一种评价泥页岩各组分体积的方法技术

本发明专利技术属于泥页岩组分评价技术领域，公开了一种利用常规测井曲线评价泥页岩各组分体积的方法，包括：基于抽提后泥页岩的有机碳分析、孔隙度测试及全岩鉴定的实验，结合泥页岩各组分密度，对泥页岩各组分体积进行标定，建立泥页岩组分体积模型；在ΔlogR法评价总有机碳含量的基础上，结合抽提前后有机碳的关系，计算干酪根体积，采用交叉验证的方法优化计算各矿物组分和孔隙体积的BP神经网络模型。本发明专利技术在保证泥页岩各组分体积之和为1的前提下，不仅发挥了BP神经网络多输入、多输出的优势，而且解决了泥页岩各组分与测井响应之间复杂的非线性问题。

Method for evaluating volume of each component of shale

The invention belongs to the technical field of shale component evaluation, discloses a method for evaluation of shale groups using conventional logging curves of volume include: experimental analysis, organic carbon shale porosity test and whole rock identification was based on, combined with shale component density on shale volume fractions the establishment of calibration, shale component volume based evaluation model; total organic carbon content in logR method, combined with the relationship between organic carbon before and after extraction, calculation of kerogen volume, optimized by cross validation method to calculate BP neural network model of the mineral composition and pore volume. The invention ensures the shale volume fractions and 1 under the premise of not only played a multi input and multi output BP neural network advantages, but also solves the nonlinear problem of shale components and the logging response between complex.

【技术实现步骤摘要】
一种评价泥页岩各组分体积的方法
本专利技术属于泥页岩组分评价
，尤其涉及一种评价泥页岩各组分体积的方法。
技术介绍
近年来，页岩油气作为非常规油气领域的重要发展方向之一，因其资源量巨大而受到广泛关注。页岩油气是指已经生成但滞留于富有机质泥页岩的微-纳米级孔隙中的烃类，富有机质泥页岩既是烃源岩，又是储集岩，其源储一体的性质决定了页岩油气能否被有效开采主要取决于烃类的富集程度和渗流能力。泥页岩中含烃量的大小主要与总有机碳含量(TOC)和储层孔隙度有关，而烃类的渗流能力主要受储集空间(孔、喉分布及连通性)的影响。泥页岩总有机碳是评价岩石生烃潜力的重要参数，在岩石中所占的体积很小，以干酪根和残留烃的形式存在。此外，相对于常规油气藏，页岩油气储集空间较为致密，且渗透率极低，一般无自然流动能力，需要大规模水力压裂才能形成工业产能，其可压裂性受矿物组成的影响。因此，在页岩油气勘探开发前期，对泥页岩各组分(干酪根、孔隙、矿物)体积的评价显得格外重要。泥页岩干酪根、孔隙以及各矿物体积分别可以通过实验室内Leco/Rock-Eval分析、覆压孔渗以及全岩XRD分析等实验手段直接或间接得到，且精度较高，但是受取样成本和实验经费限制，难以连续定量评价岩石各组分的含量。国外多数石油公司逐渐利用伽马能谱测井(NGS)、核磁共振测井(NMR)、元素俘获测井(ECS)等特殊的测井技术对泥页岩地层干酪根体积、各矿物含量以及孔隙度等进行解释，并取得了较大的成功。但是因价格昂贵等问题，上述特殊测井技术在国内并未得到广泛应用，有这些特殊测井资料的井位相对较少，因此，亟需一种利用常规测井曲线对泥页岩干酪根、各矿物组分及孔隙体积预测的方法。现有技术一：廖东良(2014)利用ECS测井解释的干酪根和各矿物含量作为已知条件，基于线性全体积模型，建立页岩各组分(干酪根、骨架矿物、油气)的多个测井响应方程并对其进行求解，以此计算页岩地层各矿物和干酪根含量(专利申请号：201410318700.5和201410319217.9))。现有技术一的缺点：受氧化物闭合模型的精度及元素质量转化为矿物质量的系数的影响，ECS测井获得的地层矿物含量和岩心全岩分析(XRD)实测值之间存在着一定的差异，而其建立的测井响应方程求取的为ECS测井解释的结果，这无疑存在着误差；此外，该体积模型采用的是线性全体积模型，对于非均质性较强的泥页岩地层，各组分的分布形式存在着较大差异使得对测井的响应不是简单的线性叠加。现有技术二的技术方案：刘欢(2016)在获得待测样品的标准俘获伽马能谱的基础上，计算目的页岩地层的矿物质量含量，并利用线性体积模型构建多个测井响应方程，以此确定页岩的矿物体积含量。现有技术二的缺点：该方法是建立在准确的获取俘获伽马能谱，而这一技术采用的是非常规测井范畴，对于没有非常规测井资料的工区难以使用；此外，构建的测井响应方程是线性模型。现有技术三的技术方案：钟广法等(测井资料反演南海北部陆坡渐新统的矿物组分，2006)根据实测的岩芯分析资料，将地层简化为陆源碎屑、碳酸盐岩、粘土矿物和孔隙四个组分，并选用与孔隙度关系密切的测井曲线，建立测井响应方程组，根据实测分析值与测井之间的关系，反算地层各组分的测井响应参数，以此计算地层各组分含量。现有技术三的缺点：该方法针对的对象是常规砂岩储层，而对于泥页岩储层来说，除了含有上述四个组分外，其有机质和黄铁矿含量较为发育，且非均质性较强，各组分分布形式存在较大差异，反算的地层各组分的测井响应参数出现负值等不合理现象，因此，该方法已不能适用于泥页岩储层各组分预测。现有技术四的技术方案：张晋言等(利用测井资料评价泥页岩油气“五性”指标，2012)采用单矿物组分和测井曲线响应之间的关系，分别建立了泥页岩中的泥质含量、砂质含量、灰质含量与各测井曲线的关系模型。现有技术四的缺点：该方法采用测井曲线逐一拟合泥页岩单矿物组分，但最终求得的各组分体积之和不等于1；此外，该方法所采用的测井曲线计算泥页岩单矿物组分多数为经验模型且地域性较强，不宜推广。现有技术五的技术方案：Jacobi等(2008)利用密度测井和核磁共振测井确定的孔隙度的差值计算干酪根体积。现有技术五的缺点该方法利用到核磁共振测井技术，属于非常规测井范畴，对于没有核磁共振测井资料的井位难以推广应用。现有技术六的技术方案：Lewis等(2004)根据总有机碳含量、岩石密度、干酪根密度与干酪根体积之间的关系，实现了在评价总有机碳含量基础上，结合密度测井曲线计算干酪根体积。现有技术六的缺点：该方案在计算干酪根体积时采用的是总有机碳含量，而总有机碳并非全部来自干酪根，还有部分来自岩石中残留的油气的贡献，因此，其评价结果偏高。综上所述，现有技术存在的问题是：第一，泥页岩非均质性较强，且各组分分布形式复杂，其测井响应不是简单的线性叠加，全体积线性模型已不再适用；第二，根据总有机碳含量评价干酪根体积时，未考虑到残留油气中有机碳对总有机碳的贡献，导致评价的干酪根体积偏高。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种评价泥页岩各组分体积的方法。本专利技术是这样实现的，一种评价泥页岩各组分体积的方法，所述评价泥页岩各组分体积的方法包括：基于抽提后泥页岩的有机碳分析、孔隙度测试及全岩鉴定的实验，结合泥页岩各组分密度，对泥页岩各组分体积进行标定，建立泥页岩组分体积模型；在ΔlogR法评价总有机碳含量的基础上，结合抽提前后有机碳的关系，计算干酪根体积，并结合测井曲线一并作为BP神经网络模型的输入数据，各矿物组分和孔隙体积作为期望输出数据；采用交叉验证的方法优化各矿物组分和孔隙体积的BP神经网络预测模型。进一步，所述计算干酪根体积的方法包括：采用改进的ΔlogR法，基于计算TOC和实测TOC之间的误差最小化，自动选取基线，优化叠合系数，把TOC含量背景值作为待定系数，其TOC计算模型为：TOC＝A×ΔlogR+B(1)TOC为泥页岩总有机碳含量；ΔlogR为在算术坐标下，电阻率曲线和声波时差测井曲线在细粒非生油岩处叠合后，两条测井曲线在对数电阻率坐标上的间距；A和B为模型计算系数；岩石内干酪根中有机碳含量TOCk，通过氯仿抽提后岩样的有机碳分析得到，且该值与岩石总有机碳含量TOC一般呈现线性关系，由TOC计算得到，即：TOCK＝C×TOC+D(2)C和D为计算系数，通过泥页岩抽提前后有机碳分析实验结果拟合得到；根据干酪根中有机碳含量TOCk，岩石密度ρb和干酪根密度ρK计算得到干酪根体积Vk：式中，Kvr为干酪根与有机碳之间的转化系数，一般取值为1.2；因此，联立公式(1)(2)(3)得干酪根体积的测井评价模型为：进一步，各矿物组分和孔隙体积的BP神经网络模型的建立方法，包括：数据的准备和网络模型参数的优化；所述数据的准备包括期望输出数据的准备、输入数据的优选及数据预处理；所述网络模型参数优化的对象为隐含层节点数S，节点传递函数。进一步，所述期望输出数据的准备包括：建立泥页岩组分模型：根据各矿物的化学成分、密度属性的差异，把泥页岩的矿物类型划分为4类：粘土类、硅酸盐类、碳酸盐类和黄铁矿；基于泥页岩矿物类型划分，并结合干酪根和孔隙，把泥页岩组成划分为6个组分，即粘土类矿物、硅酸盐类矿物、碳酸本文档来自技高网...

【技术保护点】
一种评价泥页岩各组分体积的方法，其特征在于，所述评价泥页岩各组分体积的方法包括：基于抽提后泥页岩的有机碳分析、孔隙度测试及全岩鉴定的实验，结合泥页岩各组分密度，对泥页岩各组分体积进行标定，建立泥页岩组分体积模型；在ΔlogR法评价总有机碳含量的基础上，结合抽提前后有机碳的关系，计算干酪根体积，并把干酪根体积和测井曲线一并作为BP神经网络模型的输入数据，各矿物组分和孔隙体积作为期望输出数据；采用交叉验证的方法优化各矿物组分和孔隙体积的BP神经网络预测模型。

【技术特征摘要】
1.一种评价泥页岩各组分体积的方法，其特征在于，所述评价泥页岩各组分体积的方法包括：基于抽提后泥页岩的有机碳分析、孔隙度测试及全岩鉴定的实验，结合泥页岩各组分密度，对泥页岩各组分体积进行标定，建立泥页岩组分体积模型；在ΔlogR法评价总有机碳含量的基础上，结合抽提前后有机碳的关系，计算干酪根体积，并把干酪根体积和测井曲线一并作为BP神经网络模型的输入数据，各矿物组分和孔隙体积作为期望输出数据；采用交叉验证的方法优化各矿物组分和孔隙体积的BP神经网络预测模型。2.如权利要求1所述的评价泥页岩各组分体积的方法，其特征在于，所述计算干酪根体积的方法包括：采用改进的ΔlogR法，基于计算TOC和实测TOC之间的误差最小化，自动选取基线，优化叠合系数，把TOC含量背景值作为待定系数，其TOC计算模型为：TOC＝A×ΔlogR+B；TOC为泥页岩总有机碳含量；ΔlogR为在算术坐标下，电阻率曲线和声波时差测井曲线在细粒非生油岩处叠合后，两条测井曲线在对数电阻率坐标上的间距；A和B为模型计算系数；岩石内干酪根中有机碳含量TOCk，通过氯仿抽提后岩样的有机碳分析得到，且该值与岩石总有机碳含量TOC一般呈现线性关系，由TOC计算得到，即：TOCK＝C×TOC+D；C和D为计算系数，通过泥页岩抽提前后有机碳分析实验结果拟合得到；根据干酪根中有机碳含量TOCk，岩石密度ρb和干酪根密度ρK计算得到干酪根体积Vk：式中，Kvr为干酪根与有机碳之间的转化系数，取值为1.2；因此，联立TOC计算模型公式、岩石内干酪根中有机碳含量TOCk公式、干酪根体积Vk公式得干酪根体积的测井评价模型为：3.如权利要求1所述的评价泥页岩各组分体积的方法，其特征在于，各矿物组分和孔隙体积的BP神经网络模型的建立方法，包括：数据的准备和网络模型参数的优化；所述数据的准备包括期望输出数据的准备、输入数据的优选及数据预处理；所述网络模型参数优化的对象为隐含层节点数S，节点传递函数。4.如权利要求3所述的评价泥页岩各组分体积的方法，其特征在于，所述期望输出数据的准备包括：建立泥页岩组分模型：根据各矿物的化学成分、密度属性的差异，把泥页岩的矿物类型划分为4类：粘土类、硅酸盐类、碳酸盐类和黄铁矿；基于泥页岩矿物类型划分，并结合干酪根和孔隙，把泥页岩组成划分为6个组分，即粘土类矿物、硅酸盐类矿物、碳酸盐类矿物、黄铁矿、干酪根和孔隙。5.如权利要求3所述的评价泥页岩各...

【专利技术属性】
技术研发人员：李进步，卢双舫，王民，陈国辉，薛海涛，田善思，王伟明，李吉君，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37