2025, Vol. 37
2. 山东立鼎石油科技有限公司，山东 东营 257100;
3. 西南石油大学 地球科学与技术学院，成都 610500;
4. 天然气地质四川省重点实验室，西南 石油大学，成都 610500;
5. 油气藏地质及开发工程全国重点实验室，西南石油大学，成都 610500
,
WANG Haiqing2
,
SHI Xuewen1,
ZENG Yuting2,
GAO Xiang1,
LI Jinyong2,
ZHANG Xuanang3,4,
YAN Jianping3,4,5
2. Shandong Leading Petro-Tech Co., Ltd., Dongying 257100, Shandong, China;
3. School of Geoscience and Technology, Southwest Petroleum University, Chengdu 610500, China;
4. Natural Gas Geology Key Laboratory of Sichuan Province, Southwest Petroleum University, Chengdu 610500, China;
5. National Key Laboratory of Oil & Gas Reservoir Geology and Exploitation, Southwest Petroleum University, Chengdu 610500, China
随着全球能源结构的演进，非常规油气资源的勘探与开发，特别是页岩油和页岩气的开采，已经成为能源领域关注的焦点，也成为了全球能源供应的重要组成部分[1]。深层页岩气（埋深大于3 500 m）资源量大、分布广，所处的地层温度高，地层压力大，有机质烃转化量高[2]，是中国非常规油气资源的重要组成部分。决定页岩油气储层开发潜力和经济效益的核心参数包括孔隙度、渗透率、有机质丰度（TOC）以及岩石力学性质参数等[3]。页岩储层的岩相划分与“甜点”预测是页岩气勘探开发的核心问题之一，而层理构造作为页岩的重要特征，对其储集性能和力学性质有着重要的影响[4-6]。因此，纹层识别对于页岩油气勘探开发至关重要。近年来，FMI（全井眼微电阻率扫描成像测井，Fullbore For mation Microimager）图像技术因其能够提供高分辨率的井壁图像，在页岩层理构造识别和沉积环境分析中得到了广泛应用。目前，主流的页岩层理构造识别方法包括直接对电成像测井图像进行人工分析判别[5]、声波锯齿频次识别页岩纹层结构[7]、元素扫描、阵列声波、核磁共振多重测井反演纹层发育情况[8]、单极板切片方法技术[9]以及人工智能算法识别纹层发育段[10]等。前人在基于传统测井和特殊测井方法分析页岩沉积构造特征方面取得了一定进展，但仍存在不少问题。如，非成像测井反演层理构造方法主要集中于定性或半定量描述，缺乏定量分析方法；成像测井的单极板切片方法技术存在噪声扰动风险；利用计算机视觉技术对纹层进行精细识别还需要更高性能的设备；从FMI图像中提取纹层发育段的特征，并与页岩储层品质关联的研究还较少，传统的层理构造分类及岩相预测方法在复杂地质条件下的适用性有待提升等。
基于四川盆地资中地区ZX01井寒武系筇竹寺组一段的FMI图像，提取等效微电导率（EC）曲线，通过动态图像复原、像素值分析及频谱处理，构建纹层发育曲线（LC）；结合岩矿组分、TOC测试及常规测井曲线数据分析，将LC曲线作为机器学习模型输入变量来识别岩相，探讨LC值与储层“甜点”参数的关系，以期为四川盆地筇竹寺组深层页岩气储层的精细描述提供新的技术手段，为多井批处理中页岩有利岩相的预测和对比以及页岩沉积时期古环境的恢复提供有利支持。
1 地质概况四川盆地位于扬子地块中上部，震旦纪至早寒武世经历了拉张构造作用，德阳—安岳裂陷槽逐渐发育[11]，并控制了下寒武统筇竹寺组黑色页岩的沉积[12]。研究区资中地区位于川中平缓构造单元，下寒武统沉积时正处于裂陷槽内（图 1a），水体较深，发育粉砂岩、泥质粉砂岩、页岩、砂质页岩、泥质灰岩等。本文重点研究层段筇竹寺组一段（筇一段）可分为筇一段1亚段（筇一1）和筇一段2亚段（筇一2），整个筇一段自下而上分为6个小层（图 1b）。
|
下载原图 图 1 四川盆地构造特征（a）及ZX01井寒武系筇竹寺组一段岩性地层综合柱状图（b）（据文献[12]修改） Fig. 1 Tectonic characteristics of Sichuan Basin (a) and comprehensive stratigraphic column of the first member of Cambrian Qiongzhusi Formation in well ZX01 (b) |
FMI图像是通过4个主极板和4个副极板的纽扣电极阵列测量不同深度井壁的电阻率，利用色标刻度生成井眼环周的二维图像[13]，图像颜色越浅，表示电阻率值越高；图像颜色越深，电阻率值越低。FMI具有极高的纵向和横向分辨率，能够清晰地反映井壁地层的岩性、结构、构造及细微变化，如裂缝、层理、结核、砾石颗粒、微断层及井壁崩落等特征[14-15]。静态电阻率成像通常使用较长的窗长（整个井段）对窗口内的数据进行统一的色彩等级刻度，这种图像均衡化方式适合观察较大的电阻率变化和进行岩性对比。简言之，静态图像是把较长井段内电阻率统一配色，每种颜色代表着固定的电阻率值范围，因此可以反映整个测量井段的相对电阻率变化。动态电阻率成像是使用较短的窗长（通常不超过1 m），对一定深度段内的电阻率进行颜色刻度[16-17]，突出局部井段电阻率变化，这种处理方式更适合对一小段地层特征进行增强，由于每段采用的颜色刻度不一样，因此不同井深、相同颜色的图像可能代表的电阻率值不一样。
由于测量仪器极板间隙的存在，电成像测井图像常存在空白条带[18]，这会对后续信息提取造成一定的障碍。为了精确地反映地层的结构和构造特征，选取四川盆地资中地区ZX01井筇竹寺组一段页岩的完整动态FMI图像，通过改进的Criminisi算法[13]对空白带进行井壁复原，呈现全井眼覆盖的FMI图像。
2.2 等效微电导率曲线（EC）提取在缺乏原始测井数据的情况下，直接从复原后的FMI图像中提取微电导率曲线是一项挑战。然而，图像中色彩的深浅变化能够间接反映电阻率或电导率的相对大小，可以通过分析二维图像中的像素点值来表征电阻率或电导率的变化，通常较低的像素值指示较高的电阻率（较低的电导率），较高的像素值则表示较低的电阻率（较高的电导率）。具体步骤（图 2）：首先，将复原后的彩色图转换为单通道灰度图，提取单通道灰度图像中每个像素点的值，一般为0~255；其次，计算每一行像素点的平均值，该值代表该行的平均电导率大小；最终，在深度域上绘制出像素平均值的曲线，即可得到等效微电导率（EC）曲线。
|
下载原图 图 2 等效微电导率（EC）曲线提取原理 Fig. 2 Principle of extracting equivalent micro-electrical conductivity curve |
通过对比分析ZX01井筇竹寺组页岩地层中的纹层发育段与块状段在FMI图像上的表现，发现纹层发育段在一定厚度范围内呈现出明暗相间的细条纹，且条纹内部没有明显的明暗变化，其EC曲线具有高频振荡，且振幅较大的特征；块状段在FMI图像上几乎观察不到细条纹，整体色彩较为均匀，EC曲线表现为低频振荡，振幅较小（图 3）
|
下载原图 图 3 四川盆地资中地区ZX01井寒武系筇竹寺组一段页岩纹层发育段及块状段特征对比 （a）纹层段等效微电导率（EC）曲线及FMI图像，EC曲线为图（b）中红框段放大图；（b）纹层段等效微电导率（EC）曲线；（c）纹层段演化能谱分析与多锥度能谱分析；（d）纹层段纹层信号增强曲线（LE）；（e）块状段等效微电导率（EC）曲线及FMI图像，EC曲线为图（f）中红框段放大图；（f）块状段等效微电导率（EC）曲线；（g）块状段演化能谱分析与多锥度能谱分析；（h）块状段纹层信号增强曲线（LE）。 Fig. 3 Comparison of characteristics between lamination developed intervals and massive intervals in the first member of Cambrian Qiongzhusi Formation shale from well ZX01 in Zizhong area, Sichuan Basin |
测井信号作为深度域上的连续数值序列，若将深度视为时间域，则整个研究段的测井数据可用于连续函数分析，以提取各种属性参数[19]。演化频谱分析（Evolutionary Spectral Analysis，ESA）作为一种时频分析方法，广泛应用于地球物理数据处理和信号处理等领域，旨在分析信号频谱随时间（深度）的变化[20]，常用的分析方法包括滑动窗傅里叶变换（SDFT）和小波变换（Wavelet Transform）等。多锥度谱分析（MTM）是传统功率谱估计方法的一种改进技术，特别适用于平稳信号的频域特征提取[21]。结合EC曲线在纹层发育段与块状段的特征，发现不同频率的信号强度能够指示纹层的发育状况。
将深度视为时间域，对EC曲线进行频谱分析和演化频谱分析。设置滑动窗口为2.0 m，步长为0.02 m，选取部分纹层发育段（4 374~4 386 m）和块状段（4 471~4 479 m）的EC曲线进行MTM和SDFT处理。分析结果显示，纹层发育段的信号频率主要为0~65 m-1，而块状段的信号频率主要为0~20 m-1（图 3c，3g）。对EC曲线进行傅里叶带通滤波，设计频率为20~60 m-1，得到纹层信号增强曲线（LE）（图 3d）。傅里叶带通滤波的数学表达式为
| $ G(f)= \begin{cases}1, & 20<f<60 \\ 0, & \text { otherwise }\end{cases} $ | (1) |
式中：G(f)是滤波器的频率响应函数，G(f)= 1表示允许该频段的信号通过，G(f)= 0表示抑制其他频率成分；f为频率，1/m。
2.4 纹层发育曲线（LC）重构LE曲线能够直观展示纹层的发育情况，但难以用于后续的定量分析。因此，进一步对LE曲线进行处理：首先对其进行绝对值处理，然后提取包络线，并对包络线进行标准化（归一化）处理，最终得到能够用于定量分析纹层发育程度的曲线，命名为纹层发育曲线（LC）（图 4）。
|
下载原图 图 4 纹层发育曲线（LC）提取步骤 Fig. 4 Lamination development curve(LC) extraction steps |
在对资中地区ZX01井FMI图像特征进行分析的基础上，结合前人关于页岩层理构造的研究成果[22-23]，对井壁复原后FMI图像上的页岩层理构造进行了详细分类，可分为纹层状构造、层状构造和块状构造3类（图 5）。
|
下载原图 图 5 四川盆地资中地区寒武系筇竹寺组一段3种层理构造类型的发育特征及LC曲线响应 Fig. 5 Development characteristics of three bedding structures and their LC curve responses of the first member of Cambrian Qiongzhusi Formation in Zizhong area, Sichuan Basin |
（1）纹层状构造。在FMI图像上表现为一定厚度范围内的明暗相间细条纹分布，条纹内部无明显色彩变化，单个条纹的厚度小于40 mm，层理发育密度大于25条/m（层理发育密度值是在FMI图像上不分构造段随机取19个长度为1 m的采样段，统计每段层理发育数量），LC值通常大于0.16（图 6）。海相页岩纹层的形成是由季节性悬浮和化学作用交替沉积形成的[7]，表明沉积环境为静水动力，沉积过程缓慢，通常为深水陆棚相沉积。
|
下载原图 图 6 四川盆地资中地区ZX01井寒武系筇竹寺组一段层理发育密度与LC的关系 注：层理发育密度值是在FMI图像上不分构造段随机取19个长度为1 m的采样段，统计每段层理发育数量。 Fig. 6 Relationship of bedding development density and LC of the first member of Cambrian Qiongzhusi Formation in well ZX01 of Zizhong area, Sichuan Basin |
（2）层状构造。在FMI图像上表现为厚条纹分布，条纹厚度大于40 mm，层理发育密度小于25条/m，LC值一般小于0.16（图 6）。层状构造的形成受机械沉积和化学沉积共同影响，指示较强的水动力和陆源输入，沉积速率较快，通常为浅水陆棚相沉积。
（3）块状构造。在FMI图像上难以观察到细条纹，颜色相对均匀，LC值较低。通常指示强水动力和物源输入，沉积速率快，部分伴随风暴、地震等引起的事件性沉积。纹层状构造和层状构造都代表着较强的机械分异作用，沉积介质和沉积物整体服从牛顿内摩擦定律，属于牵引流影响的沉积构造，而块状构造沉积时沉积介质与沉积物混为一体，以悬移方式搬运为主，不服从牛顿内摩擦定律，属于重力流影响下的沉积构造。
对ZX01井筇一段FMI图像进行分类处理，根据每种层理构造的LC曲线阈值进行划分。结果（图 7）表明：纹层发育段主要为4 847~4 868 m，4 780~4 822 m和4 587~4 620 m，分布于1、3、5小层，通常表现出高自然伽马（GR）、高铀含量、低电阻率（Rt）的特征。研究区筇一段1、3、5小层属于深水陆棚相，水体较深且水动力弱，有利于纹层状构造的形成[24]，这些小层的沉积受海侵旋回控制，气候湿润、营养物质丰富，古生产力较高，保存条件良好，有机质得以富集。因此，筇一段纹层发育段的GR值和U含量较高，Rt值偏低可能与还原环境下形成的黄铁矿和有机质高热演化程度（Ro= 3.36%）有关[25]，部分有机质发生石墨化，导致低电阻率现象[26]。块状构造较为发育的2、4、6小层为海退旋回，有机质在沉积的同时受陆源输入影响而被稀释和氧化[27]，不利于有机质保存，故而GR值和U含量均较低。
|
下载原图 图 7 四川盆地资中地区ZX01井寒武系筇竹寺组一段测井综合剖面及纹层发育段划分 Fig. 7 Integrated logging profile and lamination developed interval division of the first member of Cambrian Qiongzhusi Formation in well ZX01 of Zizhong area, Sichuan Basin |
通过分析纹层发育段的X射线衍射分析得到的矿物含量以及多尺度影像可知：
（1）1小层（4 847~4 868 m）主要发育硅质纹层，石英平均质量分数为86%，其中陆源石英和自生石英质量分数各占50%，陆源石英颗粒呈随机漂浮状，粒径为10~30 μm；自生石英自形程度较高，粒径为1~3 μm，其余矿物质量分数均小于10%。在FMI图像上富有机质石英质纹层细密且明显，常伴随发育有零星的黄铁矿（8a—8d）。这类纹层是在半深海厌氧条件下，硅质生物悬浮沉降和陆源石英经底流带入交替沉积形成，并伴随成岩作用[28]。
（2）3小层（4 780~4 822 m）发育长石质石英纹层，石英、长石的平均质量分数分别为39% 和30%。岩心和FMI尺度下纹层构造明显。扫描电镜下颗粒接触相对紧密，石英粒径普遍为20~40 μm，长石、石英颗粒大小相近，偶见聚片双晶的长石和少量自生石英，自生石英粒径为1~3 μm（图 8e—8h）。这类纹层是在缺氧条件下，硅质生物和季节性陆源输入的细粒沉积物以垂直沉降或侧向加积的方式沉降到深水区而形成。
|
下载原图 图 8 四川盆地资中地区ZX01井上寒武统筇竹寺组一段纹层发育段岩心特征及电成像特征 （a）薄片尺度下的硅质纹层，4 852.0 m；（b）FE-SEM尺度下的陆源石英，4 864.0 m；（c）FE-SEM尺度下的自生石英，4 864.0 m；（d）FMI尺度下的硅质纹层，4 864.5~4 865.0 m；（e）薄片尺度下的长石质石英纹层（定向组构不明显），4 799.0 m；（f）岩心尺度下的长石质石英纹层，4 796.0 m；（g）FE-SEM尺度下的长石，4 799.0 m；（h）FMI尺度下的长石质石英纹层，4 803.5~4 804.0 m；（i）薄片尺度下的石英质长石纹层（定向组构不明显），4 607.0 m；（j）岩心尺度下的石英质长石纹层，4 593.0 m；（k）FE-SEM尺度下的长石，4 799.0 m；（l）FMI尺度下的石英质长石纹层，4 606.5~4 607.0 m。 Fig. 8 Core characteristics and electrical imaging features of lamination developed intervals in the first member of Upper Cambrian Qiongzhusi Formation in well ZX01 of Zizhong area, Sichuan Basin |
（3）5小层（4 587~4 620 m）发育石英质长石纹层，石英、长石的平均质量分数分别为37% 和38%。扫描电镜下未见自生石英，颗粒排列紧密，长石较多，颗粒具有定向性。石英粒径一般为20~30 μm，长石一般呈长轴，粒径为30~50 μm。FMI图像上纹层较细密且不明显，伴随发育有页理缝（图 8i—8l）。形成方式与长石质石英纹层类似，但陆源输入相对较多。
4 LC曲线的应用 4.1 提高页岩岩相识别准确率页岩岩相控制着页岩的生烃潜力、储集性能以及可压裂性[29]，因此页岩气储层岩相的精细划分及预测对其勘探开发层位的优选有着重要的意义。前人对页岩气储层岩相划分的主要依据是“总有机碳（TOC）含量+层理构造+岩性”[22, 30-31]。其中，有机质与铀离子形成铀酰有机络合物，对铀离子产生物理和化学吸附作用[32-33]，所以GR曲线和U含量曲线对TOC含量较为敏感。不同矿物的力学性质、放射性、声速和电阻率等岩石物理性质不同，因而可以由GR、无铀伽马（KTH）、声波时差（AC）、补偿密度（DEN）、补偿中子（CNL）和深电阻率（Rt）等联合反演。Yan等[22]通过测井曲线的分形特征对纹层发育段进行识别，进而预测页岩岩相，但准确率仍需提高。引入LC曲线作为特征向量的页岩岩相深度学习识别方法，可弥补对页岩层理构造识别精度低的不足。
通过对资中地区ZX01井筇一段岩心进行TOC测试、X射线衍射分析以及岩心和薄片观察，以三重信息“TOC+层理构造+岩性”作为划分岩相的依据，可将该层段页岩划分为5类岩相：富有机质纹层状硅质页岩相（RLI）、中有机质纹层状硅质页岩相（MLI）、中有机质层状硅质页岩相（MBI）、中有机质块状硅质页岩相（MMI）和贫有机质硅质页岩相（PI）（图 9，图 11）。分析认为筇竹寺组沉积时期ZX01井位于德阳—安岳裂陷槽内，受陆源物质输入影响较小[34]，自生石英（热液成因、生物成因、矿物转化等）含量较高[35]，因此岩性多为硅质页岩。
|
下载原图 图 9 四川盆地资中地区ZX01井寒武系筇竹寺组一段页岩岩相划分依据三重信息示意图 注：Ⅰ. 硅质页岩；Ⅱ. 黏土质页岩；Ⅲ. 钙质页岩；Ⅳ. 混合质页岩。 Fig. 9 Schematic diagram of triple-information-based shale lithofacies classification of the first member of Cambrian Qiongzhusi Formation in well ZX01 of Zizhong area, Sichuan Basin |
|
下载原图 图 10 2种预测四川盆地资中地区寒武系筇竹寺组一段岩相的预测方法精确度热力图 注：RLI. 富有机质纹层状硅质页岩相；MLI. 中有机质纹层状硅质页岩相；MBI. 中有机质层状硅质页岩相；MMI. 中有机质块状硅质页岩相；PI. 贫有机质硅质页岩相。 Fig. 10 Heatmaps of the accuracy of two lithofacies prediction methods for the first member of Cambrian Qiongzhusi Formation in Zizhong area, Sichuan Basin |
|
下载原图 图 11 四川盆地资中地区ZX01井寒武系筇竹寺组一段页岩岩相划分及预测结果对比 Fig. 11 Comparison of classified and predicted shale lithofacies of the first member of Cambrian Qiongzhusi Formation in well ZX01 of Zizhong area, Sichuan Basin |
卷积神经网络（Convolutional Neural Networks，CNN）是一种深度学习的人工神经网络，主要用于模式识别和对象分类，由输入层、若干卷积层和输出层组成，其中卷积层使用一组独特的权重和滤波器从输入数据中提取特征[36]。高飞等[37]利用逻辑回归（GGD-LRC）、支持向量机（SVM）和一维卷积神经网络（1D-CNN）3种算法对Panoma油气田的岩相进行了预测并对比效果，证明了1D-CNN具有较强的稳健性。1D-CNN适用于处理一维序列数据，如音频信号、时间序列数据等，通过一维卷积操作来提取序列中的特征，适用于测井采样数据以及本文重构的纹层发育曲线LC。
训练机器学习/深度学习模型之前，需对特征向量进行标准化处理，这是为了确保模型中的所有特征具有相同的尺度，这样可以加快基于梯度下降的优化算法的收敛速度，提高数值计算的稳定性，避免模型对某些特征的偏好，从而提高模型的泛化能力和性能。标准化还有助于减少对异常值的敏感性，降低过拟合风险，并确保基于距离的算法能够公平地度量特征间的距离，这对于模型的准确性和效率至关重要[38]。因此选择将GR、KTH、AC、DEN、CNL和LC曲线进行线性标准化，而对Rt曲线进行对数标准化。
线性标准化：
| $ X_{\mathrm{b} 1}=\frac{X-X_{\min }}{X_{\max }-X_{\min }} $ | (2) |
对数标准化：
| $ X_{\mathrm{b} 2}=\frac{\lg X-\lg X_{\min }}{\lg X_{\max }-\lg X_{\min }} $ | (3) |
式中：Xb1和Xb2分别为线性标准化和对数标准化后的测井数据；X为原始测井数据；Xmax和Xmin分别为原始测井数据的最大值和最小值。
将数据进行预处理后，再进行1D-CNN模型搭建，模型包括
① 输入层（Input）。模型的输入形状为（n×1）的一维序列数据，其中n为输入的特征向量个数。为了突显引入LC曲线对岩相识别精度的影响，设计分2种预测方法进行实验并对比，第一种输入不包括LC，即n取6；第二种输入包括LC，n取7。
② 卷积层（conv1d）与归一化层（Batch Normalization）。首先，经过一个一维卷积层，采用32个滤波器（filters），卷积核大小（kernel size）为7，激活函数为ReLU，填充方式为same，保持输出序列长度与输入序列一致。随后，再经过一层相同参数配置的卷积操作以进一步提取局部特征，并通过批归一化层对卷积结果进行标准化，避免梯度消失或爆炸现象的发生。
③ 池化层（max_pooling1d）。归一化后的特征图通过一个最大池化层（MaxPooling1D）进行下采样，池化窗口大小和步长均设置为2，以减少特征图的长度和计算复杂度，同时保留关键特征信息。
④ 深层卷积与归一化。在第一阶段特征提取的基础上，模型进一步叠加一个卷积层（参数与前述相同），并再次进行批归一化处理，以对高阶特征进行提取和优化。此后，经过另一个最大池化层进一步压缩特征长度。
⑤ 全局平均池化层（Global Average Pooling 1D）。为了将多维特征映射为低维特征向量，模型采用全局平均池化层，对每个特征进行全局平均操作，生成固定长度的特征向量，从而实现特征维度的进一步压缩，为后续的全连接层或输出层提供输入。
⑥ 全连接层（Dense）。由于输出标签为5种岩相类型，在模型的最后加入了一层形状为（1×5）的全连接层，采用softmax激活函数使得输出为每种类型的概率分布。
将设计的2种预测方法进行训练并预测，标签数据集中70% 的数据作为训练集，30% 为测试集。结果显示，预测方法1的精确度为93.0%，而预测方法2的精确度为96.0%（图 10）；预测方法1对部分中有机质岩相（MLI、MBI和MMI）的预测精确度相对较低，而方法2改善了这种不足（图 11），证明引入LC曲线作为特征向量可以提升利用深度学习进行页岩岩相划分和预测的准确率。
4.2 评价页岩气“甜点”页岩气储层中的“甜点”指的是那些相对高产的层位和区域，这些区域通常具有有机质丰富、储层物性好、含气量高、改造潜力大和资源规模大等特点[39-41]。选取TOC含量、孔隙度、含气量作为页岩气储层“甜点”参数，页岩脆性作为工程“甜点”参数。有机质丰度一定程度上影响着页岩气储层生烃潜力、吸附能力、储集空间等[42]，孔隙度控制着页岩气储集空间的大小，含气量则为地质“甜点”的核心，与页岩气产量紧密关联。页岩脆性影响着裂缝的扩展[43]，是页岩储层压裂改造的基础[44]，本文利用行业标准NB/T 10248-2019[45]提供的矿物组分法计算得出页岩脆性。
分析ZX01井取心段测得的TOC含量、孔隙度、脆性和含气量与LC值的关系可知：TOC含量与LC呈正相关关系（图 12a），这与U含量与LC关系的分析结果一致。通常，页岩TOC含量越高，有机孔越发育，孔隙度就越大，而该井筇竹寺组一段页岩孔隙度却与LC呈弱负相关关系（图 12b），分析认为可能是由于筇竹寺组页岩气储层无机孔（长石溶蚀孔）比较发育[25]，且热演化程度高导致有机孔坍缩[46]，造成孔隙度降低。脆性与LC呈正相关（图 12c），说明纹层越发育，脆性矿物的含量就越高。在水力压裂过程中，脆性较高的层段有利于裂缝扩展，配合纹层的发育可形成复杂的缝网系统[47]，有助于提高页岩气井的产量[48]。筇竹寺组页岩气赋存类型以游离气为主，也与LC呈正相关关系（图 12d），游离气含量控制着初始页岩气的高产，而吸附气含量某种程度上影响着页岩气的稳产。综上分析可知，在探寻页岩气储层“甜点”层段时，应考虑纹层的发育程度，而页岩的LC值也可以视作一类重构出的“甜点”参数。
|
下载原图 图 12 四川盆地上寒武统筇竹寺组一段页岩气储层“甜点”参数与纹层发育曲线LC的关系 Fig. 12 Relationship of LC with"sweet spot"parameters of shale gas reservoir from the first member of Cambrian Qiongzhusi Formation in Sichuan Basin |
（1）将FMI图像进行井壁复原、等效微电导率曲线（EC）提取、频谱分析、带通滤波以及曲线变换等技术手段处理后重构出的纹层发育曲线（LC），可以较好地反映页岩纹层发育程度及层理构造类型、特征。
（2）引入LC曲线作为一维卷积神经网络（1DCNN）特征向量的输入，可以将岩相预测的准确率从93.0% 提升至96.0%，尤其在存在明显纹层差异的中有机质岩相（MLI、MBI、MMI）的预测中效果突出，提高了利用深度学习方法进行页岩岩相预测的准确率。
（3）纹层发育段通常具有高TOC、较强脆性和高含气量，LC曲线值可作为预测页岩气“甜点”的一种参数指标（LC > 0.16），为页岩气储层的“甜点”评价与靶体优选提供了新的思路。
| [1] |
ZHANG Shaolong, YAN Jianping, CAI Jingong, et al. Fracture characteristics and logging identification of lacustrine shale in the Jiyang Depression, Bohai Bay Basin, Eastern China. Marine and Petroleum Geology, 2021, 132: 105192. |
| [2] |
闫建平, 来思俣, 郭伟, 等. 页岩气井地质工程套管变形类型及影响因素研究进展. 岩性油气藏, 2024, 36(5): 1-14. YAN Jianping, LAI Siyu, GUO Wei, et al. Research progress on casing deformation types and influencing factors in geological engineering of shale gas wells. Lithologic Reservoirs, 2024, 36(5): 1-14. DOI:10.12108/yxyqc.20240501 |
| [3] |
腾格尔, 卢龙飞, 俞凌杰, 等. 页岩有机质孔隙形成、保持及其连通性的控制作用. 石油勘探与开发, 2021, 48(4): 687-699. TENG Geer, LU Longfei, YU Lingjie, et al. Formation, preservation and connectivity control of organic pores in shale. Petroleum Exploration and Development, 2021, 48(4): 687-699. |
| [4] |
窦伟, 孙丕臣, 欧阳哲远, 等. 纹层发育程度对页岩储层的影响: 以渤海湾盆地东营凹陷沙四上-沙三下亚段页岩为例. 东北石油大学学报, 2023, 47(4): 14-28. DOU Wei, SUN Pichen, OUYANG Zheyuan, et al. Influence of lamination development on shale reservoirs: A case study of shales from the Upper Es4 and Lower Es3 Sub-member in the Dongying Sag of the Bohai Bay Basin. Journal of Northeast Petroleum University, 2023, 47(4): 14-28. |
| [5] |
华柑霖, 吴松涛, 邱振, 等. 页岩纹层结构分类与储集性能差异: 以四川盆地龙马溪组页岩为例. 沉积学报, 2021, 39(2): 281-296. HUA Jinlin, WU Songtao, QIU Zhen, et al. Lamination texture and its effect on reservoir properties: A case study of Longmaxi Shale, Sichuan Basin. Acta Sedimentologica Sinica, 2021, 39(2): 281-296. |
| [6] |
LUO Jingchao, YAN Jianping, ZHENG Majia, et al. Effects of mineral composition and lamina on mechanical properties and fractures of the Wufeng-Longmaxi shale in the Luzhou area of the southern Sichuan Basin. Energy & Fuels, 2023, 37(18): 13949-13959. |
| [7] |
管倩倩, 蒋龙, 程紫燕, 等. 东营凹陷页岩油岩相要素测井评价新方法及其应用. 油气藏评价与开发, 2024, 14(3): 435-445. GUAN Qianqian, JIANG Long, CHENG Ziyan, et al. A new method of shale oil facies element logging evaluation and its application in Dongying Sag. Petroleum Reservoir Evaluation and Development, 2024, 14(3): 435-445. |
| [8] |
谭玉涵, 张凤生, 姚亚彬, 等. 页岩纹层的测井评价方法研究: 以川南五峰组-龙马溪组为例. 地质科技通报, 2023, 42(6): 281-296. TAN Yuhan, ZHANG Fengsheng, YAO Yabin, et al. Logging evaluation of shale laminae: A case study from the WufengLongmaxi formations in the southern Sichuan Basin. Bulletin of Geological Science and Technology, 2023, 42(6): 281-296. |
| [9] |
赖锦, 肖露, 白天宇, 等. 成像测井解释评价方法及其地质应用. 地质科技通报, 2024, 43(3): 323-340. LAI Jin, XIAO Lu, BAI Tianyu, et al. Interpretation and evaluation methods of image logs and their geological applications. Bulletin of Geological Science and Technology, 2024, 43(3): 323-340. |
| [10] |
程希, 任战利. 人工智能测井: 基础、原理、技术及应用. 煤田地质与勘探, 2024, 52(8): 145-164. CHENG Xi, REN Zhanli. Artificial intelligence logging: Foundations, principles, technologies, and applications. Coal Geology & Exploration, 2024, 52(8): 145-164. |
| [11] |
周刚, 杨岱林, 孙奕婷, 等. 四川盆地及周缘寒武系沧浪铺组沉积充填过程及油气地质意义. 岩性油气藏, 2024, 36(5): 25-34. ZHOU Gang, YANG Dailin, SUN Yiting, et al. Sedimentary filling process and petroleum geological significance of Cambrian Canglangpu Formation in Sichuan Basin and adjacent areas. Lithologic Reservoirs, 2024, 36(5): 25-34. DOI:10.12108/yxyqc.20240503 |
| [12] |
魏全超, 李小佳, 李峰, 等. 四川盆地米仓山前缘旺苍地区下寒武统筇竹寺组裂缝脉体发育特征及意义. 岩性油气藏, 2023, 35(5): 62-70. WEI Quanchao, LI Xiaojia, LI Feng, et al. Development characteristics and significance of fracture veins of Lower Cambrian Qiongzhusi Formation in Wangcang area at Micang Mountain front, Sichuan Basin. Lithologic Reservoirs, 2023, 35(5): 62-70. DOI:10.12108/yxyqc.20230506 |
| [13] |
罗歆, 闫建平, 王敏, 等. FMI测井图像井壁复原方法优化及应用. 测井技术, 2021, 45(4): 386-393. LUO Xin, YAN Jianping, WANG Min, et al. Optimization and application of borehole wall restoration method of FMI logging image. Well Logging Technology, 2021, 45(4): 386-393. |
| [14] |
闫建平, 蔡进功, 赵铭海, 等. 电成像测井在砂砾岩体沉积特征研究中的应用. 石油勘探与开发, 2011, 38(4): 444-451. YAN Jianping, CAI Jingong, ZHAO Minghai, et al. Application of electrical image logging in the study of sedimentary characteristics of sandy conglomerates. Petroleum Exploration and Development, 2011, 38(4): 444-451. |
| [15] |
袁子龙, 陈曦, 张洪江. 电成像测井资料在砂砾岩油气藏岩性识别中的应用. 科学技术与工程, 2012, 12(4): 758-761. YUAN Zilong, CHEN Xi, ZHANG Hongjiang. An application of resistivity imaging logging data in lithologic identification of glutenite reservoir. Science Technology and Engineering, 2012, 12(4): 758-761. |
| [16] |
罗歆, 闫建平, 王军, 等. 基于FMI图像深度学习的砂砾岩体沉积微相识别方法: 以东营凹陷北带Y920区块沙四上亚段为例. 沉积学报, 2023, 41(4): 1138-1152. LUO Xin, YAN Jianping, WANG Jun, et al. A method for identifying sedimentary microfacies in a sandy conglomerate body on deep learning of FMI images: Case study of upper submember of the Fourth member, Shahejie Formation in Y920 block, northern zone, Dongying Sag. Acta Sedimentologica Sinica, 2023, 41(4): 1138-1152. |
| [17] |
任昱霏, 闫建平, 王敏, 等. 复杂碎屑岩粒度测井反演方法及在岩性精细识别中的应用. 古地理学报, 2025, 27(1): 240-255. REN Yufei, YAN Jianping, WANG Min, et al. Particle size logging inversion method of deep complex clastic rock and its application in fine lithology identification. Journal of Palaeogeography(Chinese Edition), 2025, 27(1): 240-255. |
| [18] |
刘娟, 闵宣霖, 漆仲黎, 等. 基于电成像测井的多维度岩性识别方法. 测井技术, 2023, 47(6): 726-735. LIU Juan, MIN Xuanlin, QI Zhongli, et al. Multi-dimensional lithology identification method based on microresistivity image logging. Well Logging Technology, 2023, 47(6): 726-735. |
| [19] |
赖富强, 夏炜旭, 龚大建, 等. 基于小波高频属性的泥页岩裂缝测井识别方法研究. 地球物理学进展, 2020, 35(1): 124-131. LAI Fuqiang, XIA Weixu, GONG Dajian, et al. Logging identification method of mud shale fractures based on wavelet high frequency attribute. Progress in Geophysics, 2020, 35(1): 124-131. |
| [20] |
郭志伟. 时频分析在高精度地震资料处理中的应用研究[D]. 北京: 中国石油大学(北京), 2020. GUO Zhiwei. Research on application of time-frequency analysis in high-precision seismic data[D]. Beijing: China University of Petroleum(Beijing), 2020. |
| [21] |
THOMSON D J. Spectrum estimation and harmonic analysis. Proceedings of the IEEE, 1982, 70(9): 1055-1096. |
| [22] |
YAN Jianping, HE Xu, HU Qinhong, et al. Lower Es3 in Zhanhua Sag, Jiyang Depression: A case study for lithofacies classification in lacustrine mud shale. Applied Geophysics, 2018, 15(2): 151-164. |
| [23] |
林中凯, 张少龙, 李传华, 等. 湖相页岩油地层岩相组合类型划分及其油气勘探意义: 以博兴洼陷沙河街组为例. 油气藏评价与开发, 2023, 13(1): 39-51. LIN Zhongkai, ZHANG Shaolong, LI Chuanhua, et al. Types of shale lithofacies assemblage and its significance for shale oil exploration: A case study of Shahejie Formation in Boxing Sag. Petroleum Reservoir Evaluation and Development, 2023, 13(1): 39-51. |
| [24] |
雍锐, 石学文, 罗超, 等. 四川盆地寒武系筇竹寺组页岩气"槽-隆"富集规律及勘探前景. 石油勘探与开发, 2024, 51(6): 1211-1226. YONG Rui, SHI Xuewen, LUO Chao, et al. Aulacogen-uplift enrichment pattern and exploration prospect of Cambrian Qiongzhusi Formation shale gas in Sichuan Basin, SW China. Petroleum Exploration and Development, 2024, 51(6): 1211-1226. |
| [25] |
何骁, 郑马嘉, 刘勇, 等. 四川盆地"槽-隆"控制下的寒武系筇竹寺组页岩储层特征及其差异性成因. 石油与天然气地质, 2024, 45(2): 420-439. HE Xiao, ZHENG Majia, LIU Yong, et al. Characteristics and differential origin of Qiongzhusi Formation shale reservoirs under the"aulacogen-uplift"tectonic setting, Sichuan Basin. Oil & Gas Geology, 2024, 45(2): 420-439. |
| [26] |
HUANG Lisha, YAN Jianping, LIAO Maojie, et al. Comparison and significance between low- and normal-resistivity shales of Wufeng-Longmaxi Formation in Changning area, southern Sichuan Basin. Energy & Fuels, 2024, 38(15): 14324-14333. |
| [27] |
GAO Ping, LI Shuangjian, LASH G G, et al. Stratigraphic framework, redox history, and organic matter accumulation of an Early Cambrian intraplat from basin on the Yangtze Platform, South China. Marine and Petroleum Geology, 2021, 130: 105095. |
| [28] |
熊敏, 陈雷, 陈鑫, 等. 海相页岩纹层特征、成因机理及其页岩气意义. 中南大学学报(自然科学版), 2022, 53(9): 3490-3508. XIONG Min, CHEN Lei, CHEN Xin, et al. Characteristics, genetic mechanism, and shale gas significance of marine shale bedding. Journal of Central South University(Science and Technology), 2022, 53(9): 3490-3508. |
| [29] |
康家豪, 王兴志, 谢圣阳, 等. 川中地区侏罗系大安寨段页岩岩相类型及储层特征. 岩性油气藏, 2022, 34(4): 53-65. KANG Jiahao, WANG Xingzhi, XIE Shengyang, et al. Lithofacies types and reservoir characteristics of shales of Jurassic Da' anzhai member in central Sichuan Basin. Lithologic Reservoirs, 2022, 34(4): 53-65. DOI:10.12108/yxyqc.20220406 |
| [30] |
黄莉莎, 闫建平, 刘明洁, 等. 深层致密砂岩气储层成岩相测井识别及应用: 以川西坳陷大邑须家河组须三段为例. 中国矿业大学学报, 2022, 51(1): 107-123. HUANG Lisha, YAN Jianping, LIU Mingjie, et al. Diagenetic facies logging identification and application of deep tight sandstone gas reservoir: A case study of the third member of Xujiahe formation in Dayi area of western Sichuan depression. Journal of China University of Mining & Technology, 2022, 51(1): 107-123. |
| [31] |
李跃纲, 周安富, 谢伟, 等. 四川盆地南部泸州地区五峰组- 龙一1亚段页岩岩相划分及储层发育主控因素. 天然气工业, 2022, 42(8): 112-123. LI Yuegang, ZHOU Anfu, XIE Wei, et al. Lithofacies division and main controlling factors of reservoir development in Wufeng Formation-Long11 sub-member shale in the Luzhou region, south Sichuan Basin. Natural Gas Industry, 2022, 42(8): 112-123. |
| [32] |
蔡郁文, 王华建, 王晓梅, 等. 铀在海相烃源岩中富集的条件及主控因素. 地球科学进展, 2017, 32(2): 199-208. CAI Yuwen, WANG Huajian, WANG Xiaomei, et al. Formation conditions and main controlling factors of uranium in marine source rocks. Advances in Earth Science, 2017, 32(2): 199-208. |
| [33] |
ALGEO T J, MAYNARD J B. Trace-element behavior and redox facies in core shales of Upper Pennsylvanian Kansas-type cyclothems. Chemical Geology, 2004, 206(3/4): 289-318. |
| [34] |
吴冬, 邓虎成, 熊亮, 等. 四川盆地及其周缘下寒武统麦地坪组-筇竹寺组层序充填和演化模式. 石油与天然气地质, 2023, 44(3): 764-777. WU Dong, DENG Hucheng, XIONG Liang, et al. Sequence filling and evolutionary model of the Lower Cambrian MaidipingQiongzhusi formations in Sichuan Basin and on its periphery. Oil & Gas Geology, 2023, 44(3): 764-777. |
| [35] |
WANG Xiwei, ZHANG Jinchuan, ZHAO Rongrong, et al. Siliceous origin of the Cambrian Qiongzhusi Formation shale in the middle part of the upper Yangtze Platform: Significance of organic matter enrichment. ACS Omega, 2023, 8(28): 25358-25369. |
| [36] |
GU Jiuxiang, WANG Zhenhua, KUEN J, et al. Recent advances in convolutional neural networks. Pattern Recognition, 2018, 77: 354-377. |
| [37] |
高飞, 曲志鹏, 魏震, 等. 基于机器学习方法的测井岩相分类研究. 地球物理学进展, 2024, 39(3): 1173-1192. GAO Fei, QU Zhipeng, WEI Zhen, et al. Study on well-log lithofacies classification based on machine learning methods. Progress in Geophysics, 2024, 39(3): 1173-1192. |
| [38] |
刘艺, 曹建军, 刁兴春, 等. 特征选择稳定性研究综述. 软件学报, 2018, 29(9): 2559-2579. LIU Yi, CAO Jianjun, DIAO Xingchun, et al. Survey on stability of feature selection. Journal of Software, 2018, 29(9): 2559-2579. |
| [39] |
柳忠泉, 曾治平, 田继军, 等. 吉木萨尔凹陷二叠系芦草沟组"甜点"成因与分布预测. 岩性油气藏, 2022, 34(3): 15-28. LIU Zhongquan, ZENG Zhiping, TIAN Jijun, et al. Genesis and distribution prediction of sweet spots of Permian Lucaogou Formation in Jimsar Sag. Lithologic Reservoirs, 2022, 34(3): 15-28. DOI:10.12108/yxyqc.20220302 |
| [40] |
ROBERTO A. Shale gas reservoirs: Theoretical, practical and research issues. Petroleum Research, 2016, 1(1): 10-26. |
| [41] |
ZOU Caineng, ZHU Rukai, CHEN Zhongqiang, et al. Organicmatter-rich shales of China. Earth-Science Reviews, 2019, 189: 51-78. |
| [42] |
WANG Yuqi, CHEN Dongxia, WANG Yuchao, et al. Characteristics and controlling factors of pores in different shale lithofacies reservoirs of Lower Cambrian Qiongzhusi Formation, southwestern Sichuan Basin, China. Minerals, 2023, 13(11): 1442. |
| [43] |
史璨, 林伯韬. 页岩储层压裂裂缝扩展规律及影响因素研究探讨. 石油科学通报, 2021, 6(1): 92-113. SHI Can, LIN Botao. Principles and influencing factors for shale formations. Petroleum Science Bulletin, 2021, 6(1): 92-113. |
| [44] |
周顺林, 尹帅, 王凤琴, 等. 应力对泥页岩储层脆性影响的试验分析及应用. 石油钻探技术, 2017, 45(3): 113-120. ZHOU Shunlin, YIN Shuai, WANG Fengqin, et al. Experimental analysis of the effect of stress on shale reservoir brittleness and its application. Petroleum Drilling Techniques, 2017, 45(3): 113-120. |
| [45] |
能源行业页岩气标准化技术委员会. 页岩脆性指数测定及评价方法: NB/T 10248-2019[S]. 北京: 石油工业出版社, 2019. Shale Gas Standardization Technical Committee of Energy Industry. Shale brittleness index testing and evaluation methods: NB/T 10248-2019[S]. Beijing: Petroleum Industry Press, 2019. |
| [46] |
黄莉莎, 闫建平, 胡兴中, 等. 川南五峰组-龙马溪组低阻页岩特征分析及启示. 西南石油大学学报(自然科学版), 2024, 46(2): 26-40. HUANG Lisha, YAN Jianping, HU Xingzhong, et al. Characteristics analysis and its enlightenment of shale of low resistivity in Wufeng-Longmaxi Formation in southern Sichuan Basin. Journal of Southwest Petroleum University(Science & Technology Edition), 2024, 46(2): 26-40. |
| [47] |
闫建平, 罗静超, 石学文, 等. 川南泸州地区奥陶系五峰组- 志留系龙马溪组页岩裂缝发育模式及意义. 岩性油气藏, 2022, 34(6): 60-71. YAN Jianping, LUO Jingchao, SHI Xuewen, et al. Fracture development models and significance of Ordovician WufengSilurian Longmaxi shale in Luzhou area, southern Sichuan Basin. Lithologic Reservoirs, 2022, 34(6): 60-71. DOI:10.12108/yxyqc.20220605 |
| [48] |
张彦从, 刘先贵, 胡志明, 等. 页岩气水平井体积开发产能评价模拟. 科学技术与工程, 2020, 20(27): 11092-11098. ZHANG Yancong, LIU Xiangui, HU Zhiming, et al. Numerical simulation on volume development assess production capacity of gas-shale horizontal wells. Science Technology and Engineering, 2020, 20(27): 11092-11098. |