基于卷積神經(jīng)網(wǎng)絡(luò)的頁巖TOC三維定量預(yù)測方法

關(guān)鍵詞：TOC含量，敏感參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)，波形指示模擬

0 引言

頁巖氣是重要的非常規(guī)油氣資源，儲存于富有機(jī)質(zhì)頁巖中，可作為傳統(tǒng)石油和天然氣的接替資源。頁巖有機(jī)碳含量（TOC）是評估頁巖氣資源潛力和開發(fā)可行性的關(guān)鍵指標(biāo)之一，因此開展TOC預(yù)測對頁巖氣儲層評價至關(guān)重要。

傳統(tǒng)的TOC預(yù)測方法主要包括地球化學(xué)實驗方法、常規(guī)測井模型法、數(shù)學(xué)統(tǒng)計法和經(jīng)驗公式法[1]。其中：①地球化學(xué)實驗方法能夠精確測定TOC，但成本高昂且難以精細(xì)表征頁巖TOC的空間分布特征[2]。②常規(guī)測井模型法主要是根據(jù)總有機(jī)碳含量與其他測井?dāng)?shù)據(jù)之間的響應(yīng)特征構(gòu)建TOC計算模型[3]。譚佳靜等[4]基于不同巖石類型對測井參數(shù)的響應(yīng)特征建立自然伽馬能譜測井模型，運用釷/鈾比對TOC進(jìn)行擬合。③數(shù)學(xué)統(tǒng)計法利用數(shù)學(xué)統(tǒng)計方法處理分析測井資料，建立統(tǒng)計模型預(yù)測TOC[5]。何沂等[6]使用主成分分析法提取測井資料的主要成分，并將其作為支持向量機(jī)的輸入?yún)?shù)進(jìn)行模型訓(xùn)練，以提升預(yù)測精度。該方法通過對大量樣本進(jìn)行分析，可準(zhǔn)確地計算TOC并進(jìn)行儲層評價，但當(dāng)樣本較少時容易出現(xiàn)過擬合現(xiàn)象。④經(jīng)驗公式法主要是基于經(jīng)驗公式來計算有機(jī)碳含量的方法[7]。陳祖慶等[7]通過建立密度和TOC之間的最佳擬合方程得到了計算TOC的經(jīng)驗公式，并以疊前反演得到的密度體為基礎(chǔ)，在四川盆地焦石壩地區(qū)實現(xiàn)TOC定量預(yù)測。在前人提出的ΔlogR法用于計算TOC基礎(chǔ)上[8]，周純潤等[1]基于ΔlogR-GR法對四川盆地東南部茅口組進(jìn)行烴源巖評價，通過分析茅口組測井響應(yīng)特征，疊合ΔlogR法與自然伽馬法TOC計算結(jié)果，有效提高TOC計算的精度和可靠性。

總體來說，地球化學(xué)實驗方法測定TOC需要測試巖樣，而巖樣數(shù)量稀少、難以獲取，無法實現(xiàn)區(qū)域的TOC評估；常規(guī)測井模型法只適用于利用測井資料進(jìn)行井位處的TOC計算；數(shù)學(xué)統(tǒng)計法適用于埋藏淺、構(gòu)造相對簡單的地層，對于埋深較大、厚度較小、構(gòu)造相對復(fù)雜的深層頁巖儲層，很難有效實現(xiàn)復(fù)雜地質(zhì)條件下頁巖儲層TOC的三維空間定量預(yù)測；經(jīng)驗公式法僅局限于特定區(qū)域和條件，忽視了多因素的復(fù)雜交互，且對數(shù)據(jù)的依賴可能導(dǎo)致預(yù)測可靠性下降。

隨著人工智能的發(fā)展，基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)方法廣泛應(yīng)用于地球物理勘探，包括波形初至拾取、地震去噪、波阻抗反演及地震屬性分析等。深度神經(jīng)網(wǎng)絡(luò)（DeepNeuralNetwork，DNN）能夠自動提取數(shù)據(jù)的深層特征，憑借其強(qiáng)大的非線性擬合能力[9]，常被用于儲層參數(shù)預(yù)測。Zhang等[10]利用深度編碼器—解碼器神經(jīng)網(wǎng)絡(luò)挖掘了測井曲線與TOC之間的復(fù)雜非線性關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）作為深度神經(jīng)網(wǎng)絡(luò)的一種，是目前解決地球物理問題最有前景的方法之一。許多基于CNN學(xué)習(xí)類方法已應(yīng)用于地震數(shù)據(jù)處理、解釋，如插值、去噪、波阻抗反演、層位追蹤等[11]。由于其在特征提取方面的優(yōu)勢，常應(yīng)用于挖掘和映射測井曲線與TOC之間的多尺度非線性特征[12]。Asante‐Okyere等[13]利用頁巖礦物組成和測井?dāng)?shù)據(jù)建立用于預(yù)測TOC的深度卷積神經(jīng)網(wǎng)絡(luò)模型，通過對礦物和TOC進(jìn)行相關(guān)性分析，選取與TOC相關(guān)性高的礦物成分含量作為CNN的輸入用于實現(xiàn)TOC預(yù)測。然而，該類方法主要集中于學(xué)習(xí)目標(biāo)層的測井響應(yīng)特征，實現(xiàn)了基于測井資料井點處的TOC定量預(yù)測，但無法實現(xiàn)井位之間區(qū)域的TOC預(yù)測。王惠君等[14]以鄂爾多斯盆地杭錦旗地區(qū)上古生界泥質(zhì)烴源巖為研究對象，通過將敏感測井參數(shù)輸入CNN模型實現(xiàn)了基于測井資料的TOC預(yù)測，并結(jié)合沉積微相完成TOC平面圖，但該方法適用橫向連續(xù)性強(qiáng)的地層，對于構(gòu)造復(fù)雜、厚度薄的頁巖儲層仍存在難點。

針對頁巖儲層厚度薄、井間樣本數(shù)據(jù)缺乏等問題，本文基于敏感參數(shù)和TOC的相關(guān)性，提出了利用CNN定量預(yù)測TOC的方法。首先，結(jié)合研究區(qū)的地質(zhì)情況，對測井資料與巖心TOC數(shù)據(jù)進(jìn)行相關(guān)性分析并利用波形指示模擬技術(shù)獲取頁巖儲層的高精度三維敏感參數(shù)數(shù)據(jù)集，然后以此作為CNN模型的輸入；其次，在CNN模型結(jié)構(gòu)中，將輸入的敏感參數(shù)歸一化后排列成一維網(wǎng)格狀數(shù)據(jù)輸入，并利用兩層卷積層和池化層進(jìn)行特征提取及降維處理；最后，由全連接層對預(yù)測結(jié)果進(jìn)行輸出，實現(xiàn)TOC三維預(yù)測。實際應(yīng)用表明本文方法在頁巖薄儲層TOC預(yù)測方面具有優(yōu)勢。

1 方法原理

1.1 敏感參數(shù)優(yōu)選

選取鉆井資料齊全、有巖心實測TOC資料和相關(guān)測井資料的X1井、X2井，兩口鉆井共有263個實測巖心樣本資料。測井系列包括聲波時差（AC）、中子孔隙度（CNL）、密度（DEN）、自然伽馬（GR）、電阻率（RT）、鉀含量（K）、鈾含量（U）等。由于有機(jī)質(zhì)的密度低于造巖礦物，隨著頁巖中有機(jī)碳含量的增加，頁巖密度逐漸降低。頁巖中含有大量的黏土礦物，如高嶺石、水云母等，這類礦物對陽離子吸附力強(qiáng)，可吸附很多放射性強(qiáng)的物質(zhì)。頁巖形成過程往往伴隨著有機(jī)質(zhì)的富集，在還原環(huán)境下促使鈾元素被有機(jī)質(zhì)吸附，故鈾含量可有效表征TOC。而自然伽馬測井能夠反映地層中鈾、釷、鉀等放射性核素的含量變化，亦能作為關(guān)鍵評價指標(biāo)。此外，TOC在一定程度上會對巖石某些物性參數(shù)產(chǎn)生重要影響，因此測井參數(shù)與TOC存在一定關(guān)聯(lián)。本文對巖心實測TOC數(shù)據(jù)與測井參數(shù)進(jìn)行交會分析和相關(guān)性分析（圖1），其中r為相關(guān)系數(shù)，計算公式為

式中：n為樣本數(shù)量；xi和yi分別為兩個變量的第i個觀測值；-x和-y分別為兩個變量的平均值。

由圖1可見，各測井參數(shù)與TOC之間的相關(guān)系數(shù)平均絕對值在0.75以上。因此，本文選取了AC、DEN、CNL、GR、K、U等六種與TOC具有較強(qiáng)相關(guān)性的參數(shù)進(jìn)行后續(xù)的研究。

圖2為X1井測井曲線圖。由圖2可見，龍馬溪組高TOC區(qū)域主要集中于龍一1亞段，高TOC區(qū)域測井曲線特征表現(xiàn)為低密度、高聲波時差、低中子孔隙度、高自然伽馬、高鈾、低鉀含量。

1.2 構(gòu)建CNN模型

CNN是一種特殊的前饋人工神經(jīng)網(wǎng)絡(luò)，主要用于處理和分析具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，尤其是在數(shù)字圖像處理領(lǐng)域。CNN的結(jié)構(gòu)與大多數(shù)神經(jīng)網(wǎng)絡(luò)模型類似，包括輸入層、隱含層和輸出層。輸入層接收網(wǎng)格狀數(shù)據(jù)并將其傳遞到后續(xù)層，隱含層包括卷積層、池化層、激活層、丟棄層、全連接層等。

CNN的核心是卷積層，其內(nèi)部存在多個卷積核，可利用卷積運算對輸入數(shù)據(jù)進(jìn)行特征提取。在卷積層中，每個濾波器都在輸入的網(wǎng)格數(shù)據(jù)中滑動，通過計算濾波器與輸入數(shù)據(jù)的點積，從而提取出數(shù)據(jù)的特征。

池化層能夠減少特征圖的維度，降低空間不變性[15]。在經(jīng)過卷積層的特征提取后，獲得的特征圖規(guī)模較大，計算過程較為復(fù)雜。因此，需要池化層對特征圖進(jìn)行降維，可減少模型參數(shù)量、降低特征圖大小，從而降低計算難度，降低過擬合風(fēng)險。池化有最大池化、平均池化、隨機(jī)池化等，其中最大池化是從激活映射的每個子矩陣中取最大值，并形成一個單獨的矩陣；平均池化是取子矩陣中所有元素的平均值。一般來說，在全連接層中，上一層的神經(jīng)元與下一層的神經(jīng)元具有完全連接性，能夠?qū)⒕矸e輸出的二維特征圖轉(zhuǎn)化為一維向量。在連接層之間存在丟棄層，其在收集神經(jīng)元的訓(xùn)練階段隨機(jī)丟棄神經(jīng)元，不僅能夠減少全連接層的參數(shù)數(shù)量，還能夠防止網(wǎng)絡(luò)出現(xiàn)過擬合現(xiàn)象[16]。

本文建立的CNN預(yù)測模型包括輸入層、隱含層、輸出層（圖3）。由圖3可見，輸入層輸入敏感測井參數(shù)數(shù)據(jù)，并對其進(jìn)行歸一化處理，用于消除敏感屬性與TOC含量之間的量綱差異并加速神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，提高網(wǎng)絡(luò)的泛化性能[17]。網(wǎng)絡(luò)結(jié)構(gòu)中隱含層部分由兩個“卷積層—池化層—激活層”、一個丟棄層和全連接層組成，其中卷積層的卷積核為3×1，池化層為2×1的平均池化核，步長為1。最后，通過全連接層進(jìn)行回歸輸出。經(jīng)反歸一化后得到預(yù)測TOC數(shù)據(jù)[18-20]。

CNN模型的訓(xùn)練樣本由實測巖心TOC數(shù)據(jù)與前述優(yōu)選的敏感測井參數(shù)組成，并按照7∶3劃分為訓(xùn)練集和測試集。經(jīng)訓(xùn)練集數(shù)據(jù)訓(xùn)練后，由測試集數(shù)據(jù)進(jìn)行檢驗。當(dāng)模型的測試標(biāo)準(zhǔn)準(zhǔn)確率gt;95%時，認(rèn)為該模型訓(xùn)練完畢，且預(yù)測擁有較高準(zhǔn)確性。準(zhǔn)確率計算公式為

式中：yi為預(yù)測值；yi為真實值；M為樣本個數(shù)。

1.3 波形指示模擬技術(shù)

傳統(tǒng)地質(zhì)統(tǒng)計學(xué)反演方法依賴有限樣本表征儲層空間變化程度，然而樣本點分布不均會顯著降低模擬精度[21]。并且，地質(zhì)統(tǒng)計學(xué)基于變差函數(shù)研究空間信息的變化特征并不能準(zhǔn)確地反映儲層沉積相的空間變化，導(dǎo)致模擬結(jié)果隨機(jī)性強(qiáng)[22]。地震波形指示反演技術(shù)不同于傳統(tǒng)地質(zhì)統(tǒng)計方法，應(yīng)用地震波形描述儲層橫向變化，通過馬爾科夫鏈蒙特卡洛隨機(jī)模擬算法模擬地震波形，進(jìn)行初始模型調(diào)整，直至反演結(jié)果與地震信息、測井曲線結(jié)構(gòu)吻合度達(dá)到最高。其基本思想為：以地震資料和測井資料之間的相似性為基礎(chǔ)，地震波形橫向變化代替變差函數(shù)，以地震波形相似性為指示因子，驅(qū)動井間寬頻測井曲線的模擬[22]，獲取高頻成分，實現(xiàn)高分辨率反演。

波形指示反演的結(jié)果可分為低頻、中頻、高頻三個部分。反演結(jié)果的低頻部分來源于測井低頻信息；中頻部分來自于地震信息經(jīng)道積分、稀疏脈沖反演等反演得到的結(jié)果；而通過高頻隨機(jī)模擬得到的高頻部分反演結(jié)果極大地提高了反演結(jié)果的分辨率。因此，其反演結(jié)果具有分辨率高、隨機(jī)性小、適用性強(qiáng)的特點。

波形指示模擬技術(shù)原理與波形指示反演技術(shù)基本相似，但波形指示模擬的結(jié)果不僅僅局限于波阻抗，還包括對儲層特征進(jìn)行表征的彈性參數(shù)等[23]。通常情況下，傳統(tǒng)地震反射系數(shù)僅反映波阻抗信息，不能通過地震資料的“計算”來獲得其他測井曲線數(shù)據(jù)[22]。而波形指示模擬技術(shù)利用相似地震反射結(jié)構(gòu)的巖性曲線進(jìn)行對比，綜合考慮彈性參數(shù)等多方面信息，從而更全面地描述地下結(jié)構(gòu)特征。

地震波形指示模擬技術(shù)根據(jù)波形相似性和距離來優(yōu)化統(tǒng)計樣本。首先，按照地震波形特征對已知井的特征曲線進(jìn)行分析，優(yōu)選與井旁地震道關(guān)聯(lián)度高的井樣本組成樣本集；然后，提取樣本集中井的低頻部分用于建立初始模型；最后，聯(lián)合似然函數(shù)分布和先驗概率分布得到的后驗概率分布，以此不斷進(jìn)行模型參數(shù)擾動，直至得到符合條件的反演結(jié)果。最佳截止頻率是波形指示模擬的關(guān)鍵參數(shù)，波形指示模擬具有低頻確定、高頻隨機(jī)的特點，因此，設(shè)置合適截止頻率對反演結(jié)果準(zhǔn)確性有重要意義。在設(shè)置頻率過程中，計算不同頻率下預(yù)測點和其他井的波形相似性，擬合相關(guān)曲線，當(dāng)相關(guān)性不隨著頻率變化并趨于穩(wěn)定時，此時頻率為最佳截止頻率[24]。

1.4 TOC預(yù)測

圖4為TOC預(yù)測流程圖。首先，通過測井資料與實測TOC數(shù)據(jù)的相關(guān)性分析選取出TOC敏感測井參數(shù)，并利用敏感參數(shù)與實測TOC數(shù)據(jù)進(jìn)行CNN模型的構(gòu)建、訓(xùn)練與驗證；然后，利用測井資料與地震資料制作合成地震記錄和井震標(biāo)定，并利用波形指示模擬選取的敏感參數(shù)（AC、DEN、CNL、GR、K、U）為特征曲線進(jìn)行三維反演；最后，將反演得到的三維敏感參數(shù)數(shù)據(jù)經(jīng)過歸一化后，排列成1×6的網(wǎng)格狀數(shù)據(jù)輸入預(yù)先訓(xùn)練好的CNN模型中，處理后將輸出結(jié)果反歸一化，可得到對應(yīng)的三維TOC預(yù)測數(shù)據(jù)。

由于CNN模型預(yù)測精度受輸入的敏感參數(shù)數(shù)據(jù)約束，因此本文采用波形指示模擬技術(shù)獲取的三維高精度敏感參數(shù)數(shù)據(jù)作為驅(qū)動數(shù)據(jù)，可實現(xiàn)TOC的高精度三維預(yù)測。

2 地質(zhì)模型實驗

設(shè)計一個薄層疊置模型檢驗本文方法的TOC預(yù)測有效性，地質(zhì)模型參考四川盆地南部某工區(qū)龍馬溪組儲層參數(shù)與地質(zhì)資料，并建立A、B、C三口偽井（圖5）。A、B、C三口偽井有AC、DEN、CNL、GR、K、U等測井曲線以及實測TOC，其中測井參數(shù)值為工區(qū)TOC預(yù)測區(qū)域測井曲線的平均值。川南研究區(qū)地震資料地震波的主頻為30Hz，分辨率極限為30m。由圖5可見，地層中發(fā)育兩套4m厚的薄層，兩套薄層縱向部分重疊，夾層厚度4m，頂?shù)装鍑鷰r厚度30m（圖5a）。地質(zhì)模型參數(shù)見表1。利用模型的速度和密度獲取反射系數(shù)模型，然后與30Hz的零相位雷克子波進(jìn)行褶積得到地震正演波形剖面，在地震記錄中添加高斯白噪聲來模擬地下環(huán)境（圖5b）。

對偽井的測井曲線進(jìn)行預(yù)處理和時深標(biāo)定后，依據(jù)合成的地震記錄建立簡單初始模型后進(jìn)行波形指示模擬反演TOC敏感參數(shù)，波形指示模擬截止頻率設(shè)置越高，反演結(jié)果分辨率越高，但結(jié)果準(zhǔn)確性卻不斷下降。由圖6可見，反演的敏感參數(shù)能夠區(qū)分薄層，但DEN、GR、K的反演結(jié)果在模型兩側(cè)存在些許誤差，沒有識別出單個薄層，但整體與地質(zhì)模型參數(shù)較為吻合。

獲取預(yù)測樣本后，本文利用Matlab構(gòu)建并訓(xùn)練CNN模型。在訓(xùn)練CNN模型時，由地質(zhì)模型準(zhǔn)確的TOC樣本與測井曲線組成的訓(xùn)練樣本進(jìn)行訓(xùn)練。當(dāng)訓(xùn)練和驗證數(shù)據(jù)集的準(zhǔn)確率都超過95%時，該模型損失較少，訓(xùn)練結(jié)束。當(dāng)CNN模型訓(xùn)練結(jié)束后，其中每個層的參數(shù)都是固定的。利用波形指示模擬獲取的敏感參數(shù)歸一化后組成網(wǎng)格數(shù)據(jù)集輸入CNN模型，并將模型輸出反歸一化后可得到預(yù)測的TOC（圖7）。由圖7可見，TOC預(yù)測結(jié)果能夠識別出地質(zhì)模型薄層疊置結(jié)構(gòu)，由于多敏感參數(shù)的融合，減弱了波形指示模擬的不確定性。因此，本文方法對于薄儲層的TOC預(yù)測有較大優(yōu)勢，具有可行性。

3 實際資料應(yīng)用

研究區(qū)位于四川盆地南部，目的層為志留系龍馬溪組，是中國最重要的頁巖氣富集層位之一。研究區(qū)龍馬溪組埋深在4000m左右，為海相沉積。目標(biāo)層的頁巖氣層具有厚度較小、埋藏較深、構(gòu)造復(fù)雜等特點，優(yōu)質(zhì)儲層精細(xì)預(yù)測和評價難度大、勘探開發(fā)成本高[25-26]。而TOC是優(yōu)質(zhì)頁巖儲層預(yù)測和評價的重要指標(biāo)之一[27]。為此，利用本文方法開展研究區(qū)龍馬溪組TOC的精細(xì)預(yù)測，為頁巖儲層預(yù)測和評價提供定量的指標(biāo)。

選取研究區(qū)兩口資料齊全的鉆井X1、X2。依據(jù)兩口鉆井的實測巖心TOC數(shù)據(jù)以及測井曲線組建樣本數(shù)據(jù)集對CNN模型進(jìn)行訓(xùn)練及測試（圖8）。由圖8可見，訓(xùn)練集和測試集結(jié)果準(zhǔn)確率分別為99.92%、99.86%，表明利用該模型進(jìn)行單井的TOC預(yù)測準(zhǔn)確率高，預(yù)測效果好，預(yù)測模型可靠性高。

本文在相同樣本基礎(chǔ)上，分別利用BP神經(jīng)網(wǎng)絡(luò)和多元回歸分析法對X1井樣本進(jìn)行預(yù)測驗證，結(jié)果如圖9所示。由表2可見，CNN預(yù)測效果最好，相關(guān)系數(shù)達(dá)到0.97，且平均絕對誤差和均方根誤差皆小于0.3%，其次為多元回歸法和BP神經(jīng)網(wǎng)絡(luò)法。因此，利用CNN模型進(jìn)行研究區(qū)TOC預(yù)測，其結(jié)果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和多元回歸法，預(yù)測準(zhǔn)確性高。

本文的TOC敏感參數(shù)主要通過波形指示模擬獲得。利用研究區(qū)疊后地震資料和優(yōu)選的對TOC敏感的測井資料進(jìn)行波形指示模擬，可得到各敏感參數(shù)數(shù)據(jù)體。圖10為龍一段的反演剖面圖，反演的TOC敏感參數(shù)體包含AC、DEN、CNL、GR、K、U等參數(shù)。由圖10可見，波形指示模擬反演得到的敏感參數(shù)數(shù)據(jù)與測井曲線基本吻合。由表3可見，多數(shù)參數(shù)反演結(jié)果符合率超過80%。表明反演結(jié)果整體滿足實驗要求。

將波形指示模擬獲得的AC、DEN、CNL、GR、K、U輸入訓(xùn)練好的CNN模型，對全區(qū)TOC進(jìn)行預(yù)測。圖11為研究區(qū)鉆井實測TOC與預(yù)測TOC的對比。由表4可見，其中X1井和X2井TOC預(yù)測值與實測值的相關(guān)系數(shù)分別為0.9107和0.8874，均方根誤差和平均絕對誤差均小于0.6%，說明該方法預(yù)測準(zhǔn)確度高。

由圖12可見，研究區(qū)龍馬溪組龍一段TOC主要呈現(xiàn)下高上低的特點，其中下部區(qū)域TOC大部分大于2%，橫向連續(xù)性較好。圖13為研究區(qū)龍一1亞段下部TOC預(yù)測平面圖。由圖13可見，TOC整體大于2%，其中西南部分TOC較高，達(dá)到4%。X1井處預(yù)測TOC為1.757%，實測TOC為1.939%，絕對誤差為0.182%；X2井處預(yù)測TOC為2.942%，實測TOC為3.289%，絕對誤差為0.347%。因此，本文方法能夠精細(xì)化預(yù)測頁巖TOC的空間分布特征，具有一定可靠性。

4 結(jié)論

（1）針對頁巖儲層三維TOC定量預(yù)測問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)并結(jié)合波形指示模擬的高分辨率反演實現(xiàn)頁巖TOC高精度三維定量預(yù)測的方法。

（2）通過優(yōu)選對頁巖TOC敏感的測井參數(shù)，利用CNN建立測井參數(shù)與TOC之間的映射關(guān)系，并結(jié)合波形指示模擬對研究區(qū)進(jìn)行敏感參數(shù)的高分辨率反演。最后，以反演參數(shù)數(shù)據(jù)為特征輸入，實現(xiàn)三維高精度頁巖TOC的定量預(yù)測。

（3）薄層疊置模型的試驗表明利用波形指示模擬的高分辨率反演結(jié)果能夠有效提高TOC預(yù)測的分辨率。而多敏感參數(shù)的融合輸入能夠提高模型的泛化性。四川盆地南部龍馬溪組頁巖實際應(yīng)用結(jié)果顯示，本文方法在TOC的三維預(yù)測中，準(zhǔn)確率和分辨率均較高，表明了該方法的應(yīng)用效果良好。

（4）該方法只適用于測井參數(shù)與TOC之間存在較強(qiáng)響應(yīng)的地區(qū)，對于地下巖性復(fù)雜、電性特征混亂的區(qū)域仍需要進(jìn)一步的研究。