基于深度学习的页岩储层总有机碳含量预测方法

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.

关键词：深度学习、页岩储层、TOC含量、深度前馈神经网络

所属期刊栏目：23

分类号：P631.4

资助基金：国家自然科学基金U19B6003

在线出版日期：2023-03-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：494-501