王惠君，趙桂萍,2?，李良，張威，齊榮，劉珺

(1 中國(guó)科學(xué)院大學(xué)地球與行星科學(xué)學(xué)院，北京 100049； 2 中國(guó)科學(xué)院計(jì)算地球動(dòng)力學(xué)重點(diǎn)實(shí)驗(yàn)室，北京 100049； 3 中國(guó)石油化工有限公司華北分公司，鄭州 450006； 4 中石化華北石油工程有限公司測(cè)井分公司，鄭州 450006)

烴源巖控制著油氣的分布，其質(zhì)量決定油氣的勘探潛力。其中總有機(jī)碳含量(TOC)是烴源巖生烴潛力評(píng)價(jià)最重要的參數(shù)之一。然而由于取芯少、地球化學(xué)分析成本高，難以進(jìn)行系統(tǒng)的研究。

考慮到測(cè)井信息的易獲得性和連續(xù)性，許多研究學(xué)者在利用測(cè)井信息預(yù)測(cè)烴源巖TOC含量方面做了很多探索性工作，形成了包括ΔlogR方法[1-6]和神經(jīng)網(wǎng)絡(luò)法[7-15]等預(yù)測(cè)烴源巖TOC的方法。Passey等[1]通過(guò)大量數(shù)據(jù)分析，根據(jù)聲波時(shí)差、電阻率、密度、中子測(cè)井組合，研究出ΔlogR方法，在泥頁(yè)巖的TOC含量評(píng)價(jià)中得到廣泛應(yīng)用，但是該模型計(jì)算精度較低。朱光有等[6]利用改進(jìn)的ΔlogR方法得到TOC含量，雖然預(yù)測(cè)精度有所提高，但改進(jìn)方法中不同井的回歸系數(shù)差距較大導(dǎo)致外推能力較差。由于測(cè)井?dāng)?shù)據(jù)與TOC之間復(fù)雜的非線(xiàn)性關(guān)系，越來(lái)越多的學(xué)者開(kāi)始關(guān)注人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)在TOC含量預(yù)測(cè)中的應(yīng)用。郭龍等[8]采用圖版分類(lèi)-模糊排隊(duì)-BP神經(jīng)網(wǎng)絡(luò)計(jì)算TOC含量，表明該方法效果較好；Mahmoud等[12]利用模糊邏輯評(píng)價(jià)了烴源巖的TOC含量；Bolandi等[13]利用BP神經(jīng)網(wǎng)絡(luò)結(jié)合聲波、電阻率、密度等測(cè)井預(yù)測(cè)泥巖TOC含量，精度達(dá)到94.5%。其中BP神經(jīng)網(wǎng)絡(luò)在TOC含量預(yù)測(cè)方面應(yīng)用最為廣泛，但是BP神經(jīng)網(wǎng)絡(luò)在求解非線(xiàn)性問(wèn)題時(shí)，容易在初始化過(guò)程中因連接權(quán)值和閾值不穩(wěn)定導(dǎo)致局部收斂，產(chǎn)生過(guò)擬合，極大地降低預(yù)測(cè)精度。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中的一個(gè)新方向，可以從小樣本中學(xué)習(xí)數(shù)據(jù)的本質(zhì)特征。其模型主要包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network CNN)、深度信念網(wǎng)絡(luò)(deep belief networks, DBN)和自動(dòng)編碼器(stacked auto-encoders, SAE)。近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)在圖片分類(lèi)[16]、行為識(shí)別[17]、語(yǔ)音識(shí)別[18]、自然語(yǔ)言處理[19]、人工駕駛[20]等領(lǐng)域有重要的應(yīng)用。在地質(zhì)上，卷積神經(jīng)網(wǎng)絡(luò)主要應(yīng)用在巖石圖像[21-22]、儲(chǔ)層預(yù)測(cè)[23]、海底地形分類(lèi)[24]、遙感影像分類(lèi)[25]等方面，然而在烴源巖評(píng)價(jià)領(lǐng)域的應(yīng)用研究很少，因此提出應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)TOC含量的方法。

本文以鄂爾多斯盆地杭錦旗地區(qū)泥質(zhì)烴源巖TOC為研究對(duì)象，通過(guò)ΔlogR、BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)3種模型訓(xùn)練和測(cè)試數(shù)據(jù)的決定系數(shù)(R2)和均方誤差(MSE)，來(lái)表明新方法卷積神經(jīng)網(wǎng)絡(luò)高的預(yù)測(cè)精度和好的泛化能力。最終利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)該區(qū)上古生界山西組、太原組108口鉆井泥質(zhì)烴源巖的TOC進(jìn)行計(jì)算，結(jié)合該區(qū)的沉積相，做出TOC平面展布圖，為研究區(qū)泥質(zhì)烴源巖生烴潛力評(píng)價(jià)奠定基礎(chǔ)。

1 地質(zhì)背景

鄂爾多斯盆地是位于華北板塊北緣的多旋回的克拉通盆地(圖1(a))[26]，面積為37 km×104 km[27]。它分為6個(gè)構(gòu)造單元，分別是伊盟隆起、伊陜斜坡、天環(huán)坳陷、西緣沖斷帶、晉西褶皺帶、渭北隆起(圖1(b))[27]。杭錦旗地區(qū)位于伊盟隆起、伊陜斜坡2個(gè)構(gòu)造單元之上，面積為9 825 km2[28]。研究區(qū)分為6個(gè)區(qū)帶，即公卡汗、新召、浩饒召、十里加汗、阿鎮(zhèn)、什股壕，氣藏主要分布在十里加汗和什股壕地區(qū)(圖1(c))[28]。區(qū)內(nèi)有3條由西向東展布的斷層，分別是泊爾江海子斷裂、三眼井?dāng)嗔押蜑跆m吉林廟斷裂[26]。該區(qū)在晚古生代前，處于剝蝕隆起狀態(tài)，早二疊世開(kāi)始接受沉積，沉積了石炭系太原組、二疊系山西組、下石盒子組、上石盒子組及石千峰組。從勘探實(shí)踐看，上石炭統(tǒng)太原組、下二疊統(tǒng)山西組發(fā)育三角洲平原沼澤的煤系烴源巖，中二疊統(tǒng)下石盒子組河流—三角洲砂體為主要儲(chǔ)層，上二疊統(tǒng)上石盒子組、石千峰組厚層泥巖是區(qū)域蓋層[26]。

(a)為鄂爾多斯盆地地理位置圖；(b)為杭錦旗地區(qū)地理位置圖；(c)為杭錦旗地區(qū)構(gòu)造單元圖。圖1 研究區(qū)位置圖(據(jù)文獻(xiàn)[26-28]修改)Fig.1 Location of the study area (modified from Refs. [26-28])

2 烴源巖的測(cè)井響應(yīng)特征

已有研究表明，對(duì)有機(jī)質(zhì)敏感的測(cè)井曲線(xiàn)主要有自然伽馬(GR)、電阻率(RT)、聲波時(shí)差(AC)、密度(DEN)、中子(CNL)等曲線(xiàn)。一般情況下，有機(jī)質(zhì)含量越高的地層測(cè)井曲線(xiàn)異常越明顯，據(jù)此可識(shí)別烴源巖，估算烴源巖的TOC含量。研究樣品是杭錦旗地區(qū)山西組、太原組的泥巖，緊鄰煤層和碳質(zhì)泥巖，主要形成在三角洲平原的河漫沼澤中，樣品集中在斷裂帶以南，具體分布位置見(jiàn)圖1(c)。對(duì)樣品進(jìn)行TOC測(cè)試，同時(shí)讀取相應(yīng)深度的聲波時(shí)差、電阻率、密度、中子、自然伽馬等測(cè)井?dāng)?shù)據(jù)，做出TOC與測(cè)井曲線(xiàn)的交匯圖(圖2)。

2.1 聲波時(shí)差測(cè)井、中子測(cè)井、密度測(cè)井特征

由于有機(jī)質(zhì)的高聲波傳播時(shí)間(大約524.9 μs/m)[29]，聲波測(cè)井值會(huì)隨著TOC的增大而增大。聲波時(shí)差測(cè)井值與TOC含量成正相關(guān)(圖2(a))。有機(jī)質(zhì)中含富氫的顯微組分，導(dǎo)致中子測(cè)井值高，中子測(cè)井值與TOC含量成正相關(guān)(圖2(b))。由于有機(jī)質(zhì)的密度(1.1～1.4 g/cm3)小于石英(2.65 g/cm3)和黏土(2.77 g/cm3)[29]，密度測(cè)井值會(huì)隨著TOC的增大而減小，因此密度測(cè)井值與TOC成負(fù)相關(guān)(圖2(c))。

2.2 自然伽馬測(cè)井特征

一般情況下，湖相或海相泥質(zhì)烴源巖粒度小、比表面積大，往往吸附更多放射性元素鈾，導(dǎo)致自然伽馬測(cè)井值較高。而該區(qū)泥質(zhì)烴源巖TOC與自然伽馬呈負(fù)相關(guān)(圖2(d))，可能是因?yàn)樵搮^(qū)泥質(zhì)烴源巖屬于煤系烴源巖，隨著有機(jī)碳的富集，腐殖質(zhì)含量降低，吸附的放射性元素降低，導(dǎo)致自然伽馬降低[30]。

2.3 電阻率測(cè)井特征

有機(jī)質(zhì)的電阻率較大(105～109 Ω·m)[29]，電阻率測(cè)井值會(huì)隨著TOC的增大而增大，電阻率測(cè)井值與TOC成正相關(guān)(圖2(e))。該區(qū)有兩個(gè)樣品為電阻率的高值異常，可能是由于不易導(dǎo)電的烴類(lèi)導(dǎo)致電阻率進(jìn)一步增大[7]。為了降低異常值的影響，本文對(duì)電阻率取對(duì)數(shù)，發(fā)現(xiàn)電阻率的對(duì)數(shù)與TOC呈弱的正相關(guān)(圖2(f))。

圖2 測(cè)井參數(shù)與實(shí)測(cè)TOC相關(guān)性分析圖Fig.2 Correlation analysis between the logging parameters and measured TOC

3 測(cè)井評(píng)價(jià)方法

3.1 ΔlogR方法

ΔlogR是由Passey等[1]于1990年提出的計(jì)算TOC的實(shí)用方法，該方法將對(duì)數(shù)坐標(biāo)下的電阻率曲線(xiàn)和算術(shù)坐標(biāo)下的孔隙度測(cè)井曲線(xiàn)(通常是聲波時(shí)差曲線(xiàn))進(jìn)行疊合。這兩條曲線(xiàn)在水飽和的貧有機(jī)質(zhì)巖石上相互平行并被確定為基線(xiàn)，而在富有機(jī)質(zhì)的烴源巖上相互分離，確定為ΔlogR。在富含油氣的儲(chǔ)集巖中，可通過(guò)借用自然伽馬曲線(xiàn)及自然電位曲線(xiàn)辨別和排除儲(chǔ)集層段。未成熟的烴源巖中，兩條曲線(xiàn)之間的距離主要由聲波時(shí)差曲線(xiàn)響應(yīng)造成，成熟烴源巖中，因?yàn)橛幸簯B(tài)烴，兩條曲線(xiàn)之間的距離由聲波時(shí)差和電阻率共同作用構(gòu)成基于聲波和電阻率計(jì)算ΔlogR的公式為

(1)

式中：ΔlogR為兩條曲線(xiàn)間的距離；R為測(cè)井儀實(shí)測(cè)電阻率(Ω·m)；Rbaseline為基線(xiàn)對(duì)應(yīng)的電阻率(Ω·m)；Δt為實(shí)測(cè)的聲波時(shí)差(μs/ft)；Δtbaseline為基線(xiàn)對(duì)應(yīng)的聲波時(shí)差(μs/ft)；0.02為疊合系數(shù)，即對(duì)數(shù)坐標(biāo)下的一個(gè)電阻率單位與算術(shù)坐標(biāo)下一個(gè)聲波時(shí)差周期50 μs/ft的比值。ΔlogR與有機(jī)碳呈線(xiàn)性相關(guān)，并且是成熟度的函數(shù)，經(jīng)驗(yàn)公式為

TOC=ΔlogR×10(1.5374-0.944Ro)，

(2)

式中：TOC為計(jì)算的有機(jī)碳含量；Ro是鏡質(zhì)體反射率。

3.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是由許多具有特定功能的神經(jīng)元相互連接組成的網(wǎng)絡(luò)，一般由輸入層、隱藏層、輸出層組成。在本文中，輸入層為伽馬(GR)、中子(CNL)、聲波時(shí)差(AC)、電阻率(logRT)、密度(DEN)，輸出層為T(mén)OC含量預(yù)測(cè)值。其基本原理是在樣本數(shù)據(jù)的基礎(chǔ)上，利用誤差反向傳播訓(xùn)練數(shù)據(jù)，從而建成網(wǎng)絡(luò)[14-15, 23]。訓(xùn)練分為兩種：正向訓(xùn)練和反向訓(xùn)練。正向訓(xùn)練是將數(shù)據(jù)輸入，經(jīng)過(guò)隱藏層，到達(dá)輸出層，反向訓(xùn)練是計(jì)算輸出結(jié)果與實(shí)際值的誤差，如果誤差不在允許范圍則反向傳播，通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，使誤差在允許的范圍內(nèi)。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。計(jì)算過(guò)程如下：

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Schematic of BP neural network structure

1)利用高斯初始化方法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化：

(3)

(4)

(5)

2)由BP神經(jīng)網(wǎng)絡(luò)計(jì)算TOC值的公式如下

(6)

式中：W0,N是輸入層到隱藏層的權(quán)值；W1是隱藏層到輸出層的權(quán)值；N=5；b0是第一層全連接層的偏置；b1是第二層全連接層的偏置。

3.3 卷積神經(jīng)網(wǎng)絡(luò)(CNN)

3.3.1 CNN原理

CNN是深度學(xué)習(xí)領(lǐng)域中的一種端到端的學(xué)習(xí)模型，是傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的改進(jìn)。它與BP神經(jīng)網(wǎng)絡(luò)的區(qū)別是BP網(wǎng)絡(luò)每層的全部神經(jīng)元與下一層每個(gè)神經(jīng)元是全連接，而CNN則通過(guò)全局滑動(dòng)、局部連接、權(quán)值共享的方式連接相鄰兩層，使得網(wǎng)絡(luò)結(jié)構(gòu)更簡(jiǎn)單、適應(yīng)性更強(qiáng)。一個(gè)完整的CNN包括輸入層、卷積層、池化層、全連接層和輸出層，其中最重要的是卷積層和池化層。

1)卷積層：又叫特征提取層，用于提取特征并減少噪聲的影響。該層的每個(gè)神經(jīng)元接受上一層中一組局部區(qū)域的神經(jīng)元的輸入，這些神經(jīng)元稱(chēng)為卷積核，對(duì)應(yīng)的局部區(qū)域稱(chēng)為局部感受野。通過(guò)引進(jìn)局部感受野，卷積核能夠提取到不同類(lèi)型的特征，而這些特征相互結(jié)合形成更高層次的特征。總的來(lái)說(shuō)，卷積神經(jīng)網(wǎng)絡(luò)就是在每一個(gè)卷積層中構(gòu)建一定數(shù)量的卷積核，采用權(quán)值共享的策略，每一個(gè)卷積核在這一層的特征圖上從左向右從上向下，以一定步長(zhǎng)滑動(dòng)，在每個(gè)滑動(dòng)位置進(jìn)行卷積操作，從而提取豐富特征的一種網(wǎng)絡(luò)。卷積操作如圖4所示。

淺灰色部分是卷積核與圖像重疊的區(qū)域，深灰色區(qū)域是卷積核與相應(yīng)圖片區(qū)域卷積運(yùn)算的結(jié)果。圖4 卷積操作的示意圖Fig. 4 Schematic of the convolution operation

卷積操作公式如下

(7)

式中：Bi，Ai分別表示第i個(gè)位置的卷積核和局部感受野；zi表示卷積核在第i個(gè)位置的輸出。

2)池化層：又叫采樣層或特征映射層，主要用來(lái)提取二次特征[23]。池化操作是對(duì)卷積的特征圖進(jìn)行降采樣，從而降低網(wǎng)絡(luò)規(guī)模。常用的池化方式包括：最大池化、平均池化。最大池化是在池化區(qū)域中選擇最大值作為代表值，平均池化是在池化域中選擇平均值作為代表值。最大池化容易忽略其他影響因素較大的值，而且容易受到噪音信息的干擾；平均池化考慮所有信息，可以降低噪音的干擾[31-32]。

以平均池化為例，公式如下

(8)

式中：W為pooling核寬度；H為pooling核高度；xl-1是l-1層的特征圖；xl是第l層的特征圖；i,j表示第l層特征圖的坐標(biāo)；m,n表示第l-1層特征圖的坐標(biāo)。

3.3.2 CNN網(wǎng)絡(luò)結(jié)構(gòu)

考慮到測(cè)井曲線(xiàn)不同于圖片，其特征不容易用CNN表達(dá)。而且輸入的參數(shù)較少，池化所引起的減小特征分辨率的優(yōu)點(diǎn)也相對(duì)較小。因此，在本文中，采用一維卷積，經(jīng)過(guò)大量的實(shí)驗(yàn)，選取中間層特征圖個(gè)數(shù)分別為5、10、15。網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.5 Schematic of convolutional neural network structure

實(shí)驗(yàn)選擇PyTorch深度學(xué)習(xí)框架實(shí)現(xiàn)。本文中設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)主要6層。第1層是輸入層，有5個(gè)神經(jīng)元，每個(gè)神經(jīng)元對(duì)應(yīng)輸入為AC、logRT、DEN、CNL、GR。第2層是隱藏層1，實(shí)際上它是輸入神經(jīng)元與5個(gè)大小為2×1的卷積核作卷積后，獲得的5個(gè)4×1的特征圖。第3層是隱藏層2，類(lèi)似于隱藏層1，不同的是這一層具有10個(gè)特征圖，它是上一層的5個(gè)特征圖與10個(gè)大小為5×2×1的卷積核作卷積的輸出所形成的10個(gè)3×1的特征圖。第4層是隱藏層3，這一層具有15個(gè)特征圖，它是上一層的10個(gè)特征圖與15個(gè)大小為10×2×1的卷積核作卷積的輸出所形成的15個(gè)2×1的特征圖。第5層是全連接層，第6層是輸出層，只有一個(gè)神經(jīng)元，輸出參數(shù)為T(mén)OC含量預(yù)測(cè)值。CNN的訓(xùn)練分為兩個(gè)階段：向前傳播和向后傳播。向前傳播是將數(shù)據(jù)輸入，經(jīng)過(guò)隱藏層到達(dá)輸出層；而向后傳播是通過(guò)計(jì)算輸出值與實(shí)際值的差異，按照最小誤差的方法調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，直到誤差在允許范圍內(nèi)。

具體實(shí)驗(yàn)步驟如下：

1)將訓(xùn)練數(shù)據(jù)和測(cè)井?dāng)?shù)據(jù)的每種屬性用高斯初始化方法進(jìn)行歸一化，見(jiàn)式(3)～式(5)。

2)用3個(gè)卷積層在輸入維度為5的數(shù)據(jù)上進(jìn)行1維卷積提取特征：

Y0=Relu(W0⊙X+b0)，

(9)

Y1=Relu(W1⊙Y0+b1)，

(10)

Y2=Relu(W2⊙Y1+b1)，

(11)

式中：Y0,Y1,Y2代表第1，第2和第3層的輸出結(jié)果；W0∈R5×1×2,W1∈R10×5×2,W2∈R15×10×2分別代表第1、第2和第3卷積層的參數(shù)；Relu表示線(xiàn)性整流函數(shù)；bi表示卷積操作中的偏置；⊙表示之前所述的卷積操作。通過(guò)這個(gè)式子，就可以從i-1層的特征圖得到第i層的特征圖。

3)根據(jù)3.3.1節(jié)所述，本文利用平均池化預(yù)測(cè)TOC：

TOC=Relu(W3Averpool(Y2)+b2)，

(12)

式中：Averpool表示平均池化；W3代表輸出層的參數(shù)，Relu是激活函數(shù)。

4)得到輸出以后，使用決定系數(shù)(R2)，最小均方誤差(MSE)對(duì)網(wǎng)絡(luò)的性能進(jìn)行評(píng)估：

(13)

(14)

4 TOC含量預(yù)測(cè)結(jié)果和誤差分析

利用前述的烴源巖TOC測(cè)井評(píng)價(jià)方法，將標(biāo)準(zhǔn)化后的聲波時(shí)差、電阻率、密度、伽馬、中子測(cè)井?dāng)?shù)據(jù)和TOC實(shí)測(cè)含量分別作為BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層，隨機(jī)選取20個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，6個(gè)數(shù)據(jù)作為測(cè)試數(shù)據(jù)，用于檢驗(yàn)?zāi)Ｐ偷姆夯芰Α?/p>

實(shí)驗(yàn)結(jié)果表明，CNN模型具有更高的R2和更小的MSE。訓(xùn)練數(shù)據(jù)中CNN、BP、ΔlogR的R2分別是87%，81%和21%(圖6(a))。測(cè)試數(shù)據(jù)中CNN、BP、ΔlogR的R2分別是85%，66%和19%(圖6(b))，MSE分別是0.79，1.88和4.75。依據(jù)杭錦旗地區(qū)實(shí)測(cè)泥質(zhì)烴源巖TOC值對(duì)計(jì)算的烴源巖TOC值進(jìn)行標(biāo)定(表1)。

圖6 不同模型預(yù)測(cè)TOC與實(shí)測(cè)TOC的關(guān)系圖Fig.6 Relationships between the measured TOC values and the calculated TOC values using different models

以錦10井、錦21井為例(圖7)，ΔlogR模型計(jì)算得到的TOC與實(shí)測(cè)TOC值整體吻合度不高。這可能是因?yàn)樵摰貐^(qū)的電阻率變化較大，沒(méi)有綜合考慮中子、密度等重要的巖層物性參數(shù)，而且對(duì)于Ro大于1.5的層段此方法不適用[1]。BP神經(jīng)網(wǎng)絡(luò)雖然能建立TOC與測(cè)井參數(shù)之間的復(fù)雜函數(shù)關(guān)系，但初始化過(guò)程中因連接權(quán)值和閾值不穩(wěn)定容易陷入局部最優(yōu)，降低預(yù)測(cè)精度。相比于BP，CNN特有的局部連接、降采樣、權(quán)值共享的特點(diǎn)降低了網(wǎng)絡(luò)結(jié)構(gòu)，使得模型預(yù)測(cè)精度更高、適應(yīng)性更強(qiáng)。實(shí)驗(yàn)結(jié)果表明CNN預(yù)測(cè)烴源巖TOC含量具有較高的可靠性，可進(jìn)一步為資源潛力評(píng)價(jià)提供依據(jù)。

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型，選取杭錦旗地區(qū)108口鉆井的太原組和山1段較厚泥巖層段中的測(cè)井值相對(duì)最大值點(diǎn)作為該井的代表值，對(duì)杭錦旗地區(qū)上古生界山1段和太原組泥質(zhì)烴源巖TOC的平面分布進(jìn)行預(yù)測(cè)，根據(jù)有機(jī)碳恢復(fù)系數(shù)[33]，恢復(fù)出原始TOC，最后將TOC等值線(xiàn)圖和沉積相分布圖疊合(圖8)。

杭錦旗地區(qū)山1段和太原組主要發(fā)育三角洲平原沉積，進(jìn)一步可劃分為沼澤和分流河道，有機(jī)質(zhì)主要來(lái)源于沼澤沉積，分布受沉積特征控制。圖8表明研究區(qū)的東南部和中部的沼澤沉積微相的TOC值較高，分流河道沉積微相TOC值較低。

圖8(a)是太原組泥質(zhì)烴源巖TOC平面展布圖，由圖中可以看出研究區(qū)中部錦7井TOC較高，達(dá)5%；相應(yīng)地，在沉積相分布上，沼澤環(huán)境有利于有機(jī)質(zhì)的富集和保存，與TOC高值區(qū)對(duì)應(yīng)，而分流河道由于水動(dòng)力較大，有機(jī)質(zhì)堆積較少，TOC普遍較低。圖8(b)是山1段泥質(zhì)烴源巖TOC平面展布圖，由圖中可以看出東南部錦6井、錦7井、錦21井，中部錦9井為T(mén)OC高值區(qū)，達(dá)3%；在沉積相分布上，沼澤環(huán)境與TOC高值區(qū)對(duì)應(yīng)，分流河道與TOC低值區(qū)對(duì)應(yīng)?？偟膩?lái)說(shuō)，通過(guò)CNN方法預(yù)測(cè)的TOC平面分布與沉積微相分布在整體上具有良好的匹配關(guān)系。

表1 不同模型計(jì)算值與實(shí)測(cè)值對(duì)比表Table 1 Comparison of the measured TOC values with the calculated TOC values using different models

圖7 不同模型計(jì)算結(jié)果圖Fig.7 Calculation results using different models

圖8 TOC等值線(xiàn)與沉積微相結(jié)合圖Fig.8 TOC contour and sedimentary microfacies combination diagrams

但是本文也存在一定問(wèn)題，由于杭錦旗地區(qū)取芯少，實(shí)測(cè)TOC數(shù)據(jù)較少，一定程度上降低了CNN的可信度，未來(lái)需要更多的實(shí)驗(yàn)數(shù)據(jù)來(lái)驗(yàn)證該方法的有效性。

5 結(jié)論

1)本文將深度學(xué)習(xí)領(lǐng)域中的卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在烴源巖TOC預(yù)測(cè)中，卷積神經(jīng)網(wǎng)絡(luò)特有的權(quán)值共享、局部感知和降采樣的特點(diǎn)使其相對(duì)于ΔlogR、BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)更簡(jiǎn)單、預(yù)測(cè)精度更高、適應(yīng)性更強(qiáng)，表明卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)烴源巖TOC含量具有較高的可靠性，進(jìn)一步為資源量評(píng)價(jià)提供依據(jù)。

2)利用CNN對(duì)杭錦旗地區(qū)山1段和太原組泥質(zhì)烴源巖TOC的平面分布進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)研究區(qū)的東南部和中部的沼澤沉積微相的TOC值較高，分流河道沉積微相TOC值較低。預(yù)測(cè)結(jié)果與沉積微相在整體上具有良好的匹配關(guān)系。