CN114076776A - 一种泥页岩有机碳含量的预测方法和应用 - Google Patents
一种泥页岩有机碳含量的预测方法和应用 Download PDFInfo
- Publication number
- CN114076776A CN114076776A CN202010805923.XA CN202010805923A CN114076776A CN 114076776 A CN114076776 A CN 114076776A CN 202010805923 A CN202010805923 A CN 202010805923A CN 114076776 A CN114076776 A CN 114076776A
- Authority
- CN
- China
- Prior art keywords
- shale
- organic carbon
- prediction method
- carbon content
- prediction
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种泥页岩有机碳含量的预测方法,包括步骤A、通过回归方法,对泥页岩样品的有机碳含量和元素相对含量数据进行数据分析,选取数学模型;步骤B、获取待预测的泥页岩的元素相对含量数据,并代入所述数学模型。本发明的预测方法能够方便、快速和价廉地预测泥页岩的有机碳含量,无需破坏待测样品,且能满足低级别的诸如几厘米的陆相页岩纹层样品的预测。
Description
技术领域
本发明涉一种泥页岩有机碳含量的预测方法和应用。
背景技术
有机质丰度是烃源岩评价的核心参数,一般以有机碳含量表示(TOC)。高有机质丰度的烃源岩是油气富集的基本物质条件。近年来,以自生自储为特征的页岩油气的勘探开发迅速发展,页岩油气的富集与烃类原位滞留与泥页岩有机质丰度特征息息相关,因此,获取泥页岩中有机质丰度参数是页岩油气勘探开发的基础工作。另一方面,中国陆相断陷湖盆发育规模相对局限,受古气候和物源供给等因素影响较大,沉积地层的岩性和岩相非均质性较强,由此有机碳含量在不同的岩性和岩相样品上表现差异较大,通过地球化学方法获取有机碳含量最为可靠,但相对成本也最高,对于非均质待测样品往往需要测定多个样品,检测成本更高,而且地球化学方法的实验周期也最长,此外还需要粉碎样品因此岩样遭到破坏,通过其他相对价廉、快速且密集的测试参数预测有机碳含量是现下比较普遍的做法。
CN105822301A公开了一种有机碳含量的测井预测数学模型建立方法,包括以下步骤:1)获取有机碳数据和测井曲线数据;2)作单井综合柱状图;3)对有机碳数据进行单井深度归位,调整有机碳取样点的深度位置;4)计算每条测井曲线和TOC的相关系数;5)如果TOC与GR相关系数最高且相关性最好,则进行下一步,否则有机碳含量的测井预测数学模型建立失败;6)作TOC和GR的散点图,分别建立TOC和GR的线性关系式、二次函数关系式和指数关系式;7)选取TOC和GR相关性最好的关系式,该关系式就是预测目的区域多口井下一阶段TOC的数学模型。该方法基于测井数据,由于测井数据采样间隔为25厘米,不能满足更低级别的诸如几厘米的纹层样品预测。但是该方法基于测井数据,由于测井数据采样间隔为25厘米,不能满足更低级别的诸如几厘米的纹层样品预测。
CN108510211A公开了一种烃源岩有机质丰度评价方法,包括以下步骤:结合分析化验资料,确定因素集;建立评判集,通过升半岭形分布隶属函数式,求取不同参数的隶属度,构建模糊关系矩阵;通过权重矩阵和模糊矩阵进行耦合,根据最大隶属法,评判结果。本发明的优点在于:加强了各个参数之间的联系,也避免了人为判断的影响,提高判断的准确性。但是该方法主要用于烃源岩评价打分方面,解决一般在评价生油岩有机质丰度的时候各个地化参数间出现相互矛盾的情况,并未实现烃源岩有机质丰度预测的目的。
CN109507733A公开了一种预测烃源岩有机质丰度的方法及装置。预测方法包括:获取目标区域的测井曲线;根据所述测井曲线计算所述目标区域的总有机碳TOC值;根据所述目标区域的TOC值,结合测井曲线合成地震记录,进行井震标定;根据所述井震标定的结果,提取井旁道地震属性特征,建立TOC与所述地震属性特征的关系式;根据所述关系式建立目标区域TOC的空间分布。通过本发明预测烃源岩有机质丰度的方法,能准确识别和评价烃源岩储层的高孔渗区分布和预测优质储层烃源岩的空间位置和物性参数分布。但是该方法基于测井数据,由于测井数据采样间隔为25厘米,不能满足更低级别的诸如几厘米的纹层样品预测。
有机质丰度在自然伽马、密度、声波时差、电阻率、中子孔隙度、地震波几何形态、振幅、波形、频率、能量、相位等地球物理参数上有一定的反映。由此发展的一系列利用测井信息(如△log R法、地层体积密度法、自然伽马法、多元线性回归法等)及地震属性信息(如地震多属性反演法)预测有机质丰度信息。基于测井数据的有机质丰度预测模型,由于测井数据采样间隔固定为25厘米,不能满足更低级别的诸如几厘米的陆相页岩纹层样品的预测。地震属性只能应用于平面等问题。
发明内容
针对现有技术存在的地球化学方法获取有机碳含量最为可靠,但相对成本也最高、实验周期长,此外还需要粉碎样品因此岩样遭到破坏,然而通过其他相对价廉、快速且密集的测试参数预测有机碳含量又存在不能满足更低级别的诸如几厘米的陆相页岩纹层样品的预测、只能应用于平面等问题,本发明提供一种新的泥页岩有机碳含量的预测方法,本发明的预测方法能够方便、快速和价廉地预测泥页岩的有机碳含量,无需破坏待测样品,且能满足低级别的诸如几厘米的陆相页岩纹层样品的预测。
本发明第一方面提供了一种泥页岩有机碳含量的预测方法,包括:
步骤A、通过回归方法,对泥页岩样品的有机碳含量和元素相对含量数据进行数据分析,选取数学模型;
步骤B、获取待预测的泥页岩的元素相对含量数据,并代入所述数学模型。
根据本发明所述的预测方法的一些实施方式,所述回归方法为多重逐步回归方法。
根据本发明所述的预测方法的一些实施方式,可以但不限于利用SPSS数据分析工具进行多重逐步回归方法计算。
根据本发明所述的预测方法的一些实施方式,步骤A的泥页岩样品为单井和/或相邻井的同一地质年代泥页岩样品。
根据本发明所述的预测方法的一些实施方式,步骤A的泥页岩样品可以选自泥岩和页岩,优选选自泥质白云岩、白云质泥岩、泥质灰岩、钙芒硝泥岩、灰质泥岩、砂质泥岩和页岩中的一种或多种。
根据本发明所述的预测方法的一些实施方式,步骤A的泥页岩样品的数量为3-40个,优选为10-35个,更优选为20-30个。
根据本发明所述的预测方法的一些实施方式,所述元素包括常量元素和/或微量元素,优选地,所述元素选自钛、钒、铬、锰、铁、钴、镍、铜、锌、镓、锗、锆、铌、钼、钌、铑、钯、银、铟、锡、锑、铪、钽、钨、铼、铂、金、铅、铋、镁、铝、硅、磷、氯、钾、钙、砷、铷、锶、钇、锆、镉、钡和硫元素中的一种或多种。在本发明中,测定元素后可以通过该元素的单质或氧化态形式呈现。例如但不限于MgO、Al2O3、SiO2、P2O5、S、Cl、K2O、CaO、TiO2、V、Cr、MnO、Fe2O3、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Y、Zr、Nb、Mo、Ag、Cd、Sn、Sb、Ba等。
根据本发明所述的预测方法的一些实施方式,待预测的泥页岩为步骤A的泥页岩样品的单井和/或相邻井的同一地质年代的泥页岩。
根据本发明所述的预测方法的一些实施方式,所述泥页岩样品的有机碳含量获得方法可以但不限于通过岩石热解仪和/或碳硫仪获得。
根据本发明所述的预测方法的一些实施方式,所述元素相对含量的获得方法以方便、快速和价格低廉为目的,例如但不限于通过手持X-射线荧光光谱仪元素扫描获得。
根据本发明所述的预测方法的一些实施方式,在步骤A和步骤B之间,该方法还包括判定并修正步骤A选取的相关性数学模型。例如获得数学模型后,判定该数学模型的是否符合地质认知,如果符合,则继续进行步骤B,如果不符合,则应修正为符合地质认知的相关系数最高的模型。
本发明第二方面提供了上述的预测方法在油气勘探与开发中的应用。
采用本发明的预测方法,能够方便、快速和价廉地对泥页岩有机碳含量进行预测,在优选情况下,本发明预测方法通过对少量代表性样品进行有机碳含量(TOC)测试和手持荧光元素扫描(XRF),获得样品的有机碳含量和元素相对含量信息,利用SPSS逐步回归方法,建立有机碳含量和元素相对含量的相关性数学模型,对同层段其它样品进行XRF扫描,利用已建立的相关性数学模型计算样品的有机碳含量,进而实现了单井或相邻井的同一地质年代其它泥页岩样品的有机碳含量预测。
附图说明
图1为本发明实施例1提供的预测TOC与实测TOC对比图。
具体实施方式
为使本发明更加容易理解,下面将结合实施例来详细说明本发明,这些实施例仅起说明性作用,并不局限于本发明的应用范围。
【实施例1】
步骤1、选取泥页岩样品。
选取江汉盆地潜江凹陷某A井潜三段10米岩心,主要发育纹层/层状泥质白云岩、白云质泥岩、泥质灰岩、钙芒硝泥岩的岩性。
步骤2、泥页岩样品及其测试结果。
根据岩心观察,人工选取其中25块典型样品作为建模数据来源,同时进行岩石热解分析(本例使用仪器型号为HAWKTM岩石热解仪,载气为氦气,检测器类型为FID检测器和红外检测器)和手持X-射线荧光光谱仪扫描分析(本例使用仪器型号为布鲁克S1 TitanTM手持式X荧光光谱仪,采集模式为双段地球化学模式,采集时间为60秒),获得并整理测试TOC和元素相对含量数值(见表1)。
步骤3、整理步骤2数据一一对应,输入SPSS,建立TOC和测试元素相关性模型,设置TOC为因变量,测试元素作为自变量(MgO、Al2O3、SiO2、P2O5、S、Cl、K2O、CaO、TiO2、V、Cr、MnO、Fe2O3、Co、Ni、Cu、Zn、As、Se、Rb、Sr、Y、Zr、Nb、Mo、Ag、Cd、Sn、Sb、Ba,30种元素),计算方法为多重逐步回归方法,模型汇总见表2,模型系数见表3,
由此可见,自动计算最优化模型为:
TOC(%)=2.816+0.593×WtFe2O3-5.754×WtTiO2-0.099×WtMgO 式1
分析认为,泥页岩中Fe2O3主要与黄铁矿、菱铁矿有关,是还原环境指示元素,其丰度与有机质含量成正比,是有机质富集的标志(崔景伟等.2013),由此与TOC成正相关性;TiO2为典型陆源组分,常与泥页岩有机质含量成反比(孙省利等.2003);MgO与大气水及热水活动有关,对有机质保存具有破坏性作用(曹剑等,2012),因此与TOC含量成反比,由此,该模型符合地质认识。
步骤4、利用X-射线荧光光谱仪对TOC未知样品进行元素扫描及有机碳含量预测。
利用手持X-射线荧光光谱仪(扫描设备与参数与步骤2相同)对同层段其它10块岩心样品进行元素扫描,获取待测样品的元素含量百分比值,整理后代入式1,计算预测TOC值,检测结果及计算结果见表4。
为检验预测值结果,同时进行了岩石热解分析获得TOC实测值,结果显示如图1所示,计算的TOC预测值与实测TOC值相关性较好。
以上所述的仅是本发明的优选实例。应当指出对于本领域的普通技术人员来说,在本发明所提供的技术启示下,作为本领域的公知常识,还可以做出其它等同变型和改进,也应视为本发明的保护范围。
Claims (10)
1.一种泥页岩有机碳含量的预测方法,包括:
步骤A、通过回归方法,对泥页岩样品的有机碳含量和元素相对含量数据进行数据分析,选取数学模型;
步骤B、获取待预测的泥页岩的元素相对含量数据,并代入所述数学模型。
2.根据权利要求1所述的预测方法,其特征在于,所述回归方法为多重逐步回归方法,优选地,利用SPSS数据分析工具进行多重逐步回归方法计算。
3.根据权利要求1或2所述的预测方法,其特征在于,步骤A的泥页岩样品为单井和/或相邻井的同一地质年代泥页岩样品;和/或,
步骤A的泥页岩样品选自泥质白云岩、白云质泥岩、泥质灰岩、钙芒硝泥岩、灰质泥岩、砂质泥岩和页岩中的一种或多种。
4.根据权利要求1-3中任意一项所述的预测方法,其特征在于,步骤A的泥页岩样品的数量为3-40个,优选为10-35个,更优选为20-30个。
5.根据权利要求1-4中任意一项所述的预测方法,其特征在于,所述元素包括常量元素和/或微量元素;
优选地,所述元素选自钛、钒、铬、锰、铁、钴、镍、铜、锌、镓、锗、锆、铌、钼、钌、铑、钯、银、铟、锡、锑、铪、钽、钨、铼、铂、金、铅、铋、镁、铝、硅、磷、氯、钾、钙、砷、铷、锶、钇、锆、镉、钡和硫元素中的一种或多种。
6.根据权利要求1-5中任意一项所述的预测方法,其特征在于,待预测的泥页岩为步骤A的泥页岩样品的单井和/或相邻井的同一地质年代的泥页岩。
7.根据权利要求1-6中任意一项所述的预测方法,其特征在于,所述泥页岩样品的有机碳含量获得方法通过岩石热解仪和/或碳硫仪获得。
8.根据权利要求1-7中任意一项所述的预测方法,其特征在于,所述元素相对含量的获得方法通过手持X-射线荧光光谱仪元素扫描获得。
9.根据权利要求1-8中任意一项所述的预测方法,其特征在于,在步骤A和步骤B之间,该方法还包括判定并修正步骤A选取的相关性数学模型。
10.权利要求1-9中任意一种所述的预测方法在油气勘探与开发中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805923.XA CN114076776A (zh) | 2020-08-12 | 2020-08-12 | 一种泥页岩有机碳含量的预测方法和应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805923.XA CN114076776A (zh) | 2020-08-12 | 2020-08-12 | 一种泥页岩有机碳含量的预测方法和应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114076776A true CN114076776A (zh) | 2022-02-22 |
Family
ID=80280002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010805923.XA Pending CN114076776A (zh) | 2020-08-12 | 2020-08-12 | 一种泥页岩有机碳含量的预测方法和应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114076776A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773774A (zh) * | 2023-06-20 | 2023-09-19 | 西藏巨龙铜业有限公司 | 基于电气石组分快速区分斑岩矿床成矿背景的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080179509A1 (en) * | 2006-06-29 | 2008-07-31 | Baker Hughes Incorporated | Determining Organic Carbon Downhole From Nuclear Spectroscopy |
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 |
CN105822301A (zh) * | 2016-03-23 | 2016-08-03 | 中国石油大学(北京) | 一种有机碳含量的测井预测数学模型建立方法 |
KR20170121546A (ko) * | 2016-04-25 | 2017-11-02 | 충북대학교 산학협력단 | 순차층서 분석을 통한 비전통자원 개발 구간 예측 방법 |
RU2636401C1 (ru) * | 2016-12-26 | 2017-11-23 | Николай Николаевич Лаптев | Способ определения содержания ванадия и редкоземельных элементов по гамма-активности осадочных пород |
CN107605465A (zh) * | 2017-09-05 | 2018-01-19 | 中石化石油工程技术服务有限公司 | 基于xrf元素录井随钻中获取页岩toc参数的方法 |
-
2020
- 2020-08-12 CN CN202010805923.XA patent/CN114076776A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080179509A1 (en) * | 2006-06-29 | 2008-07-31 | Baker Hughes Incorporated | Determining Organic Carbon Downhole From Nuclear Spectroscopy |
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 |
CN105822301A (zh) * | 2016-03-23 | 2016-08-03 | 中国石油大学(北京) | 一种有机碳含量的测井预测数学模型建立方法 |
KR20170121546A (ko) * | 2016-04-25 | 2017-11-02 | 충북대학교 산학협력단 | 순차층서 분석을 통한 비전통자원 개발 구간 예측 방법 |
RU2636401C1 (ru) * | 2016-12-26 | 2017-11-23 | Николай Николаевич Лаптев | Способ определения содержания ванадия и редкоземельных элементов по гамма-активности осадочных пород |
CN107605465A (zh) * | 2017-09-05 | 2018-01-19 | 中石化石油工程技术服务有限公司 | 基于xrf元素录井随钻中获取页岩toc参数的方法 |
Non-Patent Citations (1)
Title |
---|
毛永强;李宁;曹开芳;王培茂;张营;王丹阳;: "松南地区陆相泥页岩TOC定量预测技术", 断块油气田, no. 03, pages 13 - 18 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116773774A (zh) * | 2023-06-20 | 2023-09-19 | 西藏巨龙铜业有限公司 | 基于电气石组分快速区分斑岩矿床成矿背景的方法及系统 |
CN116773774B (zh) * | 2023-06-20 | 2023-12-29 | 西藏巨龙铜业有限公司 | 基于电气石组分快速区分斑岩矿床成矿背景的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US4646240A (en) | Method and apparatus for determining geological facies | |
Wang et al. | Marcellus shale lithofacies prediction by multiclass neural network classification in the Appalachian Basin | |
Huang et al. | Artificial neural network modelling as an aid to source rock characterization | |
Alnahwi et al. | Mineralogical composition and total organic carbon quantification using x-ray fluorescence data from the Upper Cretaceous Eagle Ford Group in southern Texas | |
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 | |
Kim | Lithofacies classification integrating conventional approaches and machine learning technique | |
Cluff et al. | Petrophysics of the Lance sandstone reservoirs in Jonah field, Sublette County, Wyoming | |
Schlanser et al. | Lithofacies classification in the Marcellus Shale by applying a statistical clustering algorithm to petrophysical and elastic well logs | |
CN113033648A (zh) | 一种使用机器学习算法实现测井解释的方法 | |
Jiang et al. | Deep-learning-based vuggy facies identification from borehole images | |
Yang et al. | Quantitative assessment of mudstone lithology using geophysical wireline logs and artificial neural networks | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
Wethington et al. | Stratigraphic architecture of the Mississippian limestone through integrated electrofacies classification, Hardtner field area, Kansas and Oklahoma | |
CN111580183B (zh) | 一种古湖泊水深定量还原的方法 | |
CN114076776A (zh) | 一种泥页岩有机碳含量的预测方法和应用 | |
Al Ibrahim | Multi-scale sequence stratigraphy, cyclostratigraphy, and depositional environment of carbonate mudrocks in the Tuwaiq Mountain and Hanifa Formations, Saudi Arabia | |
Prundeanu et al. | Elemental geochemistry of the Upper Cretaceous reservoir and surrounding formations applied in geosteering of horizontal wells, Lebăda Field–Western Black Sea | |
Aliouane | Levenberg-Marquardt algorithm neural network for clay volume estimation from well-log data in an unconventional tight sand gas reservoir of Ahnet basin (Algerian Sahara) | |
Milad* et al. | Outcrop to Subsurface Reservoir Characterization of the Mississippian Sycamore/Meramec Play in the SCOOP Area, Arbuckle Mountains, Oklahoma, USA | |
Bunch | A probability model to detect carbonate cementation in sandstones and other enigmatic wireline facies | |
Braaksma et al. | Sedimentological, petrophysical, and seismic characterization of an upper Jurassic shoreface-dominated shelf margin (the Boulonnais, Northern France) | |
Méndez et al. | Predicting and 3D modeling of karst zones using seismic facies analysis in Ordovician carbonates of the Tahe oilfield, China | |
Eze | Modeling the Spatial Distribution of Natural Fractures in Shale Reservoirs using Machine Learning and Geostatistical Methods | |
Rolfs | Integrated geomechanical, geophysical, and geochemical analysis of the Bakken Formation, Elm Coulee field, Williston Basin, Montana | |
Masoudi et al. | Clustering as an efficient tool for assessing fluid content and movability by resistivity logs |
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 |