地球物理学进展  2014, Vol. 29 Issue (1): 312-317   PDF    
引用本文
刘超, 卢双舫, 薛海涛. 变系数ΔlogR方法及其在泥页岩有机质评价中的应用[J]. 地球物理学进展, 2014, 29(1): 312-317, doi: 10.6038/pg20140144  
LIU Chao, LU Shuang-fang, XUE Hai-tao. Variable-coefficient ΔlogR model and its application in shale organic evaluation. Progress in Geophysics, 2014, 29(1): 312-317, doi: 10.6038/pg20140144   
变系数ΔlogR方法及其在泥页岩有机质评价中的应用
刘超1,2, 卢双舫3, 薛海涛3    
1. 东北石油大学 地球科学学院, 大庆 163318;
2. 大庆油田有限责任公司勘探开发研究院, 大庆 163712;
3. 中国石油大学(华东)非常规油气研究院, 青岛 266580
收稿日期: 2013-6-11 修回日期: 2013-11-12 .
基金项目：国家973项目（2011CB211701）、中石油科技创新基金（2011D-5006-0101）和黑龙江省普通高等学校新世纪优秀人才培养计划（1252-NCET-012）联合资助.
作者简介：刘超，男，1985年生，吉林省人，博士研究生，从事石油地质及油气地球化学研究工作.（E-mail：lcyxdz@163.com）
摘要：为提高ΔlogR方法对陆相地层有机质评价的适应性， 通过修改模型系数、引入新的测井参数， 提出变系数的ΔlogR方法.研究发现， ΔlogR方法中孔隙度曲线和电阻率曲线间的比例系数与预测结果误差密切相关， 将其视为变量并合理地确定其值能明显减少预测误差；有机质具有低波阻抗的特点， 对重矿物欠发育地层， 利用波阻抗信息和电测信息可以很好地评价有机质含量.将变系数ΔlogR方法应用于罗69井TOC和氯仿沥青“A”评价， 应用结果表明， 变系数ΔlogR方法有利于减少TOC的预测误差， 也适合对氯仿沥青“A”评价， TOC对应的比例系数“KTOC”小于氯仿沥青“A”对应比例系数“KA”， TOC 预测相对误差小于氯仿沥青“A”相对误差， 与理论分析相符.变系数ΔlogR方法为评价泥页岩残余烃（油）量提供了新的参考方法.
关键词： 测井     烃源岩     有机碳     氯仿沥青“A”     泥页岩     非均质性    
Variable-coefficient ΔlogR model and its application in shale organic evaluation
LIU Chao1,2, LU Shuang-fang3, XUE Hai-tao3    
1. College of Earth Sciences, Northeast Petroleum University, Daqing 163318, China;
2. Exploration and Development Research Institute, Daqing Oilfield Corp.Ltd., Daqing 163712, China;
3. Institute of Unconventional Oil and Gas and New Energy, China University of Petroluem, Qingdao 266555, China
Abstract: Some problems which have made the evaluation results less reliable or even led to wrong conclusions arised when ΔlogR model is used to evaluate organic content of shales, especially shales from continental basins, because of differences, such as mineral composition and content et al between continental shales and marine shales.In this article, we mainly deal with the way that can help improve the applicability and accuracy of model in the evaluation of shale heterogeneities.As a result, variable-coefficient ΔlogR model is put forward by modifying “K” value, adding new logging curves et al then TOC and chloroform asphalt “A” is evaluated respectively based on datas form well Luo 69.It is concluded that reasonable “K” between porosity curve and resistivity curve is the comprehensive result of porosity, kerogen and hydrocarbon content, more importantly, “K” value and prediction error is closely related；Instead of the old manually way, a new method which takes advantage of curve shape, lithology information and can help get the baseline value quickly by using computer to do it automatically is proposed.Density log which can help provide more information in most cases is used in Variable-coefficient ΔlogR model in view of source rocks, especially high-quality source rocks, have lower wave impedance.The case of well Luo 69 shows that Variable-coefficient ΔlogR model is good for TOC evaluation and can also be a feasible method for chloroform asphalt “A” evaluating, meanwhile TOC usually corresponds to lower “K” and higher precision than chloroform asphalt “A”.Variable-coefficient ΔlogR model has provided a new way for the evaluation of residual hydrocarbon content in shales.
Key words: logging     source rock     TOC     chloroform asphalt “A”     Shale     heterogeneity    

0 引 言

勘探初期，首先要对探区内烃源岩进行评价以把握其资源潜力(腾格尔等，2010)，目前国内多数盆地都已积累了丰富的岩芯及相应化验、测试资料，对烃源岩的认识程度已基本满足传统常规油气的勘探需求.但随着精细勘探的开展，尤其是页岩油气等自生自储式非常规能源的勘探，迫切需求对源岩非均质性有更加精细的认识(Curtis J B.，2002；张金川等，2004；李登华等，2009； 邹才能等，2011；张培先，2012；杨一鸣等，2012).然而，受样品来源、采样间距等诸多因素影响，采样分析的方法难以实现对源岩进行高分辨率的精细评价(于翔涛，2009).

测井资料具有纵向分辨率高的特点，伴随着精细勘探的需求，近年来利用测井资料评价生油岩的报道不断增多(贺君玲等，2006；闫建平等，2009；谭茂金等，2010； 李林等，2010；汤丽娜，2011； 郝建飞，2012).在评价岩石有机组分方面，目前最常用的是ΔlogR方法，评价的对象主要是TOC (朱振宇，2002，2003；郭泽清等，2012).ΔlogR方法具有资料容易获取、可操作性强、通用性强等优点，同时也容易受以下情况制约：一是预测误差大，达不到勘探精度的需求(刘超等，2011；胡慧婷等，2011)；二是利用测井曲线少，不利于准确反映有机质丰度；三是基线的确定过程繁琐，受人为因素影响大；四是不适合直接评价源岩的含油性(如氯仿沥青“A”). 本文在理论分析基础上，通过修改ΔlogR模型中的比例系数，将其视为干酪根、烃和孔隙度的变量，并利用波阻抗信息引入测井密度曲线，提出并应用了变系数ΔlogR方法.变系数ΔlogR方法有利于提高TOC预测精度，并且理论上适合评价源岩的含油性，为泥页岩含油量的评价提供了新的方法.

1 变系数ΔlogR方法的提出

ΔLogR模型的计算公式为

对上式中比例系数(K1=0.02)、基线值(R基线、Δt基线)、成熟度(LOM)等修改，得到变系数的ΔLogR模型

式(3)和式(4)中，R—深侧向电阻率曲线(Ωm)；P—孔隙度曲线或孔隙度曲线的组合；K—电阻率部分在ΔLogR中所占比例；Baseline—相对基线值，为方便计算，R和P取相同的Baseline；a、b 为公式的拟合系数.修改依据如下：

1.1 比例系数—K

Passey等利用孔隙度、电阻率曲线均对孔隙度变化敏感的特点，利用Archie、Wyllie time-average、Waxman Smitsde等公式，分别推导出声波时差与孔隙度、电阻率与孔隙度的关系，然后通过联立方程消除孔隙度，得到声波时差和电阻率随孔隙度的变化曲线，并发现一定孔隙度范围内(对应声波时差262~460 μs/m)，孔隙度导致声波时差和电阻率变化呈固定比例，比例系数(K1)的数值约为0.02 (Passey et al.，1990).

但实践表明，若将K1值视为变量，以一定的步长变化K1，则预测误差随K1呈规律性变化，并且K1=0.02对应的误差通常并非最小，有时甚至难以满足勘探需求(图 1).其原因为：第一，Passey等确定K1的主要目的是抵消无机(非有机质造成或充填的孔隙)孔隙的影响.该系数的推导过程涉及大量的经验公式和经验值，如用到声波时差与页岩孔隙度的经验关系 (Magara K.，1978)，此类公式具有区域代表性，但对其它区块，尤其是国内陆相地层未必适用.若公式适用性变差，推导所得K1值将发生变化，进而K1=0.02抵消无机孔隙效果将直接受到影响.

图 1 不同K1值对应TOC预测误差(1 ft=25.4 cm) Fig. 1 Prediction error of TOC under different K1values

第二，除了抵消无机孔隙影响外，K1起调整模型识别干酪根和烃类的相对能力的作用.依据ΔLogR模型的原理，孔隙度曲线主要识别固态的干酪根，电阻率曲线主要识别孔隙中的烃.这样，对于未成熟的源岩，孔隙度曲线应发挥主要作用，其在ΔLogR中所占比例也应较大，即K1相应偏大.综上，K1只有既能有效抵消无机孔隙又能准确识别干酪根和烃的含量，才能使预测结果更加精确.公式(3)中的K与公式(1)中的K1意义相当，只是K的取值范围为0-1，代表电阻率部分在ΔLogR的相对比重.

1.2 相对基线值—Baseline

所谓相对基线值即首先对测井曲线预处理，然后求处理后曲线的基线，由于最终的基线在数值上并不等于原曲 线的基线值，故称为相对基线值.曲线处理的目的是使孔隙度曲线与电测曲线量级、量纲一致(无量纲)，以方便比例系数的确定.研究发现，基线位置的ΔLogR普遍小于其它位置，与数学上的极小值问题相似，可根据极小值求取方法初步确定基线位置，然后结合岩性特征及相应测井响应特征，最终确定基线位置和基线值(刘超，2011).基线的确定过程由计算机完成，工作效率高，但需特别注意与有机质含量无关的异常测井响应.

1.3 波阻抗信息—P

波阻抗参数能反映岩石物性特征(张亚敏等，2008；唐华风等，2011； 苗广文等，2011；王守东，王波，2012)，被广泛应用在地震、反演研究中.烃源岩尤其是优质烃源岩波阻抗较小，理论上可利用波阻抗信息进行评价.声波时差与密度的比值(AC/DEN，简称为P)意义上相当于波阻抗的倒数，为此，可以利用P曲线和电阻率曲线求取有机质含量.需要注意的是，密度曲线受地层中重矿物影响较大，地层中重矿物富集时，该方法适用性较差.此外，也可根据地层的具体响应特征选择利用其它测井曲线或构造其它参数.

2 变系数ΔLogR模型的应用

罗69井是一口密集取芯井，该井沙三下亚段发育源岩近200米，并且系统分析了TOC、氯仿沥青“A”、 RO等地化指标.测井曲线质量较好，声波时差、中子、密度曲线均能较好地反映有机碳(氯仿沥青“A”)含量变化趋势，比较适合建立测井解释模型.

2.1 评价总有机碳

首先，构建曲线P并对曲线预处理，本文的方法是令P曲线和电阻率的平均值为1，并令相对基线值为1.然后，选择有代表性的样本点标定预测公式，本次选取了160个与测井曲线变化趋势符号较好的TOC数据点，TOC范围为1.07%～6.27%，平均值为2.89.由于公式(4)中b值不宜太大，否则易引入较大的系统误差(尤其是外推应用时)，令b值不大于0.4，令KTOC的变化步长为0.05，利用公式(3)和公式(4)计算0～1内相应KTOC值对应的TOC的预测误差.以上样本点的选取、ΔLogR计算及公式(4)中系数的求取均由自编程序完成.

从计算结果上看(图 2a)，TOC预测误差随KTOC呈先减小后增大趋势， KTOC为0.2时，即LogR(电测曲线部分)在ΔLogR中所占比重为20%时，相对误差(平均误差与平均TOC的比值)最小，误差约为9.7%.

图 2 模型标定结果(a)不同KTOC对应TOC预测误差；(b)KTOC=0.2时ΔLogRTOC与实测TOC的定量关系. Fig. 2 Model calibration results(a) Relative error between computer simulating TOC and experimental TOC and its variation with KTOC values；(b) Quantitative relationship between ΔLogRTOC and experimental TOC when KTOC is 0.2.

KTOC=0.2时，ΔLogRTOC与实测TOC相关度的平方约为0.83，公式4中a、b取值如图 2(b)公式系数，利用此公式可计算目标层段连续的TOC分布(图 4).

2.2 评价氯仿沥青“A”

氯仿沥青“A”的评价方法与TOC的评价方法相似，按TOC评价方法，令氯仿沥青“A”对应b值不大于0.1，分别计算不同KA对应的氯仿沥青“A”的预测误差(图 3).

图 3 模型标定结果(a)不同KA对应氯仿沥青“A”的预测误差；(b)KA=0.65时ΔLogRA与实测氯仿沥青“A”的定量关系. Fig. 3 Evaluation results (a) Average relative error between computer simulating chloroform asphalt “A” and experimental chloroform asphalt “A” and its variation with KA; (b) Quantitative relationship between ΔLogRA and experimental chloroform asphalt “A” when KA is 0.65.

计算结果表明，比例系数KA=0.65时，氯仿沥青“A”的相对误差最小，约为22%.此时，ΔLogRA与实测氯仿沥青“A”相关度的平方约为0.64， a、b取值见图 3(b)中公式系数，利用该公式可计算目标层段连续的氯仿沥青“A”分布(图 4).

图 4 罗69井沙三下亚段地层测井响及TOC(氯仿沥青“A”)评价结果 Fig. 4 Logging response and TOC (chloroform asphalt“A”)calculation results of the Lower Sha-3 Segment of Luo 69 well.

2.3 结果分析

在预测误差上，模型预测整段地层TOC的均值为2.87，与实验分析值2.89基本相当.预测值与分析值整体吻合较好，但仍有个别点预测值与分析值偏离较大，如顶部TOC大于6%的采样点，预测值与实测值的误差超过30%，其原因可能为，一是采样点位置石英含量 较高，导致密度曲线值偏高；二是粘土含量偏高，使得电阻率曲线响应减弱，两者最终使得高TOC采样点对应的ΔLogRTOC偏小.氯仿沥青“A”预测方面，模型预测整段地层氯仿沥青“A”均值为0.85，实验分析氯仿沥青“A”均值为0.81.与TOC相比，氯仿沥青“A”的相对误差明显偏大，主要是由于氯仿沥青“A”的数值相对要小，抗误差能力不及TOC.

从比例系数上看，KTOC明显小于KA.，与理论分析相符.同时，实测氯仿沥青“A”与实测TOC相关度的平方为0.47，利用变系数模型确立的氯仿沥青“A”与ΔLogRA相关度的平方为0.64，说明TOC与氯仿沥青“A”存在一定关系的基础上，利用变系数模型能一定程度上提高预测结果的可靠性.

3 注意事项

1)注意数据质量.对于测井数据，建立模型或是模型外推应用过程中都需注意测井数据质量，避免重复性差、薄互层、扩径等因素干扰明显的井段；对于有机碳(氯仿沥青“A”)数据，标定模型过程中要尽量选取系统取样的岩芯数据.

2)注意分层、分相建立预测模型.建立模型时应尽量依据沉积环境划分区域，各区域选择代表性的井标定模型；模型应用过程中应尽量选择环境相似，岩性特征相近，测井响应特征相当的井.

3)应注意成熟度的影响、深度跨度不宜太大.不同区域、不同层位间残余有机质含量与成熟度之间难以形成统一的函数关系.加之，有时成熟度参数难于获取，一旦成熟度参数获取不准确，就会带来额外的误差.一般深度跨度不大时成熟度变化不大，此时，可以将成熟度视为定值，进而在模型中将其视为待定系数，通过优化算法求取.

4)建立模型时要注意数据样本的代表性.分析数据最好能覆盖整个目标段，可对少数与测井曲线吻合不佳，明显偏离整体趋势的异常点进行剔除，避免个别异常数据影响公式参数的标定.

5)注意公式(4)中b值的选取.公式(4)中b值相当于有机碳(氯仿沥青“A”)的背景值，b值不宜选取过大，否则模型外推应用时容易引进较大的系统误差.计算过程中可对b的取值范围进行约束，建议b不大于差源岩对应的丰度标准的下限.

6)注意孔隙特征.Passey等(1990)研究结果表明，一定范围内(对应声波时差262~460 μs/m)，声波时差与电阻率随孔隙度约呈固定比例变化，此时最有利于抵消孔隙度影响，超出这个范围，则没有固定比例关系，不满足模型应用前提.因此，需特别注意致密层段和超压层段.

4 结 论

4.1

比例系数的选取受孔隙度、干酪根、含烃量综合影响，模型预测有机碳(氯仿沥青“A”)含量的误差随比例系数呈规律性变化，建立了利用声波、电阻、密度曲线的评价模型，编制了相应程序，实现基线、K值、公式系数的自动求取.

4.2

从罗69 井应用情况看，变系数ΔLogR模型既适合评价有机碳含量，也可对氯仿沥青“A”评价，一般情况下，KA大于KTOC，氯仿沥青“A”的相对误差大于TOC相对误差.

4.3

变系数ΔLogR模型评价氯仿沥青“A”受多种因素影响，对于泥质或是其它导电矿物富集的地层，尤其是氯仿沥青“A”含量不高的情况下，含油性的测井响应很容易受到干扰，此类地层中变系数ΔLogR模型的应用效果变差甚至不再适用.

参考文献
[1] Curtis J B.2002. Fractured shale-gas systems[J].   AAPG Bulletin, 86(11): 1921-1938.
[2] Guo Z Q, Sun P, Liu W H.2012. The carbon calculation by ΔlogR technology in Sanhu area of Qaidam basin[J].   Progress in Geophysics (in Chinese), 27(2): 626-633.
[3] He J L, Deng S W, Chen W L, et al.2006. Evaluation of oil shale in the southern Songliao basin using logging techniques[J].   Journal of Jilin University (Earth Science Edition) (in Chinese), 36(6): 909-914.
[4] Hu H T, Lu S F, Liu C, et al.2011. Models for calculating organic carbon content from logging information: Comparison and analysis[J].   Acta Sedimentologica Sinica (in Chinese), 29(6): 1199-1205.
[5] Hao J F, Zhou C C, Li X, et al.2012. Summary of shale gas evaluation applying geophysical logging[J].   Progress in Geophysics (in Chinese), 27(4): 1624-1632.
[6] Li D H, Li J Z, Wang S J, et al.2009. Analysis of controls on gas shale reservoirs[J].   Natural Gas Industry (in Chinese), 29(5): 22-26.
[7] Li L, Liu B, Li X S, et al.2010. Application of multi-attribute prediction to the Weixinan depression dominate source rock[J].   Progress in Geophysics (in Chinese), 25(5): 1737-1743.
[8] Liu C, Lu S F, Huang W B, et al.2011. Improvement of ΔLogr and its application in source rocks evaluation[J].   Petroleum Geology & Oilfield Development in Daqing (in Chinese), 30(3): 27-31.
[9] Liu C.2011. Evaluating source rock using logging data-Improvement and application[D].   Daqing: Northeast Petroleum University (in Chinese), 15-21.
[10] Magara K.1978. Compaction and Fluid Migration. New York: Elsevier Scientific, 319.
[11] Miao G W, Liu C, Wang D, et al.2011. The application of impedance inversion for characteristics analysis and reservoir prediction in Jilin coalfield[J].   Progress in Geophysics (in Chinese), 26(5): 1788-1795.
[12] Passey Q R, Creaney S, Kulla J B, et al.1990. A practical model for organic richness from porosity and resistivity logs[J].   AAPG Bulletin, 74(12): 1777-1794.
[13] Teng G E, Jiang Q G, Tao C, et al.2010. Research progress, challenge and prospect of the source rocks in China[J].   Sino-Global Energy (in Chinese), 15(12): 37-51.
[14] Tang L N.2011. Well logging evaluation of source rock and its application in Bohai bay oil exploitation[J].   Science & Technology (in Chinese), 29(21): 51-54.
[15] Tan M J, Zhang S Y.2010. Progress in geophysical logging technology for shale gas researvoirs[J].   Progress in Geophysics (in Chinese), 25(6): 2024-2030.
[16] Tang H F, Li R L, Wu Y H, et al.2011. Textural characteristics of volcanic strata and its constraint to impedance inversion[J]. Chinese J. Geophys.   (in Chinese), 54(2): 620-627.
[17] Wang S D, Wang B.2012. Time-lapse Bayesian AVO waveform inversion[J]. Chinese J. Geophys.   (in Chinese), 55(7): 2422-2431.
[18] Yang Y M, Mao J L, Li J J.2012. Shale gas reservoir characteristics and geological evaluation of prospective areas: A case study with the Eastern Uplift of Liaohe depression[J].   Special Oil and Gas Reservoir (in Chinese), 19(2): 46-49.
[19] Yu X T.2009. Application of well logging technology to source rocks evaluation[J].   Journal of Yangtze University (Natural Science Edition) (in Chinese), 6(2): 198-200.
[20] Yan J P, Cai J G, Zhao M H, et al.2009. Advances in the study of source rock evaluation by geophysical logging and its significance in resource assessment[J].   Progress in Geophysics (in Chinese), 24(1): 270-279.
[21] Zhang P X.2012. Shale gas logging evaluation-a case study of marine strata in south eastern Sichuan[J].   Special Oil and Gas Reservoir (in Chinese), 19(2): 12-15.
[22] Zhang J C, Jin Z J, Yuan M S.2004. Reservoiring mechanism of shale gas and it’s distribution[J].   Natural Gas Industry (in Chinese), 24(7): 15-18.
[23] Zou C N, Zhu R K, Bai B, et al.2011. First discovery of nano-pore throat in oil and gas reservoir in China and its scientific value[J].   Acta Petrologica Sinica (in Chinese), 27(6): 1857-1864.
[24] Zhu Z Y, Wang G W, Zhu G Y.2002. The application of artificial neural network to the source rock’s evaluation[J].   Progress in Geophysics (in Chinese), 17(1): 137-140.
[25] Zhu Z Y, Liu H, Li Y M.2003. The analysis and application of ΔlogR method in the source rock‘s identification[J].   Progress in Geophysics (in Chinese), 18(4): 647-649.
[26] Zhang Y M, Zhang S F, Qi L.2008. Sandstone porosity inversion based on seismic data[J].   Geophysical Prospecting for Petroleum (in Chinese), 47(2): 136-140.
[27] 郭泽清, 孙平, 刘卫红.2012. 利用ΔlogR技术计算柴达木盆地三湖地区第四系有机碳[J].   地球物理学进展, 27(2): 626-633.
[28] 贺君玲, 邓守伟, 陈文龙,等.2006. 利用测井技术评价松辽盆地南部油页岩[J].   吉林大学学报 (地球科学版), 36(6): 909-914.
[29] 胡慧婷, 卢双舫, 刘超,等.2011. 测井资料计算源岩有机碳含量模型对比及分析[J].   沉积学报, 29(6): 1199-1205.
[30] 郝建飞, 周灿灿, 李霞,等.2012. 页岩气地球物理测井评价综述[J].   地球物理学进展, 27(4): 1624-1632.
[31] 李登华, 李建忠, 王社教,等.2009. 页岩气藏形成条件分析[J].   天然气工业, 29(5): 22-26.
[32] 李林, 刘兵, 李绪深,等.2010. 多属性预测在涠西南凹陷烃源岩研究中的应用[J].   地球物理学进展, 25(5): 1737-1743.
[33] 刘超, 卢双舫, 黄文彪,等.2011. ΔlogR技术改进及其在烃源岩评价中的应用[J].   大庆石油地质与开发, 30(3): 27-31.
[34] 刘超.2011. 测井资料评价烃源岩方法改进及作用[硕士学位论文].   大庆: 东北石油大学, 15-21.
[35] 苗广文, 刘聪, 王典,等.2011. 波阻抗反演在吉林探区煤层特征分析及储层预测中的应用[J].   地球物理学进展, 26(5): 1788-1795.
[36] 腾格尔, 蒋启贵, 陶成,等.2010. 中国烃源岩研究进展、挑战与展望[J].   中外能源, 15(12): 37-51.
[37] 汤丽娜.2011. 烃源岩测井识别在渤海湾石油开发中的应用[J].   科技导报, 29(21): 51-54.
[38] 谭茂金, 张松扬.2010. 页岩气储层地球物理测井研究进展[J].   地球物理学进展, 25(6): 2024-2030.
[39] 唐华风, 李瑞磊, 吴艳辉,等.2011. 火山地层结构特征及其对波阻抗反演的约束[J].   地球物理学报, 54(2): 620-627.
[40] 王守东, 王波.2012. 时移地震资料贝叶斯AVO波形反演[J].   地球物理学报, 55(7): 2422-2431.
[41] 杨一鸣, 毛俊莉, 李晶晶.2012. 页岩气藏地质特征及地质选区评价方法--以辽河坳陷东部凸起为例[J].   特种油气藏, 19(2): 46-49.
[42] 于翔涛.2009. 测井技术在烃源岩评价中的应用[J].   长江大学学报(自然科学版), 6(2): 198-200.
[43] 闫建平, 蔡进功, 赵铭海,等.2009. 运用测井信息研究烃源岩进展及其资源评价意义[J].   地球物理学进展, 24(1): 270-279.
[44] 张培先.2012. 页岩气测井评价研究--以川东南海相地层为例[J].   特种油气藏, 19(2): 12-15.
[45] 张金川, 金之钧, 袁明生.2004. 页岩气成藏机理和分布[J].   天然气工业, 24(7): 15-18.
[46] 邹才能, 朱如凯, 白斌,等.2011. 中国油气储层中纳米孔首次发现及其科学价值[J].   岩石学报, 27(7): 1857-1864.
[47] 朱振宇, 王贵文, 朱广宇.2002. 人工神经网络法在烃源岩测井评价中的应用[J].   地球物理学进展, 17(1): 137-140.
[48] 朱振宇, 刘洪, 李幼铭.2003. ΔlogR技术在烃源岩识别中的应用与分析[J].   地球物理学进展, 18(4): 647-649.
[49] 张亚敏, 张书法, 钱利.2008. 地震资料反演砂岩孔隙度方法[J].   石油物探, 47(2): 136-140.