海鸥优化算法在四川盆地渝西区块 H井区页岩气储层最优化测井解释中的应用

doi:10.11867/j.issn.1001-8166.2020.046

海鸥优化算法在四川盆地渝西区块 H井区页岩气储层最优化测井解释中的应用

陈愿愿^,¹, 杨晓¹, 邓小江¹, 王小兰¹, 何奇¹, 程莉莉¹, 陈科贵²

1.东方地球物理公司西南物探研究院，四川成都 610213

2.西南石油大学，四川成都 610500

Application of Seagull Optimization Algorithm Log Interpretation to Shale Gas Reservoir of Well H in Sichuan Basin Yuxi Block

Chen Yuanyuan^,¹, Yang Xiao¹, Deng Xiaojiang¹, Wang Xiaolan¹, He Qi¹, Cheng Lili¹, Chen Kegui²

1.Southwest Geophysical Research Institute of BGP CNPC, Chengdu 610213, China

2.School of Geoscience and Technology, Southwest Petroleum University, Chengdu 610500, China

收稿日期: 2020-03-02 修回日期: 2020-05-13 网络出版日期: 2020-08-20

基金资助:

国家自然科学基金项目“四川盆地油钾兼探的地球物理评价方法研究”. 41372103
四川省科技计划项目“四川盆地深层钾盐勘探开发评价研究”. 2019YJ0312

Received: 2020-03-02 Revised: 2020-05-13 Online: 2020-08-20

作者简介 About authors

陈愿愿（1988-），女，四川成都人，工程师，主要从事测井解释和地震地质综合研究.E-mail：chenyy_wt@cnpc.com.cn

ChenYuanyuan(1988-),female,ChengduCity，SichuanProvince，Engineer.Researchareasincludelogginginterpretationandseismicgeologycomprehensiveresearch.E-mail:chenyy_wt@cnpc.com.cn

摘要

页岩气储层矿物类型多样，常规的测井解释方法难以建立储层参数体积模型。最优化测井可以有效地评价多矿物组成的复杂岩性油气藏，但该方法的关键是优化算法的选择。利用最新提出的海鸥优化算法对四川盆地渝西区块H井区页岩气储层进行了矿物、物性参数等最优化测井解释，并与遗传算法和遗传—复合形混合算法进行了对比。结果显示，海鸥优化算法的最优化测井解释与岩心分析资料吻合较高、误差小、计算速度较快，弥补了遗传算法过早收敛、容易陷入局部最优以及遗传—复合形混合算法需要二次优化、搜索速度较慢等不足。这为海鸥优化算法在其他地区页岩气储层评价中的应用提供了借鉴。

关键词： 页岩气 ; 最优化测井解释 ; 海鸥优化算法 ; 搜索能力 ; 岩心资料

Abstract

Due to the diversity of mineral types in shale gas reservoirs, it is difficult to establish reservoir parameter volume model by conventional log interpretation methods. The optimization log interpretation method can evaluate complex lithology reservoirs effectively, and the key is optimization algorithm. With the newly proposed seagull optimization algorithm method, we calculate the mineral and physical parameters of shale gas reservoir in Well H of Yuxi block, Sichuan Basin, and compare with the genetic algorithm and the genetic algorithm-complex hybrid algorithm. It shows that calculation results of seagull optimization algorithm optimization log interpretation match well with core analysis data, and calculation error is small, calculation speed is fast. Seagull optimization algorithm also makes up for the shortcomings of premature convergence and easy to fall into local optimization of genetic algorithm, the need for secondary optimization and slow search speed of genetic-complex hybrid algorithm. It provides a reference for the application of seagull optimization algorithm in other shale gas reservoirs regions.

Keywords： Shale gas ; Optimization log interpretation ; Seagull optimization algorithm ; Search ability ; Core data

PDF (6883KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

陈愿愿, 杨晓, 邓小江, 王小兰, 何奇, 程莉莉, 陈科贵. 海鸥优化算法在四川盆地渝西区块 H井区页岩气储层最优化测井解释中的应用. 地球科学进展[J], 2020, 35(7): 761-768 DOI:10.11867/j.issn.1001-8166.2020.046

Chen Yuanyuan, Yang Xiao, Deng Xiaojiang, Wang Xiaolan, He Qi, Cheng Lili, Chen Kegui. Application of Seagull Optimization Algorithm Log Interpretation to Shale Gas Reservoir of Well H in Sichuan Basin Yuxi Block. Advances in Earth Science[J], 2020, 35(7): 761-768 DOI:10.11867/j.issn.1001-8166.2020.046

1 引言

页岩气是指赋存于富有机质泥页岩，以游离气、吸附气和溶解气等为主要形式的非常规天然气藏，具有复杂的岩石骨架成分、较小的孔隙度渗透率和较强的非均质性等特点。针对页岩气储层具有矿物类型多样、气藏分布形式复杂和储层参数体积模型难以确定等特点，常规的页岩气测井解释方法效果较差，已不能满足页岩气勘探的测井解释需求 ^{[ 1~ 3]}。最优化测井解释方法能充分利用各种测井响应及地质资料，可以有效地评价多矿物组成的复杂岩性油气藏。最优化测井解释的关键是最优化算法的选择，关系到测井解释结果的准确性 ^{[ 4~ 6]}。

因此，大批学者针对以仿生学为基础的群智能优化算法的最优化测井解释方面进行了广泛研究。韩雪等 ^{[ 7]}利用遗传算法（Genetic Algorithm，GA）对砂砾岩的储层参数进行了最优化测井解释；莫修文等 ^{[ 8]}利用萤火虫算法（Glowworm Swarm Optimization Algorithm，GSO）对海拉尔盆地凝灰质砂岩储层进行了最优化测井解释；孙茹雪等 ^{[ 9]}利用人工蜂群算法（Artificial Bee Colony，ABC）对苏里格致密砂岩储层的孔隙度及矿物组分含量进行了最优化测井解释。上述优化算法虽具备较强的全局搜索能力，但却存在寻优后期收敛速度较慢的问题，并且无法实现局部搜索能力，通过引入具有局部搜索能力的复合形算法（Complex Method Algorithm，CM）可以改善。为此，潘保芝等 ^{[ 10]}将细菌觅食算法(Bacterial Foraging Algorithm，BFA)复合形算法结合构成BFA-CM混合算法引入最优化测井解释，应用于苏里格储层参数的求取；孙茹雪等 ^{[ 11]}将粒子群算法（Particle Swarm Optimization，PSO）和复合形算法作为最优化的搜索方法引入最优化测井解释，求取了中基性火山岩的矿物组分含量及理论测井值。不过，上述混合优化算法同样存在计算原理复杂、计算速度较慢、收敛精度不高的问题。

针对上述不足，本文采用了一种利用海鸥优化算法(Seagull Optimization Algorithm，SOA)进行测井解释的优化算法，该算法是Dhiman等 ^{[ 12]}于2019年提出的新智能优化算法，主要是模拟全局搜索的海鸥迁徙和局部搜索的海鸥攻击。由于算法简单，既可以得到全局最优解，又具有较高的搜索精度和搜索效率，在测井解释方面具有很好的应用前景。故本文首次引入海鸥优化算法解决页岩气最优化测井解释问题。

2 SOA理论

海鸥最重要的特征是迁徙和攻击行为。迁徙是海鸥以能查找最丰硕的食物根源而获得富足的能量为目的，根据时令的变换，从某个地点转移到另一个地点的行为。在此时期，海鸥都是成群结伴而行，但是为了防止海鸥与海鸥撞在一起，它们的位置是有一定差异的。在一个群落里，海鸥通过转换自己的位置，从而实现向着最佳位置的方位前行的目的。海鸥常以鱼虾类为食，在此期间海鸥群落通常是以螺旋状的形式向它们的攻击对象发起进攻（图1） ^{[ 13]}。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 海鸥迁徙和攻击方式示意图

Fig.1 Migration and attacking behaviors of seagulls

SOA的基本思想是通过迁徙（全局搜索）和攻击（局部搜索）2个操作算子迭代寻求最优解。

2.1　迁徙(全局搜索)

算法通过效仿海鸥群体从某一地方转移到另一个地方的迁徙过程，实现全局搜索。在这个阶段，海鸥应该满足3个条件：

（1）避免碰撞：为了防止海鸥之间的相互碰撞，算法通过采取添加额外变量A的方法来计算其转移后的新位置（图2a）。表达式为：

C_{s} (t) = A \times P_{s} (t)

，（1）

式中： $C_{s} (t)$ 代表海鸥迁徙之后的新位置，与其他的海鸥的位置没有矛盾； $P_{s}$ 表示海鸥现在所在位置， t表示当前迭代； A表示海鸥在指定空间中的运动方式。其中：

A = f_{c} - [t \times (f_{c} / M a x_{i t e r a t i o n})]

，（2）

式中： $f_{c}$ 可以调节变量 A的频率，将 A的取值从2线性降低到0； $M a x_{i t e r a t i o n}$ 代表迭代最大次数。

（2）最佳位置方向：为了避免在移动过程中与其他海鸥的位置发生冲突，海鸥会向最佳位置所在的方向移动（图2b）。表达式为：

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 海鸥迁徙行为和攻击行为示意图

Fig.2 Movement and attacking behaviors of seagulls

M_{s} (t) = B \times [P_{b s} (t) - P_{s} (t)]

，（3）

式中： $M_{s} (t)$ 表示最佳位置的方向； $P_{b s} (t)$ 表示海鸥最佳位置； B是随机数，主要起平衡全局和局部搜索的作用。

B = 2 \times A^{2} \times r_{d}

，（4）

式中： $r_{d}$ 是[0，1]范围内的随机数。

（3）靠近最佳位置：海鸥移动到与其他海鸥不相撞的位置后，就朝着最佳位置方向移动，从而到达新的位置（图2c）。表达式为：

D_{s} (t) = |C_{s} (t) - M_{s} (t)|

，（5）

式中： $D_{s} (t)$ 是海鸥的新位置。

2.2　攻击(局部搜索)

海鸥在迁徙过程中通过翅膀的运动和身体重量之间的关系来保持攻击的最佳高度。当发现猎物时，海鸥通过不断改变攻击角度和速度，会以螺旋状的运动方式攻击猎物（图2d）。 x， y和 z平面中的运动行为描述如下：

x = r \times c o s θ

，（6）

y = r \times s i n θ

，（7）

z = r \times θ

，（8）

r = u \times e^{θ v}

，（9）

式中： r是每个螺旋的半径， θ是[0，2π]范围内的随机角度值。 u和 v是螺旋形状的相关常数。

海鸥的攻击位置由公式( 6)~( 9)计算得到。

P_{s} (t) = D_{s} (t) \times x \times y \times z + P_{b s} (t)

，（10）

式中： $P_{s} (t)$ 是海鸥的攻击位置。

3 最优化测井解释方法

最优化测井解释是以地球物理学中的广义反演理论作为理论依据，以预处理后的测井响应值 $a$ 为基础，矿物组分的相对含量和储层参数为自变量 x，根据实际地层情况选择模型与响应方程，重构出测井响应的理论值 $a_{i}^{^} = f_{i} (x, z)$ ，并将其与测井响应对比分析 ^{[ 14]}。结合地区地质经验，选取合适解释参数 z和储层参数初值 $x_{0}$ ，利用误差分析理论与最小二乘方法，构建适用于该地区最优化测井解释的数学模型(包括目标函数与约束条件)：

m i n F (x, a) = m i n \sum_{i = 1}^{m} \frac{[a_{i} - f_{i} {(x, z)]}^{2}}{σ_{i}^{2} + τ_{i}^{2}}

\sum_{j = 1}^{p} \frac{g_{j}^{2} (x)}{τ_{j}^{2}}

，（11）

式中： $g_{j} (x)$ 与 $τ_{j}$ 是第 j个约束及其约束误差， $j = 1,2, \dots, p$ ，包括上述等式与不等式约束； $a_{i}$ 是测井曲线响应值； $σ_{i}^{}$ 是第 i种实际测井值的测量误差； $τ_{i}^{}$ 是第 i种测井响应方程的误差； $\sum_{j = 1}^{p} \frac{g_{j}^{2} (x)}{τ_{j}^{2}}$ 是惩罚项， $\frac{1}{τ_{i}^{2}}$ 是惩罚因子。

根据最优化方法对储层参数 x不停进行改变，让求得的理论测井值 $a_{i}^{^}$ 越来越接近与之对应的实际测井响应 $a_{i}$ 。如果两者充分接近，即目标函数值已经达到最小时，计算各理论测井值 $a_{i}^{^}$ 所采用的自变量 x，就是最充分反映实际地层原貌的储层参数及矿物相对含量值，也就是最优化测井解释的结果 ^{[ 15]}。

3.1　页岩气储层多矿物模型建立

本文研究的目标区为四川盆地渝西区块页岩气藏，根据该区H井区的龙马溪组页岩气储层岩心样品X射线衍射（X-Ray Diffraction, XRD）矿物含量分析结果：储层矿物中石英含量最高，平均为49.5%，是主要骨架矿物；方解石、长石、白云石含量较低，为19.3%，属于次要骨架矿物；黏土矿物类型简单，平均含量为28.7%；页岩有机质的平均含量为3.61%，黄铁矿作为页岩气储层标志矿物，在部分层段发育，含量仅为3.9%。把干酪根（有机碳）和孔隙中充填流体作为模型组分加入到计算模型中，由石英（ $V_{q u a z}$ ）、长石 $(V_{f e l d})$ 、白云石（ $V_{d o l o})$ 、方解石 $(V_{c a l c})$ 、黄铁矿 $(V_{p y r t})$ 、黏土 $(V_{c l a y})$ 、干酪根 $(V_{k e r o})$ 以及孔隙（ $\emptyset$ ）等8种组分，组成了该井区页岩气储层的测井解释多矿物模型（图3） ^{[ 16~ 18]}。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 页岩气多矿物组分模型示意图

Fig.3 Multi-mineral composition model of shale gas

3.2　测井响应方程的建立

自变量 x由以下几部分组成： $①$ 储层孔隙度 $\emptyset$ ， $②$ 黏土含量 $V_{c l a y}$ ， $③$ 干酪根含量 $V_{k e r o}$ ， $④$ 储层骨架矿物含量 $\sum_{i = 1}^{5} V_{M a t_i}$ 。其中骨架矿物包括：石英 $V_{q u a z}$ 、方解石 $V_{c a l c}$ 、白云石 $V_{d o l o} 、长石 V_{f e l d}$ 和黄铁矿 $V_{p y r t}$ 。在多矿物模型建立的基础上，结合页岩气储层的测井响应特征 ^{[ 19~ 21]}，利用自然伽马(GR)、密度(DEN)、声波时差(AC)、中子孔隙度(CNL)、体积光电吸收界面指数( U)、铀(U _r)、钾(K)、钍(T)以及电阻率( R _t)共9条曲线，充分考虑约束条件，可以得到如下的响应方程组：

\begin{array}{l} F_{j} (A, x) = a_{f, j} \emptyset + a_{c l a y, j} V_{c l a y} + a_{k e r o, j} V_{k e r o} \\ + \sum_{i = 1}^{5} a_{M a t__{i}, j} V_{M a t_i} \end{array}

，（12）

根据页岩气储层实际特征，测井曲线响应方程组应满足以下条件：

\{\begin{matrix} \sum_{j = 1}^{n} V_{j} = 1 \\ \begin{matrix} 0 ≪ V_{M a t_i} ≪ 1 \\ 0 ≪ V_{c l a y} ≪ 1 \end{matrix} \\ 0 ≪ V_{k e r o} ≪ 1 \\ 0 ≪ \emptyset ≪ 1 \end{matrix}

，（13）

式中： i $= 1,2, \dots, 5$ 分别为石英、方解石、白云石、长石、黄铁矿的骨架矿物数量； $j = 1,2, \dots, 9$ 分别为自然伽马、密度、声波时差、中子孔隙度、体积光电吸收界面指数、铀、钾、钍和电阻率测井方法数量； $F_{j} (A, x)$ 为测井曲线值； $a_{f, j}$ 为孔隙流体的测井响应值； $a_{c l a y, j}$ 为黏土含量测井响应值； $a_{M a t_{i}, j}$ 为骨架矿物的测井响应值； $a_{k e r o, j}$ 为干酪根测井响应值； $V_{c l a y}$ 为黏土矿物体积百分比； $V_{k e r o}$ 为有机质体积百分比； $V_{M a t_i}$ 为骨架矿物体积百分比。

3.3　 SOA测井解释流程

利用SOA最优化测井解释的主要步骤如下：

（1）对SOA中的参数 A、 B、 $M a x_{i t e r a t i o n}$ 、 $f_{c} = 2 、 u = 1 和 v = 1$ 的设置， $r_{d}$ 在(0，1)内取随机值， θ在[0，2π]内取随机值；

（2）海鸥种群 $P_{s}$ 初始化；

（3）While ( t< $M a x_{i t e r a t i o n}$ 最大迭代次数)

（4）{

（5）使用计算适应度函数 $P_{s} (t)$ 计算每只海鸥的适应度值；

（6）使用公式( 1)、( 2)和(4)计算海鸥的新位置 $D_{s} (t)$ ；

（7）使用等式( 6)~( 10)计算海鸥攻击新位置 $P_{s} (t)$ ；

（8）更新最佳海鸥位置和适应值， t= t+1；

（9）}

（10）输出最佳海鸥位置和适应值，结束程序。

相关的流程如图4所示 ^{[ 22]}。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 SOA测井解释流程图

Fig.4 Log interpretation flowchart of SOA

在最优化测井解释中，海鸥的迁徙过程中最佳位置的寻找对应着求解最优储层参数过程；海鸥攻击猎物时的角度和速度对应着求解储层各矿物组份的速度。每个海鸥迁徙时的最佳位置代表了优化问题中的每个可能解，即各个矿物组分在合理区间范围的值。海鸥迁徙时的最佳位置即所求的最优解，即最符合实际地层情况的矿物组分体积含量值。

4 应用效果及分析

研究对象为四川盆地渝西区块页岩气储层的H井龙马溪组，根据H井的测井资料、岩心资料以及地化资料，确定了研究区矿物骨架成分和孔隙流体的测井特征值（表1），开展了应用SOA的最优化测井解释 ^{[ 23]}。

表1 矿物骨架成分和孔隙流体的测井响应特征值

Table 1 Logging response characteristic values of matrix components and pore fluid

成分种类

自然伽马/API

声波时差/(μs/ft)

补偿中子/%

密度/

(g/cm ³)

体积光电吸收界面/(b/cm ³)

铀/×10 ^-6

钍/(mg/L)

钾/%

电阻率/(Ω·m)

石英

长石

220

55.50

69.00

-2.00

2.65

2.62

4.79

7.50

4.79

7.21

1.10

10.50

5.00×10 ⁵

4.30×10 ⁶

白云石

方解石

黄铁矿

黏土

干酪根

孔隙（流体）

-1

250

2 050

43.50

48.00

39.20

49.50

135.00

189.00

1.00

-1.00

-3.00

35.00

0.30

100.00

2.87

2.71

5.00

2.50

1.30

1.00

8.00

13.77

82.30

18.00

0.22

0.30

9.00

13.77

9.00

300.00

0.36

20.00

40.00

0.30

5.00

0.58

50.00

8.00×10 ¹⁰

7.20×10 ⁷

4.00×10 ^-4

50.00

8.00×10 ¹²

0.05

新窗口打开| 下载CSV

依据图4和表1，设置海鸥种群数为40，海鸥运动行为的控制参数 f _c=2，海鸥攻击猎物时螺旋形状运动常数 u=1， v=1，螺旋的半径 r=0.5，随机角度值 θ=105。为了使结果在合理时间内达到收敛精度停止算法，其最大循环次数仅为100。可见海鸥优化算法参数较少，参数设置简单。

图5为H井利用SOA的测井解释成果图。图5中第1~3道为原始曲线道，第4~9道分别为孔隙度、干酪根、石英、长石、方解石、白云石与岩心资料对比，第10道是根据SOA计算结果绘制出的矿物组分解释剖面。从图5中可以看到，测井SOA算法计算的储层矿物组分变化规律与岩心分析结果一致，吻合度较高；对于第四道的孔隙度，SOA算法所得结果与岩心分析孔隙度杆状图之间保持相同变化规律，SOA算法孔隙度与岩心分析孔隙度之间，平均相对误差为0.87，说明SOA在储层孔隙度物性参数解释中具有广阔的应用前景。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 H井 SOA的测井解释成果图

Fig.5 Log interpretation results of SOA in Well H

为了验证SOA的优越性，选择了GA和GA-CM进行对比，采用同样的矿物组分参数和迭代次数，各算法的计算结果与岩心分析结果的相对误差统计表和运行时间对比如表2和表3所列。从表2可以看出，SOA算法具有明显的速度优势。由于GA具有早熟现象，存在过早收敛的原因，计算得到的矿物相对误差最大；GA-CM混合算法虽然弥补了GA的缺点，但该算法需要进行二次优化，存在计算速度慢的问题，且部分矿物相对误差较大；SOA由于同时具备全局搜索和局部搜索能力，所以计算速度较快，且SOA计算的各矿物组分误差均小于GA和GA-CM计算的误差，各个矿物组分的误差都控制在在5%以内（表3），反映出SOA最优化测井解释方法在四川盆地H井页岩气储层测井解释应用中的准确性和适用性。

表2 H井各优化算法运行时间对比

Table 2 Comparison of operating time of each optimization algorithm in Well H

算法名称

运行时间/s

SOA

GA-CM

153

468

689

新窗口打开| 下载CSV

表3 H井各算法的矿物相对误差统计表

Table 3 Relative errors minerals in algorithms of Well H

矿物误差	SOA	GA	GA-CM
孔隙度	0.87	1.50	1.85
有机碳	0.12	2.36	1.89
石英	4.86	15.54	5.36
斜长石	0.24	3.23	2.75
方解石	1.67	8.27	5.37
白云石	2.73	12.86	6.78

新窗口打开| 下载CSV

5 结论与认识

页岩气储层地质特征复杂，常规测井评价比较困难。最优化测井解释能够充分利用地质分析资料及测井资料，在评价页岩气这样复杂岩性油气藏时获得更加准确的储层参数。SOA是一种新兴的智能优化算法，同时具有较强的全局搜索能力和局部搜索能力。将该算法应用于四川盆地页岩气储层最优化测井解释中，具有较好的识别效果。

（1）本文将SOA算法应用于H井最优化测井解释方法中，各矿物组分的相对误差都在5%以内，提高了四川盆地H井区页岩气储层测井解释的准确率。

（2）SOA参数设置简单，不需要进行二次优化，将其应用于测井解释中，可以大幅缩短时间，提高工作效率。

（3）该方法与传统测井解释方法相比，避免了人为性，提高了精确性，增加了可操作性，可推广于实际生产中。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Dong

Dazhong

, Wang

Yuman

, Li

Xinjing

, et al.

Breakthrough and prospect of shale gas exploration and development in China

[J]. Natural Gas Industry, 2016, 36( 1): 19- 32.

[本文引用: 1]

董大忠, 王玉满, 李新景, 等.

中国页岩气勘探开发新突破及发展前景思考

[J]. 天然气工业, 2016, 36( 1): 19- 32.

[本文引用: 1]

[2]

Wang

Ruyue

, Ding

Wenlong

, Wang

Zhe

, et al.

Progress of geophysical well logging in shale gas reservoir evaluation

[J]. Progress in Geophysics, 2015, 30 ( 1): 228- 241.

王濡岳, 丁文龙, 王哲, 等.

页岩气储层地球物理测井评价研究现状

[J]. 地球物理学进展, 2015, 30( 1): 228- 241.

[3]

Shizhen

, Jiang

Wenli

, Wang

Qian

, et al.

Research status and currently existent problems of shale gas geological survey and evaluation in China

[J]. Geological Bulletin of China, 2013, 32( 9): 1 440- 1 446.

[本文引用: 1]

[4]

Liu

Junhua

, Jin

Yunzhi

, Gong

Shiyu

Application of the optimization method to complex lithology reservoir log interpretation

[J]. Well Logging Technology, 2008, 32( 6): 542- 561.

[本文引用: 1]

刘俊华，金云智，龚时雨.

最优化方法在复杂岩性储层测井解释中的应用

[J]. 测井技术, 2008, 32( 6): 542- 561.

[本文引用: 1]

[5]

Sondergeld

, Newsham

, Comisky

J T

, et al.

Petrophysical consideration in evaluating and producing shale gas resources

[C]// SPE Hydraulic Fracturing Technology Conference, 2010: 441- 449.

[6]

Sharma

, Chopra

Unconventional reservoir characterization using conventional tools

[C]//SEG Technical Program Expanded Abstracts, 2013, 32: 2 264-2 268.

[本文引用: 1]

[7]

Han

Xue

, Pan

Baozhi

, Zhang

, et al.

GA-Optimal log interpretation applied in Glutenite reservoir evaluation

[J]. Well Logging Technology, 2012, 36( 4): 392- 396.

[本文引用: 1]

韩雪, 潘保芝, 张意, 等.

遗传最优化算法在砂砾岩储层测井评价中的应用

[J]. 测井技术, 2012, 36( 4): 392- 396.

[本文引用: 1]

[8]

Xiuwen

， Li

Xiao

， Zhang

Qiang

Application of glowworm swarm optimization algorithm in the loginterpretation for tuffaceous sandstone reservoir

[J]. Geophysical Prospecting for Petroleum, 2016, 55( 6): 869- 878.

[本文引用: 1]

莫修文, 李晓, 张强.

萤火虫算法在凝灰质砂岩储层测井解释中的应用

[J]. 石油物探, 2016, 55( 6): 869- 878.

[本文引用: 1]

[9]

Sun

Ruxue

， Pan

Baozhi

， Shi

Yujiang

, et al.

Application of artificial bee colony optimization log interpretation method to tight sandstone reservoir evaluation

[J]. Well Logging Technology, 2017, 41( 3): 320- 324.

[本文引用: 1]

孙茹雪, 潘保芝, 石玉江, 等.

人工蜂群最优化测井解释方法在致密砂岩储层评价中的应用

[J]. 测井技术, 2017, 41( 3): 320- 324.

[本文引用: 1]

[10]

Pan

Baozhi

, Duan

Ya'nan

, Zhang

Haitao

, et al.

BFA-CM optimization log interpretation method

[J]. Chinese Journal of Geophysics, 2016, 59( 1): 391- 398.

[本文引用: 1]

潘保芝, 段亚男, 张海涛, 等.

BFA-CM最优化测井解释方法

[J]. 地球物理学报, 2016, 59( 1): 391- 398.

[本文引用: 1]

[11]

Sun

Ruxue

， Pan

Baozhi

， Duan

Yanan

, et al.

CM and PSO method for evaluating of intermediate-basic volcanic rock mineral components comparison

[J]. Computing Techniques for Geophysical and Geochemical Exploration, 2016, 38( 2): 206- 211.

[本文引用: 1]

孙茹雪, 潘保芝, 段亚男, 等.

CM与PSO方法评价中基性火山岩矿物组份对比

[J]. 物探化探计算技术, 2016, 38( 2): 206- 211.

[本文引用: 1]

[12]

Dhiman

， Kumar

Seagull optimization algorithm: Theory and its applications for large-scale industrial engineering problems

[J]. Knowlege-based Systems, 2019， 165: 169- 196.

[本文引用: 1]

[13]

Han

, Xu

Zibin

, Zhang

Liang

, et al.

A new foreign intelligent optimization algorithm—Seagull Optimization Algorithm

[J]. Modern Marketing (Management Edition), 2019, ( 10): 70- 71.

[本文引用: 1]

韩毅, 徐梓斌, 张亮, 等.

国外新型智能优化算法——海鸥优化算法

[J]. 现代营销:经营版, 2019，( 10): 70- 71.

[本文引用: 1]

[14]

Yong

Shihe

, Sun

Jianmeng

Selection of optimization methods in digital logging processing

[J]. Journal of China University of Petroleum, 1988, 12( 4/5): 11- 26.

[本文引用: 1]

雍世和，孙建孟．

测井数字处理中最优化方法的选择

[J]．中国石油大学学报， 1988， 12( 4/5)： 11- 26.

[本文引用: 1]

[15]

Cheng

Chao

, Sang

Qin

, Yang

Shuangding

, et al.

Application of the optimization log interpretayion method to complex clastic reservoir

[J]. Well Logging Technology, 2011, 35( 5): 455- 459.

[本文引用: 1]

程超, 桑琴, 杨双定, 等.

最优化测井解释方法在复杂碎屑岩储层中的应用

[J]. 测井技术, 2011, 35( 5): 455- 459.

[本文引用: 1]

[16]

Liu

Yuxiang

, Wang

Kailiang

, Hu

Peiqing

, et al.

A discussion on measuring methods of shale mineral components

[J]. Natural Gas Geoscience, 2015, 26( 9): 1 737- 1 743.

[本文引用: 1]

刘玉祥，王开亮，胡沛青，等.

页岩中矿物组分测定方法探讨

[J]. 天然气地球科学， 2015, 26( 9): 1 737- 1 743.

[本文引用: 1]

[17]

Wang

Ruyue

, Ding

Wenlong

, Wang

Zhe

, et al.

Application of geophysical well logging in shale gas reservoir evaluation

[J]. Progress in Geophysics, 2015, 30( 1): 228- 241．

[18]

Jia

Lingyun

, Li

Lin

, Wang

Qianyao

, et al.

Optimization of the rock physical model in tight sandstone reservoir

[J]. Advances in Earth Science, 2018, 33( 4): 416- 424.

[本文引用: 1]

贾凌云，李琳，王千遥，等．

致密砂岩储层岩石物理模型的优化建立

［J］. 地球科学进展， 2018， 33( 4): 416- 424.

[本文引用: 1]

[19]

Qin

Ruibao

, Yu

Jie

Application of multi-mineral treatment method in logging evaluation of shale oil and gas reservoirs in North America

[J]. Petroleum Geophysics, 2013, 48( ）: 175- 180, 203.

[本文引用: 1]

秦瑞宝，余杰.

多矿物处理方法在北美页岩油气藏测井评价中的应用

[J]. 石油地球物理勘探， 2013, 48（）： 175- 180, 203.

[本文引用: 1]

[20]

Tian

Yunying

, Xia

Hongquan

Optimization logging interpretation based on analysis of multimineral model

[J]. Journal of Southwest Petroleum Institute， 2006， 28( 4)： 8- 11, 101.

田云英，夏宏泉.

基于多矿物模型分析的最优化测井解释

[J]. 西南石油学院学报， 2006, 28( 4): 8- 11, 101.

[21]

Jie

, Qin

Ruibao

, Liu

Chuncheng

, et al

. Logging evaluation and production "sweet spot" identification of shale play： A case study on Eagle Ford shale play in the USA

[J]. China Petroleum Exploration, 2017, 22( 3): 104- 112.

[本文引用: 1]

余杰，秦瑞宝，刘春成，等.

页岩气储层测井评价与产量“甜点”识别——以美国鹰潭页岩气储层为例

[J]. 中国石油勘探， 2017, 22( 3): 104- 112.

[本文引用: 1]

[22]

Yang

Fuqiang

, Chen

Kegui

, Huang

Changbing

, et al.

Application of PSO-LIBSVM in recognition of potassium salt deposits

［J］. Advances in Earth Science， 2019， 34（ 7）： 757- 764.

[本文引用: 1]

杨福强，陈科贵，黄长兵，等.

PSO-LIBSVM 在钾盐矿层识别中的应用研究

［J］. 地球科学进展， 2019， 34（ 7）： 757- 764.

[本文引用: 1]

[23]

Zhang

Zuoqing

, Sun

Jianmeng

Progress of logging evaluation on shale gas reservoirs

[J]． Journal of Oil and Gas Technology, 20l 3, 35( 3)： 90- 95.

[本文引用: 1]

张作清，孙建孟．

页岩气测井评价进展

[J]．石油天然气学报， 2013， 35( 3)： 90- 95.

[本文引用: 1]

Breakthrough and prospect of shale gas exploration and development in China

2016

... 页岩气是指赋存于富有机质泥页岩，以游离气、吸附气和溶解气等为主要形式的非常规天然气藏，具有复杂的岩石骨架成分、较小的孔隙度渗透率和较强的非均质性等特点.针对页岩气储层具有矿物类型多样、气藏分布形式复杂和储层参数体积模型难以确定等特点，常规的页岩气测井解释方法效果较差，已不能满足页岩气勘探的测井解释需求 ^{[ 1~ 3]}.最优化测井解释方法能充分利用各种测井响应及地质资料，可以有效地评价多矿物组成的复杂岩性油气藏.最优化测井解释的关键是最优化算法的选择，关系到测井解释结果的准确性 ^{[ 4~ 6]}. ...

中国页岩气勘探开发新突破及发展前景思考

2016

Progress of geophysical well logging in shale gas reservoir evaluation

2015

页岩气储层地球物理测井评价研究现状

2015

Research status and currently existent problems of shale gas geological survey and evaluation in China

2013

Application of the optimization method to complex lithology reservoir log interpretation

2008

最优化方法在复杂岩性储层测井解释中的应用

2008

Petrophysical consideration in evaluating and producing shale gas resources

2010

Unconventional reservoir characterization using conventional tools

GA-Optimal log interpretation applied in Glutenite reservoir evaluation

2012

... 因此，大批学者针对以仿生学为基础的群智能优化算法的最优化测井解释方面进行了广泛研究.韩雪等 ^{[ 7]}利用遗传算法（Genetic Algorithm，GA）对砂砾岩的储层参数进行了最优化测井解释；莫修文等 ^{[ 8]}利用萤火虫算法（Glowworm Swarm Optimization Algorithm，GSO）对海拉尔盆地凝灰质砂岩储层进行了最优化测井解释；孙茹雪等 ^{[ 9]}利用人工蜂群算法（Artificial Bee Colony，ABC）对苏里格致密砂岩储层的孔隙度及矿物组分含量进行了最优化测井解释.上述优化算法虽具备较强的全局搜索能力，但却存在寻优后期收敛速度较慢的问题，并且无法实现局部搜索能力，通过引入具有局部搜索能力的复合形算法（Complex Method Algorithm，CM）可以改善.为此，潘保芝等 ^{[ 10]}将细菌觅食算法(Bacterial Foraging Algorithm，BFA)复合形算法结合构成BFA-CM混合算法引入最优化测井解释，应用于苏里格储层参数的求取；孙茹雪等 ^{[ 11]}将粒子群算法（Particle Swarm Optimization，PSO）和复合形算法作为最优化的搜索方法引入最优化测井解释，求取了中基性火山岩的矿物组分含量及理论测井值.不过，上述混合优化算法同样存在计算原理复杂、计算速度较慢、收敛精度不高的问题. ...

遗传最优化算法在砂砾岩储层测井评价中的应用

2012

Application of glowworm swarm optimization algorithm in the loginterpretation for tuffaceous sandstone reservoir

2016

萤火虫算法在凝灰质砂岩储层测井解释中的应用

2016

Application of artificial bee colony optimization log interpretation method to tight sandstone reservoir evaluation

2017

人工蜂群最优化测井解释方法在致密砂岩储层评价中的应用

2017

BFA-CM optimization log interpretation method

2016

BFA-CM最优化测井解释方法

2016

CM and PSO method for evaluating of intermediate-basic volcanic rock mineral components comparison

2016

CM与PSO方法评价中基性火山岩矿物组份对比

2016

Seagull optimization algorithm: Theory and its applications for large-scale industrial engineering problems

2019

... 针对上述不足，本文采用了一种利用海鸥优化算法(Seagull Optimization Algorithm，SOA)进行测井解释的优化算法，该算法是Dhiman等 ^{[ 12]}于2019年提出的新智能优化算法，主要是模拟全局搜索的海鸥迁徙和局部搜索的海鸥攻击.由于算法简单，既可以得到全局最优解，又具有较高的搜索精度和搜索效率，在测井解释方面具有很好的应用前景.故本文首次引入海鸥优化算法解决页岩气最优化测井解释问题. ...

A new foreign intelligent optimization algorithm—Seagull Optimization Algorithm

2019

... 海鸥最重要的特征是迁徙和攻击行为.迁徙是海鸥以能查找最丰硕的食物根源而获得富足的能量为目的，根据时令的变换，从某个地点转移到另一个地点的行为.在此时期，海鸥都是成群结伴而行，但是为了防止海鸥与海鸥撞在一起，它们的位置是有一定差异的.在一个群落里，海鸥通过转换自己的位置，从而实现向着最佳位置的方位前行的目的.海鸥常以鱼虾类为食，在此期间海鸥群落通常是以螺旋状的形式向它们的攻击对象发起进攻（图1） ^{[ 13]}. ...

国外新型智能优化算法——海鸥优化算法

2019

Selection of optimization methods in digital logging processing

1988

... 最优化测井解释是以地球物理学中的广义反演理论作为理论依据，以预处理后的测井响应值

a

为基础，矿物组分的相对含量和储层参数为自变量 x，根据实际地层情况选择模型与响应方程，重构出测井响应的理论值

a_{i}^{^} = f_{i} (x, z)

，并将其与测井响应对比分析 ^{[ 14]}.结合地区地质经验，选取合适解释参数 z和储层参数初值

x_{0}

，利用误差分析理论与最小二乘方法，构建适用于该地区最优化测井解释的数学模型(包括目标函数与约束条件)： ...

测井数字处理中最优化方法的选择

1988

... 最优化测井解释是以地球物理学中的广义反演理论作为理论依据，以预处理后的测井响应值

a

为基础，矿物组分的相对含量和储层参数为自变量 x，根据实际地层情况选择模型与响应方程，重构出测井响应的理论值

a_{i}^{^} = f_{i} (x, z)

，并将其与测井响应对比分析 ^{[ 14]}.结合地区地质经验，选取合适解释参数 z和储层参数初值

x_{0}

，利用误差分析理论与最小二乘方法，构建适用于该地区最优化测井解释的数学模型(包括目标函数与约束条件)： ...

Application of the optimization log interpretayion method to complex clastic reservoir

2011

... 根据最优化方法对储层参数 x不停进行改变，让求得的理论测井值

a_{i}^{^}

越来越接近与之对应的实际测井响应

a_{i}

.如果两者充分接近，即目标函数值已经达到最小时，计算各理论测井值

a_{i}^{^}

所采用的自变量 x，就是最充分反映实际地层原貌的储层参数及矿物相对含量值，也就是最优化测井解释的结果 ^{[ 15]}. ...

最优化测井解释方法在复杂碎屑岩储层中的应用

2011

... 根据最优化方法对储层参数 x不停进行改变，让求得的理论测井值

a_{i}^{^}

越来越接近与之对应的实际测井响应

a_{i}

.如果两者充分接近，即目标函数值已经达到最小时，计算各理论测井值

a_{i}^{^}

所采用的自变量 x，就是最充分反映实际地层原貌的储层参数及矿物相对含量值，也就是最优化测井解释的结果 ^{[ 15]}. ...

A discussion on measuring methods of shale mineral components

2015

... 本文研究的目标区为四川盆地渝西区块页岩气藏，根据该区H井区的龙马溪组页岩气储层岩心样品X射线衍射（X-Ray Diffraction, XRD）矿物含量分析结果：储层矿物中石英含量最高，平均为49.5%，是主要骨架矿物；方解石、长石、白云石含量较低，为19.3%，属于次要骨架矿物；黏土矿物类型简单，平均含量为28.7%；页岩有机质的平均含量为3.61%，黄铁矿作为页岩气储层标志矿物，在部分层段发育，含量仅为3.9%.把干酪根（有机碳）和孔隙中充填流体作为模型组分加入到计算模型中，由石英（

V_{q u a z}

）、长石

(V_{f e l d})

、白云石（

V_{d o l o})

、方解石

(V_{c a l c})

、黄铁矿

(V_{p y r t})

、黏土

(V_{c l a y})

、干酪根

(V_{k e r o})

以及孔隙（

\emptyset

）等8种组分，组成了该井区页岩气储层的测井解释多矿物模型（图3） ^{[ 16~ 18]}. ...

页岩中矿物组分测定方法探讨

2015

V_{q u a z}

）、长石

(V_{f e l d})

、白云石（

V_{d o l o})

、方解石

(V_{c a l c})

、黄铁矿

(V_{p y r t})

、黏土

(V_{c l a y})

、干酪根

(V_{k e r o})

以及孔隙（

\emptyset

）等8种组分，组成了该井区页岩气储层的测井解释多矿物模型（图3） ^{[ 16~ 18]}. ...

Application of geophysical well logging in shale gas reservoir evaluation

2015

Optimization of the rock physical model in tight sandstone reservoir

2018

V_{q u a z}

）、长石

(V_{f e l d})

、白云石（

V_{d o l o})

、方解石

(V_{c a l c})

、黄铁矿

(V_{p y r t})

、黏土

(V_{c l a y})

、干酪根

(V_{k e r o})

以及孔隙（

\emptyset

）等8种组分，组成了该井区页岩气储层的测井解释多矿物模型（图3） ^{[ 16~ 18]}. ...

致密砂岩储层岩石物理模型的优化建立

2018

V_{q u a z}

）、长石

(V_{f e l d})

、白云石（

V_{d o l o})

、方解石

(V_{c a l c})

、黄铁矿

(V_{p y r t})

、黏土

(V_{c l a y})

、干酪根

(V_{k e r o})

以及孔隙（

\emptyset

）等8种组分，组成了该井区页岩气储层的测井解释多矿物模型（图3） ^{[ 16~ 18]}. ...

Application of multi-mineral treatment method in logging evaluation of shale oil and gas reservoirs in North America

2013

... 自变量 x由以下几部分组成：

①

储层孔隙度

\emptyset

，

②

黏土含量

V_{c l a y}

，

③

干酪根含量

V_{k e r o}

，

④

储层骨架矿物含量

\sum_{i = 1}^{5} V_{M a t_i}

.其中骨架矿物包括：石英

V_{q u a z}

、方解石

V_{c a l c}

、白云石

V_{d o l o} 、 长 石 V_{f e l d}

和黄铁矿

V_{p y r t}

.在多矿物模型建立的基础上，结合页岩气储层的测井响应特征 ^{[ 19~ 21]}，利用自然伽马(GR)、密度(DEN)、声波时差(AC)、中子孔隙度(CNL)、体积光电吸收界面指数( U)、铀(U _r)、钾(K)、钍(T)以及电阻率( R _t)共9条曲线，充分考虑约束条件，可以得到如下的响应方程组： ...

多矿物处理方法在北美页岩油气藏测井评价中的应用

2013

... 自变量 x由以下几部分组成：

①

储层孔隙度

\emptyset

，

②

黏土含量

V_{c l a y}

，

③

干酪根含量

V_{k e r o}

，

④

储层骨架矿物含量

\sum_{i = 1}^{5} V_{M a t_i}

.其中骨架矿物包括：石英

V_{q u a z}

、方解石

V_{c a l c}

、白云石

V_{d o l o} 、 长 石 V_{f e l d}

和黄铁矿

V_{p y r t}

Optimization logging interpretation based on analysis of multimineral model

2006

基于多矿物模型分析的最优化测井解释

2006

. Logging evaluation and production "sweet spot" identification of shale play： A case study on Eagle Ford shale play in the USA

2017

... 自变量 x由以下几部分组成：

①

储层孔隙度

\emptyset

，

②

黏土含量

V_{c l a y}

，

③

干酪根含量

V_{k e r o}

，

④

储层骨架矿物含量

\sum_{i = 1}^{5} V_{M a t_i}

.其中骨架矿物包括：石英

V_{q u a z}

、方解石

V_{c a l c}

、白云石

V_{d o l o} 、 长 石 V_{f e l d}

和黄铁矿

V_{p y r t}

页岩气储层测井评价与产量“甜点”识别——以美国鹰潭页岩气储层为例

2017

... 自变量 x由以下几部分组成：

①

储层孔隙度

\emptyset

，

②

黏土含量

V_{c l a y}

，

③

干酪根含量

V_{k e r o}

，

④

储层骨架矿物含量

\sum_{i = 1}^{5} V_{M a t_i}

.其中骨架矿物包括：石英

V_{q u a z}

、方解石

V_{c a l c}

、白云石

V_{d o l o} 、 长 石 V_{f e l d}

和黄铁矿

V_{p y r t}

Application of PSO-LIBSVM in recognition of potassium salt deposits

2019

... 相关的流程如图4所示 ^{[ 22]}. ...

PSO-LIBSVM 在钾盐矿层识别中的应用研究

2019

... 相关的流程如图4所示 ^{[ 22]}. ...

Progress of logging evaluation on shale gas reservoirs

... 研究对象为四川盆地渝西区块页岩气储层的H井龙马溪组，根据H井的测井资料、岩心资料以及地化资料，确定了研究区矿物骨架成分和孔隙流体的测井特征值（表1），开展了应用SOA的最优化测井解释 ^{[ 23]}. ...

页岩气测井评价进展

2013

〈

〉