Intelligent identification and application of gas hydrate in South China Sea
-
摘要:
天然气水合物是一种重要的能源资源，具有能量高、储量大、分布广和埋藏浅等优势。准确地从地层中识别出天然气水合物储层是应用天然气水合物资源的必要前提。本文围绕水合物勘探识别的难点问题，结合海洋-地质-人工智能学科交叉技术，以具有显示度的地球物理属性参数为基础，研究并提出了有效的含水合物地层识别技术方法，在中国南海东沙海域研究区进行了方法的验证，选择了几种较为常用的机器学习算法，例如随机森林、Bagging、AdaBoost、和最近邻（KNN）算法，对水合物变化灵敏度较高的纵波速度和密度属性进行数据分析，通过训练优化不同算法模型参数，对比不同算法模型的识别分类效果。结果表明，这几种算法都能够较好地对地层中是否含有水合物进行区分，其中KNN性能最好，表明基于机器学习手段能够提高天然气水合物的识别精度和准确性。
Abstract:Gas hydrate is an important ideal energy source, with advantages of high energy, large reserves, wide distribution, and shallow burial. Accurate identification of gas hydrate reservoirs and estimation of hydrate saturation are the prerequisite for the application of gas hydrate resources. This study focuses on the difficult issues of hydrate identification, combining the interdisciplinary technologies of oceanology, geology, and artificial intelligence. Effective methods of hydrate-bearing strata identification were proposed based on the geophysical attributes, and verified in the Dongsha area of South China Sea. Machine-learning algorithms were used to analyze whether the sediment contains gas hydrates. Several commonly used machine-learning algorithms were selected, including random forest, Bagging, AdaBoost, and KNN; and data were analyzed based on the P-wave velocity and density attributes that are more sensitive to hydrate existence. The parameters of different algorithms were trained and optimized, and the effects of different algorithms on the identification and classification were compared. All these algorithms could do good on whether there is hydrate in the sediment, of which KNN algorithm was shown the best. Therefore, machine-learning-based methods could improve the identification accuracy of gas hydrate.
-
Keywords:
- hydrate /
- identification /
- machine learning /
- seismic attributes /
- South China Sea
-
西湖凹陷是中国东海面积最大、沉积厚度最大、油气资源最为丰富的凹陷，其面积约5.18×104 km2，新生代沉积厚度超万米，在凹陷的保俶斜坡带、三潭深凹和中央背斜带均有较好的油气发现。孔雀亭地区位于保俶斜坡中部，基底发育孔雀亭古隆起，新生代地层齐全。始新世断陷期发育了一系列NE-SW向正断层，形成了断层相关的断鼻、断块及滚动背斜等构造圈闭，主力勘探层系为始新统平湖组，油气主要来源于本地及三潭深凹深层平湖组下段及宝石组煤系烃源岩层系，形成了“下生上储、旁生侧储”型油气藏。孔雀亭地区断层发育，始新世受潮汐影响的三角洲前缘砂体展布规律复杂，构造-岩性复合圈闭发育模式不清，且油气层分布规律性较差，富集控制因素不明。前人对孔雀亭地区的沉积、控砂机制及油气源条件等做了大量研究，认为平下段发育潮坪-潮控三角洲沉积、平中段发育潮坪-受潮汐影响的三角洲沉积、平上段发育辫状河三角洲沉积[1]。侵蚀坡折、挠曲坡折及断裂坡折控制了砂体的展布[2]。孔雀亭地区具有“早油晚气，晚期成藏”的特点[3]，为了进一步明确孔雀亭地区的复合圈闭发育模式及油气成藏富集规律，结合新增地震及钻井资料，通过开展“源-渠-汇”系统、构造沉积控砂模式、圈闭发育模式及油气富集规律的综合研究，认识到孔雀亭地区圈闭与有效烃源岩距离、砂体规模、储层物性、断层封堵性等要素的耦合程度控制着各带油气富集程度。
1. 地质背景
西湖凹陷位于东海陆架盆地东北部，是盆地内勘探程度较高的新生代沉积凹陷[1-2]。凹陷经历了断陷、拗陷及区域沉降3个演化阶段[3]，自西向东依次划分为保俶斜坡带、三潭深凹、中央背斜带、白堤深凹及天屏断阶带5个次级构造单元[4]。新生代地层以碎屑沉积为主，自下而上发育古新统，始新统宝石组、平湖组，渐新统花港组，中新统龙井组、玉泉组、柳浪组，上新统三潭组及第四系东海群[4]。孔雀亭气田位于西湖凹陷保俶斜坡带平北地区（图1），其西靠海礁凸起，东邻三潭深凹，处于平北地区帚状断裂体系末端，发育一系列NE-NNE走向的扭张性平行断裂体系（图2），在断裂体系的控制下形成与断层相关的构造圈闭（断背斜、断鼻、断块）及断层-岩性复合圈闭（图2），主力含油气层系为始新统平湖组[5]（图3）。依据断裂规模、生长指数等可将断裂分为三级断裂、四级断裂和五级断裂[6]。三级断裂平面延伸长度大于10 km，断层断距超过100 m，断层活动时间长，断穿层位浅，控制沉积期的地貌形态、物源输入口及沉积体展布方向，进而控制砂体的展布及构造-岩性复合圈闭群的类型及规模；四级断裂平面延伸长度为5～10 km，断层断距为50～100 m，断层活动时间相较三级断裂短，多消失于花港组下段，对沉积期局部地貌、砂体起到控制作用，控制了单个圈闭的封堵性。
![]()
图 3 孔雀亭地区平湖组综合柱状图Figure 3. Comprehensive stratigraphic histogram of Pinghu Formation in Kongqueting area2. 孔雀亭地区复合圈闭的形成条件
2.1 孔雀亭地区复合圈闭形成的构造条件
孔雀亭地区基底发育孔雀亭古隆，与西侧海礁凸起相连，是海礁凸起向凹陷内的自然延伸（图1），其北东侧基底发育新凉古隆。古隆均形成于中生代，形成了“隆洼相间”的构造古地貌格局，对新生代断陷期地层厚度和沉积体系展布起到了较强的控制作用。孔雀亭地区具有“西高东低、南陡北缓”，“东西分带、南北分块”的构造格局[7]。东西方向，受NE-SW向断裂控制，自西向东划分为高带、中带和低带，中带又进一步划分为中高带和中低带（图2）。各带断层活动性和构造样式存在差异，高带以顺向东倾基底断裂为主，断层活动时间长，断穿层位浅；靠近断裂，平湖组地层具回倾特征。中高带亦以顺向东倾基底断裂为主，断层断至花港组，平湖组断距小，地层产状较平缓。中低带同样发育顺向东倾基底断裂，平湖组断距稳定，深层可见地层掀斜。低带发育低幅古隆起，古隆起之上受相对倾向断层控制形成似花状断裂组合，平湖组地层（T30-T34）具披覆特征（图4）。南北方向，受孔雀亭古隆起的控制，可进一步划分为孔雀亭南坡、孔雀亭鼻隆和孔雀亭北坡。在孔雀亭北坡，低部位发育新凉古隆，其构造样式为对称地堑，而孔雀亭鼻隆及南坡则整体表现为顺向断阶特征。“东西分带、南北分块”的构造格局控制了孔雀亭地区沉积体系和砂体展布，是断层-岩性复合圈闭形成的基础条件[8]。
![]()
图 4 孔雀亭地区构造特征剖面A-A’位置见图2。Figure 4. Seismological profile of Kongqueting areaThe position of section A-A' is shown in Fig.2.2.2 孔雀亭地区复合圈闭形成的沉积条件和控砂模式
2.2.1 孔雀亭地区始新统平湖组沉积体系展布特征
孔雀亭地区主力目的层段平湖组沉积期古地貌格局为西高东低，西部长期遭受剥蚀，为稳定的物源区[9]，古隆起上发育多条“U”型及“V”型下切水道，是沉积物输送的主要通道。平下段钻井揭示的岩心上可见脉状层理、波状层理及频繁的薄砂泥岩互层，测井相以指状、针状特征为主，地震相特征为中强振幅、中连续亚平行反射，综合分析认为平下段主要发育潮控三角洲-潮坪沉积体系，其中比较有利的砂体类型为前缘分支河道砂和潮汐砂坝砂。平中段岩心上可见交错层理和冲刷面砾石，测井相以齿化箱型、箱型-钟型复合特征为主，地震相特征为中振幅、中低连续波状反射，综合分析认为主要发育受潮汐影响的三角洲相（图5），地层含砂率增高，砂体连续性增强，有利的砂体类型为前缘分支河道砂及河口坝砂。整体上自平下段至平上段，潮控作用逐渐减弱，河控作用逐渐增强[10-11]。
![]()
图 5 孔雀亭地区平中上段沉积相图Figure 5. Sedimentary facies of the middle-upper Pinghu Formation in Kongqueting area2.2.2 控砂模式
根据构造古地貌背景、构造样式及源-渠-汇系统下的沉积体系研究，认为孔雀亭地区平湖组砂体分布主要受断裂和古地貌共同控制，主要发育两种控砂机制，即断裂坡折控砂和挠曲坡折控砂[12]。
（1）断裂坡折控砂
断裂对砂体的控制作用主要表现为两个方面：一是三级断裂形成的断裂坡折带控制砂体规模富集区，大断层下降盘是低洼区，砂体易大规模堆积；二是三级断裂的组合控制沉积物输送通道，断层走向变化处和断裂活动较弱处可形成有效的输砂通道，控制砂体进积方向。输砂通道主要有三种类型：①两条断裂相交或单条断裂走向改变处，形成“陡崖式通道”；②受同向调节断裂控制，形成“走向斜坡通道”；③受同向与反向断裂并行控制，形成“限制性通道”（图6）。四级断裂对局部砂体的展布起到一定的控制作用，进一步控制了单个构造-岩性复合圈闭的形态及圈闭有效性。
![]()
（2）挠曲坡折控砂
古隆翼部发育NW-SE向的基底隐伏断裂，隐伏断裂控制了断陷期的古地貌格局，在隐伏断裂发育处，通常为两组断裂的转换带，由于两组断裂的倾向、断距存在差异，形成了多个NW-SE向展布的挠曲坡折带（图2），控制了同向展布的三角洲前缘分支河道，河道主体发育于坡折带之下，侧翼受坡折带控制形成了岩性尖灭。不同时期的水下分支河道受同一条坡折带继承性控制，在坡脚处形成了多套砂体向西南方向的集中尖灭（图6）。
2.3 复合圈闭发育模式及勘探实践
在上述构造格局、沉积体系及控砂模式下，孔雀亭地区从高带向低带发育了多种不同类型的复合圈闭 [13-14]。孔雀亭高带主要发育构造-地层复合圈闭。高带位于孔雀亭古隆起高部位，西部受平湖主断裂北延伸段控制，始新统在高带向西向南楔状减薄，向西通过孔西断层与对盘安山岩对接，安山岩为非渗透性岩层，可以对高带始新统形成整体封堵。向南地层逐渐减薄超覆在安山岩之上，形成了地层超覆尖灭，因此，在孔雀亭高带主要发育构造-地层复合圈闭（图7A）。
孔雀亭中带包括孔雀亭断层以东多个北东走向顺向断阶区，在南坡和北坡同时发育多个NW-SE向挠曲坡折带。平中上段主要发育受潮汐影响的三角洲前缘沉积，西北物源形成NW-SW走向水下分支河道，西北侧高部位受顺向正断层遮挡，西南侧高部位受挠曲坡折控制砂岩尖灭，形成断层-岩性复合圈闭（图7B）。平下段主要发育潮控三角洲前缘与潮坪沉积，砂体类型为NW-SE走向的水下分支河道和潮汐改造形成的潮坪砂，其中水下分支河道西北侧高部位受正断层遮挡，西南侧高部位受挠曲坡折控制砂岩尖灭，形成断层-岩性复合圈闭（图7B）。潮汐改造的砂体在低洼处堆积，常以孤立的形式包裹在泥岩中形成砂岩透镜体圈闭（图7C）。
孔雀亭低带发育东倾正向断层及西倾反向断层，形成似花状构造，沉积上位于孔雀亭沉积体系的前缘。平下段发育潮汐改造的三角洲前缘砂体，砂体类型为潮汐砂坝及潮坪砂，砂体富集于地貌低部位，向高部位尖灭，形成砂岩透镜体圈闭（图7C）。平中上段潮控作用减弱，河控作用增强，三角洲沉积体系向东推进距离远，低带发育三角洲前缘水下分支河道，与正向和反向断层配合，形成断层-岩性复合圈闭（图7D）。
基于断层-岩性复合圈闭发育模式认识，通过对物源、沉积体系及坡折控砂机制分析，认为孔雀亭南坡中低带是断层-岩性复合圈闭有利发育区，应用地质地球物理一体化技术精细识别了断层岩性复合圈闭（图8），并部署探井M1（图9b），测试获得高产油气流，取得了孔雀亭地区断层-岩性圈闭勘探的突破，开辟了扩储新领域。
![]()
图 8 孔雀亭地区南坡P8b砂体展布预测黄色和红色代表砂体。Figure 8. Reservoir prediction of P8b sand body on the south slope of Kongqueting areaSand bodies are shown in red and yellow.![]()
图 9 断/盖比与断层封堵性关系示意图a: 孔雀亭地区断盖比统计分布图，b: M1井区油气藏剖面图。Figure 9. Relationship between fault/caprock ratio and fault plugging abilitya: distribution of fault/caprock ratio in Kongqueting area, b: reservoir profile of M1 well block.3. 油气富集差异控制因素
孔雀亭地区油气主要赋存于平湖组，少量发现于花港组。油气藏类型为凝析气藏和油藏，以凝析气藏为主[15]，流体纵向分布特征表现为“上油下气”。前人基于油源对比分析确定，孔雀亭油气来源于平湖组及宝石组，但争议的问题在于，油气是来自本地的烃源岩还是三潭深凹的烃源岩[16-21]。目前从油气成熟度指标来看，孔雀亭地区主要以高成熟凝析气为主（存在成熟度大于1.5的天然气），超过了本地烃源岩的成熟度（成熟度小于1.2），推测除了本地供烃外，具有高成熟外源气的贡献。因此，孔雀亭地区具备本地烃源岩和三潭深凹烃源岩双源供烃的有利条件。勘探实践表明，孔雀亭高带、中高带、中低带、低带油气富集程度具有较大差异（图2）。高带钻井少，仅钻探L1井，见油气显示，未发现油气层，邻区高带钻井亦显示油气富集程度相对较低；中高带，已钻探W1、W2、W3等井，钻井相对较多，油气富集程度中等；中低带，已钻探W4、W5及M1等井，油气富集程度好；低带，仅D4一口钻井，由于储层物性影响，油气富集程度不及中低带。总体来看，自高带至中低带，油气富集程度逐步增加，中低带油气相对最为富集，单井探明天然气储量可超20亿m3，中高带次之，高带及低带钻井少，尚未发现富集区，需要进一步探索。高、中高、中低、低带在圈闭条件及油气成藏条件上的差异性造成各区带油气富集程度及油气成藏主控因素具有一定的差异。
高带：受到长期继承性古隆控制，始新统沉积厚度薄，且靠近物源区，埋深较浅，本地烃源供烃能力有限，主要依靠中低带及三潭深凹的油气长距离运移成藏。因此，对于高带而言，油气运移的优势通道是控制油气富集的关键因素[22-24]。为定量描述油气运移的有效通道空间，李明诚提出利用有效通道空间系数表征油气的优势运移通道[25]，有效通道空间系数=（有效通道空间体积/运载层体积）×载层体积，其中有效通道空间体积是指发生了油气运移的渗透性地层段, 既包括地层的岩石骨架, 又包括流体在其中运移的孔隙空间；运载层是指特定地层中具有渗透能力的、可以使油气水等流体运移通过的层段，包括录井剖面上除生油层以外各运载层中的油气显示层段；运载层体积包括除生油层外主要目的层储层的体积。通过对孔雀亭地区6口井各层的通道系数进行计算表明，古隆起低部位（W5、W4、D1）到高部位（W1、W2、W3、L1）通道空间系数减小，运移强度减弱。但局部存在强运移区，例如L1井有效通道空间系数较大，录井油气显示丰富，指示该井处于油气优势运移通道上（表1），但该井由于圈闭条件差，未发现油气层。因此，处于油气优势运移通道上的有利圈闭群是孔雀亭高带的有利勘探方向。
表 1 孔雀亭地区砂体有效通道空间系数Table 1. Spatial coefficient of effective channel of the sand body in Kongqueting area构造带 井号 通道系数/% E3h上 E3h下 E2p上 E2p中 E2p下 E2b 孔雀亭 W1 0 0 4.10 13.26 43.81 N/A L1 12.09 0 43.30 1.42 91.95 32.00 W2 0 0 19.07 34.92 14.15 0 W3 3.25 8.33 0 2.65 4.84 38.00 W5 0 0.90 11.08 46.33 28.21 N/A W4 5.03 5.36 53.06 62.86 N/A N/A D1 80.54 86.19 88.86 61.38 N/A N/A 中高带：平湖组中-上段处于海退期，高位体系域形成的有利储集体之上缺乏区域性盖层，储盖组合条件较差，因此油气多集中在区域性盖层之下的平下下段，油气藏类型主要为断层-岩性油气藏。这类油气藏的形成对圈闭条件要求较高，一方面需要上倾方向主控断层具有良好的封闭性，另一方面也需要砂体侧向形成有效的尖灭。而中高带断层活动时间长，错断层位高（图4），多数断层向上错断至中新统甚至上新统，断层垂向封堵性差，导致圈闭上倾方向的封堵条件不利，容易形成油气垂向上的泄漏。因此，断层封堵性是油气成藏的主控因素。另外，由于中高带相对靠近物源区，又处在古地貌隆起区，中高带砂体多为过路沉积，为窄河道砂体（图5），砂体规模有限，影响了油气富集程度。
中低带：位于古隆起下斜坡区，受断裂坡折和挠曲坡折共同控制，在大断裂下降盘和低洼区形成规模性砂体。对于平中上段而言，发育上倾方向受断层封堵、侧翼受挠曲坡折控制砂岩尖灭形成的断层-岩性复合圈闭，NW-SE向河道砂体与NE-SW向断裂充分接触，断砂匹配关系好，油气侧向输导条件好，成藏条件有利，油气成藏的主控因素为断层封堵性[6]，即当控圈断层封堵性较好时，圈闭易于成藏。通过中低带断盖比与流体性质对应关系分析表明，当断层垂向封闭系数（断盖比SSF=断距/盖层）＞1.8时，断层垂向封闭差；而当SSF＜1.8时，断层垂向封闭好。以M1井区P8砂体为例，断盖比（SSF）＜1.8，表明断层垂向封闭性较好，且该井P8砂体与对盘泥岩对置，断层侧向封堵性好；因此该井P8砂体油气富集，为高产气层。与之相反，Mb1井P8断盖比＞1.8，表明其垂向封闭性较差，因此为水层（图9）。对于平下段，储层埋深达到4000～4500 m，物性整体偏差，干层增多，因此，平下段控制油气富集的主要因素为储层物性。
低带：紧靠三潭深凹生烃中心，油气供给充足，烃源条件好。平中上段，低带处于西部物源供给末端，砂体厚度较薄，储层发育规模影响油气富集，寻找砂体相对发育的有利相带是勘探关键。平下段，埋深普遍大于4500 m，储层物性是控制油气富集的关键因素。已钻井物性统计结果表明，平下段孔隙度多小于12%，渗透率小于1 μm−2，整体为特低渗—致密储层，只有局部物性较好的“甜点”能形成油气富集，如D4井平下段P10砂组（埋深4700～4800 m）底部发育一套2.6 m的砂体，孔隙度为12.8%，渗透率为7.3 μm−2，气测全烃达80%，含气饱和度为64%，取样证实为气层，可见低带平下段寻找优质储层是勘探关键。
4. 结论
（1）孔雀亭地区西高东低的古地貌背景、三角洲与潮坪共生的沉积体系及断裂、挠曲坡折控砂机制是复合圈闭形成的有利条件。复合圈闭类型主要为构造-地层复合圈闭、断层-岩性复合圈闭、砂岩透镜体圈闭等。
（2）孔雀亭地区具备双源供烃、多类型圈闭、网毯式高效输导体系的有利成藏条件，不同区带油气富集差异明显，控制因素不同。圈闭与有效烃源岩距离、砂体规模、储层物性、断层封堵性等要素的耦合程度控制各带油气富集程度。中低带相对近源，断层未断至浅层，保存条件好，受断坡及挠曲坡折共控，为规模砂体卸载区，物性较好，油气相对最为富集，具有良好的勘探潜力。
（3）根据差异富集控制因素分析认为：高带的勘探应重点关注优势运移通道及保存条件；中带的勘探应重点关注平中上段的断层封堵性落实及北西向挠曲坡折控制下的砂体向西南方向尖灭点的具体刻画；低带的勘探平上段应重点关注规模砂体分布区及断层封堵性，平中下段重点关注甜点发育区。
-
![]()
图 1 全球天然气水合物分布图（据文献[3]修改）
Figure 1. Global gas hydrate distribution (modified from reference [3])
![]()
图 3 GMGS2-05、GMGS2-08和GMGS2-16站位纵波速度和密度测井曲线
天然气水合物区域用蓝色标记。
Figure 3. Logging curves of P-wave velocity and density at sites GMGS2-05, GMGS2-08 and GMGS2-16
The gas hydrate areas are marked in blue.
![]()
图 4 AdaBoost算法对GMGS2-05、GMGS2-08和GMGS2-16纵波速度和密度数据训练识别水合物结果
Figure 4. The hydrate identification results using AdaBoost algorithm based on the P-wave velocity and density data at sites GMGS2-05, GMGS2-08, and GMGS2-16
![]()
图 5 随机森林算法对GMGS2-05、GMGS2-08和GMGS2-16站位纵波速度和密度数据训练识别水合物结果
Figure 5. The hydrate identification results using by random forest algorithm based on the P-wave velocity and density data at sites GMGS2-05, GMGS2-08 and GMGS2-16
![]()
图 6 Bagging算法对GMGS2-05、GMGS2-08和GMGS2-16站位纵波速度和密度数据训练识别水合物结果
Figure 6. The hydrate identification result using Bagging algorithm based on the P-wave velocity and density data at sites GMGS2-05, GMGS2-08 and GMGS2-16
![]()
图 7 KNN算法对GMGS2-05、GMGS2-08和GMGS2-16站位纵波速度和密度数据训练识别水合物结果
Figure 7. The hydrate identification result using KNN algorithm based on the P-wave velocity and density data at sites GMGS2-05, GMGS2-08 and GMGS2-16
表 1 评价结果指标意义
Table 1 Significance of evaluation results indicators
预测为真 预测为负 实际为真 TP FN 实际为负 FP TN 
下载: 导出CSV
表 2 每个模型的超参数调整
Table 2 Hyperparameter tuning for each algorithm
监督模型 超参数 调整范围 最优参数 AdaBoost N estimators 5～25 15 Learning rate 0.1～0.9 0.5 RF max leaf nodes 5～45 10 n estimators 0～150 30 Bagging n estimators 10～500 100 Max samples 50～500 150 KNN N neighbors 5～200 10 weights uniform/distance uniform
下载: 导出CSV
表 3 各算法评价指标计算结果
Table 3 Calculation results of evaluation indicators of each algorithm
Supervision algorithm Accuracy Precision Recall F1 值 AUC AdaBoost 0.9171 0.8625 0.4726 0.6106 0.9146 Random forest 0.9388 0.8857 0.6370 0.7410 0.9278 Bagging 0.9341 0.8725 0.6096 0.7177 0.9449 KNN 0.9379 0.8636 0.6507 0.7422 0.9580
下载: 导出CSV
-
[1] Sloan E D Jr, Koh C A. Clathrate Hydrates of Natural Gases[M]. 3rd ed. Boca Raton: CRC Press, 2007.
[2] Chong Z R, Yang S H B, Babu P, et al. Review of natural gas hydrates as an energy resource: Prospects and challenges[J]. Applied Energy, 2016, 162:1633-1652. doi: 10.1016/j.apenergy.2014.12.061
[3] Collett T S, Johnson A H, Knapp C C, et al. Natural gas hydrates-A review[M]//Collett T, Johnson A, Knapp C, et al. Natural Gas Hydrates—Energy Resource Potential and Associated Geologic Hazards. American Association of Petroleum Geologists, 2009, 89: 146-219.
[4] Boswell R, Hancock S, Yamamoto K, et al. Natural gas hydrates: Status of potential as an energy resource[M]//Letcher T M. Future Energy: Improved, Sustainable and Clean Options for our Planet. 3rd ed. New York: Elsevier, 2020: 111-135.
[5] Yang S X, Liang J Q, Lei Y, et al. GMGS4 gas hydrate drilling expedition in the South China Sea[J]. Fire in the Ice, 2017, 17(1):7-11.
[6] 雷裕红, 宋颖睿, 张立宽, 等. 海洋天然气水合物成藏系统研究进展及发展方向[J]. 石油学报, 2021, 42(6):801-820 LEI Yuhong, SONG Yingrui, ZHANG Likuan, et al. Research progress and development direction of reservoir-forming system of marine gas hydrates[J]. Acta Petrolei Sinica, 2021, 42(6):801-820.]
[7] Zhang G X, Liang J Q, Lu J A, et al. Geological features, controlling factors and potential prospects of the gas hydrate occurrence in the east part of the Pearl River Mouth Basin, South China Sea[J]. Marine and Petroleum Geology, 2015, 67:356-367. doi: 10.1016/j.marpetgeo.2015.05.021
[8] Liang J Q, Zhang W, Lu J A, et al. Geological occurrence and accumulation mechanism of natural gas hydrates in the eastern Qiongdongnan Basin of the South China Sea: Insights from Site GMGS5-W9-2018[J]. Marine Geology, 2019, 418:106042. doi: 10.1016/j.margeo.2019.106042
[9] Sha Z B, Liang J Q, Zhang G X, et al. A seepage gas hydrate system in northern South China Sea: Seismic and well log interpretations[J]. Marine Geology, 2015, 366:69-78. doi: 10.1016/j.margeo.2015.04.006
[10] Milkov A V. Global estimates of hydrate-bound gas in marine sediments: how much is really out there?[J]. Earth-Science Reviews, 2004, 66(3-4):183-197. doi: 10.1016/j.earscirev.2003.11.002
[11] 勾丽敏, 张金华, 王嘉玮. 海洋天然气水合物地震识别方法研究进展[J]. 地球物理学进展, 2017, 32(6):2626-2635 GOU Limin, ZHANG Jinhua, WANG Jiawei. Progress in seismic identification approach of marine gas hydrate[J]. Progress in Geophysics, 2017, 32(6):2626-2635.]
[12] 宋海斌, 张岭, 江为为, 等. 海洋天然气水合物的地球物理研究(Ⅲ): 似海底反射[J]. 地球物理学进展, 2003, 18(2):182-187 SONG Haibin, ZHANG Ling, JIANG Weiwei, et al. Geophysical researches on marine gas hydrates (Ⅲ): bottom simulating reflections[J]. Progress in Geophysics, 2003, 18(2):182-187.]
[13] White R S. Gas hydrate layers trapping free gas in the Gulf of Oman[J]. Earth and Planetary Science Letters, 1979, 42(1):114-120. doi: 10.1016/0012-821X(79)90196-1
[14] Stoll R D, Ewing J, Bryan G M. Anomalous wave velocities in sediments containing gas hydrates[J]. Journal of Geophysical Research, 1971, 76(8):2090-2094. doi: 10.1029/JB076i008p02090
[15] Liu X W, He J, Sun Q L. Gas hydrate identification from △Vp/△Vs[C]//Beijing 2009 International Geophysical Conference & Exposition. Beijing: Society of Exploration Geophysicists, 2009: 150.
[16] Tian D M, Liu X W. Identification of gas hydrate based on velocity cross plot analysis[J]. Marine Geophysical Research, 2021, 42(2):11. doi: 10.1007/s11001-021-09431-3
[17] Chen J Z, You J C, Wei J T, et al. Interpreting XGBoost predictions for shear-wave velocity using SHAP: Insights into gas hydrate morphology and saturation[J]. Fuel, 2024, 364:131145. doi: 10.1016/j.fuel.2024.131145
[18] Luo Y L, Zhang G L, Liang G W, et al. Limited-label multiscale deep-learning multihorizon tracking[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62:5918814.
[19] 王迪, 张益明, 张繁昌, 等. 利用先验信息约束的深度学习方法定量预测致密砂岩“甜点”[J]. 石油地球物理勘探, 2023, 58(1):65-74 WANG Di, ZHANG Yiming, ZHANG Fanchang, et al. Quantitative prediction of tight sandstone sweet spots based on deep learning method with prior information constraints[J]. Oil Geophysical Prospecting, 2023, 58(1):65-74.]
[20] Bai Y, Tan M J. Dynamic committee machine with fuzzy-c-means clustering for total organic carbon content prediction from wireline logs[J]. Computers & Geosciences, 2021, 146:104626.
[21] 陈钢花, 张寓侠, 王军, 等. 双向长短时记忆神经网络在滩坝砂储层岩性识别中的应用[J]. 测井技术, 2023, 47(3):319-325 CHEN Ganghua, ZHANG Yuxia, WANG Jun, et al. Application of BiLSTM in lithology identification of beach-bar sand reservoir[J]. Well Logging Technology, 2023, 47(3):319-325.]
[22] Chen Y J, Dunn K J, Liu X W, et al. New method for estimating gas hydrate saturation in the Shenhu area[J]. Geophysics, 2014, 79(5):IM11-IM22. doi: 10.1190/geo2013-0264.1
[23] Zhu X Y, Liu T, Ma S, et al. Morphology identification of gas hydrate based on a machine learning method and its applications on saturation estimation[J]. Geophysical Journal International, 2023, 234(2):1307-1325. doi: 10.1093/gji/ggad133
[24] 杨笑, 王志章, 周子勇, 等. 基于参数优化AdaBoost算法的酸性火山岩岩性分类[J]. 石油学报, 2019, 40(4):457-467 YANG Xiao, WANG Zhizhang, ZHOU Ziyong, et al. Lithology classification of acidic volcanic rocks based on parameter-optimized AdaBoost algorithm[J]. Acta Petrolei Sinica, 2019, 40(4):457-467.]
[25] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1):5-23. doi: 10.1023/A:1010933404324
[26] 任涛, 林梦楠, 陈宏峰, 等. 基于Bagging集成学习算法的地震事件性质识别分类[J]. 地球物理学报, 2019, 62(1):383-392 REN Tao, LIN Mengnan, CHEN Hongfeng, et al. Seismic event classification based on Bagging ensemble learning algorithm[J]. Chinese Journal of Geophysics, 2019, 62(1):383-392.]
[27] Bayar B, Stamm M C. Constrained convolutional neural networks: a new approach towards general purpose image manipulation detection[J]. IEEE Transactions on Information Forensics and Security, 2018, 13(11):2691-2706. doi: 10.1109/TIFS.2018.2825953
[28] Nguyen B, Morell C, De Baets B. Large-scale distance metric learning for k-nearest neighbors regression[J]. Neurocomputing, 2016, 214:805-814. doi: 10.1016/j.neucom.2016.07.005
-
期刊类型引用(3)
1. 伍亮，李昆，周锋，谢春雨，唐大卿，张勇杰. 西湖凹陷冷泉亭地区断裂构造特征及演化. 海洋地质前沿. 2025(01): 31-43 . 
百度学术
2. 廖响，徐昉昊，徐国盛，刘建斌，黎建，张喜淳，李坤. 西湖凹陷平湖斜坡带K区平湖组—花港组油气成藏主控因素及成藏模式. 矿物岩石. 2024(04): 138-150 . 百度学术
3. 李倩. 孔雀亭地区平湖组油气输导体系定量表征及应用分析. 海洋石油. 2023(02): 1-6 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 33
- HTML全文浏览量: 1
- PDF下载量: 16
- 被引次数: 4
