文献类型：期刊文章

作　　者：王惠君[1] 赵桂萍[1,2] 李良[3] 张威[3] 齐荣[3] 刘珺[4]

WANG Huijun;ZHAO Guiping;LI Liang;ZHANG Wei;QI Rong;LIU Jun(College of Earth and Planetary Science,University of Chinese Academy of Sciences,Beijing 100049,China;Key Laboratory of Computational Geodynamics of Chinese Academy of Sciences,Beijing 100049,China;Geoscience Research Institute of North China Company,SINOPEC,Zhengzhou 450006,China;Well Logging Company of North China Petroleum Engineering Company,SINOPEC,Zhengzhou 450006,China)

机构地区：[1]中国科学院大学地球与行星科学学院,北京100049 [2]中国科学院计算地球动力学重点实验室,北京100049 [3]中国石油化工有限公司华北分公司,郑州450006 [4]中石化华北石油工程有限公司测井分公司,郑州450006

出　　处：《中国科学院大学学报（中英文）》

基　　金：中国石油化工股份有限公司华北分公司源项目(Y34101X1G2)资助.

年　　份：2020

卷　　号：37

期　　号：1

起止页码：103-112

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：总有机碳含量(TOC)是烃源岩评价的重要指标。传统的TOC预测模型有ΔlogR和BP神经网络,但是ΔlogR的拟合精度较低,BP神经网络容易陷入局部最优。针对这些问题,提出一种基于卷积神经网络(convolutional neural network,CNN)预测烃源岩TOC的方法。以鄂尔多斯盆地杭锦旗地区上古生界泥质烃源岩为研究对象,通过对比实验验证该方法的有效性。实验结果表明,CNN可用于TOC预测,且预测精度高于ΔlogR和BP神经网络。利用CNN对108口钻井的山1段和太原组泥岩的TOC值进行预测,并结合沉积微相做出TOC平面图,发现研究区的东南部和中部的沼泽沉积微相的TOC值较高,分流河道沉积微相的TOC值较低。TOC值的平面分布与沉积微相分布在整体上具有良好的匹配关系,显示了CNN方法计算TOC的可行性。

关 键 词：泥质烃源岩  TOC 测井 卷积神经网络(CNN)  BP神经网络(BPNN)  

分 类 号：P631]