总有机碳含量(TOC)是烃源岩评价中的一个重要的参数.利用测井曲线计算有机碳含量的方法众多(Schmoker，1981；Fertl and Chilingar, 1988；Passey et al., 1990；朱光有和金强，2002；胡慧婷等，2011；郭泽清等，2012；李延钧等，2013；黄文彪等，2014；刘超等，2015)，其中影响最深远的当属Passey等(1990)年提出的ΔLogR技术.为将此方法应用到更为复杂的地质条件，国内学者对ΔLogR技术做了许多改进：刘超(2011)提出变系数ΔLogR模型动态确定了声波时差与电阻率叠合系数，确保两条曲线之间的幅度差最大程度来源于有机碳含量的差异.胡慧婷等(2011)提出逐步回归模型将伽马、密度、中子等测井参数纳入，利用逐步回归法优选更能反映有机碳含量的测井组合参数.随后胡慧婷等(2016)继续提出广义ΔLogR模型，引入自然伽马曲线作为校正系数，减弱压实作用等因素对计算陆相深层烃源岩有机质丰度的影响.ΔLogR模型及其衍生模型被应用于不同地区的烃源岩层，对TOC的精细评价取得了瞩目的成果.如王宗礼等(2012)利用ΔLogR模型评价冀中坳陷廊固凹陷烃源岩，杨少春等(2013)利用变系数ΔLogR模型定量计算鄂尔多斯崇信地区有机碳含量，胡慧婷等(2016)利用广义ΔLogR模型，评价松辽盆地徐家围子断陷深层沙河子组烃源岩有机非均质性.然而对于复杂岩性的致密层有机碳的精确计算，ΔLogR模型存在诸多问题(Passey，1990).本文运用变系数ΔLogR模型计算柳河盆地下桦皮甸子组致密层有机碳含量，提出了ΔLogR技术在计算复杂岩性致密层有机碳含量中的几点问题，并针对性地建立BP神经网络模型，在靶区取得很好的效果，为研究区复杂岩性致密层生烃潜力评价奠定了基础.

柳河盆地属于吉林东部盆地群，位于敦-密断裂与鸭绿江断裂之间，北邻辉桦盆地，南接通化盆地(图 1).该盆地由5部分组成：西部斜坡带，南部新宾隆起，由北至南依次发育圣水凹陷、安口凹陷、向阳凹陷(王伟锋等，1999；程三友，2006；江为为等，2006；单玄龙等，2013；林长城等，2013；徐汉梁等，2013).该盆地地质背景复杂，经历5次火山活动期(T₁-J_2-3-K₁³).其中下桦皮甸子组为深湖-半深湖与火山交互相沉积，岩性复杂，其烃源岩主要为暗色泥岩、砂质泥岩、凝灰质泥岩.有机质丰度较低，为0.1%~1.67%，平均值在0.5%，类型以Ⅲ为主，成熟度为0.83%~0.97%，处于成熟演化阶段(林长城等，2013).柳河盆地储层物性受控于沉积环境，同时强压实和胶结作用下导致储层孔隙度和渗透率极低，通过实测数据显示储层孔隙度0.5%~5.0%，渗透率平均0.001 md，为典型的致密层.

图 1

Figure 1

图 1 柳河盆地区域地质概况图 Figure 1 Regional geology of the Liuhe basin

ΔLogR技术的基础是假定源岩层段地质背景(主要包括岩相、沉积相、有机质成熟度等)基本相同，将电阻率曲线和声波时差曲线在非烃源岩层重叠，烃源岩段电阻率和孔隙度测井曲线差异完全是由有机质含量改变引起.柳河盆地下桦皮甸子组岩性复杂，烃源岩包括暗色泥岩、砂质泥岩、凝灰质泥岩，纵向上相互交错分布，不同岩性烃源岩的孔隙度测井响应特征和TOC含量存在一定差异(表 1)，因此单一的电阻率和声波时差曲线受到不同岩性影响，不完全反应有机碳含量变化.

表 1 (Table 1)

表 1 不同岩性烃源岩的孔隙度测井与TOC值分布特征 Table 1 Porosity logging features and the TOCvalue in the different source rocks

表 1 不同岩性烃源岩的孔隙度测井与TOC值分布特征 Table 1 Porosity logging features and the TOCvalue in the different source rocks

Passey等(1990)研究结果表明，一定范围内(对应声波时差262~460 μs/m)，声波时差与电阻率随孔隙度约呈固定比例变化，此时最有利于消除孔隙度影响，超出该范围，则没有固定比例关系，不满足模型应用前提.因此ΔLogR模型不适用于致密层段和超压层段的有机质含量计算.柳河盆地下桦皮甸子组致密层段物性极差，声波时差范围分布在在157~212 μs/m(表 1)，由于不能很好的抵消孔隙度影响，此时电阻率测井与声波测井的幅度差与有机碳含量的相关性并不高.可见，ΔLogR技术对区内致密层有机质评价中具有明显的局限性.

传统的ΔLogR技术主要考虑到电阻率与声波对于有机碳含量的响应特征，改进后的ΔLogR技术将密度引入，构建声波时差与密度的比值(AC/DEN，简称P)利用P曲线和电阻率曲线计算有机质含量.广义ΔLogR技术利用伽马与电阻率计算致密段、超压段有机质(刘超等，2015；胡慧婷等，2016).笔者认为岩性复杂的致密层有机质含量的变化与多条测井曲线相关，ΔLogR技术主要运用2~3条测井曲线的幅度差计算有机质含量，很可能会忽略其他重要的测井信息，从而导致ΔLogR模型抗干扰能力较差.

ΔLogR技术在建立模型时要注意数据样本的代表性，分析数据最好能覆盖整个目标段，可对少数与测井曲线吻合较差，明显偏离整体趋势的异常点进行剔除，避免个别异常数据影响公式参数标定(刘超，2011).笔者认为ΔLogR技术在异常点剔除过程中，没有可行性标准，存在较强的人为干预，同时剔除异常的个数直接关系影响ΔLogR模型的准确性.

本文利用研究区柳河盆地下桦皮甸子组(深度1308~1693 m)116组实测TOC数据，探讨了剔除异常个数对ΔlogR技术建模效果的影响，具体操作步骤如下：首先进行测井曲线与岩心的深度归位，然后标准化声波曲线与电阻曲线并计算幅度差，最后利用多元线性回归方程拟合幅度差与实测TOC值，利用两者相关系数验证ΔLogR建模效果.研究显示：未剔除异常点时，实测TOC与计算TOC相关性为0.3961；剔除8个异常点时，实测TOC与计算TOC相关性上升到0.6722；剔除20个异常点时，实测TOC与计算TOC相关性达到0.7976(图 2).然而，异常点的选取存在着较大的随机性与偶然性，如果不能对异常点的选取做出正确的解释，将会从一定程度上降低ΔLogR模型的准确性.

图 2

Figure 2

图 2 ΔLogR模型计算TOC与实测TOC相关性图 Figure 2 Correlation of the TOC values calculated by ΔLogR model and the measured TOC values

BP(Back Propagation)神经网络，是一种按误差逆传播算法训练的多层前馈网络，采用log-sigmoid、logsig、tan-logsig，tansig和purelin等传递函数表示，可以非常方便的处理工程研究中棘手的非线性问题，对于数据的分类、聚类、预测有很好的效果.其主要原理就是在采用已知学习样本集基础上，利用误差反向传播原理进行训练，利用训练结果建成网络(Rumelhart et al., 1986；Chen and Chen, 1993；程相君，1995；郭龙等，2009；陈国辉等，2014；孟召平等，2015).学习过程中，可以将学习过程分为两种，一个正向学习，另外一个反向传播.在正向学习过程中，输入向量将从输入层经隐含单元层，被逐层处理，然后传向输出层.这里每一层神经元状态仅影响下一层神经元状态，一旦在输出层不能得到期望的结果，则再次转入反向传播，将误差信号沿原来路径返回，如此往复，通过不断修改各层神经元权值，将误差信号降到最小为止(图 3).

图 3

Figure 3

图 3 BP神经网络原理图 Figure 3 The basic principle of BP neural network

BP神经网络输入层各单元输入数据为归一化以后的测井数据，以GR(伽马测井)数据为例表示为

(1)

式中：x_i为输入层获得的样本归一化后数据，GR_min为伽马测井数据最小值，GR_max为伽马测井数据最大值.

BP神经网络最基本的算法是“最速下降法”，包括信号的前向传播和误差的反向传播两个方面.多层前向传播过程中隐层各单元输出公式为

(2)

式中：为活化函数；w_ij为输入权值；b_i为偏移量；x_i为输入层的输出结果；Y_j为隐层输出结果.

多层前向传播过程中输出层单元输出公式为

(3)

式中：为活化函数；w_jk为隐层j神经元到输出层k神经元权值；b_k为隐层k神经元偏移量；x_j为上一层隐层的输出；Y_k为输出层的输出结果.

误差反向传播过程中，由输出层开始，逐层计算出各层神经元的输出误差信号，然后根据误差梯度下降法，调节各层权值和阈值，从而使得均方误差(MSE)最小，均方误差函数表达式为

(4)

式中：E_i为第i个输入数据的误差，n为输入数据数量.

权值调整公式为

(5)

式中：w_i(j+1)为输入层i到隐层j+1的权值，Δw_ij为输入层i到隐层j的权值，φ为学习步长，δ_j为误差项，a为动量因子，Y_k为输出层结果，Y_i为输入层结果.

阈值调整公式为

(6)

式中：b_j+1为隐层j+1的阈值，b_j为隐层j的阈值，φ为学习步长，δ_j+1为误差项，a为动量因子.附加动量因子a是为防止局部误差最小化，利用附加动量来滑过这些极小值.使用附加动量法，修正其权值不仅仅考虑误差在梯度上的作用，还要考虑误差变化趋势的影响.

BP神经网络建模时，首先将收集到的研究区测井数据，统一进行数据预处理与标准化，相关性分析后优选6条测井曲线(RT、U、GR、AC、CNL、DEN).将收集到的116个样品的实测TOC和对应的6组测井数据输入SPSS Modeler软件，软件调试过程如下：随机选择100组数据作为训练集，不断更新神经网络权值，使均方误差参数达到最小.用训练集确定网络结构，剩下的16组数据当作测试集对神经网络性能进行独立测试.设定期望值即整体准确度在90%以上，训练时间15 min，迭代次数1000次.反复迭代修正权值，直到误差满足要求跳出迭代.同时不断调整隐层的个数，反复训练样本，直到建立最准确的模型.本次BP神经网络模型采用监督学习方式，包含6条测井曲线数据输入，带有6个神经元的隐层，1个输出层即有机质含量，输入层—隐含层传递函数为Sigmoid函数、隐含层—输出层传递函数为purelin函数、训练函数为trainlm函数，动量因子取值为0.95.将输出层中的有机质含量，与实测有机质含量对比，验证BP神经网络建模建模效果.

研究区柳河盆地下桦皮甸子组岩性复杂，孔隙度和渗透率极低，为典型致密层.对该目的层位ΔLogR模型建模效果不理想：在不剔除异常点条件下，ΔLogR模型计算TOC与实测TOC相关性为0.3961，建模精度达不到要求，将实测TOC的高值作为异常点剔除，虽可以提高建模精度，但缺少科学合理的解释.笔者建立BP神经网络模型，针对性解决了ΔLogR建模过程中存在的问题.BP神经网络模型利用多条测井曲线，采用非线性方式拟合，最大程度减少致密层岩性和孔隙度等因素对计算有机碳含量的干扰.在不剔除异常点情况下，计算TOC和实测TOC相关性达到0.886(图 4)，提高建模精度的同时避免了人为剔除异常点给模型准确性带来的不稳定因素干扰.

图 4

Figure 4

图 4 ΔLogR模型与BP神经网络模型计算TOC与实测TOC相关性对比图 Figure 4 Correlation of the TOC values calculated respectively by ΔLogR model and BP neural network model and the measured TOC values

测井资料计算烃源岩有机碳含量，通常是根据烃源岩有机质具有一定的测井响应特征，建立有机碳含量与这些特征响应的定量关系式，从而获得纵向上连续分布的有机碳含量.在模型应用过程中，将标准化后的研究区测井数据，分别带入ΔLogR与BP神经网络模型，即可定量计算目的层位烃源岩有机碳含量在纵向上的连续分布(图 5).ΔLogR模型计算得到的纵向连续分布的TOC曲线与116组实测TOC值整体吻合性不高，如1535~1560 m深度段，计算TOC值偏大；1610~1640 m深度段，计算TOC值偏小.相对于ΔLogR模型，BP神经网络模型计算TOC曲线与116组实测TOC值基本吻合，应用效果较好.

图 5

Figure 5

图 5 ΔLogR与BP神经网络模型应用对比 Figure 5 Comparative application of the BP neural network model and the ΔlogR model

ΔLogR技术主要考虑声波与电阻率曲线对有机质含量的响应，忽略其他重要测井信息，导致ΔLogR模型抗干扰能力不强，不适用于计算类似靶区岩性复杂的致密层有机碳含量.同时，在建模过程中剔除异常点没有可行性标准，存在较强的人为干预，影响ΔLogR模型的准确性.

BP神经网络模型利用多条测井曲线采用非线性方式拟合，最大程度减少了致密层岩性和孔隙度等因素对计算有机碳含量的干扰.在不剔除异常点情况下，研究区计算TOC和实测TOC相关性达到0.886，保证了准确率的同时避免了人为剔除异常点给模型准确性带来的不稳定因素干扰.

分别应用ΔLogR模型和BP神经网络模型计算柳河盆地下桦皮甸子组致密层有机碳含量，ΔLogR模型计算TOC曲线与实测TOC数据吻合度较差，而BP神经网络模型计算TOC曲线与实测TOC数据基本吻合.BP神经网络模型能更好地应用于复杂岩性致密层有机碳含量的计算.