石油地球物理勘探  2023, Vol. 58 Issue (1): 214-227  DOI: 10.13810/j.cnki.issn.1000-7210.2023.01.023
0
文章快速检索     高级检索

引用本文 

张少龙, 闫建平, 郭伟, 钟光海, 黄毅, 李志鹏. 基于岩石物理相的深层页岩气地质—工程甜点参数测井评价方法——以四川盆地LZ区块五峰组—龙马溪组为例. 石油地球物理勘探, 2023, 58(1): 214-227. DOI: 10.13810/j.cnki.issn.1000-7210.2023.01.023.
ZHANG Shaolong, YAN Jianping, GUO Wei, ZHONG Guanghai, HUANG Yi, LI Zhipeng. Logging evaluation method of geological-engineering sweet spot parameters for deep shale gas based on petrophysical facies: A case study of the Wufeng-Longmaxi Formation in LZ block of Sichuan Basin. Oil Geophysical Prospecting, 2023, 58(1): 214-227. DOI: 10.13810/j.cnki.issn.1000-7210.2023.01.023.

本项研究受中国石油—西南石油大学创新联合体科技合作项目“川南深层与昭通中浅层海相页岩气规模效益开发关键技术研究”(2020CX020000)、中石油科技部“十四·五”重大专项“川南海相深层页岩气资源潜力及富集规律研究”(2021DJ1901)、高等学校学科创新引智计划(111计划) “深层海相页岩气高效开发学科创新引智基地”(D18016)、四川省自然科学基金项目“页岩气储层低电阻率成因机制及对含气性的影响研究”(2022NSFSC0287)和南充市市校科技战略合作项目“基于海森堡自旋系统的量子调控研究”(SXHZ017)联合资助

作者简介

张少龙  博士研究生,1994年生;2016年获西安石油大学勘查技术与工程专业学士学位,2019年获西南石油大学地质工程专业硕士学位;目前在同济大学海洋与地球科学学院攻读海洋科学专业博士学位;主要研究方向为测井地质学、页岩油气地质—工程一体化评价

闫建平, 四川省成都市新都区新都大道8号西南石油大学地球科学与技术学院,610500。Email:yanjp_tj@163.com

文章历史

本文于2022年1月18日收到,最终修改稿于同年11月7日收到
基于岩石物理相的深层页岩气地质—工程甜点参数测井评价方法——以四川盆地LZ区块五峰组—龙马溪组为例
张少龙1,2 , 闫建平2,3 , 郭伟4 , 钟光海5 , 黄毅6 , 李志鹏7     
1. 同济大学海洋地质国家重点实验室,上海 200092;
2. 西南石油大学地球科学与技术学院,四川成都 610500;
3. 油气藏地质及开发工程国家重点实验室(西南石油大学),四川成都 610500;
4. 中国石油勘探开发研究院,北京 100083;
5. 中国石油西南油气田公司页岩气研究院,四川成都 610051;
6. 中国石油集团测井有限公司西南分公司,重庆 400021;
7. 中国石化胜利油田分公司勘探开发研究院,山东东营 257015
摘要:海相深层页岩气(埋深大于3500 m)储层受沉积、成岩、构造及生物等多种作用影响,甜点成因机制十分复杂,通常的沉积微相、岩相划分难以精细刻画其强非均质性,进一步加大了地质—工程甜点参数测井精细评价的难度。为此,以川南LZ区块页岩气储层为例,在明确海相页岩岩石物理相内涵、影响因素及核心指标的基础上,利用岩石薄片、全岩衍射以及TOC等资料,结合测井响应特征,划分出三类岩石物理相(Ⅰ、Ⅱ、Ⅲ),进一步分为6个亚类(Ⅰ1、Ⅰ2、Ⅰ3、Ⅱ1、Ⅱ2、Ⅲ),明确了不同类型的特征及优势相,并采用随机森林算法建立了连续测井剖面岩石物理相识别方法和基于岩石物理相分类的地质—工程甜点参数测井精细计算模型。结果表明:①发育在五峰组顶部和龙一11—龙一13小层内的Ⅰ1和龙一14小层内的Ⅱ1为有利相,通常具有TOC高、孔隙度大、含气性好以及脆性强的特征;②基于随机森林分类算法的测井岩石物理相识别效果优于常规测井交会图识别法,准确率可达90%以上;③分岩石物理相的随机森林回归模型地质—工程甜点参数计算精度高,各项参数计算结果与实测结果的相关系数均超过0.9。所提方法有效解决了海相深层页岩气储层地质—工程甜点参数求取困难的难题,实现了甜点参数的井剖面精确计算,为评层选区、水平井靶体优选以及资源量估算等奠定了基础。
关键词深层页岩气    岩石物理相    甜点参数    机器学习    测井识别    水平井靶体优选    
Logging evaluation method of geological-engineering sweet spot parameters for deep shale gas based on petrophysical facies: A case study of the Wufeng-Longmaxi Formation in LZ block of Sichuan Basin
ZHANG Shaolong1,2 , YAN Jianping2,3 , GUO Wei4 , ZHONG Guanghai5 , HUANG Yi6 , LI Zhipeng7     
1. State Key Laboratory of Marine Geology, Tongji University, Shanghai 200092, China;
2. School of Geoscience and Technology, Southwest Petroleum University, Chengdu, Sichuan 610500, China;
3. State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Southwest Petroleum University, Chengdu, Sichuan 610500, China;
4. Research Institute of Exploration and Development, PetroChina, Beijing 100083, China;
5. Shale Gas Research Institute, PetroChina Southwest Oil & Gas Field Company, Chengdu, Sichuan 610051, China;
6. Southwest Branch, CNPC Logging Company Limited, Chongqing 400021, China;
7. Institute of Exploration and Development, Shengli Oil Field, SINOPEC, Dongying, Shandong 257015, China
Abstract: Marine deep shale gas (with a burial depth of greater than 3500 m) reservoirs are affected by deposition, diagenesis, tectonism, biological processes, and other factors, and the formation mechanism of their sweet spots is very complicated. As a result, conventional divisions of sedimentary microfacies and lithofacies are difficult to carefully describe their strong heterogeneity, which further increases the difficulty in the fine logging evaluation of geological-engineering sweet spot parameters.Therefore, this paper takes the shale gas reservoir in LZ block in the south of Sichuan Basin as an example and analyzes the connotation, factors, and core indicators of petrophysical facies of marine shales.Then, with rock thin sections, whole-rock diffraction, total organic carbon (TOC) data, and logging response characteristics, the paper obtains three types of petrophysical facies(Ⅰ, Ⅱ, and Ⅲ) and further divides them into six subcategories (Ⅰ1, Ⅰ2, Ⅰ3, Ⅱ1, Ⅱ2, and Ⅲ), so as to explore their characteristics and dominant facies. In addition, the random forest algorithm is used to develop a method for identifying petrophysical facies in continuous logging profiles and establish a fine logging calculation model of geological-engineering sweet spot parameters based on different types of petrophysical facies.The results indicate that: ①Ⅰ1 deve-loped at the top of Wufeng Formation and the first and third sub-members of the first member of Longmaxi Formation, namely, l11-l13, and Ⅱ1 developed at the fourth sub-member of the first member of Longmaxi Formation l14 are favorable facies, and they usually feature high TOC, large porosity, rich gas content, and strong brittleness.②The logging identification results of petrophysical facies based on the random forest classification algorithm are better than that of conventional logging crossplot identification methods, and the accuracy rate is above 90%.③The calculation accuracy of geological-engineering sweet spot parameters based on a random forest regression model with classified petrophysical facies is high, and the correlation coefficient of calculated and measured parameters all exceeds 0.9. The proposed method effectively solves the difficulty in obtaining geological-engineering sweet spot parameters of marine deep shale gas reservoirs, realizes the accurate calculation of well profiles of sweet spots, and lays a foundation for selecting favorable layers and optimal targets of horizontal wells and estimating resource amounts.
Keywords: deep shale gas    petrophysical facies    sweet spot parameters    machine learning    logging identification    target optimization of horizontal well    
0 引言

随着常规油气产量的降低以及能源消费的持续增长,页岩油气资源逐渐成为关注的重点[1]。川南LZ区块及其周缘地区上奥陶统五峰组—下志留统龙马溪组发育富有机质海相页岩,深层页岩气资源丰富,现已成为四川盆地页岩气勘探、开发的重点区域,具有极大的勘探、开发潜力[2]。相较于中浅层页岩气储层而言,深层页岩气储层通常具有孔隙保存条件复杂、高温、高压、水平应力差大、地层强度高、压裂难度大等特点[3-5],并且常规沉积微相[6]、岩相划分[7]也难以精细刻画其甜点层段的强非均质性。在此背景下,为有效降低勘探、开发成本,提高深层页岩气产量,精确计算总有机碳含量(TOC)、孔隙度、总含气量以及脆性指数等地质—工程甜点参数尤为重要。

目前,利用测井数据求取页岩气储层甜点参数的方法主要有体积模型法[8]、多元回归法[9]、经验公式法[10-11]以及机器学习法[12]。上述方法各有不足,其中最大的问题是均未充分考虑页岩气尤其是深层页岩气储层的有机—无机组分、结构以及多尺度孔缝特征等强非均质性造成的计算模型误差。此外,体积模型方法较理想,但在实际工作中,并不能简单地将页岩储层划分为互不影响的几个部分;多元回归方法往往计算精度不尽如意;经验公式法仅对特定地区或层位的应用效果较好,推广性较差;长井段机器学习算法仅将测井曲线作为参数集建立模型,忽略了其包含的地质、物理意义。

鉴于此,笔者在总结前人研究成果的基础上,将砂岩、碳酸盐岩储层评价与油气藏建模中的岩石物理相概念[13]引入深层页岩气储层,以川南LZ区块上奥陶统五峰组—下志留统龙马溪组深层页岩为研究对象,综合地质—测井资料划分岩石物理相,并在此基础上建立了测井岩石物理相机器学习分类识别方法以及基于“岩石物理相分类+机器学习算法”的地质—工程甜点参数测井精细计算模型。不同岩石物理相从地质角度有效弱化深层页岩气储层的非均质性,降低参数计算误差,较好地解决沉积微相、岩相划分难以精细刻画深层页岩气储层强非均质性的难题,精确计算单井、多井深层页岩气地质—工程甜点参数,为LZ区块五峰组—龙马溪组页岩气储层甜点评层选区、水平井靶体优选、资源量估算及透明页岩气藏建模与开发方案实施提供了精确的参数基础,也为同类深层页岩气藏参数计算供了借鉴,具有较好的推广和应用价值。

1 区域地质概况

四川盆地是发育在扬子准台地西北缘的一个次一级构造单元,LZ区块位于四川盆地南部,处于川西南古中斜坡低褶带东部,川南古坳中隆低陡弯形带北部(图 1a),目前已有多口井获得产量突破[14],深层页岩气勘探、开发潜力巨大。

图 1 LZ区块构造分区位置[17](a)及五峰组—龙一1地层划分(b) GR、RT分别为自然伽马、原状地层电阻率测井

本文重点研究层位为上奥陶统五峰组和下志留统龙马溪组一段一亚段(龙一1),从下至上龙一1又进一步划分为4个小层(龙一11、龙一12、龙一13和龙一14)(图 1b),目前龙一11—龙一13开发效果最好。龙一1主要为强还原环境的陆棚相沉积[15],进一步细分为浅水陆棚、半深水陆棚以及深水陆棚三个亚相[16],又细分为含钙质深水陆棚、钙质半深水陆棚以及(砂)泥质浅水陆棚等沉积微相[17]。龙马溪组岩性主要为黑色富有机质页岩、硅质页岩以及钙质页岩等,五峰组岩性主要为硅质页岩、硅质岩和碳酸盐岩。

2 岩石物理相类型划分及特征 2.1 深层页岩气储层特征

全岩X射线衍射结果表明:LZ区块五峰组—龙一1页岩样品矿物组成包括石英、长石、方解石、白云石、黄铁矿以及黏土,其中石英、黏土以及碳酸盐岩(方解石+白云石)为主要矿物,长石和黄铁矿含量较少。石英含量为3%~88%,平均为38.56%;碳酸盐岩含量为0~96%,平均为18.12%;黏土矿物含量为0~60%,平均为33.45%(图 2a)。不同样品之间矿物含量差异明显且分布范围较广,反映了组分特征的强非均质性。

图 2 LZ区块五峰组—龙一1储层参数特征 (a)全岩X射线衍射结果;(b)页岩样品孔隙度、TOC以及总含气量测试结果;(c)页岩岩心分小层TOC测试结果M为样品数,L205、H203、L206为井名,下同。

页岩样品孔隙度、TOC以及总含气量测试结果表明:孔隙度分布范围为1.46%~6.22%,平均为4.15%,主要分布范围为4%~6%;总含气量分布范围为0.427~5.77 cm3/g,平均为1.99 cm3/g,主要分布范围为0.5~2.5 cm3/g;TOC分布范围为0.188%~6.367%,平均为2.36%。此外,孔隙度、TOC及总含气量关系密切,往往孔隙度大、TOC高的样品,页岩总含气量较高(图 2b)。

五峰组—龙一1页岩岩心分小层TOC测试结果表明:五峰组页岩TOC为0.17%~4.77%,平均为2.16%;龙一11页岩TOC为3.3%~6.87%,平均为4.26%;龙一12页岩TOC为3.5%~5.04%,平均为4.3%;龙一13页岩TOC为1.02%~4.97%,平均为3.55%;龙一14页岩TOC为0.28%~3.29%,平均为2.13%(图 2c)。整体来看,随着深度增加,TOC呈先增加后减小的趋势,在龙一11达到最高。根据Boyer等[18]提出的利用TOC评价烃源岩品质的标准,龙一11页岩生烃潜力最高,其次为龙一12、龙一13和五峰组页岩,龙一14页岩生烃潜力相对较低。

2.2 岩石物理相类型及特征分析

岩石物理相是一定规模储层岩石物理特性的综合,是沉积作用、成岩作用、后期构造作用和流体改造作用的综合反映[13]。目前岩石物理相划分和应用的对象主要为砂岩、砂砾岩以及碳酸盐岩储层,主要分为基于“相控论”(沉积相+成岩相+构造相)[19]、流动单元(流动带指数)[20]、多地质参数[21]以及测井参数[22]的岩石物理相划分方案。综合来看,虽然划分方案的侧重角度不一,但都体现了依托岩石物理相划分将储层非均质性评价问题转变为相对均质性评价问题的思路。

与砂岩、砂砾岩以及碳酸盐岩储层相比,海相深层页岩气储层除了粒度较细、储层整体为细粒沉积岩以外,最重要的特征是“自生自储”特性,表现为大面积、连续、聚集成藏,天然气分层聚集赋存性较差且储层骨架矿物组构、多尺度孔缝介质非均质性强。因此,不能利用流动单元法划分岩石物理相。此外,海相深层页岩储层岩石物理相的内涵与因素也发生了变化,由沉积作用、成岩作用以及构造作用转变为沉积作用、成岩作用、构造作用以及生物作用[23]。因此,海相深层页岩气储层岩石物理相为沉积作用、成岩作用、构造作用以及生物作用的综合反映。但沉积微相、岩相划分难以精细刻画甜点层段非均质性,且在测井剖面上很难连续评价生物作用对储层的影响,故“相控论”岩石物理相划分方法也不适用于深层页岩气储层岩石物理相划分。

基于此,考虑到TOC、孔隙度、总含气量以及脆性指数等地质—工程甜点参数以及测井响应特征反映了海相深层页岩气储层岩石物理相内涵以及受控因素,结合地质—工程甜点参数和测井曲线将LZ区块五峰组—龙一1储层岩石物理相划分为三类(Ⅰ、Ⅱ、Ⅲ),进一步分为6个亚类(Ⅰ1、Ⅰ2、Ⅰ3、Ⅱ1、Ⅱ2、Ⅲ)(图 3)。本文采用Kang等[24]的页岩脆性指数计算模型计算岩心脆性指数。

图 3 L205井五峰组—龙马溪组页岩岩石物理相划分结果 U、AC、KTh、Th/U、CNL分别为铀、声波时差、无铀伽马、钍铀比、补偿中子测井

三类岩石物理相参数特征差异较明显(图 4)。相对于Ⅱ、Ⅲ,Ⅰ的U值(>15×10-6)、TOC(>3%)、孔隙度以及脆性指数(>0.5)较高。在Ⅰ中,Ⅰ1脆性指数最高而TOC最低(< 4 %),相对于Ⅰ1、Ⅰ2,Ⅰ3的含气量(>3.5 cm3/g)和孔隙度(>5 %)较高;在Ⅱ中,Ⅱ1的U值(>9×10-6)、孔隙度(>4 %) 以及总含气量较高,但是脆性指数(< 0.5)较低。整体上,虽然利用TOC、孔隙度以及脆性指数等地质—工程参数和常规测井曲线无法完全区分岩石物理相及其界限,但是各参数的主要分布范围存在一定差异——划分深层页岩气储层岩石物理相的依据。

图 4 LZ区块岩石物理相参数特征

因此,将矿物含量、孔隙度、TOC、总含气量以及脆性指数作为深层页岩气储层岩石物理相的地质—工程核心评价与划分指标。其中6个亚类的核心评价指标、测井响应特征及差异如表 1所示,微观薄片特征如图 5所示。

表 1 LZ区块五峰组—龙马溪组深层页岩气储层岩石物理相核心评价指标特征

图 5 LZ区块五峰组—龙马溪组岩石物理相薄片特征 (a)Ⅰ1(L205井,4032.58 m);(b)Ⅰ2(L205井,4029.97 m);(c)Ⅰ3(L205井,4026.12 m);(d)Ⅱ1(L205井,3995.55 m);(e)Ⅱ2(L205井,4016.32 m);(f)Ⅲ(L205井,4041.67 m)

1的沉积微相为富硅深水陆棚,其岩心测试石英和长石含量较高,均值为60.17%,孔隙度均值为4.95%,TOC均值为4.30%,脆性指数均值为0.69,总含气量均值为3.27 cm3/g。GR值最高(最小值~最大值/平均值为144.713~335.459/217.052API);U值为(8.9~42.48)×10-6,平均为22.41×10-6,生烃潜力最高;Th/U均值为0.704,指示强还原沉积环境。薄片上可见石英、方解石等顺层分布形成水平亮纹层,黏土吸附有机质形成暗色纹层(图 5a)。

2的沉积微相为富硅深水陆棚,其岩心测试石英和长石含量均值为59.68%,孔隙度均值为4.31%,TOC均值为4.15%,脆性指数均值为0.67,总含气量均值为2.91 cm3/g。GR值中等(70.246~229.821/149.61API);U均值为12.92×10-6,显示较好的生烃潜力;Th/U均值为1.06,指示缺氧的沉积环境。薄片上可见石英、方解石颗粒顺层分布,黏土吸附有机质形成暗色纹层(图 5b)。

3的沉积微相为富硅深水陆棚,其岩心测试石英和长石含量均值为57.64%,孔隙度均值为5.47%,TOC均值为4.34%,脆性指数均值为0.60,总含气量均值为4.10 cm3/g。GR值较高,平均为137.455API;U值分布范围为(5.86~14.87)×10-6,平均为11.65×10-6,生烃潜力较高;Th/U值介于0.619~2.781,平均为1.22,也指示缺氧沉积环境。薄片上可见整体粒度细小,黄铁矿多分散分布,粉粒石英与方解石和粉晶白云石顺层分布形成水平纹层,且与泥质纹层呈不等厚互层特征(图 5c)。

1的沉积微相为含钙深水陆棚,其岩心测试石英和长石含量均值为42.32%,孔隙度均值为4.46%,TOC均值为2.41%,脆性指数均值为0.47,总含气量均值为2.13 cm3/g。GR值分布范围为134.631~211.618 API,均值为167.359 API;U值最小值为2.807×10-6,最大值为14.418×10-6,平均值为9.65×10-6,生烃潜力高;Th/U均值为1.87。薄片上可见粉晶白云石、方解石以及粉粒石英等分散分布,部分呈顺层分布现象,形成水平纹层(图 5d)。

2的沉积微相为含钙深水陆棚,其岩心测试石英和长石含量均值为49.42%,孔隙度均值为3.97%,TOC均值为2.29%,脆性指数均值为0.51,总含气量均值为2.00 cm3/g。GR均值为145.064 API,U均值为6.65×10-6,生烃潜力相对较弱;Th/U均值较高,平均为2.66,显示弱氧沉积环境。薄片上可见粉粒石英与方解石和粉晶白云石分散分布,形成的水平亮纹层宽度较大,且与泥质纹层呈不等厚互层特征(图 5e)。

Ⅲ的沉积微相为钙质浅水陆棚,其岩心测试石英和长石含量均值为48.61%,孔隙度均值为3.42%,TOC均值为1.75%,脆性指数均值为0.54,总含气量均值为1.66 cm3/g。GR值最低,平均为129.37 API;U均值为5.68×10-6,生烃潜力最弱;Th/U均值为3.73,指示弱氧化沉积环境。薄片上可见近圆斑状黄铁矿,粉末状黄铁矿分散分布,黏土吸附有机质呈暗色条纹、短条带状顺层分布(图 5f)。

综合来看,Ⅰ和Ⅱ1为LZ区块海相深层页岩气储层的有利相,具有高TOC、高孔隙度、高总含气量以及高脆性指数的特征。在Ⅰ中,Ⅰ3的地质甜点参数(TOC、孔隙度、总含气量)最优,Ⅰ1的工程甜点参数(脆性指数)最优,说明页岩储层地质甜点最优层段不一定对应工程甜点最优层段,在实际天然气勘探、开发中,需要着重分析两者的耦合关系。需要指出的是,Ⅰ1、Ⅰ2、Ⅰ3对应的沉积微相均为富硅深水陆棚相,但是测井响应特征与对应的地质特征均存在一定差异,充分说明利用沉积微相难以精细刻画深层页岩气储层的强非均质性,进一步证明了划分深层页岩气储层岩石物理相的必要性。薄片分析结果表明,相对于Ⅱ和Ⅲ,Ⅰ具有较好的水平纹层结果,表明该阶段处于低能时期,沉积水动力最弱。特别值得关注的是,前人对五峰组以及龙一1优质页岩储层的分析着重关注龙一11、龙一12、龙一13,但文中的岩石物理相划分结果表明,龙一14也存在相对优质的甜点层段,是潜在的水平井靶体层段。

2.3 岩石物理相测井识别方法

虽然在连续测井剖面上借助岩心分析资料较准确地划分和识别了岩石物理相,但深层页岩气井取心成本高,在实际工作中往往存在岩心分析资料不足的缺陷。因此,以关键井岩心分析数据标定测井,进而建立基于常规测井曲线的岩石物理相划分与识别方法是需要研究的内容。

对LZ区块地层关键井岩石物理相岩心资料划分与识别结果的常规测井数据交会分析表明(图 6),不同类型的岩石物理相测井响应特征存在一定差异,特别是Ⅰ1具有明显的低Th/U(< 0.5)、高GR(>200 API)、高U值(>20×10-6)特征。此外,利用GR-CNL交会图可以区分Ⅰ1和Ⅲ(图 6a);利用GR-AC交会图可以区分Ⅰ1和Ⅱ2(图 6b)。由于岩石物理相类型较多,不同岩石物理相测井响应特征受沉积、成岩、构造以及生物作用的共同影响,存在较大程度的重叠现象,因此仅利用单一常规测井曲线交会图难以有效区分不同的岩石物理相。考虑到常规测井曲线交会图难以识别岩石物理相亚类的现状,故尝试结合测井信息、地质信息与大数据机器学习算法的优势,采用具有监督学习功能的随机森林算法划分与识别岩石物理相亚类。

图 6 6亚类岩石物理相测井数据二维交会图 (a)GR-CNL;(b)AC-GR

随机森林算法[25-26]是基于Bagging框架的决策树模型,具有抗干扰能力强、鲁棒性高、泛化能力优且可以处理高维输入样本集的特征,最重要的是可以处理不平衡的数据集(每一类样本数量相差较大),对文中的不同岩石物理相的样本集具有极强的针对性。此外,随机森林算法不但可以优化分类任务也可以回归计算任务,从而满足复杂且非均质性强的深层页岩气地层岩石物理相测井分类识别、甜点参数测井精细解释模型构建及计算的需求。

随机森林算法流程[25](图 7)为:①在训练阶段,首先采用高稳健和高效率的Bootstrap重采样技术从原始训练数据集中选取训练样本。②利用分类与回归树(CART) 模型训练并预测每一个重采样训练样本集。对于分类算法而言,CART就是分类树,采用基尼指数最小化准则;对于回归算法而言,CART就是回归树,采用平方误差最小化准则。③对于分类问题,综合考虑每一颗决策树的输出类别,以投票的方式决定重采样训练样本中的某一个随机样本的类别;对于回归问题,以每颗决策树输出的均值作为最终结果。④在实际应用阶段,将新样本数据输入到训练好的随机森林分类或回归模型中,即可得到样本的归属类别或回归结果。

图 7 随机森林算法流程

本文以LZ区块的H203、L205、L206、L207等井的岩石物理相划分结果作为样本集,利用随机森林分类算法识别岩石物理相亚类。

在测井曲线预处理和归一化之后,首先对随机森林分类算法调参以获得最优算法参数,其中需要调参的算法参数主要为“树”个数n_estimators和最大特征数max_features。对于后者而言,当样本集特征数不多(如小于50)时,一般使用默认值。本文的样本是输入的8条测井曲线(特征数为8),因此max_features使用默认值。对于最优“树”的优选,在划分训练集(样本集的70%)、预测集(样本集的30%)、“叶”个数(预测分类数为6)等次要算法参数的基础上,分析了“树”个数的选取对算法精度的影响。结果表明,当“树”个数为291时,算法精度最高,模型性能评价系数为0.9178(图 8a),因此选取291作为随机森林分类算法的最优“树”个数。此外,算法运行过程还可以分析输入判识参数的重要性,即测井曲线类型对随机森林分类算法预测结果的贡献值。考虑到目前川南深层页岩气储层存在个别有机质碳化现象[27],致使利用电阻率曲线判识优质储层的准确性明显降低。因此,模型输入测井曲线中并未使用电阻率曲线。分析结果表明,利用GR、CNL、U、AC以及DEN(补偿密度)五条曲线划分LZ区块深层页岩气储层岩石物理相亚类的重要性较高(图 8b)。

图 8 随机森林算法模型参数特征 (a)“树”个数对模型拟合系数的影响;(b)测井曲线对岩石物理相划分的重要性

未参与模型训练的L208井岩石物理相亚类识别结果表明,利用随机森林分类算法识别与划分LZ区块深层页岩气储层岩石物理相的效果较好,识别结果与基于地质—测井资料的划分结果的一致性较好,识别符合率达90%以上(图 9),充分显示了随机森林分类算法的可靠性。

图 9 L208井五峰组—龙马溪组页岩气地层岩石物理相识别结果 PE、Th/K、Th、K、CAL分别为光电吸收截面指数、钍钾比、钍、钾、井径测井
3 深层页岩气参数精细解释模型 3.1 模型建立与测试

应用测井信息准确划分岩石物理相之后,考虑参数测井解释模型建立的可行性及为便于计算,以H203、L205、L206以及L207等井的岩心分析测试资料为基础,优选随机森林回归算法参数建立了分岩石物理相的随机森林回归算法深层页岩气储层地质—工程甜点参数(TOC、孔隙度、石英、长石、方解石、白云石、黏土等矿物含量、脆性指数以及游离气含量、吸附气含量、总含气量)测井精细解释模型。为了充分体现该算法预测结果的精度,同时建立了不分岩石物理相的多元线性回归模型以及分岩石物理相的多元线性回归模型。

TOC、孔隙度、总含气量以及脆性指数四类模型计算值与岩心实测值的对比结果表明:不分岩石物理相的多元回归方法精度最低,除部分参数外,数据点大多偏离45°线(图 10a左、图 10b左、图 10c左、图 10d左);分岩石物理相的多元线性回归模型计算精度有所提高(图 10a中、图 10b中、图 10c中、图 10d中);分岩石物理相的随机森林回归模型预测精度最高,参数预测值与岩心测试值接近,基本都在45°线附近(图 10a右、图 10b右、图 10c右、图 10d右)。L208井分岩石物理相的随机森林回归算法甜点参数(石英、长石、方解石、白云石、黏土等矿物含量、脆性指数、TOC、孔隙度及吸附气含量、游离气含量、总含气量)测井精细计算结果(图 11)表明,计算结果与地质测试结果较吻合,表明模型精度高。

图 10 不分岩石物理相的多元回归方法(左)、分岩石物理相的多元线性回归模型(中)及分岩石物理相的随机森林回归模型(右)的TOC(a)、孔隙度(b)、总含气量(c)以及脆性指数(d)预测精度对比 R2为拟合系数

图 11 L208井五峰组—龙一1储层地质—工程甜点参数计算结果
3.2 实例评价与效果分析

以LZ区块L203井、Y101井五峰—龙一1为例,在连续测井剖面上识别与划分岩石物理相,并利用分岩石物理相的随机森林回归模型求取孔隙度、TOC、脆性指数和含气量等地质—工程甜点参数(图 12图 13)。

图 12 L203井五峰组—龙一1岩石物理相分类测井评价综合解释成果图 RT、RXO分别为原状地层电阻率和冲洗带电阻率测井

图 13 Y101井五峰组—龙一1岩石物理相分类测井评价综合解释成果图

L203井岩石物理相识别以及甜点参数精细求取结果表明:有利地质—工程甜点层段从上到下分别为3781.80~3783.14 m、3784.80~3787.28 m以及3799.52~3812.52 m,对应的岩石物理相分别为Ⅱ1、Ⅱ1和Ⅰ;其中Ⅰ的计算孔隙度为3.839%~6.032 %,平均为4.731 %,计算总含气量为2.384~4.342 cm3/g,平均为3.412 cm3/g,计算脆性指数为0.579~0.729,平均为0.673。在此基础上,以“优中选优、甜中选甜”的角度出发细分层段3799.52~3812.52 m,其中3806.96~3810.28 m脆性指数较高,均值为0.705,3799.60~3806.96 m脆性指数均值为0.671,3810.28~3812.52 m脆性指数均值为0.638,因此水平井靶体位置优选层段为3806.96~3810.28 m。L203井3799.52~3812.52 m层段直改平后试气产能达137.9×104 m3/d,与岩石物理相划分结果、甜点参数精细计算结果以及试气结果吻合(图 12)。同理,利用随机森林分类算法识别Y101井的岩石物理相,根据随机森林回归算法模型精细计算地质—工程甜点参数。结果表明:层段3474.48~3477.80 m和3479.88~3494.52 m的岩石物理相为Ⅱ1,层段3524.04~3538.84 m的岩石物理相为Ⅰ;其中Ⅰ的计算孔隙度均值为4.496%,计算总含气量均值为3.771 cm3/g,计算脆性指数均值为0.601,其中水平井靶体优选层段为3532.16~ 3536.00 m,计算脆性指数均值为0.662。直改平后试气产能为43×104 m3/d,解释结果、计算结果与试气结果吻合(图 13)。

上述结果充分说明了深层页岩气储层岩石物理相分类评价以及分岩石物理相的随机森林回归算法模型求取地质—工程甜点参数的合理性,同时,精确的参数剖面也有助于水平井靶体的准确选取。

此外,L203以及Y101井测井精细解释结果也表明,龙一14中的Ⅱ1是相对优质的甜点层段,目前深层页岩气产能主要来自龙一11—龙一13,分段水力压裂还难以动用龙一14。因此,将来深层页岩气规模效益开发要特别重视龙一14的Ⅱ1层段,并作为LZ区块及其周缘地区深层页岩气第二套水平井靶体优选和设计开发的“后备”对象。

4 结论

(1) 综合全岩衍射、薄片鉴定、物性以及地化测试数据和常规测井响应特征等,将川南LZ区块五峰组—龙一1深层页岩气储层岩石物理相划分为三类(Ⅰ、Ⅱ、Ⅲ),进一步细分为6个亚类(Ⅰ1、Ⅰ2、Ⅰ3、Ⅱ1、Ⅱ2、Ⅲ),其中五峰组顶部到龙一11—龙一13的Ⅰ1和龙一14的Ⅱ1具有相对的高TOC、高孔隙度、高含气量以及高脆性指数特征,是最有利的地质—工程甜点耦合层段。

(2) 考虑到常规测井曲线交会图方法难以精细划分和识别岩石物理相亚类的不足,在测井曲线预处理和归一化的前提下,采用兼顾分类与回归双重优势的随机森林机器学习算法较好地在测井剖面上划分和识别了6个岩石物理相亚类,准确率达90%以上。

(3) 对比、分析不分岩石物理相多元回归模型、分岩石物理相多元回归模型以及分岩石物理相随机森林回归模型在深层页岩气储层地质—工程甜点参数求取结果的差异性,表明分岩石物理相随机森林回归模型计算结果精度高且应用效果好,能够为评层选区、水平井靶体优选及资源量估算提供精确的参数依据。

参考文献
[1]
邹才能, 董大忠, 王玉满, 等. 中国页岩气特征、挑战及前景(一)[J]. 石油勘探与开发, 2015, 42(6): 689-701.
ZOU Caineng, DONG Dazhong, WANG Yuman, et al. Shale gas in China: Characteristics, challenges and prospects(Ⅰ)[J]. Petroleum Exploration and Development, 2015, 42(6): 689-701. DOI:10.11698/PED.2015.06.01
[2]
张成林, 赵圣贤, 张鉴, 等. 川南地区深层页岩气富集条件差异分析与启示[J]. 天然气地球科学, 2021, 32(2): 248-261.
ZHANG Chenglin, ZHAO Shengxian, ZHANG Jian, et al. Analysis and enlightenment of the difference of enrichment conditions for deep shale gas in southern Sichuan Basin[J]. Natural Gas Geoscience, 2021, 32(2): 248-261.
[3]
郭彤楼. 深层页岩气勘探开发进展与攻关方向[J]. 油气藏评价与开发, 2021, 11(1): 1-6.
GUO Tonglou. Progress and research direction of deep shale gas exploration and development[J]. Reservoir Evaluation and Development, 2021, 11(1): 1-6.
[4]
李郑涛, 张震, 吴鹏程, 等. 川南深层各向异性页岩井壁失稳力学机理[J]. 西南石油大学学报(自然科学版), 2021, 43(4): 11-25.
LI Zhengtao, ZHANG Zhen, WU Pengcheng, et al. Mechanical mechanisms of wellbore instability of deep anisotropic shale in Southern Sichuan[J]. Journal of Southwest Petroleum University (Science & Techno-logy Edition), 2021, 43(4): 11-25.
[5]
杜开元, 段国斌, 徐刚, 等. 深层页岩气井压裂加砂工艺优化的微地震评价[J]. 石油地球物理勘探, 2018, 53(增刊2): 148-155.
DU Kaiyuan, DUAN Guobin, XU Gang, et al. Microseismic event evaluation for sand fracturing optimization in deep shale-gas wells[J]. Oil Geophysical Prospecting, 2018, 53(S2): 148-155.
[6]
王玉满, 董大忠, 李新景, 等. 四川盆地及其周缘下志留统龙马溪组层序与沉积特征[J]. 天然气工业, 2015, 35(3): 12-21.
WANG Yuman, DONG Dazhong, LI Xinjing, et al. Stratigraphic sequence and sedimentary characteristics of Lower Silurian Longmaxi Formation in the Sichuan Basin and its peripheral areas[J]. Natural Gas Industry, 2015, 35(3): 12-21. DOI:10.3787/j.issn.1000-0976.2015.03.002
[7]
王超, 张柏桥, 陆永潮, 等. 焦石坝地区五峰组—龙马溪组一段页岩岩相展布特征及发育主控因素[J]. 石油学报, 2018, 39(6): 631-644.
WANG Chao, ZHANG Baiqiao, LU Yongchao, et al. Lithofacies distribution characteristics and main development controlling factors of shale in Wufeng Formation-Member 1 of Longmaxi Formation in Jiaoshiba area[J]. Acta Petrolei Sinica, 2018, 39(6): 631-644.
[8]
ZHANG C, SHAN W, WANG X. Quantitative eva-luation of organic porosity and inorganic porosity in shale gas reservoirs using logging data[J]. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 2019, 41(7): 811-828.
[9]
王祥, 马劲风, 王德英, 等. 渤中凹陷西南部烃源岩TOC含量预测[J]. 石油地球物理勘探, 2020, 55(6): 1330-1342.
WANG Xiang, MA Jinfeng, WANG Deying, et al. Prediction of TOC content in source rocks in southwestern Bozhong sag[J]. Oil Geophysical Prospection, 2020, 55(6): 1330-1342.
[10]
PASSEY Q R, CREANEY S, KULLA J B, et al. A practical model for organic richness from porosity and resistivity logs[J]. AAPG Bulletin, 1990, 74(12): 1777-1794.
[11]
RICKMAN R, MULLEN M, PETRE E, et al. A practical use of shale petrophysics for stimulation design optimization: All shale plays are not clones of the Barnett Shale[C]. SPE Annual Technical Conference and Exhibition, 2008, SPE 115258.
[12]
OUADFEUL S A, ALIQUANE L. Total organic carbon prediction in shale gas reservoirs from well logs data using the multilayer perceptron neural network with Levenberg Marquardt training algorithm: Application to Barnett Shale[J]. Arabian Journal for Science and Engineering, 2015, 40(11): 3345-3349.
[13]
熊琦华, 彭仕宓, 黄述旺, 等. 岩石物理相研究方法初探——以辽河凹陷冷东—雷家地区为例[J]. 石油学报, 1994, 15(增刊): 68-75.
XIONG Qihua, PENG Shimi, HUANG Shuwang, et al. A preliminary study of the new concept of petrophysical facies and its initial application in Lengdong-Leijia region in Liaohe depression[J]. Acta Petrolei Sinica, 1994, 15(S): 68-75.
[14]
马新华, 谢军, 雍锐, 等. 四川盆地南部龙马溪组页岩气储集层地质特征及高产控制因素[J]. 石油勘探与开发, 2020, 47(5): 841-855.
MA Xinhua, XIE Jun, YONG Rui, et al. Geological characteristics and high production control factors of shale gas reservoirs in Silurian Longmaxi Formation, southern Sichuan Basin, SW China[J]. Petroleum Exploration and Development, 2020, 47(5): 841-855.
[15]
高之业, 范毓鹏, 胡钦红, 等. 川南地区龙马溪组页岩有机质孔隙差异化发育特征及其对储集空间的影响[J]. 石油科学通报, 2020, 5(1): 1-16.
GAO Zhiye, FAN Yupeng, HU Qinhong, et al. Differential development characteristics of organic matter pores and their impact on reservoir space of Longmaxi Formation shale from the south Sichuan Basin[J]. Petroleum Science Bulletin, 2020, 5(1): 1-16.
[16]
蒲泊伶, 董大忠, 王凤琴, 等. 沉积相带对川南龙马溪组页岩气富集的影响[J]. 中国地质, 2020, 47(1): 111-120.
PU Boling, DONG Dazhong, WANG Fengqin, et al. The effect of sedimentary facies on Longmaxi shale gas in southern Sichuan Basin[J]. Geology in China, 2020, 47(1): 111-120.
[17]
杨跃明, 陈玉龙, 刘燊阳, 等. 四川盆地及其周缘页岩气勘探开发现状、潜力与展望[J]. 天然气工业, 2021, 41(1): 42-58.
YANG Yueming, CHEN Yulong, LIU Shenyang, et al. Status, potential and prospect of shale gas exploration and development in the Sichuan Basin and its periphery[J]. Natural Gas Industry, 2021, 41(1): 42-58.
[18]
BOYER C, KIESCHNICK J, SUAREZ-RIVERA R, et al. Producing gas from its source[J]. Oilfield Review, 2006, 18(3): 36-49.
[19]
赖锦, 王贵文, 陈敏, 等. 基于岩石物理相的储集层孔隙结构分类评价——以鄂尔多斯盆地姬塬地区长8油层组为例[J]. 石油勘探与开发, 2013, 40(5): 566-573.
LAI Jin, WANG Guiwen, CHEN Min, et al. Pore structures evaluation of low permeability clastic reservoirs based on petrophysical facies: A case study on Chang 8 reservoir in the Jiyuan region, Ordos Basin[J]. Petroleum Exploration and Development, 2013, 40(5): 566-573.
[20]
宋子齐, 成志刚, 孙迪, 等. 利用岩石物理相流动单元"甜点"筛选致密储层含气有利区——以苏里格气田东区为例[J]. 天然气工业, 2013, 33(1): 41-48.
SONG Ziqi, CHENG Zhigang, SUN Di, et al. Identification of tight gas play fairways according to flow unit sweet spots of petrophysical facies: A case study from the eastern Sulige gas filed[J]. Natural Gas Industry, 2013, 33(1): 41-48.
[21]
段林娣, 张一伟, 张春雷. 划分岩石物理相的新方法及其应用[J]. 新疆石油地质, 2007, 28(2): 219-221.
DUAN Linti, ZHANG Yiwei, ZHANG Chunlei. A novel method for division of petrophysical facies with application[J]. Xinjiang Petroleum Geology, 2007, 28(2): 219-221.
[22]
陈钢花, 张孝珍, 吴素英, 等. 特低渗砂砾岩储层的测井评价[J]. 石油物探, 2009, 48(4): 412-416.
CHEN Ganghua, ZHANG Xiaozhen, WU Suying, et al. Logging evaluation of low-permeability glutenite reservoir[J]. Geophysical Prospecting for Petroleum, 2009, 48(4): 412-416.
[23]
聂海宽, 何治亮, 刘光祥, 等. 四川盆地五峰组—龙马溪组页岩气优质储层成因机制[J]. 天然气工业, 2020, 40(6): 31-41.
NIE Haikuan, HE Zhiliang, LIU Guangxiang, et al. Genetic mechanism of high-quality shale gas reservoirs in the Wufeng-Longmaxi Fms in the Sichuan Basin[J]. Natural Gas Industry, 2020, 40(6): 31-41.
[24]
KANG Y S, SHANG C J, ZHOU H, et al. Mineralogical brittleness index as a function of weighting brittle minerals-from laboratory tests to case study[J]. Journal of Natural Gas Science and Engineering, 2020. DOI:10.1016/j.jngse.2020.103278
[25]
BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[26]
王光宇, 宋建国, 徐飞, 等. 不平衡样本集随机森林岩性预测方法[J]. 石油地球物理勘探, 2021, 56(4): 679-687.
WANG Guangyu, SONG Jianguo, XU Fei, et al. Random forests lithology prediction method for imbalanced data sets[J]. Oil Geophysical Prospecting, 2021, 56(4): 679-687.
[27]
侯宇光, 张坤朋, 何生, 等. 南方下古生界海相页岩极低电阻率成因及其地质意义[J]. 地质科技通报, 2021, 40(1): 80-89.
HOU Yuguang, ZHANG Kunpeng, HE Sheng, et al. Origin and geological significance of ultra-low resistivity in Lower Paleozoic marine shale, South China[J]. Bulletin of Geological Science and Technology, 2021, 40(1): 80-89.