利用测井曲线预测
TOC
是烃源岩丰度评价中的一个重要方法，富有机质层段通常具有高铀
(U)
浓度和高
GR
值、高声波传递时间（
AC
）和高补偿中子测井（
CNL
）、高电阻率、低密度等特征，这是建立
TOC
和测井响应之间关系的理论基础。本期分享石大（北京）王贵文教授团队发表的关于测井技术预测烃源岩有机质丰度的综述文章。虽然目前提出了多种
TOC
定量方法，但由于
TOC
与测井信息之间复杂的非线性关系，以及各种
TOC
预测方法的固有局限性，在利用测井资料进行
TOC
圈定和定量时仍存在较大的不确定性。本文回顾了测井识别和定量评价烃源岩有机质丰度的历史，然后总结了用于
TOC
定量的各种方法的原理、解释过程以及优点和局限性。
利用测井技术评价烃源岩的发展历史
利用测井资料评价烃源岩可以追溯到上世纪
40
年代，当时
Beers
（
1945
）发现了富有机质烃源岩层的在测井曲线上具有较高的
GR
值。之后不同学者将对烃源岩敏感的测井参数归纳为低密度、低声速、高电阻率和中子孔隙度，并对
TOC
进行了半定量预测。
20
世纪
70-80
年代，
Schmoker(1979,1981)
利用密度和
GR
测井曲线来预测了
TOC
；
Fertl
和
Rieke(1980)
利用自然伽玛能谱测井（钾、铀和钍
）预测了
TOC
；
Autric
和
Dumesnil
（
1985
）利用声波时差曲线预测了
TOC
；
Dellenbach(1983)
利用声波时差和电阻率测井曲线反映了
TOC
的变化。这些方法由于精度低、过程复杂，目前在学术界和工业领域尚未得到广泛应用。
（
2
）利用测井资料定量评价烃源岩阶段
Passey
等（
1990
）设计了一种
ΔlgR
方法，将孔隙度测井（
AC
、
DEN
和
CNL
）与深部电阻率（
RT
）测井相结合，计算
TOC
含量。
ΔlgR
方法对孔隙度测井和电阻率测井进行了适当的缩放，两条叠加的测井曲线可以区分烃源岩和非烃源岩层段。
ΔlgR
方法该方法是
TOC
定量预测的经典方法，迄今为止仍被许多学者用于基于测井的
TOC
评价
。
上世纪
90
年代，统计分析和人工智能技术被逐渐引入测井曲线定量预测
TOC
。
Carpentier
等人（
1991
）使用声波和电阻率测井资料的散点图来估计
TOC
。一些改进后的
ΔlgR
方法也被用来推导
TOC
。
Schwarzkopf
（
1992
）估算
TOC
时，假定烃源岩和费烃源岩具有相同的孔隙度和基质密度，非烃源岩具有有机贫化的趋势。
（
3
）利用测井资料综合预测烃源岩
阶段
进入
20
世纪以来，非常规油气勘探逐渐成为热点，源储一体的地质属性也为测井预测
TOC
带来了挑战。
Kamali
和
Mirshady(2004)
将
ΔlgR
和神经模糊方法结合在一起来预测
TOC
富集层段；
Jacobi
等
(2008)
介绍了一种利用密度测井计算的孔隙度差和
NMR
测井计算的孔隙度差来预测
TOC
的方法。此外，越来越多的数据驱动的人工智能方法被引入预测
TOC
含量，目的是减少不确定性和提高准确性
。随着非常规资源的出现，人们提出了全面的地球物理测井和新的岩石物理工作流程，使用单井或多井测井系列（包括高级测井、岩性扫描测井和核磁共振测井）进行烃源岩评价。
不同测井预测TOC方法的优缺点
（
1
）
Schmoker
方法
Schmoker
方法的前提假设是岩石整体密度的变化是又有机质含量引起的，因此使用体积密度测井来计算
TOC
。地层总的密度是基质（
~2.65g/cm
3
）、孔隙、黄铁矿
(~5.0 g/cm
3
)
和有机质
(~1.0–1.5 g/cm
3
)
的综合反映，利用密度对数进行回归分析，估算有机质含量。
TOC
与测井体积密度的关系为：
TOC=(ρ
b
−ρ)/1.378
，其中
ρ
b
为不含有机质的地层密度（
g/cm
3
），
ρ
为测井地层密度（
g/cm
3
）。
井眼的规律性会影响到所获取的测井体积密度值，此外黄铁矿的存在也会影响
TOC
与密度之间的相关性。
因此，
Schmoker
的方法目前尚未得到广泛应用，特别是在非常规油气勘探时代
。
（
2
）
Passey
的
ΔlgR
方法
Passey
方法目前广泛用于碳酸盐岩和碎屑岩的测井
TOC
预测，具体公式如下：
ΔlogR = log(R/R
Baseline
) +
0.02(Δt − Δt
Baseline
)
TOC=ΔlogR × 10
(2.297−0.1688LOM)
其中
R
为深电阻率测井（
Ω·m
）；
Δt
为声波传递时间（
μs/ft
或
μs/m
）；
R
Baseline
和
Δt
Baseline
是
RT
和
AC
测井曲线的基线；
LOM
为有机质变质作用的局部水平，与成熟度有关，可以通过镜质组反射率计算。
LOM
为
7
表示烃源岩开始大量生烃，为
12
表明烃源岩达到高熟阶段。
两条测井曲线在低有机质层段会重叠，而在富有机质层段会明显分离，因为干酪根具有低密度、低速度和高电阻率的测井响应特征。利用两条测井曲线的定量分离来定义
ΔlgR
。在孔隙度和电阻率曲线叠加后，在细粒、非烃源层段内获取基线数值。如果没有
AC
测井曲线，则可以用密度（
DEN
）或中子测井曲线
(CNL)
代替，则相应的
ΔlgR
计算公式应变更为：
DEN: ΔlogR = log(R/R
Baseline
)
+ 4.0(φ
n
− φ
nBaseline
)
CNL: ΔlogR = log(R/R
Baseline
)
+ 2.5(ρ
b
− ρ
bBaseline
)
ΔlogR
方法由于其便捷性和通用性仍被广泛用于
TOC
预测，是预测
TOC
较为准确的方法之一，但仍存在两个缺陷
。一是孔隙度与电阻率测井的对数之间
0.02
的恒定斜率过于理想；二是该方法是基于岩石组成和
质地均一的假设。因此，
ΔlgR
方法不能推广到页岩区和经常互层的砂岩和泥岩地层中
。
基线选择等人为因素也会降低
ΔlgR
方法的准确性
。此外，还应考虑黄铁矿（低电阻率和高密度）、井眼条件差和低孔隙度层段的存在。
（
3
）改进后的
ΔlgR
方法
许多学者试图克服
ΔlgR
的局限性，提出了改进的
ΔlgR
方法
。一是将
Passey
的公式中的固定斜率
0.02
改为可变斜率；二是改变不同地层的基线；三是综合其他的测井曲线来提高
TOC
预测的准确性；四是采用
Tmax
和
Ro
等成熟度指标来替代
LOM
。例如
Li
等人（
2020
）提出了一种改进的
ΔlgR
方法，该方法根据测井预测值与岩心实测值之间的最小误差自动选择基线和优化系数
D
，用于评估
TOC
和
S
1
。
ΔlogR = D × log(R/R
Baseline
)
+ (1 − D)(Δt − Δt
Baseline
)
TOC = A × ΔlogR + B
其中
Δt
baseline
(μs/ft) and R
baseline
(Ω
⋅
m)
分别为
AC
和
RT
测井曲线的基线；
D
为比例系数，表示
ΔlogR
中电阻率曲线的相对比例；
A
和
B
为常数。传统
ΔlogR
法的最大缺点是不同地层和不同钻井中基线是变化的。因此，常用的修正
ΔlgR
方法是采用变化基线的
ΔlgR
方法，可以提高预测精度
。
（
4
）自然伽马能谱方法
烃源岩中
TOC
含量与天然伽马能谱（尤其是铀）密切相关，因此伽马能谱测井
（钾（
%
）、钍（
ppm
）和铀
(ppm)
及其比值）可以通过回归分析用于
TOC
预测。通过回归分析可以建立
TOC
与
U
曲线之间的线性或非线性关系
，此外，
TOC
含量可以与
U/Th
比值相关，
U/Th
越高，
TOC
含量越高（
Wood,2020
）。实际上，随着
Th/U
比的增加，
TOC
含量会下降（
Gamma
和
Schwark
,
2023
）
。作者将松辽盆地古龙凹陷白垩系青山口组的自然伽马能谱测井曲线（
K
、
Th
、
U
h和
U/Th
）与岩心实测
TOC
进行回归分析，发现他们之间相关性很差，预测曲线基本不可用。可能是因为青山口组湖相烃源岩中丰富的粘土矿物影响了
TOC
与自然伽马能谱测井相关参数的关系，因此能谱伽马测井在湖相烃源岩分析中的应用较为困难。
该方法的缺点是很多情况下无法获得自然伽马能谱测井（
Wood,2020
）；此外，对于海相烃源岩，自然伽马能谱测井中的铀富集是高烃类含量的有用指标。
然而，
U
富集现象在湖相烃源岩中并不常见，
GR
读数主要反映整体粘土含量（
Zheng et al.,
2021
）。
（
5
）多元回归分析方法
几乎所有的地球物理测井序列都对有机质的存在敏感
性，单条测井曲线也可能受到井下条件、岩性和孔隙流体的影响。此外，
TOC
与测井曲线之间的复杂关系使得使用单一测井曲线评估
TOC
变得困难
。因此，烃源岩预测需要多种测井曲线，包括各种测井序列（
GR
、
AC
、
CNL
、
DEN
和
RT
等）
。
Mendelson
和
Toksoz
（
1985
）提出了利用测井曲线组合预测
TOC
的多元回归分析方法。
以
TOC
为因变量，测井参数为自变量，可回归到多元回归方程
。作者对准噶尔盆地吉木萨尔凹陷二叠系芦草沟组的的多条测井曲线进行了线性回归分析，公式如下：
TOC = − 0.52×DEN + 0.034×AC + 0.0074×GR
+ 2.85×log(RT) − 1.99
该公式中
TOC
与
GR
、
AC
、
RT
呈正相关，与密度呈负相关
，决定系数
R
2
可达到
0.69
，预测
TOC
曲线与岩心实测
