范晶晶, 王延斌, 李永紅

(1.中國(guó)礦業(yè)大學(xué)(北京)地球科學(xué)與測(cè)繪工程學(xué)院, 北京 100083; 2.青海省煤炭地質(zhì)105勘探隊(duì), 青海 西寧 810007)

0 引 言

中國(guó)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(dá)木盆地北緣(柴北緣)侏羅系發(fā)育多套陸相富有機(jī)質(zhì)泥頁巖,被認(rèn)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(shí)期,在魚卡、大煤溝等地區(qū)形成了一套有機(jī)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(cè)試,證實(shí)了油頁巖的存在。系統(tǒng)的地球化學(xué)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(cè)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?jī)?chǔ)量計(jì)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(duì)柴北緣油頁巖測(cè)井響應(yīng)特征、含油率計(jì)算方法、有利區(qū)優(yōu)選標(biāo)準(zhǔn)的研究極少,對(duì)油頁巖的測(cè)井特征把握不夠準(zhǔn)確,對(duì)油頁巖資源評(píng)價(jià)不足、不細(xì)。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(cè)井曲線響應(yīng)特征區(qū)別巖性,通過對(duì)比含油率計(jì)算方法選擇預(yù)測(cè)效果更好、模型更直觀的多元線性回歸方法定量判識(shí)油頁巖,進(jìn)一步優(yōu)選出魚卡地區(qū)油頁巖目標(biāo)區(qū),計(jì)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(cè)井響應(yīng)特征

頁巖油氣可通過油氣的生儲(chǔ)方式、礦物成分及儲(chǔ)層孔隙性、滲透性等與常規(guī)油氣儲(chǔ)層區(qū)分[8];油頁巖可通過有機(jī)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(cè)井響應(yīng)特征,采用測(cè)井方法不僅能達(dá)到良好的識(shí)別效果,還可以解決油頁巖研究過程中取心、測(cè)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(xì)粒沉積混合發(fā)育(見圖1),有機(jī)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(diǎn)燃。

對(duì)比油頁巖參數(shù)井的巖心錄井、測(cè)井及地化測(cè)

試結(jié)果,發(fā)現(xiàn)研究區(qū)油頁巖有獨(dú)特的測(cè)井響應(yīng)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(cè)井響應(yīng)特征:高電阻率、高聲波時(shí)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(duì)回落,呈低幅值形態(tài)特征。中子測(cè)井對(duì)孔隙度敏感,在油頁巖段曲線平緩,而在砂泥巖剖面響應(yīng)明顯,可用于油頁巖段砂巖夾層識(shí)別。利用測(cè)井曲線特征可以區(qū)別巖性,但含油率是否達(dá)到油頁巖標(biāo)準(zhǔn)難以判斷。利用曲線特征識(shí)別潛在油頁巖段,通過含油率計(jì)算可提高油頁巖識(shí)別準(zhǔn)度、精度。

2 魚卡地區(qū)油頁巖含油率計(jì)算方法

含油率是界定油頁巖礦產(chǎn)的概念指標(biāo),也是評(píng)價(jià)油頁巖的重要指標(biāo)[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(luò)法對(duì)S1井進(jìn)行油頁巖含油率預(yù)測(cè),通過比較3種方法的預(yù)測(cè)結(jié)果,選擇預(yù)測(cè)效果最優(yōu)的計(jì)算方法。

2.1 Δlog R模型

ΔlogR技術(shù)通常選擇電阻率測(cè)井曲線與三孔隙度測(cè)井曲線或自然伽馬測(cè)井曲線重疊預(yù)測(cè)有機(jī)碳[17],進(jìn)一步通過有機(jī)碳與含油率關(guān)系預(yù)測(cè)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(píng)價(jià)測(cè)井圖

過程,ΔlogR計(jì)算方程

(1)

式中,ΔlogR為2條測(cè)井曲線之間的距離;R為電阻率測(cè)井值,Ω·m,R0為基線對(duì)應(yīng)的電阻率值,Ω·m;

GR為自然伽馬值,API;GR0為基線對(duì)應(yīng)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(jì)算有機(jī)碳含量,%;LOM為熱變指數(shù);ΔTOC為有機(jī)碳背景值(需要人為確定),%。計(jì)算參數(shù)見表1。

表1 S1井log R模型參數(shù)表

有機(jī)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(cè)井值及含油率測(cè)試結(jié)果,得到油頁巖含油率計(jì)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(zhǔn)確、有機(jī)碳背景值和有機(jī)質(zhì)成熟度不確定、泥巖基線易受主觀因素影響等缺點(diǎn)[18],且需要預(yù)測(cè)含油率的鉆井?dāng)?shù)量較大,因此需要尋找應(yīng)用更簡(jiǎn)便、預(yù)測(cè)效果更好的方法。

圖2 巖心測(cè)試含油率與測(cè)井參數(shù)關(guān)系圖

2.2 多元線性回歸方法

分析實(shí)測(cè)含油率數(shù)據(jù)和測(cè)井值得到S1井含油率與自然伽馬、密度呈負(fù)相關(guān),與對(duì)數(shù)電阻率、聲波時(shí)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(cè)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(cè)井參數(shù)構(gòu)建多元回歸方程(見表2)。對(duì)比發(fā)現(xiàn)回歸關(guān)系式中利用的測(cè)井參數(shù)越多,模型相關(guān)系數(shù)越高,即預(yù)測(cè)效果越好。例如在五元線性回歸關(guān)系式中,中子測(cè)井系數(shù)僅有0.002,但在含油率預(yù)測(cè)中仍有一定貢獻(xiàn),與之前測(cè)井響應(yīng)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(cè)中子曲線,部分鉆井缺少聲波測(cè)井曲線及密度測(cè)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(dá)到0.772,多元回歸關(guān)系式在研究區(qū)具有適用性,應(yīng)用中可以根據(jù)待預(yù)測(cè)井的參數(shù)類型選擇適合的回歸公式進(jìn)行含油率預(yù)測(cè)。

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(duì)數(shù)電阻率、聲波時(shí)差、密度和短源距中子

2.3 BP神經(jīng)網(wǎng)絡(luò)法

BP神經(jīng)網(wǎng)絡(luò)法將輸入信號(hào)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(hào)原路反向傳播,根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使預(yù)測(cè)值逐步貼近期望值[17],由權(quán)值和閾值組成的矩陣即為預(yù)測(cè)油頁巖含油率的參數(shù)解釋模型。BP神經(jīng)網(wǎng)絡(luò)方法較其他測(cè)井解釋方法相比,有抗干擾和非線性映射的優(yōu)勢(shì)[20-21],但也容易出現(xiàn)過學(xué)習(xí)、欠學(xué)習(xí)、隨機(jī)選取的學(xué)習(xí)樣本缺少代表性等問題。

建立模型前對(duì)所選測(cè)井參數(shù)和實(shí)測(cè)含油率數(shù)據(jù)進(jìn)行正態(tài)分布檢驗(yàn)以確保學(xué)習(xí)樣本的特征空間覆蓋性,將檢驗(yàn)后的測(cè)井值作為輸入數(shù)據(jù)、含油率作為輸出數(shù)據(jù)建立學(xué)習(xí)樣本。隨機(jī)選取S1井?dāng)?shù)據(jù)的60%、20%和20%分別作為輸入樣本的訓(xùn)練集、確認(rèn)集和測(cè)試集。對(duì)輸入數(shù)據(jù)及輸出數(shù)據(jù)進(jìn)行歸一化處理避免由數(shù)據(jù)數(shù)量級(jí)差別造成的預(yù)測(cè)誤差。本文BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)為3層,輸入向量維數(shù)是所選測(cè)井參數(shù)的個(gè)數(shù),輸出向量維數(shù)為1,經(jīng)過實(shí)際訓(xùn)練,設(shè)定隱含層神經(jīng)元數(shù)為10,并設(shè)定最大訓(xùn)練次數(shù)、訓(xùn)練精度和學(xué)習(xí)率避免過度擬合的情況。

為了方便與多元線性回歸模型預(yù)測(cè)效果進(jìn)行對(duì)比,BP神經(jīng)網(wǎng)絡(luò)方法的樣本組合類型見表3。以自然伽馬、對(duì)數(shù)電阻率和密度測(cè)井值作為輸入數(shù)據(jù)建立的模型預(yù)測(cè)效果為例(見圖3),黑圈為隨機(jī)抽取的20%的測(cè)試數(shù)據(jù),黑色對(duì)角線為45°檢驗(yàn)線,紅色直線為預(yù)測(cè)含油率和實(shí)測(cè)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(luò)模型

圖3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與實(shí)測(cè)含油率交會(huì)圖

對(duì)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(yù)測(cè)方法均有較理想的預(yù)測(cè)效果,但多元線性回歸分析方法的預(yù)測(cè)效果整體略優(yōu)于BP神經(jīng)網(wǎng)絡(luò)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(jìn)行全區(qū)油頁巖含油率預(yù)測(cè)。

3 有利區(qū)優(yōu)選及資源量計(jì)算

對(duì)研究區(qū)已有的煤田鉆井進(jìn)行篩選,以盡可能覆蓋勘探區(qū)及測(cè)井資料較齊全作為篩選原則,并對(duì)選擇的鉆井進(jìn)行測(cè)井資料預(yù)處理。按照本文建立的油頁巖測(cè)井評(píng)價(jià)方法進(jìn)行單井油頁巖識(shí)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(shí)別評(píng)價(jià)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(fù)雜程度的有利區(qū)優(yōu)選標(biāo)準(zhǔn)(見表5),并根據(jù)標(biāo)準(zhǔn)對(duì)研究區(qū)進(jìn)行有利區(qū)劃分。

在魚卡地區(qū)共優(yōu)選出5個(gè)目標(biāo)區(qū),包括3個(gè)A類目標(biāo)區(qū)(見圖4、圖5中粉色區(qū)域),2個(gè)B類目標(biāo)區(qū)(見圖4中藍(lán)色區(qū)域)。其中魚卡地區(qū)東部的魚東-東羊水河?xùn)|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(píng)定為A類目標(biāo)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(píng)定為B類目標(biāo)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(gè)別大于5.0%,且該地區(qū)構(gòu)造相對(duì)復(fù)雜,區(qū)內(nèi)存在多條小型斷裂,評(píng)定為B類目標(biāo)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(biāo)區(qū)。B類目標(biāo)區(qū)受后期構(gòu)造剝蝕,

分

圖4 魚卡地區(qū)東部有利目標(biāo)區(qū)分布圖

圖5 魚卡地區(qū)西部有利目標(biāo)區(qū)分布圖

布范圍較小,且研究控制點(diǎn)稀少,含油率和密度數(shù)據(jù)點(diǎn)過少,研究?jī)H對(duì)A類目標(biāo)區(qū)油頁巖資源量進(jìn)行計(jì)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(jì)技術(shù)條件下煤炭資源的可采厚度取值情況,針對(duì)油頁巖地質(zhì)調(diào)查程度低等特點(diǎn),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(cè)井值的加權(quán)平均值。

4 結(jié) 論

(1) 柴北緣?mèng)~卡地區(qū)侏羅系油頁巖測(cè)井響應(yīng)與圍巖(泥巖)區(qū)別明顯,呈現(xiàn)高電阻率、高聲波時(shí)差、低密度、低自然伽馬特征。

(2) 建立3種模型預(yù)測(cè)研究區(qū)油頁巖含油率,其中多元線性回歸模型預(yù)測(cè)效果最佳,BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)效果比多元回歸方法略差,ΔlogR效果一般。綜合考慮模型的預(yù)測(cè)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(yù)測(cè)模型。

(3) 以油頁巖埋深、厚度、含油率及構(gòu)造影響作為評(píng)價(jià)參數(shù)建立有利區(qū)評(píng)價(jià)標(biāo)準(zhǔn)。根據(jù)評(píng)價(jià)標(biāo)準(zhǔn)在研究區(qū)劃分A類目標(biāo)區(qū)3個(gè),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(biāo)區(qū)2個(gè),分別位于魚卡東部的北山和二井田地區(qū)。用體積法計(jì)算A類目標(biāo)區(qū)油頁巖資源量共計(jì)3.41×109t。

參考文獻(xiàn):

[1] 劉招君, 董清水, 葉松青, 等. 中國(guó)油頁巖資源現(xiàn)狀 [J]. 吉林大學(xué)學(xué)報(bào): 地球科學(xué)版, 2006, 36(6): 869-876.

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

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

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

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

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

[7] 馬新民, 郝海燕, 馬峰, 等. 柴北緣?mèng)~卡大煤溝組七段油頁巖開發(fā)價(jià)值 [J]. 西南石油大學(xué)學(xué)報(bào): 自然科學(xué)版, 2013, 35(3): 52-58.

[8] 李霞, 程相志, 周燦燦, 等. 頁巖油氣儲(chǔ)層測(cè)井評(píng)價(jià)技術(shù)及應(yīng)用 [J]. 天然氣地球科學(xué), 2015, 26(5): 904-913.

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

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

[11] 陸巧煥, 張晉言, 李紹霞. 測(cè)井資料在生油巖評(píng)價(jià)中的應(yīng)用 [J]. 測(cè)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(cè)井研究 [J]. 測(cè)井技術(shù), 1998, 22(3): 183-185.

[13] 徐思煌, 朱義清. 烴源巖有機(jī)碳含量的測(cè)井響應(yīng)特征與定量預(yù)測(cè)模型——以珠江口盆地文昌組烴源巖為例 [J]. 石油實(shí)驗(yàn)地質(zhì), 2010, 32(3): 290-300.

[14] 魯靜, 邵龍義, 劉天績(jī), 等. 柴北緣?mèng)~卡地區(qū)侏羅系含煤地層層序地層學(xué)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(píng)價(jià)關(guān)鍵參數(shù)及其求取方法 [J]. 吉林大學(xué)學(xué)報(bào): 地球科學(xué)版, 2006, 36(6): 899-903.

[16] 賀君玲, 鄧守偉, 陳文龍, 等. 利用測(cè)井技術(shù)評(píng)價(jià)松遼盆地南部油頁巖 [J]. 吉林大學(xué)學(xué)報(bào): 地球科學(xué)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(cè)井資料計(jì)算源巖有機(jī)碳含量模型對(duì)比及分析 [J]. 沉積學(xué)報(bào), 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(luò)方法在烴源巖測(cè)井評(píng)價(jià)中的應(yīng)用 [J]. 地球物理學(xué)進(jìn)展, 2002, 17(1): 137-140.

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