潛江凹陷潛江組鹽間頁巖油巖石物理建模研究

鐘慶良,唐 海,石秀平,趙建國

(1.中國石油化工股份有限公司江漢油田分公司物探研究院,湖北武漢430035;2.賽吉紀技術服務(北京)有限公司,北京100016;3.中國石油大學(北京)地球物理學院,北京102249)

北美頁巖油氣的成功勘探與開發(fā),引領了一場非常規(guī)頁巖油氣革命。但國內陸相頁巖油儲層的特點決定了其勘探不能照搬國外的頁巖油氣勘探思路。國內對頁巖油氣的研究起步較晚,其勘探與開發(fā)相關的理論基礎研究基本處于探索階段。頁巖油氣地震巖石物理模型研究是頁巖油氣地球物理研究的重要組成部分,為巖石的地震彈性參數(shù)與儲層參數(shù)搭建了橋梁,對儲層“甜點”預測具有指導意義。目前關于頁巖油氣巖石物理模型的研究取得了一定的進展和成果:董寧等[1]在自洽(self consistent,SC)模型和微分等效介質(differential effective medium,DEM)模型的基礎上,引入Berryman 三維孔隙形態(tài)及Brown-Korringa固體替代方法,建立了適用于富含有機質泥頁巖的巖石物理模型;鄧繼新等[2]基于對龍馬溪組頁巖樣本微觀結構特征的觀察、巖石物理實驗分析的結果和粘土含量定義巖石的骨架類型,結合微分等效介質理論和Backus平均及自相容近似理論,構建了龍馬溪頁巖的地震巖石物理模型;郭智奇等[3]考慮了粘土定向排列引起的各向異性以及裂縫引起的各向異性,將粘土礦物壓實指數(shù)引入Backus平均理論,對沾化凹陷羅家地區(qū)泥頁巖進行巖石物理建模;楊志強等[4]對四川盆地筇竹寺組和五峰-龍馬溪組頁巖樣品物性特征、有機質的分布形態(tài)等進行了分析,確定了粘土、石英、長石和碳酸鹽巖共同構成頁巖巖石基質,并與孔隙共同構成頁巖巖石骨架,因干酪根和黃鐵礦主要賦存于孔隙,故可將自相容近似理論、微分等效介質模型和Gassmann方程結合起來構建研究區(qū)頁巖的地震巖石物理等效模型;逄碩等[5]在自洽近似模型的基礎上,提出了預測頁巖孔隙縱、橫比的方法,明確了巖石的縱、橫波速度與孔隙縱橫比、孔隙度和礦物組分等參數(shù)之間的定量表征關系;張?zhí)炀娴萚6]從巖石物理模型的基本理論出發(fā),針對Bakken頁巖進行各向異性微分等效介質巖石物理建模,該模型預測效果良好,研究發(fā)現(xiàn)將干酪根作為基質可以優(yōu)化該巖石物理模型;WU[7]對存在垂直裂縫且具有正交各向異性特征的頁巖,建立了正交各向異性巖石物理模型,并使該模型更加接近真實頁巖。

潛江凹陷位于江漢盆地中部,是發(fā)育于中、古生界基底上的新生代內陸斷陷湖盆。潛江組地層沉積時期江漢盆地處于封閉性、強蒸發(fā)、高鹽度環(huán)境,在潮濕與干旱的氣候環(huán)境相互交替作用下,最終沉積了巨厚的潛江組鹽系地層,形成了獨具特色沉積充填特征的陸相鹽湖盆地[8-9]。研究區(qū)的潛江組沉積地層由鹽間頁巖層與鹽巖層交互組成,鹽巖層厚度為10～25m,鹽間頁巖層厚度為5～12m,厚度較圍巖(鹽巖)薄。鹽間頁巖層礦物成分復雜,主要由碎屑類、碳酸鹽巖類和鹽類3大類礦物組成[10]。鹽間頁巖油儲層是一個嶄新的研究對象,關于鹽間頁巖油儲層的測井評價模型和巖石物理模型研究的文獻資料很少,頁巖油儲層自身的特點決定了測井評價和巖石物理模型研究的特殊性。

本文在測井曲線豐度有限的情況下,首先盡量準確求取鹽間頁巖層主要發(fā)育礦物的組分含量及物性等;然后結合實驗室?guī)r樣的各向異性分析及速度頻散分析結果,確定研究區(qū)適用的巖石物理模型與流程;最終建立與之相適應的地震巖石物理模型,為儲層“甜點”地震預測奠定基礎。

1 潛江組地層巖性、礦物及物性特征

1.1 潛江組地層巖性特征

潛江組地層在縱向上表現(xiàn)為陸源碎屑機械沉積與鹽巖地層的化學沉積交替出現(xiàn)的特征。經(jīng)X衍射、巖石薄片和掃描電鏡-能譜分析可知,鹽間頁巖層的細粒沉積物為碳酸鹽巖-泥質巖的混積巖類,局部裂縫次生充填鈣芒硝礦物。主要的巖石類型包括泥質巖類、白云巖類、灰?guī)r類和鈣芒硝巖類[11]。鹽巖層主要巖性為巖鹽,普遍發(fā)育鈣芒硝。

1.2 潛江組地層礦物特征

潛江組鹽巖段礦物以石鹽為主,伴隨無水芒硝和鈣芒硝共存,其中石鹽含量接近90%,粘土含量很少。鹽間頁巖層以粘土礦物為主,夾雜白云石、方解石等碳酸鹽巖和長石、石英,燧石等碎屑礦物,此外還分布著石膏、硬石膏類硫酸鹽礦物以及少量黃鐵礦和菱鐵礦等,以W99井潛34段10韻律層為例(圖1),其鹽間頁巖層主要礦物類型為粘土、白云石、方解石和石英礦物,組分含量基本相當,粘土礦物含量一般約為25%,白云石礦物約為20%,石英和方解石含量為10%～15%,多種礦物類型混積構成了鹽間頁巖層的巖石骨架。

圖1 W99井潛34段10韻律層的鹽間頁巖層礦物組成

1.3 潛江組地層儲集空間及物性特征

綜合利用巖心、薄片、掃描電鏡和能譜分析資料發(fā)現(xiàn):潛江組鹽間頁巖層孔隙發(fā)育,孔隙類型主要為碳酸鹽巖礦物被選擇性溶蝕后形成的晶間孔和溶孔;潛34段10韻律層多呈紋層狀,普遍發(fā)育層理縫,孔隙與層理縫之間具有良好的連通性。鈣芒硝和石鹽等次生礦物充填在鹽間頁巖層下部,堵塞原有孔隙,產生了破壞作用。有效儲集空間以孔隙為主,可動油主要賦存于溶孔和晶間孔。以W99井潛34段10韻律層為例,其優(yōu)質儲層巖性為富碳紋層狀泥質白云巖和富碳紋層狀云質泥巖,孔隙度為19.3%～26.3%,滲透率為0.79～0.95mD[12](1mD≈0.987×10-3μm2)。

2 有監(jiān)督機器學習測井解釋模型

2.1 地層模型及學習方法

用于頁巖油測井評價的鹽間頁巖層模型包括骨架(無機的礦物巖石骨架、有機質骨架)和總孔隙(孔隙及其流體)。無機的礦物巖石骨架主要由粘土礦物、碳酸鹽巖類、石英類、鈣芒硝類及鐵氧化物類礦物構成;有機質骨架為干酪根;總孔隙由有效孔隙和束縛孔隙兩部分構成,其中有效孔隙包括可動油、可動水,束縛孔隙包括殘余油、束縛水(圖2)。由于鹽間頁巖層礦物類型多樣,因而常規(guī)測井解釋方法無法分別準確求取各主要組成礦物的含量。受測井資料豐度和礦物類型過多的限制,本文將礦物類型粗化為5類主要礦物,即粘土、白云石、石英、方解石和石膏。

圖2 鹽間頁巖層評價模型

采用有監(jiān)督的機器學習方法,首先將地層巖性信息作為樣本數(shù)據(jù)進行學習訓練,得到各種礦物的多個預測模型;然后從中優(yōu)選適合研究區(qū)的機器學習算法;最后對研究區(qū)其它無巖性掃描數(shù)據(jù)的井進行礦物含量的準確預測。

2.2 學習訓練與預測

由于巖心數(shù)據(jù)受實驗室測量條件的影響,數(shù)據(jù)有限且分散,不適合作為樣本數(shù)據(jù)進行訓練和學習,因此在現(xiàn)有資料基礎上,選擇由離散巖心數(shù)據(jù)標定過的巖性掃描成果作為機器學習的樣本數(shù)據(jù)。而后將潛江凹陷WC和GH兩個研究區(qū)有巖性掃描數(shù)據(jù)的井作為機器學習的訓練井組,以巖性掃描粗化成果數(shù)據(jù)中每一種礦物含量作為樣本數(shù)據(jù),學習并建立其與常規(guī)測井曲線的模型關系。本文選擇4種機器學習算法(分類回歸、多元線性回歸、梯度提升回歸及隨機森林算法)進行訓練,對不同的機器學習算法不斷地優(yōu)化調節(jié)其內部結構參數(shù),使得預測結果盡可能與樣本數(shù)據(jù)接近,最終得到各種機器學習算法的最優(yōu)解,并將其作為每種算法的最終訓練模型。

WC研究區(qū)W99井(訓練井)和GH研究區(qū)BYY2井(訓練井)機器學習的預測結果和巖性掃描結果分別如圖3和圖4所示,可以看出分類回歸和多元線性回歸訓練模型機器學習的預測結果(AB50和MLR列的曲線)過于平直,與巖性掃描結果差異較大;而梯度提升回歸和隨機森林回歸訓練模型機器學習的預測結果(GB50和RF列的曲線)基本與巖性掃描結果一致,學習結果準確且穩(wěn)定。值得注意的是,由鈣芒硝的含量可知其為局部發(fā)育,與鈣芒硝為沉積后的局部充填這一地質認識基本吻合。

圖3 WC研究區(qū)W99井機器學習的預測結果與巖性掃描結果

圖4 GH研究區(qū)BYY2井機器學習的預測結果與巖性掃描結果

在機器學習中,隨機森林算法是一種利用多棵決策樹對樣本數(shù)據(jù)進行訓練并預測的分類器,其算法訓練模型示意如圖5所示。首先從原始訓練集中使用自助抽樣法隨機取出m個樣本,進行n次采樣,生成n個訓練集;對n個訓練集,分別訓練n個決策樹模型;對于單個決策樹模型,假設訓練樣本特征數(shù)為x,那么每次分裂時根據(jù)信息增益、信息增益比或基尼指數(shù)選擇最好的特征進行分裂;如果每棵樹都一直這樣分裂下去,那么在決策樹的分裂過程中不需要剪枝,即可將生成的多棵決策樹組成隨機森林,由多棵樹預測值的均值決定最終的預測結果。

圖5 隨機森林算法訓練模型示意

隨機森林算法學習所得的預測模型,可應用于研究區(qū)其它未進行巖性掃描的井,進而進行多種礦物含量的預測(圖6、圖7)。研究區(qū)內W99井與WY11井相隔很近,地層基本穩(wěn)定,測井響應也基本一致。對比兩口井隨機森林算法預測成果發(fā)現(xiàn),石英、方解石和白云石含量基本一致,進一步驗證了隨機森林算法預測模型的可靠性。

圖6 利用隨機森林預測模型得到的預測成果(W99井)

圖7 利用隨機森林預測模型得到的預測成果(WY11井)

隨機森林算法具有以下優(yōu)點:①由于采用了集成算法,故精度優(yōu)于大多數(shù)單個算法,應用于測試集時表現(xiàn)良好;②由于決策樹的組合屬于非線性擬合模型,故隨機森林算法可以處理非線性數(shù)據(jù);③隨機森林算法可處理高維度的數(shù)據(jù),無需進行特征選擇,其對數(shù)據(jù)集的適應能力強,既能處理離散型數(shù)據(jù),也能處理連續(xù)型數(shù)據(jù),因此數(shù)據(jù)集無需進行規(guī)范化處理;④隨機森林算法的訓練速度快,可以運用在大規(guī)模數(shù)據(jù)集上,可處理缺省值,無需額外處理。

雖然利用機器學習預測礦物含量非常方便快捷,但是機器學習也有其自身的局限性:需要大量準確的樣本數(shù)據(jù)訓練方可得到礦物含量的預測模型。所以如果區(qū)域樣本數(shù)據(jù)有限且不具有廣泛代表性,那么訓練得到的模型精度將會有所降低。

2.3 最優(yōu)化測井解釋

最優(yōu)化測井解釋方法的基本思路為:以完整的體積模型元素為目標,將對各個成分敏感的測井作為輸入數(shù)據(jù),進行最優(yōu)化求解,以得到完整的巖石體積模型。一方面,最優(yōu)化解釋通過建立和求解物理意義明確的物理方程組,輸入任意反映“四性”特征的測井數(shù)據(jù)得到地層礦物組分、孔隙度等巖性和物性信息,充分利用了所有測井數(shù)據(jù)相關信息;另一方面,利用各個體積成分同時求解,可有效降低單一數(shù)據(jù)多解性及噪聲的影響,獲得最佳的體積模型。通過求解方程:T=RV,得到最優(yōu)化解釋的數(shù)學形式,其中,T為實際測量數(shù)據(jù),R為各礦物骨架點的響應參數(shù),V為各礦物和孔隙的體積含量(圖8)。

圖8 最優(yōu)化測井解釋原理示意

采用隨機森林預測模型預測的4種主要礦物含量(石英礦物含量、白云石含量、石膏含量、方解石含量)分別如圖9中紅色下劃線數(shù)據(jù)從上到下依次所示,將其與粘土含量(VCLGR)曲線,曲線一致性處理后密度孔隙度(DEN)曲線、補償中子(CNLNRM)曲線和聲波(DTCDSNRM)曲線,鈾含量(U)曲線、有機碳含量(TOC)及體積光電吸收截面指數(shù)(UMANRM)曲線結合作為最優(yōu)化解釋模型的輸入量,建立超定的測井解釋線性方程組,從而彌補了測井資料豐度低導致的多解性和不確定性,輸入的測井數(shù)據(jù)和對應骨架參數(shù)如圖9所示。利用該線性方程組對礦物組分含量、孔隙度和有機碳含量等進一步優(yōu)化評價,可以準確求取鹽間地層的地層參數(shù),為地震巖石物理模型提供可靠的輸入?yún)?shù)。

圖9 最優(yōu)化測井解釋模型參數(shù)

對比圖10、圖11兩個研究區(qū)中兩口井機器學習約束的最優(yōu)化測井解釋成果(不同顏色的曲線)和實驗室X射線衍射成果數(shù)據(jù)(黑色散點)發(fā)現(xiàn):兩者趨勢基本一致,尤其是白云石含量和石英含量,硬石膏含量局部略有差異,但整體而言,測井解釋模型基本合理。

圖10 WC研究區(qū)W99井機器學習約束的最優(yōu)化測井解釋成果與X射線衍射成果數(shù)據(jù)(1in≈2.54cm)

圖11 GH研究區(qū)BYY2井機器學習約束的最優(yōu)化測井解釋成果與X射線衍射成果數(shù)據(jù)

如果后續(xù)研究區(qū)有新鉆井的巖性資料,如巖心X射線衍射數(shù)據(jù)、巖性掃描數(shù)據(jù)等都可以作為樣本數(shù)據(jù)進行訓練,以進一步增強機器學習約束的最優(yōu)化測井解釋成果的精度,但訓練結果的準確度依賴于樣本數(shù)據(jù)的準確性、代表性及豐度。

3 巖石物理建模分析

3.1 巖石特征及模型選擇

由于鹽間頁巖層巖性和孔隙結構均比較復雜,故對潛江組鹽間頁巖巖樣的縱、橫波速度進行各向異性分析。不同壓力條件下,通過實驗室測定BYY2井潛34段10韻律層云質泥巖(充填鈣芒硝)巖樣,可發(fā)現(xiàn)縱波和橫波各向異性弱(圖12)。局部出現(xiàn)的各向異性可能因鈣芒硝的局部充填、微裂隙發(fā)育和礦物的定向排列等所致。

圖12 BYY2井潛34段10韻律層云質泥巖(充填鈣芒硝)在不同條件下的縱波各向異性(a)和橫波速度各向異性(b)變化趨勢

由于鹽間頁巖層儲集空間主要以碳酸鹽巖礦物溶蝕后形成的微吼道孔隙為主,連通性差,結構復雜,且構造裂縫多被碳酸鹽巖礦物充填,故巖心分析時,干燥條件下鹽間泥質白云巖的速度無明顯頻散現(xiàn)象;而飽油條件下,該韻律層鹽間泥質白云巖速度出現(xiàn)明顯的頻散現(xiàn)象(圖13),且速度隨著頻率的變大而變快,速度的頻散現(xiàn)象主要受流體的粘滯性影響。

圖13 BYY2井潛34段10韻律層鹽間泥質白云巖在不同壓力和頻率條件下的縱波速度(a)和橫波速度(b)變化趨勢分析

潛江組鹽間頁巖油的儲層類型與國內其它頁巖氣的儲層類型存在很大差別。國內其它頁巖氣儲層以頁巖為主,粘土含量較高,且為明顯的VTI介質。本文研究的鹽間頁巖油儲層泥質含量僅為20%,各種礦物混雜,混積特征明顯,各向異性較弱。

由實驗室?guī)r石物理分析和巖石物理理論模型研究可知,對于鹽巖層來說,鹽巖為主相礦物(含量接近90%),其作為巖石基質保持連續(xù),而其它礦物則夾雜于其中,故使用微分有效介質(differential effective medium,DEM)[13]模型計算干巖體彈性屬性較為合適。實驗室?guī)r石物理分析表明,飽水條件下鹽巖地層無明顯的速度頻散現(xiàn)象,這種情況下選擇甚低頻的Gassmann流體置換方程即可求得鹽巖地層的彈性參數(shù)值;而鹽間頁巖層礦物類型眾多,混積特征明顯,各礦物組分含量相當,且無明顯主相礦物,故自洽模型更適合這種礦物混積共同作為巖石骨架的情況[14]。實驗室?guī)r石物理分析表明飽油條件下鹽間頁巖層有明顯的速度頻散現(xiàn)象,因此選擇全頻段Boris流體置換模型計算飽含流體條件下巖石的彈性參數(shù)值。潛江組鹽間頁巖層的巖石物理建模示意圖如圖14 所示。

圖14 潛江組鹽間頁巖層的巖石物理建模示意

3.2 巖石等效模量及彈性模量求取

對于鹽間頁巖層而言,石英、方解石、白云石和硬石膏是其巖石的支撐礦物,因此將石英、方解石、白云石和石膏互相混合后的礦物作為鹽間礦物基質。前人研究發(fā)現(xiàn)本區(qū)富含有機質的巖石受壓實程度較強,掃描電鏡結果顯示研究區(qū)粘土礦物受壓實作用影響多呈現(xiàn)定向排列,反映了較強的壓實作用[4],因此將有機碳作為巖石物理模型中巖石的骨架。將粘土礦物骨架與有機碳骨架、鹽間礦物基質充分混合得到最終鹽間頁巖層基質礦物骨架。鹽間頁巖層儲集空間的主要孔隙類型為縱橫比相對較大的高寬長比溶蝕孔,利用SC模型將隨機分布的單一高縱橫比的孔隙加入其中,可得到干燥的鹽間頁巖層骨架的等效模量。

實驗室?guī)r石物理分析結果表明,在飽油的條件下,彈性波在鹽間頁巖層中傳播時會誘發(fā)孔隙壓力梯度,造成縱、橫波速度出現(xiàn)明顯的頻散現(xiàn)象。根據(jù)Boris模型理論,在高頻條件下,壓力梯度是非弛豫的,孔隙中的流體來不及發(fā)生流動以平衡孔隙壓力梯度,此時的骨架比低頻條件下的骨架剛硬,聲波傳播速度更快。由于地震信號是低頻下的彈性信息,故用零頻的Gassmann流體置換方程計算得到的速度較利用測井頻率得到的速度更低,難以滿足實際需求。在高頻情況下,假設骨架中軟孔隙充滿流體而硬孔隙干燥,那么根據(jù)柔度疊加的物理意義,將骨架模量看作硬孔隙響應和軟孔隙響應的疊加[15],可得:

(1)

(2)

式中:Kmf和μmf分別為巖石骨架的體積模量和剪切模量;Kdry和μdry分別為巖石干骨架的體積模量與剪切模量;ρ和ω分別為壓力和頻率;η為流體的黏度;Kh為高壓下軟孔隙閉合時,只存在硬孔隙時的體積模量;φc為軟孔隙度;αc為軟孔隙的孔隙縱橫比。

對鹽巖層而言,鹽巖是巖石的主要支撐礦物,將鹽巖作為基質,利用微分有效介質模型將隨機分布的單一低縱橫比的孔隙加入鹽巖基質中,可得到干燥條件下鹽巖骨架的等效模量。飽含流體的鹽巖體積模量由于無明顯頻散現(xiàn)象,故仍可使用Gassmann流體置換方程將鹽巖的晶間鹵水置換進孔隙空間,而后進行飽和流體巖石屬性的預測即可得到鹽巖地層的彈性參數(shù)值。

3.3 模型應用及誤差分析

將WY11井和BYY2井機器學習約束的測井解釋結果輸入巖石物理模型中展開正演模擬,結果如圖15 和圖16所示,第7～11道分別為密度、縱波速度、橫波速度、縱波阻抗和縱橫波速度比的預測曲線(紅色曲線)與實測曲線(黑色曲線),二者的變化趨勢基本一致,證明了模型的合理性和穩(wěn)定性,該巖石物理模型可為后續(xù)的鹽間頁巖“甜點”預測提供準確的彈性參數(shù)信息。

圖15 利用巖石物理模型得到的正演模擬結果(WY11井)

圖16 利用巖石物理模型得到的正演模擬成果(BYY2井)

對比WC和GH兩個研究區(qū)實測縱波阻抗和正演縱波阻抗(圖17a、圖18a)發(fā)現(xiàn),二者數(shù)值非常相近,基本在斜率為1的虛線附近,這也與理論上正演縱波阻抗曲線相對穩(wěn)定的結論相符;同樣地,對比WC和GH兩個研究區(qū)的實測橫波阻抗與正演橫波阻抗(圖17b、圖18b)發(fā)現(xiàn),兩者也在斜率為1的虛線附近,但范圍較縱波阻抗大,原因是實測橫波阻抗曲線存在局部不合理。上述正演結果驗證了該巖石物理模型在研究區(qū)的適用性和可靠性。

圖17 WC研究區(qū)實測與正演縱波阻抗(a)和橫波阻抗(b)

圖18 GH研究區(qū)實測與正演縱波阻抗(a)和橫波阻抗(b)

4 結論

本文采用了多種有監(jiān)督機器學習方法,將WC和GH兩個研究區(qū)中有LithoScanner巖性掃描成果數(shù)據(jù)的井作為訓練井,將實驗室?guī)r心標定過的巖性掃描成果數(shù)據(jù)作為樣本數(shù)據(jù)進行訓練,得到多個預測模型。將根據(jù)上述模型得到的預測結果與巖性掃描成果對比分析可知:采用隨機森林預測模型得到的預測結果與巖性數(shù)據(jù)匹配效果最佳,其礦物預測結果可以直接約束測井解釋模型進而優(yōu)化求解地層其它參數(shù),最終正演模擬結果與巖心分析數(shù)據(jù)基本一致,驗證了該模型的適用性和可靠性。但對于隨機森林預測模型來說,如果訓練數(shù)據(jù)中存在噪聲即異常值過多,那么隨機森林預測模型中的數(shù)據(jù)集會出現(xiàn)過擬合的現(xiàn)象,所以要盡量保證訓練數(shù)據(jù)的準確性和合理性。

基于實驗室?guī)r石物理分析的結果,潛江組鹽間頁巖層將自洽模型作為礦物混合和干巖體計算的模型,將全頻段Boris流體置換模型作為鹽間頁巖層的置換模型,最終建立了潛江組頁巖層的巖石物理建模流程。在WC和GH兩個研究區(qū)預測得到的密度、縱橫波速度及縱橫波速度比等彈性參數(shù)曲線均與實測數(shù)據(jù)曲線基本一致,巖石物理規(guī)律基本相似,均證明了巖石物理模型的合理性和穩(wěn)定性。