泥页岩储层矿物成分含量解析与岩相识别表征方法

摘要

本发明实施例提供一种泥页岩储层矿物成分含量解析与岩相识别表征方法，该方法包括：建立泥页岩储层矿物成分含量的反演解析模型，并对所述反演解析模型求解，获得各矿物的解析计算结果；基于各矿物的所述解析计算结果，通过矿物组分决策树获得岩相识别结果。本发明实施例使用常规测井资料建立泥页岩储层矿物成分含量反演解析模型，对“盲源”模拟退火方法实现程序编译进行匹配迭代求解，解析出各矿物的相对体积含量，与岩心分析结果对比，该方法不仅有效且准确，极大的提高了测井解释的效率、降低了测井解释的成本。

说明书

技术领域

本发明涉及油气勘探开发领域，更具体地，涉及一种泥页岩储层矿物成分含量解析与岩相识别表征方法。

背景技术

对于泥页岩储层来说，矿物成分含量解析不仅能帮助划分岩性，而且可以识别好的储层及油气层，判断储层脆性，是寻找储层“甜点”的有效方法。岩相的识别表征，判断储层发育层段和制定有效的采油方案。

目前，针对矿物成分含量解析大致有三类方法：一类是利用多元统计回归方法，构建研究区矿物成分含量测井多参数计算模型，但对于地层非均质性较强的储层，用测井数据多参数值来表征某一种矿物难免会带来较大误差，相关性较差；另一类是基于研究区主要矿物类型，利用测井数据建立三种主要矿物的体积模型，利用最优化数学方法对其进行求解，进而得出研究区的矿物含量，目前该方法解析的矿物成分有限；最后一类是利用实验方法，主要利用X射线衍射测量矿物含量，该方法只适用于有岩心层段，适用性差。

而针对岩相识别划分的方法主要有三类：一类是根据岩心资料刻画岩相，该方法仅适用于岩心段，适用性差；另一类是通过测井曲线划分各种沉积相，即根据测井相识别划分岩相；最后一类是以已知岩相的测井响应值为样本数据，进行神经网络岩相训练，进行岩相识别划分，该方法受样本数据的限制，有很大的局限性。

发明内容

为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的泥页岩储层矿物成分含量解析与岩相识别表征方法，该方法包括：建立泥页岩储层矿物成分含量的反演解析模型，并对所述反演解析模型求解，获得各矿物的解析计算结果；基于各矿物的所述解析计算结果，通过矿物组分决策树获得岩相识别结果。

其中，所述建立泥页岩储层矿物成分含量的反演解析模型，包括：选取敏感测井曲线建立泥页岩储层矿物成分含量的反演解析模型；其中，所述敏感测井曲线包括声波时差AC、补偿密度DEN和补偿中子CNL。

其中，对所述反演解析模型求解，包括：根据构建的目标函数，采用“盲源”模拟退火方法进行匹配迭代求解。

其中，所述目标函数为：

式中，F(v)为误差指数曲线；P

其中，所述采用“盲源”模拟退火方法进行匹配迭代求解，还包括：针对每种矿物的测井响应值，在所述迭代求解时增加最大值与最小值的限制条件。

其中，所述基于各矿物的所述解析计算结果之前，还包括：基于各矿物的体积含量，统计黏土矿物体积相对含量、长英质体积相对含量、灰质体积相对含量的最大值、最小值和平均值，同时统计出各矿物含量分布区间的频数，以构建所述矿物组分决策树。

其中，通过矿物组分决策树获得岩相识别结果，包括：根据黏土矿物体积相对含量最大值、最小值、平均值及分布区间频数图，划分确定出两个区间，两个区别分别对应黏土含量相对体积为14％-48％和48％-72％；对于黏土相对体积含量为48％-72％的区间，识别为泥岩相；对于黏土相对体积含量为14％-48％的区间，结合平均值和频数分布特征，黏土相对体积含量为40％作为细分的界限，则根据黏土相对体积含量细分为14％-40％和40％-48％两个区间；识别黏土含量为14％-40％的区间，根据灰质相对体积含量的最大值、最小值和平均值，划分出灰质相对体积含量为0％-18％和18％-31％两个区间，其中灰质含量为18％-31％时识别为泥质灰岩相；而灰质含量为0％-18％时，则根根据长英质含量的最大值、最小值和平均值，当黏土含量为14％-40％、灰质含量为0％-18％、长英质含量为6％-38％时识别为泥质粉砂岩相，当黏土含量为14％-40％、灰质含量为0％-18％、长英质含量为38％-60％时识别为粉细砂岩相；识别黏土含量为40％-48％的区间，根据长英质含量的最大值、最小值和平均值细分为三个区间6％-30％、30％-38％和38％-60％，当长英质含量为30-38％时识别为粉砂质泥岩相，当长英质含量为38％-60％时识别为粉细砂岩相；当长英质含量为6％-30％时需结合灰质含量进行细分，当黏土含量为40％-48％、长英质含量为6％-30％、灰质含量为0％-18％时识别为灰质泥岩相，当黏土含量为40％-48％、长英质含量为6％-30％、灰质含量为18％-31％时识别泥质灰岩相。

其中，所述反演解析模型包括：

式中，DEN为地层的补偿密度测井值；AC为地层的声波时差测井值；CNL为地层的补偿中子测井值；V

本发明实施例提供的泥页岩储层矿物成分含量解析与岩相识别表征方法至少具有如下效果：

(1)使用常规测井资料建立泥页岩储层矿物成分含量反演解析模型，对“盲源”模拟退火方法实现程序编译进行匹配迭代求解，解析出各矿物的相对体积含量，与岩心分析结果对比，该方法不仅有效且准确，极大的提高了测井解释的效率、降低了测井解释的成本。

(2)使用声波时差、补偿密度和补偿中子对矿物成分进行了解析，则可节省取心的费用，能为无取心井提供准确的矿物成分含量数据，该方法为现场高效勘探和开发提供了指导和依据。

(3)本发明提出的建立矿物组分“决策树”方法，实现了测井岩相的快速识别与准确划分，为现场勘探生产提供了可靠的理论依据与指导。

(4)该方法应用前景广阔，矿物成分解析和岩相识别表征方法可广泛应用于在泥页岩、致密砂岩等致密储层评价及“甜点”预测，为指导现场勘探开发高效运行带来经济效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。

图1为本发明实施例提供的泥页岩储层矿物成分含量解析与岩相识别表征方法的流程示意图；

图2为本发明实施例提供的“盲源”模拟退火法计算流程图；

图3为本发明实施例提供的迭代解析石英相对体积与岩心实测对比交会图；

图4为本发明实施例提供的迭代解析长石相对体积与岩心实测对比交会图；

图5为本发明实施例提供的迭代解析方解石相对体积与岩心实测对比交会图；

图6为本发明实施例提供的迭代解析黏土相对体积与岩心实测对比交会图；

图7为本发明实施例提供的迭代解析其余矿物相对体积与岩心实测对比交会图；

图8为本发明实施例提供的黏土矿物含量分布区间频数图；

图9为本发明实施例提供的矿物组分“决策树”方法识别划分岩相流程图；

图10为本发明实施例提供的矿物成分解析和岩相识别表征方法在实际井中的应用效果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前常规储层的测井解释评价技术不在适用于复杂致密储层，特别是泥页岩储层中，不仅岩性复杂、骨架矿物多变，而且非均质性很强，而且矿物成分含量对储层的评价及“甜点”的识别起到至关重要的作用，这就使得如何解析泥页岩储层矿物成分含量，以及如何识别表征岩相的类型成为目前致密储层油气勘探开发中亟待解决的关键问题。由于研究区域常常缺少成像测井资料，因此，使用常规测井资料研究矿物成分含量的解析和岩相的识别表征具有重大意义。

本发明实施例基于目前现状，针对矿物成分含量解析的缺陷与岩相识别的问题，提出了矿物成分含量解析的新方法—“盲源”模拟退火解析法，即无需样本数据，通过迭代匹配解析出多种(至少5种)矿物成分含量，进而判断出岩相类型。

参见附图1，本发明实施例提供一种泥页岩储层矿物成分含量解析与岩相识别表征方法，包括但不限于如下步骤：

步骤101、建立泥页岩储层矿物成分含量的反演解析模型，并对所述反演解析模型求解，获得各矿物的解析计算结果；

步骤102、各矿物的所述解析计算结果，通过矿物组分决策树获得岩相识别结果。

针对上述步骤101，可进一步包括如下步骤：

(1)为了更准确解析矿物成分含量，首先优选敏感测井曲线，即与矿物成分含量密切相关的测井曲线，通过样本数据分析，作为一种可选实施例，优选出了声波时差AC，补偿密度DEN和补偿中子CNL这三种测井数据，建立储层矿物成分含量的反演解析模型，如下：

0≤V

其中，DEN为地层的补偿密度测井值，单位是g/cm

将该方程用矩阵的简化形式表示，即：Y

(2)对多矿物成分含量解析模型求解，由于模型等号右边所有参数都是未知量，等号左边测井响应值为已知量，未知量太多，则首先建立目标函数(式3)，为比较常规的原目标函数。

F(v)＝∑

但原目标函数迭代计算匹配性差、难保证全局最优、且计算结果存在波动，所以本次发明采用改进后的目标函数，作为一种可选实施例，该目标函数为：

其中，范数K值取1-15，进行叠加平均，目的是消除计算波动，P

应当说明的是，改进目标函数有以下优点：1.引入权重因子系数Pj，调节各部分贡献量，达到最优匹配，保证全局最优；2.引入范数K，保证全局最优，消除计算结果波动；3.可以选择输入敏感有效测井数据，非敏感测井数据可以不输入；4.设置误差指示曲线F(v)，随时指示计算结果的好坏。

(3)对多矿物成分含量解析模型(式1)，设计出较优的目标函数(式4)，针对该目标函数采用“盲源”模拟退火方法进行匹配迭代求解，编写了相应的MATLAB解析程序以实现该求解过程，其具体计算流程如图2所示。

为了保证解析结果更加准确且最优，针对每种矿物的测井响应值，在迭代解析计算时增加了最大值与最小值的限制条件，如表1所示。

表1各矿物的测井响应区间值

(4)将各矿物解析计算结果与岩心实验分析结果进行对比，验证了方法的有效性。以解析计算结果为x轴、实际岩心分析结果为y轴，如图3-图7，分别建立石英、长石、方解石、黏土、其余矿物和孔隙的交会图。分析图3-图7可知：所有矿物计算结果与岩心分析结果都分布在在y＝x的对角线上，说明矿物解析计算结果良好，与实际岩心分析数据吻合，该矿物解析方法不仅有效且计算精度高。

针对上述步骤102，可进一步包括如下步骤：

(5)应用矿物解析计算结果，即基于各矿物的体积含量，统计黏土矿物体积相对含量、长英质(石英+长石)体积相对含量、灰质(方解石)体积相对含量的最大值、最小值和平均值，同时统计出各矿物含量分布区间的频数，以黏土矿物为例，如图8所示，为构建矿物组分“决策树”识别表征岩相方法奠定基础。

(6)以黏土矿物为起始分界点，构建矿物组分“决策树”识别表征岩相方法，如图9所示，即：首先根据黏土矿物体积相对含量最大值(75％)、最小值(14％)、平均值(48％)及分布区间频数图(图8)，划分确定出两个区间，分别为黏土含量相对体积为14％-48％和48％-72％，黏土相对体积含量在48％-72％是泥岩相的典型特征，即为泥岩相。其次，对于黏土相对体积含量为14％-48％仍需进行细分。结合平均值和频数分布特征，黏土相对体积含量为40％作为细分的界限，则根据黏土相对体积含量细分为14％-40％和40％-48％两个区间。然后，优先识别划分黏土含量为14％-40％的区间，根据灰质相对体积含量的最大值(31％)、最小值(0％)和平均值(18％)，划分出灰质相对体积含量为0％-18％和18％-31％两个区间，其中灰质含量为18％-31％时为泥质灰岩相。而灰质含量为0％-18％时，则要根据长英质含量进行细分，根据长英质(石英相对体积+长石相对体积)含量的最大值(60％)、最小值(6％)和平均值(38％)，当黏土含量为14％-40％、灰质含量为0％-18％、长英质含量为6％-38％时为泥质粉砂岩相，当黏土含量为14％-40％、灰质含量为0％-18％、长英质含量为38％-60％时为粉细砂岩相。最后，识别黏土含量为40％-48％的区间，根据长英质(石英相对体积+长石相对体积)含量的最大值(60％)、最小值(6％)和平均值(38％)细分为三个区间6％-30％、30％-38％和38％-60％，当长英质含量为30-38％时为粉砂质泥岩相，当长英质含量为38％-60％时为粉细砂岩相，而当长英质含量为6％-30％时仍需结合灰质含量进行细分，当黏土含量为40％-48％、长英质含量为6％-30％、灰质含量为0％-18％时为灰质泥岩相，当黏土含量为40％-48％、长英质含量为6％-30％、灰质含量为18％-31％时泥质灰岩相。

(7)构建出的矿物组分“决策树”识别表征岩相方法(图9)，即保证各区间互不重叠，又不会有遗漏，最终划分出6种岩相类型及对应的识别划分标准，即泥质灰岩相、粉细砂岩相、灰质泥岩相、泥质粉砂岩相、粉砂质泥岩相、泥岩相。具体识别划分结果及标准如表2。

表2矿物组分“决策树”方法识别划分岩相结果与标准

综上所述，本发明实施例提供的泥页岩储层矿物成分含量解析与岩相识别表征方法至少具有如下效果：

(4)使用常规测井资料建立泥页岩储层矿物成分含量反演解析模型，对“盲源”模拟退火方法实现程序编译进行匹配迭代求解，解析出各矿物的相对体积含量，与岩心分析结果对比，该方法不仅有效且准确，极大的提高了测井解释的效率、降低了测井解释的成本。

(5)使用声波时差、补偿密度和补偿中子对矿物成分进行了解析，则可节省取心的费用，能为无取心井提供准确的矿物成分含量数据，该方法为现场高效勘探和开发提供了指导和依据。

(6)本发明提出的建立矿物组分“决策树”方法，实现了测井岩相的快速识别与准确划分，为现场勘探生产提供了可靠的理论依据与指导。

(4)该方法应用前景广阔，矿物成分解析和岩相识别表征方法可广泛应用于在泥页岩、致密砂岩等致密储层评价及“甜点”预测，为指导现场勘探开发高效运行带来经济效益。

以下提供一具体实例对上述方法进行说明：

将矿物成分解析(“盲源”模拟退火法)和岩相识别表征方法(矿物组分“决策树”方法)的程序应用到泥页岩储层实例井中，可计算获得该井各矿物成分含量及岩相识别结果，如图10所示。其中图10第五、六、七、八、九、十列分别为解析出的石英、长石、方解石、黏土、其余矿物和孔隙的相对体积，第十一列为矿物剖面，通过与岩心分析数据对比，迭代解析结果与岩心分析结果(3520-3525米与3660-3670米)非常吻合，说明该矿物解析方法有效且计算准确。第十二列为矿物组分“决策树”方法定量识别划分的岩相剖面，该岩相剖面与矿物剖面(第十一列)非常吻合，说明矿物组分“决策树”也非常有效。

综上所述，本发明实施例是基于常规测井资料对矿物成分含量解析和岩相识别表征的一种方法，是在缺少成像测井资料与岩心分析数据的情况下，使用常规测井数据进行矿物成分含量解析和岩相定量识别表征。首先优选各矿物的敏感曲线，建立各矿物反演解析模型，采用“盲源”模拟退火方法对反演解析模型进行迭代解析，并实现程序的编译，解析出各矿物的相对体积，与岩心分析结果对比，该方法不仅有效且精度高。在此基础上，根据解析出的各矿物成分含量，统计出各矿物的体积分布区间，以黏土矿物为起始分界点，构建出矿物组分“决策树”方法进行岩相的识别与定量划分，识别划分出六种岩相类型：泥质灰岩相、粉细砂岩相、灰质泥岩相、泥质粉砂岩相、粉砂质泥岩相、泥岩相，并建立划分标准。通过与岩心分析、文献资料等结果对比发现，矿物成分解析方法与岩相识别表征方法不仅计算精度高且适用范围广，为泥页岩等致密复杂储层的高效勘探开发提供了可靠的理论依据与指导。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。