雅布赖盆地小湖次凹细粒沉积岩岩相特征与沉积环境探讨

雅布赖盆地小湖次凹细粒沉积岩岩相特征与沉积环境探讨

(1.中国石油大学(华东)地球科学与技术学院,山东青岛266580;2.中国石油勘探开发研究院,北京100083)

基金项目:国家自然科学基金石油化工联合基金重点项目(编号:U1262203);国家重点基础研究发展计划(“973”)项目(编号:2014CB239002);中央高校基本科研业务费专项资金资助(编号:15CX06009A);中国石油天然气股份有限公司重大科技专项(编号:2012E-3302)联合资助.

摘要通过岩心观察、薄片鉴定、X-射线衍射、有机碳分析等技术,综合矿物成分、有机质含量、沉积构造等因素,对雅布赖盆地小湖次凹新河组下段半深湖—深湖细粒沉积岩岩相进行研究,形成了细粒沉积岩四组分三端元的岩相划分方案。结果表明:新河组下段半深湖—深湖细粒沉积岩发育9种岩相类型,其中以贫有机质块状黏土质细粒长英沉积岩、贫有机质纹层状硅质碎屑型混合细粒沉积岩、贫有机质块状长英质黏土岩、中有机质纹层状硅质碎屑型混合细粒沉积岩、中有机质纹层状长英质黏土岩、富有机质纹层状碳酸盐型混合细粒沉积岩等6种岩相为主。岩相类型与特征反映沉积环境和沉积机理的差异,在前三角洲—半深湖的环境中,波浪增强型沉积物重力流普遍发育,形成纵向上贫有机质块状黏土质细粒长英沉积岩—纹层状硅质碎屑型混合细粒沉积岩—块状长英质黏土岩的叠置,反映水动力渐弱的过程;在半深湖—深湖环境中,水体相对安静,悬浮沉积为主,陆源碎屑输入少,碳酸盐和黏土较发育,形成中—富有机质纹层状混合细粒沉积岩和黏土岩。

中图分类号:TE121.3+1文献标志码:A文章编号:1672-1926(2016)02-0309-11

The lithofacies and depositional environment of fine-grained sedimentaryrocks of Xiaohu Subsag in Yabulai Basin

AbstractTaking the fine-grained sedimentary rocks of the lower Xinhe Formation in Yabulai Basin as a research object,the lithofacies were subdivided using “four components-three endmembers” classification scheme with integrated analysis of minerals,structures and organic carbon content by core observation,thin section identification,X-ray diffraction and organic carbon test. The results showed that there were nine lithofacies types that could be identified in the fine-grained sedimentary rocks of the lower Xinhe Formation,and six of them are mainly developed,which were organic-lean massive clay-rich siltstone,organic-lean laminated siliceous mixed fine-grained sedimentary rocks,organic-lean massive felsic claystone,organic-contained laminated siliceous mixed fine-grained sedimentary rocks,organic-contained laminated felsic claystone and organic-rich laminated carbonate mixed fine-grained sedimentary rocks. The different lithofacies types and characteristics reflected the differences of sedimentary environment and depositional mechanism. In the prodelta to semi-deep lacustrine,the wave-enhanced sediment gravity flows are widely developed,which formed the superimposed deposition combination of organic-lean massive clay-rich siltstone-laminated siliceous mixed fine-grained sedimentary rocks-massive felsic claystone from bottom to top. In the semi-deep to deep lacustrine,the water was relatively quiet with a small amount of terrigenous clast input,and the carbonate and clays were more developed,forming organic-contained to rich laminated mixed fine-grained sedimentary rocks and claystones.

引言

细粒沉积物(Fine-grained sediments)主要指粒径小于0.062 5mm且含量大于50%的颗粒沉积物,主要由黏土矿物和粉砂等陆源碎屑颗粒组成,也包含少量盆地内生碳酸盐、有机质、生物硅质、磷酸盐等[1-4]。细粒沉积物在埋藏过程中经压实固结形成细粒沉积岩。细粒沉积岩分布广泛,约占全球各类沉积岩的70%[5],但是由于细粒沉积岩粒度细以及受微观实验条件的制约,与砂岩和碳酸盐岩相比,细粒物质的沉积和成岩作用仍是沉积学界研究的薄弱领域[4]。国内目前对湖相细粒沉积岩的研究多集中在作为烃源岩的地球化学特征和湖盆演化特征等方面[6],针对岩相的系统分类及特征的研究相对匮乏。与原始沉积特征相关的细粒沉积岩岩石组分类型、含量及结构特征对岩石经历后期埋藏成岩作用而发生岩石特性演化具有重要影响,而细粒沉积岩岩石组分复杂,岩石类型划分和命名尚存在较大争议,这直接制约着致密细粒岩石“源储一体”型油气的勘探和开发[7],随着泥页岩油气勘探不断深入,深化研究细粒沉积岩相特征及成因,对明确细粒沉积岩分布规律、落实有利勘探目标具有重要的指导意义。近年来,国内外学者对细粒沉积进行了一系列研究。在岩石学方面,姜在兴等[4]主要以组分粉砂、黏土和碳酸盐为三端元,将细粒沉积岩划分为粉砂岩、黏土岩、碳酸盐岩和混合型细粒沉积岩四大类。对于岩相类型,不同学者主要根据矿物成分、碎屑、生物、有机质和结构特征等划分泥页岩岩相[8-15]。对于细粒沉积物的搬运流体,主要包括波浪增强型泥质沉积物重力流[16]、洪水形成的异重流[14-17]、远端风暴形成的重力流[14]、浊流[18]以及易发育波纹层理的牵引流[12]等;而细粒沉积物的沉降方式主要为悬浮沉降[19]、絮凝沉降[3-16-20]以及层流沉积[21]。

1 区域地质概况

图1     雅布赖盆地构造单元(修改自文献[23])Fig.1     The structural division of Yabulai Basin(modified from reference[23])

2 细粒沉积岩岩相划分依据

雅布赖盆地小湖次凹勘探中,雅探11井新河组下段取心200m,薄片、X-射线衍射、有机地球化学等分析测试类型齐全,样品丰富,为开展研究区细粒沉积岩岩相类型划分及特征研究提供了丰富的基础资料保障。

2.1 矿物组分

图2     雅探11井细粒沉积岩不同矿物组分类型及含量分布特征Fig.2     Distribution characteristics of different minerals of fine-grained sediments

2.2 有机质组分

细粒沉积岩中普遍发育有机质,其在细粒物质的沉积动力学、成岩作用及储层形成中具有十分重要的作用[4],但是不同岩石类型的有机质含量相差较大。通过岩心样品有机地球化学测试,结果显示小湖次凹新河组下段细粒沉积岩中,有机碳含量(TOC)整体中等,基本分布在0~4.0%之间,生烃潜量(S1+S2)多数大于6mg/g,达到陆相烃源岩评价中好烃源岩标准(TOC>1.0%,S1+S2>6mg/g)[25]。根据TOC的含量及分布特征,以TOC含量1.5%和2.5%为界,将细粒沉积岩划分为贫有机质(TOC<1.5%)、中有机质(TOC=1.5%~2.5%)和富有机质(TOC>2.5%)3类,其中研究区以贫有机质细粒沉积岩为主,约占76.39%,中有机质细粒沉积岩约占16.14%,富有机质细粒沉积岩约占7.47%[图3(a)]。在岩心和薄片观察的基础上,结合TOC测试和X-射线衍射结果,可以看出随着有机碳含量增加,岩石颜色由灰色逐渐变为黑色,并且不同有机碳含量的岩石中有机质的分布状态存在明显差异,当TOC<1.5%时,岩石以块状构造为主,镜下为少量分散状有机质碎片或断续的长条状有机质碎屑;当TOC值为1.5%~2.5%时,岩石明显以纹层状为主,少量为块状构造,有机质呈分散斑块状至断续薄纹层状分布;当TOC>1.5%时,岩石基本全为纹层状,有机质呈断续纹层状或断续排列的斑块状[图3(b)]。总体上,新河组下段有机质富集段主要位于湖泛面附近,多为深湖—半深湖沉积,陆源碎屑输入少,以含碳酸盐黏土岩和含碳酸盐混合细粒沉积岩为主。

2.3 沉积构造

图3     小湖次凹雅探11井新河组下段细粒沉积岩有机碳含量(TOC)分布特征Fig.3     TOC distribution features of fine-grained sedimentary rocks of lower Xinhe Formation in well Yatan 11 in Xiaohu Subsag

图4     小湖次凹新河组下段半深湖—深湖细粒沉积岩发育的主要沉积构造及岩相类型Fig.4     Major structural typesand main lithofacies of fine-grained sedimentary rocks of lower Xinhe Formation in Xiaohu Subsag

3 细粒沉积岩岩相类型及特征

3.1 岩相划分方案

3.2 岩相类型及特征

图5     小湖次凹新河组下段细粒沉积岩三端元岩石类型划分Fig.5     Ternary diagram of three units to divide fine- grained sedimentary rocks in Xiaohu Subsag

4 细粒沉积岩沉积环境探讨

图6     雅布赖盆地雅探11井新河组下段细粒沉积岩组构特征综合分析Fig.6     Complex diagram of fine-grained sedimentary rocks fabric of well Yatan 11 in Yabulai Basin

图7     细粒沉积物搬运和沉积模式(修改自文献[14])Fig.7     Transporting and deposition model of fine-grained sediment(modified from reference[14])

5 结论

(1)雅布赖盆地小湖次凹新河组下段细粒沉积岩主要发育9种岩相类型,其中主要包括贫有机质块状黏土质细粒长英沉积岩、贫有机质纹层状硅质碎屑型混合细粒沉积岩、贫有机质块状长英质黏土岩、中有机质纹层状硅质碎屑型混合细粒沉积岩、中有机质纹层状长英质黏土岩、富有机质纹层状碳酸盐型混合细粒沉积岩等6种岩相类型。(2)细粒沉积物通过悬浮沉降和絮凝作用等方式搬运和沉积,同时细粒沉积岩岩相类型与特征反映沉积环境和沉积机理的差异,在前三角洲—半深湖的环境中,波浪增强型沉积物重力流普遍发育,陆源碎屑输入多,有机质遭到稀释,形成纵向上贫有机质块状黏土质细粒长英沉积岩—纹层状硅质碎屑型混合细粒沉积岩—块状长英质黏土岩的叠置组合;在半深湖—深湖环境中,水体相对安静,陆源碎屑输入少,碳酸盐和黏土较发育,有机质含量高,形成中—富有机质纹层状混合细粒沉积岩和黏土岩。(3)雅布赖盆地小湖次凹新河组下段细粒沉积岩相类型及特征的精细分析、沉积环境的探讨,是进一步开展研究区细粒沉积平面展布特征和储层特征研究的基础,有利于明确有利岩相(有利烃源岩和有利储层)的发育和分布规律,对细粒沉积岩的油气勘探开发具有现实意义。

THE END
0.特征工程(III)特征构造特征工程(III)--特征构造 有这么一句话在业界广泛流传:数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。由此可见,特征工程在机器学习中占有相当重要的地位。在实际应用当中,可以说特征工程是机器学习成功的关键。 特征工程是数据分析中最耗时间和精力的一部分工作,它不像算法和模型那样是确定的步骤jvzquC41dnuh0lxfp0tfv8vsa6763A7991gsvrhng1jfvjnnu1748>:::98
1.特征选择与特征构造:结合使用的实践本文详细介绍了特征选择与特征构造在数据挖掘和机器学习中的重要性,涵盖了核心概念、算法原理、操作步骤及实际应用案例,包括信息增益、Lasso回归、生成树和PCA等方法。同时探讨了未来的发展趋势和挑战。 1.背景介绍 在数据挖掘和机器学习领域,特征选择和特征构造是非常重要的。特征选择是指从原始数据中选择出与目标变量相jvzquC41dnuh0lxfp0tfv8zpkxksu|p{42761jwvkerf1mjvckrt1:87:2>649
2.闲鱼搜索相关性——体验与效率平衡的背后特征构造 搜索相关性的特征这里分为三个维度:基础特征、文本匹配特征以及语义匹配特征。基础特征主要包括 query 和 item 的统计特征,以及结构化相关的匹配特征,如类目是否匹配、关键属性(品类、品牌、型号等)是否匹配。文本匹配特征主要是字面上的匹配特征,如 term 匹配数、匹配率、带同义词策略的匹配、带 term weighjvzquC41yy}/kwkqs0io1jwvkerf1VrcSk{:vP6U{6LJZT;cK
3.Python机器学习应用之工业蒸汽数据分析篇详解python#%%对训练集和测试集进行特征构造 train_data2, test_data2 = auto_features_make(train_data,test_data,func_dict,col_list=test_data.columns) 四、对特征构造后的训练集和测试集进行主成分分析 1 2 3 4 5 6 7 8 9 10 11 12 #%%PCA from sklearn.decomposition import PCA #主成分分析法 #PCA方法jvzquC41yy}/lk:30pku1jwvkerf1;86;7
4.机器学习特征工程3自动特征构造(FeatureTools)Featuretools是一个执行自动特征工程的框架。它擅长于为深度学习把互相关联的数据集转换为特征矩阵。我们可以将特征构造的操作分为两类:「转换」和「聚合」。我们通过下面的例子来了解FeatureTools使用方法。 代码示例地址: https://github.com/scottlinlin/auto_feature_demo.git jvzquC41yy}/lrfpuj{/exr1r1=29A7fdg8f3n
5.建议收藏机器学习数据预处理(四)——特征构造(内附代码)本文介绍了特征构造的方法,包括类别特征的编码、独立热编码、频率编码和目标编码;数值特征的二值化和交互特征;时间特征的基础周期特征、特殊周期特征和时间差。通过实例展示了如何对数据进行有效处理。 📌特征含义类型 非匿名特征:此部分的特征一般都带有特定的意义,我们可以根据不同的意义来挑选特征,构造特征。 jvzquC41dnuh0lxfp0tfv8|gkzooa=92576::8ftvkimg8igvcomu86487::8@9
6.特征工程实战特征工程-特征构造 1 特征构建引言 如下数据如何放入机器学习算法中 可以看出数据中有分类数据,还有缺失值,非数值型的数据,目前的大部分机器学习算法是不能处理有缺失值的数据,机器学习使用的都是数学和统计学的方法,所以需要对这份数据进行特征构建,使它能够放入到机器学习中去。jvzquC41dnuh0lxfp0tfv8r2a7823A<851gsvrhng1jfvjnnu1734?62:39
7.基于对称注意力机制的视觉问答系统显示缩略图 本文结构 1 引言 2 相关工作 2.1 视觉问答 2.2 注意力机制 3 视觉问答方法模块介绍 3.1 基于LSTM和RCNN的特征构造 3.2 对称注意力模型 3.3 新模型整体架构 3.4 总结 4 实验 4.1 数据集和实验细节 4.2 实验细节 4.3 实验分析 5 结论与展望 参考文献 jvzquC41e/y.c7tti0io1qyon1814:4719?377mvon
8.湘东新元古代沉积岩的地球化学和碎屑锆石年代学特征及其构造意义27 努尔喀纳提·马达依普;湘东新元古代沉积岩的地球化学和碎屑锆石年代学特征及其构造意义[D];新疆大学;年 28 徐文平;内蒙古达青牧场一带二叠系碎屑锆石年龄及其地质意义[D];中国地质大学(北京);年 29 柏治安;湘东新元古代沉积岩的地球化学和碎屑锆石年代学特征及其构造意义[D];桂林理工大学;年 30 任晓锋;东天jvzquC41yy}/ewpk0eun0ls1Ctzjeuj1ELLEVxycn/_TZK72347329:0jvs
9.东秦岭北部富碱侵入岩带岩石地球化学特征及构造意义的岩石学和地球化学,关于岩石类型、岩石组合及时空分布方面的成果,已有另文阐述[9],本次工作选择塔山、鱼池、双山、乌烧沟、磨沟、张士英、太山庙、龙王幢、草庙、三合等富碱侵入体,在区域上研究各类岩石的主元素组成、痕量元素和Nd,Sr和Pb同位素,探讨这些岩石的化学成分空间分布变化规律、形成构造环境与源区特征jvzq<84yyy4hnxgcnikprjwm0qxh0ls1vjktk|46929/j}r
10.读《金赛性学报告》学到的一些性学知识日记一、女性生理构造特征 女性阴道的感受力很低,这我已经在豆瓣上看到过科普的帖子了,几十年前的解剖学研究也早已揭示了这一点。这本书也提到,“大多数女人的阴道内壁缺乏触觉感受器官…只是极靠近阴道开口处才会有所反应”,性交合中的插入引起的更多是心理上的满足感,还有此动作附加的对小阴唇、阴蒂和阴道前庭的挤压jvzquC415i4eq~gcp0ipo8sqvg592@>363981HktqoCbw}mqt
11.机器学习中的特征工程机器学习特征工程4、寻找高级特征(特征构造) 四、特征工程降维 一、特征工程概述 特征工程是数据分析中最耗时间和精力的一部分工作。数据和特征决定了机器学习的上限,而模型和算法则是逼近这个上限。因此,特征工程就变得尤为重要了。特征工程的主要工作就是对特征的处理,包括数据的采集,数据预处理,特征选择,甚至降维技术等跟特征有关jvzquC41dnuh0lxfp0tfv8fukcrfghgktf5bt}neng5eg}fknu596A;5636