高热演化页岩总有机碳地球物理预测方法研究进展_卢妍欣.pdf

2023 年第 38 卷 第1期2023，38(1):0229-0241地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P卢妍欣，包书景，周志，等 2023 高热演化页岩总有机碳地球物理预测方法研究进展 地球物理学进展，38(1):0229-0241，doi:10 6038/pg2023GG0212LU YanXin，BAO ShuJing，ZHOU Zhi，et al 2023 esearch progress of geophysical prediction methods for total organic carbon in high-thermal evolutionshale Progress in Geophysics(in Chinese)，38(1):0229-0241，doi:106038/pg2023GG0212高热演化页岩总有机碳地球物理预测方法研究进展esearch progress of geophysical prediction methods for total organic carbon inhigh-thermal evolution shale卢妍欣1，2，包书景2*，周志2，李飞2LU YanXin1，2，BAO ShuJing2*，ZHOU Zhi2，LI Fei2收稿日期2022-06-22;修回日期2022-11-08投稿网址http:/www progeophys cn基金项目中国地质调查局地调项目“南方盆地页岩气调查评价”(DD20221653)资助第一作者简介卢妍欣，女，1999 年生，硕士研究生，研究方向为非常规油气地质理论与评价 E-mail:luyanxin99420126 com*通讯作者包书景，男，1964 年生，正高级工程师，博士生导师，研究方向为非常规油气地质与选区评价 E-mail:bsj6477126 com1 中国地质大学(北京)，北京1000832 中国地质调查局油气资源调查中心，北京1000831 China University of Geosciences(Beijing)，Beijing 100083，China2 Oil and Gas esources Survey Center，China Geological Survey，Beijing 100083，China摘要我国南方高热演化页岩是页岩气增储上产的主力军，其有利区优选是页岩气勘探开发的首要环节有机碳含量(TOC)是评价页岩生烃潜力最为关键的指标，可以直接影响有利区决策 为探究不同地球物理方法在高热演化页岩(o2 0%)TOC 预测中的适用性，通过文献调研系统地归纳了总有机碳含量(TOC)地球物理预测方法原理与技术流程，结合高热演化页岩地质特征与相关钻井实例应用分析，对比不同方法预测精度并分析适用性 研究表明:高热演化页岩以生干气为主且其层间缝与粒间孔占比少，其电阻率与声波时差更低，log 法不适用其 TOC 预测 体积密度测井法预测精度较低，地震多属性反演法精度也不高，且操作复杂、多解性很强 实验-测井-地震联合反演方法预测效果相对较好，是获取三维 TOC 数据体的最可靠的方法 测井、地震资料不足时，自然伽马测井法可以实现TOC 粗估;资料丰富时应当优先选取计算精度最高的机器学习法，其次为多元线性回归法 各方法由经验判断向数理统计判断、由地质驱动向数据驱动、由单因素模型向多因素模型发展，未来可进一步建立高演化页岩 TOC 数据库实现高效准确的 TOC 智能预测AbstractThe high-thermal evolution shale in SouthChina is the main force of increasing shale gas reserves andproduction，whose favorable region optimization is theprimary part of exploration and development Total OrganicCarbon(TOC)can directly affect the decision-making offavorable areas，which is the most critical index to evaluateshale hydrocarbon generation potential The aim of thisstudy is to illustrate the applicability of various geophysicalTOC prediction methods in high thermal evolution shale(o0 2%)Basedoncomprehensiveliteratureresearch，thispapersummarizestheprincipleandtechnical process of TOC geophysical prediction methodMeanwhile，combine with the geological characteristics ofhigh-thermal evolution shale and the application analysisbetween two drilling examples，compare the predictionaccuracy and analyze the applicabilityThe researchsuggests that the high-thermal evolution shale is mainlygenerates dry gas，with small proportion of interlaminarseams and intergranular pores Therefore its resistivity andacoustic time are lower，so the log method is notsuitable for its TOC prediction The prediction accuracy ofbulk density logging method is low，accuracy of seismicmulti-attribute inversion method is of the same，which hascomplex operation and multi-resolution The experiment-logging-seismic joint inversion method，which is the mostreliable method to obtain 3D TOC data volume，has arelatively good prediction effect When logging and seismicdata are insufficient，natural gamma logging method canrealize TOC rough estimation;When the data is abundant，the machine learning method with the highest calculationaccuracy should be selected first，followed by the multiplelinear regression method Each method has developed fromempirical judgment to mathematical statistical judgment，地球物理学进展www progeophys cn2023，38(1)关键词高热演化页岩;总有机碳(TOC);地球物理预测;机器学习法中图分类号P631文献标识码Adoi:10 6038/pg2023GG0212from geological driving to data driving，and from singlefactor model to multi factor model In the future，TOCdatabase of highly evolved shale can be further establishedtoachieveefficientandaccurateTOCintelligentpredictionKeywordsHigh-thermal evolution shale;Total OrganicCarbon(TOC);Geophysicalpredictions;Machinelearning method0引言我国南方地区自震旦系至古近系发育十多套富有机质页岩(邹才能等，2021)，页岩气资源潜力巨大，目前已经在四川盆地及其周缘地区古生界实现了商业开发 页岩气勘探开发过程中，页岩质量评价是优选有利区、目标区的关键，一般采用有机质丰度、类型、热成熟度、脆性矿物成分、储集物性等指标综合评价优选(肖正辉等，2015)其中，有机质丰度是评价页岩生烃潜力最为直接和关键的指标，主要通过总有机碳含量(TOC)、氯仿沥青“A”含量、总烃(HC)含量和岩石热解生烃潜力(S1+S2)参数来评价，最为常见及广泛应用的衡量标准便是总有机碳含量(TOC)目前由岩心样品实验测试页岩总有机碳含量(TOC)技术已较为成熟，但是其耗时较长、价格昂贵、费时费力，只能获得离散的样品实测值(黄仁春等，2014)且由于页岩的分布往往具有一定的非均质性，钻井取心总是有限的，而岩屑往往代表的是某一深度段的综合岩性，其分析结果代表性不强(高岗和黄志龙，2007)另外，受沉积环境约束，不同类型页岩层段岩石组成、有机质类型存在差异，岩心/岩屑样品离散值难以反映该目标地层的总有机碳含量(TOC)纵向分布情况，进行横向预测就更加困难(Amosu et al，2021)这必将对页岩层段的页岩有机质丰度整体评价结果产生重要影响 在常规油气勘探的总有机碳含量(TOC)预测中，前人利用测井资料、地震等资料，提出了如何利用离散的实验测试值预测连续 TOC 的方法，如自然伽马测井法(陈中红等，2004;王方雄等，2002)、体积密度测井法(Yu et al，2017)、log 法(Passey et al，1990)、多元线性回归法(徐仕琨等，2020)、地震响应震多属性反演法(金吉能等，2012;刘军等，2012)等 但上述预测方法主要针对中新生代低成熟-成熟陆相泥页岩，在低热演化页岩的 TOC 预测中表现出普遍的适用性 而我国页岩气勘探开发主体是古生界高热演化海相页岩，该类页岩热成熟度(o)主体介于2 0%3 5%，整体处于高成熟-过成熟阶段(张金川等，2021)学者们将低成熟-成熟泥页岩中的 TOC预测方法应用于高热演化页岩，各方法表现出不同的适用性，但并未有系统的总结归纳，为提高高热演化海相页岩 TOC 预测方法的优选效率与预测精度，深入讨论并优选针对此类页岩的系统化、精准化的TOC 预测方法十分必要本文在大量文献调研的基础上，归纳了低热演化页岩总有机碳含量(TOC)地球物理预测方法原理与技术流程，结合高热演化页岩地质特征与相关钻井实例应用分析，对比分析了各技术方法在高热演化页岩中的应用特点与适用性，优选提出适用于高热演化页岩 TOC 预测方法，并提出未来预测研究趋势1预测方法目前烃源岩有机碳含量(TOC)地球物理预测方法包括自然伽马测井法、体积密度测井法、log法、多元线性回归法、地震多属性反演法、实验-测井-地震联合反演法以及机器学习法，根据使用数据资料不同，可以进一步划分为测井预测方法、地震预测方法及机器学习法，本部分详细介绍了各方法原理、发展历程及应用步骤1 1方法原理页岩属于黏土岩的一种，多呈深灰、灰黑、黑色，形成于安静、低能的深水沉积环境，如泻湖、海湾、海湖深水盆地等，这些深水的还原环境有利于有机质的富集和保存，因此，页岩中常含有数量不等的有机质(朱彤等，2012)放射性元素及其含量对沉积环境具有敏感的指示作用，一般情况下，在还原条件下富集铀，而在氧化环境中富集钍(董兰屏和庞巨丰，2009)，因此富有机质页岩伽马能谱测井显示出高铀、低钍特性 有机质本身导电性差导致了页岩高电阻率，有机质孔隙中的油、气进一步降低了其导电性(郝建飞等，2012)有机质中往往富含较高的氢原子，会表现出高中子孔隙度特征(闫建平等，2009)同时，有机质具有较低的声波传播速度，故页岩表现0322023，38(1)卢妍欣，等:高热演化页岩总有机碳地球物理预测方法研究进展(www progeophys cn)出较高的声波时差(张友源等，2018)，而页岩中的有机质密度较低，页岩的声波和密度特征直接影响地震波的波阻抗变化 总体而言，富有机质页岩的测井曲线表现为高自然伽马、高铀(U)、低钍(Th)、高电阻率、高声波时差、高中子孔隙度、低密度，而其所在地层的地震波则表现出空间可追踪的低频连续反射的特征(秦建强等，2018)基于以上地球物理特征响应，通过数理统计、经验公式等方法建立其与总有机碳的数理方程模型，最终可以反演得到连续的、高精度的 TOC 预测结果1 2测井预测方法测井预测方法包括自然伽马测井法、体积密度测井法、log 法、多元线性回归法自然伽马测井法以自然伽马能谱测井响应与有机质之间相关关系为基础(Fertl and ieke，1980;Supernaw et al，1978)，根据有机质页岩呈现的高自然伽马、高铀(U)、低钍(Th)与低钾(K)等特性，结合 TOC 相关性分析结果，建立放射性元素与 TOC的线性拟合模型(Wang et al，2019;Yu et al，2017)(式(1)，最后反演得到连续的 TOC 预测结果，该方法最早在美国伊利诺斯盆地泥盆纪新奥尔巴尼烃源岩层成功实践(Witkowsky et al，2012):TOC=A B+C，(1)其中 A 为待定系数，B 为铀(U)、钍(Th)、钾(K)、钍钾比(Th/k)、铀值与铀钾比值的差值(U U/K)等放射性元素或其组合，C 为常数 该方法在稳定的连续低热演化页岩沉积层中应用效果较好，若岩层中偶夹砂泥岩薄层、粉砂岩透镜体或存在其他构造变形，均会大幅降低预测精度甚至无法满足粗估要求同时，如有必要可以进一步分析有机质类型、矿物组分及含量等相关地球化学、沉积过程以及构造活动等，提高预测精度除了自然伽马能谱测井响应异常，页岩密度与TOC 存在负相关关系(Schmoker，1979，1981)，体积密度测井法为关于密度与 TOC 的反比例模型，表达式为:TOC=D*E+C，(2)其中 D、E 为待定系数，为页岩密度，C 为常数 体积密度测井法比自然伽马测井法 TOC 预测精度更高，且密度可作为测井与地震的桥梁，反演得三维TOC 预测结果，故该方法在低热演化页岩 TOC 预测中应用最为普遍 同时，黄铁矿等重矿物和地层流体将降低有机质密度异常与 TOC 的相关性，剔除由重矿物引起的异常值并校正地层流体的干扰是提高预测精度的有效手段(黄仁春等，2014)log 法又称之为经验公式，依据声波时差与电阻率曲线重叠的幅度差计算 TOC，经过大量的研究应用，得到经验公式(式(3)、(4)(Passey et al，1990)log=lg(/基线)+0 02*(t t基线)，(3)TOC=log*10(2 297 0 1688*LOM)，(4)其中 和 t 分别为目标地层电阻率和声波时差，基线和 t基线分别为基线段电阻率和时差，热成熟度LOM(Level of Metamorphism)一般从镜质体反射率分析实验、埋藏史以及热史评价中得到(Fatahillah etal，2016;胡帮举，2016;Huang et al，2015;李鑫等，2016;杜江民等，2016;徐思煌和朱义清，2010)基线为:剔除油层、井壁垮塌段等干扰井段后，在深度范围内声波时差和电阻率完全重叠的部分(郝建飞，2012)log 法针对不同成熟度页岩建立模型，但极易出现误差 一方面，热成熟度需通过复杂地质热演化史分析;另一方面，基线依靠人为确定且声波时差与电阻率曲线无法完全重合，故热成熟度与基线难以确定 实际操作中更多的采用变系数或广义的log 法来提高计算精度，变系数的 log 法经验公式将热成熟度看成待定系数的变形(刘超等，2015)，表达式为:log=k*lg(/基线)+(1 k)*(t t基线)，(5)TOC=x*log+TOC(6)广义的 log 法经验公式则利用自然伽马曲线代替热成熟度(胡慧婷等，2016)，表达式为:log=lg(/基线)+0 02*(t t基线)，(7)TOC=(x*G+C)*log+TOC，(8)式中 G 为自然伽马曲线，TOC 为有机量背景值，x，k 分别为待定系数，C 为常数项，其他参照式(3)、(4)中参数意义 针对岩石成分复杂、结构组分差异较大且非均衡压实的页岩，目前通用的 log 经验公式进一步引入密度(Zhu et al，2019;季少聪等，2018;王祥等，2020;杨传超等，2019)，表达式为:log=lg(/基线)+0 02(t t基线)，(9)TOC=x*lg(G)+k*DEN+C*log，(10)式中 DEN 为地层密度，其他参照式(3)(8)中相132地球物理学进展www progeophys cn2023，38(1)关参数意义有机质丰度较高的低热演化页岩表现出高自然伽马、高声波时差、高电阻率、低密度的特征，还有其他的特征地球物理响应如高中子孔隙度等，多元线性回归法根据多个测井响应对 TOC 的贡献程度不同建立多元回归模型(式(11)，提高了 TOC 地球物理预测的可靠性(陈愿愿等，2021;贺聪等，2016;唐佰强等，2021)该方法包括岩石物理分析相关性以及回归系数的求取两个步骤，岩石物理分析是筛选目标层位相关性更强的测井参数，作为回归分析的主要贡献因子;回归系数的求取则一般通过最小二乘法确定 式(11)为:TOC=Ni=1Ai*Xi+A0，(11)式中 Xi为测井曲线，Ai为回归系数，Xi实际意义为测井响应对 TOC 的贡献程度，A0为常数 多元线性回归法步骤明确、预测效果好且数据依赖度不高，初始探区与成熟探区均适用 但也存在一定的局限性，不同地区不同时期低热演化页岩具有不同的沉积特点、构造保存条件、有机质类型、有机质成熟度等，故回归模型因子不固定且个数也不是越多越好(徐仕琨等，2020)，实际操作中需根据模型相对误差、绝对误差、相关系数大小修改多元回归模型中因子个数以及组合 具体应用时，要注意排除孔隙度低地层、欠压实地层、钻井液的干扰区、含水孔隙度高井段、超压实带等地层段，对数据进行标定与校准1 3地震预测方法地震预测方法包括地震多属性反演法以及实验-测井-地震联合反演法地震多属性反演法将地震资料处理解释后得到的数据体如频率、振幅、波形、相位、相关等与实测TOC 进行回归分析或神经网络拟合，建立数学模型(式(12)，最终反演得三维 TOC 数据体(李金磊和尹正武，2015;王梦等，2019，2021)包括三个关键步骤:地震资料处理与属性提取、优选属性组合、确定反演方法 式(12)为:TOC=Ni=1Bi*Yi+B0，(12)式中 Yi为地震属性，Bi为待定系数，Bi实际意义为个地震属性对 TOC 的贡献程度，B0为常数，Bi，B0可通过最小二乘法、神经网络训练等方法求得 地震多属性反演法适用于地震资料品质较好的稀井区(李松峰等，2014)，并且地震资料品质越好，地震处理方法越恰当，TOC 预测效果越好 地震属性的多样性导致该方法多解性很强，且属性选取尚未规律，故需重复实验、多次调参，最终选取最高精度模型(金 吉 能 等，2012;李 松 峰 等，2014;刘 军 等，2012);反演方法需根据属性数量、地震资料品质、预测精度需求等多次尝试选取，应用较多的反演方法包括“多项递进约束”反演(刘军等，2012)、多元回归与神经网络结合反演等(金吉能等，2012)与地震多属性反演法不同的是，实验-测井-地震联合反演法不单单进行地震响应的拟合，而是结合测井响应与实验测试数据的约束的系统化模型实验测试数据呈现离散的 TOC 真实数据点，测井曲线表示“纵向”上的连续地质响应，而地震资料反映三维空间上的展布情况，该方法是通过实验测试的TOC 控“点”、测井资料控“线”、地震资料控“面”联合反演 TOC，具体包括以下 4 个步骤:(1)地层综合评价:利用地质特征分析、实验测试分析、测井解释与地震资料处理评价目的层优劣程度;(2)岩石物理分析:筛选相关性更高的密度、纵横波速度、泊松比等可以搭建井震桥梁的属性;(3)多元回归:最小二乘法求取回归系数;(4)反演得 TOC 数据体:选取合适的反演方法(包括多项递进约束法、多元回归法、神经网络法等)，反演 TOC 该方法原始数据信息量损失大，精度有待提高，在使用中需提高井震标定准确度或探索更多的井震联系的桥梁以提高精度1 4机器学习法以上的模型普遍精度不高、泛化能力不强、受复杂岩性和环境因素的影响很大，随着人工智能的发展以及勘探开发资料的丰富，机器学习方法越来越多的被应用到石油天然气勘探和生产的方方面面在 TOC 预测中的应用中，支持向量机与主成分分析法(Amosu et al，2021)、神经网络以及其各类改进的组合算法、深度学习法等均被广泛使用和推广，并成功应用于国内外低热演化页岩(Wang et al，2018;Yu et al，2017;Zhu et al，2018a，b)机器学习是通过大量数据的学习、提取特征、信息识别与分类，对样本进行规律分析与处理的方法，常见的机器学习算法包括人工神经网络(ANN)、支持向量机(SVM)、贝叶斯(Bayes)、主成分分析(PCA)极限学习机(ELM)、粒子群全局优化算法(PSO)、深度学习(Deep learning)等 机器学习法一般包括 5 个关键步骤:(1)数据集的创建、预处理与分类(包括训练集与验证集);(2)设计网络结构(包括激活函数、节点个数等)，给定初始权值，使用训练集数据进行迭2322023，38(1)卢妍欣，等:高热演化页岩总有机碳地球物理预测方法研究进展(www progeophys cn)代训练;(3)使调整参数及网络结构，继续迭代训练，当预测输出值与期望值最接近时，训练过程停止;(4)用验证集数据检验模型精度;(5)使用模型，求取最终结果 机器学习法适用于实验、测井、地震资料丰富的低热演化页岩，其精度最高，随着人工智能的发展其计算也越来越简便，因此广泛应用于低热演化页岩的 TOC 预测TOC 地球物理预测方法在低热演化页岩的广泛应用中各自存在优缺点 机器学习方法精度最高、泛化型强且受岩性等影响小，但对数据依赖程度高、在缺乏资料的低程度勘探开发研究区使用难度大、建模复杂度高 多元线性回归法也适用性强、精度较高，但因子组合与参数调试工作量较大 同样参因子组合与参数调试工作量较大的地震多属性回归法可以反演三维 TOC 结果 体积密度与自然伽马测井法则操作简单，但分别受地层重矿物、高放射性矿物的影响 log 法经验公式也易上手，且可以避免孔隙度对测井响应的干扰，但基线与热成熟度的确定较难 各地球物理预测方法在低热演化页岩中的成功实践表明以上各方法尽管预测精度不一，但均较为适用，但不同地区、不同时期目的层页岩类型与成熟度不同，故原始数据的校准与标定、特征响应的变化分析及模型改进与优化需有针对性的进行调整2高热演化页岩地质特征我国富有机质页岩沉积形成主要受华北、扬子以及塔里木板块共同控制，可分为海相、海陆过渡相、陆相三大基本成因类型，多类沉积环境、多阶段构造演化控制有机质类型、丰度以及平面展布，但不同类型的富有机质页岩形成的主控因素不一 目前我国页岩气勘探开发重点集中在四川盆地及周缘地区的奥陶系五峰组-志留系龙马溪组海相页岩层，鄂尔多斯盆地三叠系延长组和松辽盆地白垩系沙河子组等地区的陆相页岩气勘探也在积极推进 但页岩气勘探开发的主体层系为古生界海相页岩，包括寒武系、奥陶系-志留系、泥盆系、石炭系、二叠系等 上述层系页岩分布范围广，厚度大，有机碳含量(TOC)大于 2%的富有机质页岩厚度一般为 10 30 m，有机质类型为腐泥型和偏腐泥型混合型，但一般埋深较大，深埋时间较长，页岩热成熟度(o)普遍较高，主体介于 2 0%3 5%，整体处于高成熟-过成熟阶段(张金川等，2021)，以生干气为主;脆性矿物含量一般都在 40%以上，黏土矿物含量少，可压裂性好;且经历多次复杂构造运动对储层产生的强烈的破坏，其 TOC 分布规律受构造沉积演化、生气成藏过程以及后期改造活动影响(郭旭升等，2015)高热演化页岩与低热演化页岩地质特征对比如表1 所示表 1高热演化页岩与低热演化页岩地质特征对比Table 1Comparison of geological characteristicsbetween high and low evolution shale特征高热演化页岩低热演化页岩沉积环境以海相为主以陆相为主密度较高较低热演化阶段o20%o20%产气阶段生干气阶段生油气混合阶段孔隙度有机孔缝发育层理缝和粒间孔发育，有机孔不发育渗透率较低较高导电性较好较差含油气饱和度含气性较高含油性较高高热演化页岩地球物理响应仍具有高自然伽马、高声波时差、高电阻率、高中子孔隙度、高铀、低钍、低密度、地震连续低频等特征，其地球物理特征响应及其影响因素参见表 2表 2高热演化页岩地球物理特征响应及影响因素Table 2esponses and influencing factors ofgeophysical characteristics of highly evolved shale地球物理响应影响因素响应特征测井响应密度有机质密度比岩石骨架密度低，有机质含量越高，页岩密度越小低声波时差孔隙度越高，声波时差越高高电阻率有机质干酪根为不溶性、高电阻化合物，有机质含量越高则电阻率越高高自然伽马有机质中腐殖质对放射性元素的吸附作用越强，放射性元素越多，自然伽马值越高高中子孔隙度有机质含较多的氢原子高铀(U)还原环境下沉积高钍(Th)氧化环境下沉积低地震响应速度有机质声波速度比岩石骨架低低频率受地层吸收衰减的影响连续低频与低热演化页岩相比，高热演化页岩经过长时间的埋藏压实所以密度更高 部分复杂构造区海相页岩电阻率受到构造改造影响，电阻率值高且变化快，但富有机质页岩(TOC 1 5%)热成熟度越高，332地球物理学进展www progeophys cn2023，38(1)图 1鄂丰地 1 井五峰-龙马溪组页岩 TOC 预测结果Fig 1TOC prediction results of Wufeng-Longmaxi Formation shale in well Efengdi 1超过一定程度后由于页岩碳化现象导致电阻率降低，这一现象在南方海相高热演化页岩中广泛存在(侯宇光等，2021;王玉满等，2022)同时，层理缝和粒间孔发育少，有机孔发育，因此渗透率更低、声波时差有所降低 总的来说，高热演化页岩的地球物理特征响应与低热演化页岩相比，声波时差与电阻率明显降低，密度变高3应用实例分析本文以鄂丰地 1 井五峰组-龙马溪组以及柴页 1井侏罗系泥页岩为例开展 TOC 预测 鄂丰地 1 井位于武陵山复杂构造带北端，目标地层五峰组-龙马溪组为一套海相高演化页岩(1460 00 1535 74 m)，O值为 2 09%2 26%，平均值为 2 18%，岩性为黑色硅质、炭质页岩 柴页 1 井位于柴达木盆地北缘，目标层侏罗系大煤沟组(1901 00 2180 00 m)为一套低热演化页岩，O为 0 35%1 52%，平均值为0 92%，以黑色碳质泥岩为主，含少量褐黑色油页岩2 口井目标层泥页岩实验测试 TOC 与部分测井响应如表 3 所示表 3鄂丰地 1 井与柴页 1 井目标层段测井响应特征Table 3Logging responses of well E-fengdi 1and well Chaiye 1鄂丰地 1 井柴页 1 井最小值 最大值 平均值 最小值 最大值 平均值密度/(g/cm3)2022742 58204240228声波时差/(s/3048 cm)576190107064218 23 40855 305 53电阻率/(m)135832259735172442571484实验测试 TOC/%0114601340308812 04表 4各方法误差统计Table 4Error statistics for each method鄂丰地 1 井柴页 1 井相关系数平均绝对误差/%平均相对误差/%相关系数平均绝对误差/%平均相对误差/%自然伽马法049583452240 29672566 33广义的 log 法023631167990 72569358 16变系数的 log 法035614463320 73555458 42体积密度法036602553530 27496649 74多元线性回归法070494447150 83401240 42神经网络法09810078 86099212017374322023，38(1)卢妍欣，等:高热演化页岩总有机碳地球物理预测方法研究进展(www progeophys cn)图 2柴页 1 井大煤沟组泥页岩 TOC 预测结果Fig 2TOC prediction results of mud shale in Dameigou Formation of well Chaiye 1利用测井预测方法以及机器学习法开展鄂丰地1 井及柴页 1 井的 TOC 预测(图 1 和图 2)，分析误差(表4)结果表明，利用 log 法预测 TOC 在柴页1 井的应用中相关系数为 0 72，但鄂丰地 1 井的预测结果与实验测试分析结果的相关系数低至 0 35且平均误差高于 60%，可知该方法不适用于高热演化页岩 而鄂丰地 1 井 TOC 结果显示，使用体积密度法预测结果与实验测试值相差较大，相关系数仅036 且平均误差高于 50%，自然伽马法预测效果稍有改善，相关系数达到 0 49 但平均误差仍高于50%从两井预测结果来看，神经网络法与多元回归法预测结果效果较好，相关系数高于 0 70 且平均误差显著减少，通过神经网络法预测鄂丰地 1 井 TOC结果平均误差不到 10%针对鄂丰地 1 井高热演化页岩而言，log 法不适用于其 TOC 预测，体积密度测井法预测精度也较低 当测井、地震资料不足时，自然伽马测井法可以实现 TOC 粗估;资料丰富时应当优先选取计算精度最高的机器学习法，其次为多元线性回归法4讨论4 1不同预测方法适用性分析相比低热演化页岩，高热演化页岩由于埋藏压实、高成熟度时页岩碳化现象的存在以及孔缝发育的不同导致了其声波时差与电阻率明显降低、密度变高的测井响应特点，进一步导致不同的在地震上频谱异常特征等，最终改变高热演化页岩中各方法的适用性与局限性，目前 TOC 地球物理预测方法在高热演化页岩中的应用无具体针对性，主要是根据多种方法横向对比预测精度、计算效率、数据依赖度以及建模复杂度选择最优预测方法 本部分结合TOC 预测方法系统调研、高热演化页岩地质特征及高低热演化页岩 TOC 预测实例分析，对各地球物理方法的适用性、局限性及使用注意事项具体分析总结(表 5)532地球物理学进展www progeophys cn2023，38(1)表 5高热演化页岩各地球物理预测方法适用性、局限性及使用注意事项Table 5Applicability，limitations and precautions of geophysical prediction methods for highly evolved shale方法适用性局限性使用注意事项自然伽马测井法适用于稳定的连续沉积层TOC 快速粗估(黄仁春等，2014)预测精度不高不适用于偶夹砂泥岩薄层、粉砂岩透镜体、夹煤层或存在其他构造变形岩层多利用放射性元素组合因子优先考虑 U 元素相关的因子组合(王健等，2016)放射性元素初始化以及异常极值校准体积密度测井法适用于 TOC 粗估或期望得到三维 TOC 数据体预测精度不高受黄铁矿等重矿物以地层流体影响较大剔除由重矿物引起的异常值校正地层流体对密度的干扰log 法不适 用 于 高 成 熟-过 成 熟页岩热成熟度因子与基线段难以确定可使用 变 系 数 或 广 义 的 log 法 提 高 精 度(Kamali and Allah Mirshady，2004)多元线性回归法适用 于 初 始 探 区 与 成 熟探区步骤简单，预测效果较好需多次尝试，修改属性个数及组合标定与校准测井数据，排除孔隙度低地层、欠压实地层、钻井液的干扰区、含水孔隙度高井段、超压实带等地层段地 震 多 属 性 反演法适用于地震资料品质较好的稀井区适用于需获取三维 TOC 数据体精度较低且操作复杂地震属性的选取难度大、多解性强提高地震资料处理精度选取适宜的反演方法实验-测 井-地 震联合反演法适用于测井资料及过井区地震资料丰富的目标区适用于需获取三维 TOC 数据体井震桥梁目前表明仅密度较为适宜(陈祖庆，2014;郭旭升等，2015;侯华星等，2016)原始信息量损失大，精度有待提高提高井震标定准确度建立多个井震桥梁以提高精度机器学习法适用于实验、测井、地震资料丰富的目标区预测效果最好人为主观或岩石物理分析筛选因子导致原始信息遗漏数据集中含非线性成分，降低收敛速度，计算效率低初始值设定随机性强，易出现局部最小，难以收敛数据依赖性强，不适用于较小样本模型通过主成分分析法等自动筛选主成分等方法智能确定模型因子(袁颖等，2019)降低数据集中非线性成分(ui et al，2019;Yuet al，2017;Wang et al，2018)修改网络结构并科学计算初始权值(叶绍泽等，2018;朱林奇等，2016;Shi et al，2016;Zhu etal，2018b;刘志刚等，2017)深度学习算法解决小样本问题(Zhu et al，2020)各地球物理方法适用性、局限性以及使用注意事项同样适用于鄂丰地 1 井五峰-龙马溪组高热演化页岩 鄂丰地 1 井的 TOC 预测表明，广义的 log法以及通用的改进式由于基线的不确定性等，获得的预测结果与真实值拟合相关性不足 0 4，无法代表 TOC 真实值的变化趋势 体积密度法结果相关系数仅 0 36，也无法满足粗估要求 自然伽马测井法模型中拟合因子为放射性元素 U 的组合 U/(U K)，深度为 1525 00 1535 00 m 左右出现了明显的放射性元素异常，导致该段 TOC 预测效果较差，需进一步开展放射性元素初始化与异常极值校准工作多元线性回归法预测结果显示部分深度段如1502 00 1506 00 m 及 1526 00 1528 00 m 段预测的 TOC 结果变化趋势与真实情况相反，故仍需多次尝试修改属性组合 该方法在上松辽盆地白垩统青山口组、鄂尔多斯盆地延长组等陆相页岩以及四川盆地五峰组龙马溪组海相页岩中多有使用(邓宇等，2019;韩双彪等，2012;毛永强等，2020;孟召平等，2015)，通过文献调研回归模型的因子使用频率发现，密度与 TOC 呈稳定的反比例关系而使用频率最高，自然伽马、电阻率也有较高使用频率，声波时差、中子孔隙度、铀、钍等次之 在地震多属性预测模型中的地震属性选取时，根据动力学/运动学特征的地震属性分类(张延玲等，2005)，一般选取振幅、波形、频率以及相位属性，较少选取衰减、相关、能量、比率属性;根据 Quincy Chen 基于储层特征的地震属性分