页岩是一种常见的沉积岩,不同于碎屑岩与碳酸盐岩,页岩孔隙度和渗透率都很小,早期的石油地质研究将页岩作为油气储集层的良好盖层,但是随着页岩油气、非常规油气勘探的兴起,页岩被视为非常重要的非常规油气储层,具有极大的开发潜力。页岩多是由各种矿物,粘土,有机物质等组成的非均质混合物,现如今研究中页岩通常被当作非常重要的非常规油气储层,与常规油气藏相比,页岩中油气赋存方式复杂,有机质类型丰度大,这些特点决定了页岩油气的解释与评价必然与常规油气藏有很大不同,所以对其评价思路和研究方法要更适应于页岩自身情况。因此,需要更进一步的了解页岩储层的矿物组分、含量以及精细结构,并获取准确、有价值的储层评价参数。本文主要是对富含有机质的页岩储层进行分析,了解页岩储层的结构特征和获取页岩储层参数,所采用的方法包括岩石物理方法和应用神经网络分析。岩石物理的方法是在页岩储层建立岩石物理模型,并基于模型对储层结构进行分析,反演储层物性参数,岩石物理建模是储层描述与分析中最关键的一步。在富含有机质的页岩储层中建立岩石物理模型首先要考虑有机质(主要成分是干酪根)的结构和性质对页岩的影响,因此,在建立页岩储层岩石物理模型时要综合考虑有机质混合物的形态、大小和所占据的空间,在建模过程中基于Voigt-Reuss-Hill模型将有机质混合物添加到岩石中,根据介质自相容SCA(Selfconsistent approximations)近似等效理论定量分析有机质混合物占据孔隙空间以及纵横比对页岩地层性质的影响。由岩石物理模型计算得到的横波速度结果验证此模型在研究工区页岩储层中的正确性。再基于模型岩石物理反演,获取页岩储层评价参数。由于最近几年大数据、人工智能、深度学习的研究迅速兴起,许多研究人员纷纷将神经网络算法等智能算法运用到地球物理问题研究之中,地震属性的提取、地层参数的计算都涉及大量的数据计算,运用神经网络等智能算法能够有效解决这些大量数据交换问题。例如常见的BP神经网络,采用的是反向传播误差的算法,该算法被广泛应用于非线性函数的仿真模拟中,但是BP神经网络计算时容易收敛到局部极小值跳出网络,因此本文引入遗传算法来改进BP神经网络,用算法来削弱BP网络自身缺陷的影响,使新的神经网络能够更好的用于计算,进行富有机质页岩储层储层参数预测以及地震解释。