2. 赛吉纪技术服务(北京)有限公司, 北京 100016;
3. 中国石油大学(北京)地球物理学院, 北京 102249
2. CGG Technology Services(Beijing)Co., Ltd, Beijing 100016, China;
3. College of Geophysics, China University of Petroleum, Beijing 102249, China
北美页岩油气的成功勘探与开发, 引领了一场非常规页岩油气革命。但国内陆相页岩油储层的特点决定了其勘探不能照搬国外的页岩油气勘探思路。国内对页岩油气的研究起步较晚, 其勘探与开发相关的理论基础研究基本处于探索阶段。页岩油气地震岩石物理模型研究是页岩油气地球物理研究的重要组成部分, 为岩石的地震弹性参数与储层参数搭建了桥梁, 对储层“甜点”预测具有指导意义。目前关于页岩油气岩石物理模型的研究取得了一定的进展和成果:董宁等[1]在自洽(self consistent, SC)模型和微分等效介质(differential effective medium, DEM)模型的基础上, 引入Berryman三维孔隙形态及Brown-Korringa固体替代方法, 建立了适用于富含有机质泥页岩的岩石物理模型; 邓继新等[2]基于对龙马溪组页岩样本微观结构特征的观察、岩石物理实验分析的结果和粘土含量定义岩石的骨架类型, 结合微分等效介质理论和Backus平均及自相容近似理论, 构建了龙马溪页岩的地震岩石物理模型; 郭智奇等[3]考虑了粘土定向排列引起的各向异性以及裂缝引起的各向异性, 将粘土矿物压实指数引入Backus平均理论, 对沾化凹陷罗家地区泥页岩进行岩石物理建模; 杨志强等[4]对四川盆地筇竹寺组和五峰-龙马溪组页岩样品物性特征、有机质的分布形态等进行了分析, 确定了粘土、石英、长石和碳酸盐岩共同构成页岩岩石基质, 并与孔隙共同构成页岩岩石骨架, 因干酪根和黄铁矿主要赋存于孔隙, 故可将自相容近似理论、微分等效介质模型和Gassmann方程结合起来构建研究区页岩的地震岩石物理等效模型; 逄硕等[5]在自洽近似模型的基础上, 提出了预测页岩孔隙纵、横比的方法, 明确了岩石的纵、横波速度与孔隙纵横比、孔隙度和矿物组分等参数之间的定量表征关系; 张天炬等[6]从岩石物理模型的基本理论出发, 针对Bakken页岩进行各向异性微分等效介质岩石物理建模, 该模型预测效果良好, 研究发现将干酪根作为基质可以优化该岩石物理模型; WU[7]对存在垂直裂缝且具有正交各向异性特征的页岩, 建立了正交各向异性岩石物理模型, 并使该模型更加接近真实页岩。
潜江凹陷位于江汉盆地中部, 是发育于中、古生界基底上的新生代内陆断陷湖盆。潜江组地层沉积时期江汉盆地处于封闭性、强蒸发、高盐度环境, 在潮湿与干旱的气候环境相互交替作用下, 最终沉积了巨厚的潜江组盐系地层, 形成了独具特色沉积充填特征的陆相盐湖盆地[8-9]。研究区的潜江组沉积地层由盐间页岩层与盐岩层交互组成, 盐岩层厚度为10~25 m, 盐间页岩层厚度为5~12 m, 厚度较围岩(盐岩)薄。盐间页岩层矿物成分复杂, 主要由碎屑类、碳酸盐岩类和盐类3大类矿物组成[10]。盐间页岩油储层是一个崭新的研究对象, 关于盐间页岩油储层的测井评价模型和岩石物理模型研究的文献资料很少, 页岩油储层自身的特点决定了测井评价和岩石物理模型研究的特殊性。
本文在测井曲线丰度有限的情况下, 首先尽量准确求取盐间页岩层主要发育矿物的组分含量及物性等; 然后结合实验室岩样的各向异性分析及速度频散分析结果, 确定研究区适用的岩石物理模型与流程; 最终建立与之相适应的地震岩石物理模型, 为储层“甜点”地震预测奠定基础。
1 潜江组地层岩性、矿物及物性特征 1.1 潜江组地层岩性特征潜江组地层在纵向上表现为陆源碎屑机械沉积与盐岩地层的化学沉积交替出现的特征。经X衍射、岩石薄片和扫描电镜-能谱分析可知, 盐间页岩层的细粒沉积物为碳酸盐岩-泥质岩的混积岩类, 局部裂缝次生充填钙芒硝矿物。主要的岩石类型包括泥质岩类、白云岩类、灰岩类和钙芒硝岩类[11]。盐岩层主要岩性为岩盐, 普遍发育钙芒硝。
1.2 潜江组地层矿物特征潜江组盐岩段矿物以石盐为主, 伴随无水芒硝和钙芒硝共存, 其中石盐含量接近90%, 粘土含量很少。盐间页岩层以粘土矿物为主, 夹杂白云石、方解石等碳酸盐岩和长石、石英, 燧石等碎屑矿物, 此外还分布着石膏、硬石膏类硫酸盐矿物以及少量黄铁矿和菱铁矿等, 以W99井潜34段10韵律层为例(图 1), 其盐间页岩层主要矿物类型为粘土、白云石、方解石和石英矿物, 组分含量基本相当, 粘土矿物含量一般约为25%, 白云石矿物约为20%, 石英和方解石含量为10%~15%, 多种矿物类型混积构成了盐间页岩层的岩石骨架。
综合利用岩心、薄片、扫描电镜和能谱分析资料发现:潜江组盐间页岩层孔隙发育, 孔隙类型主要为碳酸盐岩矿物被选择性溶蚀后形成的晶间孔和溶孔; 潜34段10韵律层多呈纹层状, 普遍发育层理缝, 孔隙与层理缝之间具有良好的连通性。钙芒硝和石盐等次生矿物充填在盐间页岩层下部, 堵塞原有孔隙, 产生了破坏作用。有效储集空间以孔隙为主, 可动油主要赋存于溶孔和晶间孔。以W99井潜34段10韵律层为例, 其优质储层岩性为富碳纹层状泥质白云岩和富碳纹层状云质泥岩, 孔隙度为19.3%~26.3%, 渗透率为0.79~0.95 mD[12](1 mD≈0.987×10-3 μm2)。
2 有监督机器学习测井解释模型 2.1 地层模型及学习方法用于页岩油测井评价的盐间页岩层模型包括骨架(无机的矿物岩石骨架、有机质骨架)和总孔隙(孔隙及其流体)。无机的矿物岩石骨架主要由粘土矿物、碳酸盐岩类、石英类、钙芒硝类及铁氧化物类矿物构成; 有机质骨架为干酪根; 总孔隙由有效孔隙和束缚孔隙两部分构成, 其中有效孔隙包括可动油、可动水, 束缚孔隙包括残余油、束缚水(图 2)。由于盐间页岩层矿物类型多样, 因而常规测井解释方法无法分别准确求取各主要组成矿物的含量。受测井资料丰度和矿物类型过多的限制, 本文将矿物类型粗化为5类主要矿物, 即粘土、白云石、石英、方解石和石膏。
采用有监督的机器学习方法, 首先将地层岩性信息作为样本数据进行学习训练, 得到各种矿物的多个预测模型; 然后从中优选适合研究区的机器学习算法; 最后对研究区其它无岩性扫描数据的井进行矿物含量的准确预测。
2.2 学习训练与预测由于岩心数据受实验室测量条件的影响, 数据有限且分散, 不适合作为样本数据进行训练和学习, 因此在现有资料基础上, 选择由离散岩心数据标定过的岩性扫描成果作为机器学习的样本数据。而后将潜江凹陷WC和GH两个研究区有岩性扫描数据的井作为机器学习的训练井组, 以岩性扫描粗化成果数据中每一种矿物含量作为样本数据, 学习并建立其与常规测井曲线的模型关系。本文选择4种机器学习算法(分类回归、多元线性回归、梯度提升回归及随机森林算法)进行训练, 对不同的机器学习算法不断地优化调节其内部结构参数, 使得预测结果尽可能与样本数据接近, 最终得到各种机器学习算法的最优解, 并将其作为每种算法的最终训练模型。
WC研究区W99井(训练井)和GH研究区BYY2井(训练井)机器学习的预测结果和岩性扫描结果分别如图 3和图 4所示, 可以看出分类回归和多元线性回归训练模型机器学习的预测结果(AB50和MLR列的曲线)过于平直, 与岩性扫描结果差异较大; 而梯度提升回归和随机森林回归训练模型机器学习的预测结果(GB50和RF列的曲线)基本与岩性扫描结果一致, 学习结果准确且稳定。值得注意的是, 由钙芒硝的含量可知其为局部发育, 与钙芒硝为沉积后的局部充填这一地质认识基本吻合。
在机器学习中, 随机森林算法是一种利用多棵决策树对样本数据进行训练并预测的分类器, 其算法训练模型示意如图 5所示。首先从原始训练集中使用自助抽样法随机取出m个样本, 进行n次采样, 生成n个训练集; 对n个训练集, 分别训练n个决策树模型; 对于单个决策树模型, 假设训练样本特征数为x, 那么每次分裂时根据信息增益、信息增益比或基尼指数选择最好的特征进行分裂; 如果每棵树都一直这样分裂下去, 那么在决策树的分裂过程中不需要剪枝, 即可将生成的多棵决策树组成随机森林, 由多棵树预测值的均值决定最终的预测结果。
随机森林算法学习所得的预测模型, 可应用于研究区其它未进行岩性扫描的井, 进而进行多种矿物含量的预测(图 6、图 7)。研究区内W99井与WY11井相隔很近, 地层基本稳定, 测井响应也基本一致。对比两口井随机森林算法预测成果发现, 石英、方解石和白云石含量基本一致, 进一步验证了随机森林算法预测模型的可靠性。
随机森林算法具有以下优点:①由于采用了集成算法, 故精度优于大多数单个算法, 应用于测试集时表现良好; ②由于决策树的组合属于非线性拟合模型, 故随机森林算法可以处理非线性数据; ③随机森林算法可处理高维度的数据, 无需进行特征选择, 其对数据集的适应能力强, 既能处理离散型数据, 也能处理连续型数据, 因此数据集无需进行规范化处理; ④随机森林算法的训练速度快, 可以运用在大规模数据集上, 可处理缺省值, 无需额外处理。
虽然利用机器学习预测矿物含量非常方便快捷, 但是机器学习也有其自身的局限性:需要大量准确的样本数据训练方可得到矿物含量的预测模型。所以如果区域样本数据有限且不具有广泛代表性, 那么训练得到的模型精度将会有所降低。
2.3 最优化测井解释最优化测井解释方法的基本思路为:以完整的体积模型元素为目标, 将对各个成分敏感的测井作为输入数据, 进行最优化求解, 以得到完整的岩石体积模型。一方面, 最优化解释通过建立和求解物理意义明确的物理方程组, 输入任意反映“四性”特征的测井数据得到地层矿物组分、孔隙度等岩性和物性信息, 充分利用了所有测井数据相关信息; 另一方面, 利用各个体积成分同时求解, 可有效降低单一数据多解性及噪声的影响, 获得最佳的体积模型。通过求解方程:T=RV, 得到最优化解释的数学形式, 其中, T为实际测量数据, R为各矿物骨架点的响应参数, V为各矿物和孔隙的体积含量(图 8)。
采用随机森林预测模型预测的4种主要矿物含量(石英矿物含量、白云石含量、石膏含量、方解石含量)分别如图 9中红色下划线数据从上到下依次所示, 将其与粘土含量(VCLGR)曲线, 曲线一致性处理后密度孔隙度(DEN)曲线、补偿中子(CNLNRM)曲线和声波(DTCDSNRM)曲线, 铀含量(U)曲线、有机碳含量(TOC)及体积光电吸收截面指数(UMANRM)曲线结合作为最优化解释模型的输入量, 建立超定的测井解释线性方程组, 从而弥补了测井资料丰度低导致的多解性和不确定性, 输入的测井数据和对应骨架参数如图 9所示。利用该线性方程组对矿物组分含量、孔隙度和有机碳含量等进一步优化评价, 可以准确求取盐间地层的地层参数, 为地震岩石物理模型提供可靠的输入参数。
对比图 10、图 11两个研究区中两口井机器学习约束的最优化测井解释成果(不同颜色的曲线)和实验室X射线衍射成果数据(黑色散点)发现:两者趋势基本一致, 尤其是白云石含量和石英含量, 硬石膏含量局部略有差异, 但整体而言, 测井解释模型基本合理。
如果后续研究区有新钻井的岩性资料, 如岩心X射线衍射数据、岩性扫描数据等都可以作为样本数据进行训练, 以进一步增强机器学习约束的最优化测井解释成果的精度, 但训练结果的准确度依赖于样本数据的准确性、代表性及丰度。
3 岩石物理建模分析 3.1 岩石特征及模型选择由于盐间页岩层岩性和孔隙结构均比较复杂, 故对潜江组盐间页岩岩样的纵、横波速度进行各向异性分析。不同压力条件下, 通过实验室测定BYY2井潜34段10韵律层云质泥岩(充填钙芒硝)岩样, 可发现纵波和横波各向异性弱(图 12)。局部出现的各向异性可能因钙芒硝的局部充填、微裂隙发育和矿物的定向排列等所致。
由于盐间页岩层储集空间主要以碳酸盐岩矿物溶蚀后形成的微吼道孔隙为主, 连通性差, 结构复杂, 且构造裂缝多被碳酸盐岩矿物充填, 故岩心分析时, 干燥条件下盐间泥质白云岩的速度无明显频散现象; 而饱油条件下, 该韵律层盐间泥质白云岩速度出现明显的频散现象(图 13), 且速度随着频率的变大而变快, 速度的频散现象主要受流体的粘滞性影响。
潜江组盐间页岩油的储层类型与国内其它页岩气的储层类型存在很大差别。国内其它页岩气储层以页岩为主, 粘土含量较高, 且为明显的VTI介质。本文研究的盐间页岩油储层泥质含量仅为20%, 各种矿物混杂, 混积特征明显, 各向异性较弱。
由实验室岩石物理分析和岩石物理理论模型研究可知, 对于盐岩层来说, 盐岩为主相矿物(含量接近90%), 其作为岩石基质保持连续, 而其它矿物则夹杂于其中, 故使用微分有效介质(differential effective medium, DEM)[13]模型计算干岩体弹性属性较为合适。实验室岩石物理分析表明, 饱水条件下盐岩地层无明显的速度频散现象, 这种情况下选择甚低频的Gassmann流体置换方程即可求得盐岩地层的弹性参数值; 而盐间页岩层矿物类型众多, 混积特征明显, 各矿物组分含量相当, 且无明显主相矿物, 故自洽模型更适合这种矿物混积共同作为岩石骨架的情况[14]。实验室岩石物理分析表明饱油条件下盐间页岩层有明显的速度频散现象, 因此选择全频段Boris流体置换模型计算饱含流体条件下岩石的弹性参数值。潜江组盐间页岩层的岩石物理建模示意图如图 14所示。
对于盐间页岩层而言, 石英、方解石、白云石和硬石膏是其岩石的支撑矿物, 因此将石英、方解石、白云石和石膏互相混合后的矿物作为盐间矿物基质。前人研究发现本区富含有机质的岩石受压实程度较强, 扫描电镜结果显示研究区粘土矿物受压实作用影响多呈现定向排列, 反映了较强的压实作用[4], 因此将有机碳作为岩石物理模型中岩石的骨架。将粘土矿物骨架与有机碳骨架、盐间矿物基质充分混合得到最终盐间页岩层基质矿物骨架。盐间页岩层储集空间的主要孔隙类型为纵横比相对较大的高宽长比溶蚀孔, 利用SC模型将随机分布的单一高纵横比的孔隙加入其中, 可得到干燥的盐间页岩层骨架的等效模量。
实验室岩石物理分析结果表明, 在饱油的条件下, 弹性波在盐间页岩层中传播时会诱发孔隙压力梯度, 造成纵、横波速度出现明显的频散现象。根据Boris模型理论, 在高频条件下, 压力梯度是非弛豫的, 孔隙中的流体来不及发生流动以平衡孔隙压力梯度, 此时的骨架比低频条件下的骨架刚硬, 声波传播速度更快。由于地震信号是低频下的弹性信息, 故用零频的Gassmann流体置换方程计算得到的速度较利用测井频率得到的速度更低, 难以满足实际需求。在高频情况下, 假设骨架中软孔隙充满流体而硬孔隙干燥, 那么根据柔度叠加的物理意义, 将骨架模量看作硬孔隙响应和软孔隙响应的叠加[15], 可得:
$ \frac{1}{{{K_{{\rm{mf}}}}(w)}} = \frac{1}{{{K_{\rm{h}}}}} + \frac{1}{{\frac{1}{{\left( {\frac{1}{{{K_{{\rm{dry}}}}}} + \frac{1}{{{K_{\rm{h}}}}}} \right){\varphi _{\rm{c}}}}} + \frac{1}{{\frac{{3{\rm{i}}\omega \eta }}{{8{\varphi _{\rm{c}}}(p)a_{\rm{c}}^2}}{\varphi _{\rm{c}}}}}}} $ | (1) |
$ \frac{1}{{{\mu _{{\rm{mf}}}}(w)}} = \frac{1}{{{\mu _{{\rm{dry}}}}}} - \frac{4}{{15}}\left[ {\frac{1}{{{K_{{\rm{dry}}}}}} - \frac{1}{{{K_{{\rm{m}}f}}(w)}}} \right] $ | (2) |
式中:Kmf和μmf分别为岩石骨架的体积模量和剪切模量; Kdry和μdry分别为岩石干骨架的体积模量与剪切模量; ρ和ω分别为压力和频率; η为流体的黏度; Kh为高压下软孔隙闭合时, 只存在硬孔隙时的体积模量; φc为软孔隙度; αc为软孔隙的孔隙纵横比。
对盐岩层而言, 盐岩是岩石的主要支撑矿物, 将盐岩作为基质, 利用微分有效介质模型将随机分布的单一低纵横比的孔隙加入盐岩基质中, 可得到干燥条件下盐岩骨架的等效模量。饱含流体的盐岩体积模量由于无明显频散现象, 故仍可使用Gassmann流体置换方程将盐岩的晶间卤水置换进孔隙空间, 而后进行饱和流体岩石属性的预测即可得到盐岩地层的弹性参数值。
3.3 模型应用及误差分析将WY11井和BYY2井机器学习约束的测井解释结果输入岩石物理模型中展开正演模拟, 结果如图 15和图 16所示, 第7~11道分别为密度、纵波速度、横波速度、纵波阻抗和纵横波速度比的预测曲线(红色曲线)与实测曲线(黑色曲线), 二者的变化趋势基本一致, 证明了模型的合理性和稳定性, 该岩石物理模型可为后续的盐间页岩“甜点”预测提供准确的弹性参数信息。
对比WC和GH两个研究区实测纵波阻抗和正演纵波阻抗(图 17a、图 18a)发现, 二者数值非常相近, 基本在斜率为1的虚线附近, 这也与理论上正演纵波阻抗曲线相对稳定的结论相符; 同样地, 对比WC和GH两个研究区的实测横波阻抗与正演横波阻抗(图 17b、图 18b)发现, 两者也在斜率为1的虚线附近, 但范围较纵波阻抗大, 原因是实测横波阻抗曲线存在局部不合理。上述正演结果验证了该岩石物理模型在研究区的适用性和可靠性。
本文采用了多种有监督机器学习方法, 将WC和GH两个研究区中有LithoScanner岩性扫描成果数据的井作为训练井, 将实验室岩心标定过的岩性扫描成果数据作为样本数据进行训练, 得到多个预测模型。将根据上述模型得到的预测结果与岩性扫描成果对比分析可知:采用随机森林预测模型得到的预测结果与岩性数据匹配效果最佳, 其矿物预测结果可以直接约束测井解释模型进而优化求解地层其它参数, 最终正演模拟结果与岩心分析数据基本一致, 验证了该模型的适用性和可靠性。但对于随机森林预测模型来说, 如果训练数据中存在噪声即异常值过多, 那么随机森林预测模型中的数据集会出现过拟合的现象, 所以要尽量保证训练数据的准确性和合理性。
基于实验室岩石物理分析的结果, 潜江组盐间页岩层将自洽模型作为矿物混合和干岩体计算的模型, 将全频段Boris流体置换模型作为盐间页岩层的置换模型, 最终建立了潜江组页岩层的岩石物理建模流程。在WC和GH两个研究区预测得到的密度、纵横波速度及纵横波速度比等弹性参数曲线均与实测数据曲线基本一致, 岩石物理规律基本相似, 均证明了岩石物理模型的合理性和稳定性。
[1] |
董宁, 霍志周, 孙赞东, 等. 泥页岩岩石物理建模研究[J]. 地球物理学报, 2014, 57(6): 1990-1998. DONG N, HUO Z Z, SUN Z D, et al. An investigation of a new rock physics model for shale[J]. Chinese Journal of Geophysics, 2014, 57(6): 1990-1998. |
[2] |
邓继新, 王欢, 周浩, 等. 龙马溪页岩微观结构、地震岩石物理特征与建模[J]. 地球物理学报, 2015, 58(6): 2123-2136. DENG J X, WANG H, ZHOU H, et al. Microtexture, seismic rock physical properties and modeling of Longmaxi formation shale[J]. Chinese Journal of Geophysics, 2015, 58(6): 2123-2136. |
[3] |
郭智奇, 刘财, 刘喜武. 基于岩石物理模型的页岩油储层各向异性研究[J]. 应用地球物理, 2016, 13(2): 382-394. GUO Z Q, LIU C, LIU X W, et al. Research on anisotropy of shale oil reservior based on rock physics model[J]. Applied Geophysics, 2016, 13(2): 382-394. |
[4] |
杨志强, 何涛, 邹长春. 筇竹寺和五峰—龙马溪组页岩地震岩石物理等效模型及等效孔隙纵横比的分析[J]. 应用地球物理, 2017, 14(3): 325-336. YANG Z Q, HE T, ZHOU C C. Shales in the Qiongzhusi and Wufeng-Longmaxi formations:a rock-physics model and analysis of the effective pore aspect ratio[J]. Applied Geophysics, 2017, 14(3): 325-336. |
[5] |
逄硕, 刘财, 郭智奇, 等. 基于岩石物理模型的页岩孔隙结构反演及横波速度预测[J]. 吉林大学学报(地球科学版), 2017, 47(2): 606-615. PENG S, LIU C, GUO Z Q, et al. Estimation of pore-shape and shear wave velocity based on rock-physics modelling in shale[J]. Journal of Jilin University(Earth Sciense Edition), 2017, 47(2): 606-615. |
[6] |
张天炬, 刘明阳, 李东哲, 等. 页岩岩石物理建模研究[J]. 海洋石油, 2019, 39(1): 11-16. ZHANG T J, LIU M Y, LI D Z, et al. Research on shale rock physics modeling[J]. Offshore Oil, 2019, 39(1): 11-16. |
[7] |
WU T T. The effect of inclusion shape on the elastic moduli of a two-phase materia[J]. Solids Structure, 1996, 2: 1-8. |
[8] |
王典敷, 汪仕忠. 盐湖油田地质[M]. 北京: 石油工业出版社, 1998: 15-54. WANG D F, WANG S Z. Geology of saline lacustline facies oilfield[M]. Beijing: Petroleum Industry Press, 1998: 15-54. |
[9] |
吴世强, 唐小山, 杜小娟, 等. 江汉盆地潜江凹陷陆相页岩油地质特征[J]. 东华理工大学学报(自然科学版), 2013, 36(3): 282-286. WU S Q, TANG X S, DU X J, et al. Geologic characteristic of continental shale oil in the Qianjiang depression, Jianghan salt lake basin[J]. Journal of East China Institute of Technology (Natural Sciense), 2013, 36(3): 282-286. |
[10] |
张永生, 王国力, 杨玉卿. 江汉盆地潜江凹陷古近系盐湖沉积盐韵律及其古气候意义[J]. 古地理学报, 2005, 7(4): 461-470. ZHANG Y S, WANG G L, YANG Y Q. Rhythms of saline lake sediments of the paleodene and their paleoclimatic significane in Qianjiang Sag, Jianhan basin[J]. Journal of Palaeogeography, 2005, 7(4): 461-470. |
[11] |
陈素, 彭美霞, 漆智先. 江汉盆地潜江凹陷潜江组盐间非砂岩储层岩性分析与识别[J]. 江汉石油职工大学学报, 2009, 22(2): 3-5. CHEN S, PENG M X, QI Z X. Lithologic analysis and recognition of non sandstone reservoir between inter-salt of Qianjiang Formation in Qianjiang sag, Jianghan Basin[J]. Journal of Jianghan Petroleum University of Staff and Workers, 2009, 22(2): 3-5. |
[12] |
孙中良, 王芙蓉, 何生, 等. 潜江凹陷古近系盐间典型韵律层页岩孔隙结构[J]. 深圳大学学报理工版, 2019, 36(3): 289-297. SUN Z L, WANG F R, HE S, et al. The pore structures of the shale about typical inter-salt rhythm in the Paleogene of Qianjiang depression[J]. Journal of Shenzhen University Science and Engineering, 2019, 36(3): 289-297. |
[13] |
XU S Y, WHITE R E. A new velocity model for clay-sand mixtures[J]. Geophysical Prospecting, 1995, 43(1): 91-118. |
[14] |
GARY M, TAPAN M, JACK D. The rock physics handbook[M]. Cambridge: Cambridge University Press, 1998: 185-190.
|
[15] |
BORIS G, DINA M, OSNI B P, et al. A simple model for squirt-flow dispersion and attenuation in fluid-saturated granular rocks[J]. Geophysics, 2010, 75(6): N109-N120. |