一种烃源岩TOC预测方法技术

本发明专利技术公开了一种烃源岩TOC预测方法，涉及地质技术领域，包括如下步骤：将测井参数与实验室结合实测的烃源岩TOC数据，喂入不同的深度学习模型，对没有实测值且不同深度的测井参数进行预测，通过对比不同模型的性能，优选出该区块最佳的TOC预测模型，用于该区块的TOC预测的最终模型。同时为了未来更全面地认识该区块和盆地的烃源岩发育情况、地球化学特征，将识别的结果和模型连接数据库，建立TOC地球化学数据库。本发明专利技术通过对比不同模型的性能，优选出该区块最佳的TOC预测模型，用于该区块的TOC预测的最终模型，保证TOC预测结果的高精度。度。度。

【技术实现步骤摘要】
一种烃源岩TOC预测方法


[0001]本专利技术涉及地质
，特别涉及一种烃源岩TOC预测方法。

技术介绍

[0002]烃源岩是油气生成的物质基础，烃源岩评价是沉积盆地油气资源潜力分析与勘探前景评价的核心内容之一，烃源岩的总有机碳(TOC)含量是有机质丰度评价的重要指标。受构造演化和沉积作用等地质因素的影响，烃源岩在纵向和横向上都可能具有很强的非均质性，所以如何识别优质的烃源岩，研究烃源岩的空间分布规律，降低勘探风险，是一个长期的研究重点。在利用有机地球化学资料评价烃源岩时，一般隔一定距离取心采样进行测试分析，但受取心数量和分析化验成本等影响，岩心测试仅能获得离散的TOC含量数据，尤其是井位稀少或者取心较少的勘探区块，难以获取纵向上连续的TOC值，仅靠地球化学分析手段难以对烃源岩的生烃潜力和资源量进行三维评价，而测井资料具有纵向上连续，分辨率高等优势，且多种测井参数与烃源岩TOC之间具有一定的响应关系，可据此建立预测模型对烃源岩TOC进行定量预测，并获取烃源岩厚度。国内外学者现已提出了多种基于测井资料预测烃源岩TOC的方法，如多元线性回归法、ΔlgR法、BP神经网络法等，不同方法原理各异，互有优劣，分别适用于不同的地质情况和资料状况，近年来，随着人工智能技术的兴起，也产生了很多测井资料与人工智能相结合计算TOC含量的新思路和新方法。
[0003]烃源岩测井评价是基于烃源岩与非烃源岩TOC和孔隙流体物理性质不同而引起的测井响应特征的差异。通常，非烃源岩由岩石骨架和孔隙流体(主要为地层水)组成，未成熟烃源岩由岩石骨架、固体有机质和孔隙流体(仍主要为地层水)组成，成熟烃源岩中的部分有机质转化为液态烃进入孔隙，其孔隙流体为地层水和液态烃。因此，烃源岩和非烃源岩的测井响应特征不同，研究表明，富有机质烃源岩在测井曲线上表现为“四高一低”，即高声波时差、高自然伽马、高电阻率、高中子、低密度。
[0004]地球物理测井方法因其较高的纵向分辨率和较好的连续性，在油气勘探和开发阶段都发挥着至关重要的作用。自1945年，学者们开始根据测井曲线研究烃源岩，即分别使用了自然伽马(GR)、声波时差(DT)、电阻率等测井曲线及交会图分析测井参数与烃源岩有机质丰度的对应关系。Passey等基于Archie公式推导了基于电阻率曲线和孔隙度曲线的定量计算TOC含量曲线的方法
‑
ΔlogR法，烃源岩的TOC含量预测自此进入了定量化的时代。在中国针对陆相地层对该方法做了诸多分析和改进，相继提出了简化ΔlogR法、广义ΔlogR法、变系数ΔlogR法等。多元回归法是一种应用广泛的预测TOC的测井方法，该方法通过交会图优选与TOC相关度高的测井参数，进行多元拟合，进而实现TOC含量实测数据的曲线化，但公式具有很强的地区特殊性，且ΔlogR方法的物理意义并不明确。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术的不足，提供一种烃源岩TOC预测方法，以解决现有技术中各项方法具有很强的地区特殊性，且ΔlogR方法的物理意义并不明确的问
题。
[0006]本专利技术具体提供如下技术方案：一种烃源岩TOC预测方法，包括以下步骤：
[0007]检测研究区块烃源岩的实际TOC数值；
[0008]将所述实际TOC数值与对应深度的测井参数相结合，构建相应数据集；
[0009]利用所述数据集中的数据对不同的TOC预测网络模型进行训练；
[0010]基于性能参数对训练出的不同TOC预测网络模型进行筛选，并使用相关系数、相对误差、绝对误差对不同所述TOC预测网络模型进行评价；
[0011]定义评价参数γ，通过对所有TOC预测网络模型的评价参数γ进行比较，获得性能最佳的TOC预测网络模型；
[0012]将待测测井参数输入所述性能最佳的TOC预测网络模型，获得烃源岩TOC的预测数值。
[0013]优选的，所述检测研究区块烃源岩的实际TOC数值，包括如下步骤：
[0014]对钻井过程中通过密闭取心得到烃源岩样品进行粉碎研磨；
[0015]将研磨好的烃源岩样品中的碳酸盐使用稀盐酸去除，并使用蒸馏水冲洗烃源岩样品去除碳酸盐；
[0016]对去除碳酸盐的烃源岩样品烘干，使用EltraCS
‑
800红外碳硫分析仪测定烃源岩样品的有机碳含量TOC。
[0017]优选的，所述构建相应数据集，包括如下步骤：
[0018]将不同深度样品的所述实测TOC数值与该深度测得的自然伽马GR、电阻率RT、声波时差AC、密度DEN、中子CNL对应；
[0019]使用对应后的实测TOC数值构建相应数据集。
[0020]优选的，所述利用所述数据集中的数据对不同的TOC预测网络模型进行训练，具体包括：
[0021]在生成数据集之前进行相关性判断，将明显不符合该地区地质规律和明显与TOC数据呈负相关的测井参数剔除；
[0022]将剩余的测井参数进行组合，输入到所有TOC预测网络模型中进行训练；
[0023]其中，所述TOC预测网络模型包括回归方法、经验公式ΔlogR、机器学习与深度学习。
[0024]优选的，所述回归方法是将一种或多种测井参数作为自变量，TOC作为因变量建立一元或多元回归方程，通过多元回归分析确定TOC定量预测公式。
[0025]优选的，所述经验公式ΔlogR为通过声波时差和电阻率叠加计算ΔlgR，根据TOC与ΔlgR呈线性相关，由ΔlgR计算TOC，具体表达式为：
[0026]ΔlgR＝lg(R/R
基线
)+x
×
(Δt
‑
Δt
基线
)
[0027]TOC＝10
(2
.
297
‑
0.1688
×
LOM)
×
ΔlgR
[0028]式中，R为电阻率，R基线为非烃源岩段电阻率，Δt为声波时差，Δt基线为非烃源岩段声波时差，x为系数，LOM为有机质成熟度指数，与镜质体反射率Ro相关。
[0029]优选的，所述机器学习包括PNN概率神经网络，PNN概率神经网络为一种径向基神经网络，融合了密度函数估计和贝叶斯决策理论，判别边界渐进地逼近贝叶斯最佳判定面；向量X输入到隐含层，隐含层中第i类模式的第j神经元所确定的输入/输出关系由下式定
义：
[0030][0031]优选的，所述深度学习CNN
‑
LSTM主要由信号输入层，CNN卷积层、池化层、LSTM层及输出层组成，具体数据处理过程包括：
[0032]将输入信号标准化，输入CNN卷积层，利用宽卷积核自适应提取特征；提取后的特征经过最大池化层的池化操作，降低数据维度，并保留主要的特征信息；
[0033]将降维后的特征数据作为LSTM层的特征输入，训练神经网络并自动学习序列特征；
[0034]利用Adam算法将训练误差反向传播，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种烃源岩TOC预测方法，其特征在于，包括以下步骤：检测研究区块烃源岩的实际TOC数值；将所述实际TOC数值与对应深度的测井参数相结合，构建相应数据集；利用所述数据集中的数据对不同的TOC预测网络模型进行训练；基于性能参数对训练出的不同TOC预测网络模型进行筛选，并使用相关系数、相对误差、绝对误差对不同所述TOC预测网络模型进行评价；定义评价参数γ，通过对所有TOC预测网络模型的评价参数γ进行比较，获得性能最佳的TOC预测网络模型；将待测测井参数输入所述性能最佳的TOC预测网络模型，获得烃源岩TOC的预测数值。2.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，所述，所述检测研究区块烃源岩的实际TOC数值，包括如下步骤：对钻井过程中通过密闭取心得到烃源岩样品进行粉碎研磨；将研磨好的烃源岩样品中的碳酸盐使用稀盐酸去除，并使用蒸馏水冲洗烃源岩样品去除碳酸盐；对去除碳酸盐的烃源岩样品烘干，使用EltraCS
‑
800红外碳硫分析仪测定烃源岩样品的有机碳含量TOC。3.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，所述构建相应数据集，包括如下步骤：将不同深度样品的所述实测TOC数值与该深度测得的自然伽马GR、电阻率RT、声波时差AC、密度DEN、中子CNL对应；使用对应后的实测TOC数值构建相应数据集。4.如权利要求1所述的一种烃源岩TOC预测方法，其特征在于，所述利用所述数据集中的数据对不同的TOC预测网络模型进行训练，具体包括：在生成数据集之前进行相关性判断，将明显不符合该地区地质规律和明显与TOC数据呈负相关的测井参数剔除；将剩余的测井参数进行组合，输入到所有TOC预测网络模型中进行训练；其中，所述TOC预测网络模型包括回归方法、经验公式ΔlogR、机器学习与深度学习。5.如权利要求4所述的一种烃源岩TOC预测方法，其特征在于，所述回归方法是将一种或多种测井参数作为自变量，TOC作为因变量建立一元或多元回归方程，通过多元回归分析确定TOC定量预测公式。6.如权利要求4所述的一种烃源岩TOC预测方法，其特征在于，所述经验公式ΔlogR为通过声波时差和电阻率叠加计算ΔlgR，根据TOC与ΔlgR呈线性相关，由ΔlgR计算TOC，具体表达式...

【专利技术属性】
技术研发人员：杨莎莎，王驰，师良，范柏江，王松利，赵佳豪，陈晋，
申请(专利权)人：延安大学，
类型：发明
国别省市：