APP下载

岩屑成分分析在渤中19-6潜山界面识别中的应用*

2020-03-16谭忠健张建斌张向前

中国海上油气 2020年6期
关键词:潜山岩性矿物

胡 云 谭忠健 张建斌 戴 珩 张向前

(1. 中海石油(中国)有限公司天津分公司 天津 300459; 2. 中海油能源发展股份有限公司工程技术分公司 天津 300459)

渤海油田勘探方向逐渐向深层推进,深层是未来储量增长的重要领域。渤中19-6构造处于渤中凹陷西南部,西南洼和渤中主洼之间的近南北向构造脊上,整体受基底和走滑断层控制,太古界(Ar)花岗片麻岩潜山是该区主要勘探目的层系[1-8]。对于勘探作业,潜山界面卡取不准确会对钻井施工安全产生威胁,甚至导致单井报废而无法完成勘探任务。因此,准确卡取太古界潜山界面对深层勘探至关重要,是深层地质资料录取及油气藏评价的前提条件。通常情况下,主要是通过潜山构造特征、钻井工程参数特征、岩性特征、邻井对比等综合判断潜山界面[9]。然而,渤中19-6潜山界面卡取工作面临诸多难点:一是深层地震解释精度不足,潜山界面预测误差大,平均误差79.7 m,最大误差296.0 m;二是地层精细对比难,上覆地层厚度及岩性组合无明显规律,同时潜山上覆地层发育沉积成因的砂岩或砂砾岩,对潜山界面的识别存在干扰,难以找到对比标志层;三是由于PDC钻头及提速工具的使用,钻井岩屑细碎难辨识[10-13]。

基于以上难点,本文通过地层矿物及元素统计分析筛选出敏感矿物及元素,并建立典型地层模型,提出基于降维算法的潜山界面岩性判别方法,一方面解决上覆地层对比难的问题,另一方面通过大量数据分析,利用LDA降维、岩性识别图版,提高界面岩性识别精度。

1 潜山界面识别方法

渤中19-6太古界潜山和孔店组顶面为多个具有背斜、断鼻形态的复杂断块,又被次级断裂分隔为多个断块,自上而下钻遇地层有第四系平原组,新近系明化镇组、馆陶组,古近系东营组、沙河街组及孔店组(孔店组局部缺失),太古界变质岩潜山。构造与地层复杂,地层精细对比难度大,难以找到对比标志层;同时潜山顶部遭受长期的风化、淋滤、溶蚀,风化壳钻井岩屑辨识难。

1.1 地层敏感矿物及元素筛选

受沉积作用控制,在同一区域同一层位,每种岩石中的矿物含量基本稳定,组成各类矿物的元素含量也是一定的。基于以上认识,根据岩性的不同,利用X射线衍射录井(XRD)检测的13种矿物(石英、长石、黏土矿物、方解石、白云石、铁矿物、石膏、硬石膏、重晶石、方沸石、浊沸石、角闪石、辉石)和X射线元素录井(XRF)检测的17种元素(Si、Na、K、Fe、Mg、Ca、Al、Mn、Cl、Ba、Ti、V、Sr、P、S、Ni、Zr)进行分类统计,发现不同地层的元素及矿物的规律性,但是不同区域,元素变化特征存在区别,简单通过曲线变化来判断潜山界面有可能因干扰层的存在而判断失误。同时,渤中19-6潜山地层岩性较复杂,与传统意义的潜山储层不同的是由太古界变质花岗岩和上覆孔店组砂砾岩共同构成的储层系统,孔店组砂砾岩与太古界变质花岗岩成分上存在相似性,对利用元素录井来区分潜山界面增加了难度。

针对渤中19-6潜山地层的特点,采用ReliefF算法对录井数据进行分析。ReliefF算法是著名的过滤式特征选择方法,在处理多类问题时,每次从训练样本集中随机取出1个样本R,然后从和R同类的样本集中找出R的k个近邻样本(near Hits),从每个R的不同类的样本集中找出k个近邻样本(near Misses)(图1),然后更新每个特征的权重。

图1 ReliefF算法近邻样本示意图

利用ReliefF算法,根据各个元素及矿物成分与岩性类别的相关性赋予特征不同的权重,权重值越大表示该特征对样本的区分能力越强,通过设置阈值选择新的特征子集[14-17],选取渤中19-6潜山地层的敏感元素为Si、Fe、Mg、Ba、K、Na。通过对渤中19-6潜山已钻井的矿物录井数据统计发现,除石英、长石、黏土矿物、非晶质外,其他矿物含量极低或基本无其他矿物,将石英、长石、黏土矿物作为该区块太古界潜山界面的敏感矿物(图2)。

图2 衍射矿物及元素权重分布

1.2 潜山界面类型及岩石组分特征

根据渤中19-6潜山上覆地层差异性,可分为两种潜山界面类型,一种是孔店组砂砾岩进山,另一种是沙河街组泥岩进山。这2种类型的潜山界面电性特征都非常明显,都表现为高阻特征(图3、4)。孔店组砂砾岩进山类型指的是太古界花岗片麻岩的上覆岩性为孔店组砂砾岩,其典型特征为:进入潜山界面后,石英含量明显降低,黏土矿物含量微增,长石含量微降;Si元素明显降低,Mg、Fe元素增高(图3)。沙河街组泥岩进山类型指的是太古界花岗片麻岩的上覆岩性为沙河街组泥岩,其典型特征为:进入潜山界面后,石英、长石明显增高,黏土矿物含量降低;Si、Na、K元素明显升高,Mg、Fe、Ba元素降低(图4)。

图3 孔店组砂砾岩进山模式图(BZ19-6-1井)

注:因工程原因,部分井段测井曲线不全

1.3 基于降维算法的潜山界面判别方法

利用地层敏感矿物及元素建立了进入潜山的矿物、元素变化模式,但是在钻遇潜山界面时,如何快速识别潜山界面的岩性依然具有难度,潜山风化壳的矿物、元素特征与上部地层沉积成因的砂砾岩具有一定相似性。因此,需要建立更为精确的解释图版来区分潜山界面的岩性。

针对孔店组砂砾岩以及沙河街组砂岩对潜山界面卡取存在一定干扰的问题,通过降维的方法来识别不同岩性。常见的降维方法有线性判别分析算法(linear discriminant analysis,LDA)、主成分分析算法(principal component analysis,PCA)、局部线性嵌入算法(locally linear embedding,LLE),以及拉普拉斯特征映射算法(laplacian eigenmaps, LE)等[18-19]。

本文采用线性判别分析算法(LDA)对不同岩性进行降维识别,该算法的基本思想是最大化类间均值,最小化类内方差。假设原始数据集D包含了C个类别,经过LDA降维后降到k维,计算步骤为[20]:

3) 计算矩阵Sw-1Sb;

4) 计算矩阵Sw-1Sb的最大的k个特征值和对应的k个特征向量W(w1,w2,…,wk),得到投影矩阵W;

5) 求降维到k维后的新的投影数据集,X=DW。

将ReliefF算法筛选到的Si、Fe、Mg、Ba、K、Na这6种特征元素以及石英、长石和黏土这3种敏感矿物的含量作为原始数据集的特征参数,利用LDA算法对数据集合进行降维,取最终的维度为2,得到式(1)、(2)中的LD1和LD2两个投影空间,具体表达公式如下:

LD1=-0.022 6Si-0.036 7Na+0.134 1Fe+

0.141 6Mg+0.972 7Ba-0.112 6K-0.014 9石英-

0.024 7长石-0.023 1黏土矿物

(1)

LD2=0.000 4Si+0.005Na+0.004 4Fe+

0.008 2Mg-0.999 9Ba+0.004 5K+0.000 1石英+

0.000 4长石+0.000 5黏土矿物

(2)

以LD1为纵坐标,LD2为横坐标,建立岩性识别图版(图5)。从该图版的投点可以看出,新生界沉积砂砾岩、泥岩与花岗片麻岩区分效果明显,可以用于太古界潜山界面的判识。

图5 LDA岩性识别图版

2 应用效果

以BZ19-6-8井及BZ19-6-12井为例,依据钻前预测,本井区是沙河街组泥岩进山。这2口井沙河街组厚层泥岩中发育薄层砂岩,其元素及矿物特征与潜山顶部特征具有一定的相似性,如Si、Fe元素的交汇特征与潜山特征相似,对潜山界面的卡取具有一定的干扰性(图6、7)。将沙河街组砂岩与判断进山后风化壳顶部砂砾岩投入岩性识别图版,沙河街组砂岩落入正常砂砾岩区域,而风化壳顶部砂砾岩落入花岗片麻岩岩性区域,分析结果与测井结论相符,通过图版的应用,准确识别了潜山界面。

图6 BZ19-6-8井潜山界面元素及矿物特征

图7 BZ19-6-12井潜山界面元素及矿物特征

利用本文提出的潜山界面模式及判识方法,预测渤中19-6潜山界面平均误差79.7 m(最大296.0 m)的情况下,成功卡准了该构造11口井的潜山界面(图8、表1),在确保进潜山的前提下,尽量减少进山进尺,保证了钻井施工安全;平均地质循环2次/井,减少60%,单井直接节约循环时间6 h,提高了钻井效率,降低了钻井费用。同时,准确地卡准了潜山界面,成功获取了潜山顶部钻井取心资料,取全取准了地层测试资料,为潜山储层综合评价奠定了基础。

图8 渤中19-6潜山多井对比

表1 渤中19-6潜山界面深度统计

3 结论

1) 通过ReliefF算法对渤中19-6潜山地层矿物及敏感元素进行筛选,认为该区块太古界潜山界面的敏感矿物为石英、长石、黏土矿物,敏感性元素为Si、Fe、Mg、Ba、K、Na。

2) 通过线性判别分析(LDA)降维方法,建立了太古界潜山界面的LDA岩性识别图版,有效区分了新生界沉积岩以及潜山风化壳,能够更精准地判别潜山界面。

3) 运用本文的方法准确卡取渤中19-6潜山多口探井潜山界面,为钻井施工安全、提速提效以及潜山储层综合评价提供了坚实的技术保障。

猜你喜欢

潜山岩性矿物
辽河坳陷西部凹陷潜山油气输导体系特征
安徽潜山:“田管家”授技术
不平衡样本集随机森林岩性预测方法
基于数据挖掘技术的碎屑岩岩性识别方法及应用
古皖之源,“皖”美潜山
能量矿物的选择及强磁按摩器的制作方法
煤泥水中煤与不同矿物相互作用的模拟研究
摘柿子
X断陷火二段火山岩储层岩性识别技术研究
基于石灰石岩性的超近距管沟爆破试验研究