下剛果盆地A區塊Madingo組烴源巖TOC含量的地球物理定量預測

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，且樣品數量較少，分布不連續。因此，僅以有限的實測TOC數據難以進行整個研究區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測井參數預測TOC含量的方法： ①單因素法，根據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與TOC的相關關系進行計算； ②多元回歸分析法，在統計分析測井參數與TOC相關性的基礎上，優選多種測井參數擬合TOC含量與多參數之間的經驗公式[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與測井參數之間復雜的非線性關系[11-13]，實現TOC含量的定量預測。但是，根據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含量三維數據體，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區塊實測TOC含量和測井資料為基礎，優選適合研究區的測井計算方法，定量預測單井TOC含量；并結合三維地震數據建立地震屬性與TOC含量之間的神經網絡模型，計算TOC含量三維數據體，進而預測研究區TOC在垂向和平面上的分布特征。

2　區域地質概況

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。裂谷階段主要發育湖相沉積，漂移拗陷階段主要發育海相沉積。Aptian期受持續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和鹽上海相含油氣系統。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境，在陸架背景發育高有機質豐度的海相烴源巖[22,23](圖1)。

圖1　研究區地理位置(據文獻[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A井和B井實測TOC含量數據為基礎，其中B井Madingo組烴源巖12個實測TOC數據顯示，TOC含量分布具有明顯的兩分性(圖2)。具體表現為：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B井Madingo組烴源巖絕大多數樣品分布在Ⅱ1型區內，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A井和B井實測TOC含量數據為基礎，統計和分析了研究區實測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，相關系數僅為0.0877。

研究區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，底部發育厚層泥灰巖，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、灰質泥巖及泥灰巖為主，TOC含量總體較低。

因此，研究區烴源巖具有低密度、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。根據地震相分析，Madingo組上段地震反射特征表現為強振幅、連續、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、沉積環境相對穩定[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　研究區實測TOC與測井參數的相關性分析

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與各測井參數之間的相關關系，優選出研究區與TOC具有較好相關性的測井參數。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，研究區密度、自然伽馬、聲波時差、補償中子和有效孔隙度測井參數與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，d為常數。根據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，根據聲波時差和電阻率測井參數計算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。

TOC與ΔlgR線性相關，Passey等[9]提出了根據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，反映有機質成熟度，可以根據鏡質體反射率(Ro)分析得到[27]。

然而，該方法沒有考慮與研究區實測TOC具有良好相關性的密度測井參數，并且需要成熟度參數和人為確定巖性基線等，因此誤差較大，不適用于研究區TOC含量預測?；谝陨蠁栴}，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，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，c為常數。根據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形成的網絡，在解決非線性復雜問題方面具有優越性[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，它根據神經網絡估算值(實際輸出)和訓練數據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達到預先設定的次數時訓練停止。

BP神經網絡模型在網絡訓練時需要考慮網絡的層數、隱含層單元數等。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函數[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，研究區密度、自然伽馬和聲波時差三項測井參數和實測TOC相關性較好，以該三項測井參數和實測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，節點數為3；輸出層為TOC含量，節點數為1。

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

表1　不同隱含層節點數的BP神經網絡模型對比

5.3.2數據歸一化

由于自然伽馬、聲波時差和密度三項測井參數之間量綱不統一，數值間的差別很大。因此，為了消除參數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軟件中數據歸一化函數包括premnmx、tramnmx等，premnmx函數用于將網絡的輸入數據和輸出數據進行歸一化。premnmx函數的語法格式為

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

式中：p(n×Q階矩陣)和t(k×Q階矩陣)分別為訓練數據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為輸入層節點數，k為輸出層節點數，Q為常數，premnmx函數對p和t分別按照行進行歸一化處理。premnmx函數的基本算法如下

式中：x為樣本某行向量中任一數據； max和min分別為該行向量的最大值和最小值；xn為該數據歸一化的結果，數值范圍在[-1,+1]區間內。

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

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

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

5.3.3TOC含量預測模型

以研究區58組TOC含量實測值和測井參數值為全部樣本，隨機選擇49組數據(全部樣本的85%)為訓練樣本；訓練樣本中隨機選擇9組數據(全部樣本的15%)為校驗樣本，參與訓練；其余9組數據(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，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個節點，輸出層為一個節點，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，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分別為輸入層節點數、隱含層節點數和輸出層節點數。

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)的相關系數分別為0.9281、0.9941、0.9981和0.9542(圖7)，相關系數均在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

根據實測TOC含量與密度、自然伽馬和聲波時差測井參數值訓練得到的BP神經網絡模型，計算并繪制研究區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含量三維數據體。

6.1　井震聯合預測

在HRS軟件的Strata模塊中分別導入研究區的三維地震數據和Madingo組頂、底界面和中間界面層位數據以及四口單井的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據體，根據速度=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，隨著地震屬性個數的增加，多屬性預測TOC結果與測井預測TOC的相關系數逐漸增加，誤差逐漸減小，當屬性個數為10時，相關系數達到最大，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三維地震數據為基礎，在HRS軟件中計算得到研究區Madingo組烴源巖的三維TOC含量數據體，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井區上段TOC含量高于下段，C井區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，圖9b和圖9c中局部TOC穩定展布。

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Madingo組TOC數據體過井剖面

圖10為研究區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境，不利于烴源巖的發育，故與TOC含量低值區對應；陸棚相水生生物發育，其中淺水陸棚相為弱氧化—弱還原環境，深水陸棚(包括陸棚內洼陷)具有較強的還原環境，利于有機質的埋藏和保存，故與TOC含量高值區對應。因此，研究區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Madingo組預測TOC含量及沉積相平面分布圖

7　結論

(1)研究區Madingo組烴源巖實測TOC與密度、自然伽馬和聲波時差測井參數相關性較好。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TOC測井預測的計算模型。

(2)以研究區四口單井的TOC含量預測曲線和三維地震數據為基礎，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含量三維數據體。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,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—地震聯合反演的優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、成因及其發育的控制因素.地球科學與環境學報,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,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.