页岩油气等非常规资源目前被视为常规油气资源不断枯竭情况下必不可少的资源。要准确确定非常规页岩油气资源潜力,需要深入了解页岩的有机地球化学性质及其分布。而页岩（烃源岩）的油气资源潜力很大部分取决于总有机碳TOC含量。对有机质最常用的有机地球化学检测方法是岩石热解技术（Rock-Eval）。在本项研究中,利用这项技术对坦桑尼亚东南部曼达瓦盆地的三叠纪-侏罗纪Mihambia,Nondwa和Mbuo三套地层烃源岩有机质进行了实验,获得了一些测试结果。虽然直接测量是获得TOC值代表性值的最准确方法,但同时,如果对所有钻井所有烃源岩层段都进行测试,则有点困难,也需要花费较多的经费。在缺乏此类测试的情况下,可以使用其他方法,如分析测井响应与TOC值之间的关系,根据经验相关性来分析等。但是,这些经验关系分析技术在确定一些参数时会存在挑战,例如进行TOC预测,经验相关性分析技术假设电阻率和孔隙度测井等线性相关,而最终总是相关性较差。人工智能（AI）在石油地质学中的应用一直保持着快速的发展,其前景是对数据的复杂性和广度可以很好地处理并进行开发。随着越来越多的专家采用人工智能技术来进行有机质页岩地球化学性质的分析,人工智能在有机质页岩地球化学特征分析中的应用正成为一个研究的热点。典型的人工智能方法包括人工神经网络（ANN）和机器学习模型,以及在有监督和无监督模式下运行的其他方法。GMDH数据分组处理方法（group method of data handling）,是一种人工智能神经网络,也称感应学习算法,或自组织算法,一种模拟大脑进行过程的算法,常用于复杂系统分析,在人工智能算法中可以解决某些实际限制。因此,本文将该新方法应用于了烃源岩评价和总有机碳（TOC）预测的研究,主要开展了以下工作:1.第一项研究是对坦桑尼亚东南部曼达瓦盆地的三叠纪-侏罗纪烃源岩进行了详细的地球化学分析,并基于数据分组处理方法（GMDH）神经网络、机器学习和地球化学的方法,利用测井数据对烃源岩潜力进行了分析。综合分析结果表明,烃源岩的有机质含量（TOC）主要在0.5-8.7 wt%之间,介于一般和非常好的潜在烃源岩之间。烃源岩主要为I、II、III型干酪根和、II/III型混合干酪根型混合干酪根,以II、III型和II/III型混合干酪根为主。基于热解数据（HI=13至1000 mg/g TOC,Tmax为417至473℃,OI=16至225 mg/g,PI=0.02至0.47）,对TOC人工智能预测模型,GMDH神经网络在计算预测方面表现出色,MSE和MAE的最小误差分别为0.0381和0.1627。这表明在烃源岩有机质含量评价和预测中采用GMDH神经网络和机器学习具有重要应用价值,有助于经济地进行烃源岩生烃潜力和资源量的评价。2.第二项研究是首次应用并评估了将数据分组处理方法（g-GMDH）广义结构作为一种新的神经网络模型基于测井资料在预测烃源岩总有机碳（TOC）方面的适用性。该研究使用密度测井、声波时差测井、电阻率测井、伽马测井、中子孔隙度测井等数据作为输入变量,对坦桑尼亚东南部曼达瓦盆地三叠纪至中侏罗世的Nondwa、Mboo和Mihambia烃源岩的TOC进行了预测,并与实测数据进行了对比分析。TOC预测结果表明,g-GMDH TOC预测模型效果良好,比普通人工神经网络和利用Δlog R进行预测的效果要好。具体而言,g-GMDH模型预测的TOC数据,MSE和MAE的最小误差值分别为0.40和0.45,而反向传播神经网络（BPNN）、径向基函数神经网络（RBFNN）和Δlog R分别为1.27和0.81、0.68和0.7、1.4和0.89。因此,g-GMDH改进的泛化性能使其成为TOC预测神经网络技术的一种新方法。进一步采用该模型对没有岩心数据的East Lika井进行了TOC预测,确定了烃源岩品质。本项研究成果发表在SCI期刊《Natural Resource Research》上。3.在第三项研究中,使用基于改进的Levenberg-Marquardt（LM）技术的增强分组数据处理方法（GMDH）预测了总有机碳（TOC）。该研究使用自然伽马测井、密度测井、有限有效孔隙度、中子孔隙度、声波时差和深层横向电阻率测井作为输入变量。GMDH-LM TOC预测模型在每个节点和连接配置上都具有高度的灵活性。改进后的GMDH-LM网络不仅限于相邻层,而且在结构和参数上都得到了充分优化。结果表明,改进后的增强型方法可以合理地缩短处理时间,并提高预测的精度。与传统的GMDH、随机森林（RF）和反向传播神经网络（BPNN）方法相比,GMDH-LM预测使用的计算时间减少了30%,并且在预测结果方面表现出色,RMSE和MAE的最小误差值分别为0.019和0.0105。同样,在预测过程中可观察到良好的结果,RMSE和MAE的最小误差值分别为0.0279和0.0198。GMDH-LM的改进泛化性能使其成为GMDH的一种改进形式,可作为预测烃源岩总有机碳（TOC）的一种改进替代方案。本项研究的成果发表在SCI期刊《Energy》上。基于上述的工作,本研究认为:基于地球化学和测井数据的不同处理方法,利用数据分组处理方法（GMDH）的神经网络技术建立TOC预测模型,可以实时定量对烃源岩TOC进行预测,并有助于节省时间,获得很好的预测结果。研究的主要创新体现在两个方面:（1）证实了基于测井资料,将数据分组处理方法（gGMDH）广义结构作为一种新的神经网络模型对预测烃源岩总有机碳（TOC）具有很好的适用性,比普通人工神经网络和利用Δlog R进行预测的效果要好,可以成为烃源岩TOC预测神经网络技术的一种新方法;（2）建立了预测总有机碳（TOC）基于改进的Levenberg-Marquardt技术的增强分组数据处理方法（GMDH）,不仅节省了计算时间,而且提供了良好的预测性能,误差更小,可作为预测烃源岩总有机碳（TOC）的一种改进替代方案。这些技术对于其它地区没有岩心资料的钻井地层烃源岩品质的评价将具有重要的帮助,对有机质页岩总有机碳（TOC）的预测将具有很大的应用价值。烃源岩总有机碳（TOC）预测模型的g-GMDH和GMDH-LM技术克服了标准ANN和ML（如BPNN、RF和RBNN）面临的挑战,也可用于预测其他盆地烃源岩的总有机碳（TOC）,也是人工智能技术在石油工业中应用的一个重要进展。