基于NRBO-CNN-LSTM模型的陆相浅水湖盆总有机碳测井预测优选及应用

摘要

总有机碳含量（TOC）是评价烃源岩生烃潜力的主要参数，常用的TOC测井模型在实际应用中受地质条件的差异影响较大，稳定性不高，制约了综合评价结果。选取四川盆地川北地区凉高山组二段作为研究对象，基于TOC取心实验数据和常规测井资料，运用随机森林算法对选定测井曲线进行特征重要性评估，消除测井曲线之间的测量误差及冗余数据的影响，优选4类测井曲线作为模型输入参数；选择准确性高、稳定性强的卷积神经网络结合长短期记忆神经网络，并引入牛顿拉夫逊优化算法对神经网络进行优化，确定最优超参数，建立一种.基于牛顿拉夫逊算法优化卷积神经网络结合长短期记忆神经网络（NRBO-CNN-LSTM）的TOC回归组合智能预测方法，并进行TOC预测。模型预测表明，本研究使用的神经网络模型决定系数高达0.976 3，预测结果均方误差（MSE）和平均绝对误差（MAE）分别为0.107 0和0.240 3，整体误差（MAPE）为0.052 1，在砂泥频繁互层、测井曲线随岩性变化波动较大的沉积环境下弥补了常规神经网络预测算法的不足，有效提高了TOC预测结果的精确度。

关键词

有机碳含量预测 / 机器学习 / 陆相页岩 / 四川盆地 / 凉高山组