基于深度学习的页岩储层总有机碳含量预测方法

作     者：毕臣臣 BI Chen-chen

作者机构：中石化石油物探技术研究院有限公司南京211103 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2023年第23卷第2期

页      面：494-501页

学科分类：081801[工学-矿产普查与勘探] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：国家自然科学基金企业创新发展联合基金(U19B6003)。 

主　　题：深度学习 页岩储层 TOC含量 深度前馈神经网络 

摘      要：页岩储层总有机碳(total organic carbon,TOC)含量的地震预测普遍采用密度回归拟合法,仅考虑了单因素的线性关系,预测结果误差较大。针对常规方法的不足,提出了基于深度学习的TOC含量预测方法。首先,从测井资料中优选出与TOC含量曲线相关度相对较高的多个弹性参数曲线作为样本集输入数据,TOC含量曲线作为样本集输出数据,构建针对TOC含量预测的深度前馈神经网络模型;然后,调试网络模型结构,并利用共轭梯度法进行网络参数寻优;最后,将叠前振幅随偏移距变化(amplitude versus offset,AVO)反演得到的弹性参数数据体输入深度前馈神经网络模型,预测得到最终的TOC含量数据体。通过四川盆地页岩储层实际测井、地震资料的应用,对比了该方法相对于常规回归拟合法的优越性,验证了方法的实用性和可行性,为页岩储层TOC含量预测提供了新思路。