畢臣臣

(中石化石油物探技術(shù)研究院有限公司， 南京 211103)

中國頁巖氣具有成藏條件復(fù)雜，埋深較深，勘探開發(fā)難度較大等特點[1]。由于成藏機制的特殊性，頁巖氣與常規(guī)油氣儲層預(yù)測方法有所不同[2]，其儲層預(yù)測的主要任務(wù)是尋找頁巖的有利“甜點”區(qū)。總有機碳(total organic carbon，TOC)含量是評價頁巖儲層“地質(zhì)甜點”的重要參數(shù)，能夠表征頁巖的生烴能力，且與含氣量成正比[3-4]。通常TOC含量越大，頁巖生烴能力越強，對應(yīng)的含氣量也越高[5]，所以TOC含量的準確預(yù)測在計算頁巖儲層含氣量及“甜點”目標區(qū)優(yōu)選中發(fā)揮著不可或缺的作用。TOC含量預(yù)測分為測井預(yù)測和地震預(yù)測兩大類，測井預(yù)測TOC方法目前包括單因素法、多元回歸法、ΔLogR法和神經(jīng)網(wǎng)絡(luò)法等多種較為成熟的方法[6-8]，可以分別利用單個或者多個相關(guān)性較高的測井參數(shù)來進行TOC曲線的預(yù)測，獲得單井垂向上的TOC含量分布[9-10]。但僅利用測井的TOC數(shù)據(jù)難以滿足實際生產(chǎn)需求，因此，TOC含量的地震預(yù)測成為目前頁巖氣勘探中研究的熱點問題。

目前直接從三維地震勘探資料獲取TOC含量的方法較少，地震預(yù)測TOC最常用的方法是利用實際測井TOC曲線和與其相關(guān)性較高的其他曲線(如密度曲線)進行回歸擬合，得到它們之間的函數(shù)關(guān)系式，再由疊前地震反演結(jié)果直接或間接地計算出TOC含量數(shù)據(jù)體，進而獲得三維橫向和縱向的TOC含量分布。陳祖慶[11]綜合分析了焦石壩地區(qū)多口井資料，建立了該區(qū)TOC含量與密度之間的線性表達式，并利用疊前反演密度體預(yù)測了TOC數(shù)據(jù)體；李曙光等[12]、王夢等[13]利用該方法實現(xiàn)了川南某深層頁巖田和四川盆地LZ區(qū)塊的TOC地震預(yù)測；檀文慧等[14]結(jié)合疊前反演結(jié)果計算出孔隙度數(shù)據(jù)體，進而利用TOC含量和孔隙度之間的二次函數(shù)關(guān)系，預(yù)測了丁山地區(qū)的TOC參數(shù)。然而這些方法只考慮了某單一因素影響，得到的是參數(shù)之間簡單的一次或二次函數(shù)關(guān)系。但由于受多種因素影響，頁巖儲層的TOC含量可能與多個參數(shù)之間存在著較為復(fù)雜的非線性關(guān)系，這種非線性關(guān)系還有待進一步挖掘，TOC地震預(yù)測精度也有待進一步提高。

深度學(xué)習(xí)(或深度神經(jīng)網(wǎng)絡(luò))作為目前解決非線性問題的一種有效方法，逐漸被引用到石油天然氣勘探開發(fā)行業(yè)中[15]。陳娟等[16]采用遺傳算法-誤差反向傳播(genetic algorithm-back propagation, CA-BP)神經(jīng)網(wǎng)絡(luò)建立了頁巖氣多個“甜點”參數(shù)與測試產(chǎn)量之間的網(wǎng)絡(luò)模型，提高了頁巖氣水平井產(chǎn)能預(yù)測效率；丁燕等[17]利用深度信念網(wǎng)絡(luò)(deep belief network, DBN)深度神經(jīng)網(wǎng)絡(luò)對裂縫識別參數(shù)進行非線性反演，以分頻地震數(shù)據(jù)作為輸入，裂縫識別參數(shù)作為輸出目標，將獲得的最優(yōu)模型應(yīng)用到整個研究區(qū)實現(xiàn)了潛山碳酸鹽巖儲層的裂縫預(yù)測；王錦濤等[18]提出了利用深度學(xué)習(xí)方法通過訓(xùn)練測井曲線的已知段，來預(yù)測缺失段曲線信息；馬隴飛等[19]針對致密儲層的測井巖性識別模糊的問題，提出基于深度神經(jīng)網(wǎng)絡(luò)模型的方法，利用巖性和測井曲線之間的非線性關(guān)系對研究區(qū)5種巖性進行識別分類。中外學(xué)者利用不同神經(jīng)網(wǎng)絡(luò)模型來預(yù)測TOC曲線，Ouadfeul等[20]構(gòu)建了具有多層感知器的神經(jīng)網(wǎng)絡(luò)模型來預(yù)測美國Barnett頁巖氣田儲層的TOC含量；王惠君等[21]以杭錦旗為目標研究區(qū)，選擇卷積神經(jīng)網(wǎng)絡(luò)預(yù)測TOC曲線，結(jié)合研究區(qū)沉積相得到了TOC的平面展布特征；楊占偉等[22]在主成分分析的基礎(chǔ)上，選擇貢獻率較高的4個主成分參數(shù)和TOC曲線分別作為輸入、輸出變量，采用誤差反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)和梯度提升決策樹(gradient boosting decision tree，GBDT)兩種方法提高了川南某工區(qū)TOC曲線預(yù)測精度。但經(jīng)過調(diào)研發(fā)現(xiàn)，目前深度學(xué)習(xí)方法通常是對于曲線的預(yù)測，在TOC含量地震非線性預(yù)測領(lǐng)域的研究和應(yīng)用較少。

因此，針對常規(guī)TOC地震預(yù)測方法的不足以及預(yù)測精度較低等問題，現(xiàn)將深度學(xué)習(xí)引入TOC含量的地震預(yù)測研究中，提出基于深度學(xué)習(xí)的TOC含量地震預(yù)測方法。利用川東南某地區(qū)頁巖儲層實測鉆井和地震資料，通過建立基于深度學(xué)習(xí)的深度前饋神經(jīng)網(wǎng)絡(luò)模型及模型最優(yōu)化來充分挖掘并獲取TOC含量與多參數(shù)之間的非線性關(guān)系，然后通過預(yù)測誤差分析來驗證方法的有效性，將其應(yīng)用到整個研究區(qū)中預(yù)測TOC含量數(shù)據(jù)體，以提高研究區(qū)TOC含量的地震預(yù)測精度，從而更精確地識別頁巖氣“甜點”有利區(qū)，同時為四川盆地頁巖TOC含量的地震預(yù)測提供一種新的技術(shù)方法。

1 方法原理

1.1 深度前饋神經(jīng)網(wǎng)絡(luò)模型

深度前饋神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中比較經(jīng)典的一種網(wǎng)絡(luò)結(jié)構(gòu)[23-24]。其特點是除了基本的輸入、輸出層之外，包含兩個及以上的隱含層，每層由多個神經(jīng)元構(gòu)成，屬于全連接神經(jīng)網(wǎng)絡(luò)。隱含層神經(jīng)元的實質(zhì)是一個較簡單的非線性函數(shù)，眾多的神經(jīng)元共同構(gòu)成了深度前饋神經(jīng)網(wǎng)絡(luò)復(fù)雜函數(shù)。網(wǎng)絡(luò)中所有信息只朝著一個方向傳播，即隱含層神經(jīng)元對上一層傳來的信息進行非線性變換后傳遞給下一層，經(jīng)過逐層傳送和處理之后，由輸出層輸出最終結(jié)果。前面幾個隱含層負責(zé)輸入數(shù)據(jù)特征的學(xué)習(xí)，后面幾個隱含層負責(zé)對輸出數(shù)據(jù)的預(yù)測，從而實現(xiàn)非線性關(guān)系的映射。相較于常規(guī)回歸擬合方法，深度前饋神經(jīng)網(wǎng)絡(luò)更適合對復(fù)雜的非線性關(guān)系進行學(xué)習(xí)和擬合，可以用來解決頁巖TOC含量的預(yù)測問題。

訓(xùn)練過程中，每個輸入樣本數(shù)據(jù)和神經(jīng)元輸出結(jié)果都會隨機賦予其每項各自的權(quán)重系數(shù)w和偏置項b，這個過程遵循每一層輸出的方差盡量相等的原則。通過迭代訓(xùn)練得到最優(yōu)的權(quán)重系數(shù)w和偏置項b，使得網(wǎng)絡(luò)的預(yù)測TOC結(jié)果與實測TOC結(jié)果的誤差最小，獲得最優(yōu)的TOC含量預(yù)測模型。

1.1.1 4層神經(jīng)網(wǎng)絡(luò)

以包含2個隱含層的4層深度前饋神經(jīng)網(wǎng)絡(luò)為例，如圖1所示。其輸入數(shù)據(jù)x1、x2分別為縱波速度、密度，輸出數(shù)據(jù)y為TOC含量，通過設(shè)置權(quán)重系數(shù)w和偏置項b進行參數(shù)的初始化。

圖1中每個神經(jīng)元的激活函數(shù)為非線性Sigmoid邏輯函數(shù)，如式(1)所示，以此可以建立輸入、輸出參數(shù)之間的非線性網(wǎng)絡(luò)模型。

(1)

式(1)中：z為傳遞到當(dāng)前神經(jīng)元的加權(quán)求和結(jié)果。

圖1 深度前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Structure diagram of deep feedforward neural network

網(wǎng)絡(luò)向前傳播時，將x1、x2經(jīng)過加權(quán)求和傳遞給第一隱含層的3個神經(jīng)元n1、n2和n3，分別得到z1、z2和z3，具體過程為

(2)

式(2)中：w(x1，1)、w(x1，2)、w(x1，3)與w(x2，1)、w(x2，2)、w(x2，3)分別為x1、x2傳遞到第一隱含層3個神經(jīng)元n1、n2、n3過程中的權(quán)重系數(shù)；b1、b2、b3為相應(yīng)的偏置項。

依據(jù)式(1)分別將z1、z2和z3輸入Sigmoid邏輯函數(shù)中進行非線性轉(zhuǎn)換，得到的轉(zhuǎn)換結(jié)果為f1(z1)、f2(z2)、f3(z3)。

網(wǎng)絡(luò)繼續(xù)向前傳播，將f1(z1)、f2(z2)和f3(z3)加權(quán)求和結(jié)果z4、z5和z6作為邏輯函數(shù)的輸入，傳遞給第二隱含層的神經(jīng)元n4、n5、n6，具體過程為

(3)

式(3)中：w(1，4)、w(1，5)、w(1，6)、w(2，4)、w(2，5)、w(2，6)、w(3，4)、w(3，5)、w(3，6)分別為由第一隱含層的n1、n2、n3，傳遞到第二隱含層n4、n5、n6過程中的權(quán)重系數(shù)；b4、b5、b6為相應(yīng)的偏置項。

同樣對z4、z5和z6進行非線性轉(zhuǎn)換后得到第二隱含層的結(jié)果f4(z4)、f5(z5)、f6(z6)，并將加權(quán)求和結(jié)果z7傳遞給輸出層神經(jīng)元n7，具體過程為

z7=w(4，7)f4(z4)+w(5，7)f5(z5)+w(6，7)f6(z6)+b7

(4)

式(4)中：w(4，7)、w(5，7)、w(6，7)為由第二隱含層的n4、n5、n6傳遞到輸出層n7的權(quán)重系數(shù)；b7為相應(yīng)的偏置項。

在輸出層非線性轉(zhuǎn)換后，得到最終的預(yù)測結(jié)果f7(z7)，最終輸出結(jié)果y即為所預(yù)測的TOC含量。

1.1.2 多層神經(jīng)網(wǎng)絡(luò)

將上述傳播過程推廣到L層神經(jīng)網(wǎng)絡(luò)。對于第l層網(wǎng)絡(luò)，根據(jù)上一層結(jié)果al-1=fl-1(zl-1)、權(quán)重矩陣W(l)∈Rml×ml-1和偏置矩陣bl∈Rml，可以得到凈輸入zl∈Rml。經(jīng)過ml個神經(jīng)元激活函數(shù)fl(·)的非線性轉(zhuǎn)換，可以得到該層輸出al∈Rml，具體過程為

(5)

將整個L層網(wǎng)絡(luò)看作一個復(fù)合函數(shù)φ(x;W，b)，將向量x作為第0層的輸入a0，將第L層的輸出aL作為整個函數(shù)的輸出，按照式(5)進行信息逐層傳遞，則整個網(wǎng)絡(luò)中信息傳遞過程為

x=a0→z1→a1→z2→…→aL-1→zL→aL

=φ(x;W，b)

(6)

1.2 目標函數(shù)求解

Minimizeφ(x;W，b)

(7)

為了獲得最優(yōu)化參數(shù)W和b，采用共軛梯度法對式(7)進行求解，使得輸出預(yù)測值與真實值之間達到最小二乘誤差，當(dāng)達到預(yù)先指定的迭代次數(shù)時終止優(yōu)化過程。

1.3 基于深度學(xué)習(xí)的TOC預(yù)測方法

常規(guī)回歸擬合TOC含量預(yù)測方法(回歸擬合法)，擬合關(guān)系簡單，精度較低。利用深度前饋神經(jīng)網(wǎng)絡(luò)算法進行TOC含量預(yù)測可以同時訓(xùn)練TOC含量與密度、縱波阻抗、橫波阻抗等多參數(shù)之間的復(fù)雜非線性關(guān)系，從而提高預(yù)測精度?；谏疃葘W(xué)習(xí)的TOC含量預(yù)測方法(深度學(xué)習(xí)法)流程如下。

(1)訓(xùn)練樣本集構(gòu)建：經(jīng)過測井資料分析，選擇與TOC含量相關(guān)度較高的參數(shù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，已知井的TOC含量數(shù)據(jù)作為輸出數(shù)據(jù)，構(gòu)建訓(xùn)練樣本集。

(2)神經(jīng)網(wǎng)絡(luò)構(gòu)建：設(shè)置合適的隱含層數(shù)以及神經(jīng)元數(shù)，在保證預(yù)測精度的同時，盡量減少計算量。利用前饋神經(jīng)網(wǎng)絡(luò)傳播算法構(gòu)建TOC含量預(yù)測模型，使得神經(jīng)網(wǎng)絡(luò)的信息由輸入層逐層、逐單元傳播到輸出層，計算出整個模型的目標函數(shù)值。

(3)神經(jīng)網(wǎng)絡(luò)訓(xùn)練：根據(jù)實際的樣本集，進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，選擇合適的迭代次數(shù)，以使目標函數(shù)值誤差趨于最小。

(4)神經(jīng)網(wǎng)絡(luò)調(diào)優(yōu)：評估神經(jīng)網(wǎng)絡(luò)的性能(即訓(xùn)練擬合精度)，若神經(jīng)網(wǎng)絡(luò)性能較好，則將其應(yīng)用在實際數(shù)據(jù)上進行TOC含量預(yù)測；否則，返回步驟(2)，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，重新進行步驟(3)訓(xùn)練，直至誤差滿足閾值，從而得到最優(yōu)的TOC含量預(yù)測模型。

(5)TOC含量預(yù)測：利用所建立的最優(yōu)神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對TOC含量數(shù)據(jù)體進行預(yù)測。

2 測井資料網(wǎng)絡(luò)模型訓(xùn)練與預(yù)測

2.1 網(wǎng)絡(luò)模型訓(xùn)練

研究區(qū)川東南某氣田共3口鉆井，其中Y1井和Y2井具有實測TOC曲線，且分布在研究區(qū)南部和北部，因此選擇其作為樣本數(shù)據(jù)進行深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建具有代表性。首先通過對兩口鉆井的TOC與其他測井曲線進行交匯分析[25-26]，發(fā)現(xiàn)TOC含量與密度、縱波阻抗和橫波阻抗的相關(guān)度較高，呈依次減小趨勢，與其他曲線相關(guān)度較低。因此，將Y1井和Y2井中與TOC含量相關(guān)度較高的密度、縱波阻抗、橫波阻抗曲線作為輸入樣本數(shù)據(jù)，TOC曲線作為輸出樣本數(shù)據(jù)，構(gòu)建樣本集，如圖2和圖3所示。從樣本集中隨機抽取20%作為驗證集，對網(wǎng)絡(luò)模型結(jié)構(gòu)進行調(diào)試。

首先測試隱含層的個數(shù)，將每個隱含層的神經(jīng)元個數(shù)設(shè)為定值20，迭代次數(shù)設(shè)為300，圖4顯示了隱含層個數(shù)為1、3、5、7時的驗證誤差和訓(xùn)練誤差。當(dāng)網(wǎng)絡(luò)從0迭代到200次，誤差先快速減小后緩慢減??；當(dāng)?shù)螖?shù)大于200時誤差基本趨于穩(wěn)定。隱含層數(shù)為3時，驗證誤差和訓(xùn)練誤差最??；當(dāng)隱含層數(shù)減少或增加時，誤差均有所增大。然后測試隱含層神經(jīng)元個數(shù)，將網(wǎng)絡(luò)的隱含層個數(shù)設(shè)為定值3，迭代次數(shù)設(shè)為300，圖5顯示了每層神經(jīng)元個數(shù)分別為10、20、30、40時的驗證誤差和訓(xùn)練誤差。當(dāng)網(wǎng)絡(luò)從0迭代到200次，誤差減小速度先快后慢；當(dāng)?shù)螖?shù)大于200時誤差基本趨于穩(wěn)定。神經(jīng)元個數(shù)為20時，驗證誤差和訓(xùn)練誤差達到了最小值。因此，通過上述深度神經(jīng)網(wǎng)絡(luò)參數(shù)測試，綜合考慮預(yù)測誤差和預(yù)測時長等各項因素，最終設(shè)置網(wǎng)絡(luò)參數(shù)為3個隱含層，每層20個神經(jīng)元，利用共軛梯度法對目標函數(shù)值最小化，迭代次數(shù)200作為本次訓(xùn)練的終止訓(xùn)練條件，此參數(shù)下的最小訓(xùn)練誤差為0.109 36，最小驗證誤差為0.104 70。

圖2 Y1井實測井曲線Fig.2 Actual logging curve of Y1 well

圖3 Y2井實測井曲線Fig.3 Actual logging curve of Y2 well

圖4 誤差隨隱含層數(shù)的變化Fig.4 The error varies with the number of hidden layers

圖5 誤差隨隱含層神經(jīng)元數(shù)量的變化Fig.5 The error varies with the number of neurons in the hidden layer

2.2 預(yù)測及誤差分析

按照上述深度神經(jīng)網(wǎng)絡(luò)參數(shù)測試結(jié)果，進行研究區(qū)Y1井、Y2井TOC含量的預(yù)測，預(yù)測結(jié)果如圖6所示，圖6中藍色、紅色曲線分別為原始和深度學(xué)習(xí)預(yù)測的TOC曲線，二者吻合程度非常高。

為了驗證本文方法的優(yōu)越性，選用常規(guī)回歸擬合法，進行測試對比分析。圖7為Y1井、Y2井回歸擬合法TOC預(yù)測結(jié)果，圖7中藍色、紅色曲線分別為原始和預(yù)測TOC曲線。對比圖6和圖7，從兩口井的預(yù)測結(jié)果整體上來看，利用深度學(xué)習(xí)法預(yù)測的TOC曲線與原始曲線基本重合，相關(guān)度很高，而回歸擬合法預(yù)測的TOC曲線與原始值有較大的誤差。圖8中藍色、紅色曲線分別為深度學(xué)習(xí)法、回歸擬合法兩種方法TOC預(yù)測結(jié)果的絕對誤差，圖8中可以直觀地看出，利用深度學(xué)習(xí)法預(yù)測的誤差明顯比回歸擬合法的誤差小。

圖6 深度學(xué)習(xí)法TOC曲線預(yù)測結(jié)果Fig.6 Prediction results of TOC curve by deep learning method

圖7 回歸擬合法TOC曲線預(yù)測結(jié)果Fig.7 Prediction results of TOC curve by regression fitting method

為了定量分析，分別求取了兩種方法預(yù)測結(jié)果相對于實測原始值的相關(guān)系數(shù)和平均誤差值，如表1所示。表1中回歸擬合法預(yù)測的TOC與實際曲線的相關(guān)系數(shù)為0.896，平均誤差為0.221，而深度學(xué)習(xí)法預(yù)測的TOC與實際曲線的相關(guān)系數(shù)為0.987，平均誤差為0.109。由此可見，相比于回歸擬合法，利用深度學(xué)習(xí)方法預(yù)測TOC綜合考慮了多種參數(shù)與TOC之間的關(guān)系，可以同時對兩口井的TOC參數(shù)特征進行學(xué)習(xí)，實現(xiàn)了TOC的高精度預(yù)測。

圖8 TOC預(yù)測結(jié)果絕對誤差對比Fig.8 Comparison of absolute error of TOC prediction results

表1 TOC預(yù)測結(jié)果相關(guān)系數(shù)及誤差對比Table 1 Correlation coefficient and error comparison of TOC prediction results

3 實際地震資料TOC含量預(yù)測應(yīng)用

為了驗證本文方法的可行性和實用性，結(jié)合研究區(qū)實際地震資料[27-28]，開展TOC預(yù)測方法的應(yīng)用測試。研究區(qū)目的層為五峰-龍馬溪組頁巖，測試之前，已經(jīng)通過疊前振幅隨偏移距變化(amplitude versus offset,AVO)反演獲得了可靠的密度、縱波阻抗和橫波阻抗彈性參數(shù)數(shù)據(jù)體[29]，如圖9所示。前面利用Y1井、Y2井的實際測井曲線，已經(jīng)建立了針對TOC含量預(yù)測的深度神經(jīng)網(wǎng)絡(luò)模型。因此，將疊前反演的結(jié)果作為輸入數(shù)據(jù)，輸入到上述構(gòu)建好的神經(jīng)網(wǎng)絡(luò)模型中，成功預(yù)測了研究區(qū)TOC數(shù)據(jù)體，預(yù)測結(jié)果剖面如圖10(a)所示。與常規(guī)回歸擬合法的TOC含量預(yù)測結(jié)果[圖10(b)]相比，本文深度學(xué)習(xí)方法橫向上分布更為連續(xù)，對有利儲層的識別更加清晰、準確。與Y1井的錄井信息對比分析可以知，預(yù)測TOC含量與井上TOC規(guī)律一致，龍馬溪組整體的TOC含量基本在2%以上，五峰組-龍馬溪組底部(圖10中過井剖面底部紅色部分)表現(xiàn)出較高TOC含量值，其數(shù)值可達到6%，說明該處生烴能力好，為含氣有利儲層。因此，利用深度學(xué)習(xí)方法來預(yù)測TOC含量是可行的，可以提高頁巖儲層TOC含量的預(yù)測精度及分辨率，具有較高的實用性。

圖9 疊前AVO彈性參數(shù)反演結(jié)果Fig.9 Results of prestack AVO elastic parameter inversion

圖10 兩種方法TOC含量預(yù)測結(jié)果剖面對比Fig.10 Comparison of TOC content prediction results of two methods

4 結(jié)論

(1)TOC含量的預(yù)測是頁巖“甜點”預(yù)測中非常重要的環(huán)節(jié)。TOC含量預(yù)測目前應(yīng)用較廣泛的是回歸擬合法，即通過對TOC曲線與密度曲線進行回歸擬合，建立線性表達式，再將疊前AVO反演的密度結(jié)果代入線性表達式中計算出TOC含量數(shù)據(jù)體。該方法的擬合關(guān)系式簡單、考慮因素單一，當(dāng)研究區(qū)有多口井時，或TOC與多個參數(shù)均存在較好的相關(guān)關(guān)系時，無法綜合考慮，不能滿足實際生產(chǎn)對TOC預(yù)測的需求。

(2)基于深度學(xué)習(xí)的頁巖TOC含量地震預(yù)測方法，優(yōu)選出測井上與TOC含量曲線相關(guān)度較高的密度、縱波阻抗、橫波阻抗曲線作為樣本數(shù)據(jù)，通過調(diào)節(jié)深度前饋神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)，并利用共軛梯度法進行網(wǎng)絡(luò)模型參數(shù)尋優(yōu)使目標函數(shù)值最小，從而建立TOC含量預(yù)測模型。該方法通過建立具有多個隱含層的網(wǎng)絡(luò)模型，能夠充分挖掘縱波阻抗、橫波阻抗、密度與TOC含量之間的非線性關(guān)系。

(3)實際測井、地震資料的應(yīng)用結(jié)果表明，基于深度學(xué)習(xí)的頁巖TOC含量預(yù)測結(jié)果與實際資料的吻合程度更高，誤差更小。與常規(guī)的回歸擬合法相比，該方法充分考慮了研究區(qū)與TOC含量相關(guān)性較高的縱波阻抗、橫波阻抗和密度的多因素影響，能夠獲得多參數(shù)之間的非線性關(guān)系，提高了頁巖儲層TOC含量的預(yù)測精度及分辨率，具有較高的實用性。