機器學(xué)習(xí)方法在淺層灘壩相薄儲層孔隙度預(yù)測中的應(yīng)用

摘 要 準(zhǔn)噶爾盆地車排子地區(qū)白堊系儲層以灘壩相沉積為主，儲層砂體薄，縱向變化快，孔隙度估算難度較大。基于Xgboost機器學(xué)習(xí)算法，根據(jù)取心井的巖心實測數(shù)據(jù)，結(jié)合其對應(yīng)的測井?dāng)?shù)據(jù)，建立了測井孔隙度模型。結(jié)果表明，研究區(qū)對儲層孔隙度影響較大的測井變量為自然伽馬測井、聲波測井、密度測井和沖洗帶電阻率測井，其相關(guān)系數(shù)分別為0.38、0.42、0.28和0.32。基于特征測井?dāng)?shù)據(jù)，利用Xgboost算法預(yù)測的孔隙度與實測孔隙度吻合度較高，相關(guān)系數(shù)為0.92，均方差為0.20。此外，對近期鉆探的新井儲層孔隙度進行預(yù)測，結(jié)果表明孔隙度較高的井段與試油數(shù)據(jù)相吻合，從側(cè)面反映了模型的可靠性。這一結(jié)果為研究區(qū)油氣藏評價和后期油藏模型的建立提供基礎(chǔ)數(shù)據(jù)，有利于提高研究區(qū)勘探的精度。同時，該模型也可用于類似灘壩相、砂體薄的沉積背景下儲層孔隙度估算研究。

關(guān)鍵詞 機器學(xué)習(xí)；孔隙度估算；灘壩相；白堊系；車排子凸起

第一作者簡介 張宇航，男，1983年出生，博士，講師，含油氣盆地分析，E-mail： yhzhang@xsyu.edu.cn

中圖分類號 P613.18 文獻(xiàn)標(biāo)志碼 A

0 引言

巖石孔隙度是指儲集巖中孔隙體積與巖石體積的比值[1]。有效孔隙度是指巖石中互相連通孔隙的體積與巖石體積的比值，是油氣藏評價和開發(fā)階段普遍關(guān)注的物性參數(shù)[2]。常規(guī)儲集巖的孔隙度值一般介于5%～30%，平均為15%[3]。迄今為止，在油氣勘探開發(fā)階段中，確定孔隙度的方法主要有兩種：一種是直接法，即通過鉆井取心在實驗室進行系列實驗所得，包括滲吸、壓汞和氣體膨脹等方法[4?5]；另一種是間接法，即利用地球物理資料來估算孔隙度[6?7]。這兩種方法在實際試油生產(chǎn)和研究中都發(fā)揮著不可替代的作用。直接測定法是目前確定孔隙度最準(zhǔn)確的方法，為儲層研究提供最直接的參考資料。然而，由于鉆井的成本較高，通常可供分析的樣品較少。另外，實驗室分析是相對耗時、昂貴的。間接法主要有常規(guī)測井解釋方法和人工智能方法。常規(guī)的方法主要包括反演法、經(jīng)驗公式法和多元回歸方法，這些方法屬于線性方法，優(yōu)點是原理簡單、操作簡易，但往往誤差較大、預(yù)測效果不理想，所構(gòu)建的經(jīng)驗公式在不同油田中泛化能力也較差。

近年來，隨著人工智能技術(shù)的快速發(fā)展，機器學(xué)習(xí)方法被廣泛應(yīng)用于各個領(lǐng)域[8]。利用機器學(xué)習(xí)方法，通過建立測井?dāng)?shù)據(jù)與實驗室測定數(shù)據(jù)建立關(guān)系，大量學(xué)者對儲集層物性參數(shù)進行預(yù)測。侯賢沐等[9]利用不同的機器學(xué)習(xí)方法對碳酸鹽巖儲集層的孔隙度和滲透率進行預(yù)測，輸入?yún)?shù)對預(yù)測結(jié)果具有明顯影響。Nourani et al.[10]將機器學(xué)習(xí)和X射線熒光元素分析相結(jié)合，建立了一種快速、可靠的儲層孔隙度預(yù)測新技術(shù)并被廣泛應(yīng)用。Ahmadi et al.[11]基于混合機器學(xué)習(xí)模型，通過測井?dāng)?shù)據(jù)估算儲層孔隙度和滲透率，為油藏建模提供了準(zhǔn)確數(shù)據(jù)。單一線性回歸方法預(yù)測孔隙度效果不理想，但是基于線性回歸與神經(jīng)網(wǎng)絡(luò)組合的模型，孔隙度預(yù)測效果遠(yuǎn)遠(yuǎn)高于線性回歸效果[12]。考慮到巖性在一定程度上能夠反映孔隙度，因此前人通過建立不同巖性儲層類型的測井與儲層孔隙度之間的關(guān)系，預(yù)測不同儲層的孔隙度，極大提高了預(yù)測準(zhǔn)確性[13?15]。上述研究實例主要基于單一機器學(xué)習(xí)方法，預(yù)測模型的泛化能力較差[13]。與其他方法相比，Xgboost模型基于梯度提升決策樹算法，在非線性映射問題具有較強處理能力，同時具有更高的預(yù)測精度和更強的泛化性能。目前，Xgboost算法被用于估算致密砂巖孔隙度[16?17]、滲透率[18?19]和預(yù)測巖性剖面[20?21]。上述方法主要被用于常規(guī)大套碎屑巖、碳酸鹽巖和致密砂巖中，針對厚度薄變化快的薄儲層研究相對薄弱。

由于深層鉆井成本的增高和淺層勘探效率較高，淺層圈閉成為油氣勘探和增產(chǎn)增儲的新目標(biāo)[22]。準(zhǔn)噶爾盆地車排子地區(qū)白堊系儲層埋藏較淺，是該地區(qū)重要的勘探層位[23]。白堊系儲層沉積環(huán)境主要為灘壩相，呈現(xiàn)泥包砂、砂體薄、縱向變化快的特征。這給估算儲層孔隙度帶來巨大挑戰(zhàn)[24?27]。本文擬基于機器學(xué)習(xí)方法，建立測井?dāng)?shù)據(jù)與實測數(shù)據(jù)關(guān)系，預(yù)測儲層孔隙度，為后續(xù)儲層參數(shù)建模和開發(fā)方案的設(shè)計提供可靠數(shù)據(jù)支撐。

1 區(qū)域地質(zhì)概況

噶爾盆地位于我國西北部，是富含油氣區(qū)帶之一。車排子凸起位于準(zhǔn)噶爾盆地西北緣的南端，是西部隆起的一個二級構(gòu)造單元，面積約為1.08×104 km2。車排子凸起與四棵樹凹陷、昌吉凹陷、中拐凸起、扎伊爾山相鄰，大致呈倒三角形[28]。研究區(qū)深部斷裂斷距大、淺層斷距小，為車排子凸起區(qū)的主斷裂體系，同時發(fā)育的EW向正斷層[29?31]（圖1a）。

隨著勘探的不斷深入，根據(jù)地震資料分析，凸起主體部位在石炭系基底上（圖1b），自下而上發(fā)育了白堊系下統(tǒng)吐谷魯群、古近系、新近系沙灣組、塔西河組、獨山子組及第四系（圖1c）。但是，由于剝蝕嚴(yán)重，造成二疊系、三疊系、侏羅系缺失[29]（圖1c）。前人研究表明，車排子凸起發(fā)現(xiàn)的原油主要是由昌吉凹陷和四棵樹凹陷兩大生烴中心的烴源巖，具有雙向供源，油源條件比較充足[32?34]。研究區(qū)在石炭系火山巖儲層獲得重大突破[35?36]。淺層主力油層為侏羅系八道灣組、白堊系吐谷魯群和新近系沙灣組，與深部烴源巖形成下生上儲型油氣藏[37]。

通過對研究區(qū)層序地層學(xué)分析，白堊系主要被劃分為4個三級層序。每個層序內(nèi)部巖性主要發(fā)育濱淺湖泥巖和灘壩砂，其中泥巖厚度較大，砂巖厚度較小，為2～10 m，泥地比較高。研究區(qū)僅最底部層序發(fā)育部分扇三角洲沉積，后期湖平面先升高后降低，但總體巖性還是以泥巖為主，僅發(fā)育薄砂體[26?27]。因此，研究對象白堊系主要儲層為灘壩砂體，具有厚度薄、縱向變化快、橫向連續(xù)性非常差的特點。

2 實驗與方法

2.1 數(shù)據(jù)來源

車排子地區(qū)白堊系中廣泛分布的相對薄的灘壩相砂巖是非常重要且有前景的油氣勘探層系[38]。然而，儲層規(guī)模、質(zhì)量和分布特征深入認(rèn)識的缺乏，嚴(yán)重限制了勘探突破。估算儲層孔隙率是提高砂巖儲層有利區(qū)域預(yù)測的基礎(chǔ)。基于此，收集62個白堊系砂巖樣品在實驗室進行孔隙率測定，以及取樣井的生產(chǎn)數(shù)據(jù)，與估計的孔隙率進行比較。此外，車排子地區(qū)7口井（井位如圖1a）的常規(guī)測井被用來估算白堊系砂巖儲層的巖石物理特性（表1）。搜集的測井?dāng)?shù)據(jù)的縱向分辨率為0.125 m左右。通過對比取心巖性和測井特征之間的關(guān)系，將取心井段深度回歸到相應(yīng)測井曲線深度。文中數(shù)據(jù)表所列出的均為回歸后的測井深度數(shù)據(jù)。根據(jù)GB/T 29172—2012 方法[38]，使用QK-98氣相孔隙度測量儀測量巖心的孔隙率。通過清洗巖心樣品并干燥后，使用波義爾定律測量所有巖心樣品的孔隙度。

2.2 Xgboost 算法

集成學(xué)習(xí)算法將多個機器學(xué)習(xí)算法整合起來，提高預(yù)測精度和效果。Xgboost算法就屬于集成學(xué)習(xí)算法的一種。由于其在處理非線性回歸問題的優(yōu)異表現(xiàn)，Xgboost算法被用于各個領(lǐng)域。Chen et al.[39]首次提出Xgboost模型。Xgboost算法的主要思想是將集合多個簡單的樹模型，然后迭代生成一棵新樹，來提高模型的精度。它被看作是泛函的最優(yōu)化，其目標(biāo)函數(shù)為：

L （Φ） = Σi l （y?i，yi ） + Σk Ω （ fk ） （1）

式中：l （y?i，yi ）為誤差函數(shù)（loss函數(shù)），Ω （ fk ）為正則化部分。

誤差函數(shù)中的y?i 為模型的輸出項。正則化部分主要被用來降低模型的復(fù)雜度，防止過擬合，提高模型的泛化能力。其函數(shù)表達(dá)式具體為：

3 結(jié)果與討論

3.1 相關(guān)性分析

利用特征工程，優(yōu)選對孔隙度影響較大的測井變量。從常規(guī)測井參數(shù)與實測孔隙度相關(guān)系數(shù)熱力圖（圖2a）可以看出，巖性測井中，自然伽馬（GR）測井與孔隙度相關(guān)性較好，相關(guān)系數(shù)為0.38，而自然電位（SP）與井徑測井（CAL）對孔隙度影響較小，這兩種測井曲線可以很好地反映巖性，對孔隙度不敏感。常規(guī)孔隙度測井系列主要包括聲波測井（AC）、中子孔隙度測井（AC）和密度測井（DEN）。AC和CNL（補償中子測井）對孔隙度有顯著影響，相關(guān)系數(shù)分別為0.42和0.28（圖2a），而DEN與孔隙度的相關(guān)性較小。電阻率測井系列沖洗帶電阻率（RXO）對孔隙度較敏感（圖2a）。

根據(jù)測井變量與孔隙度之間的相關(guān)關(guān)系，計算測井對孔隙度的貢獻(xiàn)率（圖2b）。從圖中可以看出，GR、AC、CNL和RXO四種測井對孔隙度的貢獻(xiàn)率在0.2 左右，說明四種測井對孔隙度的影響較大。因此，將GR、AC、CNL和RXO四條測井曲線用來預(yù)測孔隙度。

3.2 預(yù)測效果

圖3 顯示了實驗室測定的巖心孔隙度值和Xgboost算法預(yù)測的孔隙度值的交匯圖。為了檢驗所建立的孔隙度模型的應(yīng)用情況，并對其準(zhǔn)確性進行比較，計算了相關(guān)系數(shù)。在交會圖中，越靠近單位斜率線的點，與實際數(shù)據(jù)的偏差越小。從圖3可以看出，無論是訓(xùn)練集還是測試集，機器學(xué)習(xí)預(yù)測的數(shù)據(jù)點大多位于單位斜率線附近，驗證了其預(yù)測孔隙度的準(zhǔn)確性較高。

3.3 單井分析

通過對取心井較多的P609井綜合預(yù)測，結(jié)果表明預(yù)測孔隙度與實測孔隙度基本一致（圖4）。井段孔隙度預(yù)測值與實測值的走勢相同，特別是深度在215～225 m之間，實測孔隙度走勢先上升再下降，模型預(yù)測值反映出這個趨勢。與此同時，也有些誤差較大的點存在，例如在300 m井段左右，可能是由于孔隙度與測井變量之間的相關(guān)性較差，導(dǎo)致該區(qū)間預(yù)測存在誤差值。但是，與常規(guī)方法相比，測井解釋孔隙度曲線只有孔隙度較高時（如230 m、290 m、310 m左右）與實測孔隙度值較吻合，其他井段存在明顯差別，不能反映真實孔隙度；另一方面，測井解釋孔隙度的分辨率相對較低，例如在200～210 m和225～235 m井段，測井解釋只是解釋為一大套儲層。總體而言，模型的準(zhǔn)確度和可靠性較高，能夠提供研究的層位的孔隙度，特別是砂體較薄，縱向變化較快的區(qū)域，同樣具有較好的預(yù)測效果。但模型的精仍有提升空間，可進一步被優(yōu)化。

為進一步驗證模型的準(zhǔn)確性，將油田實際試油生產(chǎn)數(shù)據(jù)作為佐證。2018年，P646井區(qū)新增預(yù)測儲量達(dá)1 236.98萬噸[37]。2019年，新完鉆的PX73井（圖1 a）獲得商業(yè)油流。在PX73井試油井段，1 534.60～1 536.50 m和1 538.50～1 540.00 m兩段日產(chǎn)油高達(dá)9.01 m3，累計產(chǎn)油約為74.24 m3。根據(jù)GR、AC、CNL和RXO測井?dāng)?shù)據(jù)，預(yù)測了PX73井孔隙度剖面（圖5）。由圖可知，在試油成果較高的井段，其對應(yīng)的孔隙度也較高，說明所建立模型的可靠性較強，同時與測井解釋孔隙度曲線進行對比發(fā)現(xiàn)，孔隙度總體變化趨勢較一致。預(yù)測模型能夠為油藏評價和油藏模擬提供可靠的數(shù)據(jù)。

4 結(jié)論

（1） 機器學(xué)習(xí)預(yù)測在厚度薄、縱向變化快的儲層中是可行的。研究表明，以實測孔隙度和測井?dāng)?shù)據(jù)為基礎(chǔ)的機器學(xué)習(xí)方法，在預(yù)測非取心剖面儲層孔隙度方面優(yōu)于常規(guī)測井解釋的方法。

（2） Xgboost算法在處理孔隙度與測井變量之間具有非線性映射關(guān)系，表現(xiàn)出較好的預(yù)測能力和泛化能力。

（3） 本文建立的Xgboost孔隙度預(yù)測模型，在薄砂體儲層中具有良好的應(yīng)用效果，可為研究區(qū)油氣藏評價提供可靠數(shù)據(jù)，同時也為相似沉積背景下儲層孔隙度提供參考依據(jù)。

致謝 審稿專家和編輯的有益意見和建議極大地提高了論文的質(zhì)量，勝利油田勘探開發(fā)研究院提供了基礎(chǔ)數(shù)據(jù)和樣品，在此一并感謝。

參考文獻(xiàn)（References）

［1］ Taud H， Martinez-Angeles R， Parrot J F， et al. Porosity estimation

method by X-ray computed tomography［J］. Journal of Petroleum

Science and Engineering， 2005， 47（3/4）： 209-217.

［2］ Robin V， Sardini P， Mazurier A， et al. Effective porosity measurements

of poorly consolidated materials using non-destructive

methods［J］. Engineering Geology， 2016， 205： 24-29.

［3］ 賈承造，鄒才能，李建忠，等. 中國致密油評價標(biāo)準(zhǔn)、主要類型、

基本特征及資源前景［J］. 石油學(xué)報，2012，33（3）：343-350.［Jia

Chengzao， Zou Caineng， Li Jianzhong， et al. Assessment criteria，

main types， basic features and resource prospects of the tight

oil in China［J］. Acta Petrolei Sinica， 2012， 33（3）： 343-350.］

［4］ Fusi N， Martinez-Martinez J. Mercury porosimetry as a tool for

improving quality of micro-CT images in low porosity carbonate

rocks［J］. Engineering Geology， 2013， 166： 272-282.

［5］ Jian K， Fu X H， Ding Y M， et al. Characteristics of pores and

methane adsorption of low-rank coal in China［J］. Journal of Natural

Gas Science and Engineering， 2015， 27： 207-218.

［6］ Xiao L， Mao Z Q， Li G R， et al. Calculation of porosity from

nuclear magnetic resonance and conventional logs in gas-bearing

reservoirs［J］. Acta Geophysica， 2012， 60（4）： 1030-1042.

［7］ Miah M I. Porosity assessment of gas reservoir using wireline log

data： A case study of Bokabil Formation， Bangladesh［J］. Procedia

Engineering， 2014， 90： 663-668.

［8］ Reichstein M， Camps-Valls G， Stevens B， et al. Deep learning

and process understanding for data-driven Earth system science

［J］. Nature， 2019， 566（7743）： 195-204.

［9］ 侯賢沐，王付勇，宰蕓，等. 基于機器學(xué)習(xí)和測井?dāng)?shù)據(jù)的碳酸鹽

巖孔隙度與滲透率預(yù)測［J］. 吉林大學(xué)學(xué)報（地球科學(xué)版），

2022，52（2）：644-653.［Hou Xianmu， Wang Fuyong， Zai Yun，

et al. Prediction of carbonate porosity and permeability based on

machine learning and logging data［J］. Journal of Jilin University

（Earth Science Edition）， 2022， 52（2）： 644-653.］

［10］ Nourani M， Alali N， Samadianfard S， et al. Comparison of machine

learning techniques for predicting porosity of chalk［J］.

Journal of Petroleum Science and Engineering， 2022， 209：

109853.

［11］ Ahmadi M A， Chen Z X. Comparison of machine learning

methods for estimating permeability and porosity of oil reservoirs

via petro-physical logs［J］. Petroleum， 2019， 5（3）：

271-284.

［12］ 項云飛，康志宏，郝偉俊，等. 基于線性回歸與神經(jīng)網(wǎng)絡(luò)的儲

層參數(shù)預(yù)測復(fù)合方法［J］. 科學(xué)技術(shù)與工程，2017，17（31）：46-

52.［Xiang Yunfei， Kang Zhihong， Hao Weijun， et al. A composite

method of reservoir parameter prediction based on linear

regression and neural network［J］. Science Technology and Engineering，

2017， 17（31）： 46-52.］

［13］ 段友祥，王言飛，孫歧峰. 選擇性集成學(xué)習(xí)模型在巖性—孔隙

度預(yù)測中的應(yīng)用［J］. 科學(xué)技術(shù)與工程，2020，20（3）：1001-

1008.［Duan Youxiang， Wang Yanfei， Sun Qifeng. Application

of selective ensemble learning model in lithology-porosity prediction

［J］. Science Technology and Engineering， 2020， 20

（3）： 1001-1008.］

［14］ 鄧社根，滕新保，華桂錢，等. 砂泥巖儲層孔隙度預(yù)測的改進

模型［J］. 黑龍江科技大學(xué)學(xué)報，2017，27（6）：621-625.［Deng

Shegen， Teng Xinbao， Hua Guiqian， et al. A novel prediction

model for porosity in sand shale reservoir［J］. Journal of Heilongjiang

University of Science amp; Technology， 2017， 27（6）：

621-625.］

［15］ 袁偉，張占松，張澤宇，等. 基于儲層分類的支持向量機滲透

率預(yù)測［J］. 測井技術(shù)，2015，39（4）：450-454.［Yuan Wei，

Zhang Zhansong， Zhang Zeyu， et al. Permeability prediction

using support vector machine based on reservoir classification

［J］. Well Logging Technology， 2015， 39（4）： 450-454.］

［16］ 閆星宇，顧漢明，肖逸飛，等. XGBoost算法在致密砂巖氣儲層

測井解釋中的應(yīng)用［J］. 石油地球物理勘探，2019，54（2）：447-

455.［Yan Xingyu， Gu Hanming， Xiao Yifei， et al. XGBoost

algorithm applied in the interpretation of tight-sand gas reservoir

on well logging data［J］. Oil Geophysical Prospecting， 2019， 54

（2）： 447-455.］

［17］ Pan S W， Zheng Z C， Guo Z， et al. An optimized XGBoost

method for predicting reservoir porosity using petrophysical logs

［J］. Journal of Petroleum Science and Engineering， 2022，

208： 109520.

［18］ Gu Y F， Zhang D Y， Bao Z D. A new data-driven predictor，

PSO-XGBoost， used for permeability of tight sandstone reservoirs：

A case study of member of chang 4+5， western Jiyuan oilfield，

Ordos Basin［J］. Journal of Petroleum Science and Engineering，

2021， 199： 108350.

［19］ Zhao X B， Chen X J， Huang Q， et al. Logging-data-driven permeability

prediction in low-permeable sandstones based on machine

learning with pattern visualization： A case study in Wenchang

A Sag， Pearl River Mouth Basin［J］. Journal of Petroleum

Science and Engineering， 2022， 214： 110517.

［20］ Gu Y F， Zhang D Y， Bao Z D. Lithological classification via

an improved extreme gradient boosting： A demonstration of the

Chang 4+5 member， Ordos Basin， northern China［J］. Journal

of Asian Earth Sciences， 2021， 215： 104798.

［21］ Han R Y， Wang Z W， Wang W H， et al. Lithology identification

of igneous rocks based on XGboost and conventional

logging curves， a case study of the eastern depression of Liaohe

Basin［J］. Journal of Applied Geophysics， 2021， 195： 104480.

［22］ 謝玉洪. 低油價背景下中國海油油氣勘探進展與發(fā)展思考

［J］. 中國海上油氣，2021，33（1）：1-12.［Xie Yuhong. Progress

and thinking of CNOOC oil and gas exploration under the background

of low oil prices［J］. China Offshore Oil and Gas，

2021， 33（1）： 1-12.］

［23］ 王金鑄，王學(xué)忠. 車排子斜坡帶巖性油藏的高效勘探［J］. 特

種油氣藏，2013，20（2）：20-24.［Wang Jinzhu， Wang Xuezhong.

Efficient exploration of lithologic reservoirs in the Chepaizi

slope zone of western Junggar Basin［J］. Special Oil amp;

Gas Reservoirs， 2013， 20（2）： 20-24.］

［24］ 呂世超. 車排子?xùn)|緣沙灣組薄互層油藏分布特征［J］. 科學(xué)技

術(shù)與工程，2020，20（5）：1734-1739.［Lü Shichao. Thin interlayer

reservoir distribute character of Shawan Formation in eastern

Chepaizi area［J］. Science Technology and Engineering， 2020，

20（5）： 1734-1739.］

［25］ 張曰靜，張奎華，隋風(fēng)貴，等. 準(zhǔn)噶爾盆地車排子凸起白堊系

層序—古地貌耦合控砂機制與砂體預(yù)測［J］. 東北石油大學(xué)學(xué)

報，2020，44（6）：1-11.［Zhang Yuejing， Zhang Kuihua， Sui

Fenggui， et al. Coupling mechanism for sand control and sand

body prediction of Cretaceous sequence and paleogeomorphology

in the Chepaizi uplift， Junggar Basin［J］. Journal of Northeast

Petroleum University， 2020， 44（6）： 1-11.］

［26］ 趙東娜，朱筱敏，董艷蕾，等. 地震沉積學(xué)在湖盆緩坡灘壩砂

體預(yù)測中的應(yīng)用：以準(zhǔn)噶爾盆地車排子地區(qū)下白堊統(tǒng)為例

［J］. 石油勘探與開發(fā)，2014，41（1）：55-61.［Zhao Dongna，

Zhu Xiaomin， Dong Yanlei， et al. Application of seismic sedimentology

to prediction of beach and bar sandbodies in gentle

slope of lacustrine basin： A case study of the Lower Cretaceous

in Chepaizi area， Junggar Basin， NW China［J］. Petroleum Exploration

and Development， 2014， 41（1）： 55-61.］

［27］ 趙東娜，朱筱敏，董艷蕾，等. 準(zhǔn)噶爾盆地車排子地區(qū)下白堊

統(tǒng)層序地層格架及主控因素分析［J］. 沉積學(xué)報，2013，31（6）：

1070-1080.［Zhao Dongna， Zhu Xiaomin， Dong Yanlei， et al.

Sequence stratigraphic framework of Lower Cretaceous and its

main controlling factors in Chepaizi area， Junggar Basin［J］.

Acta Sedimentologica Sinica， 2013， 31（6）： 1070-1080.］

［28］ 楊勇，陳世悅，向奎，等. 準(zhǔn)噶爾盆地西北緣車排子地區(qū)下白

堊統(tǒng)層序地層與沉積演化［J］. 中國石油大學(xué)學(xué)報（自然科學(xué)

版），2011，35（5）：20-26.［Yang Yong， Chen Shiyue， Xiang

Kui， et al. Sequence stratigraphy and sedimentary evolution of

Lower Cretaceous series in Chepaizi area， northweastern margin

of Junggar Basin［J］. Journal of China University of Petroleum，

2011， 35（5）： 20-26.］

［29］ 董大偉，李理，王曉蕾，等. 準(zhǔn)噶爾盆地西緣車排子凸起構(gòu)造

演化及斷層形成機制［J］. 吉林大學(xué)學(xué)報（地球科學(xué)版），2015，

45（4）：1132-1141.［Dong Dawei， Li Li， Wang Xiaolei， et al.

Structural evolution and dislocation mechanism of western margin

Chepaizi uplift of Junggar Basin［J］. Journal of Jilin University

（Earth Science Edition）， 2015， 45（4）： 1132-1141.］

［30］ 胡秋媛，董大偉，趙利，等. 準(zhǔn)噶爾盆地車排子凸起構(gòu)造演化

特征及其成因［J］. 石油與天然氣地質(zhì)，2016，37（4）：556-564.

［Hu Qiuyuan， Dong Dawei， Zhao Li， et al. Tectonic evolutionary

characteristics and their causes of Chepaizi uplift in Junggar

Basin［J］. Oil amp; Gas Geology， 2016， 37（4）： 556-564.］

［31］ 陳石，郭召杰，漆家福，等. 準(zhǔn)噶爾盆地西北緣三期走滑構(gòu)造

及其油氣意義［J］. 石油與天然氣地質(zhì)，2016，37（3）：322-331.

［Chen Shi， Guo Zhaojie， Qi Jiafu， et al. Three-stage strike-slip

fault systems at northwestern margin of Junggar Basin and their

implications for hydrocarbon exploration［J］. Oil amp; Gas Geology，

2016， 37（3）： 322-331.］

［32］ 張枝煥，向奎，秦黎明，等. 準(zhǔn)噶爾盆地四棵樹凹陷烴源巖地

球化學(xué)特征及其對車排子凸起油氣聚集的貢獻(xiàn)［J］. 中國地

質(zhì)，2012，39（2）：326-337.［Zhang Zhihuan， Xiang Kui， Qin

Liming， et al. Geochemical characteristics of source rocks and

their contribution to petroleum accumulation of Chepaizi area in

Sikeshu Depression， Junggar Basin［J］. Geology in China，

2012， 39（2）： 326-337.］

［33］ 李二庭，靳軍，米巨磊，等. 準(zhǔn)噶爾盆地車排子地區(qū)原油油源

分析［J］. 地球化學(xué)，2021，50（5）：492-502.［Li Erting， Jin

Jun， Mi Julei， et al. Analysis of crude oil sources in the Chepaizi

area， Junggar Basin［J］. Geochimica， 2021， 50（5）：

492-502.］

［34］ 曹劍，胡文瑄，張義杰，等. 準(zhǔn)噶爾盆地紅山嘴—車排子斷裂

帶含油氣流體活動特點地球化學(xué)研究［J］. 地質(zhì)論評，2005，51

（5）：591-599.［Cao Jian， Hu Wenxuan， Zhang Yijie， et al.

Geochemical analysis on petroleum fluid activity in the

Hongshanzui-Chepaizi fault zone， the Junggar Basin［J］. Geological

Review， 2005， 51（5）： 591-599.］

［35］ 孟凡超，操應(yīng)長，崔巖，等. 準(zhǔn)噶爾盆地西緣車排子凸起石炭

系火山巖儲層成因［J］. 中國石油大學(xué)學(xué)報（自然科學(xué)版），

2016，40（5）：22-31. ［Meng Fanchao， Cao Yingchang， Cui

Yan， et al. Genesis of Carboniferous volcanic reservoirs in Chepaizi

salient in western margin of Junggar Basin［J］. Journal of

China University of Petroleum， 2016， 40（5）： 22-31.］

［36］ 何登發(fā)，陳新發(fā)，況軍，等. 準(zhǔn)噶爾盆地石炭系烴源巖分布與

含油氣系統(tǒng)［J］. 石油勘探與開發(fā)，2010，37（4）：397-408.［He

Dengfa， Chen Xinfa， Kuang Jun， et al. Distribution of Carboniferous

source rocks and petroleum systems in the Junggar Basin

［J］. Petroleum Exploration and Development， 2010， 37（4）：

397-408.］

［37］ 宋明水，呂明久，趙樂強，等. 準(zhǔn)噶爾盆地車排子凸起油氣資

源潛力與成藏模式［J］. 中國石油勘探，2016，21（3）：83-91.

［Song Mingshui， Lü Mingjiu， Zhao Leqiang， et al. Hydrocarbon

potential and accumulation model in Chepaizi uplift， Junggar

Basin［J］. China Petroleum Exploration， 2016， 21（3）：

83-91.］

［38］ 中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局，中國國家標(biāo)準(zhǔn)

化管理委員會. GB/T 29172—2012 巖心分析方法［S］. 北京：

中國標(biāo)準(zhǔn)出版社，2013：32-34.［General Administration of

Quality Supervision， Inspection and Quarantine of the People's

Republic of China， Standardization Administration of the People's

Republic of China. GB/T 29172-2012 practices for core

analysis［S］. Beijing： Standards Press of China， 2013： 32-34.］

［39］ Chen T Q， Guestrin C. XGBoost： A scalable tree boosting system

［C］//Proceedings of the 22nd ACM SIGKDD international

conference on knowledge discovery and data mining. San Francisco：

ACM， 2016： 785-794.