CN107703560A - 一种基于三重信息的泥页岩岩相精细识别方法 - Google Patents
一种基于三重信息的泥页岩岩相精细识别方法 Download PDFInfo
- Publication number
- CN107703560A CN107703560A CN201710910428.3A CN201710910428A CN107703560A CN 107703560 A CN107703560 A CN 107703560A CN 201710910428 A CN201710910428 A CN 201710910428A CN 107703560 A CN107703560 A CN 107703560A
- Authority
- CN
- China
- Prior art keywords
- shale
- toc
- lithofacies
- organic matter
- logging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于三重信息的泥页岩岩相精细识别方法,包括如下步骤:首先按照泥页岩纹层构造、岩性以及有机质类型及含量的不同来划分泥页岩岩相;接着对泥页岩的岩性进行识别;然后对泥页岩的层理构造进行识别;然后计算泥页岩中有机质的含量及划分有机质的类型;最后通过对岩相中构造、岩性以及有机质信息进行精细定量识别来确定泥页岩的“甜点”层段;建立的泥页岩岩相测井精细识别方法,能够准确地识别泥页岩岩相中构造、岩石类型有机质含量以及主要有机类型等信息,为在连续井筒剖面中识别有效泥页岩油气储层提供了依据,这对泥页岩岩相研究即储层评价有较为重要的意义。
Description
技术领域
本发明页岩气地质勘探资料处理方法领域,具体涉及一种基于三重信息的泥页岩岩相精细识别方法。
背景技术
随着非常规油气勘探开发的深入,泥页岩油气越来越受到重视,作为非常规油气的主要类型之一,将逐渐成为一种重要的接替能源。通常所说的泥页岩是由泥(黏土)级颗粒组成的细粒沉积岩,是块状泥岩和层状页岩的统称。泥页岩岩性看似纵向上变化不大,但通过对其观察研究,发现泥页岩岩石类型多样、结构复杂,矿物成分、储集空间特征及含油气性、有机质丰度等方面非均质性很强。近年来,关于泥页岩的研究大多数集中在孔隙结构、储层特征、力学性质以及吸附特征等方面,而关于泥页岩岩石类型命名及岩相分类上还缺乏明确统一的分类标准。
在岩相划分时遵循以下原则:①界线清晰,含义明确;②大类简单,小类区分标志明显;③尊重传统岩石学命名,在此基础上,体现湖盆细粒沉积岩在矿物成分及沉积构造上的多样性等。现有研究大多通过分析各岩相的特征,确定有利岩相,以及结合拓扑学方法进行有利岩相预测。泥页岩岩相分析是泥页岩形成环境和机制研究的重点,而测井识别岩相是在区域或盆地尺度上预测页岩油气有利区的有效技术手段。目前在井筒剖面中充分利用测井信息进行精细识别岩相的研究较少。
一种泥页岩的分类方法(专利申请号201310728472.4),该发明公开了一种泥页岩的分类方法,通过岩心观察确定泥页岩的宏观构造类型;通过干酪根及有机碳分析确定有机质类型和总有机碳含量,并利用总有机碳含量、转换系数、有机质密度和岩石密度,得到有机质组分体积分数;通过薄片鉴定和全岩矿物分析确定泥页岩的矿物组成,得到灰质矿物组分、长英质矿物组分和粘土矿物组分的体积分数;岩石类型的分类按照“四组分三端元”的原则;最后采用岩心宏观构造和岩石类型相结合的方法划分泥页岩并合理简化。这种方法对于泥页岩分类较为详细,但是仍然存在一些缺点,(1)对于有机质分类界限和有机质类型的分析不够细致;(2)没有考虑泥页岩的纹理构造;(3)在生产中考虑到成本问题,不可能每口井都进行大量取心、测试,所以此方法没有建立系统有效的岩相测井识别方法,不利于实际的生产操作。
渤海湾盆地东营凹陷古近系细粒沉积岩岩相类型及储集层特征(陈世悦2016),该方法通过岩心精细观察描述、薄片鉴定、X射线衍射分析、扫描电镜分析等技术,建立了东营凹陷古近系细粒沉积岩岩相划分方案,明确了主要岩相类型特征。综合油气生成潜力、油气可流动性、油气储集性能、可压裂性等因素,预测富有机质纹层状灰岩为有利岩相类型;但是对于有机质划分标准没有明确,且没有讨论有机质类型信息,也没有考虑测井进行识别方法等相关问题。
罗家地区泥页岩岩相特征及测井分析技术(王敏2013),该技术以岩心观察、薄片鉴定、X-衍射分析为手段,依据岩石构造特征、矿物组成的不同,将罗家地区沙三下亚段泥页岩段划分为4种主要岩相:纹层状泥质灰岩相、层状泥质灰岩相、层状灰质泥岩相和层状含泥质灰岩相。并基于测井响应差异分析,探讨了利用成像测井及元素俘获测井识别层理及计算矿物组分的方法,构建了不同岩相的测井识别模式;但没有充分考虑有机质信息,构建的测井识别模式以定性为主,缺少定量识别研究。
发明内容
本发明的目的在于:针对上述未建立系统有效的岩相测井识别方法,不利于实际的生产操作;在划分岩相时,未考虑有机质的含量及类型;对测井识别缺乏定量识别的技术问题,本发明提供一种基于三重信息的泥页岩岩相精细识别方法。
本发明采用的技术方案如下:
一种基于三重信息的泥页岩岩相精细识别方法,包括如下步骤:
1)按照泥页岩纹层构造、岩性以及有机质类型及含量的不同来划分泥页岩的岩相;
2)通过二维、三维交会分析方法结合最优滤波分析法以及雅克比法来对泥页岩的岩性进行识别;
3)通过三维交会分析法结合无铀伽马曲线分形维数计算法来对泥页岩的层理构造进行识别;
4)拟合TOC计算模型来计算泥页岩中有机质的含量,利用氢指数HI和热解峰峰顶温度Tmax来划分有机质的类型;
5)通过对岩相中构造、岩性以及有机质信息进行定量识别来确定泥页岩的“甜点”层段。
更优的方案:
在步骤2)中,利用二维交会分析区分纹层状泥质灰岩、纹层状灰质泥岩、块状灰质泥岩、块状灰岩、层状泥灰岩、层状灰质泥岩这6大类岩相,在二维交会分析的基础上,通过测井曲线最优滤波分析方法对7条测井曲线(KTH、GR、AC、CNL、DEN、RMSF、RD)数据做归一化处理,并计算其自相关矩阵,之后利用雅克比法求自相关矩阵的特征值和特征向量;然后选取测井数据进行三维交会。
在步骤3)中,通过测井曲线分形盒维数属性来表征泥页岩岩相构造变化特征;曲线盒维数计算公式:
式中:F指Rn上任意非空的有界子集;Nδ(F)指直径最大为δ,可以覆盖F的集的最少个数;
然后选择无铀伽马曲线(KTH)分形维数的平均值作为第三维信息与测井二维交会相结合,进行三维交会分析。
在步骤4)中,首先选取CNL分岩性拟合TOC计算模型:
油页岩:TOC=0.4763×e0.1077×CNL R=0.889
油泥岩:TOC=0.1943×CNL-0.4987 R=0.783
泥岩 : TOC=2.618×ln(CNL)-4.8413 R=0.834
上述三个公式中,R为泥岩TOC计算模型的相关系数;
其次按照TOC分岩性计算的方法,拟合热解烃S2与TOC、测井变量间的关系,分别得到不同岩性的S2计算模型:
油页岩:S2=6.259×TOC-1.927×CNL+0.712×AC-33.48 R=0.832
油泥岩:S2=0.9156×TOC2.435 R=0.789
泥岩: S2=8.41×TOC-4.58×DEN+0.55 R=0.825
上述三个公式中,R为S2计算模型的相关系数;
最后,在计算出S2后,利用氢指数HI和热解峰峰顶温度Tmax来划分有机质类型;
氢指数HI的计算公式:HI=S2/TOC×100%
Tmax计算模型:Tmax=-7×10-6D3+0.0596D2-178.13D+177906 R=0.803
式中:D为岩相对应的深度;R为相关系数。
在步骤5)中,首先,采用有序样品最优分割方法对主成分测井曲线进行计算机自动分层,分层之后通过聚类分析进行岩相“构造+岩性”识别,再用无铀伽马(KTH)曲线的分形维数对层理构造做进一步的校正;最后结合TOC含量计算曲线,对每一小层的TOC数据自动求其平均值并按照TOC含量的划分标准进行有机质含量信息命名;将计算的HI、Tmax结果进行有机质类型识别。
相较于现有技术,本发明的有益效果是:
1.从构造、岩性角度区分泥页岩岩相,通过薄片鉴定和岩心描述资料将泥页岩岩相详细划分为12小类、6大类,并考虑将有机质丰度与类型信息融入到岩相分类中,提出了“构造+岩性+有机质”三重信息结合的湖相泥页岩岩相划分方案,使得泥页岩岩相划分标准更加明确,包含信息更加丰富,也有利于更加全面的认识泥页岩岩相特征,从而便于开展岩相的相关研究。
2.研究不同岩相特征,进行电特征提取,筛选敏感测井曲线,进行岩相测井识别;并引入分形维数方法,优化纹理构造信息识别;对研究层段地化参数、矿物含量以及物性参数进行测井反演计算,最终结合最优分割和聚类分析算法实现测井剖面岩相信息自动识别。由此建立了泥页岩岩相测井精细识别方法,能够准确地识别泥页岩岩相中构造、岩石类型有机质含量以及主要有机类型等信息,为在连续井筒剖面中识别有效泥页岩油气储层提供了依据,这对泥页岩岩相研究即储层评价有较为重要的意义。
附图说明
图1是纹层状岩相中AC-CNL二维交会图;
图2是块层状岩相中AC-CNL二维交会图;
图3是层状岩相中AC-CNL二维交会图;
图4是纹层状岩相中GR-DEN二维交会图;
图5是块层状岩相中GR-DEN二维交会图;
图6是层状岩相中GR-DEN二维交会图;
图7是纹层状岩相中GR-RD二维交会图;
图8是块层状岩相中GR-RD二维交会图;
图9是层状岩相中GR-RD二维交会图;
图10是纹层状岩相中GR-CNL二维交会图;
图11是块层状岩相中GR-CNL二维交会图;
图12是层状岩相中GR-CNL二维交会图;
图13是AC-CNL-DEN测井信息三维交会图;
图14是GR-CNL-RD测井信息三维交会图;
图15是DEN-CNL-RD测井信息三维交会图;
图16是分形维数统计图;
图17是岩性相同、层理构造不同岩相的分形维数-测井信息三维交会图;
图18是油页岩的TOC计算模型图;
图19是油泥岩的TOC计算模型图;
图20是泥岩的TOC计算模型图;
图21是油页岩的计算结果检验图;
图22是油泥岩的计算结果检验图;
图23是泥岩的计算结果检验图;
图24是S2-TOC的关系图;
图25是油页岩中S2的计算结果检验图;
图26是油泥岩中S2的计算结果检验图;
图27是泥岩中S2的计算结果检验图;
图28是Tmax-深度的关系图;
图29是有机质类型的识别图;
图30是最优分割示意图;
图31是与薄片鉴定得到的岩相结果对比图。
具体实施方式
本说明书中公开的所有特征,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
实施例
本发明以济阳坳陷沾化凹陷沙三下亚段泥页岩为具体实施对象。
一种基于三重信息的泥页岩岩相精细识别方法,步骤1)按照泥页岩纹层构造、岩性的不同将泥页岩岩相划分为纹层状泥质灰岩、纹层状灰质泥岩、块状灰质泥岩、块状灰岩、层状泥灰岩、层状灰质泥岩这6大类,纹层状灰岩、纹层状泥灰岩、纹层状泥质灰岩、纹层状泥岩、纹层状灰泥岩、纹层状灰质泥岩、块状灰质泥岩、块状泥岩、块状灰岩、块状泥灰岩、层状泥灰岩、层状灰质泥岩这12小类;如表1所示,结合泥页岩中有机质含量,将泥页岩岩相划分为贫有机质-纹层状灰质泥岩,贫有机质-纹层状泥质灰岩,贫有机质-块状灰质泥岩,贫有机质-块状灰岩,贫有机质-层状泥灰岩,贫有机质-层状灰质泥岩;中有机质-纹层状灰质泥岩,中有机质-纹层状泥质灰岩,中有机质-块状灰质泥岩,中有机质-块状灰岩,中有机质-层状泥灰岩,中有机质-层状灰质泥岩;富有机质-纹层状灰质泥岩,富有机质-纹层状泥质灰岩,富有机质-块状灰质泥岩,富有机质-块状灰岩,富有机质-层状泥灰岩,富有机质-层状灰质泥岩这18类岩相。
表1.“构造+岩性+有机质”三重信息限定的岩相划分方案
步骤2),如图1-12所示,对沾化凹陷沙三下亚段所划分的湖相小类泥页岩岩相信息按照相同构造不同岩性进行交会分析,得出不同岩性的测井响应存在一定的差异,灰质含量高的岩性显示较高的密度(DEN)、深侧向电阻率(RD),而声波时差(AC)、中子孔隙度(CNL)以及伽马(GR)相对较低。如表2所示,泥质含量较高的岩性测井响应特征基本相反。
表2不同岩相测井响应平均值
鉴于12类岩相小类测井不易区分的情况,一方面考虑岩相与储层的关系,另一方面考虑岩相在测井剖面上能更好识别的原则,而6大类岩相中,纹层状泥质灰岩和层状泥灰岩通常是有利的泥页岩储层,因此对于测井来说精细识别出6大类岩相有助于甜点预测。为了找到最能够敏感反映岩相变化的测井曲线,在二维交会分析的基础上,通过测井曲线最优滤波分析方法,对7条测井曲线(KTH、GR、AC、CNL、DEN、RMSF、RD)数据做归一化处理,并计算其自相关矩阵,之后利用雅克比法求自相关矩阵的特征值和特征向量,计算结果如表3所示;
表3 7条曲线数据矩阵的特征值与特征向量
表3中,自相关矩阵最大特征值为81.965,所对应的特征向量为(0.097 0.0830.051 0.519 0.453 0.321 0.635)。选择这一特征向量中较大三个值0.519、0.453、0.635所对应的测井曲线分别为中子孔隙度(CNL)、密度(DEN)、深侧向电阻率(RD),值越大则代表携带地层信息越多,对于岩相指示也越敏感。
如图13、14、15所示,对选取的测井数据进行三维交会,结果显示,该方法对岩相识别具有明显改善的效果。
步骤3),对泥页岩的层理构造进行识别,而泥页岩的纹理构造是关系泥页岩能否成为有效储层的关键因素之一,同时也是泥页岩沉积学研究重要的相标志,而测井曲线的形态变化、频率一定程度上可以反映出地层的构造特征。纹层状地层测井曲线变化频率较高,呈高频锯齿状;块状地层曲线变化频率较低,形态较为平缓;而层状地层测井曲线频率特征位于两者之间。
为了利用测井信息区分地层构造类型,本发明采用分形几何学方法来进行研究。分形即是对那些没有特征长度,但在一定意义下具有自相似性的图形、构造以及现象的总称。
通过测井曲线分形盒维数属性来表征泥页岩岩相构造变化特征。曲线盒维数计算公式见式:
式中:F指Rn上任意非空的有界子集;Nδ(F)指直径最大为δ,可以覆盖F的集的最少个数。
如图16所示,通过计算统计,发现多种测井响应的分形维数的确存在不同程度的差异。其中三种纹理构造地层的无铀伽马(KTH)、深侧向电阻率(RD)和微梯度电阻率(RL)分形维数差异较为明显。如图17所示,选择无铀伽马曲线(KTH)分形维数的平均值作为第三维信息与测井二维交会相结合,进行三维交会分析,将在三维交会图中重叠的岩相样本点分离了开来。最终总结出了沾化凹陷沙三下亚段湖相泥页岩不同岩相的测井响应、无铀伽马分形维数特征,如表4所示,以此为依据可有效识别泥页岩岩相层理构造。
表4.六大类岩相测井响应与分形维数特征
步骤4),由于不同岩性的有机质丰度存在差异性,对计算的结果也有较大的影响。所以,为区分岩性在Passey法和多元回归法基础上来建立TOC计算模型。岩心描述沙三下亚段主要发育3大类岩性,包括油页岩、油泥岩、泥岩(灰质泥岩)。
在计算泥页岩中有机质的含量时,如图18、19、20,表5所示,结合相关性分析结果,并进行多次拟合发现TOC-CNL关系显示油泥岩、油页岩和泥岩的相关性最高;说明△lgR参数与TOC之间并不总有很好的相关性,而是要根据不同泥页岩的实际情况来进行分析,从而选取更合适的计算方法。因此,选取CNL分岩性拟合TOC计算模型:
油页岩:TOC=0.4763×e0.1077×CNL R=0.889
油泥岩:TOC=0.1943×CNL-0.4987 R=0.783
泥岩:TOC=2.618×ln(CNL)-4.8413 R=0.834
上述三个公式中,R为泥岩TOC计算模型的相关系数;
表5TOC与多测井变量相关系数分析
如图21、22、23所示,三类岩性计算模型都较多元模型相关性有明显提高,表明按不同岩性拟合TOC计算模型可有效提高计算精度。
对有机质的类型进行划分,热解烃S2也是有机质信息的重要参数,一方面它对研究层段的生烃潜量有整体的反映,另一方面也便于计算氢指数(HI)以判断干酪根类型。如图24所示,热解烃S2与TOC有较好的相关性,按照TOC分岩性计算的方法,拟合S2与TOC、测井变量间的关系,分别得到不同岩性的S2计算模型:
油页岩:S2=6.259×TOC-1.927×CNL+0.712×AC-33.48 R=0.832
油泥岩:S2=0.9156×TOC2.435 R=0.789
泥岩:S2=8.41×TOC-4.58×DEN+0.55 R=0.825
上述三个公式中,R为S2计算模型的相关系数;
如图25、26、27所示,将计算值和测试值进行对比看出,S2计算效果较好,对后续识别干酪根类型奠定了基础。
在计算出S2后,利用氢指数HI和热解峰峰顶温度Tmax来划分有机质类型;
氢指数HI的计算公式:HI=S2/TOC×100%
如图28所示,参数Tmax通过和深度建立方程来计算,对测试Tmax数据和对应深度进行拟合得到Tmax计算模型,相关性较好。
Tmax计算模型:Tmax=-7×10-6D3+0.0596D2-178.13D+177906 R=0.803
式中:D为岩相对应的深度;R为相关系数。
最后利用HI-Tmax图版直观地判断出沙三下亚段泥页岩不同层段中的干酪根类型。如图29所示,沙三下亚段主要的有机质类型为I型和II1型、II2型,III型较少,识别结果与其他地化实验分析或孢粉鉴定的判识结果一致。
步骤5),首先,采用有序样品最优分割方法对沾化凹陷L井沙三下亚段泥页岩地层信息敏感的7条测井曲线(KTH、GR、AC、CNL、DEN、RMSF、RD)进行计算机自动分层;。最优分割是指如果每个样品有m个变量,那么n个样品变量的观测值按样品相邻的顺序排列起来,得到数据矩阵X(式13),其中元素xij表示第i个样品第j个变量的观测值。把n个有序样品分为k组,可有种分法。其中,把n个有序样品分为k组后,使得各组内样品的差异最小,而各组之间样品的差异为最大的分法称为最优分割法。
对于分割段数k一直可以做到预先给定的整数k为止,或者预先给定一个小正数δ,
使得段内离差平方和Sn(k;al(n),a2(n),...ak-1(n))<δ后就不在继续分割了,这样得出的k就是最后分割的段数。如图30所示,段内离差平方和Sn将随着分段数k的增加而单调递减,并趋于平缓。因此,可以选择开始趋于平缓时的分割数为最优分割数。
其次,在对沙三下亚段上部的80m地层做最优分割后,对其进行聚类分析得到每一个分割段的测井相,再与薄片鉴定和岩心资料做详细对比,如表所示,建立了研究区湖相泥页岩测井相-岩相数据库,然后,采用测井相逐步判别方法自动判别沙三下亚段泥页岩地层岩相的构造和岩性信息。聚类分析是按照客体在性质上或成因上的亲疏关系,对客体进行定量分类的一种多元统计分析方法。
如图31所示,通过与薄片鉴定得到的岩相结果对比验证,岩性类型识别效果较好,符合率较高;再利用无铀伽马(KTH)曲线的分形维数对层理构造做进一步的校正,其中纹层状构造分形维数整体较高,块状构造较低,层状构造居中,从而使得对层理构造判识错误的岩相得到修正,符合率进一步提高。
最后再结合TOC含量计算曲线,对每一小层的TOC数据自动求其平均值并按照上文对于TOC含量的划分标准进行有机质含量信息命名;结合HI、Tmax的结果对有机质类型进行识别。
通过以上一系列方法处理,可以在井筒剖面中获得较为准确的考虑了“有机质+构造+岩性”的岩相识别结果,进而按照满足“富-中有机质、纹层状、灰质岩性”的条件,可预测页岩油气“甜点”层段。研究认为层段中2987-3008m和3039-3068m是有利的泥页岩层段。实际表明,这两个层段方解石、有机质含量较高、物性较好,TOC含量高是页岩油气富集的先天要素,而高脆性矿物含量及物性是页岩油气有效开发的必要条件。
如上所述即为本发明的实施例。本发明不局限于上述实施方式,任何人应该得知在本发明的启示下做出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
Claims (5)
1.一种基于三重信息的泥页岩岩相精细识别方法,其特征在于:
包括如下步骤:
1)按照泥页岩纹层构造、岩性以及有机质类型及含量的不同来划分泥页岩的岩相;
2)通过二维、三维交会分析方法结合最优滤波分析法以及雅克比法来对泥页岩的岩性进行识别;
3)通过三维交会分析法结合无铀伽马曲线分形维数计算法来对泥页岩的层理构造进行识别;
4)拟合TOC计算模型来计算泥页岩中有机质的含量,利用氢指数HI和热解峰峰顶温度Tmax来划分有机质的类型;
5)通过对岩相中构造、岩性以及有机质信息进行定量识别来确定泥页岩的“甜点”层段。
2.根据权利要求书1中所述的一种基于三重信息的泥页岩岩相精细识别方法,其特征在于:在步骤2)中,利用交会分析区分纹层状泥质灰岩、纹层状灰质泥岩、块状灰质泥岩、块状灰岩、层状泥灰岩、层状灰质泥岩这6大类岩相,在二维交会分析的基础上,通过测井曲线最优滤波分析方法对7条测井曲线(KTH、GR、AC、CNL、DEN、RMSF、RD)数据做归一化处理,并计算其自相关矩阵,之后利用雅克比法求自相关矩阵的特征值和特征向量;然后选取测井数据进行三维交会。
3.根据权利要求书1中所述的一种基于三重信息的泥页岩岩相精细识别方法,其特征在于:在步骤3)中通过测井曲线分形盒维数属性来表征泥页岩岩相构造变化特征;曲线盒维数计算公式:
<mrow>
<msub>
<mi>Dim</mi>
<mi>B</mi>
</msub>
<mi>F</mi>
<mo>=</mo>
<munder>
<mi>lim</mi>
<mrow>
<mi>&delta;</mi>
<mo>&RightArrow;</mo>
<mn>0</mn>
</mrow>
</munder>
<mfrac>
<mrow>
<mi>log</mi>
<mi> </mi>
<msub>
<mi>N</mi>
<mi>&delta;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>-</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mi>&delta;</mi>
</mrow>
</mfrac>
</mrow>
式中:F指Rn上任意非空的有界子集;Nδ(F)指直径最大为δ,可以覆盖F的集的最少个数;
然后选择无铀伽马曲线(KTH)分形维数的平均值作为第三维信息与测井二维交会相结合,进行三维交会分析。
4.根据权利要求书1中所述的一种基于三重信息的泥页岩岩相精细识别方法,其特征在于:在步骤4)中,首先选取CNL分岩性拟合TOC计算模型:
油页岩:TOC=0.4763×e0.1077×CNL R=0.889
油泥岩:TOC=0.1943×CNL-0.4987 R=0.783
泥岩:TOC=2.618×ln(CNL)-4.8413 R=0.834
上述三个公式中,R为泥岩TOC计算模型的相关系数;
其次按照TOC分岩性计算的方法,拟合热解烃S2与TOC、测井变量间的关系,分别得到不同岩性的S2计算模型:
油页岩:S2=6.259×TOC-1.927×CNL+0.712×AC-33.48 R=0.832
油泥岩:S2=0.9156×TOC2.435 R=0.789
泥岩:S2=8.41×TOC-4.58×DEN+0.55 R=0.825
上述三个公式中,R为S2计算模型的相关系数;
最后,在计算出S2后,利用氢指数HI和热解峰峰顶温度Tmax来划分有机质类型;
氢指数HI的计算公式:HI=S2/TOC×100%
Tmax计算模型:Tmax=-7×10-6D3+0.0596D2-178.13D+177906 R=0.803
式中:D为岩相对应的深度;R为相关系数。
5.根据权利要求书1中所述的一种基于三重信息的泥页岩岩相精细识别方法,其特征在于:在步骤5)中,首先,采用有序样品最优分割方法对主成分测井曲线进行计算机自动分层,分层之后通过聚类分析进行岩相“构造+岩性”识别,再用无铀伽马(KTH)曲线的分形维数对层理构造做进一步的校正;最后结合TOC含量计算曲线,对每一小层的TOC数据自动求其平均值并按照TOC含量的划分标准进行有机质含量信息命名;将计算的HI、Tmax结果进行有机质类型识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710910428.3A CN107703560B (zh) | 2017-09-29 | 2017-09-29 | 一种基于三重信息的泥页岩岩相精细识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710910428.3A CN107703560B (zh) | 2017-09-29 | 2017-09-29 | 一种基于三重信息的泥页岩岩相精细识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107703560A true CN107703560A (zh) | 2018-02-16 |
CN107703560B CN107703560B (zh) | 2019-12-13 |
Family
ID=61175802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710910428.3A Active CN107703560B (zh) | 2017-09-29 | 2017-09-29 | 一种基于三重信息的泥页岩岩相精细识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703560B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956953A (zh) * | 2018-08-01 | 2018-12-07 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 一种盐间泥页岩层系岩相划分方法及验证方法 |
CN109061752A (zh) * | 2018-06-26 | 2018-12-21 | 西南石油大学 | 一种含灰质地层的电阻率曲线校正方法 |
CN109113729A (zh) * | 2018-06-20 | 2019-01-01 | 中国石油天然气集团有限公司 | 基于测井曲线的岩性识别方法及装置 |
CN109298449A (zh) * | 2018-09-26 | 2019-02-01 | 中国石油化工股份有限公司 | 一种确定陆相页岩油勘探有利单元的方法 |
CN109711429A (zh) * | 2018-11-22 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种储层评价分类方法及装置 |
CN109991123A (zh) * | 2019-03-28 | 2019-07-09 | 中国石油化工股份有限公司 | 页岩油资源可动性的地球化学评价方法 |
CN110082840A (zh) * | 2019-06-05 | 2019-08-02 | 中国地质大学(北京) | 基于Fisher判别分析的泥页岩岩相划分方法 |
CN110135515A (zh) * | 2019-05-23 | 2019-08-16 | 南京工业大学 | 一种基于图像纹理的岩体结构均质区自动分区方法 |
CN110568150A (zh) * | 2019-04-28 | 2019-12-13 | 中国石油天然气股份有限公司 | 油页岩的识别方法及装置 |
CN111236932A (zh) * | 2020-01-13 | 2020-06-05 | 中国石油天然气股份有限公司大港油田分公司 | 一种基于指示曲线重构的页岩油岩性评价方法 |
CN111425193A (zh) * | 2020-01-21 | 2020-07-17 | 东北石油大学 | 一种基于聚类分析测井岩石物理相划分的储层可压性评价方法 |
CN111425190A (zh) * | 2020-03-19 | 2020-07-17 | 中国石油大学(华东) | 一种页岩气地层岩性识别方法、系统、存储介质、终端 |
CN111797730A (zh) * | 2020-06-19 | 2020-10-20 | 华润水泥技术研发(广西)有限公司 | 一种水泥熟料岩相自动分析方法 |
CN111951347A (zh) * | 2020-08-24 | 2020-11-17 | 重庆科技学院 | 一种页岩油气储层砂质纹层参数提取方法 |
CN112081584A (zh) * | 2020-09-25 | 2020-12-15 | 中国石油天然气集团有限公司 | 一种判别地层岩性的方法、系统、计算机设备及存储介质 |
CN112147713A (zh) * | 2019-06-28 | 2020-12-29 | 中国石油化工股份有限公司 | 泥页岩总有机碳含量分段预测方法 |
CN113550735A (zh) * | 2021-07-12 | 2021-10-26 | 长江大学 | 一种利用测井资料计算页岩油储层含油量的方法 |
CN113808190A (zh) * | 2021-09-23 | 2021-12-17 | 西南石油大学 | 一种基于电成像测井图像的页岩纹层信息定量提取方法 |
CN113945992A (zh) * | 2020-07-15 | 2022-01-18 | 中国石油化工股份有限公司 | 泥岩、油页岩识别方法、装置、电子设备及介质 |
CN115012903A (zh) * | 2022-05-31 | 2022-09-06 | 中国石油大学(华东) | 判别泥页岩层理构造发育的测井评价方法 |
CN116519906B (zh) * | 2023-04-24 | 2023-10-31 | 中国地质大学(北京) | 一种岩性地球化学分支基因lg11及其构建方法和应用 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636588A (zh) * | 2014-08-25 | 2015-05-20 | 中国石油天然气股份有限公司 | 计算烃源岩中有机碳含量的方法及装置 |
CN104749651A (zh) * | 2013-12-26 | 2015-07-01 | 中国石油化工股份有限公司 | 相控多级重构测井定量识别泥页岩甜点方法 |
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN105891905A (zh) * | 2016-04-13 | 2016-08-24 | 成都创源油气技术开发有限公司 | 一种页岩岩相测井快速识别方法 |
WO2017024700A1 (zh) * | 2015-08-11 | 2017-02-16 | 深圳朝伟达科技有限公司 | 一种计算烃源岩中有机碳含量的装置 |
-
2017
- 2017-09-29 CN CN201710910428.3A patent/CN107703560B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104749651A (zh) * | 2013-12-26 | 2015-07-01 | 中国石油化工股份有限公司 | 相控多级重构测井定量识别泥页岩甜点方法 |
CN104636588A (zh) * | 2014-08-25 | 2015-05-20 | 中国石油天然气股份有限公司 | 计算烃源岩中有机碳含量的方法及装置 |
WO2017024700A1 (zh) * | 2015-08-11 | 2017-02-16 | 深圳朝伟达科技有限公司 | 一种计算烃源岩中有机碳含量的装置 |
CN105651966A (zh) * | 2016-01-18 | 2016-06-08 | 山东科技大学 | 一种页岩油气优质储层评价方法及参数确定方法 |
CN105891905A (zh) * | 2016-04-13 | 2016-08-24 | 成都创源油气技术开发有限公司 | 一种页岩岩相测井快速识别方法 |
Non-Patent Citations (6)
Title |
---|
孙婧: "《马东油田板0-板Ⅲ油组沉积学研究与储层地质建模》", 《中国海洋大学硕士学位论文》 * |
明磊: "《分形理论在地球物理测井中的应用综述》", 《2016中国地球科学联合学术年会论文集(三十三)—专题61》 * |
李国福: "《多参数储层预测及流体识别方法研究》", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
王仲阳: "《鹤壁矿区利用水化学成分识别突水水源建模研究》", 《河南理工大学硕士学位论文》 * |
王宁: "《鄂尔多斯盆地下寺湾地区山西组泥页岩有机地球化学特征及生烃潜力评价》", 《长安大学硕士学位论文》 * |
闫建平等: "《基于最优分割技术的泥页岩岩相划分与识别方法》", 《2015年全国沉积学大会沉积学与非常规资源论文摘要集》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109113729A (zh) * | 2018-06-20 | 2019-01-01 | 中国石油天然气集团有限公司 | 基于测井曲线的岩性识别方法及装置 |
CN109061752B (zh) * | 2018-06-26 | 2020-01-17 | 西南石油大学 | 一种含灰质地层的电阻率曲线校正方法 |
CN109061752A (zh) * | 2018-06-26 | 2018-12-21 | 西南石油大学 | 一种含灰质地层的电阻率曲线校正方法 |
CN108956953A (zh) * | 2018-08-01 | 2018-12-07 | 中国石油化工股份有限公司江汉油田分公司勘探开发研究院 | 一种盐间泥页岩层系岩相划分方法及验证方法 |
CN109298449A (zh) * | 2018-09-26 | 2019-02-01 | 中国石油化工股份有限公司 | 一种确定陆相页岩油勘探有利单元的方法 |
CN109711429A (zh) * | 2018-11-22 | 2019-05-03 | 中国石油天然气股份有限公司 | 一种储层评价分类方法及装置 |
CN109991123A (zh) * | 2019-03-28 | 2019-07-09 | 中国石油化工股份有限公司 | 页岩油资源可动性的地球化学评价方法 |
CN110568150B (zh) * | 2019-04-28 | 2022-03-01 | 中国石油天然气股份有限公司 | 油页岩的识别方法及装置 |
CN110568150A (zh) * | 2019-04-28 | 2019-12-13 | 中国石油天然气股份有限公司 | 油页岩的识别方法及装置 |
CN110135515A (zh) * | 2019-05-23 | 2019-08-16 | 南京工业大学 | 一种基于图像纹理的岩体结构均质区自动分区方法 |
CN110082840A (zh) * | 2019-06-05 | 2019-08-02 | 中国地质大学(北京) | 基于Fisher判别分析的泥页岩岩相划分方法 |
CN112147713A (zh) * | 2019-06-28 | 2020-12-29 | 中国石油化工股份有限公司 | 泥页岩总有机碳含量分段预测方法 |
CN111236932A (zh) * | 2020-01-13 | 2020-06-05 | 中国石油天然气股份有限公司大港油田分公司 | 一种基于指示曲线重构的页岩油岩性评价方法 |
CN111425193A (zh) * | 2020-01-21 | 2020-07-17 | 东北石油大学 | 一种基于聚类分析测井岩石物理相划分的储层可压性评价方法 |
CN111425190A (zh) * | 2020-03-19 | 2020-07-17 | 中国石油大学(华东) | 一种页岩气地层岩性识别方法、系统、存储介质、终端 |
CN111797730A (zh) * | 2020-06-19 | 2020-10-20 | 华润水泥技术研发(广西)有限公司 | 一种水泥熟料岩相自动分析方法 |
CN111797730B (zh) * | 2020-06-19 | 2024-03-26 | 华润水泥技术研发(广西)有限公司 | 一种水泥熟料岩相自动分析方法 |
CN113945992A (zh) * | 2020-07-15 | 2022-01-18 | 中国石油化工股份有限公司 | 泥岩、油页岩识别方法、装置、电子设备及介质 |
CN111951347A (zh) * | 2020-08-24 | 2020-11-17 | 重庆科技学院 | 一种页岩油气储层砂质纹层参数提取方法 |
CN111951347B (zh) * | 2020-08-24 | 2021-03-12 | 重庆科技学院 | 一种页岩油气储层砂质纹层参数提取方法 |
CN112081584A (zh) * | 2020-09-25 | 2020-12-15 | 中国石油天然气集团有限公司 | 一种判别地层岩性的方法、系统、计算机设备及存储介质 |
CN113550735A (zh) * | 2021-07-12 | 2021-10-26 | 长江大学 | 一种利用测井资料计算页岩油储层含油量的方法 |
CN113550735B (zh) * | 2021-07-12 | 2023-07-25 | 长江大学 | 一种利用测井资料计算页岩油储层含油量的方法 |
CN113808190B (zh) * | 2021-09-23 | 2023-07-28 | 西南石油大学 | 一种基于电成像测井图像的页岩纹层信息定量提取方法 |
CN113808190A (zh) * | 2021-09-23 | 2021-12-17 | 西南石油大学 | 一种基于电成像测井图像的页岩纹层信息定量提取方法 |
CN115012903A (zh) * | 2022-05-31 | 2022-09-06 | 中国石油大学(华东) | 判别泥页岩层理构造发育的测井评价方法 |
CN115012903B (zh) * | 2022-05-31 | 2023-06-27 | 中国石油大学(华东) | 判别泥页岩层理构造发育的测井评价方法 |
CN116519906B (zh) * | 2023-04-24 | 2023-10-31 | 中国地质大学(北京) | 一种岩性地球化学分支基因lg11及其构建方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
CN107703560B (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703560B (zh) | 一种基于三重信息的泥页岩岩相精细识别方法 | |
He et al. | Logging identification and characteristic analysis of the lacustrine organic-rich shale lithofacies: A case study from the Es3L shale in the Jiyang Depression, Bohai Bay Basin, Eastern China | |
Zhao et al. | Effects of mineralogy on petrophysical properties and permeability estimation of the Upper Triassic Yanchang tight oil sandstones in Ordos Basin, Northern China | |
CN110276827B (zh) | 一种基于泥页岩储层的有效性的评价方法 | |
Kadkhodaie-Ilkhchi et al. | Analysis of the reservoir electrofacies in the framework of hydraulic flow units in the Whicher Range Field, Perth Basin, Western Australia | |
CN103869052B (zh) | 一种砂岩储层成岩测井相定量表征的方法 | |
CN109061765A (zh) | 非均质薄砂岩互层油藏的圈闭评价方法 | |
CN102918423A (zh) | 用于地震烃体系分析的方法 | |
CN109653725A (zh) | 基于沉积微相和岩石相的混积储层水淹程度测井解释方法 | |
CN103852787A (zh) | 一种砂岩储层成岩地震相表征方法 | |
CN107829731B (zh) | 一种黏土蚀变的火山岩孔隙度校正方法 | |
CN110927814B (zh) | 一种基于岩相构型的裂缝预测方法 | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
Barach et al. | Development and identification of petrophysical rock types for effective reservoir characterization: Case study of the Kristine Field, Offshore Sabah | |
CN115857047B (zh) | 一种地震储层综合预测方法 | |
George et al. | Estimation of aquifer hydraulic parameters via complementing surfacial geophysical measurement by laboratory measurements on the aquifer core samples | |
Liu et al. | Identification of tight sandstone reservoir lithofacies based on CNN image recognition technology: A case study of Fuyu reservoir of Sanzhao Sag in Songliao Basin | |
Fan et al. | Semi-Supervised Learning–Based Petrophysical Facies Division and “Sweet Spot” Identification of Low-Permeability Sandstone Reservoir | |
Gupta et al. | Rock typing in the upper Devonian-lower Mississippian woodford shale formation, Oklahoma, USA | |
Iltaf et al. | Facies and petrophysical modeling of Triassic Chang 6 tight sandstone reservoir, Heshui oil field, Ordos basin, China | |
CN114482995A (zh) | 一种细粒沉积物泥质含量精细确定方法 | |
Esmaeili et al. | Simulating reservoir capillary pressure curves using image processing and classification machine learning algorithms applied to petrographic thin sections | |
Tavoosi Iraj et al. | Integrated Petrophysical and heterogeneity assessment of the karstified fahliyan formation in the abadan plain, Iran | |
CN110795513B (zh) | 河流相源储异位型致密油气甜点区分布的预测方法 | |
Zhang et al. | TOC estimation from logging data using principal component analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |