC含量平面等值線圖。

從圖9中可以看出，縱向上，B井區(qū)Madingo組上段TOC含量較低，下段TOC含量較高，與實測TOC含量吻合較好。而A井區(qū)上段TOC含量高于下段，C井區(qū)TOC含量總體為低值；橫向上TOC主要呈條帶狀分布，具有明顯的成層性的特征，如圖9a所示，高、低TOC含量帶相間分布且橫向展布連續(xù)，圖9b和圖9c中局部TOC穩(wěn)定展布。

圖8　測井預測TOC與不同方法地震屬性預測TOC的相關性分析

圖9　研究區(qū)Madingo組TOC數(shù)據(jù)體過井剖面

圖10為研究區(qū)Madingo組預測TOC含量及沉積相平面分布圖，其中圖10a和圖10c分別是Madingo組上段、Madingo組下段預測TOC含量等值線圖，圖10b和圖10d分別是Madingo組上段、Madingo組下段TOC含量與沉積相疊合圖。從圖中可以看出，研究區(qū)Madingo組TOC平面分布具有明顯的非均質性。Madingo組上段TOC含量主要分布范圍為1.6%～2.6%，局部地區(qū)較高，達到2.8%以上，具有自北東向南西由低到高的變化趨勢；Madingo組下段TOC含量主要分布范圍為1.6%～2.4%，沿北西—南東方向呈條帶狀展布，且自北東向南西TOC含量逐漸增加。

相應地，研究區(qū)Madingo組上段、下段沉積相帶具有相似的分布特征，整體沿北西—南東方向展布，自北東向南西依次為砂質濱岸帶—淺水陸棚—深水陸棚(包括陸棚內洼陷)。其中砂質濱岸帶為高能氧化環(huán)境，不利于烴源巖的發(fā)育，故與TOC含量低值區(qū)對應；陸棚相水生生物發(fā)育，其中淺水陸棚相為弱氧化—弱還原環(huán)境，深水陸棚(包括陸棚內洼陷)具有較強的還原環(huán)境，利于有機質的埋藏和保存，故與TOC含量高值區(qū)對應。因此，研究區(qū)Madingo組烴源巖定量預測TOC含量與沉積相分布在整體上具有較好的匹配關系。

圖10　研究區(qū)Madingo組預測TOC含量及沉積相平面分布圖

7　結論

(1)研究區(qū)Madingo組烴源巖實測TOC與密度、自然伽馬和聲波時差測井參數(shù)相關性較好。分別以多元回歸法、改進的ΔlgR法和BP神經網絡法進行TOC含量測井預測，結果表明，BP神經網絡法預測TOC結果與實測TOC相關性最好、誤差最小，可作為研究區(qū)TOC測井預測的計算模型。

(2)以研究區(qū)四口單井的TOC含量預測曲線和三維地震數(shù)據(jù)為基礎，通過HRS軟件的Strata和Emerge模塊建立測井預測TOC含量與井旁道地震屬性之間的神經網絡模型，并計算TOC含量三維數(shù)據(jù)體。通過切片得到TOC含量剖面圖和各層TOC含量平面等值線圖。

(3)研究區(qū)Madingo組三維定量預測TOC值與實測TOC值吻合較好，垂向上TOC主要呈條帶狀分布，具有明顯的成層性特征；平面上TOC含量具有北東低、南西高的分布特征，非均質性明顯，并且與沉積相分布在整體上具有較好的匹配關系。

[1]陳建平,梁狄剛,張水昌等.中國古生界海相烴源巖生烴潛力評價標準與方法.地質學報,2012,86(7):1132-1142.

Chen Jianping,Liang Digang,Zhang Shuichang et al.Evaluation criterion and methods of the hydrocarbon generation potential for China’s Paleozoic marine source rocks.Acta Geological Sinica,2012,86(7):1132-1142.

[2]朱光有,金強.烴源巖的非均質性研究——以東營凹陷牛38井為例.石油學報,2002,23(5):34-39.

Zhu Guangyou,Jin Qiang.Study on source rock heterogeneity:A case of Niu-38 Well in Dongying depression.Acta Petrolei Sinica,2002,23(5):34-39.

[3]楊濤濤,范國章,呂福亮等.烴源巖測井響應特征及識別評價方法.天然氣地球科學,2013,24(2)：414-422.

Yang Taotao,Fan Guozhang,Lv Fuliang et al.The logging features and identification methods of source rock.Natural Gas Geosciences,2013,24(2)：414-422.

[4]Schmoker J W.Determination of organic-matter content of Appalachian Devonian shales from gamma-ray logs.AAPG Bulletin,1981,65(7):1285-1298.

[5]Schmoker J W.Determination of organic content of Appalachian Devonian shales from formation-density logs.AAPG Bulletin,1979,63(9):1505-1537.

[6]王健,石萬忠,舒志國等.富有機質頁巖TOC含量的地球物理定量化預測.石油地球物理勘探,2016,51(3):596-604.

Wang Jian,Shi Wanzhong,Shu Zhiguo et al.TOC content quantitative prediction in organic-rich shale.OGP,2016,51(3):596-604.

[7]李松峰,畢建霞,曾正清等.普光地區(qū)須家河組烴源巖地球物理預測.斷塊油氣田,2015,22(6):705-710.

Li Songfeng,Bi Jianxia,Zeng Zhengqing et al.Geophysical prediction of Xujiahe Formation source rock in Puguang Area.Fault-Block Oil & Gas Field,2015,22(6):705-710.

[8]黃薇,張小莉,李浩等.鄂爾多斯盆地中南部延長組7段頁巖有機碳含量解釋模型.石油學報,2015,36(12):1508-1515.

Huang Wei,Zhang Xiaoli,Li Hao et al.Interpretation model of organic carbon content of shale in Member 7 of Yanchang Formation,central-southern Ordos Basin.Acta Petrolei Sinica,2015,36(12):1508-1515.

[9]Passey Q R,Creaney S,Kulla J B et al.A practical model for organic richness from porosity and resisti-vity logs.AAPG Bulletin,1990,74(12):1777-1794.

[10]張寒,朱光有.利用地震和測井信息預測和評價烴源巖——以渤海灣盆地富油凹陷為例.石油勘探與開發(fā),2007,34(1):55-59.

Zhang Han,Zhu Guangyou.Using seismic and log information to predict and evaluate hydrocarbon source rocks:An example from rich oil depressions in Bohai Bay.Petroleum Exploration and Development,2007,34(1):55-59.

[11]Huang Z,Williamson M A.Artificial neural network modelling as an aid to source rock characterization.Marine and Petroleum Geology,1996,13(2):277-290.

[12]孟召平,郭彥省,劉尉.頁巖氣儲層有機碳含量與測井參數(shù)的關系及預測模型.煤炭學報,2015,40(2):247-253.

Meng Zhaoping,Guo Yansheng,Liu Wei.Relationship between organic carbon content of shale gas reservoir and logging parameters and its prediction model.Journal of China Coal Society,2015,40(2):247-253.

[13]賀聰,蘇奧,張明震等.鄂爾多斯盆地延長組烴源巖有機碳含量測井預測方法優(yōu)選及應用.天然氣地球科學,2016,27(4):754-764.

He Cong,Su Ao,Zhang Mingzhen et al.Optimal selection and application of prediction means for organic carbon content of source rocks based on logging data in Yanchang Formation,Ordos Basin.Natural Gas Geosciences,2016,27(4):754-764.

[14]L?seth H,Wensaas L,Gading M et al.Can hydrocarbon source rocks be identified on seismic data? Geology,2011,39(12):1167-1170.

[15]劉軍,汪瑞良,舒譽等.烴源巖TOC地球物理定量預測新技術及在珠江口盆地的應用.成都理工大學學報(自然科學版),2012,39(4):415-419.

Liu Jun,Wang Ruiliang,Shu Yu et al.Geophysical quantitative prediction technology about the total organic carbon in source rocks and application in Pearl River Mouth Basin,China.Journal and Chengdu University of Technology (Science & Technology Edition),2012,39(4):415-419.

[16]徐新德,陶倩倩,曾少軍等.基于地化—測井—地震聯(lián)合反演的優(yōu)質烴源巖研究方法及其應用——以潿西南凹陷為例.中國海上油氣,2013,25(3):13-18.

Xu Xinde,Tao Qianqian,Zeng Shaojun et al.A method to evaluate high-quality source rocks based on geochemistry-logging-seismic joint-inversion and its application:A case of Weixinan sag in Beibuwan basin.China Offshore Oil and Gas,2013,25(3):13-18.

[17]李松峰,徐思煌,薛羅等.稀井區(qū)烴源巖有機碳的地球物理預測方法——珠江口盆地恩平凹陷恩平組烴源巖勘探實例.石油地球物理勘探,2014,49(2):369-374.

Li Songfeng,Xu Sihuang,Xue Luo et al.Source-rock organic carbon prediction with geophysical approach in the sparsely-drilled area:A case study of Enping depression,the Pearl Mouth Basin.OGP,2014,49(2):369-374.

[18]陶倩倩,李達,楊希冰等.利用分頻反演技術預測烴源巖.石油地球物理勘探,2015,50(4):706-713.

Tao Qianqian,Li Da,Yang Xibing et al.Hydrocarbon source rock prediction with frequency-divided inversion.OGP,2015,50(4):706-713.

[19]曹軍,鐘寧寧,鄧運華等.下剛果盆地海相烴源巖地球化學特征、成因及其發(fā)育的控制因素.地球科學與環(huán)境學報,2014,36(4):87-98.

Cao Jun,Zhong Ningning,Deng Yunhua et al.Geochemical characteristics,origin and factors controlling formation of marine source rock in lower Congo Basin.Journal of Earth Sciences and Envionment,2014,36(4):87-98.

[20]Cole G A,Requejo A G,Ormerod D et al.Petroleum geochemical assessment of the lower Congo basin.Petroleum Systems of South Atlantic Margins,AAPG,2000,325-339.

[21]朱偉林.非洲含油氣盆地.北京:科學出版社,2013,205-229.

[22]劉瓊,陶維祥,于水等.西非下剛果—剛果扇盆地圈閉類型和分布特征.地質科技情報,2013,32(3):107-112.

Liu Qiong,Tao Weixiang,Yu shui et al.Trap types and distribution of Lower Congo-Congo Fan Basin in West Africa.Geological Science and Technology Information,2013,32(3):107-112.

[23]鄭應釗.西非海岸盆地帶油氣地質特征與勘探潛力分析[學位論文].北京:中國地質大學(北京),2012，65-78.

Zheng Yingzhao.Petroleum Geology Features and Exploration Potential Analysis in the Coastal Basins of West Africa[D].China University of Geosciences (Beijing),Beijing,2012，65-78.

[24]趙桂萍，李良.杭錦旗地區(qū)基于測井響應特征的泥質烴源巖有機質豐度評價研究.石油物探，2016，55(6)：879-886.

Zhao Guiping,Li Liang.Evaluation on abundance of organic matter for shaly source rocks based on well log responses in Hangjinqi area,Ordos Basin.GPP,2016，55(6)：879-886.

[25]于建國,韓文功,于正軍等.濟陽拗陷孔店組烴源巖的地震預測方法.石油地球物理勘探,2005,40(3):318-321.

Yu Jianguo,Han Wengong,Yu Zhengjun et al.Seismic prediction of Kongdian Group source rock in Jiyang depression.OGP,2005,40(3):318-321.

[26]牛聰,劉志斌,王彥春等.應用地球物理技術定量評價遼西凹陷沙河街組烴源巖.石油地球物理勘探,2017,52(1):131-137.

Niu Cong,Liu Zhibin,Wang Yanchun et al.Quantitative evaluation of Shahejie formation source rocks in Liaoxi Sag with geophysical approaches.OGP,2017,52(1):131-137.

[27]王貴文,朱振宇,朱廣宇.烴源巖測井識別與評價方法研究.石油勘探與開發(fā),2002,29(4):50-52.

Wang Guiwen,Zhu Zhenyu,Zhu Guangyu.Logging identification and evaluation of Cambrian-Ordovician source rocks in syneclise of Tarim basin.Petroleum Exploration and Development,2002,29(4):50-52.

[28]張治國.人工神經網絡及其在地學中的應用研究[學位論文].吉林長春:吉林大學,2006，62-74.

Zhang Zhiguo.Study on Artificial Neural Networks and Their Applications in Geoscience[D].Jilin University,Changchun,Jilin,2006，62-74.

[29]嚴鴻,管燕萍.BP神經網絡隱層單元數(shù)的確定方法及實例.控制工程,2009,16(增刊2):100-102.

Yan Hong,Guan Yanping.Method to determine the quantity of internal nodes of black propagation neural networks and its demonstration.Control Engineering of China,2009,16(S2):100-102.