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

引用本文

杨洋, 石万忠, 张晓明, 等. 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. 岩性油气藏, 2021, 33(2): 135-146, doi: 10.12108/yxyqc.20210214.

YANG Y, SHI W Z, ZHANG X M, et al. Identification method of shale lithofacies by logging curves: a case study from Wufeng-Longmaxi Formation in Jiaoshiba area, SW China. Lithologic Reservoirs, 2021, 33(2): 135-146, doi: 10.12108/yxyqc.20210214.

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

杨洋¹, 石万忠^1,2, 张晓明¹, 王任^1,2, 徐笑丰¹, 刘俞佐¹, 白卢恒¹, 曹沈厅¹, 冯芊¹

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

收稿日期: 2020-05-21; 修回日期: 2020-07-13; 网络首发日期: 2020-09-07

基金项目: 国际科技创新合作重点专项“中美石炭-二叠系页岩储层评价技术合作研究”（编号：2017YFE0106300）和国家自然科学基金项目“页岩气储层总孔隙度表征及预测”（编号：41672134）和国家“十三五”科技重大专项“页岩气区域选区评价方法研究”（编号：2016ZX05034-002-003）联合资助

作者简介: 杨洋(1995—), 男, 中国地质大学(武汉)在读硕士研究生, 研究方向为页岩气储层地质。地址: (430074)湖北省武汉市洪山区鲁磨路388号。Email: youngyoung@cug.edu.cn.

通讯作者: 石万忠(1973—), 男, 博士, 教授, 博士生导师, 主要从事层序地层学与成藏动力学及页岩气方面的教学和科研工作。Email: shiwz@cug.edu.cn.

摘要: 页岩岩相的识别是页岩气勘探开发的基础工作，不同类型页岩具有不同物质组分与组构，进而具有不同的脆性度和物性，目前利用测井曲线来识别页岩岩相的研究较为薄弱。以焦石坝地区五峰组—龙马溪组3口井的测井资料、岩心测试数据为基础，通过多参数优选、多元线性拟合，分别建立了黏土矿物、硅质矿物相对含量的预测方程，探讨利用测井曲线识别页岩的方法。结果表明：黏土质页岩具有高DEN，CNL，K，KTh，低U，U/Th的特征；混合质页岩具有中DEN，U，CNL，K，KTh，U/Th的特征；硅质页岩具有高U，U/TH，低DEN，CNL，K，KTh的特征，并以此为依据，建立了页岩岩相识别雷达图版，不同岩相所对应的测井曲线数值在图版中有不同的分布范围，该图版可以有效识别页岩岩相，并能够对预测方程识别错误的岩相进行纠正，预测结果与实测值吻合度高。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，可以很好地识别焦石坝地区五峰组—龙马溪组页岩岩相。

关键词: 页岩岩相识别测井雷达图五峰组—龙马溪组焦石坝地区

Identification method of shale lithofacies by logging curves: a case study from Wufeng-Longmaxi Formation in Jiaoshiba area, SW China

YANG Yang¹, SHI Wanzhong^1,2, ZHANG Xiaoming¹, WANG Ren^1,2, XU Xiaofeng¹, LIU Yuzuo¹, BAI Luheng¹, CAO Shenting¹, FENG Qian¹

1. School of Earth Resources, China University of Geosciences(Wuhan), Wuhan 430074, China;
2. Key Laboratory of Tectonics and Petroleum Resources, Ministry of Education, China University of Geosciences(Wuhan), Wuhan 430074, China

Abstract: Identification of shale lithofacies is the basis of shale gas exploration and development. Different types of shale have different material components and textures, and thus the brittleness and physical properties are different. At present, the study on shale lithofacies identification by logging curves is relatively weak. Based on logging data and core test data of three wells from Wufeng-Longmaxi Formation in Jiaoshiba area, through multi-parameter optimization and multivariate linear fitting, the prediction equations of relative content of clay minerals and siliceous minerals were established respectively, and the identification method of shale lithofacies by logging curves was discussed. The results show that argillaceous shale lithofacies has the characteristics of high DEN, CNL, K, KTh, and low U, U/Th, the mixed shale lithofacies has the characteristics of middle DEN, CNL, K, KTh, U, U/Th, and siliceous shale lithofacies has the characteristics of high U, U/Th and low DEN, CNL, K, KTh. Furthermore, a radar chart for shale facies identification was established. After corresponding processing, the logging curve values corresponding to different lithofacies have different distribution ranges in the chart. The chart can effectively identify shale lithofacies and correct the lithofacies identified by the prediction equation. The predicted results are in agreement with the measured values. Combining quantitative identification of lithofacies by prediction equation and qualitative identification of lithofacies by radar chart, shale lithofacies of Wufeng-Longmaxi Formation in Jiaoshiba area can be well identified through double constraints.

Key words: shale lithofacies identification logging radar chart Wufeng-Longmaxi Formation Jiaoshiba area

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]。

下载原图图 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。

下载原图图 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

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%。

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

%
井名	黏土质页岩相			混合质页岩相			硅质页岩相
井名	w（黏土质）	w（硅质）	w（碳酸盐）	w（黏土质）	w（硅质）	w（碳酸盐）	w（黏土质）	w（硅质）	w（碳酸盐）
焦页A	$\frac{{52.58 \sim 64.87}}{{58.80}}$	$\frac{{34.88 \sim 42.30}}{{37.60}}$	$\frac{{0 \sim 8.75}}{{3.72}}$	$\frac{{19.70 \sim 48.90}}{{42.00}}$	$\frac{{26.08 \sim 49.80}}{{45.17}}$	$\frac{{6.47 \sim 34.50}}{{8.81}}$	$\frac{{18.52 \sim 41.51}}{{33.83}}$	$\frac{{50.41 \sim 74.77}}{{57.36}}$	$\frac{{6.00 \sim 21.19}}{{8.81}}$
焦页B	$\frac{{50.16 \sim 65.91}}{{55.94}}$	$\frac{{34.08 \sim 47.29}}{{42.08}}$	$\frac{{4.30 \sim 30.10}}{{13.01}}$	$\frac{{28.56 \sim 9.73}}{{41.86}}$	$\frac{{38.53 \sim 49.37}}{{45.15}}$	$\frac{{4.30 \sim 30.10}}{{13.01}}$	$\frac{{17.26 \sim 40.29}}{{31.45}}$	$\frac{{50.05 \sim 75.37}}{{57.76}}$	$\frac{{6.89 \sim 19.77}}{{10.79}}$
焦页C	$\frac{{52.07 \sim 68.98}}{{60.13}}$	$\frac{{31.02 \sim 42.76}}{{37.59}}$	$\frac{{0 \sim 11.98}}{{2.28}}$	$\frac{{22.67 \sim 9.59}}{{41.79}}$	$\frac{{37.09 \sim 49.49}}{{44.56}}$	$\frac{{6.03 \sim 37.89}}{{13.65}}$	$\frac{{19.58 \sim 49.64}}{{33.84}}$	$\frac{{50.21 \sim 75.37}}{{57.34}}$	$\frac{{3.82 \sim 20.40}}{{29.33}}$
平均	58.29	39.09	6.34	41.88	44.96	11.82	33.04	57.49	29.33
注：数据格式为$ \frac{{最小值 \sim 最大值}}{{平均值}} $

下载CSV 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。

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

%
测井曲线	焦页A井		焦页B井		焦页C井
测井曲线	w（硅质）	w（黏土）	w（硅质）	w（黏土）	w（硅质）	w（黏土）
DEN	-0.854	0.812	-0.801	0.837	-0.812	0.853
w（U）	0.583	-0.642	0.677	-0.741	0.718	-0.779
CNL	-0.750	0.860	-0.699	0.825	-0.795	0.842
w（K）	-0.559	0.636	-0.777	0.808	-0.763	0.824
w（K）+w（Th）	-0.573	0.704	-0.779	0.765	-0.767	0.822
w（U）/w（Th）	0.663	-0.738	0.731	-0.692	0.731	-0.718
GR	0.328	-0.278	0.190	-0.370	0.346	-0.396
AC	-0.045	0.170	-0.078	0.011	-0.317	0.264
w（Th）	-0.515	0.627	-0.667	0.621	-0.630	0.656
R_LLD	0.125	-0.253	0.271	-0.414	0.137	-0.175
R_LLS	0.121	-0.249	0.245	-0.389	0.107	-0.146
PE	-0.614	0.716	-0.734	0.746	-0.540	0.443
SP	-0.615	0.707	-0.110	0.254	0.225	-0.291

下载CSV 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

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。

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

$ {X_{\rm{i}}} = \frac{{{x_i} - {x_{\min }}}}{{{x_{\max }} - {x_{\min }}}} $

(1)

式中：X_i为归一化后的数据；x_i为原始数据；x_min为原始数据的最小值；x_max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

$ \begin{array}{l} w{(硅质)_{相对}} = 61.374 - 15.086DEN + 9.169w\left( {\rm{U}} \right) - \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;14.535CNL \end{array} $

(2)

$ \begin{array}{l} w{(黏土)_{相对}} = 30.286 + 10.169DEN - 16.963w\left( {\rm{U}} \right) + \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;25.452CNL \end{array} $

(3)

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

预测矿物类型	输入变量	拟合公式	相关系数R
硅质矿物	DEN	a = 70.033 - 34.491 DEN	0.789
	DEN，w（U）	a = 61.136 - 26.193 DEN+11.126 w（U）	0.815
	DEN，w（U），CNL	a = 61.374 - 15.086 DEN+9.169 w（U）- 14.535 CNL	0.892
	DEN，w（U），CNL，K	a = 60.449 - 16.807 DEN+10.337 w（U）- 16.016 CNL+4.911 w（K）	0.892
	DEN，w（U），CNL，K，w（K）+w（Th）	a = 59.252 - 19.200 DEN+11.689 w（U）- 14.832 CNL+9.929 w（K）+16.946[w（K）+w（Th）]	0.894
	DEN，w（U），CNL，K，w（K）+w（Th），w（U）/w（Th）	a = 54.984 - 16.884 DEN+12.364 w（U）- 14.988 CNL- 18.442 w（K）+29.054[w（K）+w（Th）]+22.636 w（U）/w（Th）	0.894
黏土矿物	DEN	b = 14.398+44.826 DEN	0.762
	DEN，U	b = 30.703+29.618 DEN - 20.390 w（U）	0.774
	DEN，U，CNL	b = 30.286+10.169 DEN - 16.963 w（U）+25.452 CNL	0.817
	DEN，U，CNL，K	b = 30.229+10.065 DEN - 16.892 w（U）+25.362 CNL+0.299 w（K）	0.819
	DEN，U，CNL，K，w（K）+w（Th）	b = 31.018+11.641 DEN - 17.782 w（U）+24.581 CNL+10.077 w（K）-11.165[w（K）+w（Th）]	0.828
	DEN，U，CNL，K，w（K）+w（Th），w（U）/ w（Th）	b = 31.044+11.629 DEN - 17.664 w（U）+24.583 CNL+10.152 w（K）-11.269[w（K）+w（Th）]- 0.2 w（U）/w（Th）	0.841

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

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。

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

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。

下载原图图 4 测试集岩相识别效果 Fig. 4 Test set renderings of lithofacies identification

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

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。

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）。

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

岩相类型	黏土质页岩相			硅质页岩相				混合质页岩相
岩相类型	平均值	最小值	主体区间	平均值	最小值	最大值	主体区间	平均值	最小值	最大值	主体区间
归一化DEN	0.84	0.60	0.75~1.00（78.8%）	0.47	0	0.79	0.270~0.750（78.3%）	0.64	0.26	0.82	0.537~0.723（81.2%）
归一化U	0.18	0	0~0.27（78.8%）	0.47	0.11	1.00	0.246~0.686（75.4%）	0.30	0.05	0.63	0.145~0.349（78.3%）
归一化CNL	0.76	0.60	0.64~0.88（81.8%）	0.27	0	0.73	0.075~0.376（78.3%）	0.41	0.11	0.79	0.230~0.515（85.5%）
归一化K	0.69	0.20	0.50~0.98（81.8%）	0.34	0	0.75	0.120~0.495（75.4%）	0.43	0.12	0.88	0.250~0.60（82.6%）
归一化KTh	0.72	0.35	0.55~1.00（81.8%）	0.39	0	0.82	0.135~0.585（75.4%）	0.47	0.11	0.86	0.300~0.675（82.6%）
归一化U/Th	0.09	0	0~0.17（84.8%）	0.31	0.05	1.00	0.128~0.528（76.8%）	0.17	0.02	0.50	0.091~0.233（79.7%）
注：（）中数字代表该区间的样本数在占总体样中的占比

下载CSV 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

下载原图图 5 不同岩相测井响应箱线图 Fig. 5 Logging responses boxplot of different lithofacies

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）。

下载原图图 6 岩相识别雷达图版 Fig. 6 Radar chart of lithofacies identification

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。

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。

下载原图图 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。

5 结论

（1）焦石坝地区五峰组—龙马溪组页岩中黏土矿物和硅质矿物的相对含量与DEN，U，CNL，K，KTh，U/Th等6条测井曲线的相关性较好，可以通过SPSS软件进行多元线性拟合，建立矿物相对含量预测方程。

（2）利用矿物相对含量预测方程对矿物相对含量进行预测，与实际矿物相对含量吻合度高，其准确率接近78%。考虑到岩相划分方案本身的局限性，该识别方法在焦石坝地区五峰组—龙马溪组实际生产中的意义要高于统计学上的意义。

（3）利用黏土质页岩相、硅质页岩相和混合质页岩相等3种岩相归一化后的测井曲线平均值建立雷达图识别模板作为拟合方程识别岩相的补充，可以更好地识别焦石坝地区五峰组—龙马溪组页岩的岩相。

（4）不同沉积环境下形成的页岩具有不同的物理化学性质，其对应的测井曲线也会有不同的测井响应特征；相近沉积环境、不同地质时期形成的页岩其性质也会存在差异。探讨页岩岩相同测井响应特征在时空上的耦合关系将是下一步研究工作的重点。

参考文献

[1]	HICKEY J J, HENK B. Lithofacies summary of the Mississippian Barnett Shale, Mitchell 2 T. P. Sims well, Wise county, Texas. AAPG Bulletin, 2007, 91(4): 437-443. DOI:10.1306/12040606053
[2]	SIMENSON A. Depositional facies and petrophysical analysis of the Bakken Formation, Parshall Field, Mountrail county, North Dakota. Golden, Colorado: Colorado School of Mines, 2009: 1-198.
[3]	ALSHAHRANI S S. Depositional environment, history, diagenesis and petroleum geology of the Cleveland shale member, northeastern Ohio. Bowling Green, Ohio: Bowling Green State University, 2013: 1-190.
[4]	POTMA K, JONK R, DAVIE M, et al. A mudstone lithofacies classification of the Horn River Group: Integrated stratigraphic analysis and inversion from wireline log and seismic data proceedings of sixth BC unconventional gas technical forum. Victoria: GeoConvention, 2012: 1-3.
[5]	梁超, 姜在兴, 杨镱婷, 等. 四川盆地五峰组-龙马溪组页岩岩相及储集空间特征. 石油勘探与开发, 2012, 39(6): 691-698. LIANG C, JIANG Z X, YANG Y T, et al. Characteristics of shale lithofacies and reservoir space of the Wufeng-Longmaxi Formation, Sichuan Basin. Petroleum Exploration and Development, 2012, 39(6): 691-698.
[6]	郭彤楼, 张汉荣. 四川盆地焦石坝页岩气田形成与富集高产模式. 石油勘探与开发, 2014, 41(1): 28-36. GUO T L, ZHANG H R. Formation and enrichment model of Jiaoshiba shale gas field, Sichuan Basin. Petroleum Exploration and Development, 2014, 41(1): 28-36.
[7]	吴蓝宇, 胡东风, 陆永潮, 等. 四川盆地涪陵气田五峰组-龙马溪组页岩优势岩相. 石油勘探与开发, 2016, 43(2): 189-197. WU L Y, HU D F, LU Y C, et al. Advantageous shale lithofacies of Wufeng Formation-Longmaxi Formation in Fuling gas field of Sichuan Basin, SW China. Petroleum Exploration and Development, 2016, 43(2): 189-197.
[8]	王玉满, 王淑芳, 董大忠, 等. 川南下志留统龙马溪组页岩岩相表征. 地学前缘, 2016, 23(1): 119-133. WANG Y M, WANG S F, DONG D Z, et al. Lithofacies characterization of Longmaxi Formation of the Lower Silurian, southern Sichuan. Earth Science Frontiers, 2016, 23(1): 119-133.
[9]	王志峰, 张元福, 梁雪莉, 等. 四川盆地五峰组-龙马溪组不同水动力成因页岩岩相特征. 石油学报, 2014, 35(4): 623-632. WANG Z F, ZHANG Y F, LIANG X L, et al. Characteristics of shale lithofacies formed under different hydrodynamic conditions in the Wufeng-Longmaxi Formation, Sichuan Basin. Acta Petrolei Sinica, 2014, 35(4): 623-632.
[10]	LIU S G, MA W X, JANSA L, et al. Characteristics of the shale gas reservoir rocks in the Lower Silurian Longmaxi Formation, east Sichuan Basin, China. Energy Exploration & Exploitation, 2013, 31(2): 187-219.
[11]	冉波, 刘树根, 孙玮, 等. 四川盆地及周缘下古生界五峰组-龙马溪组页岩岩相分类. 地学前缘, 2016, 23(2): 96-107. RAN B, LIU S G, SUN W, et al. Lithofacies classification of shales of the Lower Paleozoic Wufeng-Longmaxi Formations in the Sichuan Basin and its surrounding areas, China. Earth Science Frontiers, 2016, 23(2): 96-107.
[12]	邹才能, 董大忠, 王社教, 等. 中国页岩气形成机理、地质特征及资源潜力. 石油勘探与开发, 2010, 37(6): 641-653. ZOU C N, DONG D Z, WANG S J, et al. Geological characteristics, formation mechanism and resource potential of shale gas in China. Petroleum Exploration and Development, 2010, 37(6): 641-653.
[13]	JIANG Z X, GUO L, LIANG C. Lithofacies and sedimentary characteristics of the Silurian Longmaxi shale in the southeastern Sichuan Basin, China. Journal of Palaeogeography, 2013, 2(3): 238-251.
[14]	郑和荣, 高波, 彭勇民, 等. 中上扬子地区下志留统沉积演化与页岩气勘探方向. 古地理学报, 2013, 15(5): 645-656. ZHENG H R, GAO B, PENG Y M, et al. Sedimentary evolution and shale gas exploration direction of the Lower Silurian in Middle-Upper Yangtze area. Journal of Palaeogeography, 2013, 15(5): 645-656.
[15]	王泽华, 朱筱敏, 孙中春, 等. 测井资料用于盆地中火成岩岩性识别及岩相划分: 以准噶尔盆地为例. 地学前缘, 2015, 22(3): 254-268. WANG Z H, ZHU X M, SUN Z C, et al. Igneous lithology identification and lithofacies classification in the basin using logging data: Taking Junggar Basin as an example. Earth Science Frontiers, 2015, 22(3): 254-268.
[16]	周正龙, 王贵文, 冉治, 等. 致密油储集层岩性岩相测井识别方法: 以鄂尔多斯盆地合水地区三叠系延长组7段为例. 石油勘探与开发, 2016, 43(1): 61-69. ZHOU Z L, WANG G W, RAN Z, et al. A logging identification method of tight oil reservoir lithology and lithofacies: a case from Chang 7 member of Triassic Yanchang Formation in Heshui area, Ordos Basin, NW China. Petroleum Exploration and Development, 2016, 43(1): 61-69.
[17]	车世琦. 测井资料用于页岩岩相划分及识别: 以涪陵气田五峰组-龙马溪组为例. 岩性油气藏, 2018, 30(1): 121-132. CHE S Q. Shale lithofacies identification and classification by using logging data: a case of Wufeng-Longmaxi Formation in Fuling gas field, Sichuan Basin. Lithologic Reservoirs, 2018, 30(1): 121-132.
[18]	王敏, 朱家俊, 余光华, 等. 罗家地区泥页岩岩相特征及测井分析技术. 测井技术, 2013, 37(4): 426-431. WANG M, ZHU J J, YU G H, et al. The shale lithofacies characteristics and logging analysis techniques in Luojia area. Well Logging Technology, 2013, 37(4): 426-431.
[19]	张超, 张立强, 陈家乐, 等. 渤海湾盆地东营凹陷古近系细粒沉积岩岩相类型及判别. 天然气地球科学, 2017, 28(5): 713-723. ZHANG C, ZHANG L Q, CHEN J L, et al. Lithofacies types and discrimination of Paleogene fine-grained sedimentary rocks in the Dongying Sag, Bohai Bay Basin, China. Natural Gas Geoscience, 2017, 28(5): 713-723.
[20]	HE J H, DING W L, JIANG Z X, et al. Logging identification and characteristic analysis of the lacustrine organic-rich shale lithofacies: a case study from the Es₃L shale in the Jiyang Depression, Bohai Bay Basin, Eastern China. Journal of Petroleum Science & Engineering, 2016, 145: 238-255.
[21]	操应长, 葸克来, 赵贤正, 等. 廊固凹陷沙四上亚段储层成岩相及其测井识别. 中南大学学报(自然科学版), 2015, 46(11): 4183-4194. CAO Y C, XI K L, ZHAO X Z, et al. Reservoir diagenetic facies and its logging identification of Es4s in Langgu Sag. Journal of Central South University(Science and Technology), 2015, 46(11): 4183-4194.
[22]	范宜仁, 李菲, 邓少贵, 等. 致密砂岩储层成岩相特征分析及测井识别. 测井技术, 2018, 42(3): 307-314. FAN Y R, LI F, DENG S G, et al. Characteristics analysis of diagenetic facies in tight sandstone reservoir and its logging identification. Well Logging Technology, 2018, 42(3): 307-314.
[23]	祝鹏, 林承焰, 吴鹏, 等. 基于主成分分析法的成岩相测井定量识别: 以五号桩油田桩62-66块沙三下Ⅰ油组储层为例. 地球物理学进展, 2015, 30(5): 2360-2365. ZHU P, LIN C Y, WU P, et al. Logging quantitative identification of diagenetic facies by using principal component analysis: a case of Es₃x¹ in Zhuang 62-66 area, Wuhaozhuang oilfeild. Progress in Geophysics, 2015, 30(5): 2360-2365.
[24]	朱怡翔, 石广仁. 火山岩岩性的支持向量机识别. 石油学报, 2013, 34(2): 312-322. ZHU Y X, SHI G R. Identification of lithologic characteristics of volcanic rocks by support vector machine. Acta Petrolei Sinica, 2013, 34(2): 312-322.
[25]	牟丹, 王祝文, 黄玉龙, 等. 基于SVM测井数据的火山岩岩性识别: 以辽河盆地东部坳陷为例. 地球物理学报, 2015, 58(5): 1785-1793. MOU D, WANG Z W, HUANG Y L, et al. Lithological identification of volcanic rocks from SVM well logging data: a case study in the eastern depression of Liaohe Basin. Chinese Journal of Geophysics, 2015, 58(5): 1785-1793.
[26]	刘跃杰, 刘书强, 马强, 等. BP神经网络法在三塘湖盆地芦草沟组页岩岩相识别中的应用. 岩性油气藏, 2019, 31(4): 101-111. LIU Y J, LIU S Q, MA Q, et al. Application of BP neutral network method to identification of shale lithofacies of Lucaogou Formation in Santanghu Basin. Lithologic Reservoirs, 2019, 31(4): 101-111.
[27]	CORINA A N, HOVDA S. Automatic lithology prediction from well logging using kernel density estimation. Journal of Petroleum Science and Engineering, 2018, 170: 664-674.
[28]	LOPES D M R, ANDRADE A J N. Lithology identification on well logs by fuzzy inference. Journal of Petroleum Science and Engineering, 2019, 180: 357-368.
[29]	ASOODEH M, BAGHERIPOUR P. Fuzzy classifier based support vector regression framework for Poisson ratio determination. Journal of Applied Geophysics, 2013, 96: 7-10.
[30]	SAGGAF M M, NEBRIJA E L. A fuzzy logic approach for the estimation of facies from wire-line logs. AAPG Bulletin, 2003, 87(7): 1223-1240.
[31]	李湘涛, 石文睿, 郭美瑜, 等. 涪陵页岩气田焦石坝区海相页岩气层特征研究. 石油天然气学报, 2014, 36(11): 11-15. LI X T, SHI W R, GUO M Y, et al. Characteristics of marine shale gas reservoirs in Jiaoshiba area of Fuling shale gas field. Journal of Oil and Gas Technology, 2014, 36(11): 11-15.
[32]	申宝剑, 仰云峰, 腾格尔, 等. 四川盆地焦石坝构造区页岩有机质特征及其成烃能力探讨: 以焦页1井五峰-龙马溪组为例. 石油实验地质, 2016, 38(4): 480-495. SHEN B J, YANG Y F, TENG G E, et al. Characteristics and hydrocarbon significance of organic matter in shale from the Jiaoshiba structure, Sichuan Basin: a case study of the Wufeng-Longmaxi formations in well Jiaoye 1. Petroleum Geology & Experiment, 2016, 38(4): 480-495.
[33]	张晓明, 石万忠, 徐清海, 等. 四川盆地焦石坝地区页岩气储层特征及控制因素. 石油学报, 2015, 36(8): 926-939. ZHANG X M, SHI W Z, XU Q H, et al. Reservoir characteristics and controlling factors of shale gas in Jiaoshiba area, Sichuan Basin. Acta Petrolei Sinica, 2015, 36(8): 926-939.
[34]	佘晓宇, 陈洁, 张士万, 等. 焦石坝地区中、古生界构造特征及其页岩气地质意义. 石油与天然气地质, 2016, 37(6): 828-837. SHE X Y, CHEN J, ZHANG S W, et al. Tectonic characteristics and their shale gas geological significance of the MesozoicPaleozoic in Jiaoshiba area, the Sichuan Basin. Oil & Gas Geology, 2016, 37(6): 828-837.
[35]	庹秀松, 陈孔全, 罗顺社, 等. 渝东大焦石坝地区差异构造变形. 石油与天然气地质, 2019, 40(5): 1074-1083. TUO X S, CHEN K Q, LUO S S, et al. Differential structural deformation of the Dajiaoshiba area, east Chongqing. Oil & Gas Geology, 2019, 40(5): 1074-1083.
[36]	陆扬博, 马义权, 王雨轩, 等. 上扬子地区五峰组-龙马溪组主要地质事件及岩相沉积响应. 地球科学, 2017, 42(7): 1169-1184. LU Y B, MA Y Q, WANG Y X, et al. The sedimentary response to the major geological events and lithofacies characteristics of Wufeng Formation-Longmaxi Formation in the Upper Yangtze area. Earth Science, 2017, 42(7): 1169-1184.
[37]	王超, 张柏桥, 陆永潮, 等. 焦石坝地区五峰组-龙马溪组一段页岩岩相展布特征及发育主控因素. 石油学报, 2018, 39(6): 631-644. WANG C, ZHANG B Q, LU Y C, et al. Lithofacies distribution characteristics and main development controlling factors of shale in Wufeng Formation-member 1 of Longmaxi Formation in Jiaoshiba area. Acta Petrolei Sinica, 2018, 39(6): 631-644.
[38]	张晓明, 石万忠, 舒志国, 等. 涪陵地区页岩含气量计算模型及应用. 地球科学, 2017, 42(7): 1157-1168. ZHANG X M, SHI W Z, SHU Z G, et al. Calculation model of shale gas content and its application in Fuling area. Earth Science, 2017, 42(7): 1157-1168.
[39]	王健, 石万忠, 舒志国, 等. 富有机质页岩TOC含量的地球物理定量化预测. 石油地球物理勘探, 2016, 51(3): 596-604. WANG J, SHI W Z, SHU Z G, et al. TOC content quantitative prediction in organic-rich shale. Oil Geophysical Prospecting, 2016, 51(3): 596-604.
[40]	徐壮, 石万忠, 翟刚毅, 等. 涪陵地区页岩总孔隙度测井预测. 石油学报, 2017, 38(5): 533-543. XU Z, SHI W Z, ZHAI G Y, et al. Well logging prediction for total porosity of shale in Fuling area. Acta Petrolei Sinica, 2017, 38(5): 533-543.
[41]	严伟, 刘帅, 冯明刚, 等. 四川盆地丁山区块页岩气储层关键参数测井评价方法. 岩性油气藏, 2019, 31(3): 95-104. YAN W, LIU S, FENG M G, et al. Well logging evaluation methods of key parameters for shale gas reservoir in Dingshan block, Sichuan Basin. Lithologic Reservoirs, 2019, 31(3): 95-104.
[42]	赵万金, 高海燕, 闫国亮, 等. 基于最优化估算和贝叶斯统计的TOC预测技术. 岩性油气藏, 2020, 32(1): 86-93. ZHAO W J, GAO H Y, YAN G L, et al. TOC prediction technology based on optimal estimation and Bayesian statistics. Lithologic Reservoirs, 2020, 32(1): 86-93.
[43]	蒋德鑫, 姜正龙, 张贺, 等. 烃源岩总有机碳含量测井预测模型探讨: 以陆丰凹陷文昌组为例. 岩性油气藏, 2019, 31(6): 109-117. JIANG D X, JIANG Z L, ZHANG H, et al. Well logging prediction models of TOC content in source rocks: a case of Wenchang Formation in Lufeng Sag. Lithologic Reservoirs, 2019, 31(6): 109-117.
[44]	白烨. 鄂尔多斯盆地测井成岩相判别. 长春: 吉林大学, 2013. BAI Y. Method of well-logging diagenetic facies identification in the Ordos Basin. Changchun: Jilin University, 2013.
[45]	JONES B, MANNING D A C. Comparison of geochemical indices used for the interpretation of palaeoredox conditions in ancient mudstones. Chemical Geology, 1994, 111: 111-129.
[46]	PATTAN J N, PEARCE N J G, MISLANKAR P G. Constraints in using cerium-anomaly of bulk sediments as an indicator of paleobottom water redox environment: a case study from the Central Indian Ocean Basin. Chemical Geology, 2005, 221: 260-278.
[47]	TIAN D, HE S, CHEN M F, et al. Quartz types and origins in the Paleozoic Wufeng-Longmaxi Formations, eastern Sichuan Basin, China: Implications for porosity preservation in shale reservoirs. Marine and Petroleum Geology, 2019, 106: 62-73.
[48]	秦建强, 付德亮, 钱亚芳, 等. 烃源岩有机质丰度预测的地球物理研究进展. 石油物探, 2018, 57(6): 803-812. QIN J Q, FU D L, QIAN Y F, et al. Progress of geophysical methods for the evaluation of TOC of source rock. Geophysical Prospecting for Petroleum, 2018, 57(6): 803-812.
[49]	崔玉峰. 致密砂岩储层成岩相测井表征方法及应用: 以鄂尔多斯盆地合水地区长7段为例. 青岛: 中国石油大学(华东), 2017. CUI Y F. Prediction of diagenetic facies using well logs and its application: a case study from the Chang 7 member in Heshui field, Ordos Basin. Qingdao: China University of Petroleum(East China), 2017.


岩性油气藏 2021, Vol. 33 Issue (2): 135-146	PDF