页岩岩相的测井曲线识别方法<br/>——以焦石坝地区五峰组—龙马溪组为例

页岩岩相的测井曲线识别方法
——以焦石坝地区五峰组—龙马溪组为例

2021-04-08石万忠张晓明徐笑丰刘俞佐白卢恒曹沈厅

岩性油气藏 2021年2期

杨洋，石万忠，2，张晓明，王任，2，徐笑丰，刘俞佐，白卢恒，曹沈厅，冯芊

（1.中国地质大学（武汉）资源学院，武汉 430074；2.中国地质大学（武汉）教育部构造与油气资源重点实验室，武汉 430074）

0 引言

“岩相”一词主要用来表征岩石的矿物学及沉积学特征（矿物组成、结构、构造、颜色、分选、磨圆等）。国内外对于页岩岩相划分进行了诸多研究，提出多种岩相划分方案，目前还未形成统一的划分方案。Hickey 等［1］结合页岩矿物组成、结核发育、生物特征将Barnett 页岩划分出6 种岩相；Simenson［2］，Alshahrani［3］以及Potma 等［4］根据岩石颜色、纹层特征、矿物组成、生物特征分别对Bakken 页岩、Cleveland 页岩、Horn River 页岩进行了岩相划分。对于国内上奥陶统—下志留统的五峰组—龙马溪组海相页岩岩相的划分方案多样，但均以岩石矿物组成为基础，如梁超等［5］、郭彤楼等［6］、吴蓝宇等［7］、王玉满等［8］王志峰等［9］、Liu 等［10］依据纹层发育特征、矿物组成进行页岩岩相划分；冉波等［11］、邹才能等［12］依据矿物组成和岩石颜色特征进行页岩岩相划分；Jiang等［13］、郑和荣等［14］结合纹层发育特征、矿物组成、生物特征进行页岩岩相划分。考虑到纹层发育特征、岩石颜色、生物特征等很难通过测井曲线来反映，因此，本文对于页岩岩相，是依据组成岩石的黏土矿物、硅质矿物（石英+长石）、碳酸盐矿物三者相对含量的不同进行划分，将页岩岩相划分为4类：当岩石中黏土矿物、硅质矿物或碳酸盐矿物相对质量分数大于50%时，可分别称为黏土质页岩相、硅质页岩相或灰质页岩相；若矿物相对质量分数均未超过50%，则称为混合质页岩相。同时每一种岩相又可细分为四小类，共计16 种页岩岩相［7］。不同页岩岩相其物性、TOC 含量，含气性等均表现出一定的差异性，因此，若能快速准确识别岩相类型，将有利于页岩油气田的精细勘探与高效开发。

学者们在利用测井曲线识别岩相的研究方面开展了大量工作，研究方法主要为常规数学统计分析法和机器学习法。常规数学统计分析主要包括，利用测井曲线交会图进行识别［15-17］，利用雷达图版进行识别［18-20］，利用主成分分析、Fisher 判别分析等进行识别［21-23］。通过机器学习进行岩相识别包括，利用神经网络、SVM 算法、模糊推理等［24-30］。考虑到常规数学统计方法较为简单，不利于推广；机器学习方法又较为复杂。本文在调研前人研究成果的基础上，从页岩岩相划分的标准出发，利用测井曲线，分别建立黏土矿物相对含量、硅质矿物相对含量预测方程，进而识别页岩岩相；统计分析不同岩相的测井响应特征，建立岩相识别雷达图版；提出预测方程定量识别结合雷达图版定性识别的页岩岩相识别新方法以期指导实际的勘探开发。

1 区域地质概况

焦石坝页岩气田主体位于四川盆地东南部的涪陵地区，构造位置为川东褶皱带方斗山背斜带和万县复向斜的结合部位［31］，构造整体呈北东向，区内发育北西向和北东向2 套断裂系统，主体构造平缓，呈北东走向，边缘受到北东向和近南北向2 组断裂夹持呈箱状背斜构造［32-33］（图1）。该区先后经历了加里东运动、印支运动、燕山运动、喜马拉雅运动等多期构造运动的联合改造［7，34-35］。受构造运动的影响，晚奥陶世—早志留世，黔中隆起、川中隆起、雪峰隆起形成，改变了早—中奥陶世的广海环境，形成被隆起围限的局限海域［36］，沉积了上奥陶统—下志留统的海相页岩。该时期正处于全球海平面上升的背景下，受到周边“多隆夹一凹”的构造形态的影响，该地区处于相对稳定、安静的深水环境［17］。五峰组—龙马溪组在整个研究区分布面积约443.3 km2，其下部主要为深水陆棚沉积，发育大套黑色富有机质硅质页岩，上部为浅水陆棚沉积，中部为混合质页岩和黏土质页岩，纵向上可以分出3个层段［37-39］。

图1 焦石坝地区区域构造位置（据文献［33］修改）Fig.1 Regional tectonic location of Jiaoshiba area

2 焦石坝页岩矿物组成特征

选择焦石坝地区五峰组—龙马溪组为研究对象，对焦页A 井、焦页B 井以及焦页C 井等3 口钻井共计243 组XRD 测试数据进行三角投图（图2），可以看出，该地区岩相以黏土质页岩、硅质页岩、混合质页岩为主。

研究区岩石矿物组成以黏土矿物和硅质矿物为主（表1），其中黏土质页岩相中黏土矿物的质量分数为50.16%～68.98%，平均值为58.29%，硅质矿物的质量分数为31.02%～47.29%，平均值为39.09%，碳酸盐矿物的质量分数为0～11.98%，平均值为6.34%；混合质页岩相中黏土矿物的质量分数为19.7%～49.73%，平均值为41.88%，硅质矿物的质量分数为26.08%～49.8%，平均值为44.96%，碳酸盐矿物的质量分数为4.3%～37.89%，平均值为11.82%；硅质页岩相中黏土矿物的质量分数为17.26%～49.64%，平均值为33.04%，硅质矿物的质量分数为50.21%～75.37%，平均值为57.49%，碳酸盐矿物的质量分数为3.82%～21.19%，平均值为29.33%。

图2 焦石坝页岩岩相划分图CM.黏土质页岩相；CM-1.含硅黏土质页岩相；CM-2.混合黏土质页岩相；CM-3.含灰黏土质页岩相；S.硅质页岩相；S-1.含灰硅质页岩相；S-2.混合硅质页岩相；S-3.含黏土硅质页岩相；M.混合质页岩相；M-1.含灰/硅混合质页岩相；M-2.含黏土/硅混合质页岩相；M-3.含黏土硅质页岩相；C.灰质页岩相；C-1.含硅灰质页岩相；C-2.混合灰质页岩相；C-3.含黏土/灰混合质页岩相Fig.2 Classification of shale lithofacies in Jiaoshiba area

表1 3 口钻井不同页岩岩相矿物组分特征Table 1 Mineral components characteristics of different shale lithofacies in three wells %

3 页岩岩相测井识别方法

目前页岩岩相识别主要通过在实验室进行矿物组分含量测试的方法来实现，该方法虽然精确，但存在取心资料不全、成本高、纵向不连续、横向展布不清楚的缺点，而测井资料具有纵向连续、资料较为普遍、成本相对较低、且能反映地层的物性、电性信息等优点，学者们曾针对该地区研究过TOC、孔隙度与测井曲线的响应关系，均找到了很好的对应关系［39-43］。本文拟通过分析岩心测试资料与测井数据，在测井数据与矿物组分之间建立联系，进而实现利用测井曲线识别页岩岩相的目的。

3.1 测井曲线筛选及敏感性分析

为探讨测井曲线同矿物组分之间的联系，以焦石坝地区3 口井，共计243 组岩心测试数据进行分析，初步筛选同矿物组分含量相关性较好的测井曲线，来建立矿物含量预测方程。

在实际生产中往往存在测井数据与地层深度不匹配的问题，首先对比自然伽马曲线（GR）与录井岩性剖面，对3 口钻井的测井曲线进行了深度归位；在钻井过程中也会存在由缩径或扩径现象引起的测井数据异常，这些异常对密度测井（DEN）和中子测井（CNL）会产生较大影响［44］，因此，对异常段的测井值进行了校正。

为了更好地建立测井曲线与岩石矿物组分之间的联系，以每一个进行过XRD 测试的样品点所对应深度为中心，上下各取0.2 m，共计0.4 m 深度段的测井曲线取平均值，作为该测试点样品所对应的测井曲线数值。

3 口钻井各有包括GR，DEN，CNL，U，SP，AC等在内的12 条测井曲线，考虑到U/Th 大小可以反映水体的氧化还原环境，当w（U）/w（Th）大于1.25时，水体为厌氧环境；当w（U）/w（Th）为0.75～1.25时，水体为贫氧环境；当w（U）/w（Th）小于0.75 时，为富氧环境［45-46］，而沉积环境在一定程度上控制了岩石矿物组分的差异。因此分别将原有的12 条测井曲线以及U/Th 测井曲线与硅质矿物相对含量、黏土矿物相对含量进行相关性分析（表2），对比分析了不同测井曲线与黏土矿物含量和硅质矿物含量之间的相关性，筛选出3 口钻井中相关性均较好的6 条测井曲线：DEN，U，CNL，K，KTh，U/Th，用以建立矿物相对含量预测方程。

焦石坝地区五峰组—龙马溪组页岩沉积于深水陆棚环境，硅质以生物硅为主，富集于还原环境，有机质含量高［7，47］，因U 元素常富集于还原环境，且有机质对U 元素具有较强的吸附能力［48］，所以，硅质矿物含量高的层位，常表现出低密度、高U、高U/Th的特征；CNL反映地层中的氢元素，黏土矿物含有结晶水，随黏土矿物含量的增加，地层束缚水含量相应的增加，会造成中子孔隙度值的增加［49］，K，Th一般为黏土矿物本身的离子元素，其值也随黏土矿物增加而增加［44］，同时，黏土矿物含量高的层位因缺少刚性矿物的支撑，压实程度较高，相应的，密度测井值较高。因此，黏土矿物含量高的层位，常表现出高DEN、高CNL、高K、高KTh 的特征。

综合上述相关性分析及敏感性分析可知，不同测井方法与黏土矿物、硅质矿物含量存在关联性，因此可以通过DEN，U，CNL，K，KTh，U/Th 测井曲线建立矿物含量的预测模型。

3.2 矿物相对含量预测方程建立

考虑到仅有3 口钻井共计243 组数据，为了增强预测方程的稳定性，摒弃常规思路，即利用2 口钻井数据建立预测方程，用另一口钻井检验预测方程的准确性。此方法虽然能够对预测方程的准确性进行检验，但并没有将另一口钻井的有效信息充分利用，降低了预测方程的稳定性。

表2 测井曲线与矿物组分含量相关性（R）分析Table 2 Correlation analysis between logging curves and mineral composition %

建立预测方程采用的方法是将3口钻井的数据综合起来，按顺序依次以每3 个数据为一组，标号1，2，3，……。1，2，3 提取出编号为1，2 的数据，作为样本集，用于建立矿物相对含量的预测方程；提取出编号为3 的数据，作为测试集，用以检验所建立预测方程的应用效果。不同的测井系列之间还存在量纲不统一的问题，因此，利用归一化的方法分别对样本集数据和测试集数据进行处理，以消除不同量纲的影响。选用的归一化方式为离差标准化，将原始数据映射到［0，1］，转换函数如下

式中：Xi为归一化后的数据；xi为原始数据；xmin为原始数据的最小值；xmax为原始数据的最大值。

该方法的优点在于，一方面将有效的信息充分利用起来，使得所建立的预测方程稳定性更强，另一方面，虽然样本集和测试集均来自于3 口钻井的数据，但分别进行了归一化的处理，使得用于建立预测方程的样本集和用于检验的测试集具有独立性，在一定程度上避免了“自己预测自己”的问题。

利用筛选出的DEN，U，CNL，K，KTh，U/Th 测井曲线，通过SPSS 软件进行线性回归分析，分别对比了测井曲线在不同组合情况下的拟合效果，如表3所列。考虑到拟合公式既要有较好的相关性，同时所选变量不宜过多，以削弱多重共线性的影响，最终选择利用归一化后的DEN，U，CNL测井曲线建立的预测方程来进行黏土矿物和硅质矿物相对含量的预测，预测方程分别为

式中：DEN，w（U），CNL分别为归一化后的密度、铀、中子测井曲线值。

3.3 预测效果分析

通过上文所建立的预测方程，对测试集的矿物组分相对含量进行了预测，预测误差如图3 所示，整体预测效果较好。

硅质矿物含量的预测误差为-10.3%～12.6%，误差的平均值为1%，标准差约为5.0%。其误差整体符合正态分布特征，约69.27%的数据误差为-4.0%～6.0%，约95%的数据误差为-9.0%～11.0%。误差具体分布特征如图3（a）所示。

黏土矿物含量预测误差为-16.15%～13.4%，误差平均值为-1.9%，标准差约为5.4%。其误差也符合正态分布特征，约69.27%的数据误差为-7.3%～3.5%，约95%的数据误差为-12.7%～8.9%，误差具体分布特征如图3（b）所示。

考虑到w（黏土）相对、w（硅质）相对、w（碳酸盐）相对之和为100%，在利用上文预测方程计算出w（硅质）相对和w（黏土）相对之后，可推断w（碳酸盐）相对，再进行三角投点，即可识别岩相。岩相整体识别效果见图4，对于测试集的整体识别准确度达到77.8%，具体不同岩相的识别效果如表4 所列。

表3 拟合效果对比分析Table 3 Comparison analysis of fitting effect

图3 矿物相对含量预测误差分布Fig.3 Error distribution of mineral content prediction

据表4 可知，该方法对黏土质页岩相的识别效果最好，准确率达到94.1%，仅有1 个样点错误地识别为混合质页岩相；对于硅质页岩相的识别效果较好，准确率达到88.9%，有4 个样点错误地识别为混合质页岩相；对于混合质页岩相的识别效果一般，准确率为53.6%，有13 个样点识别错误，其中2 个样点错误地识别为黏土质页岩相，11 个样点错误地别为硅质页岩相。

对于页岩岩相划分，应当注意到其划分方案本身所存在的局限性，通过图2 可以看到，很多样点分布在混合质页岩相和硅质页岩相的界线处，界线附近的岩相物性相似，矿物组成相近，虽然预测方程对于矿物相对含量预测的准确率很高，但也会因为微小的误差，致使岩相识别错误。虽然对于整体岩相识别精度在统计学意义上为77.8%的准确率，但是在实际生产中该方法对于识别页岩岩相、找寻优质岩相段的意义要远超统计学上77.8%的准确率。

图4 测试集岩相识别效果Fig.4 Test set renderings of lithofacies identification

表4 岩相识别效果分析Table 4 Analysis of lithofacies identification effect

4 岩相识别约束——雷达图版识别岩相

通过上文分析，虽然利用矿物组分预测方程建立的岩相识别模型可以较好地识别出3 种岩相，但是对于硅质页岩相和混合质页岩相的识别不够精确，因此考虑从不同岩相的测井响应特征方面入手，利用各岩相的测井响应特征作为约束，提高岩相识别精度。依照这一思路，分别统计了不同页岩岩相归一化后的测井曲线特征如表5 所列。同时，为更直观地展现不同页岩岩相的测井响应特征，制作了箱线图（图5）。

不同的页岩岩相具有不同的测井响应特征，其测井数值平均值及数值主体分布区间都具有明显的差异性（表5，图5）。黏土质页岩相具有高DEN，CNL，K，KTh，低U，U/Th 的特征；混合质页岩相具有中DEN，U，CNL，K，KTh，U/Th 的特征；硅质页岩相具有高U，U/Th，低DEN，CNL，K，KTh 的特征。为了在雷达图上更好地反映3 种岩相的分布情况，使3 种岩相在图版上呈现出相互嵌套的关系，对各岩相归一化后的测井曲线的平均值做简单处理，分别用0.1 除以测井曲线U 和U/Th 的平均值，最后选取归一化后的DEN，CNL，K，KTh，0.1/U，0.1/（U/Th）等6 组曲线平均值进行投点，生成雷达图版（图6）。

表5 不同页岩岩相归一化测井曲线特征Table 5 Characteristics of normalized logging curves for different shale lithofacies

图5 不同岩相测井响应箱线图Fig.5 Logging responses boxplot of different lithofacies

由图6 可以看到，测井曲线经过简单处理后，硅质页岩相对应的测井曲线系列具有最小值，主体分布在图版中心，包含范围最小；混合质页岩相对应的测井曲线系列具有中值，主体分布在图版中部位置，范围较硅质页岩相大；黏土质页岩相对应的测井曲线系列具有最大值，主体分布在图版最外围，包含范围最大。利用该图版进行岩相识别时，只需将样本点所对应的进行过配套预处理的测井曲线数值投影到雷达图版上，根据其分布范围可识别其岩相，如果投点区域靠近黄线，则识别为硅质页岩相，如果投点区域靠近蓝线，则识别为混合质页岩相，如果投点区域靠近黑线，则识别为黏土质页岩相。

图6 岩相识别雷达图版Fig.6 Radar chart of lithofacies identification

结合表4 的识别效果，对雷达图版的识别能力进行了验证。如图7 所示，将测试点所对应的测井数值投影到雷达图识别模板中（图中红线），对于大多数测试点，依据雷达图版可准确识别其岩相。图7 中（a）展示了3 种岩相在雷达图上的典型分布特征，测试点的岩相与图版有很好的匹配性。图7（b）展示了利用预测方程识别错误的岩相在雷达图版上能够准确识别。图7（c）展示了依然存在个别点不能通过预测方程和雷达图版进行准确识别，后续将针对预测方程和雷达图版进行相应的改进工作。

图7 雷达图版岩相识别效果（a）3 种岩相测井曲线典型分布特征（a1.混合质页岩相；a2.硅质页岩相；a3.黏土质页岩相）；（b）预测方程识别错误，图版识别准确（b1.方程识别为黏土质页岩相，实际为混合质页岩相；b2.方程识别为硅质页岩相，实际为混合质页岩相；b3.方程识别为硅质页岩相，实际为黏土质页岩相）；（c）图版法不能准确识别（c1.图版法识别为硅质页岩相，实际为混合质页岩相；c2.图版法识别为混合质页岩相，实际为硅质页岩相；c3.图版法识别为黏土质页岩相，实际为硅质页岩相）。（注：图中红线代表测试点的测井响应特征）Fig.7 Radar chart effect of lithofacies identification

综上所述，雷达图版既能准确识别岩相，又能对预测方程识别错误的岩相进行纠正，整体来看，识别精度较高。若将2 种方法综合起来，如果预测方程识别的岩相和雷达图版识别的岩相一致，则说明对于岩相的识别是准确的，对于两者识别不一致的地方，则应根据其他地质信息进一步分析探讨其可能的岩相，或通过实验室测试进行识别。虽然本文的方法不能完全准确识别页岩岩相，但在一定程度上能够很好地识别出优质岩相（硅质页岩相、混合质页岩相），指导实际勘探，并能够降低生产成本。通过对比其他学者的研究成果，本文所提岩相识别方法的优点在于，既能预测组成页岩的黏土矿物、硅质矿物相对含量的多少，同时通过将预测方程定量识别岩相和雷达图版定性识别岩相结合起来，通过双重约束，对于具体识别结果的准确性有所把握。