熊鐳，張超謨，，張沖，謝冰，丁一，韓淑敏

（1.長(zhǎng)江大學(xué)地球物理與石油資源學(xué)院，武漢430100；2.長(zhǎng)江大學(xué)油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，武漢430100；3.中國(guó)石油集團(tuán)東方地球物理有限公司，河北涿州072750）

A地區(qū)頁(yè)巖氣儲(chǔ)層總有機(jī)碳含量測(cè)井評(píng)價(jià)方法研究

熊鐳1，張超謨1，2，張沖2，謝冰1，丁一1，韓淑敏3

（1.長(zhǎng)江大學(xué)地球物理與石油資源學(xué)院，武漢430100；2.長(zhǎng)江大學(xué)油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，武漢430100；3.中國(guó)石油集團(tuán)東方地球物理有限公司，河北涿州072750）

頁(yè)巖氣儲(chǔ)層中總有機(jī)碳含量（TOC）反映了頁(yè)巖的生烴潛力，準(zhǔn)確獲取頁(yè)巖氣儲(chǔ)層TOC含量對(duì)頁(yè)巖氣的開(kāi)發(fā)具有重要意義。利用測(cè)井資料的連續(xù)性和縱向分辨率高等特點(diǎn)，建立精度較高的TOC測(cè)井評(píng)價(jià)模型。在分析幾種常用TOC測(cè)井評(píng)價(jià)方法限制因素的基礎(chǔ)上，結(jié)合A地區(qū)巖性變化復(fù)雜的實(shí)際情況，建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC、擬合方法計(jì)算TOC、基于干酪根含量計(jì)算TOC共3種模型，并對(duì)該地區(qū)X井頁(yè)巖進(jìn)行了TOC含量評(píng)價(jià)。結(jié)果表明：在A地區(qū)采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC模型其精度最高，可為巖性復(fù)雜地區(qū)的TOC含量評(píng)價(jià)提供技術(shù)支持。

頁(yè)巖氣；總有機(jī)碳；BP神經(jīng)網(wǎng)絡(luò)；自然伽馬能譜；干酪根

0 引言

總有機(jī)碳含量（TOC）是頁(yè)巖氣儲(chǔ)層評(píng)價(jià)中的一個(gè)重要參數(shù)［1］。受鉆井取心和分析化驗(yàn)成本的影響，在巖心資料分析中的有機(jī)地球化學(xué)評(píng)價(jià)僅能獲取離散且有限的TOC含量值，不能完全反映頁(yè)巖氣儲(chǔ)層的有機(jī)質(zhì)豐度［2］。常規(guī)測(cè)井資料具有連續(xù)性好、縱向分辨率高等特點(diǎn)，國(guó)內(nèi)外學(xué)者提出了以下幾種利用常規(guī)測(cè)井資料獲取頁(yè)巖氣儲(chǔ)層TOC含量的方法：Fertle［3］提出自然伽馬能譜測(cè)井和巖心分析資料的線性回歸法；Passey等［4］提出基于電阻率和孔隙度測(cè)井的ΔlogR法［1］及朱光有等［5］提出的改進(jìn)ΔlogR法；Carpentier等［6］應(yīng)用干酪根的含量對(duì)地層TOC進(jìn)行評(píng)價(jià)；Schmoker等［7］根據(jù)密度測(cè)井和巖心分析資料回歸評(píng)價(jià)頁(yè)巖氣儲(chǔ)層TOC含量；Witkowsky等［8］提出用黃鐵礦含量與巖心分析資料的線性回歸及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC含量［9-10］。其中，ΔlogR法計(jì)算TOC是一種比較成熟的方法，該方法的基礎(chǔ)是假定地層巖性基本不變，使電阻率曲線和聲波時(shí)差曲線在非烴源巖層重疊，儲(chǔ)層段電阻率和孔隙度測(cè)井曲線的差異完全是由有機(jī)質(zhì)含量的改變引起的。但在A地區(qū)儲(chǔ)層段巖性發(fā)生改變（儲(chǔ)層上部為泥質(zhì)頁(yè)巖，下部為炭質(zhì)、硅質(zhì)巖，部分層段發(fā)育灰?guī)r），電阻率和聲波時(shí)差曲線的差異不能單純反映地層TOC含量的變化，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC、擬合方法計(jì)算TOC、干酪根含量計(jì)算TOC這3種模型的應(yīng)用前提是不受地層巖性變化的影響，因此，筆者采用這3種模型對(duì)A地區(qū)X井頁(yè)巖氣儲(chǔ)層的有機(jī)質(zhì)豐度進(jìn)行評(píng)價(jià)。從巖心標(biāo)定與誤差分析中發(fā)現(xiàn)：BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC模型因其能夠很好地解決輸入和輸出之間復(fù)雜的非線性問(wèn)題，并且綜合考慮了多測(cè)井響應(yīng)特征，為巖性復(fù)雜的頁(yè)巖氣儲(chǔ)層TOC評(píng)價(jià)提供了依據(jù)。

1 TOC評(píng)價(jià)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)［11］，其主要特點(diǎn)是信號(hào)向前傳播，誤差反向傳播，如果輸出層得不到期望值則轉(zhuǎn)入反向傳播。根據(jù)預(yù)測(cè)誤差調(diào)整權(quán)值和閾值，使得網(wǎng)絡(luò)輸出不斷逼近期望輸出，很好地解決了輸入和輸出之間復(fù)雜的非線性問(wèn)題。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC主要包括以下幾個(gè)步驟［11-12］：①巖心歸位。消除測(cè)井響應(yīng)與巖心實(shí)驗(yàn)數(shù)據(jù)不在同一深度對(duì)預(yù)測(cè)結(jié)果帶來(lái)的誤差。②輸入?yún)?shù)歸一化處理。避免數(shù)據(jù)運(yùn)算中數(shù)量級(jí)差別造成網(wǎng)絡(luò)預(yù)測(cè)誤差。③輸入選擇。根據(jù)測(cè)井響應(yīng)與待預(yù)測(cè)地層參數(shù)之間的關(guān)系，選擇合適的測(cè)井曲線作為網(wǎng)絡(luò)輸入。④樣本選擇。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中占有重要的地位，樣本集是否具有代表性，決定了網(wǎng)絡(luò)的學(xué)習(xí)效果。采用最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)樣本，避免隨機(jī)樣本選擇的冗余且以合適的樣本數(shù)量獲得更高的識(shí)別率，增強(qiáng)網(wǎng)絡(luò)的泛化能力［13］。⑤神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果和測(cè)試樣本做交會(huì)圖，進(jìn)一步評(píng)價(jià)網(wǎng)絡(luò)效果。

1.2 擬合方法計(jì)算TOC

擬合方法可快速建立TOC與測(cè)井響應(yīng)之間的關(guān)系，在實(shí)際生產(chǎn)中具有很好的適用性。利用擬合方法計(jì)算TOC主要有以下幾種。

1.2.1 自然伽馬能譜測(cè)井中鈾含量與巖心分析TOC擬合

沉積巖中處于還原環(huán)境的富含有機(jī)質(zhì)的黏土巖鈾含量最高，因此，在頁(yè)巖氣儲(chǔ)層中的自然伽馬能譜測(cè)井會(huì)顯示較高的鈾含量［3］。

1945年，Supemaw在利用放射性元素作為示蹤劑來(lái)輔助確定烴源巖的研究中發(fā)現(xiàn)，實(shí)驗(yàn)樣品中天然放射性物質(zhì)和TOC含量均表現(xiàn)出了一種明顯的相關(guān)性，據(jù)此，提出了基于伽馬能譜鈾測(cè)井評(píng)價(jià)頁(yè)巖地層TOC含量的方法［3］。

1.2.2 密度測(cè)井與實(shí)驗(yàn)分析TOC擬合

地層密度測(cè)井測(cè)量的是地層體積密度，包括骨架密度和流體密度。固體有機(jī)碳的密度與水的密度接近，遠(yuǎn)低于圍巖密度。正常情況下，由于有機(jī)質(zhì)的存在，頁(yè)巖氣儲(chǔ)層烴源巖密度低于常規(guī)頁(yè)巖地層烴源巖密度［7］?；诖?，通過(guò)建立巖心分析TOC與密度測(cè)井響應(yīng)的關(guān)系來(lái)評(píng)價(jià)地層TOC含量。

1.2.3 黃鐵礦與實(shí)驗(yàn)分析TOC擬合

頁(yè)巖是在無(wú)氧或者缺氧環(huán)境下形成（有機(jī)碳以干酪根形式存在）的細(xì)粒沉積巖，其質(zhì)量分?jǐn)?shù)為3%～15%。在低能環(huán)境下，水表面的有機(jī)物含量高而氧含量低，隨著有機(jī)物的累積和分解，氧含量逐漸降低并形成還原環(huán)境，這有利于頁(yè)巖地層保留大量的金屬（黃鐵礦）和稀土元素，因此，在頁(yè)巖氣儲(chǔ)層中，黃鐵礦較發(fā)育［8］（黃鐵礦可以明顯地降低電阻率測(cè)井響應(yīng)）。此外，黃鐵礦具有較大的密度，用顆粒密度預(yù)測(cè)TOC也會(huì)受黃鐵礦含量的影響。因此，在頁(yè)巖氣儲(chǔ)層中，所有涉及電阻率的干酪根評(píng)價(jià)方法必須要考慮黃鐵礦的影響。在很多還原性的富含有機(jī)質(zhì)的頁(yè)巖氣地層中，黃鐵礦含量與TOC表現(xiàn)出明顯的相關(guān)關(guān)系［8］。

1.3 用干酪根含量計(jì)算TOC

干酪根是沉積有機(jī)質(zhì)的主體，約占總有機(jī)質(zhì)體積分?jǐn)?shù)的80%～90%。Carpentier等［6］提出用下式可以將干酪根的含量轉(zhuǎn)換成TOC：

式中：Vker為干酪根的體積分?jǐn)?shù)，%；ρker為干酪根的密度，g/cm3；ρb為巖石的密度，g/cm3；k為轉(zhuǎn)換因子，它與干酪根的類型有關(guān)。參數(shù)的選取原則如表1所列。

表1 干酪根到TOC的轉(zhuǎn)換因子Table 1The conversion factor of kerogen to TOC

從式（1）可看出，該方法的計(jì)算重點(diǎn)是獲取地層干酪根的含量。常規(guī)的擬合計(jì)算很難準(zhǔn)確獲取干酪根含量，為此，采用多礦物模型，將干酪根作為一種礦物成分，結(jié)合錄井資料建立合適的礦物組合模型，并根據(jù)反演測(cè)井曲線與原始測(cè)井曲線形態(tài)對(duì)比以及實(shí)驗(yàn)室礦物分析資料綜合判斷巖性剖面是否合理，這樣便可獲得較為準(zhǔn)確的干酪根體積。至此，干酪根含量就可用來(lái)評(píng)價(jià)該地區(qū)的TOC含量了。

2 A地區(qū)TOC評(píng)價(jià)模型的選擇

在評(píng)價(jià)TOC之前，需要對(duì)TOC評(píng)價(jià)方法的限制因素進(jìn)行具體分析，并對(duì)實(shí)際的錄井、測(cè)井以及巖心分析資料作出正確的選擇。在A地區(qū)，TOC評(píng)價(jià)方法的限制因素如下：

（1）ΔlogR法是一種非統(tǒng)計(jì)學(xué)的計(jì)算方法，計(jì)算結(jié)果不依賴于巖心分析資料，同時(shí)，計(jì)算過(guò)程沒(méi)有復(fù)雜的參數(shù)設(shè)置。但是，該方法假定巖性基本不變，認(rèn)為電阻率和孔隙度測(cè)井曲線特征的改變僅僅是由有機(jī)質(zhì)含量的改變而引起的。根據(jù)錄井和巖心分析資料，A地區(qū)頁(yè)巖氣儲(chǔ)層巖性復(fù)雜，目的層巖性以泥質(zhì)頁(yè)巖和炭質(zhì)、硅質(zhì)巖為主，部分層段發(fā)育灰?guī)r。目的層黏土礦物（伊/蒙混合物）與電阻率存在一定的相關(guān)關(guān)系（圖1），同時(shí)，錄井資料顯示該地區(qū)黃鐵礦十分發(fā)育，這些因素使得A地區(qū)X井目的層電阻率顯示異常低值，導(dǎo)致ΔlogR法在該地區(qū)的使用受到限制。

圖1 電阻率與巖心分析伊/蒙混合物含量交會(huì)圖Fig.1Cross-plot of resistivity and I/S content from core analysis

（2）在儲(chǔ)層參數(shù)計(jì)算過(guò)程中，BP神經(jīng)網(wǎng)絡(luò)克服了由于復(fù)雜巖性的影響導(dǎo)致解釋模型與測(cè)井響應(yīng)不匹配的缺陷，避免了解釋參數(shù)的選擇。網(wǎng)絡(luò)通過(guò)系統(tǒng)輸入、輸出數(shù)據(jù)的訓(xùn)練來(lái)表達(dá)未知函數(shù)，并利用訓(xùn)練好的網(wǎng)絡(luò)預(yù)測(cè)輸出。其不足之處在于，該方法需要大量的巖心分析數(shù)據(jù)作為基礎(chǔ)。

在A地區(qū)選擇自然伽馬（GR）、自然伽馬能譜鈾（U）、聲波時(shí)差（AC）、密度（DEN）、補(bǔ)償中子（CNL）、巖性密度（PEF）測(cè)井值作為網(wǎng)絡(luò)輸入。這是因?yàn)椋孩儆袡C(jī)質(zhì)具有放射性，富有機(jī)質(zhì)地層中的自然伽馬、自然伽馬能譜鈾測(cè)井出現(xiàn)高值；②頁(yè)巖氣儲(chǔ)層有機(jī)質(zhì)含量直接決定地層含氣量，有機(jī)質(zhì)產(chǎn)氣后使得縱波時(shí)差變大；③有機(jī)質(zhì)的密度遠(yuǎn)低于巖石骨架密度值，有機(jī)質(zhì)含量的變化在密度測(cè)井上有明顯的響應(yīng)；④有機(jī)質(zhì)含氫指數(shù)較高使得補(bǔ)償中子測(cè)井出現(xiàn)高值；⑤巖性密度測(cè)井受氣體烴的影響會(huì)明顯變小。

將巖心分析TOC及其所對(duì)應(yīng)的測(cè)井?dāng)?shù)據(jù)歸為45個(gè)樣本，運(yùn)用最近鄰規(guī)則，從45個(gè)樣本中選擇了34個(gè)樣本作為輸入樣本，剩下的11個(gè)樣本作為測(cè)試樣本。從圖2（a）可看出，巖心分析TOC與神經(jīng)網(wǎng)絡(luò)TOC具有較好的相關(guān)性。從圖2（b）的交會(huì)點(diǎn)分布可以看出，該網(wǎng)絡(luò)模型具有較好的應(yīng)用效果。

（3）基于統(tǒng)計(jì)學(xué)方法可以快速得到TOC模型，但該方法對(duì)樣品數(shù)據(jù)有一定的依賴性。為確定A地區(qū)自然伽馬能譜測(cè)井中的鈾含量與TOC之間的關(guān)系，建立了巖心分析TOC與自然伽馬能譜測(cè)井的鈾含量交會(huì)圖［圖3（a）］及巖心分析TOC與密度測(cè)井交會(huì)圖［圖3（b）］。圖3（a）中，R2=0.7812，說(shuō)明鈾含量與TOC具有一定的相關(guān)性：TOC=0.003 9×U2.6322。圖3（b）中，密度與TOC之間沒(méi)有明顯的相關(guān)性。

（4）由于在多礦物模型干酪根計(jì)算過(guò)程中涉及多個(gè)參數(shù)的選擇，使得巖性剖面存在多解性，因此，干酪根含量的誤差會(huì)直接導(dǎo)致計(jì)算結(jié)果出現(xiàn)偏差。準(zhǔn)確選擇參數(shù)是該方法應(yīng)用的前提條件。

圖2 巖心分析TOC與神經(jīng)網(wǎng)絡(luò)TOC交會(huì)圖Fig.2Cross-plot of TOC from core analysis and TOC predicted by neural network

圖3 巖心分析TOC與測(cè)井響應(yīng)交會(huì)圖Fig.3Cross-plot of TOC from core analysis and logging response

綜合以上分析，在對(duì)A地區(qū)TOC含量評(píng)價(jià)之前，首先需要根據(jù)錄井、測(cè)井和實(shí)驗(yàn)分析資料識(shí)別頁(yè)巖氣儲(chǔ)層巖性，在巖性較純的情況下，選擇ΔlogR法對(duì)目的層TOC含量進(jìn)行評(píng)價(jià)；反之，則根據(jù)實(shí)驗(yàn)分析資料建立BP神經(jīng)網(wǎng)絡(luò)、測(cè)井響應(yīng)與巖心實(shí)驗(yàn)分析資料擬合以及多礦物模型轉(zhuǎn)換計(jì)算TOC含量的模型，進(jìn)而對(duì)TOC含量進(jìn)行評(píng)價(jià)。

3 實(shí)際資料處理

A地區(qū)X井的錄井資料顯示，目的層巖性以泥質(zhì)頁(yè)巖，炭質(zhì)、硅質(zhì)巖為主，部分層段發(fā)育灰?guī)r，同時(shí)黏土礦物中的伊利石、蒙脫石以及黃鐵礦十分發(fā)育，造成孔隙度與電阻率測(cè)井響應(yīng)受多礦物交叉響應(yīng)的影響而不能直觀地反映有機(jī)質(zhì)含量的變化。因此，ΔlogR法和密度擬合模型在該地區(qū)不適用。筆者通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC、擬合方法計(jì)算TOC（用自然伽馬能譜測(cè)井中鈾含量擬合計(jì)算TOC）、干酪根含量計(jì)算TOC這3種模型對(duì)A地區(qū)X井進(jìn)行評(píng)價(jià)。

圖4是A地區(qū)X井TOC測(cè)井評(píng)價(jià)圖。由于原始測(cè)井曲線在2 280 m以上并沒(méi)有電阻率測(cè)井曲線，故干酪根計(jì)算只在2 280 m以下進(jìn)行。由圖4可知，神經(jīng)網(wǎng)絡(luò)計(jì)算的TOC與實(shí)測(cè)的目的層巖心TOC具有相對(duì)較好的一致性。

從圖4和圖5可看出：3種模型的計(jì)算效果從好到差依次為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC、自然伽馬能譜測(cè)井鈾含量擬合計(jì)算TOC以及基于干酪根含量計(jì)算TOC；BP神經(jīng)網(wǎng)絡(luò)因考慮了多種測(cè)井資料對(duì)TOC的綜合影響，故該方法比單因素自然伽馬能譜測(cè)井鈾擬合計(jì)算的TOC具有更好的效果；由于干酪根含量在計(jì)算過(guò)程中會(huì)受到參數(shù)選取的影響，因此干酪根含量計(jì)算TOC最終結(jié)果不是很理想，但從曲線圖上看，該計(jì)算結(jié)果仍然符合目的層TOC的變化趨勢(shì)。

圖4 X井TOC計(jì)算成果圖Fig.4The TOC calculation results in X well

圖5 A區(qū)塊X井有機(jī)碳含量計(jì)算方法相對(duì)誤差圖Fig.5Relative error of calculation methods for TOC content in X well in A area

這3種模型的預(yù)測(cè)結(jié)果均有一定誤差的原因是：①BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC受其本身特性和巖心分析數(shù)據(jù)的影響，在地層TOC含量偏大或偏小的情況下，預(yù)測(cè)結(jié)果會(huì)產(chǎn)生一定的偏差；②擬合方法計(jì)算TOC是建立在測(cè)井響應(yīng)只受地層總有機(jī)碳含量變化影響的前提下，而實(shí)際地層巖性的變化也會(huì)導(dǎo)致自然伽馬能譜測(cè)井響應(yīng)發(fā)生變化，因此在儲(chǔ)層巖性變化復(fù)雜的A地區(qū)，自然伽馬能譜測(cè)井鈾含量擬合模型預(yù)測(cè)的效果相對(duì)于考慮多因素影響的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的效果要差；③基于最優(yōu)化計(jì)算干酪根含量的轉(zhuǎn)換過(guò)程涉及多種參數(shù)的設(shè)置，合理的參數(shù)設(shè)置需要依據(jù)充分的實(shí)驗(yàn)分析資料，理論參數(shù)在不同地區(qū)的實(shí)際應(yīng)用過(guò)程中可能會(huì)導(dǎo)致預(yù)測(cè)結(jié)果出現(xiàn)誤差。

4 結(jié)論

（1）由于A地區(qū)頁(yè)巖氣儲(chǔ)層巖性變化復(fù)雜，目的層巖性以泥質(zhì)頁(yè)巖，炭質(zhì)、硅質(zhì)巖為主，部分層段發(fā)育灰?guī)r，同時(shí)伊/蒙混合物與黃鐵礦含量較高，造成孔隙度和電阻率測(cè)井響應(yīng)受多礦物交叉響應(yīng)的影響，而不能直觀地反映有機(jī)質(zhì)含量的變化，這使得ΔlogR方法和密度擬合模型在該地區(qū)不適用。

（2）A地區(qū)巖石礦物成分復(fù)雜，多礦物模型計(jì)算干酪根的過(guò)程中涉及多個(gè)參數(shù)的設(shè)置，在合適的地區(qū)經(jīng)驗(yàn)參數(shù)設(shè)置是提高利用干酪根含量計(jì)算TOC精度的主要途徑。

（3）BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)TOC因其能夠表達(dá)多個(gè)輸入和目標(biāo)輸出之間復(fù)雜的非線性關(guān)系，且綜合考慮了多測(cè)井響應(yīng)特征，較單參數(shù)擬合計(jì)算具有快捷準(zhǔn)確的優(yōu)勢(shì)，在骨架礦物變化復(fù)雜地區(qū)的TOC預(yù)測(cè)中具有很好的應(yīng)用效果。

［1］郝建飛，周燦燦，李霞，等.頁(yè)巖氣地球物理測(cè)井評(píng)價(jià)綜述［J］.地球物理學(xué)進(jìn)展，2012，27（4）：1624-1632.

［2］曲彥勝，鐘寧寧，劉巖，等.烴源巖有機(jī)質(zhì)豐度的測(cè)井計(jì)算方法及影響因素探討［J］.巖性油氣藏，2011，23（2）：80-84.

［3］Fertle H.Total organic carbon content determined from well logs［G］.SPE Formation Evaluation 15612，1988：407-419.

［4］Passey Q R，Moretti F U，Stroud J D.A practical model for organic richness from porosity and resistivity logs［J］.AAPG Bulletion，1990，74（12）：1777-1794.

［5］朱光有，金強(qiáng)，張林曄.用測(cè)井信息獲取烴源巖的地球化學(xué)參數(shù)研究［J］.測(cè)井技術(shù)，2003，27（2）：104-109.

［6］Carpentier B，Bessereau G.Wireline logging and source rocks-estimation of organic carbon content by the CARBOLBG method［J］. The Log Analysts，1991，32（3）：279-297.

［7］Schmoker J W，Hester T C.Organic carbon in Bakken Formation，United States portion of Williston Basin［J］.AAPG Bulletion，1983，67（12）：2165-2174.

［8］Kwiatkowsky J，Galford J，Quirein J.Predicting pyrite and total organic carbon from well logs for enhancing shale reservoir interpretation［R］.SPE 161097，2012.

［9］郭龍，陳?ài)`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.

［10］Huang Zehui，Williamson M A.Artificial neural network modeling as an aid to source rock characterization［J］.Marine and Petroleum Geology，1996，13（2）：277-290.

［11］史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)經(jīng)典案例［M］.北京：北京航空航天大學(xué)出版社，2010.

［12］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(cè)方法［J］.巖性油氣藏，2011，23（1）：98-102.

［13］郝紅衛(wèi)，蔣蓉蓉.基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法［J］.自動(dòng)化學(xué)報(bào)，2007，33（12）：1247-1251.

（本文編輯：楊琦）

Research on logging evaluation method of TOC content of shale gas reservoir in A area

XIONG Lei1，ZHANG Chaomo1，2，ZHANG Chong2，XIE Bing1，DING Yi1，HAN Shumin3
（1.Geophysics and Oil Resource Institute，Yangtze University，Wuhan 430100，China；2.Key Laboratory of Exploration Technologies for Oil&Gas Resources，Ministry of Education，Yangtze University，Wuhan 430100，China；3.Bureau of Geophysics Prospecting Inc.，CNPC，Zhuozhou 072750，Hebei，China）

Total organic carbon（TOC）content of shale gas reservoir reflects the hydrocarbon generation potential of shale rocks.It has an important guiding significance for shale gas development to obtain the TOC content accurately by use of conventional logging data which has characteristics of continuousness and high vertical resolution.Therefore,it is especially important to establish highly precise model of the organic carbon content evaluation.Combining the limiting factors of TOC content evaluation methods with the reality of complex lithological changes of A area,we established three kinds of TOC content models to evaluate shale rocks from X well in A area.They are BP neural network,uranium and kerogen.It is concluded that the BP neural network model is with the highest precision to forecast the total organic carbon content,and provide technical support to TOC content evaluation in complex lithology areas.

shale gas；total organic carbon；BP neural network；natural gamma rayspectrum；kerogen

P631.8

A

1673-8926（2014）03-0074-05

2014-01-12；

2014-03-10

湖北省自然科學(xué)基金項(xiàng)目“基于等效巖石單元模型的滲透率測(cè)井評(píng)價(jià)方法研究”（編號(hào)：2013CFB396）資助

熊鐳（1988-），男，長(zhǎng)江大學(xué)在讀碩士研究生，研究方向?yàn)榈厍蛭锢頊y(cè)井綜合解釋。地址：（430100）湖北省武漢市蔡甸區(qū)長(zhǎng)江大學(xué)。E-mail：xiongzy71@gmail.com。