陆梁油田白垩系低阻油层的地球化学识别

低阻油气层是指油气层的电阻率指数小于3.0,含水饱和度大于50%,或者说油气层的电阻率小于本油区正常油气层电阻率的下限值,这类油气层在我国很多油田均有发现。因引起低阻油气层的因素很多,如储层岩石中的导电矿物质量分数、储层孔隙结构、地层水矿化度及泥浆侵入程度等,给测井解释带来很多困难。以准噶尔盆地腹部陆梁油田白垩系油层为例,利用地球化学方法,如饱和烃色谱、沥青"A"质量分数、储层荧光及储层物性来识别油气层,它避开了上述因素的影响,只与储层流体的化学性质有关,可用于低阻油气层及薄油层的识别。

混源油气运移方向的地球化学识别

对松辽盆地和塔里木盆地的混源油气的运移方向进行了初步的分析和研究。结果表明 ,松辽盆地朝长地区未熟油和成熟油的混源现象较为常见 ,应用不同的成熟度指标可以识别这种情况。塔里木盆地塔中地区石炭系油藏CⅢ 油组的油气为三期油气的混源 ,油气运移的主体方向是自西向东。后期较高成熟度条件下形成的天然气、轻质油 ,自东向西进入塔中 1油田、塔中 4油田 ,塔中

海底烃类渗漏的地球化学识别

利用海底烃类嗅测仪可以检测到因海底烃类渗漏而在海水中存在的烃类地球化学异常。烃类嗅测仪可检测到的指标主要是甲烷,也包括重烃类气体和芳烃类。利用烃类嗅测仪可以有效地识别海底宏渗漏的存在。海底沉积物的地球化学异常可以指示海底烃类渗漏的存在。通过沉积物柱状取样,地球化学分析和异常解释,渗漏烃来源分析,以及对热成因烃类源区有机质类型、沉积环境、热成熟度、时代以及油气属性等信息的提取,为海域油气资源勘探和评价提供地球化学依据。

基于主量元素地球化学的岩屑层位源解析

近年来,岩屑录井在“华北型”煤田底板灰岩层注浆加固工程中发挥了重要作用。然而,现有的岩屑录井仅停留在颜色、颗粒大小及形貌特征等物理指标的识别上,难以精准判层,钻孔设计“顺层率”难以保障,制约着底板灰岩水害区域治理效果。基于石炭纪太原组薄层灰岩及其碎屑岩夹层的元素地球化学差异特点,选取淮北煤田桃园煤矿为研究区,对太原组上段薄层灰岩L_(1)灰~L_(4)灰地层(注浆治理目的层为L_(3)灰)垂直钻孔岩心进行取样,利用X射线荧光光谱仪(XRF)定量测定了薄层灰岩及其夹层的主量元素背景值,通过聚类分析、因子分析等数理统计手段建立薄层灰岩主量元素地球化学识别模式;同时对地面定向钻水平分支孔岩屑同样开展主量元素测试,并基于已建立的地球化学识别模式进行岩屑层位源解析以及识别模式验证。结果显示:高CaO丰度、烧失量(LOI)可以作为注浆加固改造目的层L_(3)灰的特征指标,MgO(0.5%±)、MnO(0.03%±)、P_(2)O_(5)(0.08%±)丰度可作为注浆目的层上覆标志层J3的识别指标;聚类分析识别模式可有效区分太原组一灰~三灰(L_(1)灰~L_(3)灰);以元素因子得分建立的识别模式可以将太原组碎屑岩夹层与薄层灰岩进行有效区分;以岩样地球化学背景值运行判别模型得到的Fisher判别方程对注浆目的层L_(3)灰岩屑来源解析的准确率为100%。基于上述认识,论证了以确保设计“顺层率”为目标的水平分支孔岩屑地球化学源解析方法应用之可行性,进而提出了一种地面定向钻“顺层率”控制技术方案。本研究基于元素地球化学理论,对地面定向钻岩屑携带的特征地球化学信息进行了目的层层位辨识,在现场快速定量测试技术手段的支持下,可为解决华北型煤田底板灰岩水害区域注浆改造顺层难题提供了新的思路。

面向地球化学异常识别的深度学习算法对比研究

针对选用不同网络结构的深度学习算法进行地球化学异常识别,重构符合成矿分布的地球化学背景时选择依据较少的问题,本文基于闽西南铜锌银成矿区1∶20万水系沉积物数据,采用3种无监督深度学习模型AE、MCAE、FCAE,分别提取了样本中多元素的组合结构特征、空间分布特征以及混合特征,并基于其重构地球化学背景,模拟成矿分布。结果显示,FCAE模型圈定的异常区域与已知铜矿点最贴合,其次是MCAE模型和AE模型,其AUC值分别为0.80、0.78、0.61,且FCAE模型和AE模型对卷积窗口尺寸变化不敏感;说明面向地球化学异常识别构建深度学习算法时,基于提取空间分布特征或混合特征的算法综合表现较好,且基于提取组合结构特征或混合特征的算法对由观测空间尺度变化或不一致引起的噪声有较强抗干扰能力。本文为因地制宜地构建基于深度学习算法的地球化学异常识别模型提供了有效依据。

多元素矿床普查和勘探的地质-地球化学判据

文章介绍了多元素矿床层间氧化带的岩石-地球化学特征;层间氧化带与潜水氧化带和地表氧化带的主要区别;层间氧化岩石与原生红色沉积岩石的区别;古层间氧化带、古地表氧化带的识别标志以及次生还原岩石和这类岩石的层间氧化带的识别标志。

卷积神经网络在地球化学异常识别中的应用——以吉林省辉南—江源一带铁矿为例

地球化学异常识别在矿产勘查中发挥着重要作用。本文利用机器学习方法解决矿产勘查问题,有助于人们能全面考虑地质变量并对模型的可靠性进行评价。以吉林省靖宇区铁矿床为研究案例,采用研究区地表Fe元素浓度及分布位置数据,绘制Fe元素浓度图,运用卷积神经网络算法,挖掘地表Fe元素分布与矿体地下位置空间的关系。经过25次训练后,模型的准确率可达到96.88%,损失函数值仅为0.16。通过本文研究发现:卷积神经网络可以深入探索地表元素分布与矿体地下位置联系。该模型揭示出元素在地表的分布与矿体的空间对应关系。传统地球化学异常识别是通过对研究区元素含量水平进行统计分析。在地球化学勘察中仅区分研究区背景和异常,根据背景值的强弱来划分异常,但背景和异常没有一个“清晰”的界限,在不同条件下,背景和异常可以相互转换。在此情形下,仅通过对异常值的识别不能反映地表元素与地下矿体的关联性。本文转变以往思路,运用卷积神经网络模型表达矿体位置与元素分布之间的对应关系,可以为未来地球化学异常识别研究提供参考方向。

CO_2气综合勘探技术及实例分析

CO2气藏由于其物理、化学性质的特殊性,CO2气勘探与烃类气既有相同又有区别,综合应用多种资料和多种技术方法是勘探CO2气(层)藏的有效手段。通过运用色谱测量法和红外线CO2气体浓度测量法实现CO2气层钻井现场动态检测,利用气体色谱检测、相关录井参数资料、核测井密度中子孔隙度差值综合解释CO2气层,有效地区分烃类气和CO2气,分析地震亮点、AVO特征和地表化探异常与CO2气藏的关系,运用地震亮点、AVO、叠后滤波处理、约束反演技术和地球化学识别技术,有效地识别和预测CO2气分布。总结形成了CO2气藏的录井、测井、地震和地球化学综合勘探技术方法,该项技术在花沟地区CO2气藏的勘探中取得了很好应用效果。