开云优惠体育网页版入口

专利名称：一种基于综合测井大数据进行砂岩型铀矿定量预测的方法

专利类型：发明专利

专利申请号：CN202210985454.3

专利申请（专利权）人：中国地质调查局天津地质调查中心
权利人地址：天津市河东区大直沽八号路四号

专利发明（设计）人：俞礽安,金若时,程银行,邓凡,周小希,孙大鹏

专利摘要：本发明公开了一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，它涉及铀矿定量预测技术领域。包括以下步骤：1、建立煤田和油田孔自然伽马与验证孔定量伽马数据关系；2、确定矿层的品位和厚度；3、利用测井数据进行岩性解释；4、批量化处理数据。本发明能够快速准确地确定铀矿体单层资源量和赋存位置，极大提高了测井数据筛选和资源评价的效率，为成矿远景区规划、矿产资源量预测等方面提供了重要技术支持。

主权利要求：
1.一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，其特征在于，包括以下步骤：(1)、建立煤田和油田孔自然伽马与验证孔定量伽马数据关系；
(2)、确定矿层的品位和厚度；
(3)、利用测井数据进行岩性解释；
(4)、批量化处理数据；
所述的步骤1具体包括：
(a)收集筛选煤田、油田勘查钻孔测井曲线资料；
(b)统计铀矿勘查钻孔测井和岩心化学分析数据；
(c)建立煤田和油田孔自然伽马与验证孔定量伽马数据的线性关系；
所述的步骤a包括：收集盆地中的煤田、油田勘查钻孔测井资料，包括常规九条测井曲线，即三岩性曲线，三电阻率曲线、三孔隙度曲线，分别统计每个钻孔测井曲线的类型和数值；
所述的步骤(b)包括；选取具有不同伽玛异常的钻孔岩石样品分析结果，统计铀、钍、钾三种元素的含量，开展自然伽马幅值与铀、钍、钾3种元素含量的一元线性回归分析对比分析，建立自然伽马幅值与铀、钍、钾元素含量之间的相关系数，确定放射性异常是否是由铀元素引起；
所述的步骤(c)包括：将验证钻孔的定量伽马测井数据与对应的煤田或油田孔的自然伽马测井数据进行对比分析，获得二者的相关性分析结果并求平均值，建立研究区自然伽玛值和定量伽玛测定的铀含量之间的回归模型；
2
y(0.01％)＝Ax(API)+B(R＝C)
式中：y为验证钻孔的铀含量品位，x为煤田、油田钻孔的自然伽玛值，R为相关系数；A、B、C为常数；若C>0.5，说明二者之间的相关关系较为显著，可以利用这个公式对其它未验证的油田钻孔自然伽马数值换算成相应的铀含量。
2.根据权利要求1所述的一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，其特征在于，所述的步骤(2)具体包括；在确定矿层边界时要将矿段两个边界的单元层位置向外各推5cm，矿层厚度H＝矿段结束深度?矿段开始深度+1个单元层厚度或H＝Σhi；如果两层矿中间的夹层厚度小于用户给定的“最小夹层厚度时”，将把两层矿合并到一起进行解释；采用边界大于给定含量的边界单元层，与其相邻的矿段外小于给定单元层品位的平均值，即将矿层的边界品位与其外部单元层平均值作为边界品位；
矿段平均品位由各个单元层的厚度进行加权平均而得，两个边界点所代表的厚度各为
5cm，其余单元层代表的厚度为10cm，矿层的平均品位 计算公式为：式中：qi为单元层含量，包括两端外推的含量％；hi为单元层厚度m；
矿层米百分数为矿层平均品位与矿层厚度的乘积；矿层平米铀量为矿层的米百分数与矿石密度的乘积；
物探参数修正采用如下公式；
K0＝A×Kp×(1?Ka)×(1?W)
式中:K0为五点式反褶积式中的K0；A为换算系数，即0.01％Qu；
Kp为铀镭平衡系数；Ka为射气系数或镭氡平衡系数；W为矿石的湿度；
所述的五点式反褶积式为；反褶积解释的过程实质就是寻找反地质脉冲函数，用它对照射量率曲线进行滤波从而得到含量曲线的过程；计算单元层含量的五点反褶积公式:式中:
?1
q(zi)为第i个单元层的含量，单位为％；α为特征参数，单位为cm ；K0为换算系数；zi为测点i的照射量率，单位为Nc/kg·h；z为单元层厚度，单位为m；
默认情况下，铀镭平衡系数为1.0，射气系数为0，矿石湿度为0。
3.根据权利要求1所述的一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，其特征在于，所述的步骤(3)具体包括：(i)建立验证钻孔中的岩性参数特征
统计和划分含矿目的层的岩性特征，在划分岩性的基础上对含矿目的层的常规测井响应特征进行分析，重点分析异常层的岩性与物性特征；同时，结合地质编录资料的地层岩性信息，分析不同岩性地层的井响应特征，建立适用于全井段的岩性识别标准；
(ii)利用交会图版法判别铀储层的岩性
收集统计验证钻孔中不同测井数据，综合应用各种测井曲线信息来绘制测井属性交会图，对比分析研究区不同测井参数的识别效果。
4.根据权利要求1所述的一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，其特征在于，所述的步骤(4)具体包括：利用“矿层平米铀量筛选计算V1.0”软件，输入边界品位转换参数A和B，泥岩矿段不参与平米铀量合并计算，即泥岩厚度输入0；
砂岩层最大夹层厚度为7m，即输入7；
根据确定的岩性测井参数，导入相应的测井数据，实现矿层岩性的识别；
同时，利用该软件的文件批量处理功能，对不同的煤田、油气田勘查区的钻孔测井数据文件可实现多口钻孔批量化处理，有效提高测井数据筛选和评价的工作效率；
最终，获得的计算结果包含：矿层深度、厚度、品位、米百分数、平米铀量以及含矿段岩性占比信息。 说明书 : 一种基于综合测井大数据进行砂岩型铀矿定量预测的方法技术领域[0001] 本发明涉及的是砂岩型铀矿定量预测技术领域，具体涉及一种基于综合测井大数据进行砂岩型铀矿定量预测的方法。背景技术[0002] 综合测井数据是油田、煤田等勘探工作中的地球物理测井主要手段之一，不仅可以用来划分岩性、地层对比、确定泥质含量，还可以应用于恢复古地理环境、做深度校正等。近年来，随着国内大营铀矿“煤铀兼探”、钱家店铀矿“油铀兼探”模式的成功运用以及中国地质调查局煤田、油田资料“二次开发”思路在开云优惠体育网页版入口的推广应用，煤田、油田钻孔的综合测井资料在铀矿选区、找矿勘查和基础地质研究中的应用日趋广泛，证实了利用煤田、油田钻孔自然伽马等综合测井数据指导铀矿找矿是经济高效和切实可行的，目前中国地质调查局天津地质调查中心在大量煤田、油田钻孔资料筛查和钻探验证的基础上已经初步建立了利用自然伽马等测井数据判别潜在铀矿层以及圈定远景区、找矿靶区的指标体系。[0003] 铀矿的资源量计算主要是利用钻孔中的定量伽玛测井数据，因为定量伽玛测井是在核工业放射性勘查计量站进行了标准化，能精确地解释矿体铀含量且更加贴近实际含量。而现有的煤田、石油勘查过程中主要进行了综合测井，并未进行定量伽马测井。自然伽马测井和定量伽马测井能够测量钻井中原位地层的天然放射性强度和铀元素的含量，但煤田、油田行业和铀矿两个领域在测井的精度要求方面存在着显著差异。因此，能否利用综合测井中的自然伽马测井换算成铀含量数据，实现铀资源量的估算或预测是煤、油测井数据“二次”开发取得更大进步的关键。[0004] 前人通过利用自然伽玛测井原始数据与定量伽玛测井的关系及其之间的换算系数，便捷地求出该钻孔的铀矿化类型，初步探讨了二者之间换算的可行性和效果，但仅停留在人工试验性对比探讨，并未系统进行铀矿层含量的估算，大量的测井数据也难以实现自动的批量化处理。因此缺乏更为实用、便捷的技术模块来满足当前大数据时代的铀矿选区和找矿的精度及效率需求，进而开展区域性的铀矿资源定量评价。[0005] 鄂尔多斯盆地西南缘彭阳地区的油气田钻孔测井资料显示，深部地层存在大范围的放射性异常，经过近几年的钻探验证，揭露了多处厚大铀工业矿体。根据鄂尔多斯盆地西南缘彭阳地区的研究开云优惠体育网页版入口，申请人拟合出研究区自然伽玛和放射性伽马数值之间的经验关系式和不同岩性的测井响应，建立矿体的品位、平米铀量等更为精确的测量信息模块，从而对未验证的油田测井数据进行品位、平米铀量、岩性等属性进行数值预测。该技术能够快速准确地确定铀矿体单层资源量和赋存位置，极大提高了测井数据筛选和资源评价的效率，为成矿远景区规划、矿产资源量预测等方面提供了重要技术支持。[0006] 综上所述，本发明设计了一种基于综合测井大数据进行砂岩型铀矿定量预测的方法。发明内容[0007] 针对现有技术上存在的不足，本发明目的是在于提供一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，能够快速准确地确定铀矿体单层资源量和赋存位置，极大提高了测井数据筛选和资源评价的效率，为成矿远景区规划、矿产资源量预测等方面提供了重要技术支持。[0008] 为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，包括以下步骤：[0009] 1、建立煤田和油田孔自然伽马与验证孔定量伽马数据关系；[0010] 2、确定矿层的品位和厚度；[0011] 3、利用测井数据进行岩性解释；[0012] 4、批量化处理数据。[0013] 所述的步骤1具体包括：[0014] a收集筛选煤田、油田勘查钻孔测井曲线资料；[0015] b统计铀矿勘查钻孔测井和岩心化学分析数据；[0016] c建立煤田和油田孔自然伽马与验证孔定量伽马数据的线性关系。[0017] 所述的步骤a包括：收集盆地中的煤田、油田勘查钻孔测井资料，主要包括常规九条测井曲线，即三岩性曲线(自然伽马、自然电位、井径)，三电阻率曲线(浅、中、深)、三孔隙度曲线(密度、声波、中子)，分别统计每个钻孔测井曲线的类型和数值。[0018] 所述的步骤b包括；选取具有不同伽玛异常的钻孔岩石样品分析结果，统计铀、钍、钾三种元素的含量，开展自然伽马幅值与铀、钍、钾3种元素含量的一元线性回归分析对比分析，建立自然伽马幅值与铀、钍、钾元素含量之间的相关系数，确定放射性异常是否是由铀元素引起。[0019] 所述的步骤c包括：将验证钻孔的定量伽马测井数据与对应的煤田或油田孔的自然伽马测井数据进行对比分析，获得二者的相关性分析结果并求平均值，建立研究区自然伽玛值和定量伽玛测定的铀含量之间的回归模型。[0020] y(0.01％)＝Ax(API)+B(R2＝C)[0021] 式中：y为验证钻孔的铀含量(品位)，x为煤田、油田钻孔的自然伽玛值，R为相关系数；A、B、C为常数。若C>0.5，说明二者之间的相关关系较为显著，可以利用这个公式对其它未验证的油田钻孔自然伽马数值换算成相应的铀含量。[0022] 所述的步骤2具体包括；在确定矿层边界时要将矿段两个边界的单元层位置向外各推5cm，矿层厚度H＝矿段结束深度?矿段开始深度+1个单元层厚度或H＝Σhi(包括外推的单元层)。如果两层矿中间的夹层厚度小于用户给定的“最小夹层厚度时”，将把两层矿合并到一起进行解释；采用边界大于给定含量的边界单元层，与其相邻的矿段外小于给定单元层品位的平均值，即将矿层的边界品位与其外部单元层平均值作为边界品位；[0023] 矿段平均品位由各个单元层的厚度进行加权平均而得(两个边界点所代表的厚度各为5cm，其余单元层代表的厚度为10cm)，矿层的平均品位 计算公式为：[0024][0025] 式中：qi为单元层含量(包括两端外推的含量％)；hi为单元层厚度(m)。[0026] 矿层米百分数为矿层平均品位与矿层厚度的乘积；矿层平米铀量为矿层的米百分数与矿石密度的乘积。[0027] 物探参数修正采用如下公式；[0028] K0＝A×Kp×(1?Ka)×(1?W)[0029] 式中:K0为五点式反褶积式中的K0；A为换算系数，即0.01％Qu；[0030] Kp为铀镭平衡系数；Ka为射气系数(或镭氡平衡系数)；W为矿石的湿度；[0031] 所述的五点式反褶积式为；反褶积解释的过程实质就是寻找反地质脉冲函数，用它对照射量率曲线进行滤波从而得到含量曲线的过程。计算单元层含量的五点反褶积公式:[0032][0033] 式中:[0034] q(zi)为第i个单元层的含量，单位为％；α为特征参数，单位为cm?1；K0为换算系数；(zi)为测点i的照射量率，单位为Nc/kg·h；z为单元层厚度，单位为m。[0035] 默认情况下，铀镭平衡系数为1.0，射气系数为0，矿石湿度为0。[0036] 所述的步骤3具体包括：[0037] i建立验证钻孔中的岩性参数特征[0038] 统计和划分含矿目的层的岩性特征，在划分岩性的基础上对含矿目的层的常规测井响应特征进行分析，重点分析异常层的岩性与物性特征。同时，结合地质编录资料的地层岩性信息，分析不同岩性地层的井响应特征，建立适用于全井段的岩性识别标准。[0039] ii利用交会图版法判别铀储层的岩性[0040] 收集统计验证钻孔中不同测井数据，综合应用各种测井曲线信息来绘制测井属性交会图，对比分析研究区不同测井参数的识别效果。[0041] 所述的步骤4具体包括：利用“矿层平米铀量筛选计算V1.0”软件，输入边界品位转换参数A和B，根据EJ/T1214?2016《地浸砂岩型铀矿资源/储量估算指南》要求，泥岩矿段不参与平米铀量合并计算，即泥岩厚度输入0；砂岩层最大夹层厚度为7m，即输入7；[0042] 根据确定的岩性测井参数，导入相应的测井数据，实现矿层岩性的识别；[0043] 同时，利用该软件的文件批量处理功能，对不同的煤田、油气田勘查区的钻孔测井数据文件可实现多口钻孔批量化处理，有效提高测井数据筛选和评价的工作效率；[0044] 最终，获得的计算结果包含：矿层深度、厚度、品位、米百分数、平米铀量以及含矿段岩性占比信息。[0045] 本发明的有益效果：本发明利用煤田、油田勘查钻孔的综合测井数据换算成铀含量数据，实现铀资源量的估算或预测是煤、油测井数据“二次”开发取得更大进步的关键。为了验证本次方法的应用效果，采用了验证钻孔的自然伽马数据转换成平米铀量，与验证孔定量伽马平米铀量数据进行对比。[0046] 本发明能够快速准确地确定铀矿体单层资源量和赋存位置，极大提高了测井数据筛选和资源评价的效率，为成矿远景区规划、矿产资源量预测等方面提供了重要技术支持。附图说明[0047] 下面结合附图和具体实施方式来详细说明本发明；[0048] 图1为本发明的方法流程图；[0049] 图2为本发明实施例的自然伽马异常与定量伽马解释结果关系图。具体实施方式[0050] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。[0051] 参照图1?2，本具体实施方式采用以下技术方案：一种基于综合测井大数据进行砂岩型铀矿定量预测的方法，包括以下步骤：[0052] 1、建立煤田和油田孔自然伽马与验证孔定量伽马数据关系[0053] a收集筛选煤田、油田勘查钻孔测井曲线资料[0054] 收集盆地中的煤田、油田勘查钻孔测井资料，主要包括常规九条测井曲线，即三岩性曲线(自然伽马、自然电位、井径)，三电阻率曲线(浅、中、深)、三孔隙度曲线(密度、声波、中子)，分别统计每个钻孔测井曲线的类型和数值。[0055] b统计铀矿勘查钻孔测井和岩心化学分析数据[0056] 选取具有不同伽玛异常的钻孔岩石样品分析结果，统计铀、钍、钾三种元素的含量，开展自然伽马幅值与铀、钍、钾3种元素含量的一元线性回归分析对比分析，建立自然伽马幅值与铀、钍、钾元素含量之间的相关系数，确定放射性异常是否是由铀元素引起。[0057] c建立煤田和油田孔自然伽马与验证孔定量伽马数据的线性关系[0058] 将验证钻孔的定量伽马测井数据与对应的煤田或油田孔的自然伽马测井数据进行对比分析，获得二者的相关性分析结果并求平均值，建立研究区自然伽玛值和定量伽玛测定的铀含量之间的回归模型。[0059] y(0.01％)＝Ax(API)+B(R2＝C)[0060] 式中：y为验证钻孔的铀含量(品位)，x为煤田、油田钻孔的自然伽玛值，R为相关系数；A、B、C为常数。若C>0.5，说明二者之间的相关关系较为显著，可以利用这个公式对其它未验证的油田钻孔自然伽马数值换算成相应的铀含量。[0061] 2、确定矿层的品位和厚度[0062] 在确定矿层边界时要将矿段两个边界的单元层位置向外各推5cm，矿层厚度H＝矿段结束深度?矿段开始深度+1个单元层厚度或H＝Σhi(包括外推的单元层)。如果两层矿中间的夹层厚度小于用户给定的“最小夹层厚度时”，将把两层矿合并到一起进行解释；采用边界大于给定含量的边界单元层，与其相邻的矿段外小于给定单元层品位的平均值，即将矿层的边界品位与其外部单元层平均值作为边界品位；[0063] 矿段平均品位由各个单元层的厚度进行加权平均而得(两个边界点所代表的厚度各为5cm，其余单元层代表的厚度为10cm)，矿层的平均品位 计算公式为：[0064][0065] 式中：qi为单元层含量(包括两端外推的含量％)；hi为单元层厚度(m)。[0066] 矿层米百分数为矿层平均品位与矿层厚度的乘积；矿层平米铀量为矿层的米百分数与矿石密度的乘积。[0067] 物探参数修正采用如下公式；[0068] K0＝A×Kp×(1?Ka)×(1?W)[0069] 式中:K0为五点式反褶积式中的K0；A为换算系数，即0.01％Qu；[0070] Kp为铀镭平衡系数；Ka为射气系数(或镭氡平衡系数)；W为矿石的湿度；[0071] 所述的五点式反褶积式为；反褶积解释的过程实质就是寻找反地质脉冲函数，用它对照射量率曲线进行滤波从而得到含量曲线的过程。计算单元层含量的五点反褶积公式:[0072][0073] 式中:[0074] q(zi)为第i个单元层的含量，单位为％；α为特征参数，单位为cm?1；K0为换算系数；(zi)为测点i的照射量率，单位为Nc/kg·h；z为单元层厚度，单位为m。[0075] 默认情况下，铀镭平衡系数为1.0，射气系数为0，矿石湿度为0。[0076] 3、利用测井数据进行岩性解释[0077] i建立验证钻孔中的岩性参数特征[0078] 统计和划分含矿目的层的岩性特征，在划分岩性的基础上对含矿目的层的常规测井响应特征进行分析，重点分析异常层的岩性与物性特征。同时，结合地质编录资料的地层岩性信息，分析不同岩性地层的井响应特征，建立适用于全井段的岩性识别标准。[0079] ii利用交会图版法判别铀储层的岩性[0080] 收集统计验证钻孔中不同测井数据，综合应用各种测井曲线信息来绘制测井属性交会图，对比分析研究区不同测井参数的识别效果。[0081] 4、批量化处理数据[0082] 利用“矿层平米铀量筛选计算V1.0”软件，输入第五步骤的边界品位转换参数A和B，根据EJ/T1214?2016《地浸砂岩型铀矿资源/储量估算指南》要求，泥岩矿段不参与平米铀量合并计算，即泥岩厚度输入0；砂岩层最大夹层厚度为7m，即输入7。[0083] 根据第七步骤确定的岩性测井参数，导入相应的测井数据，实现矿层岩性的识别。[0084] 同时，利用该软件的文件批量处理功能，对不同的煤田、油气田勘查区的钻孔测井数据文件可实现多口钻孔批量化处理，有效提高测井数据筛选和评价的工作效率。[0085] 最终，获得的计算结果包含：矿层深度、厚度、品位、米百分数、平米铀量以及含矿段岩性占比信息等。[0086] 本具体实施方式利用矿层平米铀量筛选计算软件将验证钻孔的自然伽马曲线提取出相应的厚度、品位、平米铀量等数据，并与定量伽马FD3019测井获得的平米铀量数据进行对比。两者在测井解释的深度、厚度、品位、平米铀量上误差均很。匀毁ぢ硪斐Ｓ攵抠ぢ斫馐徒峁叵(图2)显示了三者的相关系数分别为0.9993，0.7756，0.9982。对比结果整体吻合度较好，尤其在厚层稳定的含矿层中，品位误差较低；而在薄层中，因为定量伽马测量标准要求测速较低，相比之下自然伽马测井的薄层分辨能力稍差，对薄矿层的解释误差相对较大。因此，利用矿层平米铀量筛选计算程序，基于自然伽马曲线可以有效的评价含矿层信息及铀资源量的估算，尤其对稳定发育的厚层含矿层解释误差较小。[0087] 前人通过利用自然伽玛测井原始数据与定量伽玛测井的关系及其之间的换算系数，便捷地求出该钻孔的铀矿化类型，初步探讨了二者之间换算的可行性和效果，但仅停留在人工试验性对比探讨，并未系统进行铀矿层含量的估算，大量的测井数据也难以实现自动的批量化处理。[0088] 在系统研究自然γ测井、定量γ测井的原理、工作方法基础上，结合鄂尔多斯盆地彭阳地区油田孔自然γ测井和铀矿定量γ测井数据的对比分析，拟合出研究区自然伽玛和放射性伽马数值之间的经验关系式和不同岩性的测井响应，建立矿体的品位、平米铀量等更为精确的测量信息模块，从而对未验证的油田测井数据进行品位、平米铀量、岩性等属性进行数值预测。该技术能够快速准确地确定铀矿体单层资源量和赋存位置，极大提高了测井数据筛选和资源评价的效率，为成矿远景区规划、矿产资源量预测等方面提供了重要技术支持。[0089] 以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

专利地区：天津

专利申请日期：2022-08-17

专利公开日期：2024-11-29

专利公告号：CN115166859B