熊镭，张超谟，，张冲，谢冰，丁一，韩淑敏

（1.长江大学地球物理与石油资源学院，武汉430100；2.长江大学油气资源与勘探技术教育部重点实验室，武汉430100；3.中国石油集团东方地球物理有限公司，河北涿州072750）

A地区页岩气储层总有机碳含量测井评价方法研究

熊镭1，张超谟1，2，张冲2，谢冰1，丁一1，韩淑敏3

（1.长江大学地球物理与石油资源学院，武汉430100；2.长江大学油气资源与勘探技术教育部重点实验室，武汉430100；3.中国石油集团东方地球物理有限公司，河北涿州072750）

页岩气储层中总有机碳含量（TOC）反映了页岩的生烃潜力，准确获取页岩气储层TOC含量对页岩气的开发具有重要意义。利用测井资料的连续性和纵向分辨率高等特点，建立精度较高的TOC测井评价模型。在分析几种常用TOC测井评价方法限制因素的基础上，结合A地区岩性变化复杂的实际情况，建立了BP神经网络预测TOC、拟合方法计算TOC、基于干酪根含量计算TOC共3种模型，并对该地区X井页岩进行了TOC含量评价。结果表明：在A地区采用BP神经网络预测TOC模型其精度最高，可为岩性复杂地区的TOC含量评价提供技术支持。

页岩气；总有机碳；BP神经网络；自然伽马能谱；干酪根

0 引言

总有机碳含量（TOC）是页岩气储层评价中的一个重要参数［1］。受钻井取心和分析化验成本的影响，在岩心资料分析中的有机地球化学评价仅能获取离散且有限的TOC含量值，不能完全反映页岩气储层的有机质丰度［2］。常规测井资料具有连续性好、纵向分辨率高等特点，国内外学者提出了以下几种利用常规测井资料获取页岩气储层TOC含量的方法：Fertle［3］提出自然伽马能谱测井和岩心分析资料的线性回归法；Passey等［4］提出基于电阻率和孔隙度测井的ΔlogR法［1］及朱光有等［5］提出的改进ΔlogR法；Carpentier等［6］应用干酪根的含量对地层TOC进行评价；Schmoker等［7］根据密度测井和岩心分析资料回归评价页岩气储层TOC含量；Witkowsky等［8］提出用黄铁矿含量与岩心分析资料的线性回归及神经网络预测TOC含量［9-10］。其中，ΔlogR法计算TOC是一种比较成熟的方法，该方法的基础是假定地层岩性基本不变，使电阻率曲线和声波时差曲线在非烃源岩层重叠，储层段电阻率和孔隙度测井曲线的差异完全是由有机质含量的改变引起的。但在A地区储层段岩性发生改变（储层上部为泥质页岩，下部为炭质、硅质岩，部分层段发育灰岩），电阻率和声波时差曲线的差异不能单纯反映地层TOC含量的变化，而BP神经网络预测TOC、拟合方法计算TOC、干酪根含量计算TOC这3种模型的应用前提是不受地层岩性变化的影响，因此，笔者采用这3种模型对A地区X井页岩气储层的有机质丰度进行评价。从岩心标定与误差分析中发现：BP神经网络预测TOC模型因其能够很好地解决输入和输出之间复杂的非线性问题，并且综合考虑了多测井响应特征，为岩性复杂的页岩气储层TOC评价提供了依据。

1 TOC评价模型

1.1 BP神经网络预测TOC

BP神经网络是一种多层前馈神经网络［11］，其主要特点是信号向前传播，误差反向传播，如果输出层得不到期望值则转入反向传播。根据预测误差调整权值和阈值，使得网络输出不断逼近期望输出，很好地解决了输入和输出之间复杂的非线性问题。

BP神经网络预测TOC主要包括以下几个步骤［11-12］：①岩心归位。消除测井响应与岩心实验数据不在同一深度对预测结果带来的误差。②输入参数归一化处理。避免数据运算中数量级差别造成网络预测误差。③输入选择。根据测井响应与待预测地层参数之间的关系，选择合适的测井曲线作为网络输入。④样本选择。神经网络的训练样本在神经网络学习中占有重要的地位，样本集是否具有代表性，决定了网络的学习效果。采用最近邻规则的神经网络样本，避免随机样本选择的冗余且以合适的样本数量获得更高的识别率，增强网络的泛化能力［13］。⑤神经网络预测。用训练好的神经网络对预测样本进行预测，并将预测结果和测试样本做交会图，进一步评价网络效果。

1.2 拟合方法计算TOC

拟合方法可快速建立TOC与测井响应之间的关系，在实际生产中具有很好的适用性。利用拟合方法计算TOC主要有以下几种。

1.2.1 自然伽马能谱测井中铀含量与岩心分析TOC拟合

沉积岩中处于还原环境的富含有机质的黏土岩铀含量最高，因此，在页岩气储层中的自然伽马能谱测井会显示较高的铀含量［3］。

1945年，Supemaw在利用放射性元素作为示踪剂来辅助确定烃源岩的研究中发现，实验样品中天然放射性物质和TOC含量均表现出了一种明显的相关性，据此，提出了基于伽马能谱铀测井评价页岩地层TOC含量的方法［3］。

1.2.2 密度测井与实验分析TOC拟合

地层密度测井测量的是地层体积密度，包括骨架密度和流体密度。固体有机碳的密度与水的密度接近，远低于围岩密度。正常情况下，由于有机质的存在，页岩气储层烃源岩密度低于常规页岩地层烃源岩密度［7］。基于此，通过建立岩心分析TOC与密度测井响应的关系来评价地层TOC含量。

1.2.3 黄铁矿与实验分析TOC拟合

页岩是在无氧或者缺氧环境下形成（有机碳以干酪根形式存在）的细粒沉积岩，其质量分数为3%～15%。在低能环境下，水表面的有机物含量高而氧含量低，随着有机物的累积和分解，氧含量逐渐降低并形成还原环境，这有利于页岩地层保留大量的金属（黄铁矿）和稀土元素，因此，在页岩气储层中，黄铁矿较发育［8］（黄铁矿可以明显地降低电阻率测井响应）。此外，黄铁矿具有较大的密度，用颗粒密度预测TOC也会受黄铁矿含量的影响。因此，在页岩气储层中，所有涉及电阻率的干酪根评价方法必须要考虑黄铁矿的影响。在很多还原性的富含有机质的页岩气地层中，黄铁矿含量与TOC表现出明显的相关关系［8］。

1.3 用干酪根含量计算TOC

干酪根是沉积有机质的主体，约占总有机质体积分数的80%～90%。Carpentier等［6］提出用下式可以将干酪根的含量转换成TOC：

式中：Vker为干酪根的体积分数，%；ρker为干酪根的密度，g/cm3；ρb为岩石的密度，g/cm3；k为转换因子，它与干酪根的类型有关。参数的选取原则如表1所列。

表1 干酪根到TOC的转换因子Table 1The conversion factor of kerogen to TOC

从式（1）可看出，该方法的计算重点是获取地层干酪根的含量。常规的拟合计算很难准确获取干酪根含量，为此，采用多矿物模型，将干酪根作为一种矿物成分，结合录井资料建立合适的矿物组合模型，并根据反演测井曲线与原始测井曲线形态对比以及实验室矿物分析资料综合判断岩性剖面是否合理，这样便可获得较为准确的干酪根体积。至此，干酪根含量就可用来评价该地区的TOC含量了。

2 A地区TOC评价模型的选择

在评价TOC之前，需要对TOC评价方法的限制因素进行具体分析，并对实际的录井、测井以及岩心分析资料作出正确的选择。在A地区，TOC评价方法的限制因素如下：

（1）ΔlogR法是一种非统计学的计算方法，计算结果不依赖于岩心分析资料，同时，计算过程没有复杂的参数设置。但是，该方法假定岩性基本不变，认为电阻率和孔隙度测井曲线特征的改变仅仅是由有机质含量的改变而引起的。根据录井和岩心分析资料，A地区页岩气储层岩性复杂，目的层岩性以泥质页岩和炭质、硅质岩为主，部分层段发育灰岩。目的层黏土矿物（伊/蒙混合物）与电阻率存在一定的相关关系（图1），同时，录井资料显示该地区黄铁矿十分发育，这些因素使得A地区X井目的层电阻率显示异常低值，导致ΔlogR法在该地区的使用受到限制。

图1 电阻率与岩心分析伊/蒙混合物含量交会图Fig.1Cross-plot of resistivity and I/S content from core analysis

（2）在储层参数计算过程中，BP神经网络克服了由于复杂岩性的影响导致解释模型与测井响应不匹配的缺陷，避免了解释参数的选择。网络通过系统输入、输出数据的训练来表达未知函数，并利用训练好的网络预测输出。其不足之处在于，该方法需要大量的岩心分析数据作为基础。

在A地区选择自然伽马（GR）、自然伽马能谱铀（U）、声波时差（AC）、密度（DEN）、补偿中子（CNL）、岩性密度（PEF）测井值作为网络输入。这是因为：①有机质具有放射性，富有机质地层中的自然伽马、自然伽马能谱铀测井出现高值；②页岩气储层有机质含量直接决定地层含气量，有机质产气后使得纵波时差变大；③有机质的密度远低于岩石骨架密度值，有机质含量的变化在密度测井上有明显的响应；④有机质含氢指数较高使得补偿中子测井出现高值；⑤岩性密度测井受气体烃的影响会明显变小。

将岩心分析TOC及其所对应的测井数据归为45个样本，运用最近邻规则，从45个样本中选择了34个样本作为输入样本，剩下的11个样本作为测试样本。从图2（a）可看出，岩心分析TOC与神经网络TOC具有较好的相关性。从图2（b）的交会点分布可以看出，该网络模型具有较好的应用效果。

（3）基于统计学方法可以快速得到TOC模型，但该方法对样品数据有一定的依赖性。为确定A地区自然伽马能谱测井中的铀含量与TOC之间的关系，建立了岩心分析TOC与自然伽马能谱测井的铀含量交会图［图3（a）］及岩心分析TOC与密度测井交会图［图3（b）］。图3（a）中，R2=0.7812，说明铀含量与TOC具有一定的相关性：TOC=0.003 9×U2.6322。图3（b）中，密度与TOC之间没有明显的相关性。

（4）由于在多矿物模型干酪根计算过程中涉及多个参数的选择，使得岩性剖面存在多解性，因此，干酪根含量的误差会直接导致计算结果出现偏差。准确选择参数是该方法应用的前提条件。

图2 岩心分析TOC与神经网络TOC交会图Fig.2Cross-plot of TOC from core analysis and TOC predicted by neural network

图3 岩心分析TOC与测井响应交会图Fig.3Cross-plot of TOC from core analysis and logging response

综合以上分析，在对A地区TOC含量评价之前，首先需要根据录井、测井和实验分析资料识别页岩气储层岩性，在岩性较纯的情况下，选择ΔlogR法对目的层TOC含量进行评价；反之，则根据实验分析资料建立BP神经网络、测井响应与岩心实验分析资料拟合以及多矿物模型转换计算TOC含量的模型，进而对TOC含量进行评价。

3 实际资料处理

A地区X井的录井资料显示，目的层岩性以泥质页岩，炭质、硅质岩为主，部分层段发育灰岩，同时黏土矿物中的伊利石、蒙脱石以及黄铁矿十分发育，造成孔隙度与电阻率测井响应受多矿物交叉响应的影响而不能直观地反映有机质含量的变化。因此，ΔlogR法和密度拟合模型在该地区不适用。笔者通过BP神经网络预测TOC、拟合方法计算TOC（用自然伽马能谱测井中铀含量拟合计算TOC）、干酪根含量计算TOC这3种模型对A地区X井进行评价。

图4是A地区X井TOC测井评价图。由于原始测井曲线在2 280 m以上并没有电阻率测井曲线，故干酪根计算只在2 280 m以下进行。由图4可知，神经网络计算的TOC与实测的目的层岩心TOC具有相对较好的一致性。

从图4和图5可看出：3种模型的计算效果从好到差依次为BP神经网络预测TOC、自然伽马能谱测井铀含量拟合计算TOC以及基于干酪根含量计算TOC；BP神经网络因考虑了多种测井资料对TOC的综合影响，故该方法比单因素自然伽马能谱测井铀拟合计算的TOC具有更好的效果；由于干酪根含量在计算过程中会受到参数选取的影响，因此干酪根含量计算TOC最终结果不是很理想，但从曲线图上看，该计算结果仍然符合目的层TOC的变化趋势。

图4 X井TOC计算成果图Fig.4The TOC calculation results in X well

图5 A区块X井有机碳含量计算方法相对误差图Fig.5Relative error of calculation methods for TOC content in X well in A area

这3种模型的预测结果均有一定误差的原因是：①BP神经网络预测TOC受其本身特性和岩心分析数据的影响，在地层TOC含量偏大或偏小的情况下，预测结果会产生一定的偏差；②拟合方法计算TOC是建立在测井响应只受地层总有机碳含量变化影响的前提下，而实际地层岩性的变化也会导致自然伽马能谱测井响应发生变化，因此在储层岩性变化复杂的A地区，自然伽马能谱测井铀含量拟合模型预测的效果相对于考虑多因素影响的BP神经网络模型预测的效果要差；③基于最优化计算干酪根含量的转换过程涉及多种参数的设置，合理的参数设置需要依据充分的实验分析资料，理论参数在不同地区的实际应用过程中可能会导致预测结果出现误差。

4 结论

（1）由于A地区页岩气储层岩性变化复杂，目的层岩性以泥质页岩，炭质、硅质岩为主，部分层段发育灰岩，同时伊/蒙混合物与黄铁矿含量较高，造成孔隙度和电阻率测井响应受多矿物交叉响应的影响，而不能直观地反映有机质含量的变化，这使得ΔlogR方法和密度拟合模型在该地区不适用。

（2）A地区岩石矿物成分复杂，多矿物模型计算干酪根的过程中涉及多个参数的设置，在合适的地区经验参数设置是提高利用干酪根含量计算TOC精度的主要途径。

（3）BP神经网络预测TOC因其能够表达多个输入和目标输出之间复杂的非线性关系，且综合考虑了多测井响应特征，较单参数拟合计算具有快捷准确的优势，在骨架矿物变化复杂地区的TOC预测中具有很好的应用效果。

［1］郝建飞，周灿灿，李霞，等.页岩气地球物理测井评价综述［J］.地球物理学进展，2012，27（4）：1624-1632.

［2］曲彦胜，钟宁宁，刘岩，等.烃源岩有机质丰度的测井计算方法及影响因素探讨［J］.岩性油气藏，2011，23（2）：80-84.

［3］Fertle H.Total organic carbon content determined from well logs［G］.SPE Formation Evaluation 15612，1988：407-419.

［4］Passey Q R，Moretti F U，Stroud J D.A practical model for organic richness from porosity and resistivity logs［J］.AAPG Bulletion，1990，74（12）：1777-1794.

［5］朱光有，金强，张林晔.用测井信息获取烃源岩的地球化学参数研究［J］.测井技术，2003，27（2）：104-109.

［6］Carpentier B，Bessereau G.Wireline logging and source rocks-estimation of organic carbon content by the CARBOLBG method［J］. The Log Analysts，1991，32（3）：279-297.

［7］Schmoker J W，Hester T C.Organic carbon in Bakken Formation，United States portion of Williston Basin［J］.AAPG Bulletion，1983，67（12）：2165-2174.

［8］Kwiatkowsky J，Galford J，Quirein J.Predicting pyrite and total organic carbon from well logs for enhancing shale reservoir interpretation［R］.SPE 161097，2012.

［9］郭龙，陈践发，苗忠英.一种新的TOC含量拟合方法研究与应用［J］.天然气地球科学，2009，20（6）：951-956.

［10］Huang Zehui，Williamson M A.Artificial neural network modeling as an aid to source rock characterization［J］.Marine and Petroleum Geology，1996，13（2）：277-290.

［11］史峰，王小川，郁磊，等.MATLAB神经网络30个经典案例［M］.北京：北京航空航天大学出版社，2010.

［12］杨建，杨程博，张岩，等.基于改进神经网络的渗透率预测方法［J］.岩性油气藏，2011，23（1）：98-102.

［13］郝红卫，蒋蓉蓉.基于最近邻规则的神经网络训练样本选择方法［J］.自动化学报，2007，33（12）：1247-1251.

（本文编辑：杨琦）

Research on logging evaluation method of TOC content of shale gas reservoir in A area

XIONG Lei1，ZHANG Chaomo1，2，ZHANG Chong2，XIE Bing1，DING Yi1，HAN Shumin3
（1.Geophysics and Oil Resource Institute，Yangtze University，Wuhan 430100，China；2.Key Laboratory of Exploration Technologies for Oil&Gas Resources，Ministry of Education，Yangtze University，Wuhan 430100，China；3.Bureau of Geophysics Prospecting Inc.，CNPC，Zhuozhou 072750，Hebei，China）

Total organic carbon（TOC）content of shale gas reservoir reflects the hydrocarbon generation potential of shale rocks.It has an important guiding significance for shale gas development to obtain the TOC content accurately by use of conventional logging data which has characteristics of continuousness and high vertical resolution.Therefore,it is especially important to establish highly precise model of the organic carbon content evaluation.Combining the limiting factors of TOC content evaluation methods with the reality of complex lithological changes of A area,we established three kinds of TOC content models to evaluate shale rocks from X well in A area.They are BP neural network,uranium and kerogen.It is concluded that the BP neural network model is with the highest precision to forecast the total organic carbon content,and provide technical support to TOC content evaluation in complex lithology areas.

shale gas；total organic carbon；BP neural network；natural gamma rayspectrum；kerogen

P631.8

A

1673-8926（2014）03-0074-05

2014-01-12；

2014-03-10

湖北省自然科学基金项目“基于等效岩石单元模型的渗透率测井评价方法研究”（编号：2013CFB396）资助

熊镭（1988-），男，长江大学在读硕士研究生，研究方向为地球物理测井综合解释。地址：（430100）湖北省武汉市蔡甸区长江大学。E-mail：xiongzy71@gmail.com。