拉曼光谱与人工智能：地质学家解锁地球奥秘

来自 实验室仪器网

科学家们开发了一种使用拉曼光谱和机器学习来估计岩石有机成熟度的新方法，这对于传统测试失败的石油勘探至关重要。

了解沉积岩中有机物的成熟程度有助于地球科学家评估地层是否产生了碳氢化合物。传统上，这是通过测量镜质体反射率（%Ro）来完成的，镜质体反射率是一种测量有机材料热历史的光学技术。

但这种方法并非在所有地方都有效。在富含碳酸盐的地层中，例如巴西的盐前桑托斯盆地，镜质体通常不存在或保存不良，使得%Ro测量不可靠或不可能。在这些情况下，迫切需要替代方法来推断热成熟度。

拉曼光谱提供清晰度
拉曼光谱是一种使用激光测量分子振动的技术，在研究富碳材料方面越来越有帮助。它可以检测有机物的细微结构变化，例如芳香度和有序性的增加，这与热演化相关。

这项新研究发表在《ACS地球与空间化学》上，将拉曼光谱数据与机器学习相结合，估计了镜质体等效成熟度值，称为%R拉曼，即使镜质体本身不可用。

研究人员首先使用两种不同波长（532nm和632.8nm）的激光器分析具有已知%Ro值的标准镜质体样品来收集拉曼光谱。然后使用一致的工作流程处理这些光谱：通过Savitzky-Golay方法进行平滑、基线校正、归一化和关键峰的反卷积，特别是与碳结构相关的D和G波段。

然后，他们训练了最小绝对收缩和选择算子（LASSO）回归模型，这是一种机器学习算法，可自动识别最相关的变量，以将光谱特征与%Ro相关联。

校准后，该模型被应用于桑托斯盆地富含有机物的碳酸盐岩。这些岩石缺乏合适的镜质石，作为基于拉曼百分比预测热成熟度的测试案例。

结果与岩石评估热指标相匹配

光谱分析显示出明显的趋势：随着成熟度的提高，D和G波段之间的面积比降低，表明碳材料的芳香性和结构有序性更高。这些变化与其他热演化碳系统中观察到的变化一致，例如无序纳米结构和石墨化碳。

机器学习模型准确预测了%R拉曼值，与独立的热成熟度指标（包括T麦克斯以及来自Rock-Eval热解的氢指数（HI）。这种相关性证实了该方法可以可靠地估计成熟度，即使在传统光学方法失败的样品中也是如此。

这种方法的成功在于它能够从复杂的拉曼光谱中提取有意义的成熟度指标，如果没有先进的数据分析，这是不容易实现的。通过自动选择特征，LASSO算法提供了一种可重复且客观的方法，避免了用户偏见。

研究人员发现，模型识别的光谱参数捕捉到了有机物的基本结构特征。这使得该系统非常适合高通量应用和勘探活动中的潜在现场部署。

研究还指出，分析的碳酸盐岩中的有机质处于早中期成熟阶段，与早期石油生成一致。这种洞察力是评估盐前地层碳氢化合物潜力的关键。

新的基于拉曼的方法为评估热成熟度提供了一种可靠、无损的替代方案，特别是在地质复杂的环境中。它为评估传统技术无效的岩石中的有机物开辟了新的可能性。

通过桥接光谱学和机器学习，这项研究反映了材料科学的更广泛趋势，其中数据驱动的工具越来越多地用于预测结构演化、相行为和热历史。

» 仪器设备 购买 咨询