惠州凹陷古近系优质烃源岩评价方法研究

惠州凹陷古近系优质烃源岩评价方法研究

李扬帆，程 超，何贤科，张年念，秦德文

（中海石油（中国）有限公司上海分公司，上海 200030）

摘 要：近海盆地勘探受到钻探成本限制，实际收获的烃源岩样品相对有限，难以对单井进行烃源岩整体评价。目前烃源岩评价研究中，常利用测井资料建立与有机碳含量之间的关系，对烃源岩进行评价。但是单一测井评价方法难以定量评价烃源岩有机碳含量，需要多种方法互相结合。此文建立了烃源岩测井响应特征模型，并依据电阻率法、自然伽马能谱法、聚类分析和人工神经网络方法原理，对惠州凹陷古近系井点进行优质烃源岩识别与评价，并将测井资料评价处理成果与岩心的有机地化、地质录井资料相互检验，得出了适合该地区烃源岩评价的方法。

关键词：惠州凹陷；优质烃源岩；有机碳含量；聚类分析；神经网络；测井评价

中图分类号：TE122.1

文献标识码：A

DOI:10.3969/j.issn.1008-2336.2015.02.040

文章编号：1008-2336（2015）02-0040-06

收稿日期：2014-10-16；

作者简介：第一李扬帆，男，工程师，主要从事油气田开发方面的研究工作。E-mail：yf.li@msn.com。

改回日期：2014-12-18

Evaluation Methods for Paleogene Source Rocks in Huizhou Sag

LI Yangfan, CHENG Chao, HE Xianke, ZHANG Niannian, QIN Dewen

（Shanghai Branch of CNOOC Ltd., Shanghai 200030, China）

Abstract:In offshore basin exploration, the actual hydrocarbon source rock samples are relatively limited due to the high drilling cost. It is difficult to make the overall evaluation on hydrocarbon source rock by single well. At present, during evaluation on hydrocarbon source rocks, logging data is often used to establish the relationship with the content of organic carbon. But it is difficult to quantitatively evaluate the content of organic carbon in hydrocarbon source rock only with logging evaluation method. Therefore, it is necessary to combine many methods together. In this study, we have established logging response model for the source rock. In addition, identification and evaluation on Paleogene excellent source rocks at well points in Huizhou Sag have been conducted based on resistivity method, natural gamma ray spectrometry, cluster analysis and artificial neural network theory. The evaluation results from the logging data have been verified with the organic geochemical data and geological logging data, and the suitable evaluation methods for the study area have been obtained.

Keywords:Huizhou Sag; excellent source rocks; total organic carbon; cluster analysis; neural network; logging evaluation

近海盆地钻探成本高，钻井取心数量受到限制，合适的烃源岩样品常常数量有限且分布相对局限，地球化学方法分析烃源岩样品有机碳含量值成本高且费时，而且有限的烃源岩样品通常也只是测定单一深度的有机碳含量值，难以在纵向上获得整体分布的多个层系的有机碳含量（总有机碳含量）值。常规烃源岩预测方法一般是对区域上少量的烃源岩样品有机碳含量值求平均值，并将该平均值作为烃源岩发育层段的有机碳含量值。该方法的缺陷在于忽视了烃源岩非均质性是其最重要的一个特性，所以常规地利用少量烃源岩样品有机碳含量的平均值来进行区域上烃源岩分布预测都出现了一定的局限性，并且这样得出的有机碳含量值的准确性难以保证[1-5]。研究表明，

多种测井曲线与烃源岩有机碳含量之间存在一定的数学关系，可以根据这一关系，将测井数据转化为有机碳含量预测值，实现烃源岩有机碳含量的定量预测，利用测井资料评价烃源岩优势在于相对精确，经济性更强。

1　地质背景

惠州凹陷位于珠江口盆地珠一坳陷中部地区，珠一坳陷位于北部坳陷带，为一个NE向展布的狭长坳陷（图1）。珠江口盆地属于拉张性盆地，拉张始于晚白垩世，是南中国海扩张的结果。惠州凹陷主要发育有始新统文昌组和始新统—下渐新统恩平组两套有效烃源岩。文昌组沉积时期正是盆地断陷形成期，形成浅至半深水湖相—滨湖相沉积环境，岩性以一套厚层暗色泥岩为主，烃源岩主要分布于惠州凹陷的西南与东部；凹陷中文昌组最大厚度一般1 000～2 000 m，其中，中深湖相暗色泥岩可达60%以上，其它相带都低于40%。恩平组基本上为浅湖相、河流—三角洲平原沉积环境，其分布范围比文昌组要广，凹陷中最大厚度为1 100～1 600 m，岩性以泥岩和砂岩互层为主，夹煤层和碳质泥岩，自下而上由细变粗，烃源岩厚度为140～800 m；暗色泥岩所占百分比多处在20%～30%之间。前期油气资源评价表明，文昌组中深湖相烃源岩的生烃量明显大于恩平组湖沼相烃源岩，文昌组为本区主要生烃来源。

图1　惠州凹陷构造位置图

2　优质烃源岩测井响应特征

参考了国内外文献，以及前人对近海盆地优质烃源岩的划定标准。通过珠江口盆地的岩心资料地球化学分析，考虑到惠州凹陷岩心测试样品较少，部分样品代表性较差，同时也考虑到研究区的地质特征，因此，将研究区优质烃源岩判识标准统一，近海湖相优质烃源岩的总有机碳含量下限值定为3.0%，S1+S2下限值定为20 mg/g。

烃源岩的主要岩石骨架成份以层状的黏土矿物为主，烃源岩中的有机质以固体形式与黏土成份分散混合沉积在一起，而不是充填在孔隙当中。富含有机质的烃源岩与纯黏土的泥岩，其岩石物理性质势必会有差异，这样就会直接影响不同测井参数的差异。同时，由于在钻井过程泥浆对于烃源岩中地层水的排替作用，也影响测井参数变化。我们建立起烃源岩的岩石解释模型由骨架、孔隙两部分组成。骨架部分主要为固体有机质与岩石骨架，孔隙部分主要充填油气、泥浆、水。由于烃源岩内部的各个组分的岩石物理性质不同，孔隙大小、岩石骨架的矿物成分、有机质含量的不同都会引起测井参数（声波、中子、密度、电阻率）变化，使其具有不同的响应特征。测井资料反映的是岩石内部所有成分物理量的综合，有机质通常具有非导电性，在具有相同矿物成份和压实程度一致的岩石中，当有机质的含量增大时，声波时差增大，导电性变小电阻率随之增大；当黏土成份或者水的含量增大时，电阻率增大。

惠州凹陷文昌组湖相优质烃源岩发育，对惠州凹陷文昌组地球化学测试的有机碳质量分数大于等于3%的，178块经过地球化学测试的岩样的测井响应特征进行统计表明，该区文昌组优质烃源岩测井响应总体表现为“三中两低”：中声波时差（230～295 μs/m）、中自然伽马（50～90 API）、中密度（2.5 g/cm3）、低自然电位（-15 mV左右）、低阻抗。

3　方法原理

前人研究利用测井资料对烃源岩有机碳含量

进行预测与评价始于上世纪70年代，主要研究集中在识别有效烃源岩和有机质丰度。国内利用测井资料研究烃源岩始于上世纪80年代，主要是对利用测井资料计算烃源岩中有机碳含量值的方法进行了探讨。在近海盆地优质烃源岩测井评价研究中，运用目前烃源岩评价方法中比较普遍适用的电阻率评价技术、自然伽马能谱法进行烃源岩有机碳含量计算。并针对惠州凹陷优质烃源岩主要发育的湖沼相与半深湖—深湖两种沉积相类型，选择了目前在数据分析中常用的层次聚类分析与人工神经网络，对测井数据进行数据处理以达到识别优质烃源岩的目的[6-12]。

3.1 电阻率评价技术

ΔlogR方法进行烃源岩评价由Passey等提出，该方法能够有效识别出优质烃源岩发育段，并能够建立起ΔlogR与实测有机碳含量值之间的关系，对单井进行有机碳含量值预测。ΔlogR法是将对数坐标的电阻率曲线与算术坐标的声波测井曲线进行重叠，当声波曲线与电阻率曲线在一段深度重叠“一致”时为基线，两条曲线之间的距离在电阻率曲线的对数坐标上的读数即为ΔlogR。ΔlogR法对优质烃源岩的评价要点为：声波时差曲线与电阻率曲线不重叠，在垂向上间距大，两条曲线之间呈漏斗型或箱型[13]。

将声波时差曲线与电阻率测井曲线相重叠之后对烃源岩有机碳含量值进行计算，可以利用下式首先计算ΔlogR：

式中：ΔlogR为测井曲线间距在对数电阻率坐标上的读数；R为电阻率值，Ω•m；Δt为声波时差值，μs/m；ΔtJ为声波时差基线值；RJ为非烃源岩中基线对应于ΔtJ的电阻率值。

研究表明，在对曲线刻度进行移动操作之前，首先必须保证声波曲线刻度值一定，然后将电阻率曲线对应刻度进行移动。在移动电阻率曲线时，应当遵循电阻率曲线每个刻度标记间隔与声波时差164 μs/m相对应。按照上述关系，利用ΔlogR求取总有机碳含量值TOC的经验方程表达为：

式中：TOC为计算后得到的总有机碳含量值，%；Ro为镜质体反射率，%。

3.2 自然伽马能谱法

在砂泥岩地层中，由于泥岩放射性矿物吸附性强，所以相对于砂岩地层，泥岩的放射性更强。砂泥岩地层中如果泥岩含量高，通常表现为自然伽马测井曲线较高数值。如果砂泥岩地层中的放射性强度由岩石中的泥质含量大小决定，当泥质含量大的时候，自然伽马能谱测井曲线上通常对应较高的钍含量值，同时相比较于钍的丰度，放射性元素铀的丰度较低。如果地层的放射性强度由地层中的有机碳含量大小决定，而放射性元素铀的丰度与有机碳含量大小之间具有一定的线性关系，当地层中的铀含量升高的时候，放射性元素钍的丰度会较低。可以理解为，放射性元素铀、钍的丰度比值可以反映出岩石中有机碳含量与泥质含量的关系。所以，可以将铀与钍的相对丰度定义为一个参数，称为铀钍比。

总自然伽马测井值GS与去铀自然伽马测井值GC的差值记为ΔGR。ΔGR为自然伽马能谱测井，能够提供地层中3种放射性系列核素的丰度（钾、铀、钍含量曲线）。ΔGR值与地层中的铀含量有关，ΔGR值相对较大时，地层中铀含量相对较高；ΔGR值相对较小时，地层中的铀含量相对较低。通过铀含量大小与有机碳含量之间的关系，表明总自然伽马测井与去铀伽马测井曲线的差值ΔGR值与地层中的有机碳含量值存在着数学相关性，可以将两条伽马曲线差值记为：

式中：GS为总自然伽马测井值；GC为去铀自然伽马测井值。

3.3 层次聚类分析

通过烃源岩岩石物理模型可以表明，烃源岩中有机碳含量多少可以影响各种测井参数的差异。利用各种测井数据之间的关系对烃源岩有机碳含量进行聚类分析，可以达到识别优质烃源岩的目的。

聚类分析是目前在数据分析中的一种常用方法，其主要意义是根据数据之间的亲疏程度，将最相似的数据进行结合，并以聚类的方式将所有的数据样本进行聚类分离。层次聚类算法是自下而上将样本数据逐次聚类，形成分类簇，以此达到分类识别数据样本的结果。聚类分析中，强调多个连续数据样本之间亲疏程度，也就是样本点与样本

点之间的距离差，样本之间距离差小的归为一类，反之则属于另一类。由于地层中沉积环境具有连续性与旋回性，相同沉积环境中的岩石应当具有类似的测井响应特征，利用层次聚类分析法能够把具有与实测高有机碳含量的样品类似测井数据划分为一类，以此达到识别优质烃源岩的目的。

在对测井数据样本进行聚类分析中采用欧氏距离算法，欧氏距离是数据样本各个变量值之差的平方和的平方根，数据样本之间欧氏距离越小则归为一类，反之则为另一类，样本之间欧氏距离计算公式：

3.4 人工神经网络

人工神经网络方法的特点是具有自身样本学习能力，可以克服常规多元统计法与灰色聚类法的缺点，进行自主的样本学习进行模式识别，该方法的优点在于结果比较客观[14-15]。

神经网络方法对烃源岩测井识别同样具有一定的优势性与可行性[16]，通过神经网络自运算功能进行测井参数变化量对于总有机碳含量值TOC大小的收敛性自相关分析，可以减小人为判定因素，突出测井变量关系，以此达到选取与岩心有机碳含量最相关测井参数，并以此识别优质烃源岩井段[17-18]。

4　应用实例

在实际研究中，主要以惠州凹陷钻遇文昌组且具有烃源岩样品有机碳含量值测试的典型井为例，运用多种测井资料评价烃源岩有机碳含量值的方法，建立起测井数据与实测烃源岩有机碳含量值的数学关系，达到评价优质烃源岩的目的。

4.1 ΔlogR技术

由LF-X井重叠曲线（图2，红线为实测值，蓝线为计算值）看出，在非烃源岩段，中子和声波曲线重合，LF-X井3 210～3 320 m为基线。利用以上介绍ΔlogR法中的公式，对LF-X声波曲线与电阻率曲线进行求解，得到ΔlogR解及总有机碳含量值TOC，并拟合出LF-X井实测总有机碳含量值与ΔlogR关系，利用已测岩心样品有机碳含量值与有机碳含量计算值进行误差分析表明，LF-X计算值与实测值吻合较好，误差值在2.23%～11.22%之内，计算值可信度较高。当总有机碳含量值TOC≥3%时，具有高有机碳含量值响应特征。表明测井数据对烃源岩的有机碳含量值具有明显响应，当有机碳含量值增大时，电阻率与声波曲线之间距离增大，响应效果更加显著，对优质烃源岩识别效果好。通过计算得到的总有机碳含量值TOC进行优质烃源岩井段评价，LF-X井优质烃源岩厚度达26 m。

图2　LF-X井ΔlogR法烃源岩测井评价

4.2 自然伽马能谱法

HZ-X井4 250～4 320 m段具有GS与GC测井曲线。通过GS与GC曲线进行拟合的ΔGR/ GS曲线，得到的ΔGR/GS曲线可以反映出该段地层中，烃源岩有机碳含量的变化情况。并将该拟合曲线与实测岩心样品点的有机碳含量值，建立一个线性关系，即：TOC=ΔGR/GS×R2+0.146 （R=0.852），并通过该线性关系进行总有机碳含量值的求取，如图2，将计算后得到总有机碳含量值曲线，按照近海盆地优质烃源岩划分标准总有机碳含量值TOC≥3%进行优质烃源岩厚度划分。如图3，利用求取后的预测有机碳含量值曲线对HZ-X井进行优质烃源岩评价。可以表明，文昌组发育多套中深湖相厚层泥岩，有机碳含量值高，为优质烃源岩发育，其厚度达到了34 m。

图3　HZ-X井ΔGR/GS法烃源岩测井评价

4.3 层次聚类分析

对惠州凹陷进行烃源岩评价过程中，选取测井参数较多数据较完整、岩心地化分析数据较完整的LF-Y井建立样本，并运用层次聚类方法进行分析。

通过LF-Y实测有机碳含量的岩心样本各种测井参数的数据统计，并将这些经过计算机程序自主层次聚类分析。从样本序号可以表明：各个样本之间密切程度越高即欧氏距离值越小，通过层次聚类分析后10种样本被主要分为3大类，这3大类也基本按照“TOC>10”、“TOC1～10”、“TOC<1”进行分类（图4）。除开样本例外以后，其他9种样本都在分类之内，聚类分析符合率达到90%。同时表明该方法在优质烃源岩测井判别中，切实可行，在各种测井参数数据、岩石地化分析数据较完整的情况下具有实用性。将层次聚类分析用于有机碳含量的岩心样本的测井参数统计分析，同样可以达到分类识别有机碳含量的目的。

4.4 人工神经网络

在研究过程中，我们选用基于多层感知器（MLP）来拟合神经网络。多层感知器是一个馈式有监督的结构。它可以包含多个隐藏层。一个或者多个因变量，这些变量可以是连续型、神经网络预测的连续值是输入数据的某个连续函数。如果因变量是分类型，神经网络会根据输入数据，将记录划分为最适合的类别。

图4　LF-Y聚类分析图谱

将LF-Y井文昌组有机碳含量深度段各测井参数进行统计，并将其作为训练样本。将样本进行人工神经网络的自识别，以总有机碳含量值TOC作为因子，多种测井参数作为协变量，通过多层次感知器神经网络对总有机碳含量值TOC的最敏感参数的权重性分析，GR为权重最优的识别总有机碳含量测井参数，通过神经网络权重分析，根据权重因子得到最优测井参数与总有机碳含量值TOC之间的线性关系，并得到该井段计算总有机碳含量值，以此进行该井段文昌组的生烃潜力的整体评价（图5）。

图5　LF-Y井文昌组测井敏感参数神经网络识别

5　结论

（1）从烃源岩岩石物理模型出发，考虑烃源岩非均质性，总结优质烃源岩测井响应特征，将测井多参数与有机碳含量之间建立一个区域性的预测模型，对由单井到整个凹陷烃源岩潜力评价都具有积极的意义。

（2）在实际研究工作中，运用多种测井方法进行优质烃源岩识别，并且达到了识别的目的。随着测井技术的进步，将测井评价烃源岩应用于近海盆地会越来越广，精度也会逐步提高。

（3）以总有机碳含量值TOC≥3%为惠州凹陷湖相优质烃源岩界定标准，通过ΔlogR技术、自然伽马能谱法，进行测井评价，惠州凹陷古近系半深湖—深湖相优质烃源岩厚度约为30 m，也说明惠州凹陷是烃源岩条件良好的富烃凹陷。运用层次聚类分析、神经网络法能够进行测井参数自动识别，达到判别高有机碳含量井段的目的。

参考文献：

[1] 朱光有，金强．烃源岩的非均质性及其研究——以东营凹陷牛38井为例[J]．石油学报，2002，23（5）：34-39．

[2] 王克，查明，曲江秀．烃源岩非均质性对生烃和排烃定量计算的影响[J]．石油学报，2005，26（5）：44-47．

[3] TISSOT B P，WELTE D H. Petroleum formation and occurrence[M]. New York： Springer-Verlag，1984： 293-340.

[4] MAGARA K. Compaction and fluid migration[M]. New York： Elsevier Scientific Publishing Company，Amsterdam-Oxford，1987： 1-319.

[5] 母国妍，钟宁宁，刘宝，等．湖相泥质烃源岩的定量评价方法及其应用[J]. 石油学报，2010，31（2）：218-224．

[6] 胡芬．南黄海盆地海相中、古生界油气资源潜力研究[J]．海洋石油，2010，30（3）：1-6．

[7] 鄢菲，胡望水，吕炳全. 下扬子中二叠统上升流相与烃源岩的关系研究[J]. 海洋石油，2008，28（2），62-67.

[8] 戴世立，杨智，李弘．鄂尔多斯盆地塔巴庙地区上古生界源岩热演化特征[J]．海洋石油，2009，29（1）：15-20．

[9] 王贵文，朱振宇，朱广宇．烃源岩测井识别与评价方法研究[J].石油勘探与开发，2002，28（8）：50-52．

[10] 石强，李剑．利用测井资料评价生油岩指标的探讨[J]．天然气工业，2004，24（9）：30-32．

[11] 周建林．近海陆架盆地优质烃源岩的测井评价展望[J]．海相油气地质，2009，14（2）：52-58．

[12] Herrson S L，Letendre I，Dufour M. Source rock evaluation using geochemical information from wireline logs and cores[J]. AAPG Bulletin，1988，72： 1007.

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

[14] 张志伟，张龙海．测井评价烃源岩的方法及其应用效果[J]．石油勘探与开发，2000，27（3）：84-87．

[15] 朱振宇，刘洪，李幼铭．ΔlogR技术在烃源岩识别中的应用与分析[J]．地球物理学进展，2003，18（4）：647-649．

[16] 朱振宇，王贵文，朱广宇．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，2002，17（1）：137-140．

[17] 欧阳健．石油测井解释与储层描述[M]．北京：石油工业出版社，1993．

[18] PANDYA A S，MACY R B. 神经网络模式识别及其实现[M]．徐勇，荆涛，等，译．北京：电子工业出版社，1999．