下刚果盆地A区块Madingo组烃源岩TOC含量的地球物理定量预测

季少聪　杨香华*　朱红涛　邓运华　康洪全　王　波

(①中国地质大学(武汉)资源学院，湖北武汉 430074； ②中国地质大学(武汉)构造与油气资源教育部重点实验室，湖北武汉430074； ③中国海洋石油研究总院，北京 100027)

1　引言

烃源岩评价是油气勘探的一项关键工作，而总有机碳(TOC)含量是烃源岩有机质丰度和生烃潜力评价的重要组成部分[1]。一方面，受古生产力、底层水氧含量、水动力条件和沉积速率的影响，烃源岩有机质丰度存在强烈的非均质性[2]，有机质分布不均匀；另一方面，受油基泥浆污染，下刚果盆地A区块仅有两口井存在可用于实测Madingo组TOC含量的样品，且样品数量较少，分布不连续。因此，仅以有限的实测TOC数据难以进行整个研究区烃源岩有机质丰度的定量评价。

前人研究表明，测井资料蕴含着烃源岩的多种地球化学信息，通过建立烃源岩实测TOC含量与测井参数之间的定量模型可以预测TOC在垂向上的分布[3]。国内外学者提出了多种依据测井参数预测TOC含量的方法： ①单因素法，根据对有机质敏感的自然伽马[4]、声波时差、密度[5,6]和电阻率等单测井参数与TOC的相关关系进行计算； ②多元回归分析法，在统计分析测井参数与TOC相关性的基础上，优选多种测井参数拟合TOC含量与多参数之间的经验公式[7,8]； ③ΔlgR法，Passey等[9]提出了一种基于电阻率测井曲线和声波时差测井曲线(或密度测井曲线、中子孔隙度测井曲线)的重叠关系来定量预测TOC含量的计算方法，即ΔlgR法[10]； ④通过建立人工神经网络模型反映TOC与测井参数之间复杂的非线性关系[11-13]，实现TOC含量的定量预测。但是，根据测井资料仅能预测单井TOC含量，无法预测TOC的平面分布。近年来，一些学者探索了地震属性与烃源岩有机质丰度的非线性关系[14-18]，计算TOC含量三维数据体，通过切片可以显示TOC在平面上的分布特征[6,7]。

下刚果盆地目前勘探程度整体较低，关于烃源岩的研究较为薄弱，仅局限于零散样品的地球化学评价方面，对烃源岩有机质分布的非均质性认识不清[19,20]。本文以下刚果盆地A区块实测TOC含量和测井资料为基础，优选适合研究区的测井计算方法，定量预测单井TOC含量；并结合三维地震数据建立地震属性与TOC含量之间的神经网络模型，计算TOC含量三维数据体，进而预测研究区TOC在垂向和平面上的分布特征。

2　区域地质概况

下刚果盆地位于非洲西海岸，北部以马永巴高原与加蓬盆地相邻，南部以安布里什高原与宽扎盆地相邻，东部以前寒武系基底露头和变质沉积物为界，西部边界以洋壳的出现为标志。盆地总面积为68698km2，其中海上面积为43528km2，陆上面积为25171km2，是西非被动大陆边缘系列含盐盆地之一[21]。晚侏罗世，随着冈瓦纳大陆的裂解，非洲和南美洲大陆开始分离。受南大西洋裂谷作用和持续漂移的控制，盆地经历了晚侏罗世—早白垩世Aptian期裂谷阶段、早白垩世Aptian期过渡阶段和早白垩世Aptian期以后的漂移拗陷阶段共3个演化阶段。裂谷阶段主要发育湖相沉积，漂移拗陷阶段主要发育海相沉积。Aptian期受持续的海侵及干旱气候的影响，形成了广泛分布的盐岩层，该盐岩层分隔了盐下湖相含油气系统和盐上海相含油气系统。受漂移拗陷阶段南大西洋不断扩张的影响，Madingo组沉积时期下刚果盆地过渡到半封闭的海洋环境，在陆架背景发育高有机质丰度的海相烃源岩[22,23](图1)。

图1　研究区地理位置(据文献[22]修改)

3　烃源岩实测地球化学特征

3.1　有机质丰度

有机质丰度是评价烃源岩优劣的一个重要方面，而TOC含量是最主要的有机质丰度指标。本次研究以研究区A井和B井实测TOC含量数据为基础，其中B井Madingo组烃源岩12个实测TOC数据显示，TOC含量分布具有明显的两分性(图2)。具体表现为：Madingo组上段TOC含量较低，主要分布在0～3%之间，其中1%～2%之间的样品数量最多； Madingo组下段TOC含量较高，介于1%～5%之间。

图2　B井Madingo组烃源岩TOC含量分布

3.2　有机质类型及成熟度

有机质类型和有机质成熟度是烃源岩评价中的两个重要指标，氢指数和热解峰温图版可以划分烃源岩的有机质类型和有机质成熟度。研究区B井Madingo组烃源岩绝大多数样品分布在Ⅱ1型区内，有机质类型以腐殖腐泥型为主。另外，Madingo组上段2个样品位于Ⅱ2型区内，有机质类型为腐泥腐殖型，Madingo组下段1个样品位于Ⅰ型区内，有机质类型为腐泥型(图3)。Madingo组烃源岩有机质成熟度普遍较低，绝大多数样品分布在0.3%

图3　B井Madingo组烃源岩有机质类型及成熟度图版

4　烃源岩地球物理响应特征

4.1　烃源岩测井响应特征

前人研究成果表明，对有机质敏感的测井参数包括自然伽马、声波时差、密度和电阻率等。一般富有机质烃源岩具有高自然伽马、高声波时差、低密度和高电阻率的测井响应特征[24]。

研究区B、C、D井包含自然伽马、声波时差、密度、电阻率、补偿中子和有效孔隙度6种测井资料，而A井只有自然伽马、声波时差、密度和电阻率4种测井资料。以研究区A井和B井实测TOC含量数据为基础，统计和分析了研究区实测TOC与GR(自然伽马，单位为API)、DT(声波时差，单位为μs/ft)、RHOB(密度，单位为g/cm3)和AE60(阵列感应电阻率，单位为Ω·m)四项测井参数的相关关系，以及B井实测TOC与NPHI(补偿中子)和PHIE(有效孔隙度)两项测井参数的相关关系(图4)。结果表明，TOC与密度相关性最好，呈负相关关系，相关系数为-0.8393；TOC与自然伽马、声波时差、补偿中子和有效孔隙度相关性较好，均呈正相关关系，相关系数分别为0.737、0.5359、0.5338和0.4462；而电阻率与TOC无明显相关性，相关系数仅为0.0877。

研究区B井Madingo组下段岩性、电性变化频繁，岩性组合主要为厚层泥岩与薄层灰质泥岩、粉砂质泥岩互层，底部发育厚层泥灰岩，可识别三段富有机质层段(图5b中灰色矩形内)，岩性以泥岩为主，具有高TOC含量、高自然伽马、高声波时差和低密度的特征；Madingo组上段岩性、电性变化不明显，岩性组合以大套泥岩、灰质泥岩及泥灰岩为主，TOC含量总体较低。

因此，研究区烃源岩具有低密度、高自然伽马和高声波时差的测井响应特征，这些响应特征是烃源岩TOC含量测井预测的基础。

4.2　烃源岩地震响应特征

Madingo组烃源岩是下刚果盆地盐上海相烃源岩的主力层位，其地震反射特征与上、下岩层明显不同。根据地震相分析，Madingo组上段地震反射特征表现为强振幅、连续、低频地震相，平行或亚平行反射结构，反映其沉积时期水动力能量较弱、沉积环境相对稳定[25,26]；Madingo组下段具有与Madingo组上段相似的地震反射特征，局部为弱振幅地震反射(图5)。

图4　研究区实测TOC与测井参数的相关性分析

图5　Madingo组烃源岩测井和地震响应特征

5　烃源岩TOC含量测井预测

通过比较实测TOC与各测井参数之间的相关关系，优选出研究区与TOC具有较好相关性的测井参数。分别以前人提出的多元回归分析法[7]、ΔlgR法[10]、BP神经网络法[12,13]计算TOC含量，并结合单测井参数与TOC交会分析结果，比较不同计算方法的误差大小，进而建立研究区TOC含量测井预测的经验公式。

5.1　多元回归分析法

由前所述，研究区密度、自然伽马、声波时差、补偿中子和有效孔隙度测井参数与TOC具有较好的相关关系，而A井没有进行补偿中子和有效孔隙度测量。因此，以密度、自然伽马和声波时差三项测井参数和实测TOC含量为基础，建立多元回归方程模型

TOC=a×ρ+b×γ+c×Δt+d

式中： TOC为实测TOC值；ρ、γ和Δt分别为密度、自然伽马和声波时差测井值；a、b、c为系数，d为常数。根据最小二乘法拟合获得a、b、c、d值，进而得到回归方程

TOC=-6.675×ρ+0.012×γ-

0.022×Δt+18.614

该式相关系数为0.884(图6a)。

5.2　改进的ΔlgR法

Passey等[9]提出了一种测井预测不同成熟度条件下的TOC含量计算方法，即ΔlgR法。

首先，根据声波时差和电阻率测井参数计算ΔlgR

(1)

式中：R和Δt分别为实测电阻率值和声波时差值；R基线和Δt基线分别为非烃源岩段电阻率和声波时差值，x为系数。

TOC与ΔlgR线性相关，Passey等[9]提出了根据ΔlgR计算TOC的经验公式

TOC=10(2.297-0.1688×LOM)×ΔlgR

(2)

式中LOM是热变指数，反映有机质成熟度，可以根据镜质体反射率(Ro)分析得到[27]。

然而，该方法没有考虑与研究区实测TOC具有良好相关性的密度测井参数，并且需要成熟度参数和人为确定岩性基线等，因此误差较大，不适用于研究区TOC含量预测。基于以上问题，本次研究采用张寒等[10]提出的改进的ΔlgR法。式(2)可简化为

TOC=K×ΔlgR

(3)

式中K为系数，将式(1)代入式(3)可得

TOC=K×lgR+xK×Δt-K×(lgR基线+

x×Δt基线)

(4)

式(4)可简化为

TOC=a×lgR+b×Δt+c

(5)

TOC含量与密度呈负相关关系，经密度校正，式(5)可修改为

(6)

式中：ρ为密度测井值；a和b为系数，c为常数。根据最小二乘法拟合获得a、b、c的值，进而得到改进的ΔlgR法计算TOC公式

该式相关系数为0.7648(图6b)。

5.3　BP神经网络法

烃源岩有机质丰度与测井参数之间并非简单的线性相关关系，人工神经网络是一种由人工神经元并行互联形成的网络，在解决非线性复杂问题方面具有优越性[28]。

图6　实测TOC与不同方法预测TOC的相关性分析

5.3.1神经网络模型结构

本次研究采用应用较为广泛的BP神经网络，它根据神经网络估算值(实际输出)和训练数据集中的期望输出值之间的误差，对网络的各层权值和阈值由后向前逐层进行误差校正，当误差满足要求或者训练次数达到预先设定的次数时训练停止。

BP神经网络模型在网络训练时需要考虑网络的层数、隐含层单元数等。Robet-Nielson证明了具有1个隐含层的3层BP网络模型可以有效地逼近任意连续函数[29]，因此，为了简化模型，提高运算速度，本次研究选择含1个隐含层的3层网络模型，即输入层、隐含层和输出层。前已述及，研究区密度、自然伽马和声波时差三项测井参数和实测TOC相关性较好，以该三项测井参数和实测TOC含量为基础进行TOC含量定量预测。因此网络输入层为密度、自然伽马和声波时差测井值，节点数为3；输出层为TOC含量，节点数为1。

隐含层节点数的选择是神经网络设计中的一个重要环节，可以通过经验公式和神经网络训练来确定。首先根据经验公式确定隐含层节点数的范围，然后分别建立具有不同隐含层节点数的BP神经网络模型，通过对比确定最佳的隐含层节点数。经验公式为：m=(n+k)1/2+α。其中：m为隐含层节点数；n为输入层节点数；k为输出层节点数；α为1～10之间的常数[29]。计算可知，n=3，k=1，m为3～12之间的常数。分别建立隐含层节点数为3～12之间的BP神经网络模型，通过对比训练结果可知，当隐含层节点为10时，实际输出和期望输出之间的相关系数最大(表1)，即神经网络的逼近效果最好。

表1　不同隐含层节点数的BP神经网络模型对比

5.3.2数据归一化

由于自然伽马、声波时差和密度三项测井参数之间量纲不统一，数值间的差别很大。因此，为了消除参数之间的量纲和取值范围差异的影响，需要进行归一化处理。

MATLAB软件中数据归一化函数包括premnmx、tramnmx等，premnmx函数用于将网络的输入数据和输出数据进行归一化。premnmx函数的语法格式为

[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)

式中：p(n×Q阶矩阵)和t(k×Q阶矩阵)分别为训练数据输入样本和输出样本；而minp(n×1阶矩阵)和maxp(n×1阶矩阵)分别为p中的最小值和最大值，mint(k×1阶矩阵)和maxt(k×1阶矩阵)分别为t中的最小值和最大值，pn(n×Q阶矩阵)和tn(k×Q阶矩阵)分别为经过归一化的输入样本和期望样本。n为输入层节点数，k为输出层节点数，Q为常数，premnmx函数对p和t分别按照行进行归一化处理。premnmx函数的基本算法如下

式中：x为样本某行向量中任一数据； max和min分别为该行向量的最大值和最小值；xn为该数据归一化的结果，数值范围在[-1,+1]区间内。

在训练网络时所用的是经过归一化的训练数据输入样本和未经归一化的训练数据输出样本，之后使用网络时所用的测验数据输入样本需要和训练数据输入样本接受相同的预处理，tramnmx函数可以实现这一功能。tramnmx函数的语法格式为

[Pn]=tramnmx(P,minp,maxp)

式中：P为测验数据输入样本；Pn为经过归一化的测验数据输入样本，maxp和minp同上，分别为训练数据输入样本p的最大值和最小值。

5.3.3TOC含量预测模型

以研究区58组TOC含量实测值和测井参数值为全部样本，随机选择49组数据(全部样本的85%)为训练样本；训练样本中随机选择9组数据(全部样本的15%)为校验样本，参与训练；其余9组数据(全部样本的15%)为测试样本，不参与训练，用于检验模型的泛化能力。

采用三层网络结构模型，选择双曲正切为激励函数，输入层包含3个特征向量，即RHOB(密度)、GR(自然伽马)和DT(声波时差)测井值，隐含层取10个节点，输出层为一个节点，即预测TOC值。建立TOC含量的BP神经网络预测模型

式中： tanh为激励函数，其定义域为(-∞,+∞)，值域为(-1,+1)；xi为输入层特征向量；wij和bj分别为输入层到隐含层的权值和阈值；vjk和ak分别为隐含层到输出层权值和阈值；n=3、m=10、k=1分别为输入层节点数、隐含层节点数和输出层节点数。

计算结果表明，训练样本、校验样本、测试样本和全部样本的实际输出(预测TOC)和期望输出(实测TOC)的相关系数分别为0.9281、0.9941、0.9981和0.9542(图7)，相关系数均在0.9以上。输入层到隐含层的权值和阈值、隐含层到输出层的权值和阈值见表2。

图7　不同阶段实际输出与期望输出之间的相关性分析

权值输入层至隐含层权值wij123阈值bj1　4．42191-4．04612　0．26273-6．1328723．96921-4．37696-1．22653-4．6793333．76385-7．16371-6．34619-3．960564-4．106673．59427-2．543042．022105-1．620511．74757-6．984340．135686-3．51984-0．96528-4．20091-2．6185876．95786-0．20732-1．803320．827118-1．804976．70492-3．24668-2．8896093．980930．99275-4．804424．7267610-3．33471-1．225825．17919-5．89568隐含层至输出层权值vjk12345678910阈值ak0．76706-0．164885．457200．042782．52433-0．667850．76842-2．014900．720430．622320．05366

5.4　预测方法对比优选

通过对比实测TOC与不同方法计算TOC的相关性和误差大小可知(表3)，BP神经网络法预测效果最好，相关系数高达0.9542，平均绝对误差为0.2167，平均相对误差为15.73%；其次为多元回归分析法，相对系数为0.884，平均绝对误差为0.3425，平均相对误差为24.85%；而改进的ΔlgR法和单测井参数法平均相对误差都接近或大于30%，误差较大，不满足精度要求。因此，可应用BP神经网络法进行研究区TOC含量的测井定量预测。

表3　实测TOC与不同方法预测TOC误差对比

6　烃源岩TOC含量三维定量预测

根据实测TOC含量与密度、自然伽马和声波时差测井参数值训练得到的BP神经网络模型，计算并绘制研究区A、B、C和D四口单井的TOC预测曲线。运用HRS软件的Strata和Emerge模块建立测井预测TOC含量与井旁道地震属性之间的神经网络模型，并计算TOC含量三维数据体。

6.1　井震联合预测

在HRS软件的Strata模块中分别导入研究区的三维地震数据和Madingo组顶、底界面和中间界面层位数据以及四口单井的TOC预测曲线，制作合成地震记录并进行井震标定，再建立反演模型进行波阻抗反演得到波阻抗数据体，根据速度=波阻抗/密度求取速度体。然后在Emerge模块中提取井旁道振幅、频率和相位等多种属性，优选与TOC相关性较好的属性。本次研究提取了10种地震属性进行多属性相关性分析(表4)，并建立测井预测TOC含量与地震属性之间的神经网络模型，通过误差对比选择合适模型进行TOC含量三维定量预测。结果表明：多属性相关分析中，随着地震属性个数的增加，多属性预测TOC结果与测井预测TOC的相关系数逐渐增加，误差逐渐减小，当属性个数为10时，相关系数达到最大，为0.780433；而神经网络预测TOC结果与测井预测TOC的相关系数为0.866684(图8)。因此，本次研究选择神经网络模型进行TOC含量三维定量预测。

表4　多属性相关性分析结果

6.2　TOC分布特征

以测井计算TOC含量与地震属性之间的神经网络模型和研究区三维地震数据为基础，在HRS软件中计算得到研究区Madingo组烃源岩的三维TOC含量数据体，并通过切片得到一系列TOC剖面图和各层TOC含量平面等值线图。

从图9中可以看出，纵向上，B井区Madingo组上段TOC含量较低，下段TOC含量较高，与实测TOC含量吻合较好。而A井区上段TOC含量高于下段，C井区TOC含量总体为低值；横向上TOC主要呈条带状分布，具有明显的成层性的特征，如图9a所示，高、低TOC含量带相间分布且横向展布连续，图9b和图9c中局部TOC稳定展布。

图8　测井预测TOC与不同方法地震属性预测TOC的相关性分析

图9　研究区Madingo组TOC数据体过井剖面

图10为研究区Madingo组预测TOC含量及沉积相平面分布图，其中图10a和图10c分别是Madingo组上段、Madingo组下段预测TOC含量等值线图，图10b和图10d分别是Madingo组上段、Madingo组下段TOC含量与沉积相叠合图。从图中可以看出，研究区Madingo组TOC平面分布具有明显的非均质性。Madingo组上段TOC含量主要分布范围为1.6%～2.6%，局部地区较高，达到2.8%以上，具有自北东向南西由低到高的变化趋势；Madingo组下段TOC含量主要分布范围为1.6%～2.4%，沿北西—南东方向呈条带状展布，且自北东向南西TOC含量逐渐增加。

相应地，研究区Madingo组上段、下段沉积相带具有相似的分布特征，整体沿北西—南东方向展布，自北东向南西依次为砂质滨岸带—浅水陆棚—深水陆棚(包括陆棚内洼陷)。其中砂质滨岸带为高能氧化环境，不利于烃源岩的发育，故与TOC含量低值区对应；陆棚相水生生物发育，其中浅水陆棚相为弱氧化—弱还原环境，深水陆棚(包括陆棚内洼陷)具有较强的还原环境，利于有机质的埋藏和保存，故与TOC含量高值区对应。因此，研究区Madingo组烃源岩定量预测TOC含量与沉积相分布在整体上具有较好的匹配关系。

图10　研究区Madingo组预测TOC含量及沉积相平面分布图

7　结论

(1)研究区Madingo组烃源岩实测TOC与密度、自然伽马和声波时差测井参数相关性较好。分别以多元回归法、改进的ΔlgR法和BP神经网络法进行TOC含量测井预测，结果表明，BP神经网络法预测TOC结果与实测TOC相关性最好、误差最小，可作为研究区TOC测井预测的计算模型。

(2)以研究区四口单井的TOC含量预测曲线和三维地震数据为基础，通过HRS软件的Strata和Emerge模块建立测井预测TOC含量与井旁道地震属性之间的神经网络模型，并计算TOC含量三维数据体。通过切片得到TOC含量剖面图和各层TOC含量平面等值线图。

(3)研究区Madingo组三维定量预测TOC值与实测TOC值吻合较好，垂向上TOC主要呈条带状分布，具有明显的成层性特征；平面上TOC含量具有北东低、南西高的分布特征，非均质性明显，并且与沉积相分布在整体上具有较好的匹配关系。

[1]陈建平,梁狄刚,张水昌等.中国古生界海相烃源岩生烃潜力评价标准与方法.地质学报,2012,86(7):1132-1142.

Chen Jianping,Liang Digang,Zhang Shuichang et al.Evaluation criterion and methods of the hydrocarbon generation potential for China’s Paleozoic marine source rocks.Acta Geological Sinica,2012,86(7):1132-1142.

[2]朱光有,金强.烃源岩的非均质性研究——以东营凹陷牛38井为例.石油学报,2002,23(5):34-39.

Zhu Guangyou,Jin Qiang.Study on source rock heterogeneity:A case of Niu-38 Well in Dongying depression.Acta Petrolei Sinica,2002,23(5):34-39.

[3]杨涛涛,范国章,吕福亮等.烃源岩测井响应特征及识别评价方法.天然气地球科学,2013,24(2)：414-422.

Yang Taotao,Fan Guozhang,Lv Fuliang et al.The logging features and identification methods of source rock.Natural Gas Geosciences,2013,24(2)：414-422.

[4]Schmoker J W.Determination of organic-matter content of Appalachian Devonian shales from gamma-ray logs.AAPG Bulletin,1981,65(7):1285-1298.

[5]Schmoker J W.Determination of organic content of Appalachian Devonian shales from formation-density logs.AAPG Bulletin,1979,63(9):1505-1537.

[6]王健,石万忠,舒志国等.富有机质页岩TOC含量的地球物理定量化预测.石油地球物理勘探,2016,51(3):596-604.

Wang Jian,Shi Wanzhong,Shu Zhiguo et al.TOC content quantitative prediction in organic-rich shale.OGP,2016,51(3):596-604.

[7]李松峰,毕建霞,曾正清等.普光地区须家河组烃源岩地球物理预测.断块油气田,2015,22(6):705-710.

Li Songfeng,Bi Jianxia,Zeng Zhengqing et al.Geophysical prediction of Xujiahe Formation source rock in Puguang Area.Fault-Block Oil & Gas Field,2015,22(6):705-710.

[8]黄薇,张小莉,李浩等.鄂尔多斯盆地中南部延长组7段页岩有机碳含量解释模型.石油学报,2015,36(12):1508-1515.

Huang Wei,Zhang Xiaoli,Li Hao et al.Interpretation model of organic carbon content of shale in Member 7 of Yanchang Formation,central-southern Ordos Basin.Acta Petrolei Sinica,2015,36(12):1508-1515.

[9]Passey Q R,Creaney S,Kulla J B et al.A practical model for organic richness from porosity and resisti-vity logs.AAPG Bulletin,1990,74(12):1777-1794.

[10]张寒,朱光有.利用地震和测井信息预测和评价烃源岩——以渤海湾盆地富油凹陷为例.石油勘探与开发,2007,34(1):55-59.

Zhang Han,Zhu Guangyou.Using seismic and log information to predict and evaluate hydrocarbon source rocks:An example from rich oil depressions in Bohai Bay.Petroleum Exploration and Development,2007,34(1):55-59.

[11]Huang Z,Williamson M A.Artificial neural network modelling as an aid to source rock characterization.Marine and Petroleum Geology,1996,13(2):277-290.

[12]孟召平,郭彦省,刘尉.页岩气储层有机碳含量与测井参数的关系及预测模型.煤炭学报,2015,40(2):247-253.

Meng Zhaoping,Guo Yansheng,Liu Wei.Relationship between organic carbon content of shale gas reservoir and logging parameters and its prediction model.Journal of China Coal Society,2015,40(2):247-253.

[13]贺聪,苏奥,张明震等.鄂尔多斯盆地延长组烃源岩有机碳含量测井预测方法优选及应用.天然气地球科学,2016,27(4):754-764.

He Cong,Su Ao,Zhang Mingzhen et al.Optimal selection and application of prediction means for organic carbon content of source rocks based on logging data in Yanchang Formation,Ordos Basin.Natural Gas Geosciences,2016,27(4):754-764.

[14]Løseth H,Wensaas L,Gading M et al.Can hydrocarbon source rocks be identified on seismic data? Geology,2011,39(12):1167-1170.

[15]刘军,汪瑞良,舒誉等.烃源岩TOC地球物理定量预测新技术及在珠江口盆地的应用.成都理工大学学报(自然科学版),2012,39(4):415-419.

Liu Jun,Wang Ruiliang,Shu Yu et al.Geophysical quantitative prediction technology about the total organic carbon in source rocks and application in Pearl River Mouth Basin,China.Journal and Chengdu University of Technology (Science & Technology Edition),2012,39(4):415-419.

[16]徐新德,陶倩倩,曾少军等.基于地化—测井—地震联合反演的优质烃源岩研究方法及其应用——以涠西南凹陷为例.中国海上油气,2013,25(3):13-18.

Xu Xinde,Tao Qianqian,Zeng Shaojun et al.A method to evaluate high-quality source rocks based on geochemistry-logging-seismic joint-inversion and its application:A case of Weixinan sag in Beibuwan basin.China Offshore Oil and Gas,2013,25(3):13-18.

[17]李松峰,徐思煌,薛罗等.稀井区烃源岩有机碳的地球物理预测方法——珠江口盆地恩平凹陷恩平组烃源岩勘探实例.石油地球物理勘探,2014,49(2):369-374.

Li Songfeng,Xu Sihuang,Xue Luo et al.Source-rock organic carbon prediction with geophysical approach in the sparsely-drilled area:A case study of Enping depression,the Pearl Mouth Basin.OGP,2014,49(2):369-374.

[18]陶倩倩,李达,杨希冰等.利用分频反演技术预测烃源岩.石油地球物理勘探,2015,50(4):706-713.

Tao Qianqian,Li Da,Yang Xibing et al.Hydrocarbon source rock prediction with frequency-divided inversion.OGP,2015,50(4):706-713.

[19]曹军,钟宁宁,邓运华等.下刚果盆地海相烃源岩地球化学特征、成因及其发育的控制因素.地球科学与环境学报,2014,36(4):87-98.

Cao Jun,Zhong Ningning,Deng Yunhua et al.Geochemical characteristics,origin and factors controlling formation of marine source rock in lower Congo Basin.Journal of Earth Sciences and Envionment,2014,36(4):87-98.

[20]Cole G A,Requejo A G,Ormerod D et al.Petroleum geochemical assessment of the lower Congo basin.Petroleum Systems of South Atlantic Margins,AAPG,2000,325-339.

[21]朱伟林.非洲含油气盆地.北京:科学出版社,2013,205-229.

[22]刘琼,陶维祥,于水等.西非下刚果—刚果扇盆地圈闭类型和分布特征.地质科技情报,2013,32(3):107-112.

Liu Qiong,Tao Weixiang,Yu shui et al.Trap types and distribution of Lower Congo-Congo Fan Basin in West Africa.Geological Science and Technology Information,2013,32(3):107-112.

[23]郑应钊.西非海岸盆地带油气地质特征与勘探潜力分析[学位论文].北京:中国地质大学(北京),2012，65-78.

Zheng Yingzhao.Petroleum Geology Features and Exploration Potential Analysis in the Coastal Basins of West Africa[D].China University of Geosciences (Beijing),Beijing,2012，65-78.

[24]赵桂萍，李良.杭锦旗地区基于测井响应特征的泥质烃源岩有机质丰度评价研究.石油物探，2016，55(6)：879-886.

Zhao Guiping,Li Liang.Evaluation on abundance of organic matter for shaly source rocks based on well log responses in Hangjinqi area,Ordos Basin.GPP,2016，55(6)：879-886.

[25]于建国,韩文功,于正军等.济阳拗陷孔店组烃源岩的地震预测方法.石油地球物理勘探,2005,40(3):318-321.

Yu Jianguo,Han Wengong,Yu Zhengjun et al.Seismic prediction of Kongdian Group source rock in Jiyang depression.OGP,2005,40(3):318-321.

[26]牛聪,刘志斌,王彦春等.应用地球物理技术定量评价辽西凹陷沙河街组烃源岩.石油地球物理勘探,2017,52(1):131-137.

Niu Cong,Liu Zhibin,Wang Yanchun et al.Quantitative evaluation of Shahejie formation source rocks in Liaoxi Sag with geophysical approaches.OGP,2017,52(1):131-137.

[27]王贵文,朱振宇,朱广宇.烃源岩测井识别与评价方法研究.石油勘探与开发,2002,29(4):50-52.

Wang Guiwen,Zhu Zhenyu,Zhu Guangyu.Logging identification and evaluation of Cambrian-Ordovician source rocks in syneclise of Tarim basin.Petroleum Exploration and Development,2002,29(4):50-52.

[28]张治国.人工神经网络及其在地学中的应用研究[学位论文].吉林长春:吉林大学,2006，62-74.

Zhang Zhiguo.Study on Artificial Neural Networks and Their Applications in Geoscience[D].Jilin University,Changchun,Jilin,2006，62-74.

[29]严鸿,管燕萍.BP神经网络隐层单元数的确定方法及实例.控制工程,2009,16(增刊2):100-102.

Yan Hong,Guan Yanping.Method to determine the quantity of internal nodes of black propagation neural networks and its demonstration.Control Engineering of China,2009,16(S2):100-102.