有机页岩地球物理测井解释方法与研究.pdfVIP

中国地球科学联合学术年会 2014 ·1733 · 有机页岩地球物理测井解释方法研究 谭茂金*1,2 1.中国地质大学(北京) 北京 100083; 2.地下信息探测技术与仪器教育部重点实验室 北京 100083 有机页岩矿物复杂，流体赋存形式多样，孔隙小，渗透率低，且具有很强的非均质性和各向异性。 在页岩气勘探开发中，地球物理测井是储层定性识别与定量评价的重要手段，并为后期完井提供指导重 要参数。有机页岩有别于常规油气藏，原有的测井解释评价方法已不再适用，必须建立新的页岩气测井 解释评价方法。 在页岩气测井评价主要包括岩性识别、生烃潜力评价以及孔隙、裂缝、岩石力学等参数计算。在国 内外，页岩勘探中采用的测井系列主要包括自然伽马、自然电位、井径、岩性密度、补偿中子、双侧向 或者阵列感应、井壁成像和元素俘获能谱测井。由于页岩气储层含有丰富的有机质，其测井响应特征与 常规储层和普通页岩有明显的不同：呈现“三高两低” 的特征，即高自然伽马、高电阻率、高中子、低密 [1] 度、低光电吸收截面 。 1．有机页岩生烃能力智能评价方法 有机碳含量(TOC)是表征页岩气储层生烃能力的一个重要参数，在多种测井方法上均有不同程度的 反映。在测井评价中，大多数为一元经验公式、多元经验公式、ΔlgR法等。这些方法有时应用效果并 不好。 径向基函数(Radical Basis Function，RBF)神经网络是一种性能良好的前向网络,它具有全局逼近性 质和最佳逼近性能。最近邻聚类学习算法是一种在线自适应聚类学习算法, 不需要事先确定隐含层单元 的个数,具有学习时间短、计算量小、网络性能优良等优点。该神经网络包括输入层、隐含层和输出层， 其输入层节点只传递输入信号到隐含层，隐含层节点的作用函数(基函数)对输入信号将在局部产生响 应，而输出层节点通常是简单的线性函数。 在TOC预测中，选择测井数据为输入层，待预测的TOC为输出层，是一个“多对一” 的映射。实验中， 为了获得最佳网络模型，拟采用Leave-one-out 的方法进行交叉验证。在每个RBF实验中，通过计算与比 较不同高斯宽度时的平均绝对误差(MAE)和平均相对误差(MRE)，确定最佳的高斯宽度。此外，为了研 究不同的输入测井数据对预测效果的影响，分别选择不同的输入做类似的实验，选择确定敏感的最佳输 入数据。 在实例研究中，根据各测井数据与TOC 的相关性，根据拟合系数的大小，系统考察了不同输入测井 属性对预测结果的影响，优选了最佳的网络模型。当输入测井属性减少，为获得最佳的预测结果，其高 斯宽度变得较小，隐藏层的神经元数目会相应减少。从预测结果与岩心实验结果对比看，当测井输入为 U/TH/GR/LLD/DEN/AC 时预测结果与岩心的平均绝对误差和相关系数最小，TOC预测网络是最好的， 平均绝对误差最小，约0.394wt.，且RBF预测结果与岩心实验TOC 的相关系数约为0.869，均比其它测井 输入以及经验公式法、ΔlgR法的预测精度要高。 可以看出，利用RBF神经网络方法可以实现有机页岩生烃能力的非线性预测。该方法考虑了多种测 [2] 井方法对TOC 的综合响应，相对于经验公式方法具有更大的准确性和适用性 。 2 ．有机页岩测井解释理论与解释模型 页岩气储层来说，其孔隙度小，矿物成分复杂，矿物含量、物性参数难以计算准确。尽管该类储层 对多种测井响应都有贡献，但测井响应模型不是线性的，因此计算难度加大。 2.1 最优化解释方法 最优化测井解释是将所有的测井信息、测量误差、测井响应方程和地质经验综合成一个多维信息复 合体，应用最优化方法进行处理，从所有可能的解中找出最佳的、最合理的解释结果。最优化测井解释 主要包括目标函数和约束条件的确定。研究中，根据测井原理建立了声波、密度、中子、PE等测井响 应方程组。由于这些测井信息均是相互独立的，为了使计算得到的理论测井值最佳地逼近实际测井值， 用非线性加权最小二乘法寻找最优解。 ·1734 · 中国地球科学联合学术年会