魚卡地區(qū)侏羅系油頁巖測井評價及目標區(qū)優(yōu)選

范晶晶, 王延斌, 李永紅

(1.中國礦業(yè)大學(北京)地球科學與測繪工程學院, 北京 100083; 2.青海省煤炭地質(zhì)105勘探隊, 青海 西寧 810007)

0 引 言

中國油頁巖資源量約為7.199 4×1011t,折合成頁巖油約4.764 4×1010t[1],被列為緩解常規(guī)能源供需壓力的接替能源之一[2-3]。柴達木盆地北緣(柴北緣)侏羅系發(fā)育多套陸相富有機質(zhì)泥頁巖,被認為是頁巖油氣開發(fā)具有潛力的地區(qū)之一。石門溝組沉積時期,在魚卡、大煤溝等地區(qū)形成了一套有機碳含量高、厚度大、橫向連續(xù)性好的湖泊相泥頁巖地層[4],通過巖層露頭及鉆井巖心樣測試,證實了油頁巖的存在。系統(tǒng)的地球化學分析結(jié)果表明石門溝組上段屬于優(yōu)質(zhì)的油氣源巖[5]。柴北緣油頁巖與圍巖物性有所差異,在測井曲線上反映出不同的形態(tài)特征[6]。以往的石門溝組油頁巖資源量儲量計算是在分析魚卡凹陷構(gòu)造特征及沉積環(huán)境的基礎(chǔ)上通過露頭、鉆井等資料粗略估算[7]。過去缺少油頁巖參數(shù)井,針對柴北緣油頁巖測井響應特征、含油率計算方法、有利區(qū)優(yōu)選標準的研究極少,對油頁巖的測井特征把握不夠準確,對油頁巖資源評價不足、不細。本文以油頁巖參數(shù)井最多的魚卡地區(qū)為研究區(qū),以S1油頁巖參數(shù)井為例,利用測井曲線響應特征區(qū)別巖性,通過對比含油率計算方法選擇預測效果更好、模型更直觀的多元線性回歸方法定量判識油頁巖,進一步優(yōu)選出魚卡地區(qū)油頁巖目標區(qū),計算油頁巖資源量,以期為下一步勘探開發(fā)工作提供依據(jù)。

1 魚卡地區(qū)油頁巖測井響應特征

頁巖油氣可通過油氣的生儲方式、礦物成分及儲層孔隙性、滲透性等與常規(guī)油氣儲層區(qū)分[8];油頁巖可通過有機質(zhì)、灰分和含油率等特征與非烴源巖、煤、碳質(zhì)頁巖區(qū)分[3,9]。物質(zhì)組成、物性參數(shù)等方面存在的差異使不同巖性有不同的測井響應特征,采用測井方法不僅能達到良好的識別效果,還可以解決油頁巖研究過程中取心、測試、成本等方面存在的問題[10-16]。

研究區(qū)油頁巖發(fā)育在中侏羅統(tǒng)石門溝組上段,形成于半深-深湖環(huán)境[14],巖性為棕褐色油頁巖與灰黑色頁巖、泥巖、粉砂巖等細粒沉積混合發(fā)育(見圖1),有機質(zhì)類型以腐泥型及腐殖腐泥型為主,成熟度低,屬于良好的生油巖,大部分頁巖層段含油,部分巖心樣品含油率較高,可直接點燃。

對比油頁巖參數(shù)井的巖心錄井、測井及地化測

試結(jié)果,發(fā)現(xiàn)研究區(qū)油頁巖有獨特的測井響應特征。以S1井油頁巖段為例(見圖1),油頁巖段與泥巖段相比有“兩高兩低”的測井響應特征:高電阻率、高聲波時差、低密度、低自然伽馬。其中,研究區(qū)油頁巖礦層腐泥質(zhì)含量高,吸附放射性元素的能力較弱,相比泥巖自然伽馬曲線相對回落,呈低幅值形態(tài)特征。中子測井對孔隙度敏感,在油頁巖段曲線平緩,而在砂泥巖剖面響應明顯,可用于油頁巖段砂巖夾層識別。利用測井曲線特征可以區(qū)別巖性,但含油率是否達到油頁巖標準難以判斷。利用曲線特征識別潛在油頁巖段,通過含油率計算可提高油頁巖識別準度、精度。

2 魚卡地區(qū)油頁巖含油率計算方法

含油率是界定油頁巖礦產(chǎn)的概念指標,也是評價油頁巖的重要指標[15],將含油率大于3.5%作為油頁巖的判定依據(jù)[16]。研究區(qū)油頁巖屬于成熟度較低的烴源巖,選擇ΔlogR模型、多元線性回歸方法及BP神經(jīng)網(wǎng)絡法對S1井進行油頁巖含油率預測,通過比較3種方法的預測結(jié)果,選擇預測效果最優(yōu)的計算方法。

2.1 Δlog R模型

ΔlogR技術(shù)通常選擇電阻率測井曲線與三孔隙度測井曲線或自然伽馬測井曲線重疊預測有機碳[17],進一步通過有機碳與含油率關(guān)系預測含油率。用電阻率和自然伽馬疊加說明ΔlogR模型建模

圖1 研究區(qū)S1井油頁巖段綜合評價測井圖

過程,ΔlogR計算方程

(1)

式中,ΔlogR為2條測井曲線之間的距離;R為電阻率測井值,Ω·m,R0為基線對應的電阻率值,Ω·m;

GR為自然伽馬值,API;GR0為基線對應的

自然伽馬值,API;K為2條曲線的疊合系數(shù)。

TOC=ΔlogR×10(2.297-0.1688LOM)+ΔTOC

(2)

式中,TOC為計算有機碳含量,%;LOM為熱變指數(shù);ΔTOC為有機碳背景值(需要人為確定),%。計算參數(shù)見表1。

表1 S1井log R模型參數(shù)表

有機碳與含油率關(guān)系式為

Ta=a×TOC+b

(3)

式中,Ta為含油率,%;a、b為擬合公式的系數(shù)。

根據(jù)式(1)、式(2)、式(3)及模型參數(shù)值,結(jié)合S1井測井值及含油率測試結(jié)果,得到油頁巖含油率計算公式

(4)

擬合公式相關(guān)系數(shù)為0.642。ΔlogR模型研究方法成熟,但存在操作過程繁瑣、疊合系數(shù)不準確、有機碳背景值和有機質(zhì)成熟度不確定、泥巖基線易受主觀因素影響等缺點[18],且需要預測含油率的鉆井數(shù)量較大,因此需要尋找應用更簡便、預測效果更好的方法。

圖2 巖心測試含油率與測井參數(shù)關(guān)系圖

2.2 多元線性回歸方法

分析實測含油率數(shù)據(jù)和測井值得到S1井含油率與自然伽馬、密度呈負相關(guān),與對數(shù)電阻率、聲波時差、中子呈正相關(guān),相關(guān)系數(shù)依次為0.713、0.618、0.749、0.607、0.313(見圖2)。用SPSS擬合S1井含油率與測井參數(shù)之間的關(guān)系,盡可能綜合考慮相關(guān)性較大的測井參數(shù)構(gòu)建多元回歸方程(見表2)。對比發(fā)現(xiàn)回歸關(guān)系式中利用的測井參數(shù)越多,模型相關(guān)系數(shù)越高,即預測效果越好。例如在五元線性回歸關(guān)系式中,中子測井系數(shù)僅有0.002,但在含油率預測中仍有一定貢獻,與之前測井響應特征中分析的一致。

研究區(qū)在過去的煤田鉆井基本沒有測中子曲線,部分鉆井缺少聲波測井曲線及密度測井曲線,但用自然伽馬和電阻率建立的二元線性回歸式的相關(guān)系數(shù)達到0.772,多元回歸關(guān)系式在研究區(qū)具有適用性,應用中可以根據(jù)待預測井的參數(shù)類型選擇適合的回歸公式進行含油率預測。

表2 S1井油頁巖段多元回歸模型

注:Ta為油頁巖含油率,%;GR、lgRt、AC、DEN、NNSR分別代表自然伽馬、對數(shù)電阻率、聲波時差、密度和短源距中子

2.3 BP神經(jīng)網(wǎng)絡法

BP神經(jīng)網(wǎng)絡法將輸入信號從輸入層、隱含層、輸出層逐層傳遞處理,若未得到期望輸出,則將誤差信號原路反向傳播,根據(jù)預測誤差調(diào)整網(wǎng)絡的權(quán)值和閾值,使預測值逐步貼近期望值[17],由權(quán)值和閾值組成的矩陣即為預測油頁巖含油率的參數(shù)解釋模型。BP神經(jīng)網(wǎng)絡方法較其他測井解釋方法相比,有抗干擾和非線性映射的優(yōu)勢[20-21],但也容易出現(xiàn)過學習、欠學習、隨機選取的學習樣本缺少代表性等問題。

建立模型前對所選測井參數(shù)和實測含油率數(shù)據(jù)進行正態(tài)分布檢驗以確保學習樣本的特征空間覆蓋性,將檢驗后的測井值作為輸入數(shù)據(jù)、含油率作為輸出數(shù)據(jù)建立學習樣本。隨機選取S1井數(shù)據(jù)的60%、20%和20%分別作為輸入樣本的訓練集、確認集和測試集。對輸入數(shù)據(jù)及輸出數(shù)據(jù)進行歸一化處理避免由數(shù)據(jù)數(shù)量級差別造成的預測誤差。本文BP神經(jīng)網(wǎng)絡設(shè)計為3層,輸入向量維數(shù)是所選測井參數(shù)的個數(shù),輸出向量維數(shù)為1,經(jīng)過實際訓練,設(shè)定隱含層神經(jīng)元數(shù)為10,并設(shè)定最大訓練次數(shù)、訓練精度和學習率避免過度擬合的情況。

為了方便與多元線性回歸模型預測效果進行對比,BP神經(jīng)網(wǎng)絡方法的樣本組合類型見表3。以自然伽馬、對數(shù)電阻率和密度測井值作為輸入數(shù)據(jù)建立的模型預測效果為例(見圖3),黑圈為隨機抽取的20%的測試數(shù)據(jù),黑色對角線為45°檢驗線,紅色直線為預測含油率和實測含油率的擬合線,相關(guān)系數(shù)為0.806。

表3 S1井油頁巖段BP神經(jīng)網(wǎng)絡模型

圖3 BP神經(jīng)網(wǎng)絡預測與實測含油率交會圖

對比表2、表3中相同參數(shù)類型的模型相關(guān)系數(shù)發(fā)現(xiàn),這2種含油率預測方法均有較理想的預測效果,但多元線性回歸分析方法的預測效果整體略優(yōu)于BP神經(jīng)網(wǎng)絡方法?？紤]到多元線性回歸模型更為直觀,研究選擇多元回歸方法進行全區(qū)油頁巖含油率預測。

3 有利區(qū)優(yōu)選及資源量計算

對研究區(qū)已有的煤田鉆井進行篩選,以盡可能覆蓋勘探區(qū)及測井資料較齊全作為篩選原則,并對選擇的鉆井進行測井資料預處理。按照本文建立的油頁巖測井評價方法進行單井油頁巖識別,確定單井油頁巖的埋深、厚度(真厚度)及含油率信息,單井識別評價結(jié)果見表4。綜合考慮研究區(qū)沉積、構(gòu)造等情況,建立以研究區(qū)油頁巖空間分布特征、含油率及構(gòu)造復雜程度的有利區(qū)優(yōu)選標準(見表5),并根據(jù)標準對研究區(qū)進行有利區(qū)劃分。

在魚卡地區(qū)共優(yōu)選出5個目標區(qū),包括3個A類目標區(qū)(見圖4、圖5中粉色區(qū)域),2個B類目標區(qū)(見圖4中藍色區(qū)域)。其中魚卡地區(qū)東部的魚東-東羊水河東部地區(qū)、東南部的尕秀和西部的云霧山地區(qū)油頁巖厚度多大于15 m,埋深在700 m以淺,含油率多在5.0%以上,內(nèi)部無斷裂發(fā)育,評定為A類目標區(qū)。魚卡地區(qū)東南部二井田地區(qū)油頁巖厚度較大,埋深較淺,但是含油率多在4.5%以下,因此評定為B類目標區(qū)。北山地區(qū)油頁巖厚度較小,基本小于15 m,含油率僅有個別大于5.0%,且該地區(qū)構(gòu)造相對復雜,區(qū)內(nèi)存在多條小型斷裂,評定為B類目標區(qū)。魚卡地區(qū)羊水河勘查區(qū)中西部油頁巖厚度大,但埋深大于1 000 m,開采難度較大,研究未列入有利目標區(qū)。B類目標區(qū)受后期構(gòu)造剝蝕,

分

圖4 魚卡地區(qū)東部有利目標區(qū)分布圖

圖5 魚卡地區(qū)西部有利目標區(qū)分布圖

布范圍較小,且研究控制點稀少,含油率和密度數(shù)據(jù)點過少,研究僅對A類目標區(qū)油頁巖資源量進行計算。

根據(jù)研究區(qū)油頁巖勘探程度,采用體積法估算油頁巖資源量,估算公式為

Q=S×H×D

(5)

式中,S為油頁巖有效面積,即圖4、圖5中通過埋深、厚度及含油率等值線圈定出的粉色區(qū)域,采用的面積為斜面積;H為油頁巖可采厚度,參考目前經(jīng)濟技術(shù)條件下煤炭資源的可采厚度取值情況,針對油頁巖地質(zhì)調(diào)查程度低等特點,去除了油頁巖真厚度小于0.7 m的油頁巖層;D為油頁巖密度,選用密度測井值的加權(quán)平均值。

4 結(jié) 論

(1) 柴北緣魚卡地區(qū)侏羅系油頁巖測井響應與圍巖(泥巖)區(qū)別明顯,呈現(xiàn)高電阻率、高聲波時差、低密度、低自然伽馬特征。

(2) 建立3種模型預測研究區(qū)油頁巖含油率,其中多元線性回歸模型預測效果最佳,BP神經(jīng)網(wǎng)絡方法預測效果比多元回歸方法略差,ΔlogR效果一般。綜合考慮模型的預測效果、直觀性及操作難易程度,最終選擇多元線性回歸分析模型作為魚卡地區(qū)含油率預測模型。

(3) 以油頁巖埋深、厚度、含油率及構(gòu)造影響作為評價參數(shù)建立有利區(qū)評價標準。根據(jù)評價標準在研究區(qū)劃分A類目標區(qū)3個,分別是位于魚卡東部的魚東-東羊水河地區(qū),尕秀及魚卡西部的云霧山地區(qū);B類目標區(qū)2個,分別位于魚卡東部的北山和二井田地區(qū)。用體積法計算A類目標區(qū)油頁巖資源量共計3.41×109t。

參考文獻:

[1] 劉招君, 董清水, 葉松青, 等. 中國油頁巖資源現(xiàn)狀 [J]. 吉林大學學報: 地球科學版, 2006, 36(6): 869-876.

[2] 劉招君, 孟慶濤, 柳蓉. 中國陸相油頁巖特征及成因類型 [J]. 古地理學報, 2009, 11(1): 105-114.

[3] 劉招君, 柳蓉. 中國油頁巖特征及開發(fā)利用前景分析 [J]. 地學前緣, 2005, 12(3): 315-323.

[4] 邵龍義, 李猛, 李永紅, 等. 柴達木盆地北緣侏羅系頁巖氣地質(zhì)特征及控制因素 [J]. 地學前緣, 2014, 21(4): 311-322.

[5] 閻存鳳, 袁劍英, 陳啟林, 等. 柴達木盆地北緣東段大煤溝組一段優(yōu)質(zhì)烴源巖 [J]. 石油學報, 2011, 32(1): 49-53.

[6] 趙平. 青海省柴北緣油頁巖物性研究 [J]. 中國煤炭地質(zhì), 2011, 23(12): 39-41.

[7] 馬新民, 郝海燕, 馬峰, 等. 柴北緣魚卡大煤溝組七段油頁巖開發(fā)價值 [J]. 西南石油大學學報: 自然科學版, 2013, 35(3): 52-58.

[8] 李霞, 程相志, 周燦燦, 等. 頁巖油氣儲層測井評價技術(shù)及應用 [J]. 天然氣地球科學, 2015, 26(5): 904-913.

[9] 馬正. 油氣測井地質(zhì)學 [M]. 北京: 中國地質(zhì)大學出版社, 1994: 1-21.

[10] 王新龍, 羅安銀, 袛淑華, 等. 油頁巖地層測井解釋技術(shù)探討 [J]. 測井技術(shù), 2013, 37(3): 274-279.

[11] 陸巧煥, 張晉言, 李紹霞. 測井資料在生油巖評價中的應用 [J]. 測井技術(shù), 2006, 2(1): 80-83.

[12] 張小莉, 沈英. 吐哈盆地侏羅系煤系地層烴源巖的測井研究 [J]. 測井技術(shù), 1998, 22(3): 183-185.

[13] 徐思煌, 朱義清. 烴源巖有機碳含量的測井響應特征與定量預測模型——以珠江口盆地文昌組烴源巖為例 [J]. 石油實驗地質(zhì), 2010, 32(3): 290-300.

[14] 魯靜, 邵龍義, 劉天績, 等. 柴北緣魚卡地區(qū)侏羅系含煤地層層序地層學研究 [J]. 煤田地質(zhì)與勘探, 2007, 35(1): 1-6.

[15] 董清水, 王立賢, 于文斌, 等. 油頁巖資源評價關(guān)鍵參數(shù)及其求取方法 [J]. 吉林大學學報: 地球科學版, 2006, 36(6): 899-903.

[16] 賀君玲, 鄧守偉, 陳文龍, 等. 利用測井技術(shù)評價松遼盆地南部油頁巖 [J]. 吉林大學學報: 地球科學版, 2006, 36(6): 909-914.

[17] Passey Q R, Creaney S, Kulla J B. A Pratical Model for Organic Richeness from Porosity and Resistivity Logs [J]. AAPG Bulletin, 1990, 74(12): 1777-1794.

[18] 胡慧婷, 盧雙舫, 劉超, 等. 測井資料計算源巖有機碳含量模型對比及分析 [J]. 沉積學報, 2011, 29(6): 1199-1204.

[19] Rumelhart D E, Williams R J. Learning Internal Representations by Error-Propagation [M]. Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Cambridge: MIT Press, 1986: 318-362.

[20] 朱振宇, 王貴文, 朱廣宇. 人工神經(jīng)網(wǎng)絡方法在烴源巖測井評價中的應用 [J]. 地球物理學進展, 2002, 17(1): 137-140.

[21] 王貴文, 朱振宇, 朱廣宇. 烴源巖測井識別與評價方法研究 [J]. 石油勘探與開發(fā), 2002, 29(4): 50-52.