基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例
TOC prediction model for muddy source rocks based on convolutional neural network (CNN): a case study of the Hangjinqi area of the Ordos Basin

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。