热模拟和成熟度模拟的灵敏度分析Word文档下载推荐.docx
《热模拟和成熟度模拟的灵敏度分析Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《热模拟和成熟度模拟的灵敏度分析Word文档下载推荐.docx(11页珍藏版)》请在冰豆网上搜索。
Jackson于1972年在地球物理文献发表的《变异分析》一文中指出:
当“灵敏度分析”被普遍应用于盆地模拟的情况下,用定量法来确定模型中非唯一的参数问题。
这篇文章的目的就是讨论一些关于模型灵敏度与盆地模拟在热构建和石油生成预测中重要应用的关系。
古地温的构建是盆地模拟的关键,这是由古热流对地质动力学模型的控制作用和古沉积温度对油气勘探的重要性决定的。
例如,在烃类生成的最初温度区间里,在几个百万年中,5
的差异对烃类预测都会产生关键的影响。
最近的文章(Gallagher和Sumbrige,1992,Nielsn,1996)表明:
从有气勘探的角度来看,用反演井底温度和有机质成熟度指标构建的古热史会产生一个相当悲观的结果。
然而,通过反演井眼数据所获得的古地温信息在不要求灵敏的计算沉积温度的应用中确实是有用的,这一点可以通过丹麦中心槽的应用实例得到说明,这个例子也说明了用井眼温度反演和镜质体反射率构建古地温的可能性和局限性。
在烃类勘探中,处理热和动力学模型不确定性的方法就是构建预测模型的实际误差限。
石油生成预测的误差范围大小,可以用随机分布的方法来确定(Nielsen,1995b)。
这种方法就是在给定时间的情况下,把基本的不确定性转换成源岩转化率的随机函数。
这篇文章比以往任何一篇文章都详细的讨论了一些参数对不确定性的影响,而且,还给了一个随机方法在丹麦中心槽应用的例子。
古地温结构
沉积盆地过去的热结构必须通过间接的方法来确定。
现在,通常的沉积盆地热演化史的演化模型都依靠各种现今的井眼数据,其中包括温度、镜质体反射率、流体包裹体、径迹长度分布和生物标志物(Tissotetal,1978)。
沉积热历史主要是通过地温梯度和埋藏史随时间的变化来确定的。
地温梯度主要是由热流和热阻率来决定的。
通常情况下,各种井眼数据,例如,钻井记录、生物地层学特征都包含了埋藏史和热阻率的信息。
这使得热流史成为可确定的未知量。
在热构建中,自动模型优化程序被用来确定古热流(Lerche,1988)。
然而,定量结果非均一性的方法却没有变化。
Gallagher和Sambridge(1992)应用稳态热模型和最小二乘反演法来确定古热流,这种方法对于不同类型的去噪测井数据能得到满意的结果。
他们得出:
仅仅依靠地质时期的最高温度不容易得到古热流,即热历史的结构。
由于在很多情况下,地质历史的最高温度是现在,这就意味着不能很好的建立起古地温的结构。
然而在这种情况下,非均一性是不能被定量描述的。
Nielsen(1996)应用最小二乘反演和随机模拟相结合的过渡模型来解释井眼温度、镜质体反射率、流体包裹体温度。
依据GallagherandSambridge(1992)的研究,Neilsen发现有机质成熟度指示剂中的热信息很有,因此只有当盆地不断降温,而不是随着埋深而升温时,应用有机质成熟度指示剂才会得到很好的
结果。
当最大沉积温度是现今时,成熟度指示剂就不那么灵敏了,必须通过增加温度,重新构建热结构(Whenthemaximumsedimenttemperatureisatpresent,maturityindicatorswhicharelesssensitivetoresettingbyincreasingtemperaturesmustbeapplied)。
在现今的技术条件下,磷灰石裂变径迹分布不是解决热历史构建的最终办法。
Corrigan(1991)的研究表明,即使对于最好的裂变径迹模型,古地温对径迹分布是最敏感的,得到的热历史的误差也要大于10
,而且得到的热历史的都不利于油气生成(andthatresolutionovermostofthethermalhistorygenerallyismuchpoorer)。
流体包裹体均一温度(HorsfieldandMcLimans,1984)很可能就是流体流入时的古地温。
然而,Hazeldine和Oshoe(1993)在研究石英包裹体时提出了一个严肃的问题,那就是不同时期的包裹体,在地质历史时期由于埋深和加热是否会改变。
由Barker提供的数据表明,用流体包裹体确定的埋藏温度会有20
左右的不确定性(uncerttainty)。
通常情况下,对于热演化史的构建,井眼温度、镜质体反射率是唯一有用的数据。
这就也是北海井的情况。
因此在接下来的部分,我们研究了一个基于这类数据建立的热演化史的例子,这是一个来自丹麦中心槽的应用实例。
井眼温度和镜质体反射率包含多少有关热历史的进化信息,这个问题通过Neilsen(1996)的程序在丹麦中心槽中某一井的应用得到了回答。
这个程序对于一维热模型中的热流史,采用最小二乘反演与随机模型相结合的方法(蒙特卡罗模拟)。
用最小二乘反演法(Tarantola和Valettle,1892)估计热历史,就是用最小二乘的思想对井眼数据进行评价。
热流史被参数化后,以10Ma为间隔进行线性插值。
因此对于200Ma的地质历史,需要21个可变的(variable)热流值,即在0、10、20…190和200个Ma时的热流值。
这种方法利用了演绎的热流信息(Jackson,1979;
Jacobsen,1982,1993),因此在测井数据不能控制结果的时间段,就采用了演绎的热流估计。
因此反演结果是不唯一的。
首先,测井数据存在统计误差。
因此重复测量会产生许多相似但没有特性的数据组。
反演这些具有相同有效性的数据组,必然会产生不同的热历史;
其次,对演绎的热历史的选择也会影响结果。
乍一看,这种影响对于反演法是致命的,因为,为什么不用这些数(井眼数据、镜质体反射率等)据确定全部的热历史哪?
答案是这些数据中包含的信息不足以确定全部的热历史。
例如,有机质成熟度指示剂往往只记录它所经历的最高温度。
而且,现今的温度仅仅显示现今的热历史。
因此,在某些时候,必须增加信息,以避免在某地质时间段内反演出不现实的结果(即,快速而且大的振幅振荡)。
(topreventtheinversesolutionbecomingunrealisticingeologicaltimeintervalswhichhaveonlylittleinfluenceontheboreholedata.)这段时间(对测井数据的影响很小。
事实上,任何用反演井眼数据估计热历史的方法都在某些方面增加了信息,只不过对使用者都或多或少的隐瞒了这些增加的信息,对演绎的估计热流的(Thecallforanaprioriheatflowestimatemakesthisfactcomfortablyvisible)使用,使得这些信息在现今的反演法中是可见的。
在上述方法得到的反演结果中,用后面提到的参数协方差矩阵(TarantolaandVelette,1982)来描述在线性反演中提到的非均一性。
现今的反演可能是非线性的,这就是我们为什么要求助于蒙特卡罗模拟的原因。
这个程序的关键就是对有细微差别的有效数据组同演绎热流的不同组合进行多次反演。
结果的分布显示非均一性的程度。
每组井眼数据的细微差别是由实际的测井数据中掺入随机噪声引起的。
随机噪声的标准偏差等同于每组数据的标准偏差,即温度为5
,镜质体反射率为0.05%(whichfortemperaturesistaken5
andforvitrinitereflection0.05%)。
可以演绎一个热流历史,使它能够反应当时的地质情况。
例如,在岩石圈扩张时期,演绎的热流可以设计成上升的过程。
在接下来的岩石圈时期,大约在60Ma,古热流可以设计成随指数衰减的形式。
如果在指定的时间内对古热流知之甚少,就把它设计成平滑的变化形式。
现今大多数对演绎热流的模拟都是这样的。
图1显示了井E-1在丹麦中心槽的位置;
图2给出了沉降曲线。
有关岩层的资料来源于Nielsen和日本(1991);
有关压实和热方面的参数来自丹麦中心槽地区的测井解释。
图3显示了10个演绎的模型;
图4显示了10个反演结果。
浅处的热流(图3(A)和图4(A))是以计算井的最深沉积处热流的方法(atthebaseofthedeepestsedimentarylevelofthewell)计算的。
因此,没有考虑放射性生热的影响。
莫霍面热流(图3(B)和4(B))是反演变量。
井的最深沉积层位的温度史显示在图3(C)和4(C)。
预测的镜质体反射率被显示在图3(D)和(E),这些预测的温度和镜质体反射率与莫霍面的热历史有关。
很明显,这些数据很分散。
反演后,提高了这些数据的一致性(theagreementwithdataisconsiderablyimproved)。
(图4(D)和(E))。
在反演的过程中,只要能提高预测值与实测值的一致性,就可以对一定时期的古热流进行修改。
如果在某一时期没有实际的测井数据,那么反演结果就由演绎的热流、热流历史的相关结构和岩石圈热传导的过程来控制。
通过图3和图4的比较,大约在100Ma之后,由于有了测井数据,减小了结果的分散性。
在此之前,古地温结构受演绎热流的控制,而与测井数据无关。
这就导致了预测结果具有很大的分散性。
在图4(B)中热流历史有很低的热流密度,这可能是不现实的。
之所以把它们也列在这儿,是为了突出镜质体反射率和井眼温度对古地温结构的控制作用。
很明显,从140Ma到现在——这期间最深的沉积样品埋藏到一定深度——最大可能热流值处在一个很窄的范围内。
热流值的上限由最深的镜质体反射率样品来决定。
这个最深的镜质体反射率样品阻止了温度无论在任何时候都不能超过一定值。
因此就像Nielsen(1995a)所讨论的那样,对于给了镜质体样品和热阻率的上覆地层埋藏使,依据可能的热流值上限确定了一个时间(theburialhistoryofagivenvitrinitesampletogetherwiththethermalresistivityoftheoverburdendefinesatimedependentupperlimitforthepossibleheatflow)。
另一方面,对于较低的热流值,可能使埋藏使延长,直到有更高的热流值对此进行了补偿。
这就确保了现今的温度与镜质体反射率的一致。
所需时间取决于岩石圈的热时间常数和热流历史浮动的相关数值范围(thethermaltimeconstantofthelithosphereandthecorrelationscaleoffluctuationsintheheatflowhistory)。
象北海中部大多数井一样,井E-1的最大沉积温度是在现今。
此外,井E-1已钻到典型深度,大约4km,并获得了典型的热和成熟度数据:
温度和镜质体反射率。
因此,图4是与热结构相对应结果,是北海中部典型的例子。
尽管如此,系统的热记忆(thethermalmemoryofthesystem)、最高温度控制着镜质体反射率。
而且,与图3完全忽略测井数据相比,井眼数据对古地温结构具有很强的限制作用。
从图4可以明显地看出,随着地质年代的增加,热结构的分辨力开始恶化。
当这种情况在北海中部是普遍时,它往往是不真实的。
例如,当一个热沉积盆地逐渐冷却而不是随着埋深升温时,且在井眼温度和较低的镜质体反射率值控制着最近热结构的情况下,在以后重建的热结构中,深部的反射率值可能会丢失Whenthegeneralcoolingofahotsedimentarybasinmorethanoutpacestheheatingduetoburial,deepvitrinitereflectancedatamayescapelaterthermalstructurewhileboreholetemperaturestogetherwithmoreshallowvitrinitereflectancevaluescontrolthemorerecentthermalstructure)。
在抬升和剥蚀的情况下,重建的热结构提供了另一种保存镜质体反射率的方式。
在这种情况下,最大埋深时的最高温度可能被估计出来,由于增加了最大埋深和剥蚀沉积层热导率的不确定性,估计的相关古热流可能会更不准确(JensenandNielsen,1995)。
盆地模拟在油田勘探中有着重要的应用。
例如,在沉积盆地中,应用定量模型对烃类的生成、运移、聚集进行预测(Welte和Yukler,1981;
Tissot和Espitalie,1975;
Tissot等人,1987)。
传统的模拟程序是选择合理的参数值,这些值与可利用的数据相一致或是受限于以前的知识,然后运行一个正演模型。
通过对不同参数组合的反复测试,一个与现有数据一致,符合地质、地化、地球物理原理的模型就产生了。
为了减小预测结果在勘探应用中的风险,需要对定量的预测结果进行定性的分析。
例如,对于输入的参数值,预测结果可能会在怎样的范围哪?
原则上,利用不同的参数组合和变量的适当变化,对正演盆地模型进行反复计算,然后通过观察结果的分散性,就可以得到这个问题的答案。
这也是Hermarud等人(1990)和Irwin等人(1993)所用的方法。
这个方法的一个缺点就是就是所耗时间太长,特别是对多维模型。
在油灶地区预测源岩转化的程度是盆地模拟在油气勘探中的重要应用。
这个程序通常被用来从转化率图上估计热成熟度模式。
进一步的应用就是估计二次运移的可得油气量,即应用在油气前景的分类上。
因此,在很多的情况下,盆地模拟的一些基本因素在很大程度上决定着巨大的、潜在的经济利益。
很明显,对于从盆地模拟中得到的结果,对其可信度进行评价是很必要的。
对转化率的预测,需要源岩热历史和干酪根降解的动力学模型。
这两个因素都具有统计不确定性。
这就导致了预测的转化率的不确定性。
这种不确定性可以通过Nilsen的随机方法进行估计(1995b),它需要在某一时间点上计算源岩转化率的累积分布函数。
这个累积分布函数得出结果表明,预测的转化率值小于给定值的概率。
而且,在给定源岩温度和动力学参数不确定性的情况下,可以得到分布函数的一些特征值(Thisdistributionfunction,bydefinitionyieldstheprobabilitythatthetransformationratiovalueissmallerthanagivenvalueandcontainstheessenceofwhatcanbeinferredaboutthetransformationratioforthegivenuncertainsinsourcerocktemperaturehistoryandkineticparameters)。
例如,中值、平均值、众值和转化率的标准偏差都可以从累积分布函数中计算出来。
而且,转化率的蒙特卡罗模拟还考虑到减少绘制从累积分布函数得到的数据的时间。
这个过程要比变化参数值重新计算模型要快得多。
结合平均动力学参数的(Normaldistributionoftheaveragekineticparameters)正态分布可以模拟出动力学参数的不确定性。
这需要三个分布参数(threedistributionparameters):
,干酪根降解的平均活化能的标准偏差(Thestandarddeviationoftheaverageactivityenergyofkerogendegradation);
,阿雷尼乌斯因子的平均对数标准偏差;
,相关系数(通常接近于1,某些时候被认为是“补偿系数”)。
依据Nielsen(1995b)的方法,对井下温度的标准偏差
进行参数化处理。
(1)
是地表温度的不确定性;
分别为热流、一定深度以上的平均热阻率结构(averagethermalresistivitystructure)、埋深的不确定性;
<
T>
,源岩的期望温度史(expectsourcerocktemperaturehistory);
>
期望的地表温度史。
因此,(<
-<
)是由埋深引起的期望温度组分(theexpecttemperaturecomponent)。
在不同范围内误差的暂时浮动可以通过具有特定的相关函数和相关刻度的正态随机过程模拟出来(见Neilsen,1993)。
对古地表温度了解的不够深入,导致了地表温度的不确定性;
缺乏对成岩压实过程中岩性、孔隙度的详细了解和对热导率演化的不准确描述,引导了致热阻率的不确定性。
Brigaud等人(1990)推导出由基质热导率或是基质热阻率所确定的结果的精度,通常要比从井眼数据中得到的高出20%。
在平均热阻率结构取决于沉积柱体的岩性和孔隙度的深度处,这些基本的不确定性是怎样影响相对不确定性
的哪?
埋深的不确定性是由压实模型不确定性和由地震测线确定现今的深度结构(presentdaydepthstructure)的不确定性引起的。
显然,这种不确定性取决于对地表波速的了解程度。
因为从井眼数据中不可能得到准确的热流历史,所以产生了热流的不确定性。
就像前面所讨论的那样。
从方程
(1)中可以明显的看出,热流、热阻率结构和埋深的不确定性对
的影响程度是一样的,即,任何一个因素5%的不确定性都会对
产生同样的影响。
从随机函数中得到的主要结果就是某一地质时期源岩转化率的累积分布函数。
这个函数反映了在考虑时间的情况下,输入参数的统计不确定性是如何传递给转化率的统计不确定性的(thisfunctionreflectshowstatisticaluncertaintiesintheinputparameterspropagateintostatisticaluncertaintyinthetransformationratioatthetimeconsidered)。
图5(A)显示了当源岩期望温度为140
、热耗率为常数1
/Ma时计算的累积分布函数。
表面温度的不确定性为3
,温度埋藏组分(burialcomponentoftemperature)的不确定性为5%。
因此,在考虑时间的情况下,温度的标准偏差累计可达7.6
。
干酪根降解的平均活化能的不确定性为0.75kcal/mole。
转化率中值是一个与0.5这个概率有关的值。
因此对应于图5(A),中值为0.78(FromFigure5(A)ithencefollowsthatthemedianis0.78)。
更进一步可以看出,对应0.4的概率,转化率在0.64和0.88之间。
转化率低于0.64的概率为0.3。
转化率低于0.88的概率为0.7。
图5(B)表明,概率密度函数与图5(A)的累积分布函数有关。
很明显,当转化率的值在0.93左右时,概率密度取最大值。
然而,图5(A)表明,转化率值大于0.88的概率仅为0.3。
图6源岩演化的概率估计是依据在靠近源岩演化的时间间隔(即,每5Ma)点上对源岩转化率累积分布函数的估计(Evaluationoftheprobabilisticsourcerockevolutionsoffigure6isbasedonevaluationofthecumulativedistributionfunctionoftheratioatcloselyspacedtimes(e.g.every5Ma)duringsourcerockevolution)。
热耗率为1
/Ma,现今的期望温度为160
在60Ma的期望温度为100
通过转化率中值的演化和转化率间隔,演化概率被具体化了,这些具体化的概率为20、46、60或80%,在给定的时间点,它们包含了转化率的真实值(Theprobabilisticevolutionisvisualizedbytheevolutionofthemedianvalueofthetransformationratioandtransformationratiointervals,whichwithprobability20,40,60,or80%containthetruevalueofthetransformationratioatagiventime)。
因此,区间的宽度代表了转化率的不确定性。
参数的不确定性分别为:
=3
(A的情况);
/<
Q>
=0.05(情况B);
=0.75kcal/mole,同时,
(C的情况)。
图6(D)表明不确定性的交叉(thejointeffectoftheuncertainties)影响。
地表温度的暂时相关数值范围的误差(correlationscale)为5个Ma(浮动相对较快)。
此时,热流相关数值范围的误差为60Ma(浮动慢)。
演化概率的一般特性是在转化率值高或低时转化率的不确定性相对较小。
对于在0.15和0.85之间的转化率,它的不确定性很大。
这反映出在有生油倾向的源岩中的干酪根降解发生在一个相对较窄的温度范围内,由于动力学机制的不确定性,这个温度范围还不能被精确的预测。
由于源岩温度的不确定性,石油的生成还不能被精确的预测。
只有当温度远高于或低于生油窗时,才能对完全或不完全转化做出准确的预测。
图7显示不同的温度史特性所对应的转化率进化概率。
参数的不确定性与图5(D)是一样的。
热演化中包含一个速率为2
/Ma的增温过程,直到温度达到120
,这个温度刚好在石油窗内。
在这之后的温度增到150
(A);
(B):
常温120
;
(C):
温度降到90
这个降温过程有效的阻止了所有的动力学反应,并使在接下来的演化过程中,源岩转化率的概率分布保持在降温前的状态。
在常温情况下,由于石油中潜在的单个动力学反应在常温下呈指数衰减,所以在常温下一直有些转化率的演化。
升温的过程导致源岩很快通过生油窗,致使源岩很快地失去了生油潜力。
这个例子证实了以前的认识,即,无论源岩何时处于最初的石油生成的温