一種新的TOC含量擬合方法研究與應(yīng)用

1、第20卷第6期2009年12月天然氣地球科學(xué)NATURALGASGEOSCIENCEVol.20No.6Dec.2009天然氣地球化學(xué)一種新的TOC含量擬合方法研究與應(yīng)用郭龍,陳踐發(fā),苗忠英(中國石油大學(xué)(北京)油氣資源與探測國家重點實驗室,北京102249)摘要:由于取樣的限制,通常在烴源巖評價中往往只能獲得十分有限的實測烴源巖的TOC含量數(shù)據(jù)。但隨著我國多數(shù)盆地精細勘探的深入,需要更加精細的烴源巖評價,因此,人們對測井數(shù)據(jù)擬合烴源巖的TOC含量變化越來越重視,但多種神經(jīng)網(wǎng)絡(luò)在擬合高成熟度碳酸鹽巖烴源巖地層的針對研究區(qū)內(nèi)烴源巖的特點,嘗試了一種用圖版分類含量的新方法。利,將結(jié)果與logR方法

2、、,為系。關(guān)鍵詞:;BP神經(jīng)網(wǎng)絡(luò);模糊排隊;TOC含量;鄂爾多斯盆地中圖分類號:TE122.1文獻標識碼:A文章編號:167221926(2009)0629512060引言對巖心、巖屑樣品進行實驗室分析是地球化學(xué)研究中獲取烴源巖TOC含量的基本方法,但其取樣困難,基本不可能獲得鉆井剖面中連續(xù)、完整的烴源巖TOC含量變化和分布特征。自從Beers1,Swanson2發(fā)現(xiàn)了TOC含量與巖石放射性之間的得了一定的成功。由于常規(guī)測井方法對低豐度烴源巖的響應(yīng)較弱,克服干擾提高擬合精度較困難,因此對低有機質(zhì)豐度地層的擬合方法的研究變得十分重要。1測井數(shù)據(jù)擬合TOC含量的方法研究烴源巖的TOC含量測井擬合方

3、法是結(jié)合了測井地質(zhì)學(xué)、有機地球化學(xué)、信息與計算科學(xué)等多學(xué)科的綜合方法。在低豐度烴源巖擬合方面的研究主要集中在碳酸鹽巖地層中,應(yīng)用較為廣泛的是Passey13提出的logR法,比較前沿的是MohammadRezaKa2mali、AhadAllahMirshady17的模糊神經(jīng)網(wǎng)絡(luò)法。針對研究區(qū)內(nèi)烴源巖TOC含量與泥質(zhì)含量具有相關(guān)性的特點18,嘗試采用一種新方法來擬合TOC含量。logR方法1.1首先利用自然伽馬測井或自然電位曲線識別并剔除砂巖層、油層、蒸發(fā)巖等不能作為烴源巖的層段和井壁垮塌嚴重的層段。然后以細粒的非烴源巖為基線將刻度合適的聲波測井曲線疊合在對數(shù)電阻率曲線上,2條曲線之間的差值就是

4、logR。用logR計算TOC含量的經(jīng)驗公式為:關(guān)系后,人們開始關(guān)注測井擬合TOC含量的方法,因為它可以經(jīng)濟、快速地在垂向空間上得到幾乎連續(xù)的TOC含量數(shù)據(jù)。多名研究者328開始使用單因素測井擬合烴源巖TOC含量,因單因素測井方法的多解性較大,研究者們9212又使用了多種測井聯(lián)合的方法。Passey等13總結(jié)了前人的成果,并提出一種實用的烴源巖測井響應(yīng)模型?；趲r石物理特性建立經(jīng)驗公式的方法都屬于模型驅(qū)動的方法,其簡單實用,推廣范圍最廣,但這種模型過于理想化,在擬合精度上尚有欠缺,Huang等14用Rumelhart和McClelland15提出的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)驅(qū)動的方法來提高擬合精度。王貴

5、文等16在低豐度烴源巖擬合方面進行了較好的探索。,其應(yīng)用D2Kohonen+D2BPNN在塔里木盆地寒武奧陶系地層中獲收稿日期:2009203219;修回日期:20092062091第一作者E2mail:158977916.aTOC=logR×10+TOC(1)神經(jīng)網(wǎng)絡(luò)的方法。模糊神經(jīng)網(wǎng)絡(luò)分為5層,第一層接受輸入,第二層使用“與”規(guī)則,第三層輸出最大輸入值,第四層得到模糊隸屬度,第五層得到分類結(jié)果。在碳酸鹽巖地層中,泥質(zhì)含量在很大程度上與TOC含量相關(guān),模糊分類方法沒有充分利用這一特性,導(dǎo)致此方法在研究區(qū)內(nèi)與王貴文等161996年的D2Kohonen+D2BPNN所取得的結(jié)果大致相同

6、,相用最小二乘法求出參數(shù)a和TOC的值后,即可用測井曲線值計算TOC含量。電阻率和聲波時差的影響因素非常多,特別是在泥質(zhì)含量較多的地層中井眼擴徑將導(dǎo)致電阻率和聲波時差曲線失真,這極大地限制了logR方法的應(yīng)用范圍。1.2模糊神經(jīng)網(wǎng)絡(luò)方法模糊神經(jīng)網(wǎng)絡(luò)如圖1所示是整合了模糊邏輯和關(guān)性都不太好。11.3圖版分類網(wǎng)絡(luò)聯(lián)合方法要想擬合烴源巖的TOC含量,就必須建立起烴源巖的測井解釋模型,Passey13建立的模型如圖2所示,含有有機質(zhì)的碳酸鹽巖由3部分組成:巖石骨架、固體有機質(zhì)和孔隙流體。結(jié)合研究區(qū)的實際,在過成熟的碳酸鹽巖地區(qū),孔隙流體中的烴類碳化成巖石骨架,因此可以將圖2c的模型進一步演化為logR

7、方法基于圖2a、圖2d。圖2b和圖2c的模型而建立,并沒有考慮到當圖2d代替圖2b、圖2c之后的情況,因此在研究區(qū)內(nèi)使用logR方法不太可靠。本文將圖2d精細的劃分為好烴源巖和差烴源巖2類并分別擬合。圖2碳酸鹽巖烴源巖測井響應(yīng)模型示意通常差烴源巖和好烴源巖TOC含量引起的測井響應(yīng)類型不同,應(yīng)該分別擬合。這2類烴源巖在泥質(zhì)含量上有明顯區(qū)別,因此可以用與泥質(zhì)含量有關(guān)的測井方法進行區(qū)分。將自然伽馬、井徑、自然電位和補償中子4種測井值歸一化并做主成分分析,用支持向量機(SVM)19的方法即可把差烴源巖和好烴源巖在第一主成分和第二主成分的交會圖中劃分開。烴源巖TOC含量的變化對不同測井方法的影響力不同,

8、影響很小的測井方法應(yīng)該被丟棄。本文利用模糊排隊(FuzzyRanking)20算法從全局出發(fā)對訓(xùn)練數(shù)據(jù)進行裁減,從眾多變量值中提取強影響力自變量作為BP神經(jīng)網(wǎng)絡(luò)的輸入端,從而減少了噪音信息,提高模型信度。在訓(xùn)練樣本中,每一個輸入信號xi與其對應(yīng)的TOC實測值yi可以寫成一個二維向量(xi,yi),對于每一個二維向量(xi,yi),其模糊隸屬函數(shù)為Fi(x)=exp(-(xi-x)/B)×yi(2)式中:B為影響半徑,可取(0,1)之間的值。這樣,每個二維向量都可以寫出一個模糊隸屬函數(shù)。對于相應(yīng)的數(shù)據(jù)集,將模糊隸屬函數(shù)累加從而進行模糊化。然后通過模糊曲線函數(shù)FC(x)去模糊化。nnFC

9、(x)=F(x)iii(3)i=1F(x)/y式中:n為樣本數(shù)。模糊曲線的范圍大小可以作為判別變量影響力的依據(jù)。因所有測井值已經(jīng)歸一化,本文將模糊曲線范圍占0,1區(qū)間的比例等同于影響力,用百分數(shù)表示。模糊排隊挑選測井方法之后即可用神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練和模擬。2類烴源巖使用的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)21是一樣的,都是一個包含輸入層、隱含層和輸出層的多層網(wǎng)絡(luò)(圖3)。BP人工神經(jīng)網(wǎng)絡(luò)的節(jié)點除輸入端外全部使用Sigmoid函數(shù)作為激勵函數(shù):圖3多層BPf(s)=1+e-s(般化誤差,修正量。(NET)xj=j=-fyxjy(5)。隨機順序訓(xùn)練數(shù)陷入局部最小值。綜上所述,本方法先通過樣本得到分類圖版,并將TOC

10、含量未知的烴源巖通過圖版分為2類,然后分別對2類烴源巖進行模糊排隊,最后分別通過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和模擬并拼接結(jié)果,總體流程如圖4所示。為學(xué)習(xí)效率;為誤差信號。式中:重復(fù)輸入、輸出、圖4圖版分類模糊排隊BP神經(jīng)網(wǎng)絡(luò)聯(lián)合方法流程2測井數(shù)據(jù)擬合TOC含量在鄂爾多化程度已達到高、過成熟階段23224。根據(jù)陳踐發(fā)的分類建議,馬家溝組地層中TOC含量在0.3%以下的都不能作為烴源巖。本文使用0.5%作為烴源巖好差的分類界限,認為TOC0.5%的碳酸鹽巖是該地區(qū)好烴源巖,0.3%<TOC<0.5%的是差烴源巖。從樣本主成分分析和SVM可得到圖5,橢圓斯盆地的應(yīng)用鄂爾多斯盆地是我國大型的含油氣盆地

11、之一,該盆地的中部東部奧陶系馬家溝組沉積了一套碳酸鹽巖為主夾蒸發(fā)巖的地層22。該地層有機質(zhì)演陳踐發(fā),等.鄂爾多斯盆地東部奧陶系鹽下天然氣成藏潛力研究項目報告.內(nèi)部資料,2009.形區(qū)域代表落入此區(qū)域的點將被歸為好的烴源巖類別。隨機抽取城川1井89個實測點中的45個點作為訓(xùn)練數(shù)據(jù),其余數(shù)據(jù)作為檢驗該方法可靠性的測點。差烴源巖BP神經(jīng)網(wǎng)絡(luò)的輸出范圍為0.01,0.7,好烴源巖BP神經(jīng)網(wǎng)絡(luò)輸出范圍為0.3,2.0。使用前述模糊曲線的分析方法對測井曲線和對應(yīng)TOC含量進行模糊排隊分析,結(jié)果見表1。表1不同類型烴源巖TOC含量對測井方法的影響力大小測井方法差烴源巖影響力(%)好烴源巖影響力(%)SP34

12、.7838.66所采用方法可以達到81%。圖5歸一化后測井值的第一主成分與第二主成分的交會特征從表1中不難看出TOC含量對于各個測井方法的影響力差異較大,2類烴源巖對單一測井方法的影響力也不相同。差烴源巖的神經(jīng)網(wǎng)絡(luò)選擇自然伽馬、井徑、淺電阻率和地層電阻率4條影響力大的曲線作為輸入端信號;好烴源巖的神經(jīng)網(wǎng)絡(luò)則選擇地層電阻率、井徑、中子、自然伽馬作為輸入端信號。2套網(wǎng)絡(luò)的結(jié)構(gòu)均為422621,它們各自大約通過3000次和1000次訓(xùn)練后趨于穩(wěn)定。訓(xùn)練完成之后進行模擬得到結(jié)果?？紤]到實驗室誤差和測井分辨率,當TOC含量誤差絕對值<0.1%時可認為符合實際情況。使用聯(lián)合方法時未參加訓(xùn)練的44個點

13、符合率為74%,用logR方法和模糊神經(jīng)網(wǎng)絡(luò)方法驗算,符合率分別為45%和61%。從圖6可看出本文提出的方法計算擬合的TOC值比logR和模糊神經(jīng)網(wǎng)絡(luò)方法所獲得的結(jié)果有更好的關(guān)系趨勢。在有機質(zhì)豐度較低的地層中,本文所采用的方法體現(xiàn)出很大的優(yōu)越性。在TOC<0.4%的地層中使用logR法符合率為71%,模糊神經(jīng)網(wǎng)絡(luò)方法為50%,而本文圖63種方法相關(guān)性分析圖7為鄂爾多斯盆地中部城川1井地層中實測TOC含量與3種不同方法擬合的TOC含量對比圖,其中36753825m井段是馬家溝組馬五段上部的風(fēng)化殼。該區(qū)域內(nèi)灰?guī)r裂縫和孔洞中填充泥巖,大部分有機質(zhì)含量比馬家溝組純灰?guī)r和白云質(zhì)灰?guī)r高。馬五段大部分

14、處在局限海沉積環(huán)境下,有機質(zhì)豐度較高。在馬一段和馬二段出現(xiàn)泥晶灰?guī)r的地區(qū)有機質(zhì)含量也有變大趨勢。使用logR法在全井段內(nèi)無法找到誤差可接受的經(jīng)驗公式,在風(fēng)化殼區(qū)域必須分段處理,但其余2種利用神經(jīng)網(wǎng)絡(luò)的方法則都可以全井段統(tǒng)一處理。該井較好的烴源巖分布在馬五段上部,其厚度大于60m。圖73種方法在城川1井應(yīng)用結(jié)果對比(右邊“聯(lián)合方法”為本文方法)3認識與結(jié)論(1)基于碳酸鹽巖類烴源巖,尤其是高、過成熟(3)使用圖版分類模糊排隊BP神經(jīng)網(wǎng)絡(luò)聯(lián)合方法對鄂爾多斯盆地中部城川1井進行擬合的結(jié)果說明,該區(qū)馬家溝組馬五段有機碳含量較高(TOC>0.5%)的烴源巖較為發(fā)育,可能是好的烴源巖層段,而馬一段到

15、馬四段有機碳豐度總體較低,可能是差烴源巖。參考文獻:shalesJ.AAPGBulletin,1945,29:1222.R.USGSProfessionalPaper3562A,1960:1244.Logs,In:DrillingandProductionC.7thWorldPetroleum碳酸鹽巖烴源巖地層中TOC含量與泥質(zhì)含量相關(guān)的特征,提出了一種新的圖版分類模糊排隊BP神經(jīng)網(wǎng)絡(luò)聯(lián)合擬合TOC含量的方法。(2)應(yīng)用圖版分類模糊排隊BP神經(jīng)網(wǎng)絡(luò)聯(lián)合方法與logR方法和模糊神經(jīng)網(wǎng)絡(luò)方法對比擬合鄂爾多斯盆地奧陶系烴源巖TOC含量表明,圖版分類模糊排隊BP神經(jīng)網(wǎng)絡(luò)聯(lián)合方法擬合的TOC結(jié)果與實測值

16、的相關(guān)度明顯高于logR方法和模糊神經(jīng)網(wǎng)絡(luò)方法。Congregation,MexicoCity,1967,Elsevier.elingasanaidtosourcerockcharacterizationJ.MarineandPetroleumGeology,1996,13(2):2772290.ing:ExplorationintheMicrostructureofCognitionM.Cam2bridge,MA:MITPress,1986:3244.J.石油勘探與開發(fā),2002,29(4):50252.ganiccarboncontentdeterminedfromwelllogsusin

17、glogRandNeuroFuzzytechniquesJ.JournalofPetroleumScienceandEngineering,2004,45:1412148.andevonianshalesfromformation2densitylogsJ.AAPGBulletin,1979,63:150421537.5SchmokerJW.Determinationoforganic2mattercontentofap2palachiandevonianshalefromgamma2raylogsJ.AAPGBulletin,1981,65:128521298.tion,unitedstat

18、esportionofeillistonbasinJ.AAPGBulle2tin,1983,67:216522174.tionJ.TheLogAnalyst,1987,28(6):5202527.theparisbasinM/HucAY.DepositionofOrganicFacies.AAPGStudiesinGeology,1990,30:57271.TransR.8thEuropeanSPWLASymp.,1983,PaperD.10MeyerBL,NederlofMH.Identificationofwirelinelogsbydensity/sistivitycross2,6821

19、1MendelsonJ,RockCharacterizationU2singMultivariateofLogData,In:TransR.SPW2LAAnn.LoggingSymp.,1985,26:UU12UU21.12DavisJC.StatisticandDataAnalysisinGeology,2ndEditionM.NewYork:JohnWiley,1986:646.organicrichnessfromporosityandresistivitylogsJ.AAPGBulletin,1990,74(12):177721794.14價標準J.石油勘探與開發(fā),2002,29(2)

20、:8212.19FanRE,ChangKW,HsiehCJ,etal.LIBLINEAR:Alibrar2yforlargelinear.JournalofMachineLearn2ing:1871220determinationusingfuzzylogicJ.JournalofPetroleumScienceandEngineering,2005,49:1822192.在孔隙度定量預(yù)測中的應(yīng)用J.天然氣地球科學(xué),2006,17(3):3822384.及烴源巖研究J.成都理工學(xué)院學(xué)報,1999,26(3):2172220.23王飛宇,何萍,程頂勝,等.下古生界高過成熟烴源巖有機成熟度評價J.

21、天然氣地球科學(xué),1994,5(6):1214.碳酸鹽巖生烴潛力探討J.礦物巖石地球化學(xué)通報,2002,21(3):1532157.StudyandApplicationofaNewOverlayMethodoftheTOCContentGUOLong,CHENJian2fa,MIAOZhong2ying(StateKeyLaboratoryofPetroleumResourcesandProspecting,ChinaUniversityofPetroleum,Beijing102249,China)Abstract:Becauseofthesamplinglimitationintheass

22、essmentofsourcerock,wecouldobtainverylimitedTOCcontentdatafromactuallymeasuringthesourcerock.WiththefineexplorationformostbasinsinChina,thefinerassessmentofsourcerockisneeded.MuchattentionispaidtotheloggingdataoverlayingtheTOCcontentsvariationofthesourcerock.Themostadvancedoverlaymethodofthistechniqueisarti2ficialneuralnetwork.Butseveralneuralnetworksdonotmakeadeq