木里地区水合物及岩性测井识别方法.doc

木里地区水合物及岩性测井识别方法 覃瑞东 林振洲 潘和平 秦臻 邓呈祥 纪扬 徐伟 中国地质大学(武汉)地球物理与空间信息学院 中国地质科学院地球物理地球化学勘查研究所 摘 要： 木里地区由于断层、裂隙发育, 以及多种岩性都存在天然气水合物, 地质背景复杂, 导致各种岩性的测井响应特征复杂, 给天然气水合物及岩性识别带来一定的难度本文通过分析多口井水合物及岩性的测井响应特征, 利用直方图和交会图研究各种岩性在含天然气水合物或有水合物异常与不含天然气水合物时的测井响应的差异, 找出对水合物反映敏感的测井参数, 对该地区的水合物及岩性进行识别然后综合利用对天然气水合物响应明显的自然伽马 (GR) 、电阻率 (RT) 、声波时差 (AC) 和补偿密度 (DEN) 等测井曲线, 采用贝叶斯和BP 神经网络两种方法识别岩性识别结果与录井岩性吻合良好, 准确识别出了含水合物地层的岩性, 为木里地区寻找有利的天然气水合物储层提供了依据关键词： 木里地区; 天然气水合物; 测井响应特征; 岩性识别; 作者简介：覃瑞东 (1992-) , 男, 硕士生在读, 主要从事测井方法与解释研究工作Email:qinruidong@作者简介：潘和平 (1953-) , 男, 教授, 博士生导师, 主要从事测井与井中物探的教学和科研工作。

Email:panpinge@收稿日期：2017-09-08基金：国家 127 专项“天然气水合物资源勘查与试采工程”项目 (GZHL20110324, GZH201400305) Identification of hydrate and lithology based on well logs in Muli areaQIN Rui-Dong LIN Zhen-Zhou PAN He-Ping QIN Zhen DENG Cheng-Xiang JI Yang XU Wei Institute of Geophysics and Geomatics, China University of Geosciences (Wuhan) ; Abstract： The geological background in Muli area is very complex due to the well-developed faults, fractures and lithologic difference of gas hydrate-bearing formations, which makes it more difficult to identify the lithology with well logging data.Through the analysis of logging response characteristics, the differences between lithologic characters can be found so as to recognize the lithology that contains gas hydrate by utilizing histogram and cross-plot methods.According to natural gamma ray (GR) , resistivity (RT) , acoustic travel time (AC) , and compensated density (DEN) , which are sensitive to gas hydrate, the gas hydrate-bearing formation and lithology can be classified by using Bayesian discriminant and BP neural network.The identification results are consistent with the core data, the gas hydratebearing lithology is recognized accurately, which can provide some reference for the exploration of gas hydrate.Keyword： Muli area; gas hydrate; well logging response characteristics; lithological identification; Received： 2017-09-080 引言天然气水合物 (natural gas hydrate) 是在低温高压条件下自然产生的一种白色结晶状固体物质, 主要由水分子形成的众多笼形结构以及结构内所包含的天然气分子 (大部分为甲烷) 所组成, 主要分布于海底沉积物和陆域永久冻土带中[1]。

作为一种主要的新能源和化石燃料的替代品, 天然气水合物已经得到越来越多的关注, 其全球储量估计达到 2.1×10m, 相当于常规的煤、石油和天然气总和的两倍[2]自 1967 年俄罗斯科学家首次在极地永久冻土带发现天然气水合物后, 又陆续在世界各处的许多高纬度地区发现了天然气水合物[3]我国的青藏高原和大兴安岭地区存在大片冻土区, 经学者研究具备较好的天然气水合物形成条件, 并于 2008 年 11 月 5 日在祁连山木里地区的 DK-1 钻孔133.5~135.5 m 层段首次获得水合物样品, 之后又陆续获得了更多的水合物样品, 这也是首次在中纬度地区的冻土带发现天然气水合物[4]地球物理测井是一种能够有效地识别和评价天然气水合物的方法, 除了根据高电阻率和高声波时差来识别水合物外, 也可以根据测井数据定量计算地层的孔隙度和含天然气水合物的饱和度, 从而做出相应的评价[5-7]例如 Alaska 北坡的 664~677 m 地层的地球物理测井数据包括井径、自然伽马、自然电位、电阻率、声波时差和中子孔隙度, 与相邻地层相比, 都具有很明显的含水合物的特征[8]曲璐等人采用交会图技术对木里地区的岩性进行识别和划分[9]。

林振洲等人根据岩心测试数据, 得到了适合木里地区的孔隙度计算公式和水合物饱和度计算公式[10]目前用于岩性识别的方法可分为线性识别法和非线性识别法两类线性识别法有贝叶斯识别、Fisher 识别等多元统计方法, 如刘秀娟等人使用多元统计方法建立识别函数对岩性进行识别[11-12];目前常用的非线性识别方法包括各种神经网络和支持向量机[13-14], 如张洪等人通过 BP 神经网络, 利用测井数据进行岩性识别[15];牟丹等人通过分析火山岩岩石测井数据的组合响应特征, 采用支持向量机 (SVM) 方法进行岩性识别[16]由于木里地区水合物赋存于多种不同岩性的地层内, 使其测井响应特征变得复杂, 从而加大了水合物及岩性识别的难度[17]笔者在前人研究基础上, 进一步研究和总结了天然气水合物的测井响应特征, 综合利用多条测井曲线进行识别并选取步骤简单但识别效果好的贝叶斯识别和 BP 神经网络识别两种方法进行岩性的识别与划分, 将识别结果与实际地层对比, 得到天然气水合物储层识别的方法, 从而为该地区的水合物和岩性识别提供参考1 地质概况本文的研究区域位于青海省天峻县的木里煤田聚乎更矿区 (图 1) , 属于青藏高原北部的祁连山冻土区[18]。

祁连山脉分布着众多侏罗纪小型含煤盆地, 共同构成了祁连山含煤盆地群, 其内广泛发育的多年冻土层呈岛状分布, 平均厚度 80 m南祁连盆地位于祁连山内冻土区的中南部, 可细分成五个次级坳陷, 而木里坳陷的勘探前景最好, 其分布有四套烃源岩, 分别为侏罗系暗色页泥岩、上三叠中统尕勒得寺组暗色泥岩、下二叠统中草地沟组暗色灰岩、石炭系暗色泥 (灰) 岩祁连山的冻土区内具有的气源条件良好, 比较有利于天然气水合物的形成[19]地形上, 研究区在总体上的特征为东低西高、南高北低, 位于4 026~4 128 m 的高海拔区域内, 通常其冻土层的厚度在 60~80 m 之间在研究区内除有第四系地层出露外, 还主要有中侏罗统江仓组 (J 2j) 与木里组 (J2m) , 主要岩性见表 1[20]木里地区所发现的天然气水合物均位于冻土层之下, 赋存层位主要为中侏罗统江仓组, 主要储集层段为 133.0~396.0 m 的区间主要储集在粉砂岩、油页岩、泥岩和细砂岩等致密类型的岩石中储集层段受到多期构造运动和断层系统的影响, 岩石裂缝较为发育构造活动、较粗岩性地层分布以及冻土层地温和岩性是控制水合物层分布的主要地质条件。

其中, 断层是最主要控制因素, 主断层可作为主要气源和流体通道, 小断层和破碎带可作为水合物部分流体来源及储存空间木里地区天然气水合物有两种可能的产出方式:一是裂隙型天然气水合物, 主要以薄层状、片状、团块状赋存于粉砂岩、泥岩、油页岩的裂隙中, 单层厚度仅数毫米, 肉眼可观测;二是孔隙型天然气水合物, 主要以浸染状赋存于细粉砂岩的孔隙中, 肉眼难以观测, 但可通过岩心中不断冒出的气泡和水珠, 或者红外测温中的分散状低温异常来推测或证实这类水合物的存在裂隙型天然气水合物为木里地区最主要的天然气水合物赋存类型但不论是明显的水合物实物还是异常现象, 均主要见于断层发育、岩性较粗的层段, 表明相对较粗的岩性更利于水合物的形成和存储由于研究区域内地质构造复杂、断裂发育、岩性变化较大, 加之水合物赋存状态复杂, 加大了该地区水合物及岩性识别的难度, 也使得各钻孔间天然气水合物层的横向对比困难[21]图 1 聚乎更矿区主要构造及井位分布 (根据文献[20-21]) 下载原图表 1 研究区域内江仓组和木里组岩性 下载原表 2 识别方法2.1 贝叶斯识别贝叶斯的基本思想是:假定对所研究的对象在抽样前已有一定的认识, 常用先验概率分布来描述这种认识, 然后基于抽取的样本再对先验认识作修正, 得到后验概率分布, 再基于后验概率分布作各种统计判断, 将贝叶斯统计的思想应用于识别分析, 就得到贝叶斯识别方法。

假设共有 M 种岩性, 共有 N 个样本, 每种岩性有 Ni个样本, 每个样本有 K 个测井参数当每种岩性均服从正态分布时, 识别方法就有所不同, 此时贝叶斯识别算法分为两步:在学习过程中, 利用已分类的学习样本, 采用贝叶斯算法建立识别函数;在预测过程中, 利用识别函数对样本数据及待识别数据进行分类重新排列 N 个样本, 并将所有的 N 行样本数据按岩性分为 M 组, 并依岩性类别组号次序重新排列为:i=1, 2, …, M;j=1, 2, …, Ni;k=1, 2, …, K;然后计算各组地质参数的平均值以及协方差矩阵的逆矩阵:其中 k1=1, 2, …, K;k2=1, 2, …, K, 表示不同的测井曲线最后计算识别函数:yk表示待预测样本的第 k 个测井值, 识别函数系数矩阵 C 中:式 (5) 是贝叶斯识别算法的分组公式, 其计算结果的最大值所对应的 i 值即学习样本数据或待识别数据的预测岩性组号因此, 这个公式既可以计算学习样本数据的拟合度, 又可预测待识别数据的分组值计算学习样本数据的拟合度只需将每个样本数据 Xijk回代入 yk中, F i中最大值所对应的 i 值即为所预测的岩性类别, 将计算的 i 与实际的 i 值进行比较, 就可以得到拟合误差, 反映学习样本过程中的拟合度。

预测待识别数据的分组值时, 将 yk代入式 (5) , 计算出 Fi中的最大值所对应的 i 即为预测的岩性类别如果有地质录井或人工识别的地层资料, 就能将计算的 i 与实际的 i 进行比较, 得到预测误差, 反应预测过程中的精确度2.2 BP 神经网络人工神经网络只需通过自身的训练, 在给定输。