煤系页岩有机质特征及有机碳含量预测:以宁武南区块为例

刘忠,唐书恒,张鹏豹,张迁,张珂,杨雄雄,梅小凡

(1.中国石油华北油田勘探开发研究院,任丘 062552; 2.中国地质大学(北京)能源学院,北京 100083)

中国页岩气资源量丰富,广泛发育海相、陆相和海陆过渡相三种类型的页岩[1]。四川盆地及其周缘地区海相页岩气已成功实现商业开发[2-3],而陆相和海陆过渡相页岩的勘探程度较低。海陆过渡相页岩常与煤层互层,有机质丰度高,累积厚度大,资源量丰富,具有较好的勘探开发前景[4]。因此,对海陆过渡相页岩气勘探的深入研究可有效缓解中国能源短缺问题,也是中国“十四五”规划的重要研究和勘探方向。

宁武盆地是山西省重要的含煤盆地之一,其上石炭统太原组和下二叠统山西组蕴藏着丰富的煤炭和煤层气资源,且勘查开发程度较高[5]。目前针对盆地内海陆过渡相页岩气的勘探研究较少,但通过煤炭勘查了解到宁武盆地内广泛发育石炭-二叠系太原组-山西组暗色泥页岩,有机碳含量高,具有较高的勘探开发潜力。有机碳含量是页岩气勘探过程中目标层段优选和有利区评价的关键参数。海陆过渡相页岩单层厚度薄,岩性变化快,且有机碳含量变化范围大。然而受采样条件的限制,往往难以只通过有机碳含量的实验测定评价区域煤系页岩有机质丰度的时空非均质性变化。因此,建立适合本研究区煤系页岩有效总有机碳(total organic carbon,TOC)的预测模型至关重要。测井数据能够直接或者间接反应地层中有机碳富集程度的信息,基于测井数据的TOC含量预测模型主要有多元回归分析法[6-7],基于电阻率和孔隙度测井的ΔlgR法[8-10]和神经网络法[11-13],但是这些模型很少用来预测煤系页岩有机质丰度。由于煤系地层旋回性强,沉积环境变化快,有机质成因复杂,因此这些模型是否适用于煤系页岩TOC的预测仍有待考究。

此外,煤系页岩有机质成因复杂且多样,由多种显微组分组成。不同的有机显微组分在生烃潜力、孔隙发育特征、力学特性等方面均存在明显差异。由于页岩组分细小且分散,仅基于光学显微镜难以准确评价页岩有机质显微组分特征,因此基于高分辨率扫描电镜识别有机显微组分对于深化评价页岩储层至关重要[14]。首先简要介绍宁武盆地沉积构造演化特征及煤系页岩展布特征,基于岩石热解实验与扫描电镜识别宁武南区块煤系页岩有机质类型及微观赋存特征,基于系列测井数据构建三类适用于煤系页岩TOC含量的预测模型,评价并优选适用于煤系页岩的TOC含量预测方法,联合有机质类型及有机碳含量评价研究区煤系页岩气的勘探前景。

1 区域地质概况

1.1 宁武盆地地质概况

宁武盆地形成于晚古生代成煤期后,是位于山西省北部的山间构造盆地。盆地呈北东向带状分布,长约160 km,宽约20 km,面积4 875.28 km2,其含煤面积约3 706 km2,属于山西省六大煤田之一[15-17](图1)。宁武盆地形成始于石炭纪,结束于侏罗纪。晋冀鲁豫运动使山西省南北地壳大幅度抬升,而中部抬升幅度相对较小,造成宁武盆地缺失全部峰峰组地层。受海西运动影响,盆地内广泛沉积了从石炭系中统到三叠系的地层,石炭-二叠纪含煤建造形成于这一时期。石炭纪早期,东西向的海侵覆盖了整个宁武盆地,而到晚石炭期,海侵方向转变为南北向,影响了盆地南部地层的发育。受印支运动的影响,盆地大部分地区开始抬升剥蚀。侏罗纪、白垩纪期间,受燕山运动影响,盆地由西向东方向的芦芽山、云中山、恒山及南侧的关帝山开始抬升,而中部地区的宁武-静乐区块发生沉降。宁武-静乐向斜和位于两侧与之平行的芦芽山和云中山隆起带在NW-SE向的挤压应力场作用下形成[18]。随着挤压应力增强到一定程度后,在芦芽山东侧山脚形成了春景洼—西马坊逆冲断裂和芦家庄-娄烦逆冲断裂。自海西运动至燕山运动,宁武盆地主要构造格架基本定型。后期喜马拉雅运动,主要以拉伸改造形成现代地貌[19-20]。

图1 宁武盆地构造特征及地层特征

1.2 宁武南区块煤系页岩展布特征

宁武南区块位于宁武盆地南部,太原组主要发育灰黑色泥岩、灰色砂质泥岩、灰白色砂岩和煤层,9号煤是主要可采煤层,平均厚度达到10 m以上。山西组岩性特征与太原组相似,含主要可采煤层4号及1～3层薄煤层。太原组累积页岩厚度分布在44～87 m,平均为67.7 m(图2)。区块北部页岩累积厚度明显高于南部,整体呈由东南向西北增加的趋势。太原组泥地比(页岩厚度/地层厚度)介于0.56～0.73,平均达到0.66,具有与累积页岩厚度变化趋势相似的特点。研究区太原组连续页岩(泥地比大于70%且单层夹层厚度小于3 m的页岩层段)厚度分布在15～57 m,平均为30.3 m,厚度较为可观。山西组累积页岩厚度介于34～93 m,平均为74.6 m(图3)。泥地比为0.32～0.77,分布范围较大,平均为0.64,平面上分布特征与页岩厚度变化趋势基本一致,呈现由东南向西北增加的趋势。山西组连续页岩厚度分布在17～65 m,平均为37.7 m。

图2 研究区太原组煤系页岩展布特征

图3 研究区山西组煤系页岩展布特征

山西组和太原组连续页岩厚度与累积页岩厚度变化趋势相似,呈现由东南向西北增加的趋势。总体来看,宁武南区块山西组和太原组煤系页岩发育程度较为相似。

2 煤系页岩有机质含量和类型

选取研究区57个岩心样品进行TOC实验测定,其中30个样品来自山西组,27个样品来自太原组。TOC分布范围为0.14%～8.95%,平均值为2.6%。山西组和太原组页岩氢指数(hydrogen index,HI)均小于200 mg/g,Tmax(地质历史时期经历的最高温度)与HI相关关系表明研究区山西组、太原组页岩均以Ⅲ型干酪根为主(图4)。在镜下观察到页岩显微组分以惰质体与镜质体为主,来自陆源高等植物,符合研究区页岩主要是Ⅲ型干酪根的特征。

目前中国存在多套体系对显微组分进行划分,本文划分主要依据代世峰等[21]提出的“ICCP system 1994”中文分类方案,该方案更便于国际交流。笔者在光学显微镜观测的基础上,利用扫描电镜观测有机质的形态、颗粒大小、孔隙发育特征及其与周缘矿物的依存关系[22],探讨了研究区煤系页岩有机质的微观赋存特征。研究区主要存在镜质体、惰质体、类质体三类原生有机质及次生有机质固体沥青。

(1)镜质体。镜质体是高等植物中的木质纤维经腐殖化作用和凝胶化作用形成的产物[23],是研究区页岩最多的显微组分(达到60%以上)类型,可进一步区分为结构镜质体、凝胶镜质体和碎屑镜质体。结构镜质体呈网格状,保留较为完整细胞结构,胞腔多被矿物所充填,孔隙不发育,灰度较强[图5(a)]。凝胶镜质体呈条带状,受挤压顺层分布,多数孔隙不发育,偶尔可见少量气孔[图5(b)]。碎屑镜质体呈散块状分布,是镜质体中相对易生气的亚组分,可见少量气孔[图5(c)]。

图5 研究区煤系页岩有机质特征

(2)惰质体。惰质体是高等植物中木质纤维经过丝碳化作用形成的产物[23]。研究区页岩常见的惰质体有丝质体、半丝质体、菌类体和碎屑惰质体。其中丝质体突起高,呈网状分布,扫描电镜视域下灰度较镜质体略低,细胞结构保存完整,细胞壁薄,胞腔通常被沥青和矿物充填,孔隙不发育[图5(d)];半丝质体细胞壁变形强烈,胞腔由于压实变形保留一定残余孔隙,呈三角状,同时可见少量圆形气孔[图5(e)];菌类体突起较高,通体呈圆形或椭圆形,内部发育不规则孔隙[图5(f)];碎屑惰质体以细小、呈分散的碎屑状态存在,不发育孔隙[图5(g)]。

(3)类脂体。类脂体是植物组织中未发生腐殖化的一类显微组分,包括树脂体、孢粉素和脂肪等富氢的残余物[24],是研究区存在较少的显微组分。研究区常见有角质体和孢子体,其中角质体呈弯曲状或窄条带状分布,单侧为锯齿形,孔隙不发育[图5(h)];孢子体保留有孢子原始形状,呈扁环状[图5(i)],受挤压呈线条或蠕虫状[图5(j)],孔隙不发育。

(4)固体沥青。固体沥青是原始干酪根生烃后形成的次生有机质,无固定形状,受控于充填孔隙发育的形态。扫描电镜下固体沥青颜色较浅,突起低,易于辨识[图5(k)]。固体沥青中发育大量海绵状和蜂窝状孔隙[图5(l)],但是在研究区页岩中的固体沥青含量较少,不是煤系页岩主要的显微组分类型。

研究区页岩显微组分以镜质体为主,其次为惰质体,类脂体与固体沥青含量较低;有机质孔隙主要发育于固体沥青,镜质体与惰质体中零星可见;研究区大部分有机显微组分不发育有机质孔隙,这可能是煤系页岩相比于海相页岩(显微组分以固体沥青为主)有机质孔隙发育程度较差的原因之一。

3 煤系页岩有机碳含量预测模型的构建

3.1 ΔlgR模型

ΔlgR法由Exxon和Esso公司提出,Passey等进一步完善并推广应用[8],是一种运用声波时差和电阻率测井资料计算和预测烃源岩TOC的方法。相比于岩石骨架,干酪根具有低速度和高电阻率的测井响应特征,从而使两条测井曲线在有机质富集程度存在差异的层段呈现不同的形态特征。有机碳含量越高,两条测井曲线的形态特征差异越明显(如图6中煤、炭质页岩)。

图6 基于ΔlgR法预测TOC原理图[8]

应用ΔlgR法计算TOC时,在对应坐标体系之下将电阻率与声波时差曲线进行反向叠合,贫有机质层段表现为两条曲线重合,即为基线(如图6中非烃源岩层段);在富有机质层段,两条曲线值均增大,互相分离,产生幅度差,将该幅度差定义为ΔlgR值。应用ΔlgR法计算TOC的公式为

ΔlgR=lg(Rt/Rt,基)+K(Δt-Δt基)

(1)

TOC=ΔlgR×102.297-0.168 8Lom+ΔTOC

(2)

式中:R为浅侧向电阻率,Ω·m;Rt、Δt分别为地层电阻率和声波时差测井值,Ω·m、μs/m;Rt,基、Δt基分别为基线段的电阻率和声波时差值,Ω·m、μs/m;K为叠合系数;Lom为岩层的成熟度参数;ΔTOC为TOC背景值。

ΔlgR法的优点是有效消除了孔隙度对预测TOC的影响,因为声波时差与电阻率测井曲线对岩层孔隙度的变化很敏感,将二者反向叠加,提高了预测结果可靠性。该方法常用于海相页岩,海相单层厚度大,页岩发育稳定,TOC含量变化幅度不大。但在应用于煤系页岩时存在以下不足:①ΔlgR法的计算依赖于基线值,研究区煤系地层岩性频繁互层,仅在约20 m厚度内就存在多个基线段(图7),且同一层段内基线值也时常不唯一,需人为选取,导致主观因素较强;②K、ΔTOC、Lom的值需要依据大量样品分析、测试资料得出,而宁武盆地针对煤系页岩气的勘探开发仍处于初期,资料相对缺乏,参数难以确定,影响TOC预测结果的可靠性;③煤系页岩有机质成因复杂,变化范围广,只依据电阻率与声波时差两类测井曲线可能存在一定误差。

图7 基于ΔlgR法预测研究区煤系页岩TOC实例图

前人在ΔlgR法的基础上进行改进优化,并根据有机质密度显著低于围岩的特征,引入了密度曲线,提出了改进的ΔlgR法,将式(2)修改[10,24-25]为

TOC=(AlgR+BΔt+C)/DEN

(3)

式(3)中:DEN为密度测井值,g/cm3;A、B、C均为常数。

改进的ΔlgR法省略了人工选取基线、计算Lom、ΔTOC等步骤,避免主观因素干扰、简化计算过程,减小了误差;同时,有机质低密度的特征使得TOC与密度测井值呈反比,密度测井曲线的引入大大提高了TOC计算结果的精确度。因此,本文中采用改进的ΔlgR法计算研究区目标层段的TOC。

基于57个页岩样品实测TOC数据,选取浅侧向电阻率、声波时差、密度三条测井曲线,基于Origin软件按照式(3)进行非线性曲线拟合,计算系数A、B、C,建立了基于改进ΔlgR法的煤系页岩TOC预测模型,表达式为

TOC=(1.227 68lgR+0.042 05Δt-6.462 41)/DEN

(4)

为避免因自变量的增加而引起决定系数的增大,故计算了该模型调整后R2。公式[26]为

(5)

式(5)中:n为样本容量;k为自变量个数。引入了自变量个数,排除了自变量增多造成模型拟合度增加的风险。

计算结果显示该模型的调整后R2=0.68。基于改进ΔlgR法的TOC预测模型的残差均值为0,服从正态分布[图8(a)],说明该模型的残差是随机的,表明该预测模型的结果可信度高。

图8 三类预测模型的残差分布直方图

3.2 多元线性回归

多元线性回归是一种经典的多变量统计分析方法,是对简单线性回归的推广。对于数据集(y,x1,x2,…,xn)的多元线性回归数学模型[27]为

y=β0+β1x1+β2x2+…+βnxn+ε

(6)

式(6)中:β0为回归常数;β1、β2、…、βn为偏回归系数;ε为随机误差,即残差,独立服从正态分布。残差是在因变量y的变化过程中不能用自变量解释的部分。对于回归模型参数的计算一般采用最小二乘法,以获得最适合的回归常数和偏回归系数使离差最小[28]。

根据各类测井曲线的地球物理意义,一般认为声波时差AC(μs/m)、自然伽马GR(API)、密度DEN(g/cm3)、自然电位SP(mV)及补偿中子CNL(%)能直接或者间接地反映有机碳的富集程度。有机质为典型的黏塑性基质,且常富集于泥质含量较高的地层中,声波在富含有机质的页岩中传播速度较慢,因此声波时差较大。相比于有机碳含量较低的粉砂岩,富有机质页岩密度值较低,放射性较强,因此自然伽马值较高。自然电位异常幅度值的大小与地层渗透性有关。一般情况下,地层中黏塑性物质含量越高,地层渗透性越差,自然电位异常幅度值越小。因此,富含有机质页岩的自然电位值较小。补偿中子测井主要反映地层的含氢量,因此往往与有机质丰度呈正比。

在建立预测模型前,应判断研究区测井曲线的变化幅度与趋势对有机质丰度变化的敏感程度,选取与TOC相关性较强的测井曲线能够提高模型预测的准确性。在进行测井曲线选取时,对研究区测井曲线进行了深度校正和去除环境影响的预处理,以尽可能地消除各种随机干扰和非地层因素的影响,使校正后同一口井的测井曲线均有准确的深度值,并尽可能真实地反映地层及其孔隙流体的性质。根据分析结果可知,岩样实测TOC与声波时差、自然伽马、密度、自然电位及补偿中子五条测井曲线的相关系数R2均在0.5左右(图9),表明这五条测井曲线均对有机质丰度的变化较为敏感。

海相页岩TOC含量变化范围小,影响因素相对煤系页岩较少,前人对海相页岩进行预测只需少数自变量就可以得到拟合效果较好的预测模型。煤系页岩TOC含量变化幅度更大,受沉积环境影响严重,需要多个自变量进行预测得到更为准确的模型。故将与TOC相关性较好的AC、CNL、DEN、GR、SP参数均作为自变量,建立多元线性回归模型进行分析。但上述五个测井参数并非每个自变量都能对因变量产生统计学意义上的影响,且无法确定参数之间是否存在多重共线性,所以需要对自变量进行进一步筛选。利用SPSS软件对样本直接采用逐步回归法,对偏回归系数进行显著性检验从而得到具有统计学意义的自变量。逐步回归法指每次向模型中加入新的变量都会同时计算原先模型中的变量是否还具有统计学意义,并自动对没有意义的变量进行剔除,直至剔除所有不相关的变量并引入所有相关变量[29]。因此逐步回归法可以解决自变量之间存在多重共线性的问题并挑选出最相关的自变量。拟合结果如表1所示,共建立了5个多元线性回归模型。模型1说明AC单独对TOC具有63.1% 的解释度,在5个变量中与TOC关联性最强。模型5的调整后R2=0.846,具有最高的拟合度,说明5个自变量对因变量TOC均有良好的解释度,且变量之间不存在共线性关系。模型5的标准估算误差为0.585,其值较小,说明R2的估算结果可靠程度高。模型5的残差均值为0,服从正态分布[图8(b)],说明该模型的残差是随机的,模型5的结果可信度高。

3.3 BP神经网络模型

3.3.1 原理介绍

反向传播(back propogation,BP)神经网络是一种利用误差反向传播的多层前反馈网络,它能够在给定的样本中寻找规律并建立映射模型,用于解决在输入数据量大且难以用显性函数表达的非线性问题[30]。网络结构包括输入层、隐含层和输出层,各层层内神经元相互独立,层间神经元相互连接。学习过程分为正向计算和反向传播两部分,实现从输入数据到输出数据的非线性函数的映射。隐含层逐层对上一层数据赋予权重后正向传播到输出层,当输出结果误差未满足期望值时,误差信号逐层反向传播到输入层,经修改权重后再次传播到输出层,循环往复,直至误差在允许范围内时停止训练[6]。该方法无需确定单个测井曲线与TOC之间的关系,通过训练获得测井参数和TOC之间的映射关系,使用均方误差和回归分析评估其性能。

3.3.2 模型构建

以AC(声波时差)、GR(自然伽马)、DEN(密度)、SP(自然电位)、CNL(补偿中子)5种测井曲线为输入层变量,以总有机碳含量TOC为输出变量,计算隐含层神经元数量[10]。本次以57组数据为数据集,隐含层数量设置为1层,隐含层神经元数选择10个,输出层数量1个,使用LM(Levenberg-Marquardt)算法对数据进行学习,建立了网格结构为 5×10×1的BP神经网络模型(图10),即

图10 基于BP神经网络法的模型结构图

(7)

式(7)中:n为输入层神经元的个数;M为隐含层神经元数量;i为取值0～n的正整数;k为样本数。

BP神经网络构建过程中,需要将输入的数据集按一定比例划分为训练集、校正集和测试集。传统BP神经网络模型构建时训练样本、校正样本和测试样本按照比例随机产生。研究区煤系页岩TOC分布范围大,若随机生成可能会出现训练样本TOC集中的情况,造成预测结果的不准确。本次研究进行了多次随机模型构建,根据样品地质特征,选择TOC分布在0.14%～8.95%、有机质类型涵盖Ⅱ2型和Ⅲ型的训练样本,确保构建神经网络模型训练样本的全面性。最终将57个数据集的70%(39个点)作为训练样本,15%(9个点)作为校正样本,15%(9个点)作为测试样本。

所构建BP神经网络模型的学习、预测结果表明,训练集、校正集、测试集和全部57个数据集的预测TOC和实测TOC之间的线性相关系数均在0.9以上(图11),并且模型残差呈正态分布,基本分布在-0.6～0.6[图8(c)],表明预测结果准确可靠。

图11 基于BP神经网络法的预测TOC与实测TOC含量的相关关系

4 预测模型的对比与应用

为了检验预测模型的适用性和准确性,选取研究区某口井20个样品的测井数据值,利用构建的三类模型进行预测,并与实测TOC进行对比。结果显示,ΔlgR模型、多元线性回归模型和BP神经网络模型预测值与实测值的相关系数R2分别为0.71、0.82、0.92(图12),均显示了较好的预测结果,但同时也注意到模型的预测效果存在一定差异。

图12 构建三类模型的实测TOC与预测TOC含量的相关关系

基于改进ΔlgR法建立的研究区TOC预测模型,预测TOC与实测TOC间存在一定的误差,主要来自两方面:一是改进ΔlgR法只应用了DEN、AC、RS测井曲线,而未应用与TOC相关的GR、SP、CNL测井曲线;二是研究区煤系地层中岩相变化较快,包括炭质页岩、粉砂质页岩等多种岩性,影响了预测结果的准确性[31]。多元线性回归模型的预测效果好于ΔlgR模型,因为该模型更加充分地将五种测井曲线考虑在内。BP神经网络模型预测效果好于多元线性回归模型和ΔlgR法,在研究区页岩TOC预测方面具有更大的优越性。因为研究区砂泥岩互层导致TOC值变化较大,单个测井曲线与TOC的相关性低,而BP神经网络方法的优越性就是建立非线性函数的预测模型。

采用构建好的BP神经网络模型对宁武南区块7口井太原组及山西组页岩TOC进行预测,明确了研究区有机质丰度展布特征,划分了太原组、山西组页岩TOC有利区(图13)。太原组TOC分布在2.3%～4.1%,呈现由西南向东北增大的趋势,其中北部Y4井和东部Y7井具有较大的有机碳含量(平均达到4.05%)。山西组页岩TOC分布在2.0%～4.4%,由西向东逐渐增大,其中Y1井最低(平均为1.88%),Y7井最高(平均为4.49%)。研究区东北部太原组和山西组煤系页岩具有高有机质丰度、高泥地比和累计页岩和连续页岩厚度大的特征,表明宁武南区块东北部煤系页岩具有较好的生气条件。从有机质类型及其微观赋存特征考虑,研究区有机质来源主要为高等植物,显微组分以镜质体和惰质体为主,孔隙发育程度较差,表明煤系页岩有机质的生烃潜力和储集能力较差。有机质类型及其微观赋存特征的差异可能是煤系页岩相比于海相页岩难于实现商业开发的因素之一。在煤系页岩气的勘探开发过程中,不仅要明确有机质丰度的时空差异性变化,同时应注重有机质类型及其微观特征的研究。

图13 研究区太原组-山西组煤系页岩有机质丰度展布特征

5 结论

(1)宁武南区块煤系页岩累积厚度大,分布在34～93 m,整体呈现由东南向西北增加的趋势。煤系页岩有机质类型以Ⅲ型干酪根为主,显微组分以惰质体与镜质体为主,有机质孔隙主要发育于固体沥青,镜质体与惰质体中零星可见。

(2)利用宁武南区块太原组、山西组煤系页岩TOC实测数据和测井数据(电阻率、声波时差、自然电位、密度、补偿中子和自然伽马),构建了基于改进ΔlgR法、多元线性回归法和BP神经网络法的三类TOC预测模型。BP神经网络模型预测效果明显优于多元线性回归模型和ΔlgR法,这是因为煤系地层旋回性强,岩性变化较大,影响有机质丰度的因素多样且复杂,导致不同测井曲线与TOC之间存在复杂的非线性关系,而BP神经网络法更适用于建立参数之间的非线性复杂关系。

(3)利用构建的BP神经网络模型对宁武南区块石炭-二叠系煤系页岩TOC进行预测。研究区煤系页岩TOC含量具有由西南向东北逐渐增大的趋势,具有较好的勘探开发前景。在煤系页岩气的勘探开发过程中,不仅要明确有机质丰度的时空差异性变化,同时应注重有机质类型及其微观赋存特征的研究。