鄂尔多斯盆地延长组多油源贡献比例与分布规律:基于机器学习与可解释性研究

苏恺明; 徐耀辉; 徐旺林; 张月巧; 白斌; 李阳; 严刚

doi:10.13745/j.esf.sf.2023.9.56

地学前缘 ›› 2024, Vol. 31 ›› Issue (3) : 530 -540. DOI: 10.13745/j.esf.sf.2023.9.56

人工智能与地质应用

鄂尔多斯盆地延长组多油源贡献比例与分布规律:基于机器学习与可解释性研究

苏恺明 ¹^,² ,
徐耀辉 ¹^,²^,^* ,
徐旺林 ³ ,
张月巧 ³ ,
白斌 ³ ,
李阳 ¹^,² ,
严刚 ¹^,²

作者信息 +

Contribution ratio and distribution patterns of multiple oil sources in the Yanchang Formation of the Ordos Basin: A study utilizing machine learning and interpretability techniques

Kaiming SU ¹^,² ,
Yaohui XU ¹^,²^,^* ,
Wanglin XU ³ ,
Yueqiao ZHANG ³ ,
Bin BAI ³ ,
Yang LI ¹^,² ,
Gang YAN ¹^,²

Author information +

文章历史 +

PDF (7108K)

摘要

鄂尔多斯盆地延长组发育多套潜在的烃源岩,但不同烃源岩之间生物标志物特征相似,常规油源对比方法效果不佳,相关认识长期存在争议。基于这样的问题,本文提出了一种基于深度学习的油源对比方案,将人工智能方法应用于油源对比研究,所开展的工作和认识有:(1)以延长组不同层位大量泥岩、页岩样品的42种生物标志物参数作为学习数据,构建了一种识别未知样品油源类别的深度神经网络模型,对长7泥页岩、长8—长10泥页岩的判别正确率分别达到了79.6%和83.0%,实现了延长组主要烃源岩生烃产物的有效区分;(2)通过模型分析了大量砂岩、原油样品的油源分类,统计了不同烃源岩对于延长组各个油层组原油的贡献比例,总结了它们的分布规律;(3)基于目前较为先进的置换特征重要性(PFI)算法,对所得模型进行了敏感性分析,初步揭示了延长组两类主要烃源岩的生物标志物差异。本文对于人工智能方法、技术在石油分子地球化学领域的发展具有积极的参考价值。