灰色关联分析法在页岩储层评价中的应用
——以湖南保靖页岩气区块为例

王 衍，马俯波，张海英，桂学明.

(神华地质勘查有限责任公司，北京 102200)

灰色关联分析法在页岩储层评价中的应用
——以湖南保靖页岩气区块为例

王 衍，马俯波，张海英，桂学明.*

(神华地质勘查有限责任公司，北京 102200)

灰色关联分析法适用于页岩气勘探初期储层资料较少时对页岩储层进行定量评价。在总结页岩气地质特点和影响因素、借鉴美国页岩气储层评价标准的基础上，归纳筛选出总有机碳含量、有机质成熟度、有效厚度、孔隙度、含气量、吸附气含量、储层压力、埋藏深度、黏土矿物含量和储量丰度10个因素作为综合评价页岩储层的指标。将总有机碳含量确定为主因素，其余9个指标看作子因素,经过一系列计算，得到各页岩气储集层的综合评价因子REI。根据REI的大小，对页岩储层进行定量评价。选取北美东部地区、四川盆地、保靖区块、龙山区块的数据进行评价，结果表明，北美Barnett区块的REI最高，四川筇竹寺组的REI最低；对保靖区块各井龙马溪组的数据进行评价，结果表明，保页1井、保参2井周围区域为本区的“甜点”区。本方法实例计算与实际情况一致性好，说明评价方法较为合理、结果可靠。

灰色关联分析；页岩储层；储层评价；关联系数；权重系数；评价因子

随着2013年中国“第二轮”页岩气区块招标的结束，国内页岩气勘探开发迅猛发展，页岩气评价标准的建立显得尤为重要。

页岩气储层评价应考虑储层岩石的有机地球化学特征、组成特征、空间分布、储层孔渗特征、储集空间特征、储层含气性、岩石力学和储层非均质性等特征。国内外储层评价方法有很多种：灰色关联方法[1-4]、模糊评判法[5-8]、成分分析法[9]、Q型聚类分析和判别函数法[10-14]、层次分析法[15]、分形几何方法[16]等。要真正定量评价储层，重点是确定权重。灰色关联分析是很好的确定权重的方法，其不要求具体掌握母因素和子因素的相关关系，且准确性高、使用方便，并可以在资料很少的情况下使用；同时不同区块不同层段用灰色关联分析法确定的权重系数值不同，与客观实际能很好地结合；在人为无法估计各因素权重大小，或者因素比较多时，都能给出定量的评价结果。

灰色关联分析法在储层评价中应用广泛。目前国内页岩气处于勘探阶段，储层资料较少，适合采用灰色关联方法进行页岩气储层评价。

1 国内外页岩气评价储层评价标准

1.1 美国标准

美国页岩气的商业性开采早已实现，2015年美国页岩气产量为2800×108m3，已达天然气总产量的56.17%[17-18]。页岩气储层评价通用标准如下[19-20]：

(1)总有机碳含量(TOC)：一般情况下，有机质含量TOC>2%，美国的几大页岩气系统中，TOC含量均较高，且分布范围广。

(2)镜质组反射率(Ro)：Ro>1.1%时，有机质热成熟度处于生气窗范围之内。美国的页岩气盆地Ro值介于1.1%～3.5%。由于Ro>3.0%时，油气会被破坏，因此Ro值在1.2%～1.4%之间时较好。

(3)孔隙度：页岩气储层应具备一定的储集空间。美国页岩气盆地含气孔隙度一般介于1.0%～5.0%之间。

(4)页岩厚度：富有机质泥页岩要形成一定的规模，并且能在区域上连续而稳定地分布，其有效厚度须大于15 m；如果TOC较低，那么泥页岩厚度须在30 m以上。美国五大页岩气开采区的泥页岩厚度在9.14～91.44 m之间。

(5)页岩埋深：即使泥页岩具有比较好的含气性，也要求有较好的保存条件，因此盆地中心区和构造斜坡为泥页岩气的含气有利区。

(6)页岩矿物组成：由于脆性矿物的存在使得储层更容易被压裂，并使得储层中的微裂缝发育，因此石英、方解石、长石等含量一般应大于30%～40%。

1.2 中国标准

根据《页岩气资源潜力评价方法和有利区优选标准研究》，页岩气选区准则应具有一定的储量丰度、经济性和可采性。总结为以下基本评价标准[21-22]：

(1)TOC>0.3%；

(2)Ro≥0.4%；

(3)埋藏深度<4500 m；

(4)富有机质泥页岩集中发育，有效厚度>9 m；

(5)含气量>0.5 m3/t；

(6)黏土矿物含量>30%，脆性矿物含量>45%；

(7)孔隙度>1%；

(8)渗透率>0.001 mD。

2 方法介绍

灰色关联即指事物之间的不确定关联，其基本任务就是确定因子间的影响程度或因子对主行为的贡献程度[23]。灰色关联分析的具体步骤如下:

(1)确定母、子序列。母序列为：

(1)

子序列为：

(2)

式中t——样品的个数；

i——参数的个数。

(2)确定母、子序列后，可构成原始数据矩阵：

(3)

(4)

同一观测适合各子因素与母因素之间的绝对差值的最大值为：

(5)

同一观测适合各子因素与母因素之间的绝对差值的最小值为：

(6)

母序列与子序列的灰色关联系数为：

(7)

求取各子因素与母因素之间的关联系数为：

(8)

式中Lt(i,0)——灰色关联系数；

ξ——分辨系数(一般取0.5)，其作用是为了削弱因最大绝对差数值太大而失真的影响，提高关联系数之间的差异显著性；

ri,0——子因素与母因素的关联系数，其越接近于1，子因素对母因素的影响越大。

(4)通过归一化处理求得各影响因子的权重系数：

(9)

式中ai——各影响因子的权重系数。

(5)利用综合权衡系数计算每个样品的评价因子REI，计算公式为：

(10)

3 评价结果

页岩气成藏的主要因素包括：岩石矿物成分、吸附气含量、总有机碳含量、含气量、渗透率、有机质成熟度、埋藏深度、有效厚度、孔隙度、地层压力、温度等，因此，在页岩气储层评价中，需要定量地考虑这些因素的影响。

总结页岩气储层评价，主要分为生气能力、储气能力和易开采性3个方面。页岩气影响因素关系如图1所示。

图1 页岩气各影响因素之间的关系(引自涂乙等，2014)Fig.1 The relationship among influencing factors of shale gas

在总结页岩气地质特点和影响因素的基础上，结合国内外页岩气评价储层的评价标准，归纳筛选出总有机碳含量、有机质成熟度、有效厚度、孔隙度、含气量、吸附气含量、储层压力、埋藏深度、黏土矿物含量和储量丰度10个因素作为综合评价页岩气储层的指标[24-25]。通过统计国内外各指标的取值范围，结合实际页岩气勘探情况，建立了页岩气选区评价参数指标，指标参数越多，越能综合考虑各项因子对选区的影响。

利用北美东部地区、四川盆地、保靖区块、龙山区块的各影响储层质量的参数，采用灰色关联分析法，进行了页岩气储层评价。将总有机碳含量确定为主因素，其余的9个指标分别从某一侧面反映被评价样品的质量好坏，可以看作子因素[26-27]。首先统计出各区块的评价因素，建立评价矩阵(表1)，并对参数进行标准化(表2)；其次，用标准化后的评价指标，计算主因素与各子因素之间的灰色关联系数；最后，求得各子因素指标与主因素指标的灰色关联度(表3)。

表1 评价参数统计表Table 1 Evaluation parameters’ statistics

注：①psi(磅力/英寸2)，压力单位，1 psi=6.895 kPa。

表2 各参数标准化表Table 2 Standardization of evaluation parameters

表3 各子因素关联系数及关联度统计表Table 3 Each factor correlation coefficient and correlation

关联度结果表明，孔隙度、含气量和有效厚度对总有机碳含量的影响最显著。计算各因素在储层评价中的权重大小(表4)，以衡量各因素对储层评价的影响程度。将标准化后的评价指标，与其“权重”相乘，即为单项指标的权衡。将各个评价指标的单项权衡分数相加，得到各页岩气储集层的综合评价分数，即为评价因子(表5)。根据评价因子的大小，对页岩气储层进行评价。

表4 各因素权重系数统计表Table 4 The weight coefficients of each factor

表5 各页岩气区块储层评价因子统计表Table 5 REI of shale gas blocks

采用灰色关联分析法对国内外页岩区块评价结果表明：Barnett区块的REI值最高，四川筇竹寺组的REI值最低，与实际情况一致。保靖区块龙马溪组页岩储层较美国东部五大页岩气区块差，评价系数略低于四川龙马溪组页岩储层，但较筇竹寺组高。龙山页岩气区块结果与保靖区块评价结果接近。

由于灰色关联分析方法的评价结果较为科学合理，因此，采用保靖区块各井数据，应用灰色关联分析方法，对区块内各区域页岩储层进行了评价(表6)。

表6 保靖区块各井评价因子评价表Table 6 REI of each well in Baojing block

灰色关联分析方法评价结果表明，保靖区块保页1井、保参2井周围区域的REI值最高，为保靖页岩气区块内“甜点”区；保参3井的REI值最小。因此，在工程条件允许的情况下，应优先在保页1井、保参2井区域开展下一步的勘探开发工作。

4 结论

(1)采用灰色关联分析法对国内外和保靖页岩气区块进行定量的储层评价，确定了各因素的权重系数；同时进行区内评价，确定了保靖区块内的“甜点”区。这种方法适用于区域数据较少的勘探阶段的储层评价。通过实例计算与实际情况一致性好，说明评价方法较为合理、结果可靠。

(2)储层评价主要针对储层条件，对于具体区域的页岩气开发，需综合考虑地质工程条件、经济技术条件等因素，在储层评价基础上做好可采性评价，才能确定是否进行开发。

[1] DECKER A D, HILL D G, WICKS D E. Log-based gas content and resources estimates for the Antrim shale, Michigan Basin[A]. SPE Rocky Mountain Regional/ Low Permeability Reservoir Symposium, SPE 25910,1993.

[2] 徐凤银,朱兴珊,颜其彬,等.储层含油气性定量评价中指标权重的确定方法[J].西南石油学院学报,1994,16(4):11-17.

[3] 赵加凡,陈小宏,张勤.灰关联分析在储层评价中的应用[J].勘探地球物理进展,2003,26(4):282-286.

[4] 张琴,朱筱敏.山东省东营凹陷古近系沙河街组碎屑岩储层定量评价及油气意义[J].古地理学报,2008,10(5):465-472.

[5] 谭成仟,宋子齐,吴少波.灰色关联分析在辽河小洼油田储层油气产能评价中的应用[J].测井技术,2001,25(2):119-122.

[6] 程顺有,龙辉.多级模糊综合评判在油气资源评价中的应用[J].物探化探计算技术,2002,24(4):318-322.

[7] 丁雄,谭秀成,罗冰,等.基于灰色模糊理论的多参数碳酸盐储层评价[J].西南石油大学学报,2008,30(5):88-92.

[8] 李中锋,何顺利.模糊数学在长庆气田碳酸盐岩储层评价中的应用[J].天然气工业,2005,25(3):55-57.

[9] 张晓东,陈景山.蜀南气田嘉二段储层分类评价的模糊综合评判[J].石油天然气学报,2007,29(1):29-62.

[10] 孙洪志,刘吉余.储层综合定量评价方法研究[J].大庆石油地质与开发,2004,23(6):8-10.

[11] 马立文,窦齐丰,彭仕必,等.用Q型聚类分析与判别函数法进行储层评价——以冀东老爷庙油田庙28X1区块东一段为例[J].西北大学学报(自然科学版),2003,33(1):83-86.

[12] 吕红华,任明达,柳金诚,等.Q型主因子分析与聚类分析在柴达木盆地花土沟油田新近系砂岩储层评价中的应用[J].北京大学学报(自然科学版),2006,42(6):740-745.

[13] 徐志军,郑俊杰,张军,等.聚类分析和因子分析在黄土湿陷性评价中的应用[J].岩土力学,2010,31(增刊2):407-411.

[14] 刘吉余,刘曼玉,徐浩.基于聚类分析的低渗透储层评价参数优选研究[J].石油地质与工程,2009,23(3):104-108.

[15] 付殿敬,徐敬领,王贵文.基于Q型聚类分析和贝叶斯判别算法研究储层分类评价[J].科技导报,2011,29(3):29-32.

[16] 王建东,刘吉余,于润涛,等.层次分析法在储层评价中的应用[J].大庆石油学院学报,2003,27(3):12-14.

[17] 冯志强,熊利平,王健,等.北美非常规油气资源发展及盈利能力分析[J].非常规油气,2014,1(3):72-78.

[18] 崔景伟,朱如凯,杨智,等.国外页岩层系石油勘探开发进展及启示[J].非常规油气,2015,2(4):68-82.

[19] 张金川,金之钧,袁明生.页岩气成藏机理和分布[J].天然气工业,2004,24(7):15-18.

[20] BENOIT B M. Fractals: Form, Chance and Dimension[J]. Mathematical Intelligencer, 1978,1(1):35-37.

[21] 张金川,林腊梅,姜生玲,等.页岩气资源潜力评价方法与有利区优选标准操作手册[M].北京:中国地质大学,2011:1-19．

[22] 周守为.页岩气勘探开发技术[M].北京:石油工业出版社,2013:52.

[23] BENOIT B M. The Fractal Geometry of Nature[J]. Journal of the Royal Statistical Society,1983,147(4):468.

[24] 邓聚龙.灰色系统理论教程[M].武汉:华中理工大学出版社,1990:24-30.

[25] AMAN B A, NICHOLS T W, SNYDER R L, et al. Integrated reservoir evaluation revives nearly abandoned Illinois Basin Field[A]. SPE 57437,1999.

[26] 张旭,颜其彬,李祖兵.陆相碎屑岩储层定量评价的新方法——以河南某油田为例[J].天然气地球科学,2007,18(1):141-148.

[27] 涂乙,邹海燕,孟海平,等.页岩气评价标准与储层分类[J].石油天然气地质,2014,35(1):153-158.

ApplicationofGreyRelationalAnalysisinShaleGasReservoirEvaluation—Taking Shale Gas Block in Baojing Hunan as an Example

Wang Yan, Ma Fubo, Zhang Haiying, Gui Xueming

(ShenhuaGeologicalExplorationCo.,Ltd.,Beijing102200,China)

Grey relational analysis is applicable for shale gas reservoir quantitative evaluation at the early period of exploration with less reservoir data. Based on summarizing geological characteristics, influencing factors of shale gas and using the United States shale gas reservoir evaluation standard for reference, ten factors that included total organic carbon content, organic matter maturity, effective thickness, porosity, gas content, adsorbed gas content, formation pressure, buried depth, clay mineral content and reserve abundance were selected as the index of comprehensive evaluation of shale reservoir. The total organic carbon content was determined as the main factor and the remaining nine indicators as a sub factor, after a series of calculations, the comprehensive evaluation scores of shale gas reservoirs were obtained, that was the evaluation factorREI. The quantitative evaluation of shale reservoir will be proceed according to the size ofREI. Calculating with the data of eastern region of North America，Sichuan basin, Baojing block and Longshan block, the results showed thatREIof North American Barnett block was the highest andREIof Sichuan Qiongzhusi group was the lowest. Calculating with the Longmaxi group data of wells in Baojing block, the results showed that the area surrounding wells Baoye-1 and Baocan-2 were the sweet point areas in Baojing block. The calculation of this method was in good agreement with the actual situation, it showed that the grey association analysis was reasonable and the results were reliable.

grey relational analysis; shale gas reservoir; reservoir evaluation; relational coefficient; weight coefficient; evaluation factor

王衍(1975—)，男，硕士，高级工程师，主要从事非常规油气勘探开发工作。邮箱：wy750714@163.com.

TE122.2+4

A