CN106950347A - 一种评价泥页岩各组分体积的方法 - Google Patents

Abstract

本发明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。

Description

一种评价泥页岩各组分体积的方法

技术领域

本发明属于泥页岩组分评价技术领域，尤其涉及一种评价泥页岩各组分体积的方法。

背景技术

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。

发明内容

针对现有技术存在的问题，本发明提供了一种评价泥页岩各组分体积的方法。

本发明是这样实现的，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TOC_k，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：

TOC_K＝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TOC_k，岩石密度ρ_b和干酪根密度ρ_K计算得到干酪根体积V_k：

式中，K_vr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、碳酸盐类矿物、黄铁矿、干酪根和孔隙。

进一步，所述期望输出数据的准备还包括进行各组分体积的标定：根据干酪根及各矿物组分的密度，结合泥页岩组分模型对泥页岩各组分的体积进行标定；其中，干酪根体积V_K根据公式(3)计算得到；

孔隙体积V_P为岩心分析测试的总孔隙度φ，即：

实验室内根据全岩分析XRD得到的矿物含量M_i(XRD)均为质量百分数，因此，结合各矿物的密度ρ_i即求出各矿物的体积V_i，其计算公式为：

基于泥页岩组分全体积模型，所有矿物体积、干酪根体积与孔隙体积之和为1；但值得注意的是，实验室内XRD分析检测不到干酪根的含量，即XRD分析得到的各矿物质量比例为各矿物质量与总矿物质量之比，而非各矿物质量与岩石质量之比，对公式(6)计算的各矿物的体积V_i进行校正，其校正公式为：

式中，V_mi为校正后的各矿物体积；

根据公式(5)～(7)分别求得实测的泥页岩各矿物组分和孔隙体积，并把该部分作为模型的期望输出数据。

进一步，输入数据的优选方法包括：

对于建立的泥页岩组分模型，选用与各矿物和孔隙体积相关性较高的测井曲线作为模型输入变量；各组分体积与测井曲线的相关性的判别方法通过公式(8)实现，优选皮尔森相关系数在0.01水平上显著相关的测井曲线；此外，泥页岩矿物组分及孔隙体积受到干酪根体积的约束，把优选的测井曲线和干酪根体积一并作为模型的输入数据；

式中，r为皮尔森相关系数；x_i和y_i均为变量；N为个数。

进一步，数据的预处理包括：

根据输入的测井曲线的量纲不同及网络收敛速度，把数据归一化到-1和1之间，归一化计算公式为：

式中，x为输入变量；z为x经过归一化后的变量；x_max和x_min分别为输入变量的最大值和最小值。

进一步，网络模型参数的优化包括：

BP神经网络模型采用单隐含层神经网络；参与BP神经网络模型优化的数据包括期望输出数据和输入数据，把参与BP神经网络模型优化的数据随机分成训练样本、验证样本、检测样本三个部分，训练样本和验证样本参与网络训练，检测样本不参与网络训练，仅用来检测网络模型的预测性能；

采用训练样本和验证样本交叉验证的方法，对BP网络模型参数进行优化，并根据检测样本对优化的网络进行检测，基于训练样本、验证样本、检测样本的输出值与期望值之间误差之和的最小化，自动调整隐含层节点数S、节点传递函数TF，直到模型精度满足要求为止。

本发明的优点及积极效果为：

本发明在泥页岩样品的有机碳分析、孔隙度测试以及矿物含量检测结果，建立泥页岩组分模型，并提出一种利用常规测井曲线预测泥页岩组分(矿物、干酪根和孔隙)的评价方法，该方法结合BP神经网络和ΔlogR技术，BP神经网络输入参数包括干酪根体积和测井曲线，矿物组分(粘土类矿物、硅酸盐类矿物、碳酸盐类矿物、黄铁矿)和孔隙体积为输出结果。干酪根体积是在改进的ΔlogR模型评价TOC基础上，结合泥页岩抽提前后有机碳实验结果，通过干酪根体积和有机碳转换公式获得；各矿物组分和孔隙体积是根据优化后的BP神经网络求得。与前人采用的线性全体积模型和单组分多测井拟合法相比，该方法不仅保证了估算的各组分体积之和为1，同时解决了泥页岩各组分体积与测井响应之间复杂的非线性问题，此外，该方法在计算干酪根体积时同时去除了可溶有机质中残留碳的影响。

本发明以大民屯凹陷古近系沙河街组泥页岩为例，根据提出的方法分别对泥页岩中干酪根、各矿物组分及孔隙的体积进行了应用，并分别与实测值进行了对比。

如图3所示，本发明计算的泥页岩各组分体积与实测值均分布在y＝x附近，其中，干酪根、粘土类矿物、硅酸盐类矿物、碳酸盐类矿物及孔隙度的计算值和实测值相关系数(R²)均在75％以上，且各组分体积之和为100％，效果较好。此外，检测数据点的在y＝x两侧的均匀分布保证了该模型的预测性能。但是对黄铁矿的预测效果不是很好，可能与其含量较低有关。与实测值相比，本发明的预测结果表现出较好的匹配效果，精度较高，能够适用于泥页岩各组分体积的预测。

泥页岩组成(矿物、干酪根和孔隙)评价对于页岩油气的富集和压裂研究有重要意义，针对国内元素俘获等特殊测井资料有限的情况，能否利用常规测井资料预测泥页岩各组分体积关系到下一步对页岩油甜点的预测，因此本发明对页岩油勘探开发具有重要意义。

附图说明

图1是本发明实施例提供的评价泥页岩各组分体积的方法流程图。

图2是本发明实施例提供的泥页岩组分模型示意图。

图3是本发明实施例提供的评价泥页岩各组分体积的效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明中定义为：TOC：总有机碳含量；TOC_k：岩石内干酪根中有机碳含量；ECS：元素俘获测井；XRD：全岩分析。

下面结合附图对本发明应用原理作详细描述。

如图1所示，本发明实施例提供的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。

计算干酪根体积的方法包括：

ΔlogR法计算泥页岩总有机碳含量TOC，主要是将算术坐标下的声波时差(AC)曲线和对数坐标下电阻率(RT)曲线在细粒非生油岩处重合，并确定为基线位置，两条曲线在对数电阻率坐标上的间距即为ΔlogR，即：

式中，R和Δt分别是电阻率和声波时差值；R_bseline和Δt_bseline分别为细粒非生油岩段的电阻率和声波时差基线值；K为叠合系数。

ΔlogR一般与岩石总有机碳含量呈正相关性，但是受人为选取基线、叠合系数采用定值0.02、工区的TOC含量背景值不确定等影响，通常该方法测井计算的TOC与实测TOC之间的相关性很难达到预期目标。为此，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 (2)

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(TOC_k)，可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一般呈现较好的线性关系，可由TOC计算得到，即：

TOC_K＝C×TOC+D (3)

根据干酪根中有机碳含量(TOC_k)，岩石密度ρ_b和干酪根密度ρ_K可计算得到干酪根体积(V_k)：

式中，K_vr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(2)(3)(4)可得干酪根体积的测井评价模型为：

各矿物组分及孔隙体积评价包括：

关于各矿物组分和孔隙体积的BP神经网络模型的建立，其步骤总体包括两个部分：数据的准备和网络模型参数的优化。其中，数据的准备包括期望输出数据的准备(各矿物组分和孔隙体积)、输入数据(测井曲线)的优选及数据预处理等，网络模型参数优化的对象主要为隐含层节点数S，节点传递函数等。

期望输出数据的准备：

(1)泥页岩组分模型

对于泥页岩来说，其一般发育伊利石、绿泥石、高岭石、蒙脱石、伊蒙混层、石英、长石、方解石、白云石、菱铁矿以及黄铁矿等无机矿物，根据有限的测井资料难以评价出上述所有矿物，因此，需要简化矿物类型。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(表1)。

如图2所示，基于上述泥页岩矿物类型划分方案，并结合到干酪根和孔隙，把泥页岩组成细为6个组分模型，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。

表1 泥页岩组成细分方案

(2)各组分体积的标定

考虑到干酪根、各矿物组分等的密度存在显著的差异，结合组分模型对泥页岩各组分的体积进行标定。其中，干酪根体积V_K可根据公式(4)计算得到。

孔隙体积V_P为岩心分析测试的总孔隙度φ，即：

实验室内根据全岩分析(XRD)得到的矿物含量M_i(XRD)均为质量百分数，因此，结合各矿物的密度ρ_i(各矿物的密度详见表1)即可求出各矿物的体积V_i，其计算公式为：

基于泥页岩组分全体积模型，所有矿物体积、干酪根体积与孔隙体积之和为1。但值得注意的是，实验室内XRD分析检测不到干酪根的含量，即XRD分析得到的各矿物质量比例为各矿物质量与总矿物质量之比，而非各矿物质量与岩石质量之比，因此需要对公式(7)计算的各矿物的体积V_i进行校正，其校正公式为：

式中，V_mi为校正后的各矿物体积。

因此，根据泥页岩样品公式(6)～(8)可分别求得实测的泥页岩各矿物组分和孔隙体积，并把该部分作为模型的期望输出数据。

输入数据的优选：

对于上述建立的泥页岩组分模型，选用与各矿物和孔隙体积相关性较高的测井曲线作为模型输入变量，其预测效果愈好。各组分体积与测井曲线的相关性的判别方法见公式(9)，优选皮尔森相关系数在0.01水平上显著相关的测井曲线。此外，泥页岩矿物组分及孔隙体积受到干酪根体积的约束，因此，把优选的测井曲线和干酪根体积一并作为模型的输入数据。

式中，r为皮尔森相关系数；x_i和y_i均为变量；N为个数。

数据的预处理：

考虑到输入的测井曲线的量纲不同及网络收敛速度，把数据归一化到-1和1之间，归一化计算公式为：

式中，x为输入变量；z为x经过归一化后的变量；x_max和x_min分别为输入变量的最大值和最小值。

模型参数的优化：

单隐含层神经网络可以有效的逼近任意连续函数，为了加快程序运行速度，BP神经网络模型采用单隐含层神经网络。

参与BP神经网络模型优化的数据包括期望输出数据和输入数据，考虑到训练样本在神经网络建立过程中占有重要的地位，样本是否具有代表性，直接影响着网络模型的效果以及预测性能。因此，把参与BP神经网络模型优化的数据随机分成训练样本、验证样本、检测样本三个部分，训练样本和验证样本参与网络训练，检测样本不参与网络训练，仅用来检测网络模型的预测性能。

BP神经网络模型参数优化的主要对象是隐含层节点数S及节点传递函数TF。采用训练样本和验证样本交叉验证(cross-validation)的方法，对BP网络模型参数进行优化，并根据检测样本对优化的网络进行检测，基于训练样本、验证样本、检测样本的输出值与期望值之间误差之和的最小化，自动调整隐含层节点数S、节点传递函数TF等，直到模型精度满足要求为止。

下面结合积极效果对本发明应用原理作进一步描述。

本发明以大民屯凹陷古近系沙河街组泥页岩为例，根据提出的方法分别对泥页岩中干酪根、各矿物组分及孔隙的体积进行了应用，并分别与实测值进行了对比。

如图3所示，本发明计算的泥页岩各组分体积与实测值均分布在y＝x附近，其中，干酪根、粘土类矿物、硅酸盐类矿物、碳酸盐类矿物及孔隙度的计算值和实测值相关系数(R²)均在75％以上，且各组分体积之和为100％，效果较好。此外，检测数据点的在y＝x两侧的均匀分布保证了该模型的预测性能。但是对黄铁矿的预测效果不是很好，可能与其含量较低有关。与实测值相比，本发明的预测结果表现出较好的匹配效果，精度较高，能够适用于泥页岩各组分体积的预测。

泥页岩组成(矿物、干酪根和孔隙)评价对于页岩油气的富集和压裂研究有重要意义，针对国内元素俘获等特殊测井资料有限的情况，能否利用常规测井资料预测泥页岩各组分体积关系到下一步对页岩油甜点的预测，因此本发明对页岩油勘探开发具有重要意义。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

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TOC_k，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：

TOC_K＝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TOC_k，岩石密度ρ_b和干酪根密度ρ_K计算得到干酪根体积V_k：

$V_k=\frac{{\mathrm{TOC}}_K\×K_{vr}\×{\mathrm{\ρ}}_b}{{\mathrm{\ρ}}_K\×100};$

式中，K_vr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TOC_k公式、干酪根体积V_k公式得干酪根体积的测井评价模型为：

$V_K=\frac{\left(A\×C\×\mathrm{\Δ}\log R+B\×C+D\right)\×K_{vr}\×{\mathrm{\ρ}}_b}{{\mathrm{\ρ}}_K\×100}.$

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组分体积的方法，其特征在于，

所述期望输出数据的准备还包括进行各组分体积的标定：根据干酪根及各矿物组分的密度，结合泥页岩组分模型对泥页岩各组分的体积进行标定；其中，干酪根体积V_K根据公式计算得到；

孔隙体积V_P为岩心分析测试的总孔隙度φ，即：

$V_P=\frac{\mathrm{\φ}}{100};$

实验室内根据全岩分析XRD得到的矿物含量M_i(XRD)均为质量百分数，因此，结合各矿物的密度ρ_i即求出各矿物的体积V_i，其计算公式为：

$V_i=\frac{M_{i\left(XRD\right)}}{{\mathrm{\ρ}}_i\×100};$

基于泥页岩组分全体积模型，所有矿物体积、干酪根体积与孔隙体积之和为1；但值得注意的是，实验室内XRD分析检测不到干酪根的含量，即XRD分析得到的各矿物质量比例为各矿物质量与总矿物质量之比，而非各矿物质量与岩石质量之比，对公式计算的各矿物的体积V_i进行校正，其校正公式为：

$V_{mi}=\frac{V_i}{{\mathrm{\ΣV}}_i}\×(1-V_K-V_P);$

式中，V_mi为校正后的各矿物体积；

根据公式分别求得实测的泥页岩各矿物组分和孔隙体积，并把该部分作为模型的期望输出数据。

6.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，

输入数据的优选方法包括：

对于建立的泥页岩组分模型，选用与各矿物和孔隙体积相关性较高的测井曲线作为模型输入变量；各组分体积与测井曲线的相关性的判别方法通过公式实现，式中，r为皮尔森相关系数；x_i和y_i均为变量；N为个数；

优选皮尔森相关系数在0.01水平上显著相关的测井曲线；此外，由于泥页岩矿物组分及孔隙体积受到干酪根体积的约束，因此，优选的测井曲线和干酪根体积一并作为模型的输入数据。

7.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，数据的预处理包括：

根据输入的测井曲线的量纲不同及网络收敛速度，把数据归一化到-1和1之间，归一化计算公式为：

$z=2\×\frac{x-x_{\min }}{x_{\max }-x_{\min }}-1;$

式中，x为输入变量；z为x经过归一化后的变量；x_max和x_min分别为输入变量的最大值和最小值。

8.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，网络模型参数的优化包括：

BP神经网络模型采用单隐含层神经网络；参与BP神经网络模型优化的数据包括期望输出数据和输入数据，把参与BP神经网络模型优化的数据随机分成训练样本、验证样本、检测样本三个部分，训练样本和验证样本参与网络训练，检测样本不参与网络训练，仅用来检测网络模型的预测性能；

采用训练样本和验证样本交叉验证的方法，对BP网络模型参数进行优化，并根据检测样本对优化的网络进行检测，基于训练样本、验证样本、检测样本的输出值与期望值之间误差之和的最小化，自动调整隐含层节点数S、节点传递函数TF，直到模型精度满足要求为止。