一种基于CNN-LSTM神经网络的泥质烃源岩TOC预测模型

　　

摘要：目前岩石中原始有机质的丰度可以使用测定岩石中残留的总有机碳含量（TOC）表示。但在实际应用时，受取心样品和实验分析成本的限制，单井烃源岩TOC的测定有限；同时受构造和沉积环境的控制，有机质的富集在纵向上变化也是比较大的。烃源岩富含有机质的煤系地层岩性差异大，测井响应特征受其影响变化大，因此本文避免岩性对测井曲线的影响，因此本文通过总结前人的研究经验，从神经网络出发，提出了一种利用测井曲线基于CNN-LSTM神经网络的泥质烃源岩TOC预测模型，经过实际应用，结果表明该方法有较好的准确性，可以得到较好的预测效果。

订阅方式：
①在线订阅（推荐）：www.sdchem.net.cn
②邮局订阅：邮发代号24-109

投稿方式：
①在线投稿（推荐）：www.sdchem.net.cn
　　作者只需要简单注册获得用户名和密码后，就可随时进行投稿、查稿，全程跟踪稿件的发表过程，使您的论文发表更加方便、快捷、透明、高效。
②邮箱投稿：sdhgtg@163.com sdhg@sdchem.net
　　若“在线投稿”不成功，可使用邮箱投稿，投稿邮件主题：第一作者名字/稿件题目。
投稿时请注意以下事项：
　　①文前应有中英文“题目”、“作者姓名”、“单位”、“邮编”、“摘要”、“关键词”；
　　②作者简介包括：姓名、出生年、性别、民族、籍贯或出生地、工作单位、职务或职称、学位、研究方向；
　　③论文末应附“参考文献”，执行国标GB/T7714-2005标准，“参考文献”序号应与论文中出现的顺序相符；
　　④注明作者的联系方式，包括电话、E-mail、详细的通讯地址、邮编，以便联系并邮寄杂志。
　　 　                                                                                   山东化工稿件修改细则