基于随机森林算法的泥页岩孔隙度预测

准确、快速地获取泥页岩孔隙度对页岩油空间分布及勘探目标预测具有重要意义。针对利用测井响应方程预测孔隙度精度较低的问题,建立一种基于随机森林算法的孔隙度预测模型,与BP 神经网络、支持向量机和XGBoost 算法进行预测精度对比,并利用SHAP 方法分析测井参数的重要性和影响范围。研究结果表明：随机森林算法可以很好地预测泥页岩孔隙度,且预测效果好于BP 神经网络、支持向量机和XGBoost 算法;基于随机森林算法的泥页岩孔隙度预测在渤海湾盆地某凹陷应用发现,对模型预测孔隙度最重要的前3 项测井参数为补偿中子、自然伽马和普通视电阻率;基于随机森林算法的泥页岩孔隙度预测模型可以快速识别单井孔隙度,不仅可以弥补因无法连续取心而难以获取完整孔隙度分布特征的问题,还能大幅提高孔隙度预测效率与精度。     

页岩含油率多种测试方法对比

页岩含油率是页岩油资源评价的基本参数,但其测定方法尚无统一认识,制约了页岩油资源潜力的评估准确率。选取松辽盆地页岩油井的密闭取心页岩样品,依次开展二维核磁共振(T₁—T₂ NMR)、有机溶剂蒸馏萃取(Dean Stark)、热解气相色谱(PY-GC)和岩石热解(Rock-Eval)4种页岩含油率测定实验。对比分析表明,T₁—T₂ NMR法与Dean Stark法的页岩含油率测试结果相近,均高于PY-GC法,Rock-Eval法测试结果最低。样品处理方式对页岩含油率的测试结果具有重要影响,块状样品的测试含油率明显高于粉碎样品。综合分析认为,T₁—T₂ NMR法测试页岩含油率结果的可靠性高,具有时间短、样品无损、样品非均质性影响小等特点,是分析页岩含油率的最优手段,具有良好的推广应用前景。建立了不同热演化成熟度页岩的含油率恢复系数、轻烃恢复系数及校正图版,对于湖相I型有机质页岩发育区开展页岩含油率分析具有重要参考价值。     

页岩油在干酪根中吸附行为的分子动力学模拟与启示

有机质及其相关孔隙吸附行为的研究对于揭示页岩油赋存状态与机理有重要意义。不同于以往采用石墨烯模型代替有机质的方法，研究采用真实的干酪根分子模型（Ⅱ-C型），基于GAFF(general Amber force field)力场模拟了有机孔内页岩油多组分体系下的吸附行为。结果表明：(1)与石墨烯仅能模拟壁面吸附不同，干酪根对页岩油具有吸附和吸收双重作用：壁面上存在页岩油竞争吸附，以极性和重质组分吸附为主，而骨架中则存在页岩油组分吸收现象，小分子迁移距离较远。页岩油在干酪根壁面上的吸附和在骨架中的迁移受控于页岩油与干酪根相互作用能的强弱及分子大小，重质组分表现出“强吸附-弱吸收”、轻质组分呈“弱吸附-强吸收”的特征。(2)页岩油组分的吸收使得干酪根骨架和孔隙发生变化，表现出新孔隙的形成、原有孔隙的扩大和部分塌陷。干酪根的塑性对吸收页岩油进而膨胀起重要作用，干酪根塑性较强时（干酪根成熟度低），页岩油更容易被吸收从而引发明显的干酪根骨架膨胀，反之，干酪根膨胀较弱。(3)温度增加会促进干酪根骨架吸收芳香烃分子萘和非极性分子甲酸、乙醇以及噻吩，降低干酪根壁面的吸附作用，同时有利于饱和烃类分子的脱附...