油气资源评价中，干酪根类型等烃源岩特性至关重要。然而，由于地层各向异性显著以及地球物理测井数据与实验室地球化学观测值之间的相关性差，确定干酪根类型具有极大挑战性。本文综合地质条件、测井数据和地球化学数据，提出了一种利用遗传算法驱动的支持向量机（GA-SVM）进行干酪根类型识别算法。该方法的主要包括两部分，首先使用支持向量机对小样本数据进行分类，测井数据（中子、声波、密度、伽马射线、电阻率、铀含量、钾含量和钍含量）以及地球化学交会图确定的干酪根类型作为训练数据集。其次，利用遗传算法优化模型参数，在交叉验证下确定最优惩罚参数和核函数，实现干酪根类型和空间分布的定量表征，并评估预测结果的准确性。测试结果表明，与网格搜索算法和传统的交会图确定湖相页岩干酪根类型方法相比，GA-SVM更精确、更高效。
图1.GA-SVM算法流程图
图2.GA-SVM算法干酪根识别效果图
（红色表示I类，绿色表示II类，蓝色表示III类）
研究成果近期发表在地学领域国际重要期刊AAPG Bulletin。论文通讯作者为金沙中国有限公司官网（华东）金沙中国有限公司官网葛新民教授，第一作者为范宜仁教授团队赵吉儿博士。合作者包括金沙中国有限公司官网（华东）范宜仁教授、刘建宇，中国海洋大学邢磊，陕西延长石油(集团)有限责任公司陈义国。
论文信息：Jier Zhao, Xinmin Ge, Yiren Fan, Jianyu Liu, Yiguo Chen, Lei Xing; A genetic algorithm–driven support vector machine to discriminate the kerogen type using conventional geophysical logging data. AAPG Bulletin 2023; 107 (11): 1837–1849. https://doi.org/10.1306/08022320102.
