唐佰強(qiáng) 劉招君 孟慶濤 張朋霖 李元吉 王君賢

（1. 吉林大學(xué)地球科學(xué)學(xué)院， 吉林長(zhǎng)春 130061； 2. 吉林省油頁(yè)巖與共生能源礦產(chǎn)重點(diǎn)實(shí)驗(yàn)室， 吉林長(zhǎng)春 130061）

0 引 言

油頁(yè)巖的有機(jī)碳含量（w（TOC） ） 及含油率的實(shí)驗(yàn)分析測(cè)試費(fèi)時(shí)、 費(fèi)力、 成本高昂， 國(guó)內(nèi)外學(xué)者對(duì)大區(qū)域內(nèi)的油頁(yè)巖評(píng)價(jià)常用測(cè)井響應(yīng)特征進(jìn)行w（TOC）預(yù)測(cè)， 包括定性預(yù)測(cè)、 半定量預(yù)測(cè)和定量預(yù)測(cè)。 定量預(yù)測(cè)主要是建立有機(jī)碳含量測(cè)井預(yù)測(cè)模型， 可以分為ΔlgR模型、 多元逐步回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型3 類(lèi)。

（1） ΔlgR模型。 Q. R. Passey 等［1］提出了ΔlgR模型計(jì)算烴源巖的w（TOC）， 該方法被眾多學(xué)者引用、 改進(jìn)并取得了不錯(cuò)的效果； 朱振宇等［2］使用ΔlgR模型對(duì)塔里木盆地?zé)N源巖有機(jī)碳含量進(jìn)行了預(yù)測(cè)并分析了優(yōu)缺點(diǎn)； 郭澤清等［3］使用ΔlgR模型預(yù)測(cè)了柴達(dá)木盆地三湖地區(qū)第四系烴源巖有機(jī)碳含量； 高崗等［4］使用ΔlgR模型對(duì)北部灣盆地潿西南凹陷流沙港組湖相優(yōu)質(zhì)烴源巖有機(jī)碳含量進(jìn)行預(yù)測(cè)； 夏宏泉等［5］使用ΔlgR模型對(duì)四川盆地長(zhǎng)寧地區(qū)下志留系龍馬溪組烴源巖有機(jī)碳含量進(jìn)行預(yù)測(cè)； 劉超［6］通過(guò)優(yōu)化K值并引入密度測(cè)井曲線提出變系數(shù)ΔlgR模型且將其應(yīng)用在松遼盆地；胡慧婷等［7］對(duì)ΔlgR模型的公式推導(dǎo)改進(jìn)， 避免了讀取基線的繁瑣， 并通過(guò)松遼盆地與海拉爾盆地的烴源巖分析提出了改進(jìn)的ΔlgR模型； 張鵬飛等［8］使用改進(jìn)ΔlgR模型渤海灣盆地東營(yíng)凹陷烴源巖有機(jī)碳含量進(jìn)行預(yù)測(cè)。

（2） 多元逐步回歸模型。 多元逐步回歸模型是多元回歸模型的發(fā)展。 J. D. Mendelson 等［9］將w（TOC） 與聲波時(shí)差、 中子孔隙度、 密度、 自然伽馬之間建立多元回歸關(guān)系并進(jìn)行烴源巖w（TOC）預(yù)測(cè)； 陳浩等［10］以多元回歸模型對(duì)銀額盆地居延海坳陷w（TOC）分布進(jìn)行了預(yù)測(cè)； 胡慧婷等［5］通過(guò)從多個(gè)測(cè)井參數(shù)中選擇w（TOC） 的敏感參數(shù)建立了烴源巖w（TOC）的多元逐步回歸預(yù)測(cè)模型。

（3） BP 神經(jīng)網(wǎng)絡(luò)模型。 BP 神經(jīng)網(wǎng)絡(luò)模型是人工神經(jīng)網(wǎng)絡(luò)模型中使用最廣泛的模型之一。 王貴文等［11］使用BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)塔里木盆地臺(tái)盆區(qū)寒武系—奧陶系烴源巖進(jìn)行了w（TOC）預(yù)測(cè)；L. M. Johnson等［12］使用BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)澳大利亞坎寧盆地?zé)N源巖w（TOC） 進(jìn)行了預(yù)測(cè)并取得較好效果； 蔣德鑫等［13］對(duì)珠江口盆地陸豐凹陷文昌組烴源巖w（TOC） 建立多元回歸模型、 BP 神經(jīng)網(wǎng)絡(luò)模型和曲線疊合模型， 并分析了3 種模型的預(yù)測(cè)效果及適用條件。

松遼盆地具有豐富的頁(yè)巖油資源， 占中國(guó)頁(yè)巖油總量的45%［14］， 礦層分布廣泛、 產(chǎn)狀穩(wěn)定、 單層厚度大、 垂向連續(xù)性強(qiáng)， 尚未進(jìn)行商業(yè)化開(kāi)發(fā)，極具資源前景［15-16］。

前人對(duì)松遼盆地油頁(yè)巖有機(jī)碳含量和含油率進(jìn)行了定量預(yù)測(cè)。 如賀君玲等［17］將自然伽馬曲線和電阻率曲線疊合建立了ΔlgR模型預(yù)測(cè)松遼盆地南部油頁(yè)巖的有機(jī)碳含量； 劉博［18］分析測(cè)井曲線與有機(jī)碳含量關(guān)系建立了多元回歸模型預(yù)測(cè)油頁(yè)巖的有機(jī)碳含量； 尚未見(jiàn)到用BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)松遼盆地油頁(yè)巖的有機(jī)碳含量的報(bào)道。

本文以松遼盆地東南隆起區(qū)上白堊統(tǒng)青山口組油頁(yè)巖為例， 以JFD-1 井、 JFD-5 井青山口組的實(shí)測(cè)w（TOC） 數(shù)據(jù)和測(cè)井響應(yīng)數(shù)據(jù)建立東南隆起區(qū)上白堊統(tǒng)青山口組油頁(yè)巖的改進(jìn)ΔlgR模型、 多元逐步回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型， 并用模型預(yù)測(cè)JFD-8 井青山口組油頁(yè)巖的有機(jī)碳含量， 通過(guò)對(duì)比分析JFD-8 井的實(shí)測(cè)w（TOC） 和預(yù)測(cè)w（TOC）的誤差來(lái)討論3 種模型的適用條件， 為松遼盆地油頁(yè)巖勘探開(kāi)發(fā)提供了有力的技術(shù)支持。

1 地質(zhì)概況

松遼盆地處于中國(guó)東北部， 可劃分為6 個(gè)一級(jí)構(gòu)造單元： 北部?jī)A沒(méi)區(qū)、 西部斜坡區(qū)、 中央坳陷區(qū)、 東北隆起區(qū)、 東南隆起區(qū)和西南隆起區(qū)。 沉積層系始于侏羅系， 以白堊系為沉積主體， 上白堊統(tǒng)青山口組和嫩江組是盆地內(nèi)油頁(yè)巖主要發(fā)育層系［19］。 本文樣品來(lái)源于東南隆起區(qū)的JFD-1 井、JFD-5 井和JFD-8 井（圖1）， 取樣段為上白堊統(tǒng)青山口組青一段。

東南隆起區(qū)青山口組發(fā)育深湖—半深湖沉積。以灰色泥巖、 深灰色泥巖、 深灰色油頁(yè)巖為主， 夾少量薄層泥灰?guī)r和含介形蟲(chóng)灰?guī)r， 局部黃鐵礦富集［20］。 青山口組從下至上依次為青一段、 青二段、青三段。 青二段、 青三段油頁(yè)巖不發(fā)育。 青一段油頁(yè)巖厚度較大， 由巖心觀察可知JFD-1 井、 JFD-5井和JFD-8 井平均累計(jì)厚度為20.18 m， 最大單層厚度為5.8 m， 常與暗色泥巖互層。 有機(jī)質(zhì)的干酪根類(lèi)型為Ⅰ—Ⅱ1型， 最大熱解峰溫度小于435 ℃，處于未成熟階段， 生油潛力巨大［21-22］。

2 測(cè)試樣品及實(shí)驗(yàn)方法

測(cè)試樣品均取自于JFD-1 井、 JFD-5 井和JFD-8井青一段， 取心完整， 測(cè)井資料包括自然伽馬、 電阻率、 聲波時(shí)差、 密度。 本次研究共有160 塊巖心進(jìn)行了有機(jī)碳含量測(cè)試， 其中JFD-1 井分析了75組、 JFD-5 井分析了47 組、 JFD-8 井分析了38 組，樣品巖性主要為灰色泥巖、 深灰色泥巖、 深灰色油頁(yè)巖、 泥灰?guī)r、 含介形蟲(chóng)灰?guī)r等。

實(shí)測(cè)w（TOC） 即經(jīng)過(guò)5%稀鹽酸處理后， 通過(guò)Leco CS-230 碳硫儀測(cè)定有機(jī)碳含量。 本文的實(shí)測(cè)w（TOC） 數(shù)據(jù)在使用前對(duì)巖心深度與測(cè)井曲線深度都進(jìn)行了歸位， JFD-1 井巖心深度增加0.82 m、JFD-5 井巖心深度減少0.15 m、 JFD-8 井巖心深度增加0.58 m。

3 測(cè)井模型建立

3.1 測(cè)井響應(yīng)特征

松遼盆地東南隆起區(qū)青山口組油頁(yè)巖的測(cè)井曲線具有高自然伽馬、 高電阻率、 高聲波時(shí)差和低密度的特點(diǎn)。 東南隆起區(qū)青山口組油頁(yè)巖實(shí)測(cè)w（TOC）與測(cè)井曲線關(guān)系見(jiàn)圖2。

3.1.1 自然伽馬

東南隆起區(qū)青山口組油頁(yè)巖自然伽馬測(cè)井值主要為124.03 ～253.65 API， 平均值為155.80 API。泥巖自然伽馬測(cè)井值為114.46 ～146.95 API， 平均值為128.47 API。 油頁(yè)巖自然伽馬測(cè)井值明顯高于泥巖。 油頁(yè)巖自然伽馬與實(shí)測(cè)w（TOC） 呈正相關(guān)（圖2 （a） ）， 相關(guān)系數(shù)為0.384 4。

3.1.2 電阻率

東南隆起區(qū)青山口組油頁(yè)巖電阻率測(cè)井值主要為5.83～30.31 Ω·m， 平均值為10.80 Ω·m。 泥巖電阻率測(cè)井值為4.84 ～6.10 Ω·m， 平均值為5.58 Ω·m。油頁(yè)巖電阻率測(cè)井值明顯高于泥巖。油頁(yè)巖電阻率與實(shí)測(cè)w（TOC） 呈正相關(guān)， 相關(guān)系數(shù)為0.486 6 （圖2 （b） ）。

3.1.3 聲波時(shí)差

東南隆起區(qū)青山口組油頁(yè)巖聲波時(shí)差測(cè)井值主要為378.90～451.43 μs／m，平均值為425.47 μs／m 。泥巖的聲波時(shí)差測(cè)井值為408.94～434.21 μs／m，平均值為418.70 μs／m。 油頁(yè)巖的聲波時(shí)差測(cè)井值明顯高于泥巖。 油頁(yè)巖的聲波時(shí)差測(cè)井值與實(shí)測(cè)w（TOC） 呈正相關(guān) （ 圖 2 （ c） ）， 相關(guān)系數(shù)為0.492 3。

3.1.4 密度

東南隆起區(qū)青山口組油頁(yè)巖密度測(cè)井值主要為2.02～2.45 g／cm3， 平均值為2.25 g／cm3。 泥巖密度測(cè)井值為 2.31 ～2.42 g／cm3， 平均值為2.35 g／cm3。油頁(yè)巖密度測(cè)井值低于泥巖。 油頁(yè)巖密度測(cè)井曲線與實(shí)測(cè)w（TOC） 呈負(fù)相關(guān)（圖2 （d） ），相關(guān)系數(shù)為0.758 1。

3.2 預(yù)測(cè)模型

以松遼盆地東南隆起區(qū)JFD-1 井和JFD-5 井的上白堊統(tǒng)青山口組油頁(yè)巖的實(shí)測(cè)w（TOC）和測(cè)井?dāng)?shù)據(jù)分別建立改進(jìn)ΔlgR模型、 多元逐步回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型， 利用模型分別計(jì)算JFD-8 井的預(yù)測(cè)w（TOC）， 以JFD-8 井的實(shí)測(cè)w（TOC） 和預(yù)測(cè)w（TOC） 的誤差分析評(píng)價(jià)3 種預(yù)測(cè)模型的適用條件。

3.2.1 改進(jìn)ΔlgR模型

ΔlgR模型是由Q. R. Passey 等［1］提出的使用測(cè)井曲線預(yù)測(cè)不同成熟度條件下的有機(jī)碳含量的定量計(jì)算方法。 通過(guò)將對(duì)數(shù)坐標(biāo)的電阻率曲線與算術(shù)坐標(biāo)的聲波時(shí)差曲線疊加， 以非烴源巖段調(diào)準(zhǔn)基線計(jì)算幅度差ΔlgR。 該方法需要設(shè)定有機(jī)碳背景值（泥巖普遍含有一定量的有機(jī)碳）、 成熟度參數(shù)及人為對(duì)準(zhǔn)多個(gè)非烴源巖基線， 這會(huì)導(dǎo)致操作復(fù)雜、誤差較大。 因此， 本文選用胡慧婷等［5］的改進(jìn)ΔlgR方法， 無(wú)需設(shè)定有機(jī)碳背景值、 成熟度參數(shù)及人為對(duì)準(zhǔn)基線。 因研究區(qū)密度測(cè)井曲線與實(shí)測(cè)w（TOC）相關(guān)性最好（圖2 （d） ）， 故選擇密度測(cè)井曲線與電阻率測(cè)井曲線進(jìn)行計(jì)算。

改進(jìn)的ΔlgR公式為：

式中：R——實(shí)測(cè)電阻率值， Ω·m；Rmin——電阻率最小值， Ω·m；K——疊合系數(shù)；ρmin——密度最小值， g／cm3；ρ——實(shí)測(cè)密度值， g／cm3；Rmax——電阻率最大值， Ω·m；ρmax——密度最大值， g／cm3。

最后通過(guò)最小二乘法擬合得到公式

式中：w（TOC） ——有機(jī)碳的質(zhì)量分?jǐn)?shù)，%；A，B——系數(shù)。

因此通過(guò)JFD-1 井、 JFD-5 井的實(shí)測(cè)w（TOC）數(shù)據(jù)與電阻率測(cè)井、 密度測(cè)井曲線數(shù)據(jù)擬合關(guān)系，建立松遼盆地東南隆起區(qū)油頁(yè)巖識(shí)別的改進(jìn)ΔlgR模型， 公式為

改進(jìn)ΔlgR模型公式的相關(guān)系數(shù)為0.678 2， 相關(guān)性較好。

3.2.2 多元逐步回歸模型

多元逐步回歸是通過(guò)一個(gè)一個(gè)地輸入測(cè)井參數(shù)， 逐一檢驗(yàn)變量顯著性， 剔除不合格變量， 保留顯著參數(shù)， 篩選出與實(shí)測(cè)w（TOC） 關(guān)系密切的測(cè)井曲線而建立的預(yù)測(cè)模型。

以松遼盆地東南隆起區(qū)JFD-1 井和JFD-5 井的自然伽馬、 電阻率、 聲波時(shí)差、 密度與實(shí)測(cè)w（TOC）建立多元逐步回歸模型。 首先輸入4 條測(cè)井參數(shù)， 設(shè)自然伽馬測(cè)井參數(shù)為X1、 電阻率測(cè)井參數(shù)為X2、 聲波時(shí)差測(cè)井參數(shù)為X3、 密度測(cè)井參數(shù)為X4， 列出14 種組合方式：Y1=X1，Y2=X2，Y3=X3，Y4=X4，Y5=X21，Y6=X22，Y7=X23，Y8=X24，Y9=X1X2，Y10=X1X3，Y11=X1X4，Y12=X2X3，Y13=X2X4，Y14=X3X4。 以實(shí)測(cè)w（TOC）為因變量，建立松遼盆地東南隆起區(qū)油頁(yè)巖多元逐步回歸模型公式為

多元逐步回歸模型公式的相關(guān)系數(shù)為0.762 9。

通過(guò)檢驗(yàn)變量顯著性、Y4（密度測(cè)井參數(shù)）和Y13（電阻率測(cè)井參數(shù)與密度測(cè)井參數(shù)組合） 為顯著參數(shù)予以保留， 其余參數(shù)為不合格變量予以剔除， 提高了模型的精度。

3.2.3 BP 神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)模型由數(shù)據(jù)流的前向計(jì)算（正向傳播） 和誤差信號(hào)的反向傳播2 個(gè)過(guò)程構(gòu)成［8］，依次經(jīng)過(guò)輸入層—隱藏層—輸出層。 數(shù)據(jù)先從輸入層進(jìn)入隱藏層逐層傳遞， 每層神經(jīng)元狀態(tài)僅能影響下一層神經(jīng)元的狀態(tài)， 在輸出層獲得輸出， 為正向傳播［23-24］。 當(dāng)輸出值與期望值誤差大于目標(biāo)誤差時(shí)， 網(wǎng)絡(luò)誤差將沿傳遞來(lái)的方向進(jìn)行反向傳播， 使用最速下降法修改神經(jīng)元的權(quán)值減小誤差傳到輸入層再次進(jìn)行正向傳播， 反復(fù)這2 個(gè)過(guò)程直至實(shí)際輸出與期望輸出的誤差大小滿(mǎn)足要求， 訓(xùn)練結(jié)束。

在輸入測(cè)井?dāng)?shù)據(jù)前應(yīng)進(jìn)行數(shù)據(jù)歸一化， 減少不同量綱的測(cè)井參數(shù)之間差距過(guò)大帶來(lái)的影響［25］。數(shù)據(jù)歸一化公式為

式中：X*——?dú)w一化后的計(jì)算值；X——實(shí)際測(cè)井值；Xmax——離散測(cè)井?dāng)?shù)據(jù)中的最大值；Xmin——離散測(cè)井?dāng)?shù)據(jù)中的最小值。

將松遼盆地東南隆起區(qū)JFD-1 井、 JFD-5 井的122 組實(shí)測(cè)w（TOC） 數(shù)據(jù)， 按訓(xùn)練集占70%、 測(cè)試集占30%進(jìn)行分配。 輸入層為自然伽馬、 電阻率、 聲波時(shí)差、 密度共4 條測(cè)井曲線， 并進(jìn)行數(shù)據(jù)歸一化處理， 隱藏層為6 個(gè)神經(jīng)元， 輸出層為預(yù)測(cè)w（TOC） （圖3）。

4 預(yù)測(cè)結(jié)果

選取松遼盆地東南隆起區(qū)上白堊統(tǒng)青山口組JFD-8 井作為預(yù)測(cè)井， 共有38 個(gè)實(shí)測(cè)w（TOC） 數(shù)據(jù)。 將JFD-8 井的測(cè)井曲線數(shù)據(jù)輸入前文建立的改進(jìn)ΔlgR模型、 多元逐步回歸模型、 BP 神經(jīng)網(wǎng)絡(luò)模型， 得到3 種模型的預(yù)測(cè)w（TOC）， 分析3 種模型的適用條件（圖4）。

有機(jī)碳含量預(yù)測(cè)模型的驗(yàn)證包括宏觀與微觀2方面。

宏觀分析可通過(guò)對(duì)比預(yù)測(cè)值與實(shí)測(cè)值相關(guān)系數(shù)、平均相對(duì)誤差和平均絕對(duì)誤差來(lái)判斷。 相關(guān)系數(shù)越大、 誤差越小， 模型更具適用性。

微觀分析是地層中油頁(yè)巖實(shí)測(cè)w（TOC） 急劇變化時(shí)或變化較小時(shí)對(duì)模型精度的分析。

本文的微觀分析是將松遼盆地東南隆起區(qū)上白堊統(tǒng)青山口組JFD-8 井的13 個(gè)實(shí)測(cè)w（TOC）數(shù)據(jù)劃為有機(jī)碳含量變化平緩區(qū) （圖5 中A 區(qū)和B區(qū)）， 15 個(gè)點(diǎn)劃為有機(jī)碳含量突變區(qū)（圖5C 區(qū)），對(duì)比分析實(shí)測(cè)w（TOC） 的變化速度與3 種模型預(yù)測(cè)結(jié)果的關(guān)系。

4.1 改進(jìn)ΔlgR 模型

通過(guò)電阻率與密度測(cè)井曲線疊合建立的改進(jìn)ΔlgR模型進(jìn)行JFD-8 井有機(jī)碳含量預(yù)測(cè)， 得到連續(xù)的全井段預(yù)測(cè)w（TOC） 分布， 實(shí)測(cè)w（TOC）與預(yù)測(cè)w（TOC） 之間的相關(guān)系數(shù)、 平均絕對(duì)誤差、平均相對(duì)誤差分別為0.782 4、 2.01%、 25.1%（表1）。實(shí)測(cè)w（TOC） 為3.66%～13.60%， 平均值為7.71%， 改進(jìn)ΔlgR模型預(yù)測(cè)w（TOC） 為2.79%～9.58%， 平均值為5.95%， 預(yù)測(cè)值比實(shí)測(cè)值范圍小， 預(yù)測(cè)平均值比實(shí)測(cè)平均值低。

表1 松遼盆地JFD-8 井3 種有機(jī)碳含量模型預(yù)測(cè)w （TOC） 與實(shí)測(cè)w （TOC） 誤差對(duì)比Table 1 Comparison of the errors between predicted w（TOC）s by three organic carbon content models and measured w（TOC）s in Well JFD-8 of Songliao Basin

4.2 多元逐步回歸模型

以電阻率測(cè)井參數(shù)、 電阻率測(cè)井與密度測(cè)井的組合參數(shù)為顯著參數(shù)建立的多元逐步回歸模型進(jìn)行JFD-8 井有機(jī)碳含量預(yù)測(cè)， 得到實(shí)測(cè)w（TOC） 與預(yù)測(cè)w（TOC） 之間的相關(guān)系數(shù)、 平均絕對(duì)誤差、平均相對(duì)誤差分別為0.776 8、 1.39%、 17.5%。多元逐步回歸模型預(yù)測(cè)w（TOC） 為3.52% ～11.03%， 平均值是6.86%。 預(yù)測(cè)值比實(shí)測(cè)值范圍小， 預(yù)測(cè)平均值比實(shí)測(cè)平均值低。

4.3 BP 神經(jīng)網(wǎng)絡(luò)模型

通過(guò)在測(cè)井?dāng)?shù)據(jù)與實(shí)測(cè)w（TOC） 之間建立非線性關(guān)系， 在輸入層、 隱藏層、 輸出層之間反復(fù)迭代、 調(diào)節(jié)權(quán)值、 減小誤差建立了BP 神經(jīng)網(wǎng)絡(luò)模型， 進(jìn)行JFD-8 井有機(jī)碳含量預(yù)測(cè)， 獲得實(shí)測(cè)w（TOC）與預(yù)測(cè)w（TOC） 之間的相關(guān)系數(shù)、 平均絕對(duì)誤差、 平均相對(duì)誤差分別為0.806 0、 1.37%、18.8%。 BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)w（TOC） 為4.37%～12.39%，平均值為7.24%， 預(yù)測(cè)值與實(shí)測(cè)值范圍較為接近， 預(yù)測(cè)平均值與實(shí)測(cè)平均值較接近。

根據(jù)圖5 中3 種模型預(yù)測(cè)效果的對(duì)比分析可知， 當(dāng)油頁(yè)巖品質(zhì)較穩(wěn)定時(shí)， 即w（TOC） 平緩區(qū)時(shí)多元逐步回歸模型的預(yù)測(cè)效果更好， 其次為BP神經(jīng)網(wǎng)絡(luò)模型、 改進(jìn)ΔlgR模型； 對(duì)于油頁(yè)巖品質(zhì)差異較大時(shí)， 即w（TOC）突變區(qū)時(shí)BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果最好， 其次為多元逐步回歸模型、 改進(jìn)ΔlgR模型。

5 討 論

5.1 預(yù)測(cè)效果

由松遼盆地東南隆起區(qū)青山口組油頁(yè)巖3 種有機(jī)碳含量預(yù)測(cè)模型結(jié)果可知， 宏觀上BP 神經(jīng)網(wǎng)絡(luò)模型相關(guān)系數(shù)最高、 平均絕對(duì)誤差最小， 且預(yù)測(cè)w（TOC）與實(shí)測(cè)w（TOC） 的取值范圍和平均值最為接近； 微觀上當(dāng)油頁(yè)巖品質(zhì)較穩(wěn)定時(shí)， 多元逐步回歸模型預(yù)測(cè)效果最好， 其次是BP 神經(jīng)網(wǎng)絡(luò)模型、 改進(jìn)ΔlgR模型， 油頁(yè)巖品質(zhì)差異較大時(shí)， BP神經(jīng)網(wǎng)絡(luò)模型效果最好， 其次為多元逐步回歸模型、 改進(jìn)ΔlgR模型。

5.1.1 改進(jìn)ΔlgR模型

改進(jìn)ΔlgR模型雖然相比傳統(tǒng)ΔlgR模型操作更方便， 人工造成的誤差也減少了， 但效果不及其他2 種模型的主要原因有3 點(diǎn)： （1） 松遼盆地青山口組黃鐵礦局部較發(fā)育， 對(duì)油頁(yè)巖有機(jī)質(zhì)的測(cè)井響應(yīng)造成干擾， 曲線疊合用的密度測(cè)井?dāng)?shù)據(jù)和電阻率測(cè)井?dāng)?shù)據(jù)受黃鐵礦影響而造成誤差； （2） 測(cè)井曲線是人為疊合的， 疊合效果不好會(huì)造成誤差； （3）僅僅2 條曲線難以代表全部地層信息， 因此地質(zhì)信息的不全面限制了預(yù)測(cè)的精度。

5.1.2 多元逐步回歸模型

多元逐步回歸模型整體預(yù)測(cè)效果優(yōu)于改進(jìn)ΔlgR， 且在青山口組油頁(yè)巖品質(zhì)發(fā)育穩(wěn)定時(shí)， 多元逐步回歸預(yù)測(cè)效果最好， 優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)。 多元逐步回歸法通過(guò)在多條測(cè)井曲線中篩選出對(duì)地層有機(jī)碳含量值反映明顯的曲線建立模型， 剔除了相關(guān)性不明顯的測(cè)井曲線， 達(dá)到建立最大相關(guān)關(guān)系的目的。 由于顯著參數(shù)的測(cè)井曲線與油頁(yè)巖有機(jī)碳含量的相關(guān)性強(qiáng)， 當(dāng)BP 神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)量不夠時(shí)， 多元逐步回歸法的預(yù)測(cè)效果最好。

5.1.3 BP 神經(jīng)網(wǎng)絡(luò)模型

BP 神經(jīng)網(wǎng)絡(luò)模型整體預(yù)測(cè)效果最好， 強(qiáng)于多元逐步回歸和改進(jìn)ΔlgR， 且預(yù)測(cè)w（TOC） 突變區(qū)也是效果最好的。 由于青山口組砂泥巖薄層交替出現(xiàn)、 油頁(yè)巖厚度不一和重礦物富集等， 影響了油頁(yè)巖的測(cè)井響應(yīng)特征， 常規(guī)的線性數(shù)學(xué)關(guān)系無(wú)法準(zhǔn)確表達(dá)有機(jī)碳含量與測(cè)井?dāng)?shù)據(jù)之間的關(guān)系， 利用BP 神經(jīng)網(wǎng)絡(luò)模型能夠很好地解決此類(lèi)問(wèn)題。 BP 神經(jīng)網(wǎng)絡(luò)通過(guò)隱式非線性方法建立測(cè)井信息與有機(jī)碳含量之間的聯(lián)系， 通過(guò)多次的數(shù)據(jù)訓(xùn)練， 改變神經(jīng)元之間的權(quán)值使誤差不斷下降， 直至小于系統(tǒng)規(guī)定誤差才可輸出， 使預(yù)測(cè)值更加貼近真實(shí)值。 BP 神經(jīng)網(wǎng)絡(luò)模型誤差主要源于： （1） 訓(xùn)練數(shù)據(jù)的不充足及神經(jīng)元選取個(gè)數(shù)不當(dāng)引起的過(guò)擬合或欠擬合；（2） 區(qū)域地質(zhì)條件的限制。

5.2 方法適用性

綜上所述， 根據(jù)油頁(yè)巖有機(jī)碳含量突變區(qū)與平穩(wěn)區(qū)的趨勢(shì)對(duì)比更能劃分出改進(jìn)ΔlgR模型、 多元逐步回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型的各自適用性。

改進(jìn)ΔlgR模型適用性范圍較小且相對(duì)最差，當(dāng)測(cè)井曲線與地層中實(shí)測(cè)w（TOC） 含量擬合相關(guān)性較好、 巖性成分較單一、 油頁(yè)巖呈大段發(fā)育且為了操作快速簡(jiǎn)便時(shí)， 該方法較為適用。

多元逐步回歸模型同改進(jìn)ΔlgR模型類(lèi)似， 受區(qū)域地質(zhì)條件限制因素較大， 即當(dāng)測(cè)井曲線與實(shí)測(cè)w（TOC）擬合相關(guān)性較好時(shí)較為適用， 且相關(guān)性好的測(cè)井曲線越多預(yù)測(cè)越精確。

改進(jìn)ΔlgR模型和多元逐步回歸模型適用于勘探開(kāi)發(fā)初期井?dāng)?shù)少、 地化數(shù)據(jù)不足時(shí)。

在勘探開(kāi)發(fā)中后期， 測(cè)井資料和地化數(shù)據(jù)充足時(shí)， 面對(duì)區(qū)域地質(zhì)情況復(fù)雜、 成巖作用、 后期改造作用等因素導(dǎo)致烴源巖的測(cè)井響應(yīng)不明顯時(shí)［10］BP神經(jīng)網(wǎng)絡(luò)模型更具適用性， 尤其是油頁(yè)巖的w（TOC）突變區(qū)。

6 結(jié) 論

（1） 松遼盆地東南隆起油頁(yè)巖在測(cè)井上具有高自然伽馬、 高電阻率、 高聲波時(shí)差和低密度的特點(diǎn)。 其中密度與實(shí)測(cè)w（TOC） 相關(guān)性最好， 其次為聲波時(shí)差和電阻率， 自然伽馬相關(guān)性相對(duì)較差。

（2） 以東南隆起區(qū)2 口井的電阻率測(cè)井?dāng)?shù)據(jù)與密度測(cè)井?dāng)?shù)據(jù)建立改進(jìn)ΔlgR模型、 以電阻率測(cè)井?dāng)?shù)據(jù)和密度測(cè)井?dāng)?shù)據(jù)建立多元逐步回歸模型、 以測(cè)井?dāng)?shù)據(jù)與實(shí)測(cè)w（TOC）建立BP 神經(jīng)網(wǎng)絡(luò)模型。

（3） 通過(guò)驗(yàn)證可知， BP 神經(jīng)網(wǎng)絡(luò)模型適用于數(shù)據(jù)量大的地層， 當(dāng)油頁(yè)巖層的w（TOC） 變化范圍大時(shí)更具優(yōu)越性； 多元逐步回歸模型適用于測(cè)井曲線對(duì)油頁(yè)巖層段響應(yīng)好的地層， 顯著參數(shù)越多預(yù)測(cè)越精確； 改進(jìn)ΔlgR模型適用于巖性單一的地層，操作簡(jiǎn)便， 但誤差較大。

（4） 勘探開(kāi)發(fā)初期測(cè)井及地化資料不充足時(shí)，適用改進(jìn)ΔlgR模型和多元逐步回歸模型； 勘探開(kāi)發(fā)后期測(cè)井及地化資料充足時(shí)， 適用多元逐步回歸模型和BP 神經(jīng)網(wǎng)絡(luò)模型。