一种新的TOC含量拟合方法研究与应用

1、第20卷第6期2009年12月天然气地球科学NATURALGASGEOSCIENCEVol.20No.6Dec.2009天然气地球化学一种新的TOC含量拟合方法研究与应用郭龙,陈践发,苗忠英(中国石油大学(北京)油气资源与探测国家重点实验室,北京102249)摘要:由于取样的限制,通常在烃源岩评价中往往只能获得十分有限的实测烃源岩的TOC含量数据。但随着我国多数盆地精细勘探的深入,需要更加精细的烃源岩评价,因此,人们对测井数据拟合烃源岩的TOC含量变化越来越重视,但多种神经网络在拟合高成熟度碳酸盐岩烃源岩地层的针对研究区内烃源岩的特点,尝试了一种用图版分类含量的新方法。利,将结果与logR方法

2、、,为系。关键词:;BP神经网络;模糊排队;TOC含量;鄂尔多斯盆地中图分类号:TE122.1文献标识码:A文章编号:167221926(2009)0629512060引言对岩心、岩屑样品进行实验室分析是地球化学研究中获取烃源岩TOC含量的基本方法,但其取样困难,基本不可能获得钻井剖面中连续、完整的烃源岩TOC含量变化和分布特征。自从Beers1,Swanson2发现了TOC含量与岩石放射性之间的得了一定的成功。由于常规测井方法对低丰度烃源岩的响应较弱,克服干扰提高拟合精度较困难,因此对低有机质丰度地层的拟合方法的研究变得十分重要。1测井数据拟合TOC含量的方法研究烃源岩的TOC含量测井拟合方

3、法是结合了测井地质学、有机地球化学、信息与计算科学等多学科的综合方法。在低丰度烃源岩拟合方面的研究主要集中在碳酸盐岩地层中,应用较为广泛的是Passey13提出的logR法,比较前沿的是MohammadRezaKa2mali、AhadAllahMirshady17的模糊神经网络法。针对研究区内烃源岩TOC含量与泥质含量具有相关性的特点18,尝试采用一种新方法来拟合TOC含量。logR方法1.1首先利用自然伽马测井或自然电位曲线识别并剔除砂岩层、油层、蒸发岩等不能作为烃源岩的层段和井壁垮塌严重的层段。然后以细粒的非烃源岩为基线将刻度合适的声波测井曲线叠合在对数电阻率曲线上,2条曲线之间的差值就是

4、logR。用logR计算TOC含量的经验公式为:关系后,人们开始关注测井拟合TOC含量的方法,因为它可以经济、快速地在垂向空间上得到几乎连续的TOC含量数据。多名研究者328开始使用单因素测井拟合烃源岩TOC含量,因单因素测井方法的多解性较大,研究者们9212又使用了多种测井联合的方法。Passey等13总结了前人的成果,并提出一种实用的烃源岩测井响应模型。基于岩石物理特性建立经验公式的方法都属于模型驱动的方法,其简单实用,推广范围最广,但这种模型过于理想化,在拟合精度上尚有欠缺,Huang等14用Rumelhart和McClelland15提出的BP神经网络数据驱动的方法来提高拟合精度。王贵

5、文等16在低丰度烃源岩拟合方面进行了较好的探索。,其应用D2Kohonen+D2BPNN在塔里木盆地寒武奥陶系地层中获收稿日期:2009203219;修回日期:20092062091第一作者E2mail:158977916.aTOC=logR×10+TOC(1)神经网络的方法。模糊神经网络分为5层,第一层接受输入,第二层使用“与”规则,第三层输出最大输入值,第四层得到模糊隶属度,第五层得到分类结果。在碳酸盐岩地层中,泥质含量在很大程度上与TOC含量相关,模糊分类方法没有充分利用这一特性,导致此方法在研究区内与王贵文等161996年的D2Kohonen+D2BPNN所取得的结果大致相同

6、,相用最小二乘法求出参数a和TOC的值后,即可用测井曲线值计算TOC含量。电阻率和声波时差的影响因素非常多,特别是在泥质含量较多的地层中井眼扩径将导致电阻率和声波时差曲线失真,这极大地限制了logR方法的应用范围。1.2模糊神经网络方法模糊神经网络如图1所示是整合了模糊逻辑和关性都不太好。11.3图版分类网络联合方法要想拟合烃源岩的TOC含量,就必须建立起烃源岩的测井解释模型,Passey13建立的模型如图2所示,含有有机质的碳酸盐岩由3部分组成:岩石骨架、固体有机质和孔隙流体。结合研究区的实际,在过成熟的碳酸盐岩地区,孔隙流体中的烃类碳化成岩石骨架,因此可以将图2c的模型进一步演化为logR

7、方法基于图2a、图2d。图2b和图2c的模型而建立,并没有考虑到当图2d代替图2b、图2c之后的情况,因此在研究区内使用logR方法不太可靠。本文将图2d精细的划分为好烃源岩和差烃源岩2类并分别拟合。图2碳酸盐岩烃源岩测井响应模型示意通常差烃源岩和好烃源岩TOC含量引起的测井响应类型不同,应该分别拟合。这2类烃源岩在泥质含量上有明显区别,因此可以用与泥质含量有关的测井方法进行区分。将自然伽马、井径、自然电位和补偿中子4种测井值归一化并做主成分分析,用支持向量机(SVM)19的方法即可把差烃源岩和好烃源岩在第一主成分和第二主成分的交会图中划分开。烃源岩TOC含量的变化对不同测井方法的影响力不同,

8、影响很小的测井方法应该被丢弃。本文利用模糊排队(FuzzyRanking)20算法从全局出发对训练数据进行裁减,从众多变量值中提取强影响力自变量作为BP神经网络的输入端,从而减少了噪音信息,提高模型信度。在训练样本中,每一个输入信号xi与其对应的TOC实测值yi可以写成一个二维向量(xi,yi),对于每一个二维向量(xi,yi),其模糊隶属函数为Fi(x)=exp(-(xi-x)/B)×yi(2)式中:B为影响半径,可取(0,1)之间的值。这样,每个二维向量都可以写出一个模糊隶属函数。对于相应的数据集,将模糊隶属函数累加从而进行模糊化。然后通过模糊曲线函数FC(x)去模糊化。nnFC

9、(x)=F(x)iii(3)i=1F(x)/y式中:n为样本数。模糊曲线的范围大小可以作为判别变量影响力的依据。因所有测井值已经归一化,本文将模糊曲线范围占0,1区间的比例等同于影响力,用百分数表示。模糊排队挑选测井方法之后即可用神经网络进行训练和模拟。2类烃源岩使用的BP神经网络的结构21是一样的,都是一个包含输入层、隐含层和输出层的多层网络(图3)。BP人工神经网络的节点除输入端外全部使用Sigmoid函数作为激励函数:图3多层BPf(s)=1+e-s(般化误差,修正量。(NET)xj=j=-fyxjy(5)。随机顺序训练数陷入局部最小值。综上所述,本方法先通过样本得到分类图版,并将TOC

10、含量未知的烃源岩通过图版分为2类,然后分别对2类烃源岩进行模糊排队,最后分别通过BP神经网络训练和模拟并拼接结果,总体流程如图4所示。为学习效率;为误差信号。式中:重复输入、输出、图4图版分类模糊排队BP神经网络联合方法流程2测井数据拟合TOC含量在鄂尔多化程度已达到高、过成熟阶段23224。根据陈践发的分类建议,马家沟组地层中TOC含量在0.3%以下的都不能作为烃源岩。本文使用0.5%作为烃源岩好差的分类界限,认为TOC0.5%的碳酸盐岩是该地区好烃源岩,0.3%<TOC<0.5%的是差烃源岩。从样本主成分分析和SVM可得到图5,椭圆斯盆地的应用鄂尔多斯盆地是我国大型的含油气盆地

11、之一,该盆地的中部东部奥陶系马家沟组沉积了一套碳酸盐岩为主夹蒸发岩的地层22。该地层有机质演陈践发,等.鄂尔多斯盆地东部奥陶系盐下天然气成藏潜力研究项目报告.内部资料,2009.形区域代表落入此区域的点将被归为好的烃源岩类别。随机抽取城川1井89个实测点中的45个点作为训练数据,其余数据作为检验该方法可靠性的测点。差烃源岩BP神经网络的输出范围为0.01,0.7,好烃源岩BP神经网络输出范围为0.3,2.0。使用前述模糊曲线的分析方法对测井曲线和对应TOC含量进行模糊排队分析,结果见表1。表1不同类型烃源岩TOC含量对测井方法的影响力大小测井方法差烃源岩影响力(%)好烃源岩影响力(%)SP34

12、.7838.66所采用方法可以达到81%。图5归一化后测井值的第一主成分与第二主成分的交会特征从表1中不难看出TOC含量对于各个测井方法的影响力差异较大,2类烃源岩对单一测井方法的影响力也不相同。差烃源岩的神经网络选择自然伽马、井径、浅电阻率和地层电阻率4条影响力大的曲线作为输入端信号;好烃源岩的神经网络则选择地层电阻率、井径、中子、自然伽马作为输入端信号。2套网络的结构均为422621,它们各自大约通过3000次和1000次训练后趋于稳定。训练完成之后进行模拟得到结果。考虑到实验室误差和测井分辨率,当TOC含量误差绝对值<0.1%时可认为符合实际情况。使用联合方法时未参加训练的44个点

13、符合率为74%,用logR方法和模糊神经网络方法验算,符合率分别为45%和61%。从图6可看出本文提出的方法计算拟合的TOC值比logR和模糊神经网络方法所获得的结果有更好的关系趋势。在有机质丰度较低的地层中,本文所采用的方法体现出很大的优越性。在TOC<0.4%的地层中使用logR法符合率为71%,模糊神经网络方法为50%,而本文图63种方法相关性分析图7为鄂尔多斯盆地中部城川1井地层中实测TOC含量与3种不同方法拟合的TOC含量对比图,其中36753825m井段是马家沟组马五段上部的风化壳。该区域内灰岩裂缝和孔洞中填充泥岩,大部分有机质含量比马家沟组纯灰岩和白云质灰岩高。马五段大部分

14、处在局限海沉积环境下,有机质丰度较高。在马一段和马二段出现泥晶灰岩的地区有机质含量也有变大趋势。使用logR法在全井段内无法找到误差可接受的经验公式,在风化壳区域必须分段处理,但其余2种利用神经网络的方法则都可以全井段统一处理。该井较好的烃源岩分布在马五段上部,其厚度大于60m。图73种方法在城川1井应用结果对比(右边“联合方法”为本文方法)3认识与结论(1)基于碳酸盐岩类烃源岩,尤其是高、过成熟(3)使用图版分类模糊排队BP神经网络联合方法对鄂尔多斯盆地中部城川1井进行拟合的结果说明,该区马家沟组马五段有机碳含量较高(TOC>0.5%)的烃源岩较为发育,可能是好的烃源岩层段,而马一段到

15、马四段有机碳丰度总体较低,可能是差烃源岩。参考文献:shalesJ.AAPGBulletin,1945,29:1222.R.USGSProfessionalPaper3562A,1960:1244.Logs,In:DrillingandProductionC.7thWorldPetroleum碳酸盐岩烃源岩地层中TOC含量与泥质含量相关的特征,提出了一种新的图版分类模糊排队BP神经网络联合拟合TOC含量的方法。(2)应用图版分类模糊排队BP神经网络联合方法与logR方法和模糊神经网络方法对比拟合鄂尔多斯盆地奥陶系烃源岩TOC含量表明,图版分类模糊排队BP神经网络联合方法拟合的TOC结果与实测值

16、的相关度明显高于logR方法和模糊神经网络方法。Congregation,MexicoCity,1967,Elsevier.elingasanaidtosourcerockcharacterizationJ.MarineandPetroleumGeology,1996,13(2):2772290.ing:ExplorationintheMicrostructureofCognitionM.Cam2bridge,MA:MITPress,1986:3244.J.石油勘探与开发,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价标准J.石油勘探与开发,2002,29(2)

20、:8212.19FanRE,ChangKW,HsiehCJ,etal.LIBLINEAR:Alibrar2yforlargelinear.JournalofMachineLearn2ing:1871220determinationusingfuzzylogicJ.JournalofPetroleumScienceandEngineering,2005,49:1822192.在孔隙度定量预测中的应用J.天然气地球科学,2006,17(3):3822384.及烃源岩研究J.成都理工学院学报,1999,26(3):2172220.23王飞宇,何萍,程顶胜,等.下古生界高过成熟烃源岩有机成熟度评价J.

21、天然气地球科学,1994,5(6):1214.碳酸盐岩生烃潜力探讨J.矿物岩石地球化学通报,2002,21(3):1532157.StudyandApplicationofaNewOverlayMethodoftheTOCContentGUOLong,CHENJian2fa,MIAOZhong2ying(StateKeyLaboratoryofPetroleumResourcesandProspecting,ChinaUniversityofPetroleum,Beijing102249,China)Abstract:Becauseofthesamplinglimitationintheass

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