CN112147713B - 泥页岩总有机碳含量分段预测方法 - Google Patents
泥页岩总有机碳含量分段预测方法 Download PDFInfo
- Publication number
- CN112147713B CN112147713B CN201910576908.XA CN201910576908A CN112147713B CN 112147713 B CN112147713 B CN 112147713B CN 201910576908 A CN201910576908 A CN 201910576908A CN 112147713 B CN112147713 B CN 112147713B
- Authority
- CN
- China
- Prior art keywords
- content
- organic carbon
- total organic
- carbon content
- rock
- 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.)
- Active
Links
Images
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
Abstract
本发明公开了一种泥页岩总有机碳含量分段预测方法,包括:测定目的层段不同深度位置多个岩石样品的三端元矿物含量和总有机碳含量,预测目的层段的三端元矿物含量曲线;将多个岩石样品投入三端元矿物含量三角图中以确定每个岩石样品的岩性,根据多个投点的分布划分样品聚集区以建立三端元矿物含量‑总有机碳含量等级‑岩性识别模板;将三端元矿物含量曲线投入识别模板,获得目的层段的岩性分布曲线,针对不同岩性选择预测模型及对应参数,对目的层段的总有机碳含量剖面进行预测。有效提高了湖相TOC预测的准确性。
Description
技术领域
本发明涉及石油地质研究领域,更具体地,涉及一种泥页岩总有机碳 含量分段预测方法。
背景技术
开展页岩油资源评价、勘探选层及选区评价等工作离不开对富有机质 泥页岩TOC(总有机碳)含量等关键地质参数的应用。TOC含量是评价页 岩TOC和生烃能力的主要参数之一。利用测井资料评价烃源岩TOC含量, 能够弥补烃源岩取心少、实测样品分布不连续的不足。通过得到连续的、 整体的TOC含量数据,达到对页岩含气层位有机碳含量的定量化预测的目 的。
我国东部地区广泛发育陆相断陷湖盆,富有机质泥页岩地层发育,具 有较好的非常规页岩油勘探潜力[张善文,张林晔,李政等.济阳坳陷古近系页 岩油气形成条件.油气地质与采收率,2012,19(06):1-5+111],是下一步油气勘 探的重要接替领域。
但由于湖盆沉积环境变化快,水体震荡频繁,富有机质泥页岩有机质 含量的纵向变化大,非均质性明显[王勇,宋国奇,刘惠民等.济阳坳陷细粒沉 积岩形成环境及沉积构造.东北石油大学学报,2015,39(3):7-14]。获得已知钻 井的TOC纵向分布一般有两种方法:一种是通过对已钻探井目的层段采集 高密度实际样品开展分析测试建立TOC纵向分布剖面,从而开展目的层段 任意深度TOC估算;另一种方法是,应用已有的测井曲线结合TOC测井 预测模型(如△lgR法[Passey Q R,Creaney S,Kulla J B,et al.A practicalmodel for organic richness from porosity and resistivitylogs.AAPG Bulletin,1990,74(12):1777-1794],密度法等模型[Schmoker J W,Hester T C. Organic carbonin bakken formation,UnitedStates Portion of Williston Basin.AAPG Bulletin,1983,67(12):2165-2174])在少量分析化验数据约束下, 开展预测目的层整段TOC预测,获得目的层段测井尺度下(如1/8米)TOC 纵向分布。前一种方法需要采集大量的实际岩石样品开展分析测试,这需 要大量的分析测试费用及工作时间。通过测井预测方法可以获得目的层全 段TOC分布,但传统的测井预测模型是针对大套稳定沉积地层建立的,针 对湖相非均质性较强的富有机质泥页岩层预测效果较差,这主要由于频繁 震荡的水体环境导致泥页岩岩性、矿物成分差异大,针对不同岩性、不同 级别TOC仅采用统一的预测模型及参数预测存在较大误差。
因此,需要提出一种泥页岩TOC预测方法,能够适用于湖相断陷盆地 较强非均值性富有机质泥页岩层段TOC预测,且能够提高预测数据的准确 性、增加预测效率以及降低预测成本。
发明内容
本发明的目的是提出一种泥页岩总有机碳含量分段预测方法,针对湖 相断陷盆地较强非均值性富有机质泥页岩层段TOC预测,实现获得更科学、 更精确的TOC纵向分布预测数据。
为实现上述目的,本发明提出了一种泥页岩总有机碳含量分段预测方 法,包括:
步骤1:采集目的层段中不同深度位置的有机质泥页岩的多个岩石样品, 测定所述多个岩石样品的三端元矿物含量和总有机碳含量,根据所述多个 岩石样品的三端元矿物含量,结合测井资料,预测所述目的层段的三端元 矿物含量曲线;
步骤2:根据所述多个岩石样品的三端元矿物含量和总有机碳含量,确 定高级别总有机碳含量、中级别总有机碳含量和低级别总有机碳含量之间 的界限值,并确定每个所述岩石样品的总有机碳含量等级;
步骤3:将所述多个岩石样品按照所述三端元矿物含量投入三端元矿物 含量三角图中以确定每个所述岩石样品的岩性,并将不同总有机碳含量等 级的岩石样品投点设置为不同的形状,根据多个所述投点的分布划分样品 聚集区以建立三端元矿物含量-总有机碳含量等级-岩性识别模板;
步骤4:将所述三端元矿物含量曲线投入所述三端元矿物含量-总有机 碳含量等级-岩性识别模板中,获得所述目的层段的岩性分布曲线;
步骤5:根据所述目的层段的岩性分布曲线,针对所述目的层段中不同 层段的岩性分别选择对应的预测模型及对应的参数,对所述目的层段岩性 的总有机碳含量剖面进行预测。
可选地,所述三端元矿物含量包括粘土含量、碳酸盐含量、粉砂含量; 在所述步骤1中,所述测井资料包括声波曲线、中子曲线、密度曲线、自 然伽马曲线中的至少其中之一,通过所述岩石样品深度位置的波曲值、中 子值、密度值、自然伽马值结合三端元矿物含量,通过曲线重构方法建立 所述目的层段的三端元矿物含量预测模型,应用所述三端元矿物含量模型 和所述测井资料,预测所述目的层段的三端元矿物含量曲线。
可选地,在所述步骤2中,中级别总有机碳含量和低级别总有机碳含 量之间的界限值为1%。
可选地,在所述步骤2中,通过TOC聚类分析算法确定高级别总有机 碳含量和中级别总有机碳含量之间的界限值。
可选地,所述通过TOC聚类分析算法确定高级别总有机碳含量和中级 别总有机碳含量之间的界限值包括:
建立三端元矿物含量三角图坐标系,并确定每个所述岩石样品在所述 三端元矿物含量三角图坐标系中的坐标;
将所述多个岩石样品按照总有机碳含量从高到低进行排序,获得排序 后的岩石样品序列;
对排序后的岩石样品序列进行分组,使得第一组岩石样品包括所述岩 石样品序列中的第1至第k个岩石样品,第二组岩石样品包括所述岩石样 品序列中的第k+1至第n个岩石样品,分别计算第一组岩石样品的聚合中 心P1(x01,y01)和离散度D01以及第二组岩石样品的聚合中心P2(x02,y02) 和离散度D02,其中n表示岩石样品的数量,k为整数且1<k<n;
确定所述离散度D01与离散度D02之和最小时对应的k值,将其记为 K,并将所述岩石样品序列中的第K个岩石样品的总有机碳含量作为高级 别总有机碳含量和中级别总有机碳含量之间的界限值。
可选地,所述三角图的三个顶点分别表示粘土含量100%、碳酸盐含量 100%、粉砂含量100%,其中每个所述岩石样品在所述三端元矿物含量三 角图坐标系中的坐标(Xi,Yi)为:
其中,i=1…n,ai为第i个岩石样品的黏土含量,bi为第i个岩石样品 的粉砂含量。
可选地,根据以下公式分别计算所述第一组岩石样品的聚合中心P1 (x01,y01)和所述第二组岩石样品的聚合中心P2(x02,y02):
可选地,根据以下公式分别计算所述第一组岩石样品的离散度D01和 所述第二组岩石样品的离散度D02:
可选地,根据细粒岩岩性四分法则,所述三端元矿物含量三角图被划 分为粉砂岩、泥岩、泥灰岩和混合细粒岩四个岩性区域。
可选地,在所述步骤5中,所述预测模型为△lgR预测模型或密度曲线 预测模型。
本发明的有益效果在于:
通过实测岩石样品三端元矿物成份及总有机碳含量数据在矿物成份三 端元三角图中投点,基于细粒岩岩性划分方案,考虑富有机质泥页岩TOC 聚类特征,建立三端元矿物含量-总有机碳含量等级-岩性识别模板,应用此 模板识别目的层段富有机质泥页岩岩性剖面,结合实测TOC数据,分类优 选TOC预测方法及参数,开展目的层段总有机碳含量预测。通过不同岩性、 TOC等级分段选区TOC测井预测模型并设置相应计算参数更符合地质实际,能够实现更为精细的预测效果,提高了TOC预测的准确性和预测进度,能 够有效地应用于实际工区。本发明的方法不仅适合于开展非均质性较强的 湖相泥页岩层系TOC预测,针对海相层系岩性岩性变化较快的中浅水环境 泥页岩TOC预测也可应用。
本发明的方法具有其它的特性和优点,这些特性和优点从并入本文中 的附图和随后的具体实施方式中将是显而易见的,或者将在并入本文中的 附图和随后的具体实施方式中进行详细陈述,这些附图和具体实施方式共 同用于解释本发明的特定原理。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述,本发明的上 述以及其它目的、特征和优势将变得更加明显,在本发明示例性实施例中, 相同的参考标号通常代表相同部件。
图1示出了根据本发明的一种泥页岩总有机碳含量分段预测方法的步 骤的流程图。
图2示出了三端元矿物含量三角图。
图3a示出了根据本发明的一个实施例的△lgR预测模型预测结果与实 测TOC数据对比图。
图3b示出了根据本发明的一个实施例的密度曲线法预测模型预测结果 与实测TOC数据对比图。
图4示出了根据本发明的一个实施例的一种泥页岩总有机碳含量分段 预测方法预测结果与实际TOC对比的示意图。
图5a示出了根据本发明的一个实施例中多个岩石样品在三端元矿物含 量三角图中的投点图。
图5b示出了根据本发明的一个实施例中三端元矿物含量-总有机碳含 量等级-岩性识别模板(三端元矿物含量-总有机碳含量等级-岩性关系图版)。
图6示出了根据本发明的一个实施例中一种泥页岩总有机碳含量分段 预测方法的预测结果图。
附图标记说明
图5b中:①-低级别总有机碳含量混合细粒岩;②-中级别总有机碳含 量混合细粒岩;③-高级别总有机碳含量混合细粒岩;④-低级别总有机碳含 量泥质灰岩;⑤-中级别总有机碳含量泥质灰岩;⑥-高级别总有机碳含量泥 质灰岩。
具体实施方式
下面将参照附图更详细地描述本发明。虽然附图中显示了本发明的优 选实施例,然而应该理解,可以以各种形式实现本发明而不应被这里阐述 的实施例所限制。相反,提供这些实施例是为了使本发明更加透彻和完整, 并且能够将本发明的范围完整地传达给本领域的技术人员。
根据本发明的一种泥页岩总有机碳含量分段预测方法,包括:
步骤1:采集目的层段中不同深度位置的有机质泥页岩的多个岩石样品, 测定所述多个岩石样品的三端元矿物含量和总有机碳含量,根据所述多个 岩石样品的三端元矿物含量,结合测井资料,预测所述目的层段的三端元 矿物含量曲线;
步骤2:根据所述多个岩石样品的三端元矿物含量和总有机碳含量,确 定高级别总有机碳含量、中级别总有机碳含量和低级别总有机碳含量之间 的界限值,并确定每个所述岩石样品的总有机碳含量等级;
步骤3:将所述多个岩石样品按照所述三端元矿物含量投入三端元矿物 含量三角图中以确定每个所述岩石样品的岩性,并将不同总有机碳含量等 级的岩石样品投点设置为不同的形状,根据多个所述投点的分布划分样品 聚集区以建立三端元矿物含量-总有机碳含量等级-岩性识别模板;
步骤4:将所述三端元矿物含量曲线投入所述三端元矿物含量-总有机 碳含量等级-岩性识别模板中,获得所述目的层段的岩性分布曲线;
步骤5:根据所述目的层段的岩性分布曲线,针对所述目的层段中不同 岩性分别选择对应的预测模型及对应的参数,对所述目的层段岩性的总有 机碳含量剖面进行预测。
具体地,首先基于测定的目的层段中不同深度位置有机质泥页岩的多 个岩石样品的三端元矿物含量,通过实测三端元矿物含量数据预测目的层 段的三端元矿物含量曲线;然后根据多个岩石样品的三端元矿物含量和总 有机碳含量,确定出总有机碳含量的高、中、低三个等级之间的界限值(即 通过总有机碳含量等级确定出有机质丰度等级),以分类岩石样品的总有机 碳含量等级;之后将多个岩石样品基于端元矿物含量、总有机碳含量等级 在三端元矿物含量三角图进行投点,根据多个投点的分布划分样品聚集区 以建立三端元矿物含量-总有机碳含量等级-岩性识别模板;将三端元矿物含 量曲线投入上述识别模板获得目的层段的岩性分布曲线(包含岩性和TOC 等级),根据岩性分布曲线确定目的层段所包含的岩性,针对不同岩性选择 不同的预测模型及参数,进行目的层段的TOC剖面预测。通过分段进行总 有机质含量预测实现更为精细的预测效果,提高了预测的准确性。
在一个示例中,所述三端元矿物含量包括粘土含量、碳酸盐含量、粉 砂含量;在所述步骤1中,所述测井资料包括声波曲线、中子曲线、密度 曲线、自然伽马曲线中的至少其中之一,通过所述岩石样品深度位置的波 曲值、中子值、密度值、自然伽马值结合三端元矿物含量,通过曲线重构 方法建立所述目的层段的三端元矿物含量预测模型,应用所述三端元矿物 含量模型和所述测井资料,预测所述目的层段的三端元矿物含量曲线。
具体地,以岩石样品的薄片鉴定数据(三端元矿物含量百分比)、岩石 样品矿物成份实测数据为输入数据,选择与岩石矿物成份密切相关的声波 (AC)、中子(NPHI)、密度(DEN)、自然伽马(GR)曲线,应用线性回 归方程等现有曲线重构方法计算目的层段三端元矿物含量曲线(包括粘土 含量、碳酸盐含量、粉砂含量)。
在一个示例中,在所述步骤2中,中级别总有机碳含量和低级别总有 机碳含量之间的界限值为1%。
具体地,根据实际研究区地质情况将有富有机质泥页岩有机质丰度(总 有机碳含量)级别划分为高、中、低三个级别,其中,将低级别总有机碳 含量与中级别总有机碳含量和低级别总有机碳含量之间的界限定为1%。
在一个示例中,在所述步骤2中,通过TOC聚类分析算法确定高级别 总有机碳含量和中级别总有机碳含量之间的界限值,包括:
建立三端元矿物含量三角图坐标系,参考图2,其中原点位置表示粘土 含量100%,粉砂、碳酸盐含量均为0%,并确定每个所述岩石样品在所述 三端元矿物含量三角图坐标系中的坐标;
将所述多个岩石样品按照总有机碳含量从高到低进行排序,获得排序 后的岩石样品序列;
对排序后的岩石样品序列进行分组,使得第一组岩石样品包括所述岩 石样品序列中的第1至第k个岩石样品,第二组岩石样品包括所述岩石样 品序列中的第k+1至第n个岩石样品,分别计算第一组岩石样品的聚合中 心P1(x01,y01)和离散度D01以及第二组岩石样品的聚合中心P2(x02,y02) 和离散度D02,其中n表示岩石样品的数量,k为整数且1<k<n;
确定所述离散度D01与离散度D02之和最小时对应的k值,将其记为 K,并将所述岩石样品序列中的第K个岩石样品的总有机碳含量(TOCk) 作为高级别总有机碳含量和中级别总有机碳含量之间的界限值。
在一个示例中,所述三角图的三个顶点分别表示粘土含量100%、碳酸 盐含量100%、粉砂含量100%,其中每个所述岩石样品在所述三端元矿物 含量三角图坐标系中的坐标(Xi,Yi)为:
其中,i=1…n,ai为第i个岩石样品的黏土含量,bi为第i个岩石样品 的粉砂含量。
在一个示例中,根据以下公式分别计算所述第一组岩石样品的聚合中 心P1(x01,y01)和所述第二组岩石样品的聚合中心P2(x02,y02):
在一个示例中,根据以下公式分别计算所述第一组岩石样品的离散度 D01和所述第二组岩石样品的离散度D02:
在一个示例中,根据细粒岩岩性四分法则,所述三端元矿物含量三角 图被划分为粉砂岩、泥岩、泥灰岩和混合细粒岩四个岩性区域。
具体地,根据姜在兴等[姜在兴,梁超,吴靖等.含油气细粒沉积岩研究的 几个问题.石油学报,2013,34(6)]建立的矿物成份三端元三角图版,将泥页岩 岩性划分为粉砂岩、泥岩、泥灰岩、混合细粒岩四类岩性。
在一个示例中,在所述步骤5中,所述预测模型为△lgR预测模型或密 度曲线预测模型。
具体地,结合TOC测试数据,针对不同岩性,分别选取△lgR预测模 型或密度曲线预测等模型进行TOC预测,并根据不同岩性选择相关模型对 应的参数。其中△lgR、密度曲线等预测模型均为本领域现有且常用的技术 手段,此处不在赘述。
实施例:
针对渤海湾盆地一口钻井沙三下亚段开展TOC预测,目的层段厚度295 米,其中矿物三端元测试数据113组,配套TOC测试数据113个,采用本 发明的泥页岩总有机碳含量分段预测方法通过编写计算机程序开展目的层 段TOC预测,并执行以下步骤:
步骤1:采集测井中目的层段不同深度位置的有机质泥页岩的多个岩石 样品,通过检测岩石样品的声波、中子、密度、自然伽马曲线确定岩石样 品的三端元矿物含量(粘土含量、碳酸盐含量、粉砂含量的百分比)和总 有机碳含量,并根据目的层段的三端元矿物含量,结合测井资料,通过曲 线重构方法计算出目的层段的三端元矿物含量曲线。
步骤2:根据步骤1中测定的多个岩石样品的三端元矿物含量和总有机 碳含量,确定高级别总有机碳含量、中级别总有机碳含量和低级别总有机 碳含量之间的界限值,并确定每个岩石样品的总有机碳含量等级;确定中 级别总有机碳含量和低级别总有机碳含量之间的界限值为1%;同时,通过 TOC聚类分析算法确定高级别总有机碳含量和中级别总有机碳含量之间的 界限值。
其中,通过TOC聚类分析算法确定高级别总有机碳含量和中级别总有 机碳含量之间的界限值包括:
建立如图2所示的三端元矿物含量三角图坐标系,确定每个岩石样品 在三端元矿物含量三角图坐标系中的坐标;若任意岩石样品粘土、粉砂、 碳酸盐含量为(a,b,c),其中a+b+c=1,根据矿成分三角图投图原理,其在 上述建立的坐标系中坐标为
设一组岩石样品(n个)三元矿物含量为(ai,bi,ci),i=1…n,对应TOC 含量为TOCi,且TOC≥1%,序号按TOC含量自大到小排量,即TOCi>TOCi+1, 各样品点对应直角坐标为任意选取k,使1<k<n,则 k将这组样品分成两组,则第一组样品聚合中心设为(Xo1,Yo1),第二组样 品聚合中心设为(Xo2,Yo2),其中:
定义两组数据离散度为Do1(k),Do2(k),则:
通过遍历1-n,计算min{Do1(k)+Do2(k)},获得对应k,则将TOCk设置为 高、中总有机碳含量等级界限。
通过上述方法,将目的层段113组实测岩石样品的三端元矿物组成数 据、TOC测试数据投入三端元矿物含量三角图中,应用实测数据计算出高、 中总有机碳含量等级界限为TOC=2.13%。
步骤3:参考如图2所示的三端元矿物含量三角图,根据细粒岩岩性四 分法则,三端元矿物含量三角图被划分为粉砂岩、泥岩、泥灰岩和混合细 粒岩四个岩性区域,图2中I区域中代表粉砂岩,II区域中代表泥岩,III 区域中代表泥灰岩,IV区域中代表混合细粒岩。参考图5a,将目的层段113 组实测岩石样品投点,并对不同TOC等级的岩石样品投点进行区分,例如, 将TOC<1%的低级别总有机碳含量岩样投点设为三角形,将1%<TOC<2.13%的中级别总有机碳含量岩样投点设为圆形,将TOC>2.13%的高级别总有机 碳含量岩样投点设为菱形,也可以设置为其他的形状进行区分,图5a中显 示富有机质泥页岩实测样品“三端元”投点按TOC等级具有一定的聚合性, 根据目的层段岩石样品数据投点情况的聚集区落入三角图中的不同岩性区 域建立出如图5b所示的三端元矿物含量-总有机碳含量等级-岩性识别模板。 图5b中根据岩石样品投点的聚集区(通过不同的灰度图形区域表示)划分 出的目的层发育的主要大类的岩性为混合细粒岩和泥灰岩,结合总有机碳 含量等级细分出6类富有机质泥页岩岩性,包括:高有机质混合细粒岩 (TOC>2.13%)、中有机质混合细粒岩(1%<TOC<2.13%)、低有机质混合 细粒岩(TOC<1%)、高有机质泥灰岩(TOC>2.13%)、中有机质泥灰岩 (1%<TOC<2.13%)、低有机质泥灰岩(TOC<1%),该步骤可通过人工对 不同岩性、TOC等级投点聚集区进行图形区域划分,并对不同的图形区域 设置不同的灰度等级。
步骤4:将步骤1中计算出的三端元矿物含量曲线投入步骤3中的三端 元矿物含量-总有机碳含量等级-岩性识别模板中,获得目的层段的岩性分布 曲线。
具体地,将步骤1中的三端元矿物含量曲线(目的层段多个岩石样品 的三端元含量点阵)投入上述识别模板中,通过不同三元矿物含量的岩石 样品的投点落入不同细分岩性的区域中(灰度图形区域),能够确定出不同 深度位置岩石样品的岩性分布曲线。需要说明的是,本申请中的“曲线”
代表不同数值点连接形成的曲线。
步骤5:根据步骤4获得的目的层段的岩性分布曲线,针对不同岩性选 择△lgR预测模型或密度曲线预测模型,并根据不同岩性选择不同的参数, 对每个岩性的总有机碳含量进行分段预测,具体计算过程如表1所示,对 高有机质混合细粒岩、中有机质混合细粒岩、低有机质混合细粒岩的岩性 分别采用密度曲线预测模型、△LogR预测模型、△LogR预测模型,其中, 虽然中有机质混合细粒岩、低有机质混合细粒岩都采用了△LogR预测模型,但由于岩性不同,所以选择的参数值并不相同,如中有机质混合细粒岩的 参数为1.78,低有机质混合细粒岩采用的参数为0.82,因此预测的结果将 更为精细、准确。
表1本发明实施例采用的分段TOC预测模型及参数
表1中:DEN为密度曲线、ρ黄为黄铁矿密度,R为电阻率曲线,△t为声波时差曲线,LOM为成熟 度指数。
通过上述分段TOC预测模型,得到目的层段剖面的岩性-TOC预测结 果,如图6所示,图中岩性列中不同灰度表示富有机质泥页岩岩性不同。
为对比本发明的泥页岩总有机碳含量分段预测方法的预测效果,分别 单独采用△lgR预测模型和密度曲线预测模型对相同目的层段开展TOC预 测,进行预测效果的对比。通过实测TOC数据(步骤1中测定的多个岩石 样品的TOC含量)与△lgR预测模型、密度曲线预测模型的预测结果对比 来看,△lgR预测模型和密度曲线预测模型均存在较大误差,如图3a、3b 所示,△lgR预测模型和密度曲线预测模型预测结果的相关系数R2分别为 0.442和0.7833;如图4所示,采用本发明方法的相关系数R2达到0.8992, 表明了本发明方法有效减小了预测误差,具有较好的应用效果,即通过本 发明的方法不需要对目的层段进行密集的样品采集,只需要采集目的层段 有限个岩石样品,并测定岩石样品的三元矿物含量即可应用本方法进行整 个目的层段的TOC预测。
通过上述实施例以及不同预测模型的预测结果对比表明:
(1)本发明的泥页岩总有机碳含量分段预测方法通过不同岩性、TOC 等级分段选区TOC测井预测模型并设置相应计算参数更符合地质实际。
(2)通过本发明的泥页岩总有机碳含量分段预测方法与传统TOC预 测方法对比,本发明提供的方法与实测TOC数据更接近,提高了预测的精 度,能够有效地应用于实际工区。
(3)本发明方法不仅适合于开展非均质性较强的湖相泥页岩层系TOC 预测,针对海相层系岩性岩性变化较快的中浅水环境泥页岩TOC预测也可 应用。基于单井TOC的预测更为精细、科学,能够为湖相泥页岩有机质横 向展布预测提供基础。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽 性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范 围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更 都是显而易见的。
Claims (7)
1.一种泥页岩总有机碳含量分段预测方法,其特征在于,包括:
步骤1:采集目的层段中不同深度位置的有机质泥页岩的多个岩石样品,测定所述多个岩石样品的三端元矿物含量和总有机碳含量,根据所述多个岩石样品的三端元矿物含量,结合测井资料,预测所述目的层段的三端元矿物含量曲线;
步骤2:根据所述多个岩石样品的三端元矿物含量和总有机碳含量,确定高级别总有机碳含量、中级别总有机碳含量和低级别总有机碳含量之间的界限值,并确定每个所述岩石样品的总有机碳含量等级;
其中,中级别总有机碳含量和低级别总有机碳含量之间的界限值为1%;
通过TOC聚类分析算法确定高级别总有机碳含量和中级别总有机碳含量之间的界限值,包括:
建立三端元矿物含量三角图坐标系,并确定每个所述岩石样品在所述三端元矿物含量三角图坐标系中的坐标;
将所述多个岩石样品按照总有机碳含量从高到低进行排序,获得排序后的岩石样品序列;
对排序后的岩石样品序列进行分组,使得第一组岩石样品包括所述岩石样品序列中的第1至第k个岩石样品,第二组岩石样品包括所述岩石样品序列中的第k+1至第n个岩石样品,分别计算第一组岩石样品的聚合中心P1(x01,y01)和离散度D01以及第二组岩石样品的聚合中心P2(x02,y02)和离散度D02,其中n表示岩石样品的数量,k为整数且1<k<n;
确定所述离散度D01与离散度D02之和最小时对应的k值,并将所述岩石样品序列中的第k个岩石样品的总有机碳含量作为高级别总有机碳含量和中级别总有机碳含量之间的界限值;
步骤3:将所述多个岩石样品按照所述三端元矿物含量投入三端元矿物含量三角图中以确定每个所述岩石样品的岩性,并将不同总有机碳含量等级的岩石样品投点设置为不同的形状,根据多个所述投点的分布划分样品聚集区以建立三端元矿物含量-总有机碳含量等级-岩性识别模板;
步骤4:将所述三端元矿物含量曲线投入所述三端元矿物含量-总有机碳含量等级-岩性识别模板中,获得所述目的层段的岩性分布曲线;
步骤5:根据所述目的层段的岩性分布曲线,针对所述目的层段中不同岩性分别选择对应的预测模型及对应的参数,对所述目的层段岩性的总有机碳含量剖面进行预测。
2.根据权利要求1所述的泥页岩总有机碳含量分段预测方法,其特征在于,所述三端元矿物含量包括粘土含量、碳酸盐含量、粉砂含量;在所述步骤1中,所述测井资料包括声波曲线、中子曲线、密度曲线、自然伽马曲线中的至少其中之一,通过所述岩石样品深度位置的波曲值、中子值、密度值、自然伽马值结合三端元矿物含量,通过曲线重构方法建立所述目的层段的三端元矿物含量预测模型,应用所述三端元矿物含量模型和所述测井资料,预测所述目的层段的三端元矿物含量曲线。
6.根据权利要求1所述的泥页岩总有机碳含量分段预测方法,其特征在于,根据细粒岩岩性四分法则,所述三端元矿物含量三角图被划分为粉砂岩、泥岩、泥灰岩和混合细粒岩四个岩性区域。
7.根据权利要求1所述的泥页岩总有机碳含量分段预测方法,其特征在于,在所述步骤5中,所述预测模型为△lgR预测模型或密度曲线预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910576908.XA CN112147713B (zh) | 2019-06-28 | 2019-06-28 | 泥页岩总有机碳含量分段预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910576908.XA CN112147713B (zh) | 2019-06-28 | 2019-06-28 | 泥页岩总有机碳含量分段预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112147713A CN112147713A (zh) | 2020-12-29 |
CN112147713B true CN112147713B (zh) | 2022-06-21 |
Family
ID=73869537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910576908.XA Active CN112147713B (zh) | 2019-06-28 | 2019-06-28 | 泥页岩总有机碳含量分段预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112147713B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114961708A (zh) * | 2021-02-18 | 2022-08-30 | 中国石油化工股份有限公司 | 煤系地层有机碳含量评价方法、评价装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103670388A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油天然气股份有限公司 | 一种泥页岩有机碳含量的评价方法 |
CN105277982A (zh) * | 2014-07-25 | 2016-01-27 | 中国石油化工股份有限公司 | 一种泥页岩总有机碳含量地震预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014055810A1 (en) * | 2012-10-04 | 2014-04-10 | Schlumberger Canada Limited | Hydrocarbon saturation from total organic carbon logs derived from inelastic and capture nuclear spectroscopy |
CN104007484A (zh) * | 2014-06-06 | 2014-08-27 | 董春梅 | 一种泥页岩的分类方法 |
WO2018137747A1 (fr) * | 2017-01-30 | 2018-08-02 | Entreprise Nationale De Geophysique | Procede pour l'estimation du carbone organique total (cot) à partir des vitesses acoustiques et de la porosite totale (φ t) dans une roche mere. |
CN109211745B (zh) * | 2017-06-29 | 2020-10-20 | 中国石油化工股份有限公司 | 一种富含有机质泥页岩孔隙度的演化过程的恢复方法 |
CN109577962B (zh) * | 2017-09-29 | 2022-02-18 | 中国石油化工股份有限公司 | 陆相细粒沉积岩岩石相分析方法 |
CN107703560B (zh) * | 2017-09-29 | 2019-12-13 | 西南石油大学 | 一种基于三重信息的泥页岩岩相精细识别方法 |
-
2019
- 2019-06-28 CN CN201910576908.XA patent/CN112147713B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103670388A (zh) * | 2013-12-12 | 2014-03-26 | 中国石油天然气股份有限公司 | 一种泥页岩有机碳含量的评价方法 |
CN105277982A (zh) * | 2014-07-25 | 2016-01-27 | 中国石油化工股份有限公司 | 一种泥页岩总有机碳含量地震预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112147713A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104612675B (zh) | 一种碳酸盐岩地层随钻岩性快速识别方法 | |
US8793110B2 (en) | Method for predicting fluid flow | |
CN107703560A (zh) | 一种基于三重信息的泥页岩岩相精细识别方法 | |
CN104747183A (zh) | 一种碳酸盐岩储层综合分类方法 | |
Li et al. | A rock physics model for estimating elastic properties of upper Ordovician-lower Silurian mudrocks in the Sichuan Basin, China | |
CN112145165B (zh) | 一种微裂缝-孔隙型储层动静态渗透率转换方法 | |
CN112147713B (zh) | 泥页岩总有机碳含量分段预测方法 | |
CN112185469B (zh) | 一种预测海域天然气水合物有利聚集区的方法 | |
Jasim et al. | Specifying quality of a tight oil reservoir through 3-d reservoir modeling | |
George et al. | Estimation of aquifer hydraulic parameters via complementing surfacial geophysical measurement by laboratory measurements on the aquifer core samples | |
CN113820754B (zh) | 基于人工智能识别储层成岩相的深层致密砂岩储层评价方法 | |
CN113484907B (zh) | 一种预测不同类型储层平面上分布的方法 | |
CN106568918A (zh) | 页岩有机碳含量toc预测方法 | |
CN114137633B (zh) | 火山岩岩相逐级识别方法 | |
Poursamad et al. | Reservoir Quality Evaluation of Sarvak Formation in Gachsaran Oil Field, SW of Iran | |
Eftekhari et al. | Employing Statistical Algorithms and Clustering Techniques to Assess Lithological Facies for Identifying Optimal Reservoir Rocks: A Case Study of the Mansouri Oilfields, SW Iran | |
CN117784244B (zh) | 基于变纵波速度的细粒混积岩孔隙压力预测方法及系统 | |
Zhou et al. | Study on the standard of the four relationships of reservoir and the lower limit of effective reservoir in Nantun Formation of Oilfield A | |
CN115012919A (zh) | 基于四要素测井表征的页岩岩相快速评价的方法 | |
Roy et al. | THE OPTIMAL METHOD FOR ASSESSING GAS RESERVES BASED ON THE CALCULATION OF GAS HYDRODYNAMIC PARAMETERS.. | |
Wang et al. | Quantitative Characterization of Rock Type of Pore Type Bioclastic Limestone Reservoir in Middle East | |
CN115653580A (zh) | 一种复杂岩性储层内部结构刻画方法 | |
Rahayu et al. | Low Resistivity Reservoir Pay Evaluation, New Opportunity for Further Development, Case Study On Gumai Formation Of | |
Slatt | Conventional Analysis of Unconventional Resource Shales | |
Dike et al. | Structural characterization and water saturation evaluation of a shaly-sand reservoir rocks in an onshore, Niger Delta, Nigeria |
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 |