标题

Size: px

Start display at page:

Download "标题"

蟠蔡
7 years ago
Views:

1 第 40 卷第 2 期 2015 年煤学报 JOURNAL OF CHINA COAL SOCIETY 2月孟召平,郭彦省,刘炭 Vol. 40 Feb. No 尉. 页岩气储层有机碳含量与测井参数的关系及预测模型[ J]. 煤炭学报,2015,40 (2) : doi: / j. cnki. jccs Meng Zhaoping,Guo Yansheng,Liu Wei. Relationship between organic carbon content of shale gas reservoir and logging parameters and its prediction model[ J]. Journal of China Coal Society,2015,40(2) : doi: / j. cnki. jccs 页岩气储层有机碳含量与测井参数的关系及预测模型孟召平1,2,郭彦省1,刘尉1 (1. 中国矿业大学( 北京) 地球科学与测绘工程学院,北京 ;2. 三峡大学三峡库区地质灾害教育部重点实验室,湖北宜昌 ) 摘要:页岩气储层总有机碳( TOC) 含量是页岩气评价的重要参数,如何准确确定 TOC 含量是页岩气勘探开发研究的一个关键问题以黔江地区下志留统龙马溪组为研究对象,通过页岩气储层有机碳含量测试和钻井测井资料的统计分析,研究了 TOC 含量的测井响应特征,优选了体积密度 ( DEN) 自然伽马( GR) 自然电位( SP) 和声波时差( AC)4 条测井曲线作为特征向量,建立了 TOC 含量的 BP 神经网络预测模型,改进了 BP 神经网络算法,并对黔江地区 1 口页岩气井下志留统龙马溪组 TOC 含量进行了预测和对比分析结果表明:基于测井参数的 BP 神经网络模型具有极强的非线性逼近能力,能真实反映页岩气储层 TOC 含量与测井参数之间的非线性关系,预测结果与实测值之间误差小,相对误差一般小于 10% 关键词:页岩气储层;测井参数;有机碳含量( TOC) ;预测模型中图分类号:P 文献标志码:A 文章编号: (2015) Relationship between organic carbon content of shale gas reservoir and logging parameters and its prediction model MENG Zhao-ping1,2,GUO Yan-sheng1,LIU Wei1 (1. College of Geosciences and Surveying Engineering,China University of Mining and Technology( Beijing),Beijing ,China;2. Key Laboratory of Geological Hazards on Three Gorges Reservoir Area,Ministry of Education,China Three Gorges University,Yichang ,China) Abstract:Total organic carbon ( TOC) content of shale gas reservoir is an important parameter of shale gas assessment,and how to accurately determine the content of TOC is a key problem of shale gas exploration and development. The author used the Lower Silurian Longmaxi formation in Qianjiang area as the research object. Through the statistical analysis of TOC content testing of shale gas reservoir and drilling and logging data,the log response characteristics of TOC content were analyzed. Furthermore,the four logs which consist of volume density logging( DEN),gamma logging ( GR),spontaneous potential logging( SP) and acoustic logging( AC) were selected optimally as the feature vector. Af- terwards,the BP neural network prediction model of TOC content was established,the BP neural network algorithm was improved and the TOC content of Lower Silurian Longmaxi formation of two shale gas wells in Qianjiang area were predicted and compared. The results show that the BP neural network model based on logging parameters has strongly ap- proximate nonlinearization,which can reflect the nonlinear relationship between the TOC content of shale gas reservoir and logging parameters. The error between prediction results and measured values is small,and the relative error is less than 10%. Key words:shale gas reservoir;logging parameters;total organic carbon ( TOC) content;prediction model 收稿日期: 责任编辑:韩晋平基金项目:国家重点基础研究发展计划(973) 资助项目(2012CB214705) ;国家自然科学基金资助项目( , ) 作者简介:孟召平(1963 ),男,湖南汨罗人,教授,博士生导师,博士 mzp@ cumtb. edu. cn

2 248 煤炭学报 2015 年第 40 卷页岩气 (Shale Gas) 主要是以吸附和游离状态赋存于富含有机质页岩 / 泥岩中的非常规天然气 [1] 页岩层中有机碳含量 ( TOC) 越高越有利于页岩气的富集, 一般认为 TOC 含量大于 2% 时, 页岩气才具有商业开采价值 [1-5] 页岩气储层总有机碳 ( TOC) 含量是页岩气评价的重要参数, 以往主要是通过采取有限的样品进行室内测试分析, 取其平均值来代表整套厚层页岩的有机碳含量值, 很显然, 平均值会掩盖有机质变化情况, 因此有限个 TOC 含量测试数据不能全面反映整个页岩层段的情况 ; 同时 TOC 含量数据主要依靠钻井现场取芯测试获得, 由于地质空间不连续, 岩芯部分易受污染等因素的影响, 一般难以得到连续准确的 TOC 含量参数, 所得出的结论甚至误导了勘探决策因此如何准确确定 TOC 含量, 建立一套比较准确的定量评价方法, 是页岩气勘探开发研究的一个关键问题测井作为一种高效的地球物理探测技术, 在地层岩性电性物性和含油气性等方面识别评价得到了广泛应用近年来, 国内外一些学者开始探索烃源岩的地球化学参数与测井信息之间的关系, 建立了烃源岩的识别和有机质丰度测井评价方法, 有力推动了烃源岩测井评价的发展 [6] 近些年来, 国内外学者在应用地球物理测井预测页岩储层 TOC 含量预测方面, 主要是用密度自然伽马和视电阻率等测井参数, 辅以声波自然电位井径等参数自 20 世纪 80 年代以来, 国内外学者就致力于利用纵向高分辨率测井资料来计算有机碳含量 1979 年,EXXON / ESSO 石油公司开发出一套适用于碳酸盐岩和碎屑岩利用测井资料计算 TOC 含量的方法 [7-8] Schmoker 利用密度测井自然伽马测井资料回归分析计算页岩的 TOC 含量 [9] Autric 等利用电阻率声波时差和放射性资料评价低渗透岩层的有机质丰度 [10] 利用连续的声波测井电阻率测井资料进行叠合计算, 并借助测井标定数据运用经验指标直接估算总有机碳含量 [11] Passey 等在总结前人研究成果的基础上, 于 1990 年正式提出一套计算 TOC 含量的方法 Δlog R 法, 得到了广泛的应用国内的学者也对测井资料计算 TOC 含量进行了深入的评价研究, 其中, 胡慧婷等通过对 Δlog R 法中基线背景值的修改, 提出了改进的 Δlog R 法 [12] 朱光有等利用测井资料根据最小二乘拟合出敏感测井综合经验法 [6] 张立鹏等陆巧焕等利用自然伽马能谱曲线 (GR) 回归分析计算油页岩有机碳含量 [13-14] 但是, 由于页岩的矿物成分及有机质含量差异和有机质丰度及其热演化程度的不同, 给页岩储层测井评价方法的建立带来了诸多困难, 采用单一方法和参数往往难以得到很好效果由于页岩气储层总有机碳 ( TOC) 含量受多种地质因素影响, 它们之间关系复杂, 存在着复杂的非线性关系, 有些甚至是随机的, 模糊的, 利用传统的方法难以表达它们之间的内在关系 ; 而人工神经网络方法具有极强的非线性逼近能力, 能真实刻画出输入变量与输出变量之间的非线性关系因此采用基于测井曲线的 BP 人工神经网络模型预测页岩气储层总有机碳 (TOC) 含量方法受到关注, 并取得了好的应用效果 [8] 笔者以黔江地区下志留统龙马溪组地层为研究对象, 通过页岩气储层有机碳含量测试和钻井测井资料的统计分析, 研究 TOC 含量的测井响应特征, 应用人工神经网络方法建立 TOC 含量与测井参数之间相关关系及其预测模型, 改进了 BP 神经网络算法, 解决以往 TOC 含量预测评价问题, 为我国页岩气 TOC 含量预测及资源评价探索有效途径和方法 1 页岩气储层 TOC 含量的测井响应特征 1. 1 测井参数的优选数据归一化由于多测井参数的 TOC 预测数据量大, 参数之间量纲不统一, 数值量级差别大, 局部异常往往淹没在区域背景上, 以及存在一些离群的异常数值等问题, 在做 TOC 含量预测运算之前, 必须对测井参数进行规格化等预处理对优选的测井参数进行归一化处理, 其方法为 : 设学习样本数据为 x p (p = 1,2,,n), 定义样本数据中的最大值 x max = max { x p }, 样本数据中的最小值 x min = min{x p }, 有 x p - x min + a x max - x min + a x p (1) 即按式 (1) 归一化处理计算, 其中 a 为修正系数根据归一化处理后的数据, 计算页岩 TOC 含量与测井参数之间相关系数基于相关系数的测井参数优选根据归一化处理后的数据, 计算页岩 TOC 含量与测井参数之间相关系数其计算公式为 (x i - - x )(y i - ȳ ) r = i (x i - - x ) 2 (y i - ȳ ) 2 (2) i i 式中, r 为相关系数 ;x i 为第 i 个测井参数值 ; x - 为测井参数平均值 ; y i 为第 i 个取芯页岩样本 TOC 含量值 ; ȳ 为页岩样本 TOC 含量平均值计算取芯页岩样本 TOC 含量与测井参数之间相

3 第 2 期孟召平等 : 页岩气储层有机碳含量与测井参数的关系及预测模型 249 关系数, 选择与相关系数较大的属性, 形成学习样本集同时, 用式 (2) 计算各测井参数的互相关系数, 以达到优选敏感性参数, 减少特征个数, 压缩特征空间维数, 突出差异性的目的研究区位于重庆市黔江区西北部, 区域上属于渝东鄂西褶皱带, 下古生代发育完全, 页岩气的主要目的层为下志留统的龙马溪页岩和下寒武统的筇竹寺页岩, 其中黔江地区龙马溪组页岩分布较广泛, 沉积厚度较大, 一般在 50 ~ 220 m, 平面上分布稳定, 埋藏深度适中, 根据现场取样进行的 75 个样品测试分析, 有机碳含量一般介于 0. 50% ~ 8. 84%, 平均 2. 5%, 多处于高成熟演化阶段, 是本区页岩气勘探开发的主要目标层根据研究区 Q1 和 Q2 井龙马溪组实测的 TOC 含量和测井参数之间关系, 研究区测井曲线有井径 (CAL) 自然伽马(GR) 长源距伽马- 伽马 (GGFR) 自然电位 (SP) 侧向电阻率(RT) 体积密度(DEN) 声波时差 (AC) 共 7 条曲线依据式 (2) 做 TOC 含量与测井曲线的相关性和各测井曲线的互相关分析, 得到 TOC 含量与测井参数的相关系数表, 见表 1 Table 1 表 1 TOC 含量与测井参数相关系数 Correlation coefficient between TOC content and log parameters 参数 TOC CAL GR GGFR SP RT DEN AC TOC CAL GR GGFR SP RT DEN AC 根据互相关分析结果 ( 表 1), 并结合 TOC 含量的测井响应机理分析, 本区优选了体积密度 ( DEN) 自然伽马 ( GR) 自然电位( SP) 和声波时差 ( AC) 4 条测井响应值作为基本特征量依照式 (1) 对优选的 4 条测井曲线归一化, 建立全区统一的归一化原则 1. 2 TOC 含量与测井参数之间关系不同岩层具有不同的物理属性, 依照各岩层不同物性特征所对应的测井响应特征, 就可以对地层进行定性识别和定量评价由于页岩储层含有大量的有机质, 使其在测井响应特征上不同于其他岩石页岩层自然伽马幅值较高, 密度较低, 声波时差较高, 电阻率较低选择黔江地区 Q1 和 Q2 井龙马溪组实测的 75 个 TOC 含量测试数据及其测井参数进行测井响应特征分析, 发现页岩储层 TOC 含量与体积密度 (DEN) 自然伽马 (GR) 自然电位( SP) 和补偿声波 ( AC) 等参数之间存在一定的相关性 ( 图 1), 表现为 TOC 含量与体积密度 ( DEN) 之间呈负相关性 ;TOC 含量与自然伽马 (GR) 自然电位( SP) 和补偿声波 ( AC) 等参数之间呈正相关性 (1) 页岩密度值介于煤层与砂岩之间, 比砂岩和碳酸岩地层密度测井值低, 其密度呈现低值, 但是比煤层密度值高的多由于富含有机质页岩的密度小于不含有机质的泥页岩密度, 有机质含量的增加会使页岩密度更低因此页岩储层 TOC 含量与密度测井曲线存在负相关关系 ( 图 1(a)) (2) 页岩储层的自然伽玛为高值, 相比之下, 砂岩和煤层显示低值这是由于页岩中泥质含量高, 泥质含量越高自然伽玛放射性就越高 ; 另外, 页岩储层有机质中含有高放射性物质, 高自然伽马强度被认为是页岩中干酪根的函数, 通常情况下干酪根能形成一个使铀沉淀下来的还原环境, 从而影响自然伽马曲线, 也使得自然伽玛幅值高, 其符合有机质丰度高的细粒碎屑岩往往伴随放射性元素含量增加的规律, 因此页岩储层 TOC 含量与自然伽马值之间呈正相关关系 ( 图 1(b)) (3) 自然电位测井是以钻井液与钻穿岩层孔隙流体间存在的扩散 - 吸附现象为基础的测井方法自然电位测井通过变换可移动电极的位置, 绘制出井轴上的自然电位曲线图 TOC 含量高的地层, 矿化程度高, 钻井液与地层水之间的电位差便会增大, 页岩的自然电位表现为正异常, 因此本区页岩储层 TOC 含量与自然电位之间呈正相关关系, 随着页岩储层 TOC 含量的增高, 自然电位有增高趋势 ( 图 1(c))

4 250 煤炭学报 2015 年第 40 卷 Fig. 1 图 1 TOC 含量与测井参数之间关系 Relationship between TOC content and log parameters (4) 页岩储层的声波时差值显示高值页岩比泥岩和砂岩致密, 孔隙度小, 声波时差介于泥岩和砂岩之间页岩有机质含量增加时, 其声波时差值会增大一般情况下, 泥页岩的声波时差随地层埋藏深度压实程度增加而减小当泥页岩含有有机质时, 声波在有机质中的低速度导致声波时差进一步升高, 因此反映出页岩储层 TOC 含量与声波时差值之间呈良好的正相关关系 ( 图 1(d)) TOC 含量与体积密度 (DEN) 自然伽马(GR) 自然电位 (SP) 和声波时差 ( AC) 测井参数之间的关系模型见表 2 本研究大部分样品 TOC 含量较低 ( TOC 含量 < 1. 0% ),TOC 含量与测井参数之间的相关性相对较差由表 2 可以看出, 如果按照单参数建立解释模型, 发现其中任何一个测井参数作为 TOC 含量的定量解释模型参数, 都不能满足生产所要求的精度, 这说明利用单参数建模存在不足, 因此, 利用多测井参数建立解释模型是必要的 Table 2 表 2 TOC 含量测井拟合关系 Logging fitting relationship for TOC content 参数体积密度 (DEN) 自然伽马 (GR) 自然电位 (SP) 声波时差 (AC) TOC y = x y = x y = x y = x R 页岩气储层 TOC 含量预测模型 2. 1 神经网络模型结构的确定人工神经网络 ( artificial neural network) 是由人工神经元 ( 简称神经元 ) 互联组成的网络, 在理论上可以任意逼近任何非线性映射根据网络中神经元的连接方式的不同, 将人工神经网络分为分层网络和相互连接型网络两大类, 目前应用较广的是分层网络, 根据实际输出和期望输出之差, 对网络的各层连接权由后向前逐层进行误差校正的多层前馈网络, 简称 BP 神经网络 [15-16] 因此, 该方法的实质是求误差函数的最小值, 它通过多个样本的反复训练, 将多个已知样本训练得到的各层连接权及各层神经元的偏置值等信息作为知识保存, 以便对未训练样本值进行预测 [17-18], 计算过程如图 2 所示 BP 神经网络模型在网络训练时需要考虑网络层数隐含层的神经元数初始权值以及学习速率和期望误差等 Robet-Nielson 证明了具有 1 个隐含层的 3 层 BP 网络模型可以有效地逼近任意连续函数, 即包含输入层隐含层和输出层, 其中隐层由 1 层或多层隐节点组成, 同层节点间互不连接, 与下层节点间相互连通输入数据从输入层节点, 依次传过各隐含

5 第 2 期孟召平等 : 页岩气储层有机碳含量与测井参数的关系及预测模型 251 层节点, 然后至输出层节点, 每一层节点的输出只影响下一层节点的输入图 2 BP 神经网络计算流程 Fig. 2 Computational flow diagram of the BP neural network 在 BP 网络中, 选用 Sigmoid 函数作为网络中神经元的激发函数, 首先用已知的数据作为训练集来训练网络, 然后, 通过训练后网络获得各层的权值和阈值利用实际输出与期望输出之间的误差作为目标函数, 如果期望输出与实际输出之差不满足设定的误差要求, 则反馈回去修正网络中的权值和阈值, 进行新的运算, 直至满足误差要求为止计算中采用递归算法 : 该算法除包含原来的输入层隐含层输出层 3 层节点外, 加关联节点在隐含层上, 隐含层节点除接收输入层信号, 还接收隐含关联节点的延时信号在训练前, 对于数值型的学习样本以及输出数据利用式 (1) 进行归一化处理基于研究区实际情况, 采用 3 层网络结构模型, 将优选的 4 种测井参数 : 自然伽马 (GR) 自然电位(SP) 体积密度(DEN) 和补偿声波 (AC) 作为神经网络模型学习输入层的 4 个节点 2. 2 TOC 含量预测模型根据上述的 BP 网络原理及改进的 Elman 算法选取激励函数, 训练神经网络 : 最终隐含层取 10 个节点, 选取双曲正切为激励函数, 采用动态学习速率学习法, 经过迭代使网络训练误差较快收敛, 输出层为 1 个节点, 建立 TOC 含量 BP 神经网络预测模型为 TOC 含量 = m [v jk tanh( n w ij x i + b j )] + a k j = 1 i = 1 (3) 式中,x i 为输入的 4 条测井参数即 GR,SP,DEN 和 AC; w ij 为输入层到隐含层权系数 ;b j 为隐含层阈值 ; tanh 为双曲正切函数, 作为隐含层激励函数, 其定义域 ( -,+ ), 值域 ( -1,+1);v jk 为隐含层到输出层权系数 ;a k 为隐含层到输出层阈值 ;n 为输入特征向量数,n = 4;m 为隐含层节点数,m = 10;k 为输出节点数,k = 1 输入层与隐含层间的权系数 w ij 和隐含层与输出层间的权系数 v jk 见表 3 Table 3 表 3 BP 神经网络模型和权值阈值 Weight and threshold of BP neural network model 权值输入层到隐含层权值 w ij 阈值 b j 隐含层至输出层权值 v jk 阈值 b j

6 252 煤炭学报 2015 年第 40 卷 3 TOC 含量预测结果及误差分析本次采用研究区 75 个 TOC 含量分析数据和测井数据, 在样本训练过程中随机选取 11 个岩芯数据为校验样本, 参与训练, 修正模型权系数 ; 随机选取 11 个样本作为测试数据, 不参与样本训练, 用来检验模型的泛化能力图 3 为训练样本检验样本和测试样本的回归结果数据对比表明, 平均绝对误差为 , 平均相对误差为 8. 2%, 预测结果与实测值之间误差小, 相对误差一般小于 10%, 如图 3,4 所示图 4 Q1 井 TOC 含量预测值与实测值对比 Fig. 4 Comparison between predictive values and measured values of TOC content in Q1 Well 根据上面的 BP 神经网络预测模型, 采用测井参数对黔江地区 Q1 井龙马溪组页岩 TOC 含量进行了预测, 预测结果表明, 黔江地区 Q1 井下志留统龙马溪组 (S 1 lm) 厚度 m, 分上下两段根据该井钻遇的龙马溪组下段的下部层段 ( 深度 720 ~ 806 m) 个数据点计算, 得到该井段龙马溪组 TOC 含量为 0 ~ 7. 12%, 平均 1. 17%, 其中上部和下部 TOC 含量较高, 平均为 2. 12% 该段 TOC 含量纵向分布如图 4 所示 4 结论图 3 BP 神经网络训练各类误差分析 Fig. 3 Error analysis of BP neural network training 从图 3 可以看出,BP 神经网络由于采用 Elman 结构带有偏差的递归神经网络, 在前馈训练中, 来自输入层学习样本和来自隐含层的延时反馈信号大大提高了网络的自学习能力和泛化能力根据训练样本和检验样本计算结果与实际测试 (1)TOC 含量与测井参数之间存在一定的相关性, 揭示了黔江地区 Q1 和 Q2 井龙马溪组实测的 TOC 含量与体积密度 (DEN) 之间呈负相关性和 TOC 含量与自然伽马 ( GR) 自然电位 ( SP ) 和声波时差 (AC) 等参数之间呈正相关性的规律 (2) 页岩储层 TOC 含量与测井参数之间存在着复杂的非线性关系, 按照单一测井曲线建立解释模型, 预测页岩储层 TOC 含量都不能满足生产所要求的精度, 因此, 利用多测井参数建立解释模型是必要的 (3) 选择了体积密度 (DEN) 自然伽马(GR) 自然电位 (SP) 和补偿声波 (AC) 等测井参数作为 BP 神

7 第 2 期孟召平等 : 页岩气储层有机碳含量与测井参数的关系及预测模型 253 经网络模型的基本特征量, 建立了基于测井参数的页岩储层 TOC 含量 BP 神经网络模型, 对黔江地区 Q1 龙马溪组页岩储层 TOC 含量进行了预测分析, 预测结果与实测值之间误差小, 相对误差一般小于 10% (4) 本研究大部分样品 TOC 含量较低 ( TOC < 1. 0% ),TOC 含量与测井参数之间的相关性相对较差, 如果按照单参数建立解释模型, 发现其中任何一个测井参数作为 TOC 含量的定量解释模型参数, 都不能满足生产所要求的精度, 这说明利用单参数建模存在不足, 因此, 利用多测井参数建立解释模型是必要的研究过程中 TOC 含量测试承蒙中国科学院广州地球化学研究所肖贤明研究员和田辉副研究员的帮助, 在此表示衷心的感谢! 参考文献 : [1] 孟召平, 刘翠丽, 纪懿明. 煤层气 / 页岩气开发地质条件及其对比分析 [J]. 煤炭学报,2013,38(5): Meng Zhaoping, Liu Cuili, Ji Yiming. Geological conditions of coal methane and shale gas exploitation and their comparison analysis[ J]. Journal of China Coal Society,2013,38(5): [2] 页岩气地质与勘探开发实践丛书编委会编. 北美地区页岩气勘探开发新进展 [M]. 北京 : 石油工业出版社,2009. [3] Jarvie D M,Hill R J,Ruble T E,et al. Unconventional shale-gas systems: The Mississippian Barnett Shale of north-central Texas as one model for thermogenic shale-gas assessment[ J]. AAPG Bulletin,2007,91(4): [4] Ross D J K,Bustin R M. Characterizing the shale resource potential of Devonian-Mississipian strata in the Western Canada sedimentary basin,application of an integrated formation evaluation [ J]. AAPG Bulletin,2008,92(1): [5] 张金川, 金之钧, 袁明生, 等. 页岩气成藏机理和分布 [ J]. 天然气工业,2004,24(7): Zhang Jinchuan, Jin Zhijun, Yuan Mingsheng, et al. Reservoiring mechanism of shale gas and its distribution[j]. Natural Gas Industry,2004,24(7): [6] 朱光有, 金强, 张林晔. 用测井信息获取烃源岩的地球化学参数研究 [J]. 测井技术,2003,27(2): ,146. Zhu Guangyou,Jin Qiang,Zhang Linye. Using log information to analyze the geochemical characteristics of source rocks[ J]. Well Logging Technology,2003,27(2): ,146. [7] 杨小兵, 杨争发, 谢冰, 等. 页岩气储层测井解释评价技术 [J]. 天然气工业,2012,32(9):33-36, Yang Xiaobing,Yang Zhengfa,Xie Bing,et al. Log interpretation and evaluation of shale gas reservoirs[ J]. Natural Gas Industy,2012, 32(9):33-36, [8] 朱振宇, 王贵文, 朱广宇. 人工神经网络法在烃源岩评价中的应用 [J]. 地球物理学进展,2002,17(1): Zhu Zhenyu,Wang Guiwen,Zhu Guangyu. The application of artificial neural network to the source rock s evaluation[ J]. Progress in Geophysics,2002,17(1): [9] Schmoker J W. Determination of organic matter content of appalachian Devonian shales from gammaray logs[ J]. AAPG Bulletin,1981, 65(7): [10] Autric A, Dumesnil P. Resistivity radioactivity and sonic transit time logs to evaluate the organic content of low permeability rocks [ J]. The Log Analyst,1985,26(3): [11] Passey Q R,Creaney S,Kulla J B. A practical model for organic richness from porosity and resistivity logs [ J]. AAPG Bulletin, 1990,74(12): [12] 胡慧婷, 卢双舫, 刘超, 等. 测井资料计算源岩有机碳含量模型对比及分析 [J]. 沉积学报,2011,29(6): Hu Huiting,Lu Shuangfang,Liu Chao,et al. Models for calculating organic carbon content from logging information: Comparison and analysis[ J]. Acta Sedimentologica Sinica,2011,29 ( 6 ): [13] 张立鹏, 边瑞雪, 杨双彦, 等, 用测井资料识别烃源岩 [ J]. 测井技术,2001,25(2): Zhang Lipeng,Bian Ruixue,Yang Shuangyan,et al. Identifying hydrocarbon source rock with log data[ J]. Well Logging Technology, 2001,25(2): [14] 陆巧焕, 张晋言, 李绍霞. 测井资料在生油岩评价中的应用 [J]. 测井技术,2006,30(1): Lu Qiaohuan,Zhang Jinyan,Li Shaoxia. Application of log data to oil source rock evaluation [ J]. Well Logging Technology, 2006, 30(1): [15] 朱大奇, 史慧. 人工神经网络原理及应用 [ M]. 北京 : 科学出版社,2006: [16] 闻新, 周露, 王丹力, 等. MATLAB 神经网络应用设计 [M]. 北京 : 科学出版社,2000: [17] 孟召平, 田永东, 雷旸. 煤层含气量预测的 BP 神经网络模型与应用 [J]. 中国矿业大学学报,2008,37(4): Meng Zhaoping, Tian Yongdong, Lei Yang. Prediction models of coal bed gas content based on BP neural networks and its applications[ J]. Journal of China University of Mining & Technology, 2008,37(4): [18] 孟召平, 郭彦省, 张纪星. 基于测井参数的煤层含气量预测模型与应用 [J]. 煤炭科学技术,2014,42(6): Meng Zhaoping,Guo Yansheng,Zhang Jixing. Application and prediction model of coalbed methanecontent-based on logging parameters[j]. Journal of Coal Science and Technology,2014,42 ( 6 ):

4 731 Table TOC > 2% Log characteristics of different types of organic rich source rocks in Well FS2 /m TOC /% GR /API AC / μs /ft CNL /% DEN /

4 731 Table TOC > 2% Log characteristics of different types of organic rich source rocks in Well FS2 /m TOC /% GR /API AC / μs /ft CNL /% DEN / 31 4 2013 8 ACTA SEDIMENTOLOGICA SINICA Vol. 31 No. 4 Aug. 2013 1000-0550 2013 04-0730-08 1 257015 TOC AC LogRt DEN TOC DEN LogRt ΔGR TOC S 1 + S 2 TOC TOC S 1 + S 2 TOC TOC 1982 E-mail swap124@ 163. com