《Geothermics》:Thermal conductivity evaluation using an integrated method: An example from the Horn River Basin, Canada
编辑推荐:
研究人员对泥盆系霍恩河群(Horn River Group, HRG)页岩的热导率(thermal conductivity, TC)进行了评估。研究人员估算了原位条件下的矿物含量和热导率。矿物学(mineralogy)是富含有机质的HRG页岩中热导率的主要控
研究人员对泥盆系霍恩河群(Horn River Group, HRG)页岩的热导率(thermal conductivity, TC)进行了评估。研究人员估算了原位条件下的矿物含量和热导率。矿物学(mineralogy)是富含有机质的HRG页岩中热导率的主要控制因素。Voigt–Reuss–Hill平均(VRH)模型和几何平均(GM)模型在2.5 W/m·K阈值处展现出不同的精度范围。集成混合模型能够捕捉非均质页岩中的热导率变化。
**论文解读:霍恩河盆地页岩热导率集成评价方法研究**
**研究背景与问题**
热导率(thermal conductivity, TC)是评估地热资源潜力的关键参数,直接影响地热勘探开发地点的选择,并涉及热提取后冷注水引起的应力变化监测,以及CO
2注入和碳储存等相关应用。岩石热导率取决于矿物组成、孔隙度和流体类型,但直接测量受限于岩心样本的有限性和空间覆盖不足,无法全面表征区域尺度上的垂直和横向变化。间接方法如两相混合模型(几何平均GM模型和Voigt–Reuss–Hill平均VRH模型)虽广泛应用,但在非均质页岩中需要准确的矿物组成、有机质含量和流体饱和度数据。加拿大霍恩河盆地(Horn River Basin, HRB)的泥盆系霍恩河群(Horn River Group, HRG)页岩富含有机质,矿物学异质性复杂,但拥有丰富的岩心X射线衍射(XRD)矿物分析、地球化学测井和岩石物理数据,为建立集成热导率评价方法提供了理想条件。为此,研究人员提出一种集成方法,结合机器学习预测矿物学、岩石物理经验关系以及原位温压校正,利用GM和VRH模型计算HRG页岩的热导率,并评估其空间变异性。
**研究内容与结论**
研究人员通过整合实验室TC测量、地球物理测井和岩心岩石物理数据,采用机器学习(ConvXGB方法)预测矿物组成(石英、长石、方解石、白云石、黏土和黄铁矿),利用经验模型估算总有机碳(TOC)含量、孔隙度和流体饱和度,并应用Somerton公式和Fuchs & F?rster经验关系对矿物TC和实验室测量值进行温度和压力校正。最终使用GM和VRH模型计算地层TC,并通过三口井的校正后实验室测量数据进行验证。结论表明,矿物组成是TC的主要控制因素,石英含量高时TC高,黏土含量高时TC低;TOC在高含量(>0.1体积分数)时轻微降低TC。GM模型在TC≥2.5 W/m·K时更准确,VRH模型在TC<2.5 W/m·K时更优,集成模型可有效捕捉全范围TC变化。该研究发表于《Geothermics》,为矿物学非均质页岩系统的热导率评价、地热建模和储层表征提供了可扩展的框架。
**主要关键技术方法**
1. 机器学习(ConvXGB)矿物预测:基于XRD矿物数据、地球化学测井(GLT)和常规测井,预测石英、长石、方解石、白云石、黏土和黄铁矿的体积分数。
2. 岩石物理经验模型:利用岩心-测井标定建立TOC、孔隙度(总孔隙度、气体填充孔隙度)和含水饱和度(S
w)的估算关系。
3. 温度和压力校正:对矿物TC和实验室测量值应用Somerton温度校正公式和Fuchs & F?rster压力校正公式,并考虑孔隙流体(水、气)对TC的影响。
4. 两相混合模型:使用几何平均(GM)模型和Voigt–Reuss–Hill平均(VRH)模型计算地层TC,并基于矿物体积分数阈值(2.5 W/m·K)建立集成方法(TC
COM)。
**研究结果**
**5.1 TC测量校正与相关性**
实验室TC测量值(TC
m)在2–3 W/m·K范围内,Well-A平均值最高(2.6 W/m·K),Well-C最低(2.2 W/m·K)。经温度、压力和流体校正后(TC
mc),校正值与原始值呈强线性关系(RMSE 6–7%,MBE 4–5%),表明实验室测量可可靠反映原位条件。主成分分析显示,石英对TC
mc有强正贡献,黏土有负贡献,碳酸盐和TOC影响中等;TC
mc≥2.5 W/m·K时石英体积中位数0.60,黏土0.16;TC
mc<2.5 W/m·K时石英中位数0.41,黏土0.25。
**5.2 结晶矿物组成表征**
XRD分析显示,HRG页岩结晶矿物包括石英、碳酸盐(方解石和白云石)、长石(钾长石和斜长石)、黄铁矿和黏土(伊利石、伊利石/蒙脱石混层)。Muskwa组石英平均含量最高(65.4 wt.%),Otter Park组黏土最高(26.9 wt.%),Evie组碳酸盐最高(27.3 wt.%)。机器学习预测的矿物干重分数与验证井实测数据吻合良好,空间分布显示Muskwa组石英含量普遍>50 wt.%,Otter Park组<50 wt.%且异质性显著,Evie组呈现东南-西北高值趋势。
**5.3 总有机碳(TOC)含量**
TOC测量显示Evie组平均值最高(4.3 wt.%),Muskwa组(3.5 wt.%)和Otter Park组(2.9 wt.%)依次降低。通过经验方程估算的全盆地TOC分布与实测一致。利用干酪根密度(1.4 g/cm
3)和转换因子(1.2)将TOC重量分数转换为体积分数,计算值与实测值吻合良好。
**5.4 孔隙度和含水饱和度**
Muskwa组总孔隙度平均值最高(5.2%),气体填充孔隙度(3.6%);Otter Park组最低(4.4%和3.1%)。含水饱和度(S
w)在10%–40%范围,Well-C南部>50%。孔隙水热导率(TC
w)在原位条件下估算为0.65–0.76 W/m·K,平均0.69 W/m·K,灵敏度测试表明其对地层TC影响<1%。
**5.5 单个结晶矿物的原位TC值**
矿物在300 K时的TC值(石英7.7 W/m·K,白云石5.1–5.4,方解石3.4,伊利石1.8–1.9,黄铁矿19–38)经温压校正后,石英TC降低最显著(75–170°C下降低25–44%),压力校正(15–55 MPa)使石英TC增加27–37%。P–T校正序列(先压力后温度)比T–P序列更符合原位条件,黄铁矿因体积分数低(<0.01)对整体TC贡献有限。
**5.6 TC计算与测量对比**
在Well-A(西北部),GM模型TC(TC
GM)高于VRH模型(TC
VRH),校正后TC
mc落在两曲线之间;高TC值(≥2.5 W/m·K)对应Muskwa和Evie组(石英>0.6,碳酸盐>0.7,黏土<0.2),与GM模型吻合;低TC值(<2.5 W/m·K)对应Otter Park组(石英<0.5,黏土>0.25),与VRH模型吻合。Well-B(东中部)和Well-C(南部)结果类似,Well-C因黏土含量高、石英低,整体TC偏低。基于矿物体积准则的集成方法(TC
COM)有效捕捉了TC变化。交叉验证显示,以2.5 W/m·K为阈值,VRH用于低TC、GM用于高TC的最佳拟合(TC
BF)与实测值高度相关,P–T矿物TC数据集比T–P数据集误差更小(RMSE 0.26 vs 0.35 W/m·K)。
**讨论与结论**
讨论部分指出,集成方法克服了单一模型在非均质页岩中的局限性,GM和VRH模型的适用性受矿物学主导的微观结构控制:石英和碳酸盐形成的颗粒支撑框架适合GM模型,而黏土排列形成的层状结构适合VRH模型。TOC在高含量时具有不可忽略的阻热效应。研究结论翻译如下:
1. 综合岩石物理表征:机器学习结合矿物学数据和测井有效预测矿物组分,与GLT和XRD数据吻合;TOC、孔隙度和流体饱和度经验关系通过岩心验证。
2. 原位条件校正:温压和流体校正后实验室TC(TC
mc)与原始数据偏差小,低RMSE和MBE表明其可可靠代表原位条件;P–T矿物TC数据集更接近TC
mc。
3. 矿物学对TC的控制:TC
mc<2.5 W/m·K与低石英(<0.5)和碳酸盐(<0.6)及高黏土(>0.25)相关;TC
mc≥2.5 W/m·K对应高石英(>0.6)和碳酸盐(>0.7)及低黏土(<0.2);TOC在高含量(>0.1)时轻微降低TC。地层上,Muskwa组TC最高(南部除外),Otter Park组最低,Evie组居中。
4. 模型性能与集成:VRH模型在低TC(<2.5 W/m·K)时表现更好,对应高黏土和低石英的层状泥岩(如Otter Park组);GM模型在高TC(≥2.5 W/m·K)时更准确,对应高石英和碳酸盐的颗粒支撑框架(如Muskwa和Evie组)。基于矿物学准则的集成模型为全盆地TC估算提供了实用可靠的框架。