本發(fā)明屬于泥頁巖組分評價技術(shù)領(lǐng)域，尤其涉及一種評價泥頁巖各組分體積的方法。

背景技術(shù)：

近年來，頁巖油氣作為非常規(guī)油氣領(lǐng)域的重要發(fā)展方向之一，因其資源量巨大而受到廣泛關(guān)注。頁巖油氣是指已經(jīng)生成但滯留于富有機(jī)質(zhì)泥頁巖的微-納米級孔隙中的烴類，富有機(jī)質(zhì)泥頁巖既是烴源巖，又是儲集巖，其源儲一體的性質(zhì)決定了頁巖油氣能否被有效開采主要取決于烴類的富集程度和滲流能力。泥頁巖中含烴量的大小主要與總有機(jī)碳含量(toc)和儲層孔隙度有關(guān)，而烴類的滲流能力主要受儲集空間(孔、喉分布及連通性)的影響。泥頁巖總有機(jī)碳是評價巖石生烴潛力的重要參數(shù)，在巖石中所占的體積很小，以干酪根和殘留烴的形式存在。此外，相對于常規(guī)油氣藏，頁巖油氣儲集空間較為致密，且滲透率極低，一般無自然流動能力，需要大規(guī)模水力壓裂才能形成工業(yè)產(chǎn)能，其可壓裂性受礦物組成的影響。因此，在頁巖油氣勘探開發(fā)前期，對泥頁巖各組分(干酪根、孔隙、礦物)體積的評價顯得格外重要。

泥頁巖干酪根、孔隙以及各礦物體積分別可以通過實(shí)驗(yàn)室內(nèi)leco/rock-eval分析、覆壓孔滲以及全巖xrd分析等實(shí)驗(yàn)手段直接或間接得到，且精度較高，但是受取樣成本和實(shí)驗(yàn)經(jīng)費(fèi)限制，難以連續(xù)定量評價巖石各組分的含量。國外多數(shù)石油公司逐漸利用伽馬能譜測井(ngs)、核磁共振測井(nmr)、元素俘獲測井(ecs)等特殊的測井技術(shù)對泥頁巖地層干酪根體積、各礦物含量以及孔隙度等進(jìn)行解釋，并取得了較大的成功。但是因價格昂貴等問題，上述特殊測井技術(shù)在國內(nèi)并未得到廣泛應(yīng)用，有這些特殊測井資料的井位相對較少，因此，亟需一種利用常規(guī)測井曲線對泥頁巖干酪根、各礦物組分及孔隙體積預(yù)測的方法。

現(xiàn)有技術(shù)一：廖東良(2014)利用ecs測井解釋的干酪根和各礦物含量作為已知條件，基于線性全體積模型，建立頁巖各組分(干酪根、骨架礦物、油氣)的多個測井響應(yīng)方程并對其進(jìn)行求解，以此計算頁巖地層各礦物和干酪根含量(專利申請?zhí)枺?01410318700.5和201410319217.9))。

現(xiàn)有技術(shù)一的缺點(diǎn)：

受氧化物閉合模型的精度及元素質(zhì)量轉(zhuǎn)化為礦物質(zhì)量的系數(shù)的影響，ecs測井獲得的地層礦物含量和巖心全巖分析(xrd)實(shí)測值之間存在著一定的差異，而其建立的測井響應(yīng)方程求取的為ecs測井解釋的結(jié)果，這無疑存在著誤差；此外，該體積模型采用的是線性全體積模型，對于非均質(zhì)性較強(qiáng)的泥頁巖地層，各組分的分布形式存在著較大差異使得對測井的響應(yīng)不是簡單的線性疊加。

現(xiàn)有技術(shù)二的技術(shù)方案：

劉歡(2016)在獲得待測樣品的標(biāo)準(zhǔn)俘獲伽馬能譜的基礎(chǔ)上，計算目的頁巖地層的礦物質(zhì)量含量，并利用線性體積模型構(gòu)建多個測井響應(yīng)方程，以此確定頁巖的礦物體積含量。

現(xiàn)有技術(shù)二的缺點(diǎn)：

該方法是建立在準(zhǔn)確的獲取俘獲伽馬能譜，而這一技術(shù)采用的是非常規(guī)測井范疇，對于沒有非常規(guī)測井資料的工區(qū)難以使用；此外，構(gòu)建的測井響應(yīng)方程是線性模型。

現(xiàn)有技術(shù)三的技術(shù)方案：

鐘廣法等(測井資料反演南海北部陸坡漸新統(tǒng)的礦物組分，2006)根據(jù)實(shí)測的巖芯分析資料，將地層簡化為陸源碎屑、碳酸鹽巖、粘土礦物和孔隙四個組分，并選用與孔隙度關(guān)系密切的測井曲線，建立測井響應(yīng)方程組，根據(jù)實(shí)測分析值與測井之間的關(guān)系，反算地層各組分的測井響應(yīng)參數(shù)，以此計算地層各組分含量。

現(xiàn)有技術(shù)三的缺點(diǎn)：

該方法針對的對象是常規(guī)砂巖儲層，而對于泥頁巖儲層來說，除了含有上述四個組分外，其有機(jī)質(zhì)和黃鐵礦含量較為發(fā)育，且非均質(zhì)性較強(qiáng)，各組分分布形式存在較大差異，反算的地層各組分的測井響應(yīng)參數(shù)出現(xiàn)負(fù)值等不合理現(xiàn)象，因此，該方法已不能適用于泥頁巖儲層各組分預(yù)測。

現(xiàn)有技術(shù)四的技術(shù)方案：

張晉言等(利用測井資料評價泥頁巖油氣“五性”指標(biāo)，2012)采用單礦物組分和測井曲線響應(yīng)之間的關(guān)系，分別建立了泥頁巖中的泥質(zhì)含量、砂質(zhì)含量、灰質(zhì)含量與各測井曲線的關(guān)系模型。

現(xiàn)有技術(shù)四的缺點(diǎn)：

該方法采用測井曲線逐一擬合泥頁巖單礦物組分，但最終求得的各組分體積之和不等于1；此外，該方法所采用的測井曲線計算泥頁巖單礦物組分多數(shù)為經(jīng)驗(yàn)?zāi)Ｐ颓业赜蛐暂^強(qiáng)，不宜推廣。

現(xiàn)有技術(shù)五的技術(shù)方案：

jacobi等(2008)利用密度測井和核磁共振測井確定的孔隙度的差值計算干酪根體積。

現(xiàn)有技術(shù)五的缺點(diǎn)

該方法利用到核磁共振測井技術(shù)，屬于非常規(guī)測井范疇，對于沒有核磁共振測井資料的井位難以推廣應(yīng)用。

現(xiàn)有技術(shù)六的技術(shù)方案：

lewis等(2004)根據(jù)總有機(jī)碳含量、巖石密度、干酪根密度與干酪根體積之間的關(guān)系，實(shí)現(xiàn)了在評價總有機(jī)碳含量基礎(chǔ)上，結(jié)合密度測井曲線計算干酪根體積。

現(xiàn)有技術(shù)六的缺點(diǎn)：

該方案在計算干酪根體積時采用的是總有機(jī)碳含量，而總有機(jī)碳并非全部來自干酪根，還有部分來自巖石中殘留的油氣的貢獻(xiàn)，因此，其評價結(jié)果偏高。

綜上所述，現(xiàn)有技術(shù)存在的問題是：第一，泥頁巖非均質(zhì)性較強(qiáng)，且各組分分布形式復(fù)雜，其測井響應(yīng)不是簡單的線性疊加，全體積線性模型已不再適用；第二，根據(jù)總有機(jī)碳含量評價干酪根體積時，未考慮到殘留油氣中有機(jī)碳對總有機(jī)碳的貢獻(xiàn)，導(dǎo)致評價的干酪根體積偏高。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了一種評價泥頁巖各組分體積的方法。

本發(fā)明是這樣實(shí)現(xiàn)的，一種評價泥頁巖各組分體積的方法，所述評價泥頁巖各組分體積的方法包括：

基于抽提后泥頁巖的有機(jī)碳分析、孔隙度測試及全巖鑒定的實(shí)驗(yàn)，結(jié)合泥頁巖各組分密度，對泥頁巖各組分體積進(jìn)行標(biāo)定，建立泥頁巖組分體積模型；

在δlogr法評價總有機(jī)碳含量的基礎(chǔ)上，結(jié)合抽提前后有機(jī)碳的關(guān)系，計算干酪根體積，并結(jié)合測井曲線一并作為bp神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，各礦物組分和孔隙體積作為期望輸出數(shù)據(jù)；采用交叉驗(yàn)證的方法優(yōu)化各礦物組分和孔隙體積的bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型。進(jìn)一步，所述計算干酪根體積的方法包括：

采用改進(jìn)的δlogr法，基于計算toc和實(shí)測toc之間的誤差最小化，自動選取基線，優(yōu)化疊合系數(shù)，把toc含量背景值作為待定系數(shù)，其toc計算模型為：

toc＝a×δlogr+b(1)

toc為泥頁巖總有機(jī)碳含量；δlogr為在算術(shù)坐標(biāo)下，電阻率曲線和聲波時差測井曲線在細(xì)粒非生油巖處疊合后，兩條測井曲線在對數(shù)電阻率坐標(biāo)上的間距；a和b為模型計算系數(shù)；

巖石內(nèi)干酪根中有機(jī)碳含量tock，通過氯仿抽提后巖樣的有機(jī)碳分析得到，且該值與巖石總有機(jī)碳含量toc一般呈現(xiàn)線性關(guān)系，由toc計算得到，即：

tock＝c×toc+d(2)

c和d為計算系數(shù)，通過泥頁巖抽提前后有機(jī)碳分析實(shí)驗(yàn)結(jié)果擬合得到；

根據(jù)干酪根中有機(jī)碳含量tock，巖石密度ρb和干酪根密度ρk計算得到干酪根體積vk：

式中，kvr為干酪根與有機(jī)碳之間的轉(zhuǎn)化系數(shù)，一般取值為1.2；

因此，聯(lián)立公式(1)(2)(3)得干酪根體積的測井評價模型為：

進(jìn)一步，各礦物組分和孔隙體積的bp神經(jīng)網(wǎng)絡(luò)模型的建立方法，包括：數(shù)據(jù)的準(zhǔn)備和網(wǎng)絡(luò)模型參數(shù)的優(yōu)化；

所述數(shù)據(jù)的準(zhǔn)備包括期望輸出數(shù)據(jù)的準(zhǔn)備、輸入數(shù)據(jù)的優(yōu)選及數(shù)據(jù)預(yù)處理；

所述網(wǎng)絡(luò)模型參數(shù)優(yōu)化的對象為隱含層節(jié)點(diǎn)數(shù)s，節(jié)點(diǎn)傳遞函數(shù)。

進(jìn)一步，所述期望輸出數(shù)據(jù)的準(zhǔn)備包括：

建立泥頁巖組分模型：根據(jù)各礦物的化學(xué)成分、密度屬性的差異，把泥頁巖的礦物類型劃分為4類：粘土類、硅酸鹽類、碳酸鹽類和黃鐵礦；基于泥頁巖礦物類型劃分，并結(jié)合干酪根和孔隙，把泥頁巖組成劃分為6個組分，即粘土類礦物、硅酸鹽類礦物、碳酸鹽類礦物、黃鐵礦、干酪根和孔隙。

進(jìn)一步，所述期望輸出數(shù)據(jù)的準(zhǔn)備還包括進(jìn)行各組分體積的標(biāo)定：根據(jù)干酪根及各礦物組分的密度，結(jié)合泥頁巖組分模型對泥頁巖各組分的體積進(jìn)行標(biāo)定；其中，干酪根體積vk根據(jù)公式(3)計算得到；

孔隙體積vp為巖心分析測試的總孔隙度φ，即：

實(shí)驗(yàn)室內(nèi)根據(jù)全巖分析xrd得到的礦物含量mi(xrd)均為質(zhì)量百分?jǐn)?shù)，因此，結(jié)合各礦物的密度ρi即求出各礦物的體積vi，其計算公式為：

基于泥頁巖組分全體積模型，所有礦物體積、干酪根體積與孔隙體積之和為1；但值得注意的是，實(shí)驗(yàn)室內(nèi)xrd分析檢測不到干酪根的含量，即xrd分析得到的各礦物質(zhì)量比例為各礦物質(zhì)量與總礦物質(zhì)量之比，而非各礦物質(zhì)量與巖石質(zhì)量之比，對公式(6)計算的各礦物的體積vi進(jìn)行校正，其校正公式為：

式中，vmi為校正后的各礦物體積；

根據(jù)公式(5)～(7)分別求得實(shí)測的泥頁巖各礦物組分和孔隙體積，并把該部分作為模型的期望輸出數(shù)據(jù)。

進(jìn)一步，輸入數(shù)據(jù)的優(yōu)選方法包括：

對于建立的泥頁巖組分模型，選用與各礦物和孔隙體積相關(guān)性較高的測井曲線作為模型輸入變量；各組分體積與測井曲線的相關(guān)性的判別方法通過公式(8)實(shí)現(xiàn)，優(yōu)選皮爾森相關(guān)系數(shù)在0.01水平上顯著相關(guān)的測井曲線；此外，泥頁巖礦物組分及孔隙體積受到干酪根體積的約束，把優(yōu)選的測井曲線和干酪根體積一并作為模型的輸入數(shù)據(jù)；

式中，r為皮爾森相關(guān)系數(shù)；xi和yi均為變量；n為個數(shù)。

進(jìn)一步，數(shù)據(jù)的預(yù)處理包括：

根據(jù)輸入的測井曲線的量綱不同及網(wǎng)絡(luò)收斂速度，把數(shù)據(jù)歸一化到-1和1之間，歸一化計算公式為：

式中，x為輸入變量；z為x經(jīng)過歸一化后的變量；xmax和xmin分別為輸入變量的最大值和最小值。

進(jìn)一步，網(wǎng)絡(luò)模型參數(shù)的優(yōu)化包括：

bp神經(jīng)網(wǎng)絡(luò)模型采用單隱含層神經(jīng)網(wǎng)絡(luò)；參與bp神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的數(shù)據(jù)包括期望輸出數(shù)據(jù)和輸入數(shù)據(jù)，把參與bp神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本、驗(yàn)證樣本、檢測樣本三個部分，訓(xùn)練樣本和驗(yàn)證樣本參與網(wǎng)絡(luò)訓(xùn)練，檢測樣本不參與網(wǎng)絡(luò)訓(xùn)練，僅用來檢測網(wǎng)絡(luò)模型的預(yù)測性能；

采用訓(xùn)練樣本和驗(yàn)證樣本交叉驗(yàn)證的方法，對bp網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化，并根據(jù)檢測樣本對優(yōu)化的網(wǎng)絡(luò)進(jìn)行檢測，基于訓(xùn)練樣本、驗(yàn)證樣本、檢測樣本的輸出值與期望值之間誤差之和的最小化，自動調(diào)整隱含層節(jié)點(diǎn)數(shù)s、節(jié)點(diǎn)傳遞函數(shù)tf，直到模型精度滿足要求為止。

本發(fā)明的優(yōu)點(diǎn)及積極效果為：

本發(fā)明在泥頁巖樣品的有機(jī)碳分析、孔隙度測試以及礦物含量檢測結(jié)果，建立泥頁巖組分模型，并提出一種利用常規(guī)測井曲線預(yù)測泥頁巖組分(礦物、干酪根和孔隙)的評價方法，該方法結(jié)合bp神經(jīng)網(wǎng)絡(luò)和δlogr技術(shù)，bp神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)包括干酪根體積和測井曲線，礦物組分(粘土類礦物、硅酸鹽類礦物、碳酸鹽類礦物、黃鐵礦)和孔隙體積為輸出結(jié)果。干酪根體積是在改進(jìn)的δlogr模型評價toc基礎(chǔ)上，結(jié)合泥頁巖抽提前后有機(jī)碳實(shí)驗(yàn)結(jié)果，通過干酪根體積和有機(jī)碳轉(zhuǎn)換公式獲得；各礦物組分和孔隙體積是根據(jù)優(yōu)化后的bp神經(jīng)網(wǎng)絡(luò)求得。與前人采用的線性全體積模型和單組分多測井?dāng)M合法相比，該方法不僅保證了估算的各組分體積之和為1，同時解決了泥頁巖各組分體積與測井響應(yīng)之間復(fù)雜的非線性問題，此外，該方法在計算干酪根體積時同時去除了可溶有機(jī)質(zhì)中殘留碳的影響。

本發(fā)明以大民屯凹陷古近系沙河街組泥頁巖為例，根據(jù)提出的方法分別對泥頁巖中干酪根、各礦物組分及孔隙的體積進(jìn)行了應(yīng)用，并分別與實(shí)測值進(jìn)行了對比。

如圖3所示，本發(fā)明計算的泥頁巖各組分體積與實(shí)測值均分布在y＝x附近，其中，干酪根、粘土類礦物、硅酸鹽類礦物、碳酸鹽類礦物及孔隙度的計算值和實(shí)測值相關(guān)系數(shù)(r²)均在75％以上，且各組分體積之和為100％，效果較好。此外，檢測數(shù)據(jù)點(diǎn)的在y＝x兩側(cè)的均勻分布保證了該模型的預(yù)測性能。但是對黃鐵礦的預(yù)測效果不是很好，可能與其含量較低有關(guān)。與實(shí)測值相比，本發(fā)明的預(yù)測結(jié)果表現(xiàn)出較好的匹配效果，精度較高，能夠適用于泥頁巖各組分體積的預(yù)測。

泥頁巖組成(礦物、干酪根和孔隙)評價對于頁巖油氣的富集和壓裂研究有重要意義，針對國內(nèi)元素俘獲等特殊測井資料有限的情況，能否利用常規(guī)測井資料預(yù)測泥頁巖各組分體積關(guān)系到下一步對頁巖油甜點(diǎn)的預(yù)測，因此本發(fā)明對頁巖油勘探開發(fā)具有重要意義。

附圖說明

圖1是本發(fā)明實(shí)施例提供的評價泥頁巖各組分體積的方法流程圖。

圖2是本發(fā)明實(shí)施例提供的泥頁巖組分模型示意圖。

圖3是本發(fā)明實(shí)施例提供的評價泥頁巖各組分體積的效果圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明中定義為：toc：總有機(jī)碳含量；tock：巖石內(nèi)干酪根中有機(jī)碳含量；ecs：元素俘獲測井；xrd：全巖分析。

下面結(jié)合附圖對本發(fā)明應(yīng)用原理作詳細(xì)描述。

如圖1所示，本發(fā)明實(shí)施例提供的評價泥頁巖各組分體積的方法，包括：

基于抽提后泥頁巖的有機(jī)碳分析、孔隙度測試及全巖鑒定的實(shí)驗(yàn)，結(jié)合泥頁巖各組分密度，對泥頁巖各組分體積進(jìn)行標(biāo)定，建立泥頁巖組分體積模型；

在δlogr法評價總有機(jī)碳含量的基礎(chǔ)上，結(jié)合抽提前后有機(jī)碳的關(guān)系，計算干酪根體積，并結(jié)合測井曲線作為bp神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，各礦物組分和孔隙體積作為期望輸出數(shù)據(jù)；采用交叉驗(yàn)證的方法優(yōu)化各礦物組分和孔隙體積的bp神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

計算干酪根體積的方法包括：

δlogr法計算泥頁巖總有機(jī)碳含量toc，主要是將算術(shù)坐標(biāo)下的聲波時差(ac)曲線和對數(shù)坐標(biāo)下電阻率(rt)曲線在細(xì)粒非生油巖處重合，并確定為基線位置，兩條曲線在對數(shù)電阻率坐標(biāo)上的間距即為δlogr，即：

式中，r和δt分別是電阻率和聲波時差值；rbseline和δtbseline分別為細(xì)粒非生油巖段的電阻率和聲波時差基線值；k為疊合系數(shù)。

δlogr一般與巖石總有機(jī)碳含量呈正相關(guān)性，但是受人為選取基線、疊合系數(shù)采用定值0.02、工區(qū)的toc含量背景值不確定等影響，通常該方法測井計算的toc與實(shí)測toc之間的相關(guān)性很難達(dá)到預(yù)期目標(biāo)。為此，采用改進(jìn)的δlogr法，基于計算toc和實(shí)測toc之間的誤差最小化，自動選取基線，優(yōu)化疊合系數(shù)，把toc含量背景值作為待定系數(shù)，其toc計算模型為：

toc＝a×δlogr+b(2)

toc為泥頁巖總有機(jī)碳含量；δlogr為在算術(shù)坐標(biāo)下，電阻率曲線和聲波時差測井曲線在細(xì)粒非生油巖處疊合后，兩條測井曲線在對數(shù)電阻率坐標(biāo)上的間距；a和b為模型計算系數(shù)；

巖石內(nèi)干酪根中有機(jī)碳含量(tock)，可通過氯仿抽提后巖樣的有機(jī)碳分析得到，且該值與巖石總有機(jī)碳含量toc一般呈現(xiàn)較好的線性關(guān)系，可由toc計算得到，即：

tock＝c×toc+d(3)

根據(jù)干酪根中有機(jī)碳含量(tock)，巖石密度ρb和干酪根密度ρk可計算得到干酪根體積(vk)：

式中，kvr為干酪根與有機(jī)碳之間的轉(zhuǎn)化系數(shù)，一般取值為1.2。

因此，聯(lián)立公式(2)(3)(4)可得干酪根體積的測井評價模型為：

各礦物組分及孔隙體積評價包括：

關(guān)于各礦物組分和孔隙體積的bp神經(jīng)網(wǎng)絡(luò)模型的建立，其步驟總體包括兩個部分：數(shù)據(jù)的準(zhǔn)備和網(wǎng)絡(luò)模型參數(shù)的優(yōu)化。其中，數(shù)據(jù)的準(zhǔn)備包括期望輸出數(shù)據(jù)的準(zhǔn)備(各礦物組分和孔隙體積)、輸入數(shù)據(jù)(測井曲線)的優(yōu)選及數(shù)據(jù)預(yù)處理等，網(wǎng)絡(luò)模型參數(shù)優(yōu)化的對象主要為隱含層節(jié)點(diǎn)數(shù)s，節(jié)點(diǎn)傳遞函數(shù)等。

期望輸出數(shù)據(jù)的準(zhǔn)備：

(1)泥頁巖組分模型

對于泥頁巖來說，其一般發(fā)育伊利石、綠泥石、高嶺石、蒙脫石、伊蒙混層、石英、長石、方解石、白云石、菱鐵礦以及黃鐵礦等無機(jī)礦物，根據(jù)有限的測井資料難以評價出上述所有礦物，因此，需要簡化礦物類型。根據(jù)各礦物的化學(xué)成分、密度屬性的差異，把泥頁巖的礦物類型劃分為4類：粘土類、硅酸鹽類、碳酸鹽類和黃鐵礦(表1)。

如圖2所示，基于上述泥頁巖礦物類型劃分方案，并結(jié)合到干酪根和孔隙，把泥頁巖組成細(xì)為6個組分模型，即粘土類礦物、硅酸鹽類礦物、碳酸鹽類礦物、黃鐵礦、干酪根和孔隙。

表1泥頁巖組成細(xì)分方案

(2)各組分體積的標(biāo)定

考慮到干酪根、各礦物組分等的密度存在顯著的差異，結(jié)合組分模型對泥頁巖各組分的體積進(jìn)行標(biāo)定。其中，干酪根體積vk可根據(jù)公式(4)計算得到。

孔隙體積vp為巖心分析測試的總孔隙度φ，即：

實(shí)驗(yàn)室內(nèi)根據(jù)全巖分析(xrd)得到的礦物含量mi(xrd)均為質(zhì)量百分?jǐn)?shù)，因此，結(jié)合各礦物的密度ρi(各礦物的密度詳見表1)即可求出各礦物的體積vi，其計算公式為：

基于泥頁巖組分全體積模型，所有礦物體積、干酪根體積與孔隙體積之和為1。但值得注意的是，實(shí)驗(yàn)室內(nèi)xrd分析檢測不到干酪根的含量，即xrd分析得到的各礦物質(zhì)量比例為各礦物質(zhì)量與總礦物質(zhì)量之比，而非各礦物質(zhì)量與巖石質(zhì)量之比，因此需要對公式(7)計算的各礦物的體積vi進(jìn)行校正，其校正公式為：

式中，vmi為校正后的各礦物體積。

因此，根據(jù)泥頁巖樣品公式(6)～(8)可分別求得實(shí)測的泥頁巖各礦物組分和孔隙體積，并把該部分作為模型的期望輸出數(shù)據(jù)。

輸入數(shù)據(jù)的優(yōu)選：

對于上述建立的泥頁巖組分模型，選用與各礦物和孔隙體積相關(guān)性較高的測井曲線作為模型輸入變量，其預(yù)測效果愈好。各組分體積與測井曲線的相關(guān)性的判別方法見公式(9)，優(yōu)選皮爾森相關(guān)系數(shù)在0.01水平上顯著相關(guān)的測井曲線。此外，泥頁巖礦物組分及孔隙體積受到干酪根體積的約束，因此，把優(yōu)選的測井曲線和干酪根體積一并作為模型的輸入數(shù)據(jù)。

式中，r為皮爾森相關(guān)系數(shù)；xi和yi均為變量；n為個數(shù)。

數(shù)據(jù)的預(yù)處理：

考慮到輸入的測井曲線的量綱不同及網(wǎng)絡(luò)收斂速度，把數(shù)據(jù)歸一化到-1和1之間，歸一化計算公式為：

式中，x為輸入變量；z為x經(jīng)過歸一化后的變量；xmax和xmin分別為輸入變量的最大值和最小值。

模型參數(shù)的優(yōu)化：

單隱含層神經(jīng)網(wǎng)絡(luò)可以有效的逼近任意連續(xù)函數(shù)，為了加快程序運(yùn)行速度，bp神經(jīng)網(wǎng)絡(luò)模型采用單隱含層神經(jīng)網(wǎng)絡(luò)。

參與bp神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的數(shù)據(jù)包括期望輸出數(shù)據(jù)和輸入數(shù)據(jù)，考慮到訓(xùn)練樣本在神經(jīng)網(wǎng)絡(luò)建立過程中占有重要的地位，樣本是否具有代表性，直接影響著網(wǎng)絡(luò)模型的效果以及預(yù)測性能。因此，把參與bp神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的數(shù)據(jù)隨機(jī)分成訓(xùn)練樣本、驗(yàn)證樣本、檢測樣本三個部分，訓(xùn)練樣本和驗(yàn)證樣本參與網(wǎng)絡(luò)訓(xùn)練，檢測樣本不參與網(wǎng)絡(luò)訓(xùn)練，僅用來檢測網(wǎng)絡(luò)模型的預(yù)測性能。

bp神經(jīng)網(wǎng)絡(luò)模型參數(shù)優(yōu)化的主要對象是隱含層節(jié)點(diǎn)數(shù)s及節(jié)點(diǎn)傳遞函數(shù)tf。采用訓(xùn)練樣本和驗(yàn)證樣本交叉驗(yàn)證(cross-validation)的方法，對bp網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化，并根據(jù)檢測樣本對優(yōu)化的網(wǎng)絡(luò)進(jìn)行檢測，基于訓(xùn)練樣本、驗(yàn)證樣本、檢測樣本的輸出值與期望值之間誤差之和的最小化，自動調(diào)整隱含層節(jié)點(diǎn)數(shù)s、節(jié)點(diǎn)傳遞函數(shù)tf等，直到模型精度滿足要求為止。

下面結(jié)合積極效果對本發(fā)明應(yīng)用原理作進(jìn)一步描述。

本發(fā)明以大民屯凹陷古近系沙河街組泥頁巖為例，根據(jù)提出的方法分別對泥頁巖中干酪根、各礦物組分及孔隙的體積進(jìn)行了應(yīng)用，并分別與實(shí)測值進(jìn)行了對比。

如圖3所示，本發(fā)明計算的泥頁巖各組分體積與實(shí)測值均分布在y＝x附近，其中，干酪根、粘土類礦物、硅酸鹽類礦物、碳酸鹽類礦物及孔隙度的計算值和實(shí)測值相關(guān)系數(shù)(r²)均在75％以上，且各組分體積之和為100％，效果較好。此外，檢測數(shù)據(jù)點(diǎn)的在y＝x兩側(cè)的均勻分布保證了該模型的預(yù)測性能。但是對黃鐵礦的預(yù)測效果不是很好，可能與其含量較低有關(guān)。與實(shí)測值相比，本發(fā)明的預(yù)測結(jié)果表現(xiàn)出較好的匹配效果，精度較高，能夠適用于泥頁巖各組分體積的預(yù)測。

泥頁巖組成(礦物、干酪根和孔隙)評價對于頁巖油氣的富集和壓裂研究有重要意義，針對國內(nèi)元素俘獲等特殊測井資料有限的情況，能否利用常規(guī)測井資料預(yù)測泥頁巖各組分體積關(guān)系到下一步對頁巖油甜點(diǎn)的預(yù)測，因此本發(fā)明對頁巖油勘探開發(fā)具有重要意義。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。