柴達木盆地西部古近系咸化湖盆烴源巖總有機碳含量預測

太萬雪，劉成林，田繼先，馮德浩，曾 旭，李 培，孔 驊

(1.油氣資源與探測國家重點實驗室，北京 102249;2.中國石油大學(北京)，北京 102249;3.中國石油勘探開發(fā)研究院，河北 廊坊 065007)

0 引言

烴源巖總有機碳含量(TOC)是識別有效烴源巖的重要依據(jù)，相關(guān)學者在TOC預測研究中通常使用的手段有多元回歸法、ΔlgR法、人工神經(jīng)網(wǎng)絡法以及支持向量機和核磁共振測井等［1－4］。ΔlgR法是Passey等［5］通過大量數(shù)據(jù)擬合和實驗分析提出的一種經(jīng)典理論。國內(nèi)外學者針對原始的ΔlgR模型進行多種改進［6－7］，邊雷博等［8］在 ΔlgR 法基礎上增加自然伽馬參數(shù)，使預測模型更加穩(wěn)定。但上述ΔlgR法均未針對受鹽度影響巖性變化復雜的烴源巖地層進行過研究。多元回歸模型通過建立自變量與因變量的數(shù)學關(guān)系進行TOC預測，計算簡便，但一般僅是根據(jù)數(shù)學關(guān)系進行模型建立，缺乏地質(zhì)思維。人工神經(jīng)網(wǎng)絡模型通過模擬人腦神經(jīng)元處理信息的機制，對輸入樣本的TOC與測井曲線的相關(guān)性進行學習，從而預測未知層位的TOC。近年來國內(nèi)外大量學者在預測TOC時，均大量應用人工神經(jīng)網(wǎng)絡方法［9－12］。但在使用神經(jīng)網(wǎng)絡方法時，未針對輸入測井參數(shù)進行優(yōu)選，參數(shù)冗余導致模型泛化能力弱。

目前柴達木盆地西部古近系咸化湖盆仍然采用單一的方法進行TOC的預測，前人忽略了鹽度對測井參數(shù)及TOC的影響。在柴西地區(qū)分別應用多元回歸法、優(yōu)化的ΔlgR法和BR－BP神經(jīng)網(wǎng)絡法進行TOC預測，討論3種方法預測TOC的精度，通過對方法的優(yōu)化提高TOC預測精度。解決柴西地區(qū)不同咸化條件下烴源巖預測的難題，為國內(nèi)外咸化烴源巖TOC的預測提供了一種切實可行的流程及方法。

1 地質(zhì)背景

柴達木盆地是中國典型的高原山間斷陷盆地，位于青藏高原東北部。目的層烴源巖為古近紀下干柴溝組上段(E32)。根據(jù)郭佩［13］研究，E32層沉積期柴達木盆地主要有獅子溝超咸化中心、紅溝子－油泉子地區(qū)2個咸化中心(圖1)。E32層烴源巖關(guān)鍵井測井參數(shù)齊全，TOC整體上不高，但富烴凹陷面積較大，有效烴源巖規(guī)模較大，具有較高的勘探開發(fā)價值。

圖1 柴達木盆地西部構(gòu)造劃分及地層柱狀圖Fig.1 Structural division and stratigraphic column of western Qaidam Basin

由圖1可知，柴達木盆地獅子溝地區(qū)E32層受高鹽度影響，石鹽段及灰質(zhì)泥巖段測井曲線變化異常，石鹽段測井曲線呈異常高聲波時差、高電阻率等特征，而碳酸鹽巖與泥巖混積段測井曲線易震蕩。因此，針對測井曲線的異常表現(xiàn)，高鹽度與中—低鹽度地區(qū)需要分別建立TOC預測模型，選取獅子溝井位建立高咸化TOC預測模型，選取小梁山井位建立中—低咸化TOC預測模型。

2 咸化湖盆烴源巖有機碳含量預測模型

2.1 測井曲線多元回歸模型

根據(jù)E32層烴源巖的單一測井參數(shù)與TOC的相關(guān)性對比(圖2)，選取自然伽馬(GR)、聲波時差(AC)、井徑(CAL)、電阻率(Rt)以及中子孔隙度(CNL)參數(shù)進行多元回歸擬合，舍棄電導率(σ)參數(shù)。使用SAS軟件求解多元回歸未知系數(shù)。具體回歸模型見表1。

圖2 下干柴溝組上段測井參數(shù)與TOC響應關(guān)系Fig.2 Relationship between well logging parameters and TOC response in upper member of Lower Ganchaigou Formation

表1 下干柴溝組上段多元回歸預測模型Table 1 Multiple regression forecast model of upper member of Lower Ganchaigou Formation

使用多元回歸方法建立的下干柴溝組上段烴源巖有機碳預測模型(表1)相關(guān)系數(shù)一般為0.500 0～0.700 0，預測結(jié)果較差，在此基礎上使用圖2優(yōu)選出的測井參數(shù)進行有機碳ΔlgR預測與神經(jīng)網(wǎng)絡模型預測。

2.2 優(yōu)化的ΔlgR預測模型

該文在邊雷博［8］的研究基礎上，應用歸一化原理，采取一一映射法將不同范圍的聲波時差與260～460 μs/m聲波時差一一映射，將不同范圍的電阻率與聲波時差為260～460 μs/m時對應的電阻率一一映射，并建立預測模型。

首先將電阻率和聲波時差歸一化:

式中:Rt為電阻率，Ω·m;Rtmax、Rtmin為電阻率曲線疊合段最大值、最小值，Ω·m，Rt基值為電阻率基線值，Ω·m;Δt為聲波時差，μs/m;Δt基值為聲波時差基線值，μs/m;Δtmax、Δtmin為聲波曲線疊合段最大值、最小值，μs/m。

根據(jù)聲波時差的應用范圍，Δtmax為460 μs/m，Δtmin為 260 μs/m，式(1)變?yōu)?

該公式與原始ΔlgR法相比，在處理深層低聲波時差段烴源巖的有機碳預測方面，具有較高的準確性。

高咸化模型(獅 20井)Rt基值為 8.64 Ω·m，Δt基值為207.83 μs/m;中—低咸化模型(梁 3 井)Rt基值為 7.41 Ω·m，Δt基值為 200.85 μs/m。利用SAS軟件確定待定系數(shù)，代入式(3)得到ΔlgR預測模型。

高咸化ΔlgR模型:

中—低咸化ΔlgR模型:

2.3 BR－BP神經(jīng)網(wǎng)絡模型

影響TOC表達的測井參數(shù)較多，為了避免參數(shù)冗余降低神經(jīng)網(wǎng)絡模型泛化能力，首先進行測井參數(shù)的主成分分析［14］。根據(jù)計算的高咸化模型主成分累計貢獻率(表2)，給出主成分個數(shù)，當前a個主成分的累計貢獻率達到85.00%時，滿足預測需要，停止主成分引入。

表2 測井參數(shù)主成分分析Table 2 Principal component analysis of loging parameters

使用SAS軟件得到的主成分Y1、Y2、Y3的計算公式為:

式中:Y1、Y2、Y3代表引入的3個主成分;x1為自然電位;x2為自然伽馬;x3為聲波時差;x4為電阻率;x5為井徑。

引入主成分Y3時累計貢獻率達到90.30%(表2)，超過預測TOC要求的85.00%，引入結(jié)束。同理，可以進行中—低咸化BP模型主成分分析。

在進行BP神經(jīng)網(wǎng)絡訓練時，部分輸入?yún)?shù)受鹽度影響，局部測井曲線出現(xiàn)極值，曲線波動大，訓練系統(tǒng)為了使這部分樣本與訓練集完全匹配，導致訓練過程過度嚴格，出現(xiàn)過擬合現(xiàn)象。過擬合得到的模型在訓練集表現(xiàn)良好，但驗證集表現(xiàn)很差，模型泛化能力弱，不能應用到其他井位。因此，此次模型選取的是貝葉斯正則化算法［12］，算法在損失函數(shù)中添加一個L2正則項，用來抑制過大的模型參數(shù)，緩解過擬合現(xiàn)象，具體如式(9)所示:等式右側(cè)第1項代表原始損失函數(shù)，稱為C0項;等式右側(cè)第2項是引入的L2正則項。

式中:N為樣本總數(shù);yi和為第i個樣本的真實值和預測值;n為訓練集樣本數(shù);wj為網(wǎng)絡權(quán)值;λ為正則項系數(shù)，通過λ權(quán)衡正則項與C0項的比重。

式(9)提高了算法的收斂速率和泛化能力。針對研究區(qū)將測井數(shù)據(jù)按75%、15%、15%的比例分配訓練集、測試集以及驗證集，拓撲關(guān)系如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡拓撲關(guān)系圖Fig.3 Topological graph of BP neural network

3 結(jié)果與討論

3.1 模型應用結(jié)果

綜合建立的模型，針對3種方法進行應用，選取高咸化地區(qū)獅20井、低咸化地區(qū)梁3井繪制了實測TOC與預測TOC的擬合圖(圖4)，使用相關(guān)系數(shù)(R2)作為評價標準。

圖4 下干柴溝組上段實測TOC與預測TOC對比Fig.4 Comparison of measured TOC and predicted TOC in upper member of Lower Ganchaigou Formation

回歸模型R2均小于0.500 0，總體表現(xiàn)最差，離散度也最大。高咸化的ΔlgR模型R2為0.691 3;中—低咸化ΔlgR模型R2為0.677 7，ΔlgR模型在高咸化地區(qū)預測結(jié)果更好，ΔlgR模型整體上優(yōu)于回歸模型。高咸化神經(jīng)網(wǎng)絡模型訓練集 R2為0.889 0;中—低咸化訓練集R2為0.973 4，其中，高咸化模型的驗證集(圖4b、c)R2低于訓練集較多，說明鹽度在一定程度上影響了模型穩(wěn)定性。

3.2 討論

圖5為不同鹽度地區(qū)3種預測模型的實際應用，針對圖5的應用結(jié)果進行模型預測結(jié)果討論。

圖5 下干柴溝組上段烴源巖TOC預測模型單井對比Fig.5 Single well correlation diagram of TOC prediction models for high salinity and medium－low salinity source rocks

神經(jīng)網(wǎng)絡模型由于方法的優(yōu)越性，整體上表現(xiàn)最優(yōu)，通過大量的機器學習，達到90%以上的準確率。由圖5可知，神經(jīng)網(wǎng)絡模型在高咸化地區(qū)的預測效果沒有低咸化地區(qū)效果明顯，中—低咸化模型數(shù)據(jù)收斂性最好。通過貝葉斯算法雖然提高了模型的泛化能力，但在實際預測中，輸入測井參數(shù)的品質(zhì)、網(wǎng)絡參數(shù)(權(quán)值、迭代次數(shù)、訓練速率等)都會影響模型預測結(jié)果。且高咸化模型的輸入?yún)?shù)較復雜，測井參數(shù)與TOC之間的對應關(guān)系也沒有中低咸化模型簡單，這些原因都會提高機器學習難度，降低預測準確度。此外，機器學習需要大量數(shù)據(jù)支撐，在測井數(shù)據(jù)較少的地區(qū)不能使用神經(jīng)網(wǎng)絡預測。

優(yōu)化的ΔlgR僅需要聲波和電阻率2條曲線，對測井要求較低。圖5中優(yōu)化的ΔlgR曲線明顯具有聲波曲線與電阻率曲線的變化特征，在沉積過程中，高鹽度地區(qū)受鹽度變化影響，碳酸鹽巖與泥巖大量互層的烴源巖段聲波曲線超出公式應用范圍，但應用歸一化原理，降低了鹽度影響，使得高鹽度模型表現(xiàn)優(yōu)于低鹽度地區(qū)模型。同時在應用過程中發(fā)現(xiàn)，由于烴源巖層在縱向上跨越深度較大，在基值的選取中不能應用于整個層位，需要分層位、甚至在同一層分段擬合ΔlgR公式，工作量較大。

圖5回歸模型預測趨于將曲線中心化，曲線左右幅度變化較小，整體預測TOC變化程度較小。在高鹽度和中—低鹽度地區(qū)應用模型預測差異小，模型對鹽度不敏感，回歸模型僅根據(jù)數(shù)學方法預測，TOC與擬合值結(jié)果偏差較大。

4 結(jié)論

(1)根據(jù)測井曲線參數(shù)，采用優(yōu)化的ΔlgR和BR－BP神經(jīng)網(wǎng)絡對柴西地區(qū)下干柴溝組上段烴源巖的TOC進行預測，根據(jù)咸化程度不同分別建立預測模型。

(2)多元回歸模型擬合效果趨近中心值，表現(xiàn)平庸，準確率一般;優(yōu)化的ΔlgR模型應用歸一化原理，有效減小鹽度影響，但基值選取繁瑣，曲線普適性不好;BR－BP神經(jīng)網(wǎng)絡模型的預測效果總體上最好，貝葉斯算法有效提高了模型泛化能力。高咸化地區(qū)受復雜地質(zhì)條件影響，預測效果較低咸化模型表現(xiàn)差，在處理高咸化模型時應注意網(wǎng)絡參數(shù)的設定。

(3)在柴達木西部地區(qū)下干柴溝組上段(E32)具體應用時，優(yōu)先選取BR－BP人工神經(jīng)網(wǎng)絡預測，針對鹽度對巖性和測井曲線的變化，分別建立了高鹽度神經(jīng)網(wǎng)絡模型和中—低鹽度神經(jīng)網(wǎng)絡模型，可在全柴西范圍內(nèi)應用。當部分井測井數(shù)據(jù)較少而不足以支撐機器學習以及高鹽度神經(jīng)網(wǎng)絡模型響應不好時，選用優(yōu)化后的ΔlgR模型進行輔助研究，建立的模型可以覆蓋柴西全區(qū)，有效指導盆地內(nèi)高精度烴源巖評價。