威遠地區早古生代筇竹寺組頁巖儲層有機碳預測方法研究

劉 成, 李俊翔, 張 慶, 楊亞東, 周 昕, 吳朝容, 李 勇, 張 兵, 李金璽, 韓建輝

(1.成都理工大學 地球物理學院，成都 610059;2.中國石油川慶鉆探工程有限公司 頁巖氣項目經理部，成都 610051)

0 引言

頁巖氣屬于非常規天然氣,經常富集于有機質頁巖中,且具有多種賦存形式和賦存空間,常吸附于有機質頁巖上、粘土顆粒表面微小的孔隙中,通過游離的方式儲存在天然裂縫以及孔隙當中,或在干酪根中以溶解的方式儲藏[1-4]。近年來,頁巖油氣勘探發展迅速,頁巖儲層評價受到了更多油氣工作者的關注,頁巖儲層包括頁巖氣儲層和頁巖油儲層兩部分[5]。由于有機碳值指示著烴源巖產氣能力的高低，所以經常作為衡量頁巖儲層產氣量的核心指標[1-2],同時作為評價烴源巖生烴潛力的關鍵參數,對吸附氣含量的估算也有巨大影響,所以利用常規測井方法簡單準確地計算TOC含量對于評價烴源巖具有重要意義。巖心樣品分析的TOC值,一般是根據取心情況,間隔一段距離采取一個巖樣，獲得的TOC值是按一定采樣間隔的離散值,且不一定均勻分布,使用這些分散的、間斷的TOC值去評價整段烴源巖,其評價結果的精確性會大大降低[6],而且大量測試巖樣成本高。因此,利用均勻采樣的、具高縱向分辨率特點的測井資料,并通過不同巖石類型對測井參數的響應特征來預測烴源巖TOC含量,可以減少實驗時間、節省實驗費用[7-10]。據前人研究，利用測井數據進行TOC預測的方法很多，相同的數據利用不同預測方法計算的結果可能存在差異，甚至相差甚遠。因此，在利用測井參數進行TOC預測時，方法選擇也至關重要。對于TOC含量預測方法，國內、外學者做了許多的研究，Autric等[11]采用了放射性、聲波時差和電阻率等測井曲線來預測低滲透巖石中的有機碳含量；Schmoker等[12]采用巖心測試數據和密度測井數據，利用線性回歸去評價頁巖的有機碳含量；Paryab等[13]使用ΔlgR方法和神經模糊技術來預測TOC的含量；陳浩等[14]通過考慮多個因素與TOC的相關關系，建立多元線性回歸預測模型，極大的改善了單因素分析結果的準確性；王祥等[15]提出了一種引入密度因素來預測TOC含量的廣義ΔlgR法，與傳統方法相比預測精度得到明顯提高；朱振宇等[16]運用的神經網絡法在烴源巖測井識別方面表現出了較大的優越性；盧鵬羽等[17]利用BP神經網絡預測了倫坡拉盆地有機碳含量，相比于ΔlgR法，其預測的準確度更高。通過總結前人在有機碳預測中的研究方法，筆者從原理上可將其歸納為多元回歸分析法、ΔlgR法、神經網絡法三大類。因此，筆者亦分別利用這三大類方法對威遠地區早寒武世筇竹寺組頁巖有機碳進行預測研究。通過結合地質條件，闡述預測方法機理，對產生的預測結果進行內在原因分析，旨在選出本區域最佳預測方法，為其他地區非常規油氣勘探的方法選擇提供參考，為威遠地區早寒武世筇竹寺的頁巖油氣勘探開發提供幫助。

1 研究區地質背景

威遠地區位于四川盆地中南部，東以榮昌—大足為界，西至彭山—樂山一線，北以成都—遂寧市為界，南達筠連—綏江，占地1.2×104km2。研究區位于威遠背斜東南翼，包括西部高陡背斜區、中部過渡區和東南低緩向斜區[18-19]。威遠地區 古構造 演化與樂山—龍女寺古隆起具有密切關聯，經歷了加里東期、印支期、燕山中期長期的風化剝蝕，中侏羅統沙溪廟組及以上地層普遍缺失。研究區海相黑色頁巖主要發育于下寒武統筇竹寺組、下奧陶統五峰組和下志留統龍馬溪組地層中。下寒武統筇竹寺組沉積環境為靜水、相對缺氧的深水陸棚環境，沉積了一套厚度較大、分布廣泛的黑色頁巖，其有機碳含量較高[20]，是中國非常規油氣勘探領域具有較大開發潛力的層位之一[21]。

2 有機碳測井響應特征及相關性分析

TOC在測井曲線上的響應與圍巖存在很大的不同之處,所以測井曲線上的特殊響應能夠當作識別TOC的指標[22]。對有機碳響應特征明顯的測井曲線主要有自然伽馬(GR)、鈾(U)、密度(DEN)、井徑(CAL)、聲波時差(AC)、電阻率(RT)、光電吸收截面指數(PE)、中子孔隙度(CNL)等。其中,GR曲線反映了總的自然伽馬射線強度,與鈾、釷、鉀等放射性元素含量有關,泥質沉積在還原環境和TOC富集時會吸附大量的鈾離子,含有豐富有機質的烴源巖往往具有豐富的鈾含量。因此,自然伽馬、鈾與TOC含量通常會有較高的正相關性(圖1～圖2)。有機碳含量的增加會造成孔隙度增大,密度減小,速度降低,因此,富有機碳頁巖表現為低密度、低縱波速度、高聲波時差(圖3)、井徑擴徑的特征。巖性密度測井測定地層密度及光電吸收截面指數,當地層中富含TOC時會造成地層體積密度降低,所以富有機質頁巖的PE值較低(圖4)。TOC屬于非導電物質,電阻率會隨TOC含量的增加而增大。但總結工區測井資料發現,有機碳在增加的同時,井徑減小、密度值增大、電阻率減小,且中子孔隙度對TOC含量變化的響應并不明顯(圖5～圖8),這與前面的機理分析所得到的結果并不對應。通過觀察巖心發現,巖心中存在大量黃鐵礦,其具有的導電率高、密度大等性質,會影響儲層的密度、電阻率測井響應。頁巖巖石骨架和油氣的氫含量很高,且相互替換,所以兩者的中子測井沒有顯著差異,用來指示油氣效果不佳。有機碳的存在會導致擴徑,但井徑還受裂縫、巖石巖性、測量儀器等多種因素影響。

圖1 GR與實測TOC交會圖Fig.1 Cross plot of GR and measured TOC

圖2 U與實測TOC交會圖Fig.2 Cross plot of U and measured TOC

圖3 AC與實測TOC交會圖Fig.3 Cross plot of AC and measured TOC

圖4 PE與實測TOC交會圖Fig.4 Cross plot of PE and measured TOC

圖5 CAL與實測TOC交會圖Fig.5 Cross plot of CAL and measured TOC

綜上所述,根據富有機質頁巖在測井上的響應特征及研究工區測井資料的交匯分析,總結出優質頁巖儲層的測井響應特征及影響因素(表1)。從表1中可以看出:優質頁巖測井響應特征表現為“四高兩低一擴”的特征,即高自然伽瑪、高電阻率、高聲波時差、高中子、低密度、低光電吸收截面指數、井徑擴徑。同時交匯分析表明,實測有機碳與GR、U相關性最好。與AC、CAL、RT具有一定相關性、與PE、DEN、CNL相關性較差。根據相關性及測井響應機理研究,在后續的方法研究中,合理的選取測井參數作為自變量,進行有機碳的預測研究。

圖6 RT與實測TOC交會圖Fig.6 Cross plot of RT and measured TOC

圖7 CNL與實測TOC交會圖Fig.7 Cross plot of CNL and measured TOC

圖8 DEN與實測TOC交會圖Fig.8 Cross plot of DEN and measured TOC

表1 頁巖儲層測井響應特征

3 頁巖TOC含量預測方法

3.1 多元回歸分析法

有機碳受多種地質因素影響，僅憑單一測井數據建立TOC預測模型往往不能取得好的預測效果，因此考慮多個測井參數與有機碳含量建立研究區的多元回歸模型。根據實測TOC與各測井參數的相關性及高TOC頁巖的測井響應特征，選擇GR、U、AC、CAL測井參數構建多元回歸模型并代入TOC值，得到如下方程：

TOC=0.004GR+0.49U+0.062AC+

0.001RT-0.374CAL-0.183

(1)

式中：GR為自然伽馬，API；U為鈾元素；CAL為井徑，cm;AC為聲波時差，μs/ft。

圖9的TOC預測值與實測值的交會圖及較高的擬合度表明，多元回歸模型擬合能力較好，具有一定的預測能力，與利用單一測井參數預測相比，預測精度得到提高。

圖9 多元回歸方法預測TOC與實測TOC的交會圖Fig.9 Cross plot of measured TOC and predicted TOC by multiple regression method

3.2 拓展ΔlgR法

傳統的ΔlgR法由Passey等[23]提出，該方法以GR曲線定性識別烴源巖為理論基礎，當巖石是細粒和非烴源巖時，將重合的AC與RT曲線作為基線，AC和RT曲線之間的差為ΔlgR值(圖10)[23]。

圖10 ΔlogR方法識別富有機質地層示意圖Fig.10 Sketch map of rich organic matter identification by logR method

傳統ΔlgR法有機碳預測公式如下：

ΔlgR=lg(R/R基)+0.02(Δt-Δt基)

(2)

TOC=(ΔlgR)×102.297-0.1688LOM

(3)

本次研究缺乏成熟度參數數據，且該方法基于中淺層、正常壓實的地層提出，但筇竹寺頁巖埋藏深，同時壓實作用導致筇竹寺組孔隙度減小，對孔隙度變化敏感的聲波時差也逐漸減小，曲線形態趨于平直。從而造成了難于確定基線和識別ΔlgR值困難的情況。通過分析前人研究結果及工區數據，考慮使用GR曲線來代替成熟度參數，因為GR曲線受壓實作用影響小，與LOM、AC、RT相比，GR對深層烴源巖的變化更敏感[24]，且與有機碳存在良好的相關性。基于此，建立通用公式為式(4)。

TOC=(a×GR+b)×lgR+c

(4)

式中：a、b、c為常數；GR為自然伽馬曲線，API；R為電阻率，Ω·m；TOC為預測的總有機碳，%。

利用研究區巖心樣品測得的TOC值與測井曲線對應深度的自然伽馬、電阻率測井值，按照公式(4)進行擬合，得到系數a、b、c的值，帶入公式(4)，得到本工區的TOC預測公式為式(5)。

TOC=(0.005×GR-1.243)×lgR+2.187

(5)

通過拓展ΔlgR法計算有機碳含量與實測有機碳的相關性，結果表明預測結果并不理想，擬合度僅為0.625 5(圖11)。其預測值和實測值之間存在不小的差距，預測效果不理想，用來做定量預測并不準確。

圖11 拓展ΔlgR法TOC預測值與實測值交會圖Fig.11 Cross plot of measured and predicted TOC by expand ΔlgR method

3.3 RBF神經網絡法

3.3.1 RBF神經網絡原理

多元回歸法和拓展ΔlgR法都能夠對TOC做一定預測，其中多元回歸法具有較好的預測效果，預測結果可以較好的表征TOC的變化，但預測精度仍不理想。前人的研究指出，最佳擬合性能和全局擬合的特征是RBF神經網絡的顯著優勢，非常適用于非線性數據的擬合[25-27]。基于RBF神經網絡的非線性擬合法具有計算量小、不存在局部最小問題和良好的泛化能力，相比一般算法學習速度較快等優點[28-30]。因此，針對前兩種方法的不足，我們考慮將RBF神經網絡法運用于有機碳的預測中，期望達到更好的預測效果。

圖12是RBF神經網絡的基本框架,由輸入層、隱含層、輸出層三層構成。輸入層是外界環境與網絡的連接橋梁;隱含層通常有較高的維數,具有將向量從低維映射到高維的作用,可以使在低維線性不可分的非線性數據到高維度變得線性可分；第三層為輸出層，由隱層空間到輸出層空間為線性映射。完整的RBF神經網絡完成了從輸入層到隱層的非線性變換和隱層到輸出層的線性變換過程，這樣的網絡結構使其非常適合于非線性數據擬合，同時又具有計算量小，不會限于局部最小的優點。

圖12 RBF神經網絡基本框架圖Fig.12 Basic framework of RBF neural network

筆者設RBF神經網絡輸入層、隱含層、輸出層的節點個數分別為p、m、k。并通過Xp→Rj實現輸入層到隱含層的非線性映射，Ri-yj實現隱含層到輸入層的線性映射。其中Ri為RBF神經網絡的激活函數，表示為：

i=1,2,…,m

(6)

式中：Xp為輸入樣本;Ci、σi、Ri分別為第i個基函數中心、感知向量、輸出節點。網絡輸出yj可表示為：

(7)

式中:yj為輸出層第j個節點輸出；wij為輸出層的輸出權值。

3.3.2 數據選擇及歸一化處理

數據的選擇會直接影響預測結果，根據前文測井響應特征及相關性分析，選擇了GR、U、CAL、AC等測井數據進行網絡訓練。由于各測井數據量綱不一致，在進行神經網絡處理之前，需將數據歸一化處理，歸一化處理公式為式(8)。

(8)

其中：X*是歸一化處理后的數據；X是測井數據；Xmin、Xmax分別為該測井數據的極小值和極大值。

3.3.3 Matlab的實現及預測結果

1)網絡設計。RBF神經網絡設計采用迭代方式,增加一個神經元即為迭代一次,當神經元數量達到最大，亦或者誤差平方和降到目標誤差之下時停止計算。本次研究采用matlab軟件實現網絡構建。首先對數據進行預處理,確定輸入輸出向量；然后創建網絡模型并對其進行網絡訓練；接下來利用sim函數測試網絡，根據輸出結果通過添加神經元和改變擴展速度等來調整網絡結構，明確網絡的最佳參數，搭建最終網絡結構。在此基礎上，利用該網絡模型進行測試驗證及TOC的預測。

2)網絡訓練及驗證。分別選取144個樣本和10個樣本進行網絡訓練及網絡測試驗證。網絡訓練結果如圖13所示，TOC的預測值與實測值的擬合系數達0.852 9；網絡測試結果如圖14所示，擬合度達到了0.834 1，結果表明該網絡模型具有良好的預測能力及可靠性，相比前兩種方法，預測精度更高。

圖13 訓練樣本預測TOC與實測值交會圖Fig.13 Cross plot of measure and training samples predicted TOC

圖14 測試樣本預測TOC與實測TOC交會圖Fig.14 Cross plot of measure TOC and test samples predicted TOC

4 方法應用效果分析

通過對比不同方法得到的有機碳預測值與實測值，分析兩者的相關性，以此選出適合工區的預測方法，并對不同方法的預測結果進行分析。

研究表明，三種方法的預測效果為：RBF神經網絡法>多元回歸分析>拓展ΔlgR法。其中拓展ΔlgR法基于傳統ΔlgR法提出，結合工區數據情況，利用自然伽馬曲線來代替成熟度參數對其改進，但改進后效果仍然不理想。進一步分析認為，筇竹寺組頁巖埋藏深，強壓實作用致孔隙度減小，使致密巖層中較難存在導電流體，造成異常高電阻率，對準確預測有機碳造成了極大地干擾，影響了該方法的預測效果，所以，筆者認為ΔlgR法運用于深層儲層TOC預測時需對研究工區地質情況進行詳細的調研，再結合實際地質情況對ΔlgR法進行相應、合理的改進。關于多元回歸分析法，其預測的有機碳與實測有機碳擬合度為0.725 1，具有較強的預測能力，但精度仍不能滿足要求。研究認為是多元回歸模型的預測精度受到了測井參數與實測TOC數據之間復雜的非線性關系的影響，基于線性關系所建立的多元線性回歸模型難于精確描述其內在復雜的非線性關系，導致預測精度不理想。而RBF神經網絡法通過輸入空間到隱層空間的非線性變換將自變量映射到另一空間，并在該空間實現了線性計算，將非線性回歸問題轉化為線性回歸問題進行處理，也可認為是通過空間轉換原理，使映射到這一空間的數據具有更高的相關性，真實的刻畫出有機碳含量與測井曲線之間復雜的非線性關系，從而得到最佳的預測效果。

各方法預測結果對比圖(圖15)也表明，拓展ΔlgR法的預測效果較差，預測值與實測值存在較大差距，采用該方法做定量預測誤差較大。多元回歸分析法預測值與實測值的變化趨勢基本一致，只局部存在較明顯的誤差，總體預測效果較好。相比前兩種方法，RBF神經網絡法在預測精度上得到了很大地提高，預測效果最好。因此，研究認為在威遠地區早寒武世筇竹寺組頁巖有機碳預測中，RBF神經網絡法為最佳預測方法。

圖15 威遠地區筇竹寺組頁巖TOC實測值與預測值對比圖Fig.15 Comparison between TOC measured value and predicted of deep shale in qiongzhusi，Weiyuan area

5 結論

筆者使用多元回歸分析法、拓展ΔlgR法、RBF神經網絡法等多種方法對威遠地區早古生代筇竹寺組頁巖儲層TOC含量進行預測，并進行橫向對比優選，得到了以下結論：

1)優質頁巖測井曲線響應特征通常表現為“四高兩低一擴”，即高自然伽馬、高電阻率、高聲波時差、高中子、低密度、低光電吸收截面指數、井徑擴徑。同時礦物的存在也會影響測井曲線的響應特征，因此，當測井曲線特征與常規機理分析結果不符時，應考慮礦物成分對其的影響。

2)傳統的ΔlgR法基于中淺層、正常壓實的地層提出，運用于埋藏較深的儲層時，受強壓實作用的影響，預測效果不佳，所以針對深層頁巖TOC預測時，該方法需根據研究區的具體地質情況進行合理的改進。

3)威遠地區筇竹寺頁巖TOC預測采用具有非線性擬合能力的RBF神經網絡法效果最好，擬合度達0.852 9，明顯優于多元回歸法和拓展ΔlgR法。