页岩气资源智能评价

doi:10.13809/j.cnki.cn32-1825/te.2021.04.002

油气藏评价与开发 ›› 2021, Vol. 11 ›› Issue (4): 476-486.doi: 10.13809/j.cnki.cn32-1825/te.2021.04.002

页岩气资源智能评价

张金川^1,^2,³(),陈世敬^1,^2,³,李中明⁴(),郎岳^1,^2,³,王春艳^1,^2,³,王东升^1,^2,³,李振^1,^2,³,唐玄^1,^2,³,刘飏^1,^2,³,李沛^1,^2,³,仝忠正^1,^2,³

1.中国地质大学（北京）,北京 100083
2.自然资源部页岩气资源战略评价重点实验室,北京 100083
3.非常规天然气能源地质评价与开发工程北京市重点实验室,北京 100083
4.河南省地质调查院,河南郑州 450000

收稿日期:2021-04-27 发布日期:2021-08-19 出版日期:2021-08-26
通讯作者: 李中明 E-mail:zhangjc@cugb.edu.cn;lzm87122@126.com
作者简介:张金川（1964—）,男,博士,教授,博士研究生导师,本刊第二届编委会委员,长期从事非常规天然气地质与资源评价研究工作。地址：北京市海淀区学院路29号中国地质大学（北京）能源学院,邮政编码：100083。E-mail： zhangjc@cugb.edu.cn
基金资助:
国家自然科学基金项目“页岩含气性关键参数测试及智能评价系统”(41927801);国家科技重大专项“页岩气分类分级资源评价方法研究”(2016ZX05034-002-001)

Intelligent evaluation of shale gas resources

ZHANG Jinchuan^1,^2,³(),CHEN Shijing^1,^2,³,LI Zhongming⁴(),LANG Yue^1,^2,³,WANG Chunyan^1,^2,³,WANG Dongsheng^1,^2,³,LI Zhen^1,^2,³,TANG Xuan^1,^2,³,LIU Yang^1,^2,³,LI Pei^1,^2,³,TONG Zhongzheng^1,^2,³

1. School of Energy Resources, China University of Geosciences, Beijing 100083, China
2. Key Laboratory of Strategy Evaluation for Shale Gas, Ministry of Natural Resources, Beijing 100083, China
3. Beijing Key Laboratory of Unconventional Natural Gas Geological Evaluation and Development Engineering, Beijing 100083, China
4. Henan Institute of Geological Survey, Zhengzhou, Henan 450000, China

Received:2021-04-27 Online:2021-08-19 Published:2021-08-26
Contact: LI Zhongming E-mail:zhangjc@cugb.edu.cn;lzm87122@126.com

摘要/Abstract

摘要：

页岩气资源评价包含基于地质及勘探过程分析基础之上的资源量计算、有利区分布及经济有效性分析等内容,其核心是符合地质过程演化特点及资料掌握程度的评价方法选择、参数处理及结果分析。页岩气资源智能评价能够克服现实资源评价中的局限性,可实现从定性到定量的全程模拟与评价,具有明显的发展阶段性特点,利用机器学习、推理机等现代手段开展资源评价是现阶段的主要特点。方法选择、参数质量及评价效果是页岩气资源评价的关键,基于地质特点和勘探程度的知识库建立、数据搜集、参数分析、数据挖掘、地质推理、方法选择、智能运算、结果可信度分析、结果的空间表达及全程连续执行等,是页岩气资源智能评价的基本思路和方法。功能强大、全程连续实现的智能评价是页岩气资源评价发展的基本方向,需要在现有技术基础上不断积累与实践,在更大的范围内推动页岩气资源评价方法和技术的发展。

关键词: 页岩气, 地质分析, 资源计算, 智能评价, 机器学习

Abstract:

Shale gas resource evaluation includes resource calculation, favorable distribution area and economic effectiveness based on geological and exploration process analysis. Its core is evaluation method selection, parameter processing and result analysis in line with geological process evolution characteristics and data mastery degree. The intelligent evaluation of shale gas resources can overcome the limitations of real resource evaluation, and can realize the whole process simulation and evaluation from qualitative to quantitative. It has obvious characteristics of development stages. The main feature of resource evaluation at this stage is to use modern means such as machine learning and inference engine. Method selection, parameter quality and evaluation effect are the keys to shale gas resource evaluation. Knowledge base establishment based on geological characteristics and exploration level, data collection, parameter analysis, data mining, geological reasoning, method selection, intelligent calculation, and reliability of results analysis, spatial expression of results and continuous execution throughout the process are the basic ideas and methods for intelligent evaluation of shale gas resources. Intelligent evaluation with powerful functions and continuous implementation throughout the whole process is the basic direction of the development of shale gas resource evaluation, which requires continuous accumulation and practice on the basis of existing technologies to promote the development of shale gas resource evaluation methods and technologies in a wider range.

Key words: shale gas, geology analysis, resource calculation, intelligent evaluation, machine learning

中图分类号:

TE19

张金川,陈世敬,李中明等. 页岩气资源智能评价[J]. 油气藏评价与开发, 2021, 11(4): 476-486.

Jinchuan ZHANG,Shijing CHEN,Zhongming LI, et al. Intelligent evaluation of shale gas resources[J]. Petroleum Reservoir Evaluation and Development, 2021, 11(4): 476-486.

图/表 4

表1

表2

表3

表4

参考文献 32

[1]	袁野, 吴超楠, 李秋莹. 人工智能产业核心技术的国际竞争态势分析[J]. 中国电子科学研究院学报, 2020, 15(11):1128-1138.
	YUAN Ye, WU Chaonan, LI Qiuying. Analysis of international competition in the core technology of artificial intelligence industry[J]. Journal of China Academy of Electronics and Information Technology, 2020, 15(11):1128-1138.
[2]	李麒麟, 李子萤. 国际人工智能动态分析[J]. 中国科技信息, 2020, 624(6):109-111.
	LI Qilin, LI Ziying. International AI dynamic analysis[J]. China Science and Technology Information, 2020, 624(6):109-111.
[3]	MCCARTHY J. The inversion of functions defined by Turing machines[J]. Automata Studies, 1956: 177-181.
[4]	DAMASSINO N. The questioning Turing Test[J]. Minds and Machines, 2020, 30(4):563-587. doi: 10.1007/s11023-020-09551-6
[5]	贾承造. 中国石油工业上游发展面临的挑战与未来科技攻关方向[J]. 石油学报, 2020, 41(12):1445-1464.
	JIA Chengzao. Development challenges and future scientific and technological researches in China’s petroleum industry upstream[J]. Acta Petrolei Sinica, 2020, 41(12):1445-1464.
[6]	金之钧, 白振瑞, 杨雷. 能源发展趋势与能源科技发展方向的几点思考[J]. 中国科学院院刊, 2020, 35(5):576-582.
	JIN Zhijun, BAI Zhenrui, YANG Lei. Thinking on general trends of energy development and directions of energy science and technology[J]. Bulletin of Chinese Academy of Sciences, 2020, 35(5):576-582.
[7]	匡立春, 刘合, 任义丽, 等. 人工智能在石油勘探开发领域的应用现状与发展趋势[J]. 石油勘探与开发, 2021, 48(1):1-11. doi: 10.1016/S1876-3804(21)60001-0
	KUANG Lichun, LIU He, REN Yili, et al. Application and development trend of artificial intelligence in petroleum exploration and development[J]. Petroleum Exploration and Development, 2021, 48(1):1-11. doi: 10.1016/S1876-3804(21)60001-0
[8]	杨剑锋, 杜金虎, 杨勇, 等. 油气行业数字化转型研究与实践[J]. 石油学报, 2021, 42(2):248-258.
	YANG Jianfeng, DU Jinhu, YANG Yong, et al. Research and practice on digital transformation of the oil and gas industry[J]. Acta Petrolei Sinica, 2021, 42(2):248-258.
[9]	宋洪庆, 都书一, 周园春, 等. 油气资源开发的大数据智能平台及应用分析[J]. 工程科学学报, 2021, 43(2):179-192.
	SONG Hongqing, DU Shuyi, ZHOU Yuanchun, et al. Big data intelligent platform and application analysis for oil and gas resource development[J]. Chinese Journal of Engineering, 2021, 43(2):179-192.
[10]	HART P E, DUDA R O, EINAUDI M T. Prospector—A computer-based consultation system for mineral exploration[J]. Journal of the International Association for Mathematical Geology, 1978, 10(5):589-610. doi: 10.1007/BF02461988
[11]	郭珺, 邹鑫, 周子康, 等. 深度学习在油气地震勘探中的应用[J]. 中国石油和化工标准与质量, 2019, 39(20):86-90.
	GUO Jun, ZOU Xin, ZHOU Zikang, et al. Application of deep learning in oil and gas seismic exploration[J]. China Petroleum and Chemical Standard and Quality, 2019, 39(20) : 86-90.
[12]	郭长杰, 王浩翔, 刘晓, 等. 浅析机器学习技术在油气行业的应用场景[J]. 信息系统工程, 2017,(5):100-103.
	GUO Changjie, WANG Haoxiang, LIU Xiao, et al. A brief analysis of the application of machine learning in the oil and gas industry[J]. China CIO News, 2017, (5):100-103.
[13]	彭涛, 张翔. 支持向量机及其在石油勘探开发中的应用综述[J]. 勘探地球物理进展, 2007,(2):91-95.
	PENG Tao, ZHANG Xiang. Review of support vector machine and its applications in petroleum exploration and development[J]. Progress in Exploration Geophysics, 2007, (2):91-95.
[14]	杨剑锋, 乔佩蕊, 李永梅, 等. 机器学习分类问题及算法研究综述[J]. 统计与决策, 2019, 35(6):36-40.
	YANG Jianfeng, QIAO Peirui, LI Yongmei, et al. A review of machine-learning classification and algorithms[J]. Statistics & Decision, 2019, 35(6):36-40.
[15]	闵超, 代博仁, 张馨慧, 等. 机器学习在油气行业中的应用进展综述[J]. 西南石油大学学报(自然科学版), 2020, 42(6):1-15.
	MIN Chao, DAI Boren, ZHANG Xinhui, et al. A review of the application progress of machine learning in oil and gas industry[J]. Journal of Southwest Petroleum University (Science & Technology Edition), 2020, 42(6):1-15.
[16]	孙健, 李琪, 陈明强, 等. 基于机器学习的油气水层随钻识别模型优选[J]. 西安石油大学学报(自然科学版), 2019, 34(5):79-85.
	SUN Jian, LI Qi, CHEN Mingqiang, et al. Optimization of model for identification of oil/gas and water layers while drilling based on machine learning[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2019, 34(5):79-85.
[17]	MENELEY R A, CALVERLEY A E, LOGAN K G, et al. Resource assessment methodologies: Current status and future direction[J]. AAPG Bulletin, 2003, 87(4):535-540. doi: 10.1306/10180202006
[18]	吴晓智, 王社教, 郑民, 等. 常规与非常规油气资源评价技术规范体系建立及意义[J]. 天然气地球科学, 2016, 27(9):1640-1650.
	WU Xiaozhi, WANG Shejiao, ZHENG min, et al. Standard system establishment for conventional and unconventional hydrocarbon resources assessment techniques and its significance[J]. Natural Gas Geoscience, 2016, 27(9):1640-1650.
[19]	赵文智, 胡素云, 沈成喜, 等. 油气资源评价的总体思路和方法体系[J]. 石油学报, 2005, 26(S1):25-29.
	ZHAO Wenzhi, HU Suyun, SHEN Chengxi, et al. The general idea and method system of oil and gas resource evaluation[J]. Acta Petrolei Sinica, 2005, 26(S1):25-29.
[20]	金之钧, 张金川. 油气资源评价技术[M]. 北京: 石油工业出版社, 1999.
	JIN zhijun, ZHANG Jinchuan. Oil and gas resource evaluation technology[M]. Beijing: Petroleum Industry Press, 1999.
[21]	李建忠, 吴晓智, 郑民, 等. 常规与非常规油气资源评价的总体思路、方法体系与关键技术[J]. 天然气地球科学, 2016, 27(9):1557-1565.
	LI Jianzhong, WU Xiaozhi, ZHEN Min, et al. General philosophy, method system and key technology of conventional and unconventional oil & gas resource assessment[J]. Natural Gas Geoscience, 2016, 27(9):1557-1565.
[22]	AHLBRANDT T S, KLETT T R. Comparison of methods used to estimate conventional undiscovered petroleum resources: World examples[J]. Natural Resources Research, 2005, 14(3):187-209. doi: 10.1007/s11053-005-8076-0
[23]	宋振响, 徐旭辉, 王保华, 等. 页岩气资源评价方法研究进展与发展方向[J]. 石油与天然气地质, 2020, 41(5):1038-1047.
	SONG Zhenxiang, XU Xuhui, WANG Baohua, et al. Advances in shale gas resource assessment methods and their future evolvement[J]. Oil & Gas Geology, 2020, 41(5) : 1038-1047.
[24]	陈承声, 史树勇, 王云鹏. 基于PetroMod四川盆地长宁地区五峰—龙马溪组优质页岩段吸附模拟研究[J]. 地球化学, 2019, 48(6):602-612.
	CHEN Chengsheng, SHI Shuyong, WANG Yunpeng. Adsorption simulation based on PetroMod of high-quality shale segment of Wufeng-Longmaxi Formation in Changning Area, Sichuan Basin[J]. Geochimica, 2019, 48(6):602-612.
[25]	罗秋霞. 中国东部某些盆地下第三系生油岩演化的数学模拟[J]. 石油实验地质, 1980,(2):37-43.
	LUO Qiuxia. Mathematical simulation of the evolution of Paleogene source rocks in some basins in eastern China[J]. Petroleum Geology & Experiment, 1980, (2):37-43.
[26]	汪本善, 刘德汉, 张丽洁, 等. 渤海湾盆地黄骅拗陷石油演化特征及人工模拟研究[J]. 石油学报, 1980,(1):43-51.
	WANG Benshan, LIU Dehan, ZHANG Lijie, et al. Ingestigation and simulation experiments on the characteristics of the genesis and evoluation of petroleum in Huanghua depression in bohai bay[J]. Acta Petrolei Sinica, 1980, (1):43-51.
[27]	姜生玲, 张金川, 李博, 等. 中国现阶段页岩气资源评价方法分析[J]. 断块油气田, 2017, 24(5):642-646.
	JIANG Shengling, ZHANG Jinchuan, LI Bo, et al. Analysis of shale gas resources assessment method in China[J]. Fault-Block Oil & Gas Field, 2017, 24(5):642-646.
[28]	CURTIS J B. Fractured shale-gas systems[J]. AAPG Bulletin, 2002, 86(11):1921-1938.
[29]	张金川, 杨超, 陈前, 等. 中国潜质页岩形成和分布[J]. 地学前缘, 2016, 23(1):74-86.
	ZHANG Jinchuan, YANG Chao, CHEN Qian, et al. Deposition and distribution of potential shales in China[J]. Earth Science Frontiers, 2016, 23(1):74-86.
[30]	王香增,, 高胜利, 高潮. 鄂尔多斯盆地南部中生界陆相页岩气地质特征[J]. 石油勘探与开发, 2014, 41(3):294-304. doi: 10.1016/S1876-3804(14)60035-5
	WANG Xiangzeng, GAO Shengli, GAO Chao. Geological features of Mesozoic continental shale gas in south of Ordos Basin, NW China[J]. Petroleum Exploration and Development, 2014, 41(3):294-304. doi: 10.1016/S1876-3804(14)60035-5
[31]	赵文智, 贾爱林, 位云生, 等. 中国页岩气勘探开发进展及发展展望[J]. 中国石油勘探, 2020, 25(1):31-44.
	ZHAO Wenzhi, JIA Ailin, WEI Yunsheng, et al. Progress in shale gas exploration in China and prospects for future development[J]. China Petroleum Exploration, 2020, 25(1):31-44.
[32]	邹才能, 赵群, 丛连铸, 等. 中国页岩气开发进展、潜力及前景[J]. 天然气工业, 2021, 41(1):1-14.
	ZOU Caineng, ZHAO Qun, CONG Lianzhu, et al. Development progress, potential and prospect of shale gas in China[J]. Natural Gas Industry, 2021, 41(1):1-14.

学习方法	常规学习			深度学习
学习方法	原理	应用	算法	原理	应用	算法
监督学习	使用标准数据标定新数据	分类、检索、判断等	决策树、朴素贝叶斯、最小二乘法、逻辑回归、支持向量机、集成方法、袋装法和随机森林、Boosting、AdaBoost、K最近邻算法等	基于大数据的深层结构或多应用场景	空间分布、时间分布、时空节点记忆等	卷积神经网络、循环神经网络、深度置信网络、多视角、生成模型、受限玻尔兹曼机、图论推理及支持向量机等
非监督学习	研究无标定数据的结构规律	检验、识别、预测等	聚类算法、主成分分析、奇异值分解、独立成分分析、线性判别分析等
强化学习	数据与环境关系	自动计算、目标搜索等	神经网络、马尔可夫等

类型		成藏机理		关键成藏条件	地质及资源评价侧重点
非常规天然气	页岩气	吸附+游离		页岩生气	有机质类型、丰度、成熟度,储层物性,含气量及可采性等
	水合物	水合原理		低温高压	温度、压力、气源、含气量等
	致密砂岩气	气水置换滞流		源储紧邻	气源条件、孔渗物性、源储关系、含气饱和度及润湿性等
	煤层气	吸附机理		煤岩生气	显微组分、成熟度,储层物性,吸附含气量及可采性等
	水溶气	充填+水合		气源+滞流	有机质类型和丰度、溶解度、气水比、地层压力、产水量等
常规储层油气	构造型	毛细管力	构造遮挡	源岩、输导、圈闭	生烃条件、生储盖组合、储层特点、封盖能力、圈闭规模、输导体系、时空匹配、油气藏保存、成藏模式等
	地层岩性型		岩性遮挡
	特殊型		其他遮挡
非常规石油	油砂	蚀变		构造抬升	含油率、有机成分、可采性等
	油页岩	生烃终止		构造抬升	组分分析、含油率、灰分等
	稠油	早熟或蚀变		断裂、抬升	原油成分,密度、黏度及应变性,含油饱和度、储层物性等
	致密砂岩油	油水置换滞流		源储紧邻	有机质丰度和成熟度、储层和原油物性、含油率等
	页岩油	吸附+游离		页岩生油	有机质丰度和成熟度、原油和储层物性、含油率、可动性等

主要特点		页岩类型
主要特点		海相	海陆过渡/交互相	陆相（湖相）
分布	层系厚度	小	大	大
	单层厚度	大	小	中
	侧向变化	稳定	急剧	快
有机质	类型	Ⅰ、Ⅱ	Ⅱ、Ⅲ	Ⅰ、Ⅱ、Ⅲ
	丰度	≤10 %,变化稳定	≤30 %,急剧变化	≤10 %,变化
	成熟度	高过成熟	高过成熟—成熟	低熟—成熟
矿物	黏土矿物	含量低	含量高	含量偏高
	脆性矿物	含量高	含量低	含量偏低
	不稳定矿物	含量少	含量多	含量偏多
	敏感性	中—弱	强	中—强
物性	孔隙	有机孔为主	无机孔为主	无机孔为主
物性	裂缝	欠发育	发育	欠发育
保存	作用因素	构造	构造+初次运移	初次运移
保存	保存效果	差	差	好
含气	吸附含气量	变化较大	占比较大	低
	总含气量	变化较大	较低	低
	可采性	变化较大	较低	低
分布	时代	早古生代或更早	晚古生代为主	中新生代
分布	空间	南方为主	南、北方	北方为主

参数类型	基本参数	作用
盆地条件	盆地类型、盆地大小、地质时代、沉积环境、改造程度等	基础条件类比分析,计算参数取值约束,页岩含气性条件判断
页岩分布	有效面积、有效厚度、埋藏深度、断裂切割、分布形态等	确定页岩空间分布、体积大小,约束计算条件
产层条件	页岩密度、裂缝发育、孔渗物性、产层温压、产层流体等	确定页岩的储集能力,约束含气量及资源量计算
有机地化	有机质类型、TOC、R_o等	约束页岩生气及吸附能力等参数
含气性	吸附能力、含气量、含气结构、气体成分、可采能力等	页岩气资源评价的核心参数,是资源评价结果的高敏参数
勘探程度	探井数量、地震覆盖、发现情况、发现时间、成藏模式等	评判探勘发现效果,验证地质基本认识,预测未来资源增量变化
开发程度	生产历史、开发方案、开发井数、压裂改造、累计产量等	分析产能和产量变化规律,预测未来走势

页岩气资源智能评价

Intelligent evaluation of shale gas resources

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 32

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	王嘉伟, 张伯虎, 胡尧, 何政毅, 胡欣欣, 陈伟, 罗超. 页岩气储层多期构造应力场反演与裂缝演化 [J]. 油气藏评价与开发, 2024, 14(4): 560-568.
[2]	梁孝柏, 鞠玮. 基于拓扑结构分析的断层连通性评价——以川南泸州中区深层页岩气储层多级断层为例 [J]. 油气藏评价与开发, 2024, 14(3): 446-457.
[3]	高全芳,张培先,关琳琳,李彦婧,倪锋. 低级别逆断层对页岩气富集高产影响研究——以四川盆地东南缘南川地区平桥东1断层为例 [J]. 油气藏评价与开发, 2024, 14(3): 458-467.
[4]	姚红生, 王伟, 何希鹏, 郑永旺, 倪振玉. 南川复杂构造带常压页岩气地质工程一体化开发实践 [J]. 油气藏评价与开发, 2023, 13(5): 537-547.
[5]	李京昌, 卢婷, 聂海宽, 冯动军, 杜伟, 孙川翔, 李王鹏. 威荣地区WY23平台页岩气层裂缝地震检测可信度评价 [J]. 油气藏评价与开发, 2023, 13(5): 614-626.
[6]	夏海帮, 韩克宁, 宋文辉, 王伟, 姚军. 页岩气藏多尺度孔缝介质压裂液微观赋存机理研究 [J]. 油气藏评价与开发, 2023, 13(5): 627-635.
[7]	韩克宁, 王伟, 樊冬艳, 姚军, 罗飞, 杨灿. 基于产量递减与LSTM耦合的常压页岩气井产量预测 [J]. 油气藏评价与开发, 2023, 13(5): 647-656.
[8]	薛冈, 熊炜, 张培先. 常压页岩气藏成因分析与有效开发——以四川盆地东南缘地区五峰组—龙马溪组页岩气藏为例 [J]. 油气藏评价与开发, 2023, 13(5): 668-675.
[9]	楼章华, 张欣柯, 吴宇辰, 高玉巧, 张培先, 金爱民, 朱蓉. 四川盆地南川地区及邻区页岩气保存差异的流体响应特征 [J]. 油气藏评价与开发, 2023, 13(4): 451-458.
[10]	胡之牮, 李树新, 王建君, 周鸿, 赵玉龙, 张烈辉. 复杂人工裂缝产状页岩气藏多段压裂水平井产能评价 [J]. 油气藏评价与开发, 2023, 13(4): 459-466.
[11]	林魂, 孙新毅, 宋西翔, 蒙春, 熊雯欣, 黄俊和, 刘洪博, 刘成. 基于改进人工神经网络的页岩气井产量预测模型研究 [J]. 油气藏评价与开发, 2023, 13(4): 467-473.
[12]	刘洪林,周尚文,李晓波. PCA-OPLS联合法快速评价页岩气井储量动用程度 [J]. 油气藏评价与开发, 2023, 13(4): 474-483.
[13]	卢比,胡春锋,马军. 南川页岩气田压裂水平井井间干扰影响因素及对策研究 [J]. 油气藏评价与开发, 2023, 13(3): 330-339.
[14]	邱小雪,钟光海,李贤胜,陈猛,凌玮桐. 不同井斜页岩气水平井流动特征的CFD模拟研究 [J]. 油气藏评价与开发, 2023, 13(3): 340-347.
[15]	聂云丽, 高国忠. 基于随机森林的页岩气“甜点”分类方法 [J]. 油气藏评价与开发, 2023, 13(3): 358-367.