基于Stacking算法集成学习的页岩油储层总有机碳含量评价方法

总有机碳含量(TOC)是页岩油储层评价的重要参数,而传统总有机碳含量测井评价方法精度较低且普适性较差,机器学习模型在一定程度上提高了总有机碳含量预测精度,但结果存在不稳定性。为了进一步提高页岩油储层总有机碳含量预测精度,基于有机质岩石物理特征和不同总有机碳含量测井响应特征的深入分析,优选出深侧向电阻率、声波时差、补偿中子和密度测井曲线作为总有机碳含量的敏感测井响应,并将其作为输入特征,以岩心分析总有机碳含量作为期望输出值,分别建立了决策树模型、支持向量回归机模型、BP(Back Propagation)神经网络模型,并建立了以决策树模型为基模型、支持向量回归机模型为元模型的Stacking算法集成学习模型。利用B油田A区块的岩心样本数据和实际井数据对不同模型预测总有机碳含量结果进行了验证,结果表明,基于Stacking算法的集成学习模型的总有机碳含量预测精度最高,相较于决策树模型、支持向量回归机模型、BP神经网络模型和改进的ΔlgR法,预测精度有较大提高。因此,基于Stacking算法的集成学习模型为该研究区最有效的总有机碳含量计算方法,这为准确地评估页岩油储层的生烃潜力、确保页岩油储层的高效开采及资源利用奠定了基础。

基于多测井参数的陆相页岩储层总有机碳含量预测:以和尚塬地区延长组长7段为例

总有机碳含量(Total Organic Carbon,TOC)是评价页岩油气潜力的关键参数,利用测井数据预测TOC,能刻画整段储层的TOC变化,对于明确地质-工程“甜点”意义重大.和尚塬地区延长组长7段陆相页岩由于沉积环境频繁交替变化,页岩层系内大量发育粉砂质泥岩条带.针对岩性非均质性强的特点,将页岩储层细分为页岩和粉砂质泥岩两种岩性,分别建立TOC预测模型.在比较现有方法的基础上,结合研究区的测井资料实际,选用△lg R改进法和机器逐步回归学习法分岩性建立预测模型.经过实测数据的精度检验,机器逐步回归学习法的预测精度更高.通过对单井预测值与实测值的误差分析,印证了细分岩性机器逐步回归学习预测模型的可靠性,证明该方法对预测以常规测井为主的陆相泥页岩TOC是有效的.在此基础上,应用该方法对研究区101口井长7段泥页岩进行预测,获得了TOC的空间展布.

基于机器学习的总有机碳含量测井预测方法对比研究

川中中二叠统茅口组一段发育岩性复杂、纵向变化大,总有机碳含量预测影响因素多、难度大,探索最适合该地区总有机碳含量预测的高精确度预测方法尤为重要。基于皮尔逊相关系数矩阵进行了总有机碳含量预测敏感参数选取,利用多层前馈神经网络、支持向量机和XGBoost算法这3种机器学习方法进行建模,并与常规ΔlogR法计算总有机碳含量的结果进行对比分析。结果表明:应用敏感特征挖掘方法优选出了与总有机碳含量相关性高的自然伽马、电阻率、声波时差、补偿密度、补偿中子测井数据作为输入特征;建立了检验精度R^(2)=0.6248的Δlog R法计算模型、R^(2)=0.8144的BP神经网络预测模型、R^(2)=0.7029的支持向量机预测模型及R^(2)=0.9370的XGBoost预测模型。实际应用效果分析显示,常规的ΔlogR法计算总有机碳含量精确度效果不佳,达不到预期效果;XGBoost预测模型预测值与实测值大小吻合最好、可靠性最高。该研究建立、对比优选出了预测精度高、泛化能力强的总有机碳含量预测模型,为研究区复杂碳酸盐岩总有机碳含量预测提供了有效的方法。

封闭体系下烃源岩热模拟实验固体渣样总有机碳含量异常成因及意义

自然演化条件下,烃源岩总有机碳(TOC)含量通常随着成熟度的增加而持续降低;但在封闭体系热模拟实验的晚期阶段,固体渣样的TOC呈现“不减反增”的异常现象。基于银根—额济纳旗盆地中生界湖相烃源岩样品的热模拟实验等相关测试资料,分析TOC异常变化成因,探讨了其地球化学意义。研究认为,造成这种异常现象的原因与原油二次裂解有关。由于热模拟为封闭体系,早期生成的原油因无法排出而滞留在反应釜内,随着热模拟温度的增加,原油开始大规模裂解,原油转化成气态烃的同时产生焦沥青,“不可溶”的焦沥青附着在固体渣样上导致TOC增大。该研究还建立了一种确定不同类型烃源岩所生油裂解气主生气门限的方法,即基于封闭热模拟实验固体渣样的TOC变化曲线来确定油裂解气主生气门限,因为焦沥青的大量生成会导致固体渣样TOC的增加,也是原油开始大规模裂解生气的重要标志。这种方法解决了现有方法的不足,如在厘定主生气门限时存在不可避免的人为误差、无法对混源油开展更为深入研究等。

基于改进ΔlogR方法估算低阻海相页岩储层总有机碳含量——以桂中坳陷A地区B组为例

总有机碳含量(total organic carbon,TOC)是确定烃源岩质量的最重要参数。为解决传统ΔlogR方法应用于沉积环境较复杂的海相页岩气储层精度低的问题,以桂中坳陷A区B组海相页岩气储层为研究对象,在分析研究区低阻原因的基础上,对测井曲线按照扩径范围进行井径校正,并利用自然伽马能谱测井中Th/K数据,与ΔlogR建立多元拟合关系,提出基于井径校正和自然伽马能谱测井的改进ΔlogR方法。结果表明:声波时差曲线经过校正后,降低了井径扩径带来的测井数据失真的影响,同时结合自然伽马能谱测井,能够适应研究区复杂的地质背景和较强的非均质性,大大提高总有机碳质量分数的预测精度,具有较好的推广性和适用性。该方法可以为桂中坳陷A区B组海相页岩气储层评价提供参考。

云南省水库沉积物中总有机碳含量对环境因子的响应研究

以云南省125个水库的表层沉积物作为研究对象,测定其总有机碳含量,并分析总有机碳含量与环境因子(海拔、水深、水域面积、流域面积及流域内植被覆盖度)之间的关系,探究影响水库有机碳埋藏的关键环境因子.结果表明:云南水库表层沉积物中总有机碳含量与最干季降水量(12月~2月)呈显著正相关关系;与最热月(7月)的平均温度呈显著负相关关系.揭示了气候变暖对云南省水库沉积物有机碳埋藏具有重要影响.

基于机器学习的页岩气总有机碳含量预测模型

总有机碳含量(total organic carbon,TOC)是评价页岩气藏生烃能力的重要指标,对页岩气藏地质“甜点”的准确预测至关重要。现有页岩气藏TOC含量预测方法存在主观性强、泛化能力弱等缺点,以川南海相页岩气藏为研究对象,通过对研究区块测井资料和实验室岩心分析结果的整理,优选出自然伽马、密度等测井参数作为模型训练的特征向量,建立总有机碳含量的多层前馈神经网络(back propagation,BP)和支持向量机预测模型,分析不同模型之间的差异,对模型特征组合、网络结构等影响因素进行分析,最后将预测的TOC结果与真实值对比。结果表明:基于不含能谱测井资料的BP神经网络预测模型更能真实地反映出测井资料与储层的非线性关系,为TOC的预测提供新的思路。

高温燃烧法测定可降解塑料制品中总有机碳含量研究

建立可降解塑料制品中总有机碳的分析方法,以可降解塑料购物袋、快递袋(PBAT、PLA为主材)等为主要研究对象,采用高温燃烧法测定其总有机碳含量。本方法回收率在94%~109%之间,精密度RSD小于2%。本方法操作简便,准确率高,适合可降解塑料制品的总有机碳含量测定。

地震多属性反演预测页岩总有机碳含量

在单井评价的基础上,采用地震多属性反演方法可实现对页岩总有机碳(TOC)含量(以下称TOC质量分数)分布的横向预测。从井点出发,在地震资料中提取多种属性,结合多元逐步回归分析和神经网络方法进行属性优化训练,获取最佳属性组合,建立起属性组合和目标属性TOC质量分数之间的数学关系,并将其运用到地震数据体中进行TOC质量分数反演。将该方法应用到建南地区下侏罗统东岳庙段进行页岩TOC质量分数分布预测,TOC质量分数预测值与TOC质量分数实测值符合较好。

基于测井参数的煤系烃源岩总有机碳含量预测模型

复杂沉积环境下,烃源岩物性差异较大。经相关性分析揭示了煤系烃源岩TOC含量与各测井参数间存在相关性差异较大、各测井参数间含有互相关关系的特点。采用平均影响值(MIV)方法对测井参数进行筛选,筛选后的测井参数进入最终的BP神经网络建模,从而有效地规避了测井信息间的非相互独立性导致的模型预测误差增大及建模时间增加。依据研究区实验分析的TOC含量数据,分别建立适用于煤系烃源岩的Δlog R,BP神经网络和遗传算法(GA)优化的BP神经网络TOC含量预测模型。对模型试算分析,结果表明:GA改进后的BP神经网络模型预测效果最好,稳定性强,受烃源岩非均质性影响程度小,可以精细地反映煤系烃源岩TOC含量的细微变化。

利用随机森林回归算法预测总有机碳含量

针对现有页岩气储集层总有机碳含量预测模型存在的模型泛化能力弱、稳定性差的问题,提出了一种利用随机森林回归算法预测储集层总有机碳含量的方法。该方法使用地球物理测井提供的密度、铀含量、钍含量、自然伽马及光电吸收截面吸收指数等测井响应值作为输入,岩芯实验总有机碳含量作为输出,通过学习输入曲线与总有机碳含量的函数关系,动态预测整口井的总有机碳含量曲线。通过对焦石坝地区两口页岩气探井建模及预测可知,当随机森林中树的数量达到500时,建立的模型即可对训练样本中输入与输出的函数关系进行完全学习。通过训练结果及预测结果可知,随机森林回归方法不易发生过拟合现象,泛化能力极强,同时预测得到的曲线更为平滑,预测总有机碳含量较其他方法更为准确,有效地提高测井信息预测总有机碳含量模型的精度,对页岩气储集层评价提供帮助。

利用超临界水氧化法检测水质总有机碳含量技术研究

利用超临界水氧化与非色散红外法相结合的连续式实验装置,对邻苯二甲酸氢钾水溶液的总有机碳含量进行连续检测,研究了温度、氧化剂浓度等对检测结果的影响.研究表明,红外检测信号与水样中的总有机碳浓度具有良好的线性关系;升高温度有利于提高TOC的转化率,在460℃以上时有机物彻底氧化;增加氧化剂用量也会使TOC的转化率增加,在氧化剂为10倍量(化学计量比1∶1为1倍)时能把溶液中的有机物彻底氧化.

雨水中总有机碳含量调查及去除方法初步探讨

雨水是我省沿海农村居民家庭的主要饮用水源之一。为保证居民饮用雨水的卫生质量，对饮用雨水地区的雨水中总有机碳含量进行了检测。在浙江省慈溪市郊区（居民以雨水为主要饮水水源），选择雨水的收集方式、集雨面积、贮水池容积、水池的材质、雨水的贮存时间及使用方式等基本情况相似的用户，采取随机抽样的方法，抽取常年饮用雨水的当地居民１０户，在丰水期和枯水期（７月和１２月）采集水样，测定雨水总有机碳含量，同时采用自身对照的方法，开展雨水水质有机碳去除试验，对处理前后的水样分别进行总有机碳含量检测。结果发现，抽检的水样全部检出了总有机碳（ＴＯＣ），ＴＯＣ的含量水平在２．１６～５．２７ｍｇ／Ｌ，总有机碳去除试验结果，去除率１０．７％～１４．２％，提示雨水中总有机碳含量已经达到了一定的丰度，并且较难以去除。

烃源岩可溶烃、热解烃、总有机碳含量与光谱指数相关性研究

烃源岩的可溶烃含量(S1)、热解烃含量(S2)和总有机碳含量(TOC)是进行烃源岩研究和评价的重要指标,以往主要通过实验室分析方法获得,时效性得不到保证。为了探讨野外快速测量这些指标的可行性,采集了乌兹别克斯坦克孜勒库姆地块10件烃源岩样品,运用地面ASD光谱仪和碳硫分析仪,分别测定了样品的可见光-近红外-短波红外(Vis-NIR-SWIR)反射光谱和S1, S2和TOC含量参数。运用光谱拟合微分,获得了上述样品反射光谱的一阶导数、二价导数等微分数据;并运用线性回归方程拟合和拟合结果统计分析,研究了这些数据同S1, S2和TOC含量之间的相关性。结果表明:烃源岩S1含量与原始光谱、光谱一阶导数、二阶导数分别有1 973, 511和239个波段相关,相关系数绝对值最大值分别为0.612, 0.823和0.889,相关性程度分别为弱、较强、极强;烃源岩S2含量与原始光谱、光谱一阶导数、二阶导数分别有2, 144和205个波段相关,相关系数绝对值最大值分别为0.561, 0.867和0.926,相关性程度分别为弱、较强、极强;烃源岩TOC含量与原始光谱无相关性,与光谱一阶导数、二阶导数分别有18、 180个波段相关,相关系数绝对值最大值分别为0.882和0.879,相关性都极强。此外, S1含量与光谱二阶导数的2 012 nm波段拟合优度最高,达0.790;S2含量与光谱二阶导数的363 nm波段拟合优度最高,达0.858;TOC含量与光谱一阶导数的2 480 nm波段拟合优度最高,达0.777。结果说明,利用可见光-近红外-短波红外反射光谱反演烃源岩S1, S2和TOC含量具有比较好的效果。为研究野外烃源岩的原位检测奠定了重要的基础。

基于改进雨林模糊神经网络模型的页岩储层总有机碳含量评价方法

由于采用常规测井曲线评价页岩储层总有机碳含量的精度不高,泛化能力不强,需要大量样本。针对这些问题,改进了神经网络算法,以增加模型的预测能力。利用模糊系统优化细胞神经网络结构,以增强其逻辑推理能力,提高其对模糊数据的敏感性;选择能有效避免"虚拟碰撞"的雨林算法,并针对其存在的缺陷进行改进;利用改进雨林优化算法对网络的初始权值阈值进行优化,避免网络陷入局部极小。分析测井特征曲线的物理意义,选择密度测井曲线与自然伽马能谱测井曲线作为网络的输入,以总有机碳含量作为输出,通过70块岩心样本网络学习与26块岩心样本预测,证明了新网络模型的优越性。结果表明,新模型回判将相对误差从23.189%减小到17.185%,预测相对误差由52.421%减小到15.158%,具有更强的学习能力与泛化能力,更适用于页岩储层总有机质含量的测井评价。

优化的?logR技术及其在中——深层烃源岩总有机碳含量预测中的应用

针对利用Δlog R技术预测中—深层烃源岩总有机碳含量效果较差的问题,依据一一映射原理,利用归一化方法对Δlog R技术进行优化,并引入自然伽马参数,建立优化的总有机碳含量预测模型。该模型不仅可预测中—深层烃源岩有机碳含量,也可预测浅层烃源岩总有机碳含量。引入自然伽马参数,有助于减少非烃源岩高阻段对总有机碳含量预测的影响,增强预测模型的抗干扰能力;将所有参数归一化,不仅消除测井仪器不同等因素带来的误差,也降低运算过程中数据的复杂程度。结合渤海湾盆地东濮凹陷西南部洼陷勘探程度较低,使用测井仪器种类较多和沙三段中亚段烃源岩埋藏较深、声波时差较低的勘探现状,分别利用Δlog R技术和优化的Δlog R技术对烃源岩总有机碳含量进行预测。相比Δlog R技术,优化模型相关系数的平方提高了0.371,估计标准误差降低了0.139,表明优化的Δlog R技术能够较好地预测中—深层烃源岩总有机碳含量的变化趋势。另外,利用优化模型预测东濮凹陷西南部洼陷总有机碳含量分布,结果表明研究区北部为有利烃源岩发育区。

一种新型的超纯水系统总有机碳含量检测装置的研制

水中总有机碳含量(TOC)是实验用超纯水的一项重要指标,其测量是否准确,关系到相关实验结果的准确性。针对现有基于紫外氧化法的TOC检测设备中氧化池体积偏大,导致超纯水氧化效率低、时间长,且大多结合NDIR传感器进行二氧化碳含量检测,复杂工艺的引入,导致设备工作过程复杂,降低了测量精度和检测效率等问题,设计一款高效高精度的超纯水TOC检测设备,采用紫外氧化法与电导率法相结合的方式,从氧化池结构入手,设计一款超小体积、结构精密的一体式电导氧化池,通过一系列对比实验得到氧化池的最优体积,兼顾反应速率与精度。基于高性能、低功耗的嵌入式微控制器对设备进行了电控系统的硬件设计和配套软件开发,通过一系列实验证明了本设计在提高检测速率的同时,兼具较高的测量精度同与生产成本,使得该设备具有完全无污染、低耗能、高效高精度、低成本等特点。

安岳气田下寒武统海相烃源岩总有机碳 含量测井预测

安岳震旦系-寒武系特大型整装气田下寒武统海相烃源岩具有热演化程度高、有机碳含量丰富、生烃潜力巨大等特点,是震旦系-下古生界油气成藏的重要物质基础。目前尚未建立下寒武统烃源岩有机碳测井评价方法,优质烃源岩的分布情况不确定。根据研究区测井、岩心分析、地化等资料,通过分析岩心总有机碳含量与对应测井响应参数之间的关系,建立总有机碳含量的预测模型。通过研究区30余口单井烃源岩有机碳含量计算,完成研究区优质烃源岩分布情况预测。研究认为,德阳安岳裂陷槽内发育麦地坪组与笻竹寺组2套泥质烃源岩,烃源岩有机碳含量大于2.0%的优质烃源岩的累计厚度达到200 m以上,是四川盆地震旦系-下古生界主要生烃中心;磨溪构造北斜坡存在一个下寒武统的烃源灶,其内优质烃源岩的厚度超过了20 m,是研究区下一步的勘探方向。

烃源岩总有机碳含量测井预测模型探讨——以陆丰凹陷文昌组为例

测井参数与烃源岩总有机碳(TOC)含量之间存在某种响应关系,可以利用测井参数对TOC进行预测。建立了陆丰凹陷文昌组烃源岩TOC和电阻率曲线、声波时差曲线、中子孔隙度曲线、自然伽马曲线和密度曲线之间的多元回归模型、BP神经网络模型和曲线叠合模型,探讨了3种模型对TOC预测效果的差异。结果表明,多元回归模型对陆丰凹陷文昌组半深湖亚相、三角洲前缘亚相烃源岩的TOC预测效果较好,对滨浅湖亚相的预测效果较差;BP神经网络模型比多元回归模型预测的效果好;曲线叠合模型预测效果较差。在实际应用中,BP神经网络模型适用于测井参数与TOC难以用显式函数表达,且有足够大数据量的地层;多元回归模型适用于测井参数与TOC有明显相关性的地层;曲线叠合模型适用于伽马曲线对黏土和有机质含量响应明显的地层,并且目标曲线在非烃源岩层能较好叠合。通过对以上模型的分析,可向该坳陷其他次级凹陷推广应用。

基于支持向量机(SVM)的不同咸化程度烃源岩总有机碳含量预测模型

总有机碳含量(TOC)作为评价烃源岩有机质丰度的重要参数,其精确预测对油气勘探开发具有重要意义。目前总有机碳含量预测以Δlog R方法、多元回归分析等基于统计分析的方法为主,存在泛化能力弱、主观性强等问题。机器学习方法的引入,可有效解决这类非稳定性、非线性、高复杂性的问题,但当下的研究仍停留在方法的比较与选取层面,没有对优良模型进行深入分析并检验其适用性。采用应用效果更好的支持向量机模型进行总有机碳含量预测,选取渤海湾盆地渤中凹陷古近系东营组淡水湖相和柴达木盆地西部狮子沟地区古近系咸化湖相烃源岩作为研究对象,对模型的效果进行检验与对比。通过相关性和XGBoost特征重要性分析,选定声波时差(DT)、体积密度(DEN)、自然电位(SP)、自然伽马(GR)、深度等作为输入层,以总有机碳含量作为输出层,确立SVM烃源岩总有机碳含量预测模型。研究结果表明,模型在应用至差异较大的沉积环境时具有很强的泛化能力以适应不同地区的地质特征;测井曲线对于烃源岩有机质丰度的敏感性由于沉积环境存在差异而有所区别。该模型在渤海湾盆地淡水湖相区域的应用中相关性更高,误差更小。