页岩气地质评价智能化的应用与展望

郎 岳 张金川 王焕第 武向真李谦超 王东升 李兴起 陈世敬

（1. 中国地质大学（北京）能源学院，北京 100083；2. 自然资源部页岩气资源战略评价重点实验室，北京 100083；3. 非常规天然气能源地质评价与开发工程北京市重点实验室，北京 100083；4. 石油工业出版社有限公司，北京 100011）

0 引 言

地质科学与油气勘探工作由于评价对象的复杂性、数据来源的多样性，通过早期的描述性研究得到的结果往往不能精确量化。近些年随着大数据和人工智能技术的应用，结合计算机GPU 性能的提高，油气藏评价相关数据的算力问题基本得到解决［1］，拓宽了人工智能在地质学领域的应用空间和发展前景［2］。例如在数学算法方面，可以利用POR 程序和BP 网络对测井、地震数据进行编译和解释，以及井下事故判别等（AGENT 协同工作系统）［3］；利用人工神经网络（ANNS）识别矿物类型和矿产分布［4‐7］；将监督式学习应用于矿产勘察和制图（MPM）领域，利用多源地学大数据信息图像化基本特征诊断与最优模式识别分类等技术成功实现远程地质精细填图［8］，并优选出随机森林机器学习算法进行岩性分类和矿物勘探制图［9‐10］；还有通过受玻尔兹曼机法（RBM）及多卷积自动编码器方法识别多维地球化学异常现象等［11‐13］。

不同于常规油气藏，页岩气富集与成藏的特殊属性需要更强的地质逻辑分析能力和地质数据处理手段来评价，这无疑为其地质评价工作增加了难度。另外，页岩气作为新矿种，除了新区普查外还需要对老区进行复查，不同领域、不同类型、不同时空、不同精度的海量数据混杂，仅仅依靠人为手段，不仅耗时耗力，还存在效率低下，甚至遗漏、重复以及无法发现隐藏信息的问题。尽管大数据和人工智能（AI）为许多地质应用提供了新的方法和机会，但现阶段成果多聚焦于数据收集整理与统计解释或图像识别与形成，在油气藏勘探评价和资源预测应用上仍处于探索阶段。在技术手段越来越发达、数据类型及数量越来越繁多、评价范围越来越广泛的今天，反应更为灵活、处理速度更快、信息挖掘更深的页岩气智能化评价手段亟待进一步发展。据此，本文在机器学习数学原理的支撑下，利用精密仪器与智能软件，从“定量数据获取精度、资源量计算方法优选、地质参数信息挖掘”3 个方面入手，优化并建立了页岩气地质评价的研究内容、技术手段与操作流程，以期达到提高评价结果可信度，推进页岩气综合地质评价智能化的目的。

1 页岩气地质评价流程与技术

地质评价是根据已掌握的资料，依据一定的理论指导，通过一定的途径和方法，给出针对研究对象的带有推测属性的勘探开发指导意见，它是一项随勘探进展而不断深化的工作。页岩气地质评价主要针对页岩生气能力、储气能力、页岩气保存条件和页岩气可采性4 个方面展开研究。在相似性、相关性及含油气系统理论等思想指导下，通过野外露头观察、岩心分析、流体分析、实验测试等技术手段，结合钻井与录井、测井、地震等数据资料，利用因子分析、层次分析、模糊综合等数学算法，对页岩地质特征及页岩气生成与富集条件方面的相关参数进行单项和综合评价［14‐15］。

1.1 野外露头观察

在前人野外调查工作报告和不同形式的专题研究报告解读的基础上，利用区域地质调查图和GPS定位手持机寻找研究对象的优质露头，借助航遥、卫星等了解地貌地势和自然地理等情况，合理规划野外区调路线，标定最优质、最典型的地质剖面。通过罗盘读数与手标本观察，确定地层岩性（硬度、密度、粒度、矿物组分等）、分层标志（岩性变化、接触关系、古生物化石等）、风化程度（颜色、破碎程度等）、含烃程度（油苗、气苗、沥青胶质等）、构造样式（褶皱、断层、节理/裂缝/劈理、矿脉与蚀变）。初步掌握富有机质页岩形成的构造背景和沉积环境。

1.2 目标层系精细刻画

结合野外地质剖面与已钻探的参数井或已被证实的生产井，配合重磁电技术、二维或三维地震勘查技术、微地震检测技术及测井评价技术，精细刻画目标页岩层系的发育与分布特征。包括明确垂向上的厚度变化及岩性互层、横向上的页岩连续性；利用Resform、Landmark、双狐、Petrel 等软件识别构造单元与构造样式，如地层褶曲形态，断裂性质、规模与密度，微幅度构造等，在层序地层学的理论基础上，利用小层或古生物对比划分沉积微相；配合2DMove、3DMove 等建立构造及古地理岩相的动态演化历史。

1.3 多类型参数测定

在掌握了富有机质页岩发育的宏观地质背景下，可通过实验测试得到目标样品的岩石物理、储层物性、地化及含气特征等相关数据。包括使用单轴实验、三轴实验或点载荷实验确定岩石的抗拉、抗压及抗剪强度；利用X 射线衍射（XRD）、X 射线荧光光谱（XRF）、扫描电镜矿物定量评价（QEMSCAN）、热重分析、光学显微镜等分析全岩及黏土矿物组分、胶结物类型与期次等；通过湿法氧化/高温催化燃烧氧化/紫外氧化―非色散红外探测（NDIR）、电导法、臭氧氧化法和ΔlgR法计算总有机碳含量（w（TOC））；有机质热成熟度则可由镜质体反射率（中―低成熟度）、沥青反射率（高―过成熟度）、热变指数（TAI）、生物标志化合物成熟参数等（甾烷、藿烷等）确定；在镜检下确定有机质类型；利用红外光谱或气相色谱厘定气体组分。孔渗较低的致密储层、页岩的孔隙类型、孔缝结构及孔径分布等是当前研究的重点与热点，常用技术有电子显微镜（SEM、FIB、BEM 等）、CO2及N2吸附、高压压汞、伍德合金充注等；而地层流体的类型与矿化度，以及变质系数、脱硫系数等则常被用来判断含气页岩系统的封闭性。

1.4 甜点区及有利层段优选

在明确参数分布特征的基础上，用层次分析［16］、多因素递进叠加、模糊综合评判［17］、突变评价［18］、模糊优化分析［19‐20］、双因素控制等方法或模型优选纵向上的有利层段和平面上的甜点面积。它们相互独立、各有特色、各有适用性和局限性，多种方法交叉渗透、相互验证，需根据实际地质情况灵活应用，以作出最优选择。

1.5 资源量及地质储量计算

最后在选定的有利区或甜点区内开展资源量及地质储量计算。目前，能够运用于页岩气资源量计算的方法有很多，基于方法原理与计算准则可划分为类比法、成因法、统计法、综合法4 类主导方法。当目标含气页岩各项指标达到资源量起算条件后，就需要根据页岩气富集与成藏的地质背景、机理和模式，选取不同的计算方法。

2 页岩气地质评价智能化的实现

页岩气形成与富集成藏受盆地类型与规模、构造形态与演化、沉积环境与相态、储层物性与地化特征等多项地质条件约束，部分参数以文本或图像的形式出现而使其难以被定量化评价，甚至会因为没有统一的量化标准而导致不同评价机构或学者的地质认识相差甚远。资源量计算是页岩气地质评价中最重要、最富挑战性的工作，而量值的准确度则取决于资源量计算方法的选择、参数的获取和处理。本文主要从“定量数据的获取、计算方法的优选、定量数据的处理和地质参数的综合评价”4 个方面讨论页岩气地质评价智能化的实现（表1）。

表1 页岩气智能地质评价的内容与方法Table 1 Contents and methods of intelligent geological evaluation of shale gas

2.1 定量数据的获取

根据是否可参与资源量计算，将页岩气地质勘探评价相关参数划分为“直接参数”和“间接参数”，不同类型参数的单位与获取手段不同，导致数据分布的维度及误差范围不同，在此，以直接参数“总含气量”为例开展数据获取智能化的讨论。

中国地质大学（北京）张金川教授的团队，在掌握了页岩气赋存状态、含气结构及吸附—脱附—扩散等动态变化特征的基础上，自主研发的“高温型页岩含气量解析仪及智能评价系统”（图1），因其具有直接、快捷、廉价、可信的优点，目前已在生产实践中得到了广泛使用。

图1 页岩含气量获取的智能评价系统流程示意Fig.1 Schematic diagram of intelligent evaluation system workflow for shale gas content calculation

甲烷等气体随温度变化而逐渐脱附，在此过程中，解析仪将自动记录不同时间节点下的解吸气量（气体体积）和温度，并根据大气压力校正，之后选择合适的回归模型自动计算出损失气量。该仪器不仅提高了数据收集速率，还在很大程度上降低了理论计算和实验测试带来的系统误差，提高了数据获取精度。

另外，气体含量变化所呈现的“三段式”脱附曲线对计算页岩气游吸比、推测可采系数也具有重要的作用［26］。

2.2 计算方法的优选

中国富有机质页岩沉积类型多、地质时代长、发育层位广、分布面积大，奠定了中国页岩气资源具有地质背景复杂、热演化程度变化大、含气性变化快、地质资源量丰富的特点，同时不同类型页岩气资源富集成藏的特殊性也制约了资源量或储量计算方法的选择。

海相页岩具有纵向上连续厚度大，平面上非均质程度较低，w（TOC）多分布在2%~10%，均值为4%（图2（a）），是目前中国页岩气勘探的重点层位。但其热演化程度高，Ro平均达3.3%，多数大于4%（图2（b）），使得成因法在该类型页岩气资源中的适用性较差，同时南方大部分地区的复杂构造背景增加了采用体积法或评价单元划分法来计算资源量的合理性，如果有开发资料，也可以选择物质平衡法、递减曲线法或FORSPAN 法。陆相页岩具有发育地层时代新、构造背景相对稳定、油气成藏富集规律明显等特点［27‐28］，相关地化数据显示w（TOC）值相对集中在2%~5%，但总体上其热演化程度较低，Ro<1.5%。若勘探程度低，优先选择成因法和类比法；若勘探程度较高，则可选取概率体积法和油气藏规模序列法。海陆过渡相页岩沉积于频繁变化的水体环境，导致其在平面上具有相变快，纵向上页岩单层有效厚度薄、地层岩性组合复杂同时存在砂泥煤灰互层等特点。较高的热演化程度Ro为2.5%~3.5%，同样不符合成因法的使用条件，而w（TOC）数据较强的非均质性（2%~70%）则要求了垂向评价单元划分的必要性，从而进一步决定了在计算海陆过渡相页岩气资源量时应优选概率体积法和有效厚度含气量类比法。

图2 海相、陆相、海陆过渡相富有机质页岩w（TOC）和RoFig.2 w(TOC)and Ro organic-rich shale in marine,continental and marine-continental transitional facies

2.3 定量数据的处理

面对以指数增长的海量地质数据，传统的人工方法手段在参数收集处理方面，往往难以体现出较高的时效性（处理速度与方法）和准确度（来源、数量与质量）。而作为人工智能核心内容的机器学习，则是应对数据超常增长和开展数据信息挖掘的重要选项，是使计算机具有智能性的根本途径［29‐31］。在利用已掌握数据进行地质勘探评价前，应对参数进行“多层次弱信息化”的拆解，避免重复使用具有相同功能的参数，从而降低评价与计算的复杂性。针对具有“多源异构”特征的地质参数，聚类分析技术能够以相似距离为基础，将数据划分为不同的簇，在保证同簇内数据相似性的同时，尽可能扩大不同簇间的数据差异性。

对于没有页岩气勘探评价相关资料的空白区域，则可以利用无监督学习，以相似区块内数据所呈现出来的地质认识作为约束，去假设数据可能存在的统计学特征并建立预测模型，随后据此对各类参数进行概率赋值，最大程度上克服了参数的不确定性，保证了评价结果的科学合理性。目前，中国地质大学（北京）张金川教授的团队已经根据该逻辑与技术，以蒙特卡洛原则为核心研发了相对成熟且应用广泛的概率赋值软件。另外，在面对多种常用的统计学方法时应借助智能化软件优先判断数学模型的合理性和拟合优度。以南方上扬子地区四川盆地周缘下古生界海相含气页岩的高氮气含量数据为例，部分学者将w（TOC）与w（TN）（总氮含量）拟合后发现存在无机氮过量现象（y 轴截距较大）［32‐36］。

本文在收集全球范围内的不同类型富有机质页岩相关数据［37］并整理后发现，原始数据线性回归方程为y=0.134 2x＋2.258 5，判定系数R2=0.594 7（图3（a）），但通过残差分析发现标准化后的因变量残差随标准化后的自变量w（TOC）变化趋势呈明显的反U 形（图3（b）），这说明因变量预测值残差不遵循正态分布，在此情况下线性回归模型不成立；而将数据取对数后，新回归方程为y=0.421 3x＋0.168 6，判定系数R2=0.590 2（图3（c））。虽然回归方程的拟合优度略有下降，但其残差分布图不存在显著的点位疏密差异（图3（d）），即线性回归模型具方差齐性，符合进行回归分析的基本条件，另外对数转后的成图可以看出，回归线基本上穿过坐标轴原点，说明不存在明显的无机氮过量现象。表明选择合适的数据处理方法，对准确掌握参数表征的地质信息具有一定的影响。

图3 w（TOC）与w（TN）的线性回归模型合理性判断（数据来自文献[37]）Fig 3 Judgment of rationality of linear regression model of w(TOC)and w(TN)(data from literature[37])

2.4 地质参数的综合评价

由于不同构造、沉积及地球化学环境的复杂性，控藏地质因素与气藏分布信息之间的映射关系通常以复杂的非线性形式存在［38］。传统地质研究中对于上述映射关系多以逻辑思维方式去定性分析推导，难以避免地质人员的主观性和本身知识结构的限制［39‐40］。此时依靠边界样本来构建分离曲线的支持向量机，来进行页岩气有利选区或资源丰度类比等工作。将已打井或已建产的区域用已知节点的方式标定，将其作为数据的训练集和测试集；再将节点细分为“见气”“产气”“不见气”3 类，把所有已知节点的80%划分为训练集，剩下的则纳入测试集，最后对页岩气成藏关键控制因素进行训练并建立预测模型（关键因素据不同地质背景变化确定）。该方法对数据量及整体性依赖程度较低，但当观测样本较多时，模型训练效率较低。

3 页岩气智能地质评价技术展望

对于数据可获取性的方便与快捷，可使用无人机配合VR 或AR 技术，以扫描的方式记录并识别更为全面的野外地质信息，不仅提高效率，还可消除由人为选取或测量引起的数据偏差；加大轻便、易于携带和可视化工具的研发力度，包括手持XRF、XRD、自动取心机以及可探测地下形貌的智能机器人与声呐技术等。另外可充分结合多学科多领域的知识与技术，保证数据来源的一致性与互补性，比如提高页岩总含气量测量仪器的密闭性、建立不同温压变化条件下的吸附—脱附预测模型、加入红外光谱实时测量气体组分与含量，真正达到样品“解吸、吸附及残余气量”原位计算的一体化，保证资源量计算最关键参数的准确度与可靠性。

数据的丰富性在AI 模型的训练效果中起着非常重要的作用［41‐43］，所以建立强大的数据系统，便于收集并对比不同地区、不同层系、不同时间与技术背景下、不同技术手段获取的数据，是实现油气资源智能评价的必经之路。一方面，在系统内直接对比不同来源数据的差异性与可用性，保证参数的多源互补性；另一方面利用AI 模型将现今数据与历史数据一起训练，给出预测数据的可信度。当下与未来，数据有效性、数据偏倚和模型可靠性都将成为研究重点［44］。一方面，通过智能化仪器的研发，进一步做到“无损、快速、全面、精准”的数据透视与获取；另一方面，通过智能化软件建立针对性、可动性更强的预测模型。

4 结束语

页岩气地质评价作为进一步计算和预测页岩气资源量的基础，其内容是否全面、流程是否完整、理论方法与技术手段是否合理与科学，均会在一定程度上影响评价结果的准确性与可信度。页岩含气量获取的智能化仪器规避了岩心在多次搬运过程中的气体损耗，消除了针对不同类型气体使用不同测试手段而产生的精度差异；页岩气资源评价系统软件通过剖析数学算式背后的原理，再结合参数分布特征优选出来的资源量计算方法，具有更强的针对性和合理性；依据随机森林、支持向量机、克里金差值等其他机器学习方法，可以通过预测和外推增加时空范围内地质资料的丰度，而背靠统计学和概率论的支撑，对数据进行分类、处理、解释和拟合得到的地质参数自然规律，可以用来借用斧正可能存在的地质认识主观偏差。

渗透到每一个工作环节的智能化评价思路、方法与手段共同提高了评价的科学性、客观性和可信度，最终为后期勘探部署工作提供了精准靶向。多学科、多领域、多技术的综合应用是解决油气勘探地质评价等复杂问题以及实现“智慧能源”的必要手段，而智能仪器和软件的不断发展无疑会为其提供更大助力，真正做到从单尺度到多尺度、从静态到动态、自浅入深、由陆向海，展开并循序渐进地完成页岩气地质勘探智能评价工作。