一种用于总有机碳（TOC）估算的特征增强深度学习模型

《Physics and Chemistry of the Earth, Parts A/B/C》：A Feature-Augmented Deep Learning Model for Total Organic Carbon (TOC) estimation

　　

• 提出了一种特征增强深度学习模型（FADLM）用于总有机碳（TOC）预测。• 该模型将ΔLogR衍生特征整合到全连接神经网络（FCNN）中。• 与基线FCNN和随机森林（RF）基准相比，FADLM提高了TOC预测性能。• 该模型展现了利用常规测井数据进行TOC预测的良好潜力。

引言

地下性质的变异性对于理解不同地质条件下的地层行为至关重要。精确估算总有机碳（TOC）、孔隙度、渗透率及其他相关岩石性质的能力，为可靠的地下表征和资源评价提供了基础（Abudeif等，2025；Hakimi等，2026）。这些性质决定了烃类的产生、储集和流动，从而影响井位布置、储层管理和生产策略（Hussain等，2023, 2025；Hussain等，2023a, Hussain等，2023b；Khan等，2025）。在这些性质中，TOC作为源岩质量和烃类潜力的主要指标，发挥着核心作用（Goliatt等，2024；Macêdo等，2025；Mkono等，2025；Saporetti等，2023）。实验室方法，包括Rock-Eval热解法，对于TOC测定是可靠的；然而，它们昂贵、耗时且具有破坏性，通常仅限于少量岩心或岩屑样品（Alizadeh等，2024）。这一局限性与日益增长的对整个井段进行连续和详细地下表征的需求形成了鲜明对比。另一种方法是测井，它是无损的、广泛可用的，并提供连续的深度覆盖（Lai等，2024；Zhou和Shi，2025），使其成为估算TOC及其他岩石性质的实用信息来源。因此，从测井数据中可靠地预测TOC在未经勘探或数据有限的盆地中尤为重要，因为不充分的储层表征可能导致烃类评价和开发规划中的不确定性增加。

为应对这些挑战，多项研究已应用机器学习（ML）和深度学习（DL）方法，利用测井数据预测TOC、孔隙度、渗透率及其他岩石性质。常用方法包括支持向量回归（SVR）、随机森林（RF）、梯度提升（GB）、卷积神经网络（CNNs）、循环神经网络（RNNs）和浅层神经网络，这些方法能够有效捕捉测井响应与岩石性质之间的复杂非线性关系（Hussain等，2024；Hussain等，2025a, Hussain等，2025b, Hussain等，2025c；Hussain等，2023a, Hussain等，2023b；Khan等，2025；Mahzad和Bagheri，2025；A. R. Mehrabi等，2025；Wu等，2025）。例如，Moosavi等（2024）使用模糊SVR模型对波斯湾的储层性质进行预测，报告了很高的预测精度，尽管模型可解释性仍然有限。同样地，Mehrabi等（2024）应用卷积循环神经网络（CRNN）对伊朗南部复杂碳酸盐岩储层的孔隙度进行预测，取得了较强的预测性能，但对模型在不同数据集上的稳定性评估有限。自动化机器学习（AutoML）框架也得到了探索；Macêdo等（2025）展示了使用自动超参数调优进行高效TOC估算，但指出其对有噪声的测井数据敏感。类似地，Peng等（2025）研究了用于海陆过渡型页岩TOC预测的深度学习模型，并强调了有效数据预处理对于应对数据集异质性和非线性关系的重要性。基于卷积神经网络（CNNs）的模型（He等，2022）和混合架构，如双向长短期记忆（BiLSTM）-注意力网络（Y. Liu等，2024），通过捕捉测井数据中的序列依赖关系和复杂相互作用，进一步提高了预测能力。此外，随机森林和最小二乘提升模型（Alizadeh等，2024；J. Sun等，2023）也展现了具有竞争力的性能，尤其对于相对较小的数据集，这得益于它们对非线性关系的建模能力以及通过集成学习降低预测方差的能力。总的来说，这些研究展示了ML和DL方法在估算TOC及其他岩石性质方面的巨大潜力，同时也表明在预测一致性、领域知识整合以及跨多样地质环境评估方面仍有进一步改进的空间。

然而，尽管取得了这些进展，ML和DL方法在TOC预测中的应用仍面临几个挑战。首先，尽管深度学习模型能够有效捕捉复杂非线性关系，但单个输入特征对预测过程的贡献往往难以解释，这可能限制了模型预测在实际储层评价中的可信度（Qin等，2024）。其次，数据驱动模型的预测性能可能受到训练数据可用性和代表性的影响，特别是在仅有有限岩心标定样品的盆地中（Xu等，2022）。第三，许多以往的研究主要集中于开发更复杂的模型架构，而相对较少关注将领域特定的地质或测井学信息整合到学习过程中（Lai等，2023）。因此，探索将具有物理意义的测井衍生特征与深度学习模型相结合是否能提高预测性能，同时保留数据驱动学习的优势，仍然是一个值得研究的方向。这些挑战对于TOC预测尤为相关，因为岩性非均质性、热成熟度变化以及有限的实验室测量可能影响模型在不同地质环境中的性能。因此，结合常规测井数据和具有信息量的测井衍生特征的方法值得进一步研究。

近期研究探索了利用测井衍生特征来改进地下预测的数据驱动模型（Davy等，2024）。ΔLogR方法是一种测井衍生特征，它结合了电阻率、声波旅行时间和泥岩基线，以突出与富有机质层段相关的变化（Khan等，2025）。虽然此类方法提供了具有物理意义的信息，但其性能在复杂和非均质地层中可能受到限制。相比之下，深度学习模型能够捕捉测井数据中的复杂非线性关系，但单个输入特征对模型预测的影响往往不够透明（Qin等，2024）。这些互补特性表明，将测井衍生特征与深度学习相结合是一个有前景的进一步研究方向。尽管测井衍生特征在传统测井学解释中已被广泛应用，但它们在深度学习模型中用于TOC预测的应用仍然相对有限。此外，很少有研究系统地比较此类方法与基线深度学习和常规机器学习模型。

基于确定的研究空白，本研究提出了一种特征增强深度学习模型（FADLM）用于总有机碳（TOC）预测，通过将有地质意义的ΔLogR衍生特征与全连接神经网络（FCNN）整合。主要目标是调查在评估的数据集中，纳入这种测井衍生表示是否能改善与基线FCNN相比的TOC预测性能。为确保公平比较，基线FCNN和所提出的FADLM使用相同的网络架构、训练配置和评估协议。首先使用常规测井测量值开发基线FCNN。然后，利用各井特定的泥岩基线值，从电阻率和声波测井计算ΔLogR衍生特征，并将其纳入基线FCNN中开发FADLM。此外，采用随机森林（RF）模型作为基准，以与广泛采用的机器学习方法进行对比。最后，系统比较基线FCNN、所提出的FADLM和RF基准的预测性能，以评估在所评估数据集中ΔLogR衍生特征对TOC预测的贡献。

研究区域

Mandawa盆地坐落在坦桑尼亚东南部，南面和西南面以鲁伏马鞍部为界，北面以卢非吉坳陷为界，东面以印度洋为界（图1）。该盆地是东非被动大陆边缘的一部分，经历了与冈瓦纳裂解、卡鲁裂谷形成以及随后与东非裂谷系统相关的构造变形有关的复杂地质演化（Gama和Schwark，2022）。这些构造事件——

数据描述

本研究使用从Mandawa盆地获取的常规测井数据预测总有机碳（TOC）。选择了六种标准测井数据，即自电位（SP）、深侧向电阻率（LLD）、自然伽马（GR）、补偿密度（RHOB）、中子孔隙度（NPHI）和声波旅行时间（DT），因为它们为地下表征和TOC估算提供了互补信息。SP反映了由渗透率对比和盐度差异产生的电化学电位——

统计误差分析

通过对独立FCNN、所提出的特征增强深度学习模型（FADLM）和随机森林（RF）基准模型进行综合统计比较，评估了所开发模型的预测性能。评估使用了三个统计指标：决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）。独立FCNN模型在测井与——之间展现了强大的非线性学习能力

所提出FADLM的预测改进

比较评估表明，所提出的特征增强深度学习模型（FADLM）的TOC预测性能优于基线全连接神经网络（FCNN）和随机森林（RF）基准模型。与RF基准模型的比较提供了针对广泛使用的常规机器学习方法的评估，而FCNN与FADLM之间的比较则允许评估ΔLogR衍生特征的贡献——

局限性

本研究存在若干局限性，在解释结果时应予以考虑。首先，所提出的FADLM使用来自Mandawa盆地三口井的83个样品的相对较小数据集进行开发和评估。尽管进行了重复训练、集成预测和自举分析以量化与随机模型训练和性能估计相关的变异性，但有限的观测数量可能仍然影响统计——

结论

本研究利用Mandawa盆地的常规测井数据，通过在全连接神经网络（FCNN）中纳入ΔLogR衍生特征，开发了一种用于TOC预测的特征增强深度学习模型（FADLM）。所提出的模型与基线FCNN和随机森林（RF）基准模型进行了比较，以评估其在所调查数据集中的预测能力。

结果表明，FADLM的TOC预测性能优于——

作者贡献声明

Wakeel Hussain：撰写—审阅与编辑，撰写—初稿，可视化，验证，软件，调查，形式化分析，数据整理，概念构思。Muhammad Ali：撰写—审阅与编辑，调查，概念构思。Christopher N. Mkono：方法论，调查，数据整理。Javid Hussain：形式化分析，数据整理，概念构思。Shaukat Khan：撰写—审阅与编辑，可视化，验证。Ali Asghar：可视化，软件——

资金支持

本工作由中央高校基本科研业务费和上海高校一流学科计划-第一类提供支持。

利益冲突声明

作者声明，他们没有已知的可能影响本文所报告工作的相互竞争的财务利益或个人关系。

致谢

作者衷心感谢其资助机构对本工作的支持，并说明使用了基于AI的工具QuillBot来协助写作和增强稿件。

Wakeel Hussain | Muhammad Ali | Christopher N. Mkono | Javid Hussain | Shaukat Khan | Ali Asghar | Hu Zheng