頁巖儲層有機(jī)碳含量測井定量評價(jià)方法對比研究
——以X地區(qū)研究為例

樊曉伊，姚光慶，趙乾辰，程 巍，李平和

(1.中國地質(zhì)大學(xué)構(gòu)造與油氣資源教育部重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430074；2.中國地質(zhì)大學(xué)資源學(xué)院；3.中國石化河南油田物探技術(shù)研究院；4.中國石油遼河油田勘探開發(fā)研究院)

頁巖儲層有機(jī)碳含量測井定量評價(jià)方法對比研究
——以X地區(qū)研究為例

樊曉伊1,2，姚光慶1,2，趙乾辰3，程 巍4，李平和3

(1.中國地質(zhì)大學(xué)構(gòu)造與油氣資源教育部重點(diǎn)實(shí)驗(yàn)室，湖北武漢 430074；2.中國地質(zhì)大學(xué)資源學(xué)院；3.中國石化河南油田物探技術(shù)研究院；4.中國石油遼河油田勘探開發(fā)研究院)

有機(jī)碳含量是評價(jià)頁巖氣儲層資源量的重要參數(shù)之一，利用測井資料計(jì)算有機(jī)碳含量，克服了樣本分析測試的離散性和有限性等。通過對測井資料篩選校正，優(yōu)選出響應(yīng)特征明顯的測井曲線；綜合巖心測試分析數(shù)據(jù)，建立了改進(jìn)△lgR法、多元回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法三種定量計(jì)算有機(jī)碳含量的模型，分析了模型的優(yōu)缺點(diǎn)與適用性。X地區(qū)研究表明，三種有機(jī)碳含量評價(jià)模型均能在一定程度上滿足該地區(qū)有機(jī)碳含量評價(jià)的需要，其中，BP神經(jīng)網(wǎng)絡(luò)法計(jì)算精度最高，適用性較強(qiáng)；在缺乏分析測試數(shù)據(jù)條件下，則應(yīng)選用改進(jìn)△lgR法。

頁巖氣儲層；有機(jī)碳含量；測井模型；改進(jìn)△lgR法；回歸分析法；BP神經(jīng)網(wǎng)絡(luò)法

有機(jī)碳含量(TOC)是評價(jià)頁巖儲層生烴能力和資源量的重要參數(shù)之一。確定有機(jī)碳含量最常用的方法是地球化學(xué)測試分析方法[1-2]，受取心樣品數(shù)量、分布和測試成本的限制，該方法僅能獲得離散且有限的有機(jī)碳含量值，難以滿足區(qū)域評價(jià)的需求[1-3]。測井資料具有縱向連續(xù)分辨率高、分布廣泛的特點(diǎn)，受到國內(nèi)外學(xué)者的關(guān)注和大量研究[1-10]。Passey等[11]提出用電阻率-孔隙度曲線疊合圖法(即△lgR法)確定有機(jī)碳含量，該方法簡單便捷，是應(yīng)用較廣的一種方法；國內(nèi)學(xué)者朱光有等[12]、胡慧婷等[3]、李延鈞[13]等對△lgR法進(jìn)行了改進(jìn)，提高了模型的適用性；為了解決輸入與輸出參數(shù)之間復(fù)雜的非線性問題，Huang等[14]、Mohammad等[15]、郭龍等[16]、熊鐳等[2]將人工神經(jīng)網(wǎng)絡(luò)方法引入到有機(jī)碳含量預(yù)測中，該方法是目前精度較高的預(yù)測模型。本文通過改進(jìn)△lgR法、回歸分析法及BP神經(jīng)網(wǎng)絡(luò)法對該地區(qū)有機(jī)碳含量進(jìn)行預(yù)測，建立定量解釋模型，為X地區(qū)頁巖油氣資源評價(jià)及甜點(diǎn)區(qū)分布提供依據(jù)。

1 X地區(qū)有機(jī)碳含量評價(jià)模型

X地區(qū)頁巖氣儲層處于深湖-半深湖-鹽湖沉積環(huán)境，巖性以灰黑色-深灰色頁巖為主，夾灰質(zhì)頁巖、白云質(zhì)頁巖、泥質(zhì)粉砂巖、泥質(zhì)白云巖，有機(jī)碳含量較高，頁巖油氣資源豐富，但有機(jī)碳含量評價(jià)缺乏有效的理論指導(dǎo)。

1.1 改進(jìn)△lgR法

Passey等[11]提出的基于孔隙度曲線和電阻率曲線的△lgR法是目前應(yīng)用較廣、較成熟的一種方法。該方法是把算術(shù)坐標(biāo)下孔隙度曲線(通常是聲波時(shí)差曲線)疊加在對數(shù)刻度的電阻率曲線(最好是深電阻率曲線)上[1-2]。

ΔlgR=lg(R/R基線)+K(Δt-Δt基線)

TOC=ΔlgR×102.297-0.1688LOM+ ΔTOC

式中：ΔlgR——經(jīng)過一定刻度的孔隙度曲線與電阻率曲線的幅度差；R——地層電阻率，Ω·m；R基線——非源巖的電阻率基線，Ω·m；Δt——聲波測井讀數(shù)，μs·m-1；Δt基線——非源巖的聲波測井基線，μs·m-1；K——刻度系數(shù)，取決于孔隙度測井的單位；TOC——總有機(jī)質(zhì)含量，%；LOM——熱成熟度；ΔTOC——有機(jī)碳含量背景值，%。

從式中可以看出，為了獲取有機(jī)碳含量值，需確定基線值、疊合系數(shù)、熱成熟度與有機(jī)碳含量背景值。然而，每口井通常存在多個(gè)基線值，需分段求取有機(jī)碳含量，且每段內(nèi)基線值也有變化，選取合適的基線值較困難。疊合系數(shù)的選取與烴源巖測井響應(yīng)特征有關(guān)，隨著疊合系數(shù)變化，ΔlgR與實(shí)測TOC的相關(guān)度會出現(xiàn)峰值[3，17]，此時(shí)的疊合系數(shù)為最優(yōu)值，但其很難確定，求取的有機(jī)碳含量精度受限。成熟度參數(shù)主要由樣品分析、埋藏史和熱史評價(jià)中獲得，受測試資料及實(shí)驗(yàn)分析技術(shù)限制，很難獲取精準(zhǔn)的成熟度參數(shù)。有機(jī)碳含量背景值主要由地質(zhì)學(xué)者依據(jù)區(qū)域地質(zhì)、地化資料估算獲得，受主觀經(jīng)驗(yàn)影響大，若研究層段內(nèi)發(fā)育多段貧有機(jī)碳泥巖，測井曲線疊合后，很難滿足所有貧有機(jī)碳泥巖段ΔlgR為零或接近零。在有機(jī)碳含量較低時(shí)，模型計(jì)算的有機(jī)碳含量值偏大，需動(dòng)態(tài)疊合測井曲線，較繁瑣[17]。

針對上述問題，國內(nèi)學(xué)者朱光有等[12]最早對公式進(jìn)行推導(dǎo)簡化；胡慧婷等[3]、李延鈞等[13]也對公式進(jìn)行詳細(xì)推導(dǎo)論證。簡化后公式如下：

TOC=a×lgR+b×Δt+c

(1)

式中，a，b，c——模型系數(shù)，通過研究區(qū)樣品分析由最小二乘法擬合得到。

通過SPSS軟件，對研究區(qū)有機(jī)碳含量進(jìn)行擬合，建立模型如下：

TOC=0.449×lgR+0.020Δt-3.613

(2)

1.2 回歸分析法

1.2.1 單測井參數(shù)回歸分析

由于有機(jī)質(zhì)密度小于黏土礦物，隨著有機(jī)質(zhì)和烴類氣體含量增加以及微裂縫的存在，頁巖氣儲層烴源巖地層密度值變得更低[1-2]。根據(jù)這一響應(yīng)特征，Schmoker[4]和Hester[5]利用密度測井曲線建立了地層有機(jī)碳含量定量評價(jià)模型；Lin等[18]研究指出，密度的倒數(shù)與有機(jī)碳含量有較高的相關(guān)性。

在有機(jī)質(zhì)、二氧化硫、硫化氫等還原物質(zhì)的作用下，鈾離子被還原為二氧化鈾沉淀下來，頁巖儲集層段的黏土礦物含量較高，伽馬測井為高值，伽馬能譜曲線往往表現(xiàn)為高鈾、低鉀、低釷的特征，且隨著鈾含量、鈾釷比增大，有機(jī)碳含量逐漸升高[19]。Schmoker[6]、陸巧煥等[19]及Meyer等[20]學(xué)者分別用鈾含量、鈾釷比和伽馬測井值來預(yù)測地層有機(jī)碳含量。

在頁巖氣儲集層中，黃鐵礦相對富集，降低了電阻率測井曲線值，使密度測井值增大[1-2]。Witkowsky[8]基于黃鐵礦與巖心有機(jī)碳含量的相關(guān)性建立了回歸方程，預(yù)測地層有機(jī)碳含量。

1.2.2 多元回歸分析法

受烴源巖沉積環(huán)境、地層巖性、烴類飽和度等的影響，單測井曲線往往很難精確表達(dá)有機(jī)碳含量變化特征，為此，國內(nèi)外學(xué)者[1，9-10，21]綜合考慮多測井參數(shù)響應(yīng)特征，用多元回歸分析技術(shù)來建立測井解釋模型，提高了模型的精度和適用性。

Mendelson和Toksoz[9]通過交會圖法篩選出與有機(jī)碳含量關(guān)系密切的測井曲線，首次利用多元回歸分析建立了有機(jī)碳含量與伽馬、密度、聲波時(shí)差、中子等測井曲線的關(guān)系，提高了有機(jī)碳含量計(jì)算的精度；國內(nèi)學(xué)者[3，10，21]建立了不同地區(qū)自然伽馬、自然伽馬能譜、密度、中子孔隙度、聲波時(shí)差、電阻率等多種測井參數(shù)與有機(jī)碳含量的多元回歸模型，進(jìn)一步擴(kuò)大了模型應(yīng)用范圍。

本地區(qū)自然伽馬、自然伽馬能譜鈾含量、密度等測井曲線與巖心有機(jī)碳含量相關(guān)性較差，單測井模型精度很低，難以達(dá)到區(qū)域評價(jià)需求。通過敏感性分析(圖1)，篩選出相關(guān)性較好的補(bǔ)償中子、聲波時(shí)差、密度測井曲線建立多元回歸模型，相關(guān)系數(shù)為0.773。

TOC=(0.109×φN-0.013Δt+

63.314)/ρ-21.422

(3)

式中：ρ——巖石的密度，g·m-3。

1.3 BP神經(jīng)網(wǎng)絡(luò)法

BP 神經(jīng)網(wǎng)絡(luò)算法是在誤差反向傳播理論基礎(chǔ)上提出的反向傳播學(xué)習(xí)算法，利用最速梯度下降法，使權(quán)值沿著誤差函數(shù)的負(fù)梯度方向改變，通過反復(fù)的正向、反向?qū)W習(xí)，使誤差信號達(dá)到最小。該方法具有很強(qiáng)的非線性動(dòng)態(tài)處理能力，很好地表達(dá)了各輸入與輸出參數(shù)的隱式非線性對應(yīng)關(guān)系[2，14，22-23]。

為消除測井響應(yīng)深度與巖心分析數(shù)據(jù)深度不同給預(yù)測成果造成的影響，首先對巖心進(jìn)行歸位，避免數(shù)據(jù)運(yùn)算中數(shù)量級差別造成網(wǎng)絡(luò)預(yù)測誤差，對樣本參數(shù)進(jìn)行歸一化處理，并通過試算法確定隱含層節(jié)點(diǎn)數(shù)為5。選取與其有一定相關(guān)關(guān)系的自然伽馬能譜鈾含量、補(bǔ)償中子、聲波時(shí)差、密度等測井曲線作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)(圖1)，通過對35個(gè)樣本反復(fù)訓(xùn)練，使預(yù)測值不斷逼近樣本值，從而選擇最優(yōu)預(yù)測模型。從圖2可以看出，BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型與巖心有機(jī)碳含量相關(guān)度較高，能很好地預(yù)測有機(jī)碳含量。

2 應(yīng)用效果分析

根據(jù)以上分析結(jié)果，分別對改進(jìn)△lgR法、多元回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行數(shù)據(jù)處理與預(yù)測。從圖3和圖4可看出：①預(yù)測效果從差到好依次為改進(jìn)△lgR法、多元回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法。多元回歸分析法綜合考慮了多測井參數(shù)的優(yōu)點(diǎn)，比改進(jìn)△lgR法具有更高的預(yù)測精度；BP神經(jīng)網(wǎng)絡(luò)解決了測井參數(shù)與有機(jī)碳含量之間很難用顯示方程表達(dá)的復(fù)雜非線性關(guān)系，通過對樣本反復(fù)訓(xùn)練，不斷逼近期望值，使模型精度不斷提高；②三種方法預(yù)測結(jié)果相對誤差大部分在30%以下，一定程度上滿足了有機(jī)碳含量評價(jià)的需要；③在巖性較純、厚度較大的泥頁巖層段，模型預(yù)測值與樣本值吻合程度高；在巖性復(fù)雜的灰質(zhì)泥巖、白云質(zhì)泥巖、砂質(zhì)泥巖層段誤差較大。

圖1 巖心有機(jī)碳含量與各測井值交會圖

圖2 巖心有機(jī)碳含量與BP神經(jīng)網(wǎng)絡(luò)預(yù)測有機(jī)碳含量交會圖

3 模型誤差與適用性分析

改進(jìn)△lgR法只需聲波時(shí)差和電阻率參數(shù)，不要求成熟度參數(shù)，無須人為確定基線值、有機(jī)碳含量背景值[2-3]，大大提高了模型的便捷性，且受樣品測試分析數(shù)量的影響較小。在缺乏測試數(shù)據(jù)的條件下，該方法具有很大優(yōu)勢。

X地區(qū)頁巖目的層巖性較復(fù)雜，黏土礦物中伊/蒙混層以及黃鐵礦較發(fā)育，兩者均可降低電阻率響應(yīng)特征[2]，弱化有機(jī)碳含量變化造成的差異，使改進(jìn)的△lgR法存在一定的誤差。該方法忽略了自然伽馬、密度、中子等對有機(jī)碳響應(yīng)密切的測井曲線信息，具有一定的局限性[2-3]。

在使用多元回歸分析方法計(jì)算有機(jī)碳含量過程中，篩選出的測井曲線與巖心有機(jī)碳含量雖具有一定的響應(yīng)關(guān)系，但受地層巖性、黃鐵礦、烴類流體等的影響，測井曲線往往是這些因素交叉綜合響應(yīng)的結(jié)果，不能完全反映地層有機(jī)碳含量的變化[2]。多元回歸分析方法強(qiáng)化了有機(jī)碳測井響應(yīng)特征，但并不能消除其它因素的影響，從而造成一定的偏差；且擬合成果需要充分的測試分析數(shù)據(jù)，具有很大的局限性。

圖3 模型計(jì)算有機(jī)碳含量與巖心有機(jī)碳含量對比

圖4 巖心有機(jī)碳含量與模型計(jì)算值相對誤差

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定主要依據(jù)經(jīng)驗(yàn)確定，標(biāo)準(zhǔn)BP算法在誤差下降時(shí)，難免產(chǎn)生振蕩現(xiàn)象，嚴(yán)重影響網(wǎng)絡(luò)的收斂速度，且容易陷入局部極小值，很可能誤認(rèn)為找到最佳權(quán)重而停止學(xué)習(xí)，影響模型精度，從而存在誤差[2，23]。網(wǎng)絡(luò)訓(xùn)練精度同樣受樣本大小的影響，具有一定的局限性。該方法很好地解決了測井參數(shù)與有機(jī)碳含量的復(fù)雜非線性問題，在計(jì)算精度方面具有很大的優(yōu)勢，是適用性較強(qiáng)的一種方法。

4 結(jié)論

(1)傳統(tǒng)的△lgR法需要確定基線值、疊合系數(shù)、成熟度參數(shù)及有機(jī)碳含量背景值，合理的參數(shù)設(shè)置需要依據(jù)經(jīng)驗(yàn)與充分的實(shí)驗(yàn)分析資料，難度較大；改進(jìn)的△lgR法避免了這一弊端，只需孔隙度與電阻率測井曲線，應(yīng)用方便。

(2)受目的層巖性、黃鐵礦、烴類流體等的影響，單測井曲線不能完全反映地層有機(jī)碳含量的變化，通過相關(guān)性分析，篩選出響應(yīng)特征明顯的測井系列，建立了多元回歸模型，計(jì)算精度得到提高。

(3)BP神經(jīng)網(wǎng)絡(luò)法很好地解決了測井信息和有機(jī)碳之間的隱式非線性問題，并綜合多測井參數(shù)信息，經(jīng)過大量反復(fù)訓(xùn)練，預(yù)測精度最高，具有廣闊的應(yīng)用前景。

(4)改進(jìn)△lgR法、多元回歸分析法、BP神經(jīng)網(wǎng)絡(luò)法均有一定優(yōu)缺點(diǎn)與適用性，在具體評價(jià)過程中，應(yīng)根據(jù)不同區(qū)域情況，選擇合適的計(jì)算方法。在缺乏測試數(shù)據(jù)時(shí)，可選用改進(jìn)△lgR法；在測試數(shù)據(jù)較充足時(shí)，BP神經(jīng)網(wǎng)絡(luò)法計(jì)算精確度最高。

[1] 徐思煌, 朱義清. 烴源巖有機(jī)碳含量的測井響應(yīng)特征與定量預(yù)測模型[J].石油實(shí)驗(yàn)地質(zhì), 2010, 32(3): 290-295.

[2] 熊鐳,張超模,張沖,等.A地區(qū)頁巖氣儲層總有機(jī)碳含量測井評價(jià)方法研究[J].巖性油氣藏, 2014, 26(3): 74-78.

[3] 胡慧婷,盧雙舫,劉超,等. 測井資料計(jì)算源巖有機(jī)碳含量模型對比及分析[J].沉積學(xué)報(bào), 2011, 26(6): 1199-1205.

[4] SEHMOKER J W. Determination of organic content of Appalachian Devonian shales from formation-density logs[J].AAPG Bulletin, 1979, 65(7):1285-1298.

[5] SEHMOKER J W，HESTER T C. Organic carbon in Bakken Formation, United States Portion of Williston Basin[J].AAPG Bulletin, 1983, 67(12), 2165-2174.

[6] SEHMOKER J W.Determination of organic-matter content of Appalachian Devonian shales from gamma-ray logs[J].AAPG Bulletin, 1981, 65(7)：2165-2174.

[7] FERTLE H. Total organic carbon content determined from well logs[J].SPE Formation Evaluation, 1988, 3(2): 407-419.

[8] WITKORSRY J, GALFORD J, QUIREIN J. Predicting pyrite and total organic carbon from well logs for enhancing shale reservoir interpretion[R].SPE 161097,2012.

[9] MENDELSON J D, TOKSOZ M N. Source Rock Characterization using multivariate analysis of log data[A].SPWLA twenty-sixth Annual Logging Symposium, 1985.

[10] 湯永梅,梁興,周松源,等.利用測井資料評價(jià)白駒凹陷烴源巖[J].西部探礦工程, 2010, 22(1): 137-139.

[11] PASSEY Q R, CREANEY S, KULLY J B. A Practical model for organic richness from porosity and resistivity logs[J].AAPG Bulletin, 1990, 74(5): 1777-1794.

[12] 朱光有,金強(qiáng),張林嘩.用測井信息獲取烴源巖的地球化學(xué)參數(shù)研究[J].測井技術(shù), 2003, 27(2): 104-104.

[13] 李延鈞,張烈輝,馮媛媛,等.頁巖有機(jī)碳含量測井評價(jià)方法及其應(yīng)用[J].天然氣地球科學(xué), 2013, 24(1): 169-175.

[14] HUANG Z H, WILLIAMSON M A. Artificial neural network modeling as an aid to souck rock characterization[J].Marine and petroleum geology, 1996, 13(2): 277-290.

[15] MOHAMMAD R K, AHAD A M. Total organic carbon content determined from well logs using △lgRand Neuro Fuzzy techniques[J].Journal of Science and Engineering, 2004, 45(3-4): 141-148.

[16] 郭龍,陳踐發(fā),苗忠英.一種新的TOC含量擬合方法研究與應(yīng)用[J].天然氣地球科學(xué), 2009, 20(6): 951-956.

[17] 劉超. 測井資料評價(jià)烴源巖方法改進(jìn)及作用[D].黑龍江大慶：東北石油大學(xué), 2011.

[18] LIN J L, SALISCH H A. Determination from well logs of the total organic carbon content in potential source rocks[J].SPE 27627,1993.

[19] 陸巧煥,張晉言,李紹霞.利用測井資料進(jìn)行生油巖評價(jià)[J].勘探地球物理進(jìn)展, 2006, 29(2): 140-144.

[20] MEYER B L, NEDERLOF M H. Identification of source rocks on wireline logs by density/resistivity and sonic transit time/resistivity cross plots[J].AAPG Bulletin, 1984, 68(11): 121-129.

[21] 趙彥超.生油巖測井評價(jià)的理論和實(shí)踐[J].地球科學(xué)，1990, 15(l): 65-74.

[22] 朱振宇,王貴文,朱廣宇.人工神經(jīng)網(wǎng)絡(luò)法在烴源巖測井評價(jià)中的應(yīng)用[J].地球物理學(xué)進(jìn)展, 2002, 17(1): 137-140.

[23] 楊建,楊程博,張巖,等.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的滲透率預(yù)測方法[J].巖性油氣藏, 201l, 23(1): 98-102.

編輯：王金旗

1673-8217(2017)02-0048-05

2016-11-22

樊曉伊，1987年生， 2009年畢業(yè)于西南石油大學(xué)石油工程專業(yè)，現(xiàn)為中國地質(zhì)大學(xué)(武漢)2013級在讀博士研究生，主要從事儲層地質(zhì)學(xué)方面研究。

P631.8

A