基于改進Δlog R方法的陸相頁巖氣儲層應用
——以四川盆地D地區X組為例

羅意淳， 張超謨， 張占松， 石文睿， 劉偉男,2， 周雪晴,3， 張亞男

( 1. 長江大學 油氣資源與勘探技術教育部重點實驗室，湖北 武漢 430100； 2. 中海石油(中國)有限公司 深圳分公司，廣東 深圳 518054； 3. 中國科學院 深海科學與工程研究所，海南 三亞 572000 )

0 引言

相較于北美構造簡單、成藏條件好的海相頁巖氣，中國陸相頁巖氣發育環境更加復雜、儲集條件更加多樣、保存條件各異[1-2]。中國最主要的頁巖氣富集區，也是頁巖氣儲量最大的四川盆地發育海相、海陸過度相和陸相三種類型的頁巖氣。其中，海相五峰—龍馬溪組頁巖氣實現工業化開發[3-4]，并取得豐富的研究成果。近年來，陸相頁巖氣的研究也取得一定的進展[5-7]，為在頁巖氣領域實現更大的突破，需要加大對陸相頁巖氣的勘探開發力度，其中四川盆地早中侏羅世的陸相頁巖氣具有良好的勘探前景[8]，是陸相頁巖氣勘探開發的重點層位[9-10]。對于陸相頁巖氣儲層，由于沉積環境、沉積條件及物質來源較為復雜，非均質性極強[11]，薄互層、夾層頻繁出現，巖性變化快、變化大，要實現商業開發還需持續加強基礎研究、聚焦有利“甜點”、攻關瓶頸技術[8]。有機質的存在是頁巖中形成天然氣聚集的核心要素，對儲層的生氣能力與儲氣能力有重要作用[12]。總有機碳(TOC)質量分數作為衡量頁巖有機質豐度和生氣能力的關鍵指標[13]，是頁巖氣儲層評價分級的必要參數，對頁巖氣儲層的儲量統計和有利“甜點”確定有重要意義。

測井曲線具有較高的縱向分辨率，有效彌補巖心實驗分析取樣少、成本大、時間長的缺點，是頁巖氣儲層評價的重要方法[14]。SCHMOKER J W使用密度測井曲線和伽馬測井曲線評估頁巖氣儲層的總有機碳質量分數[15]。基于阿爾齊公式，PASSEY Q R等提出ΔlogR方法[16]，在非烴源巖層段使電阻率和孔隙度曲線重疊，在烴源巖層段假定總有機碳質量分數與電阻率、孔隙度曲線的幅度差呈正比且受成熟度的影響，能夠消除孔隙對測井曲線的影響，可以較準確計算總有機碳質量分數，是目前使用最為廣泛的方法。如果上下地層出現巖性改變，ΔlogR方法不再適用，需要進行改進[17-19]。總有機碳質量分數評價方法在海相頁巖氣方面應用日趨成熟。陸相頁巖氣儲層在礦物組分、地化特征等方面與海相頁巖氣儲層有較大區別，不能完全照搬海相頁巖氣評價方法[20]。對于陸相頁巖氣儲層，劉超等提出變系數ΔlogR方法，將孔隙度曲線與電阻率之間的轉化系數視為變量，以一定的步長變化，找出使誤差較小的轉化系數，提高總有機碳質量分數預測精度[21]。在變系數ΔlogR方法的基礎上，黃勝等選出與烴源巖巖性相近的粉砂質泥巖和泥質粉砂巖，重新確定轉化系數，利用平均單層烴源巖厚度和鏡質體反射率的關系式，確定ΔlogR模型的相關系數，在松遼盆地陸相頁巖氣單井中取得較好的應用效果[22]。胡慧婷等利用自然伽馬曲線受壓實影響小、對陸相深層頁巖氣儲層有機質變化更為敏感的特點，采用自然伽馬曲線代替成熟度作為ΔlogR方法的參數[23]，松遼盆地沙河子組應用表明精度有較大提高。

采用機器學習方法預測總有機碳質量分數，可以利用較多的測井曲線和地層信息，在不考慮實際地質情況變化時，預測精度通常高于其他方法的[18]。熊鐳等采用BP神經網絡模型預測總有機碳質量分數[24]。朱林奇等利用優化的模糊神經網絡模型預測總有機碳質量分數[25]，效果優于BP神經網絡的。馮明剛等采用隨機森林模型預測總有機碳質量分數，模型泛化能力強，不易發生過擬合現象[26]。王惠君等采用卷積神經網絡模型預測總有機碳質量分數，預測結果比ΔlogR模型、BP神經網絡模型有更高的可靠性[27]。由于機器學習方法理論依據不足，在模型建立和應用時難以對實際地質情況進行調整，對樣本數量和質量要求很高，很難在相應區塊大規模推廣應用。

四川盆地D地區X組陸相頁巖氣儲層黏土礦物質量分數高、成熟度較低、有機質富集層段電阻率較低。通過優化轉化系數和引入放射性測井曲線改進ΔlogR方法，建立黏土礦物導致的低電阻率校正ΔlogR模型——CΔlogR模型，能夠準確預測研究區總有機碳質量分數，為陸相頁巖氣儲層的儲量計算和有利區優選提供支持。

1 研究區地質概況

研究區為四川盆地D地區X組，主要為濱湖—淺湖和半深湖沉積環境，暗色泥頁巖發育，厚度在30～60 m之間。B井3 502.58～3 604.68 m井段65塊樣品分析表明：有機質類型主要為Ⅱ型和Ⅲ型；總有機碳質量分數在0.15%～3.01%之間，平均為1.05%，富有機質層段主要為X組一段和X組二段；鏡質體反射率在1.23%～1.29%之間，平均為1.26%，有機質處于成熟階段；孔隙度在1.0%～6.4%之間，平均為3.9%。礦物組分中，石英質量分數介于8.70%～57.40%，平均為37.60%；碳酸鹽巖質量分數介于0.90%～49.90%，平均為3.60%；黏土質量分數介于28.50%～63.70%，平均為49.70%。礦物組分縱向上變化較快，非均質性強(見圖1(a))。在黏土礦物中，伊/蒙混層占比為41.70%(見圖1(b))。

圖1 研究區全巖、黏土組分分析Fig.1 Analysis diagram of whole rock and clay composition in the study area

2 儲層測井響應規律

2.1 測井響應分析

基于研究區實驗資料，分析頁巖層段測井響應特征，明確與海相頁巖氣儲層響應特征差異，為研究區陸相頁巖氣儲層總有機碳評價提供參考。典型海相頁巖氣儲層的有機質聚集測井響應特征：(1)有機質具有放射性，自然伽馬呈高值；(2)有機質具有生烴作用，聲波時差呈高值；(3)有機質密度遠低于巖石骨架密度，密度呈低值；(4)有機質含氫指數較高，中子孔隙度呈高值；(5)有機質不導電，電阻率呈高值。

以美國東得克薩斯盆地鷹潭頁巖氣區為例，頁巖氣儲層主要為鈣質頁巖，隨有機質的增多，頁巖氣儲層表現高自然伽馬、高電阻率、高聲波時差、高中子孔隙度和低密度的特征[28]。D地區X組陸相頁巖氣儲層測井響應(見圖2)表明，研究區非均質性強，薄互層較多，測井曲線整體上波動較多；頁巖氣儲層連續累計厚度較薄，表現高自然伽馬、低電阻率、高聲波時差、高中子孔隙度和低密度的特征。與海相頁巖氣儲層的測井響應特征對比，二者電阻率曲線特征相反，原因是研究區陸相頁巖儲層黏土質量分數較高，主要發育泥頁巖，而鷹潭頁巖氣儲層黏土質量分數較低，主要發育鈣質頁巖。黏土質量分數較高在一定程度上導致研究區陸相頁巖氣儲層呈低電阻率特征。

圖2 D地區X組測井響應與巖心分析Fig.2 Logging response graph and core analysis of X Formation in D Area

2.2 測井響應差異性

影響頁巖氣儲層電阻率因素包括：(1)有機質進入過成熟階段，化學成分發生變化，逐漸變為低氫量的炭質化合物，直至變為石墨，石墨的強導電能力使地層電阻率降低。(2)黏土礦物含有多種孔隙結構，導致高束縛水飽和度，增強地層導電能力而使地層電阻率降低。(3)集中發育的黃鐵礦也對導電率有一定影響[29-30]。巖心資料顯示，研究區成熟度最高為1.29%，未達到過成熟階段；研究區黃鐵礦質量分數最高為4.20%，僅在個別層段呈散點狀分布，最下部的紅色框中黃鐵礦較為發育(見圖2)；電阻率最低為16 Ω·m，藍色框中黃鐵礦基本不發育，電阻率最低為15 Ω·m，說明黃鐵礦不是地層電阻率降低的主要原因。

研究區58塊樣品，以及川南地區五峰—龍馬溪組海相頁巖氣儲層169塊樣品的X線衍射全巖分析[31]表明，海相頁巖氣儲層的石英和長石質量分數在16.00%～81.90%之間，平均為51.10%；碳酸鹽巖質量分數在0～64.40%之間，平均為26.10%；黏土質量分數在5.00%～56.60%之間，平均為21.20%。研究區陸相頁巖氣儲層的石英和長石質量分數在16.10%～67.60%之間，平均為43.30%；碳酸鹽巖質量分數在0.20%～49.50%之間，平均為2.90%；黏土質量分數在28.50%～63.70%之間，平均為49.70%。相較于典型海相頁巖氣儲層，研究區陸相頁巖氣儲層的主要礦物質量分數有較大變化。研究區電阻率曲線相關關系(見圖3)表明，黏土質量分數、孔隙度和束縛水飽和度與電阻率呈負相關關系，黏土質量分數與束縛水飽和度呈正相關關系，高黏土質量分數導致束縛水飽和度增加，是低電阻率現象的主要原因。

圖3 研究區電阻率曲線相關關系Fig.3 Correlation analysis diagram of resistivity curves in the study area

研究區有機質成熟度在1.23%～1.29%之間，屬于成熟階段。焦石壩地區龍馬溪組海相頁巖的有機質成熟度介于2.90%～3.42%，屬于過成熟階段[32]。有機質成熟度是判斷有機質生烴強度、生烴特征的主要指標，并且有機質孔的發育與生烴過程密切相關[5,33]，當頁巖處于成熟階段時，有機質孔發育程度較低，有機質還未開始大量生烴生氣；當頁巖處于過成熟階段時，有機質進入生氣高峰，產生大量的有機質孔[34]。陸相頁巖氣儲層的高黏土質量分數提高儲層吸附氣量[35]。研究區有機質多以固態干酪根的形式存在且占比增大，在測井響應上，聲波時差曲線對有機質的響應更靈敏，電阻率曲線對有機質的響應不靈敏[16]，研究區的高黏土質量分數導致電阻率曲線降低。

3 CΔlog R模型

ΔlogR方法在北美海相頁巖儲層中應用效果較好。對于研究區陸相頁巖氣儲層，使用ΔlogR方法計算總有機碳質量分數不準確：一是高黏土質量分數導致的低阻現象在烴源巖層段普遍出現，電阻率與聲波時差曲線的幅度差有時難以反映真實的總有機碳質量分數；二是ΔlogR方法是在海相頁巖中確定的轉化系數，由于成熟度不同，有機質向烴類轉化的程度也不同，其中固態干酪根與烴類的占比也有較大差別，對聲波時差轉化系數的取值有較大影響[21]。

3.1 聲波時差轉化系數

ΔlogR方法通過聯立聲波時差、電阻率與孔隙度的關系式，消去孔隙度得到聲波時差與電阻率之間的關系，在聲波時差為262～460 μs·m-1時，電阻率對數與聲波時差關系曲線的斜率近似為0.006，對應電阻率與聲波時差之間的轉化系數k。

確定k是為了消除孔隙度的影響。k的推導涉及經驗公式和地區參數，以一定幅度變化k，預測誤差隨幅度變化而呈規律性變化，當k取0.006時，在陸相頁巖氣儲層中的計算誤差并非最小[21]。另外，聲波時差曲線主要反映固態的干酪根，電阻率曲線主要反映孔隙的烴，在有機質成熟度較小的陸相頁巖氣儲層中，聲波時差曲線更能反映有機質質量分數，k隨之增加，需要找到一個既能有效消除孔隙度影響，又能輔助聲波曲線準確識別固態干酪根的k，使ΔlogR方法在研究區有更強的適用性。

為了使k準確反映研究區聲波時差與電阻率之間的關系，在研究區非烴源巖段找到聲波時差與電阻率曲線較為平穩的層段(見圖4紅色線中間部分)，作為標準段重新擬合聲波時差與電阻率對數的斜率，盡可能排除巖性、礦物等其他因素的影響，找到合適的k。

圖4 研究區聲波時差和電阻率曲線重疊Fig.4 Overlapping diagram of sonic time difference resistivity in the study area

3.2 電阻率校正因子

根據海相與陸相頁巖氣儲層特征，在一定程度上修正研究區陸相頁巖氣儲層的高質量分數黏土引起的高束縛水飽和度導致的低電阻率現象，使ΔlogR方法能更加準確反映總有機碳質量分數。研究區電阻率與束縛水飽和度呈反比關系，采樣點高出標準段的束縛水飽和度越多，電阻率相對于標準段的電阻率降低越多，所需校正量也越大。地層中自然伽馬放射性主要由巖石中釷、鈾、鉀的質量分數確定，鈾的質量分數主要與有機質有關，釷和鉀的質量分數主要與黏土礦物有關，束縛水飽和度與黏土質量分數呈正相關關系，去鈾伽馬曲線KTh可以反映束縛水飽和度的變化。電阻率校正因子g的確定參考自然伽馬曲線計算泥質質量分數的方法[36]，用去鈾伽馬曲線求取目的層段的黏土質量分數，與基線處(選取的標準段)黏土質量分數的比值為g：

(1)

式中：c為地層經驗因數，第三紀地層取3.7，老地層取2.0，研究區為早中侏羅世，c取2.0；KTh為去鈾伽馬曲線值；KThmin、KThmax分別為目的層段去鈾伽馬曲線最小值和最大值；KThb為基線處去鈾伽馬曲線值。

通過標準段黏土質量分數對儲層段黏土質量分數作標定，g表征儲層段電阻率偏移程度，以倍數形式乘以電阻率實現電阻率校正。繪制加入校正因子前后低阻段的電阻率與總有機碳質量分數的交會圖(見圖6)，電阻率校正克服束縛水飽和度的影響，較好體現與總有機碳質量分數的對應關系。

圖6 加入校正因子前后研究區電阻率與總有機碳質量分數交會Fig.6 Intersection plot of resistivity and total organic carbon content before and after adding the correction factor in the study area

將電阻率校正因子g帶入ΔlogR模型，與電阻率曲線相乘，可得改進CΔlogR模型：

(2)

w(TOC)=102.297-0.168 8LOM·CΔ logR+Δw(TOC),

(3)

式中：CΔlogR為幅度差；R為電阻率；Δt為聲波時差；Rj和Δtj分別為電阻率曲線和聲波時差曲線的基線值；LOM 為成熟度指數；Δw(TOC) 為總有機碳質量分數背景值。

將102.297-0.168 8LOM和Δw(TOC) 分別看作常數a、b，利用研究區數據通過最小二乘法擬合得到，式(3)可以寫為

w(TOC)=aCΔlogR+b。

(4)

4 現場應用

研究區實際井的電阻率、聲波時差、去鈾伽馬的基線值分別取自目的層非烴源巖段的平均值。其中，Rj=58.6562 8 Ω·m，Δtj=217.26 μs·m-1，KThb=67.934 633 8 API，k=0.014 9(見圖5)，a=1.562 6，b=0.710 7，確定CΔlogR模型的表達式為

圖5 研究區標準段聲波時差與電阻率對數交會Fig.5 Intersection diagram of sonic time difference and resistivity logarithm in the standard section in the study area

(5)

ΔlogR模型的表達式為

(6)

在采用CΔlogR模型對實際井資料進行評價時，為分析應用效果和適用性，采用不易發生過擬合現象、泛化能力強的隨機森林模型[26]進行對比與驗證(見表1)。使用平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)進行綜合分析，預測結果曲線見圖7。

表1 研究區實際井模型預測誤差分析

圖7 D地區X組B井總有機碳質量分數預測結果Fig.7 Prediction results of total organic carbon content in well B of X Formation in a D Area

由表1可以看出，對于研究區陸相頁巖氣儲層，ΔlogR模型的應用效果較差，誤差較大，精確度低，無法滿足勘探生產的需要。原因主要在于無法適用于研究區非均質性強、縱向上礦物組分變化較大、高質量分數黏土導致普遍低電阻率的復雜環境，預測結果在曲線上變化幅度小，難以反映地層真實總有機碳質量分數。CΔlogR模型的回判效果和測試數據驗證效果的精度與實測結果吻合較好，較準確計算陸相頁巖氣儲層成熟度較低的總有機碳質量分數，體現模型的有效性和可靠性。隨機森林模型的預測結果有較高的精度，建模數據回判的誤差最小，體現機器學習方法的優勢，在測試數據驗證效果上的準確性低于CΔlogR模型的。這類方法的精度在一定程度上取決于樣本數據，需要大量的樣本進行學習，并且樣本的分布要較為均衡才能取得較好的效果，在陸相頁巖氣儲層礦物成分復雜、儲層多樣的環境中，缺少相應的實測數據參與建模，預測結果的精度降低。相較于隨機森林模型，CΔlogR模型的測試數據驗證效果有一定的提高，具有更強的外推性與普適性，對樣本要求較低。

5 結論

(1)四川盆地D地區X組陸相頁巖氣儲層具有非均質性強、礦物組分變化大、黏土質量分數較高的特點。海相頁巖氣儲層有機質富集，電阻率相對較高。研究區高質量分數黏土導致電阻率曲線降低，在有機質聚集層段出現低電阻率現象，同時較低的有機質成熟度使得電阻率無法準確反映地層總有機碳質量分數。

(2)在ΔlogR方法的基礎上，加入電阻率校正因子，采用去鈾伽馬曲線計算相對黏土質量分數，修正電阻率曲線；在研究區低成熟度環境下，用標準段的實際電阻率和聲波時差測井曲線確定真實聲波時差轉化系數，建立改進的CΔlogR模型。該模型能夠適應陸相頁巖氣儲層地層環境，提高總有機碳質量分數的預測精度，在研究區或相似條件下的頁巖氣儲層具有較好的推廣性。