A地區頁巖氣儲層總有機碳含量測井評價方法研究

熊鐳，張超謨，，張沖，謝冰，丁一，韓淑敏

（1.長江大學地球物理與石油資源學院，武漢430100；2.長江大學油氣資源與勘探技術教育部重點實驗室，武漢430100；3.中國石油集團東方地球物理有限公司，河北涿州072750）

A地區頁巖氣儲層總有機碳含量測井評價方法研究

熊鐳1，張超謨1，2，張沖2，謝冰1，丁一1，韓淑敏3

（1.長江大學地球物理與石油資源學院，武漢430100；2.長江大學油氣資源與勘探技術教育部重點實驗室，武漢430100；3.中國石油集團東方地球物理有限公司，河北涿州072750）

頁巖氣儲層中總有機碳含量（TOC）反映了頁巖的生烴潛力，準確獲取頁巖氣儲層TOC含量對頁巖氣的開發具有重要意義。利用測井資料的連續性和縱向分辨率高等特點，建立精度較高的TOC測井評價模型。在分析幾種常用TOC測井評價方法限制因素的基礎上，結合A地區巖性變化復雜的實際情況，建立了BP神經網絡預測TOC、擬合方法計算TOC、基于干酪根含量計算TOC共3種模型，并對該地區X井頁巖進行了TOC含量評價。結果表明：在A地區采用BP神經網絡預測TOC模型其精度最高，可為巖性復雜地區的TOC含量評價提供技術支持。

頁巖氣；總有機碳；BP神經網絡；自然伽馬能譜；干酪根

0 引言

總有機碳含量（TOC）是頁巖氣儲層評價中的一個重要參數［1］。受鉆井取心和分析化驗成本的影響，在巖心資料分析中的有機地球化學評價僅能獲取離散且有限的TOC含量值，不能完全反映頁巖氣儲層的有機質豐度［2］。常規測井資料具有連續性好、縱向分辨率高等特點，國內外學者提出了以下幾種利用常規測井資料獲取頁巖氣儲層TOC含量的方法：Fertle［3］提出自然伽馬能譜測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井的ΔlogR法［1］及朱光有等［5］提出的改進ΔlogR法；Carpentier等［6］應用干酪根的含量對地層TOC進行評價；Schmoker等［7］根據密度測井和巖心分析資料回歸評價頁巖氣儲層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網絡預測TOC含量［9-10］。其中，ΔlogR法計算TOC是一種比較成熟的方法，該方法的基礎是假定地層巖性基本不變，使電阻率曲線和聲波時差曲線在非烴源巖層重疊，儲層段電阻率和孔隙度測井曲線的差異完全是由有機質含量的改變引起的。但在A地區儲層段巖性發生改變（儲層上部為泥質頁巖，下部為炭質、硅質巖，部分層段發育灰巖），電阻率和聲波時差曲線的差異不能單純反映地層TOC含量的變化，而BP神經網絡預測TOC、擬合方法計算TOC、干酪根含量計算TOC這3種模型的應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A地區X井頁巖氣儲層的有機質豐度進行評價。從巖心標定與誤差分析中發現：BP神經網絡預測TOC模型因其能夠很好地解決輸入和輸出之間復雜的非線性問題，并且綜合考慮了多測井響應特征，為巖性復雜的頁巖氣儲層TOC評價提供了依據。

1 TOC評價模型

1.1 BP神經網絡預測TOC

BP神經網絡是一種多層前饋神經網絡［11］，其主要特點是信號向前傳播，誤差反向傳播，如果輸出層得不到期望值則轉入反向傳播。根據預測誤差調整權值和閾值，使得網絡輸出不斷逼近期望輸出，很好地解決了輸入和輸出之間復雜的非線性問題。

BP神經網絡預測TOC主要包括以下幾個步驟［11-12］：①巖心歸位。消除測井響應與巖心實驗數據不在同一深度對預測結果帶來的誤差。②輸入參數歸一化處理。避免數據運算中數量級差別造成網絡預測誤差。③輸入選擇。根據測井響應與待預測地層參數之間的關系，選擇合適的測井曲線作為網絡輸入。④樣本選擇。神經網絡的訓練樣本在神經網絡學習中占有重要的地位，樣本集是否具有代表性，決定了網絡的學習效果。采用最近鄰規則的神經網絡樣本，避免隨機樣本選擇的冗余且以合適的樣本數量獲得更高的識別率，增強網絡的泛化能力［13］。⑤神經網絡預測。用訓練好的神經網絡對預測樣本進行預測，并將預測結果和測試樣本做交會圖，進一步評價網絡效果。

1.2 擬合方法計算TOC

擬合方法可快速建立TOC與測井響應之間的關系，在實際生產中具有很好的適用性。利用擬合方法計算TOC主要有以下幾種。

1.2.1 自然伽馬能譜測井中鈾含量與巖心分析TOC擬合

沉積巖中處于還原環境的富含有機質的黏土巖鈾含量最高，因此，在頁巖氣儲層中的自然伽馬能譜測井會顯示較高的鈾含量［3］。

1945年，Supemaw在利用放射性元素作為示蹤劑來輔助確定烴源巖的研究中發現，實驗樣品中天然放射性物質和TOC含量均表現出了一種明顯的相關性，據此，提出了基于伽馬能譜鈾測井評價頁巖地層TOC含量的方法［3］。

1.2.2 密度測井與實驗分析TOC擬合

地層密度測井測量的是地層體積密度，包括骨架密度和流體密度。固體有機碳的密度與水的密度接近，遠低于圍巖密度。正常情況下，由于有機質的存在，頁巖氣儲層烴源巖密度低于常規頁巖地層烴源巖密度［7］?；诖耍ㄟ^建立巖心分析TOC與密度測井響應的關系來評價地層TOC含量。

1.2.3 黃鐵礦與實驗分析TOC擬合

頁巖是在無氧或者缺氧環境下形成（有機碳以干酪根形式存在）的細粒沉積巖，其質量分數為3%～15%。在低能環境下，水表面的有機物含量高而氧含量低，隨著有機物的累積和分解，氧含量逐漸降低并形成還原環境，這有利于頁巖地層保留大量的金屬（黃鐵礦）和稀土元素，因此，在頁巖氣儲層中，黃鐵礦較發育［8］（黃鐵礦可以明顯地降低電阻率測井響應）。此外，黃鐵礦具有較大的密度，用顆粒密度預測TOC也會受黃鐵礦含量的影響。因此，在頁巖氣儲層中，所有涉及電阻率的干酪根評價方法必須要考慮黃鐵礦的影響。在很多還原性的富含有機質的頁巖氣地層中，黃鐵礦含量與TOC表現出明顯的相關關系［8］。

1.3 用干酪根含量計算TOC

干酪根是沉積有機質的主體，約占總有機質體積分數的80%～90%。Carpentier等［6］提出用下式可以將干酪根的含量轉換成TOC：

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

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

從式（1）可看出，該方法的計算重點是獲取地層干酪根的含量。常規的擬合計算很難準確獲取干酪根含量，為此，采用多礦物模型，將干酪根作為一種礦物成分，結合錄井資料建立合適的礦物組合模型，并根據反演測井曲線與原始測井曲線形態對比以及實驗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確的干酪根體積。至此，干酪根含量就可用來評價該地區的TOC含量了。

2 A地區TOC評價模型的選擇

在評價TOC之前，需要對TOC評價方法的限制因素進行具體分析，并對實際的錄井、測井以及巖心分析資料作出正確的選擇。在A地區，TOC評價方法的限制因素如下：

（1）ΔlogR法是一種非統計學的計算方法，計算結果不依賴于巖心分析資料，同時，計算過程沒有復雜的參數設置。但是，該方法假定巖性基本不變，認為電阻率和孔隙度測井曲線特征的改變僅僅是由有機質含量的改變而引起的。根據錄井和巖心分析資料，A地區頁巖氣儲層巖性復雜，目的層巖性以泥質頁巖和炭質、硅質巖為主，部分層段發育灰巖。目的層黏土礦物（伊/蒙混合物）與電阻率存在一定的相關關系（圖1），同時，錄井資料顯示該地區黃鐵礦十分發育，這些因素使得A地區X井目的層電阻率顯示異常低值，導致ΔlogR法在該地區的使用受到限制。

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

（2）在儲層參數計算過程中，BP神經網絡克服了由于復雜巖性的影響導致解釋模型與測井響應不匹配的缺陷，避免了解釋參數的選擇。網絡通過系統輸入、輸出數據的訓練來表達未知函數，并利用訓練好的網絡預測輸出。其不足之處在于，該方法需要大量的巖心分析數據作為基礎。

在A地區選擇自然伽馬（GR）、自然伽馬能譜鈾（U）、聲波時差（AC）、密度（DEN）、補償中子（CNL）、巖性密度（PEF）測井值作為網絡輸入。這是因為：①有機質具有放射性，富有機質地層中的自然伽馬、自然伽馬能譜鈾測井出現高值；②頁巖氣儲層有機質含量直接決定地層含氣量，有機質產氣后使得縱波時差變大；③有機質的密度遠低于巖石骨架密度值，有機質含量的變化在密度測井上有明顯的響應；④有機質含氫指數較高使得補償中子測井出現高值；⑤巖性密度測井受氣體烴的影響會明顯變小。

將巖心分析TOC及其所對應的測井數據歸為45個樣本，運用最近鄰規則，從45個樣本中選擇了34個樣本作為輸入樣本，剩下的11個樣本作為測試樣本。從圖2（a）可看出，巖心分析TOC與神經網絡TOC具有較好的相關性。從圖2（b）的交會點分布可以看出，該網絡模型具有較好的應用效果。

（3）基于統計學方法可以快速得到TOC模型，但該方法對樣品數據有一定的依賴性。為確定A地區自然伽馬能譜測井中的鈾含量與TOC之間的關系，建立了巖心分析TOC與自然伽馬能譜測井的鈾含量交會圖［圖3（a）］及巖心分析TOC與密度測井交會圖［圖3（b）］。圖3（a）中，R2=0.7812，說明鈾含量與TOC具有一定的相關性：TOC=0.003 9×U2.6322。圖3（b）中，密度與TOC之間沒有明顯的相關性。

（4）由于在多礦物模型干酪根計算過程中涉及多個參數的選擇，使得巖性剖面存在多解性，因此，干酪根含量的誤差會直接導致計算結果出現偏差。準確選擇參數是該方法應用的前提條件。

圖2 巖心分析TOC與神經網絡TOC交會圖Fig.2Cross-plot of TOC from core analysis and TOC predicted by neural network

圖3 巖心分析TOC與測井響應交會圖Fig.3Cross-plot of TOC from core analysis and logging response

綜合以上分析，在對A地區TOC含量評價之前，首先需要根據錄井、測井和實驗分析資料識別頁巖氣儲層巖性，在巖性較純的情況下，選擇ΔlogR法對目的層TOC含量進行評價；反之，則根據實驗分析資料建立BP神經網絡、測井響應與巖心實驗分析資料擬合以及多礦物模型轉換計算TOC含量的模型，進而對TOC含量進行評價。

3 實際資料處理

A地區X井的錄井資料顯示，目的層巖性以泥質頁巖，炭質、硅質巖為主，部分層段發育灰巖，同時黏土礦物中的伊利石、蒙脫石以及黃鐵礦十分發育，造成孔隙度與電阻率測井響應受多礦物交叉響應的影響而不能直觀地反映有機質含量的變化。因此，ΔlogR法和密度擬合模型在該地區不適用。筆者通過BP神經網絡預測TOC、擬合方法計算TOC（用自然伽馬能譜測井中鈾含量擬合計算TOC）、干酪根含量計算TOC這3種模型對A地區X井進行評價。

圖4是A地區X井TOC測井評價圖。由于原始測井曲線在2 280 m以上并沒有電阻率測井曲線，故干酪根計算只在2 280 m以下進行。由圖4可知，神經網絡計算的TOC與實測的目的層巖心TOC具有相對較好的一致性。

從圖4和圖5可看出：3種模型的計算效果從好到差依次為BP神經網絡預測TOC、自然伽馬能譜測井鈾含量擬合計算TOC以及基于干酪根含量計算TOC；BP神經網絡因考慮了多種測井資料對TOC的綜合影響，故該方法比單因素自然伽馬能譜測井鈾擬合計算的TOC具有更好的效果；由于干酪根含量在計算過程中會受到參數選取的影響，因此干酪根含量計算TOC最終結果不是很理想，但從曲線圖上看，該計算結果仍然符合目的層TOC的變化趨勢。

圖4 X井TOC計算成果圖Fig.4The TOC calculation results in X well

圖5 A區塊X井有機碳含量計算方法相對誤差圖Fig.5Relative error of calculation methods for TOC content in X well in A area

這3種模型的預測結果均有一定誤差的原因是：①BP神經網絡預測TOC受其本身特性和巖心分析數據的影響，在地層TOC含量偏大或偏小的情況下，預測結果會產生一定的偏差；②擬合方法計算TOC是建立在測井響應只受地層總有機碳含量變化影響的前提下，而實際地層巖性的變化也會導致自然伽馬能譜測井響應發生變化，因此在儲層巖性變化復雜的A地區，自然伽馬能譜測井鈾含量擬合模型預測的效果相對于考慮多因素影響的BP神經網絡模型預測的效果要差；③基于最優化計算干酪根含量的轉換過程涉及多種參數的設置，合理的參數設置需要依據充分的實驗分析資料，理論參數在不同地區的實際應用過程中可能會導致預測結果出現誤差。

4 結論

（1）由于A地區頁巖氣儲層巖性變化復雜，目的層巖性以泥質頁巖，炭質、硅質巖為主，部分層段發育灰巖，同時伊/蒙混合物與黃鐵礦含量較高，造成孔隙度和電阻率測井響應受多礦物交叉響應的影響，而不能直觀地反映有機質含量的變化，這使得ΔlogR方法和密度擬合模型在該地區不適用。

（2）A地區巖石礦物成分復雜，多礦物模型計算干酪根的過程中涉及多個參數的設置，在合適的地區經驗參數設置是提高利用干酪根含量計算TOC精度的主要途徑。

（3）BP神經網絡預測TOC因其能夠表達多個輸入和目標輸出之間復雜的非線性關系，且綜合考慮了多測井響應特征，較單參數擬合計算具有快捷準確的優勢，在骨架礦物變化復雜地區的TOC預測中具有很好的應用效果。

［1］郝建飛，周燦燦，李霞，等.頁巖氣地球物理測井評價綜述［J］.地球物理學進展，2012，27（4）：1624-1632.

［2］曲彥勝，鐘寧寧，劉巖，等.烴源巖有機質豐度的測井計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，張林曄.用測井信息獲取烴源巖的地球化學參數研究［J］.測井技術，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，陳踐發，苗忠英.一種新的TOC含量擬合方法研究與應用［J］.天然氣地球科學，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神經網絡30個經典案例［M］.北京：北京航空航天大學出版社，2010.

［12］楊建，楊程博，張巖，等.基于改進神經網絡的滲透率預測方法［J］.巖性油氣藏，2011，23（1）：98-102.

［13］郝紅衛，蔣蓉蓉.基于最近鄰規則的神經網絡訓練樣本選擇方法［J］.自動化學報，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

湖北省自然科學基金項目“基于等效巖石單元模型的滲透率測井評價方法研究”（編號：2013CFB396）資助

熊鐳（1988-），男，長江大學在讀碩士研究生，研究方向為地球物理測井綜合解釋。地址：（430100）湖北省武漢市蔡甸區長江大學。E-mail：xiongzy71@gmail.com。