引用本文
罗光东, 张立刚, 姜洪福, 亢林琳, 孙伟石, 李钧儒. 基于元素录井的岩石硬度和塑性系数随钻智能预测方法[J]. 录井工程, 2025,36(3): 22-28.
LUO Guangdong, ZHANG Ligang, JIANG Hongfu, KANG Linlin, SUN Weishi, LI Junru. Method of rock hardness and plasticity coefficient intelligent prediction while drilling based on element logging[J]. Mud Logging Engineering, 2025,36(3): 22-28.
Doi:10.3969/j.issn.1672-9803.2025.03.004  
Permissions
Copyright©2025, 《录井工程》杂志社
《录井工程》杂志社 所有
基于元素录井的岩石硬度和塑性系数随钻智能预测方法
罗光东①, 张立刚②, 姜洪福①, 亢林琳①, 孙伟石③, 李钧儒②
①中国石油大庆钻探工程有限公司
②东北石油大学石油工程学院
③中国石油大庆油田公司勘探开发研究院

作者简介：罗光东 高级工程师,1981年生,2010年毕业于东北石油大学矿产普查与勘探专业,现在中国石油大庆钻探工程有限公司油气资源开发技术服务项目经理部从事油气藏地质工作。通信地址：163712 黑龙江省大庆市让胡路区油气资源开发技术服务项目经理部。E-mail：luoguangdong@petrochina.com.cn

收稿日期: 2025-08-05
基金: 国家自然科学基金项目“高温高压多级压裂管柱振动诱发封隔器蠕动失封机理研究”（编号：52374034）;黑龙江省自然科学基金项目“水平井大排量携砂压裂液诱导管柱振动与冲蚀机理研究”（编号：LH2022E018）
摘要

岩石硬度和塑性系数是石油钻探的重要指标,由于全尺寸岩心取心难度大、成本高,利用岩心实验获取该指标的方法受到限制。为此选取某油田青山口组岩心,通过开展静载压入实验和XRF元素实验,构建硬度、塑性系数和元素特征数据集,并运用皮尔逊相关性分析和粒子群优化的BP神经网络（PSO-BP）算法,揭示了岩石硬度和塑性系数的主控元素,建立了基于XRF元素录井的页岩硬度和塑性系数随钻跟踪评价方法。预测结果表明：页岩硬度的主控主量元素为Fe、Al、K、Ca,微量元素为Cr、Rb,页岩硬度与Ca元素呈正相关,与其他主控元素呈负相关;塑性系数的主控主量元素为Ti,微量元素为Cd、Nb、Ni、V,塑性系数与Ti元素呈负相关,与其他主控元素呈正相关;页岩硬度预测模型网络误差为8.06×10-8,塑性预测模型网络误差为3.02×10-11,均小于预设阈值。由该方法在页岩油钻井随钻跟踪中的应用可知,工区页岩主体属于中软3级的低塑性岩石,据此推荐了适配的PDC钻头,取得了较高的机械钻速,为钻井动态优化提供了技术支撑。

关键词: 元素录井; 岩石硬度; 塑性系数; PSO-BP算法; 随钻预测; 钻头优选
中图分类号:TE132.1 文献标志码:A
Method of rock hardness and plasticity coefficient intelligent prediction while drilling based on element logging
LUO Guangdong①, ZHANG Ligang②, JIANG Hongfu①, KANG Linlin①, SUN Weishi③, LI Junru②
①CNPC Daqing Drilling Engineering Company Limited, Daqing, Heilongjiang 163453, China
②School of Petroleum Engineering, Northeast Petroleum University, Daqing, Heilongjiang 163318, China
③Exploration and Development Research Institute of Daqing Oilfield Company, CNPC, Daqing, Heilongjiang 163412, China
Abstract

Rock hardness and plasticity coefficient are important indicators for oil drilling, and the method of obtaining these indicators by core experiments is limited due to the difficulty and high cost of full scale core coring. Based on this background, the cores of Qingshankou Formation in an oilfield are selected to construct data sets of hardness, plasticity coefficient and element characteristics through conducting static load indentation experiments and XRF element experiments. The Pearson correlation analysis and the algorithm of particle swarm optimization BP neural network （PSO-BP） were used to reveal the main controlling elements of rock hardness and plasticity coefficient, and a method of shale hardness and plasticity coefficient evaluation while drilling based on XRF element logging was established. The predictive results show the major elements for main controlling shale hardness are Fe, Al, K and Ca, and the trace elements are Cr and Rb, shale hardness is positively correlated with Ca element and negatively correlated with other main controlling elements. The major elements for main controlling plasticity coefficient is Ti, and the trace elements are Cd, Nb, Ni and V, plasticity coefficient is negatively correlated with Ti and positively correlated with other main controlling elements. The network error of the shale hardness prediction model is 8.06×10-8, and the network error of the plasticity prediction model is 3.02×10-11, both of which are below the preset thresholds. From the application of this method in tracking while drilling shale oil, it can be known that the shale host in the work area belongs to the low-plasticity rock of medium-soft grade 3, so the suitable PDC drill bit is recommended, and a high penetration rate is obtained. The method provides technical support for drilling dynamic optimization.

Keyword: element logging; rock hardness; plasticity coefficient; PSO-BP algorithm; prediction while drilling; bit optimization
0 引言

岩石硬度和塑性系数是石油钻井中合理选择钻井方法、钻头结构以及钻进施工参数的主要依据[1, 2, 3]。地质钻探、油气和矿山开采等领域主要采用静载压入法, 通过平端压头压入全尺寸岩心, 记录吃入深度-载荷关系曲线, 进而测试岩石硬度和塑性系数, 并已建立基于岩石硬度和塑性系数的分级分类标准[4]。静载压入法是三轴应力状态下测定岩石局部破碎强度的方法, 能综合反映岩石的强度和变形特征, 全面体现岩石钻凿过程中的破碎学性质[5, 6, 7]。

为了解决钻井取心难度大和成本高的问题, 国内外学者探索了利用岩屑资料法、测井资料法和随钻资料法解释岩石硬度的方法。通过岩屑资料法发现, 满足一定尺寸规格的岩屑, 其吃入深度-载荷关系曲线具有较好的可重复性, 能够反映岩石的力学性质, 但尚未建立岩屑的选择标准[8, 9, 10, 11]。通过测井资料法发现, 声波时差和自然伽马信息与岩石硬度具有较好的相关性, 并建立了相应的数学回归方程, 在钻后评价中取得了较好的应用效果, 但在钻井过程实时性指导方面稍逊一些[12, 13]。随钻资料法利用钻孔过程中采集的钻压、钻时、扭矩、钻进耗能等破岩反馈信息, 或随钻XRD录井采集的矿物成分和含量等信息, 运用力学平衡、能量守恒原理、数学加权平均、岩石物理等方法, 解译信息中包含的岩体工程特性参数, 具有实时性、实物性和连续性的优点[14, 15, 16, 17]。近年来, XRF元素录井在页岩油气开发中得到了广泛应用, 主要用于岩性识别、脆性指数计算、有机质丰度评价等, 但在岩石硬度和塑性系数评价中应用较少[18, 19, 20]。

本文以某油田青山口组为研究对象, 开展了岩石静载压入实验和XRF元素分析实验, 获得了岩石硬度、塑性系数和元素特征数据集, 揭示了岩石硬度和塑性系数的主控元素, 并建立了基于XRF元素录井的岩石硬度和塑性系数预测模型, 在页岩油钻井随钻跟踪中取得了较好的应用效果。

1 静载压入实验和XRF元素分析实验
1.1 静载压入实验

静载压入实验采用的是岩石工程力学参数测定系统, 如图1a所示, 可选择恒压或恒速率加载, 连续记录吃入深度-载荷关系曲线（图1b）, 进而完成岩石硬度和塑性系数测试。

图1 静载压入实验设备及实验曲线

岩石硬度定义为岩石发生脆性破碎时接触面上单位面积的载荷, 即：

py=PS

式中：py为岩石硬度, MPa; P为产生脆性破碎时压头上的载荷, N; S为压头的底面积, mm2。

岩石塑性系数定义为破碎前耗费的总能量与弹性变形能的比值, 即：

K=SOABCSODE

式中：K为塑性系数; SOABC为图1b中图形OABC的面积, mm2; SODE为图1b中三角形ODE的面积, mm2。

岩石硬度和塑性系数的岩石分级标准, 分别见表1和表2。

表1 岩石硬度的分级标准
表2 岩石塑性系数的分级标准

本次静载压入实验选取某油田青山口组全尺寸页岩岩心18块, 部分岩心样品的岩心直径110 mm, 高度30~50 mm。为了保障静载压入实验的数据质量, 对样品进行了线切割和精磨（先用较粗的金刚砂, 后改用细粒金刚砂打磨）, 保证了岩样两端面平滑且相互平行。压头尺寸的选择：对于致密的均质岩石, 一般采用底面积为1~2 mm2的压头; 对于组成颗粒大于0.25 mm且硬度不高的岩石, 宜使用底面积为3 mm2的压头; 对于多孔低强度岩石, 建议使用底面积为5 mm2的压头。实验页岩样品压实作用强, 沉积物粒度细, 矿物粒度以小于3.9 μ m的小颗粒为主, 因此选用了底面积为1.5 mm2的压头。

页岩硬度和塑性系数实验结果如图2所示。页岩样品的硬度主要分布在278.6~659.4 MPa之间, 塑性系数主要分布在1.17~4.02之间。

图2 静载压入实验结果

1.2 XRF元素分析实验

利用布鲁克能量色散型X射线荧光（简称XRF）光谱仪对样品的元素含量进行了测试, 测定的元素种类包括主量元素和微量元素共35种, 不同页岩样品元素含量的分布特征如图3所示。

图3 元素含量分布

样品主量元素为Si、Mn、Al、Fe、Mg、Na、K、Ca、Ti、P等, 是构成岩石和矿物的主体, 对岩石的性质和分类有重要影响; 微量元素主要有V、Ni、Cu、Zn、Cr、Ba、Ga、Pb、Sr、Mo、Co、Y等, 能够反映古地理环境和成岩作用环境, 也会影响岩石的力学性质。

2 页岩硬度和塑性系数的主控元素
2.1 页岩硬度和塑性系数与主控元素的相关性

鉴于现场录井元素较多, 如果把这些元素都作为模型输入变量, 会造成数据冗余, 影响模型训练精度。因此, 采用皮尔逊相关性分析方法, 确定影响页岩硬度和塑性系数的主量元素和微量元素。皮尔逊相关系数计算方法为：

rxy=∑（xi-x¯）（yi-y¯）∑（xi-x¯）2（yi-y¯）2

式中：rxy为皮尔逊相关系数; xi和yi分别为变量x和y的各个数据点; x和y分别为变量x和y的平均值。

皮尔逊相关系数值介于-1到1之间, 绝对值越接近1, 表示两个变量之间的线性关系越强; 绝对值越接近0, 表示线性关系越弱。页岩硬度和塑性系数与元素的皮尔逊相关系数计算结果如图4所示。

图4 页岩硬度和塑性系数与元素的皮尔逊相关系数计算结果

页岩硬度与元素的皮尔逊相关系数绝对值分布介于0.090 7~0.923 5之间, 主控的主量元素依次为Fe、Al、K、Ca, 主控的微量元素依次为Cr、Rb; 塑性系数与元素的皮尔逊相关系数绝对值分布在0.003 9~0.701 9之间, 主控的主量元素为Ti, 主控的微量元素依次为Cd、Nb、Ni、V。

2.2 页岩硬度和塑性系数与主控元素的单因素关系

页岩硬度主控主量元素和微量元素与页岩硬度的关系如图5所示。页岩硬度与Ca元素呈正相关, 与Fe、K、Al、Cr和Rb元素呈负相关。

图5 页岩硬度主控元素与页岩硬度的关系

页岩塑性系数主控主量元素和微量元素与页岩塑性系数的关系如图6所示。页岩塑性系数与主控元素Ti呈负相关, 与Cd、Nb、Ni、V元素呈正相关。

图6 页岩塑性系数主控元素与页岩塑性系数的关系

3 页岩硬度和塑性系数智能预测模型
3.1 页岩硬度预测模型

基于录井元素和页岩硬度实验数据集, 将元素作为输入变量, 页岩硬度作为输出目标, 考虑初始权重和阈值对BP神经网络算法稳定性和精度的影响, 构建粒子群优化的BP神经网络（PSO-BP）算法的页岩硬度智能预测模型, 只选取页岩硬度的主控元素Fe、Al、K、Ca、Cr、Rb作为输入变量, 建立了页岩硬度PSO-BP神经网络预测模型, 如图7所示。

图7 页岩硬度PSO-BP神经网络预测模型

在模型训练过程中, 首先初始化粒子群, 每个粒子代表在网络的一组权重和阈值。利用前向传播计算每个粒子对应的网络误差, 并通过个体和全局误差的比较, 找到个体历史最优误差和全局最小误差。基于这些最优值, 利用粒子群更新粒子的速度和位置, 优化网络的权重和阈值。随后, 通过BP神经网络的反向传播对优化后的权重和阈值进一步调整, 再将优化结果代入训练集, 计算误差并评估网络性能, 若误差小于预设阈值（1× 10-7）则停止训练。在本研究的BP训练阶段, 学习率设置为0.01, 模型的预测结果如图8所示。

图8 页岩硬度PSO-BP神经网络预测结果

训练模型验证最佳性能为第13轮次, 误差为8.06× 10-8, 小于预设阈值, 训练集R2=0.952。

3.2 页岩塑性系数预测模型

基于录井元素和塑性系数实验数据集, 将元素作为输入变量, 塑性系数作为输出目标, 构建粒子群优化的BP神经网络（PSO-BP）算法的塑性系数智能预测模型。为避免数据冗余, 选取影响页岩塑性系数的主控元素Ti、Cd、Nb、Ni、V作为输入变量, 建立了页岩塑性系数PSO-BP神经网络预测模型, 如图9所示。

图9 页岩塑性系数PSO-BP神经网络预测模型

基于PSO-BP算法的页岩塑性系数预测结果如图10所示。训练模型验证最佳性能为第9轮次, 误差为3.02× 10-11, 小于预设阈值, 训练集R2=0.834。

图10 页岩塑性系数PSO-BP神经网络预测结果

4 工程应用

基于XRF元素录井的页岩硬度和塑性系数智能预测方法, 在页岩油开发随钻跟踪中应用于12口井, 其中YY-1井2 200~2 550 m井段岩石评价结果如图11所示。

图11 YY-1井岩石硬度和塑性系数预测结果

该井段元素录井显示Si元素含量最高, 主要分布在48%~56%之间; 页岩硬度主控元素中Fe、Al、K、Rb波动较小, Ca和Cr起伏较大; 页岩塑性系数主控元素中V波动较小, Ti、Cd、Nb、Ni起伏较大。页岩硬度主要分布在200~400 MPa之间, 页岩塑性系数主要分布在1.17~3.47之间。工区页岩主体属于中软3级的低塑性岩石, 据此推荐采用4刀翼, 16 mm切削齿, 中低密度布齿的PDC钻头, 平均机械钻速达到了7.68 m/h, 为钻井提速提效提供了有效支撑。

5 结论

（1）应用XRF元素录井获取的丰富地质信息与岩石的硬度和塑性系数息息相关, 页岩硬度主控元素为Fe、Al、K、Ca、Cr、Rb, 塑性系数主控元素为Ti、Cd、Nb、Ni、V。

（2）运用粒子群优化的BP神经网络（PSO-BP）算法, 建立了基于XRF元素录井的页岩硬度和塑性系数智能预测模型, 实现了页岩硬度和塑性的随钻实时评价。

（3）研究成果在页岩油开发随钻预测中应用, 工区页岩主体属于中软3级的低塑性岩石, 据此推荐适配的PDC钻头, 取得了较高的机械钻速, 有效支撑了工区钻井提速提效。

（编辑 王丙寅）

参考文献
[1] 刘宗平, 王润起, 颜纯文. 岩石压入硬度及其在坑探工程中的应用[J]. 探矿工程, 1993(4): 55-57.
LIU Zongping, WANG Runqi, YAN Chunwen. Rock indentation hardness and its use in tunnel engineering[J]. Exploration Engineering, 1993(4): 55-57. [本文引用:1]
[2] 陈涛, 颜斌, 柯学, 等. 阿克纠宾地区高研磨硬地层提速技术[J]. 新疆石油天然气, 2020, 16(4): 22-26.
CHEN Tao, YAN Bin, KE Xue, et al. Drilling speed improvement technology for high abrasive hard formation in Aktobe area[J]. Xinjiang Oil & Gas, 2020, 16(4): 22-26. [本文引用:1]
[3] 孔祥伟, 陈昊, 叶佳杰, 等. 基于PCA预测岩石可钻性级值的钻头优选[J]. 新疆石油天然气, 2022, 18(3): 6-11.
KONG Xiangwei, CHEN Hao, YE Jiajie, et al. Bit selection based on PCA to predict drillability level of hard rocks[J]. Xinjiang Oil & Gas, 2022, 18(3): 6-11. [本文引用:1]
[4] 张厚美, 谢齐平. 压入硬度的修正方法: 根据硬度和塑性系数估算破岩比功[J]. 探矿工程, 1998(3): 49-51.
ZHANG Houmei, XIE Qiping. Correction of the indentation hardness: Estimating the rock destruction specific energy based on the hardness and plasticity coefficients[J]. Exploration Engineering, 1998(3): 49-51. [本文引用:1]
[5] 林星华. 岩石压入硬度的实际意义[J]. 新疆有色金属, 2008(6): 85.
LIN Xinghua. The practical significance of rock indentation hardness[J]. Xinjiang Youse Jinshu, 2008(6): 85. [本文引用:1]
[6] 李斌, 杨春雷, 刘勇. 根据岩屑硬度和塑性系数确定地层岩石的力学性质[J]. 地下空间与工程学报, 2005, 1(6): 915-917, 939.
LI Bin, YANG Chunlei, LIU Yong. Rock mechanical properties according to hardness and plasticity coefficient of rock cuttings[J]. Chinese Journal of Underground Space and Engineering, 2005, 1(6): 915-917, 939. [本文引用:1]
[7] 周忠鸣. 岩石材料史氏硬度标准测试影响因素敏感性分析[J]. 工程地质学报, 2024, 32(2): 359-369.
ZHOU Zhongming. Sensitivity analysis of factors affecting Shi's hardness in rock materials[J]. Journal of Engineering Geology, 2024, 32(2): 359-369. [本文引用:1]
[8] 问晓勇, 张敏, 牟春国, 等. 基于钻井岩屑评价水平井地层力学性质: 以鄂尔多斯盆地太原组灰岩为例[J]. 钻采工艺, 2024, 47(1): 87-93.
WEN Xiaoyong, ZHANG Min, MU Chunguo, et al. Evaluation of formation mechanical properties along horizontal well based on drilling cuttings: A case study of Taiyuan Formation limestone in Ordos Basin[J]. Drilling & Production Technology, 2024, 47(1): 87-93. [本文引用:1]
[9] RINGSTAD C, LOFTHUS E B, SONSTEBO E, et al. Prediction of rock parameters from micro-indentation measurements: The effect of sample size[R]. SPE 47313, 1998. [本文引用:1]
[10] 葛洪魁, 宋丽莉, 林英松, 等. 岩屑波速及微硬度测试的初步研究[J]. 石油钻探技术, 2002, 30(2): 1-3.
GE Hongkui, SONG Lili, LIN Yingsong, et al. Primary study on testing of cuttings' acoustic velocity and micro-hardness[J]. Petroleum Drilling Techniques, 2002, 30(2): 1-3. [本文引用:1]
[11] 张立刚, 李浩, 李庆龙, 等. 点载作用下页岩岩屑史氏硬度尺度效应研究[J]. 岩土力学, 2025, 46(6): 1678-1686.
ZHANG Ligang, LI Hao, LI Qinglong, et al. Scale effect on Schmidt hardness of shale cuttings under point load[J]. Rock and Soil Mechanics, 2025, 46(6): 1678-1686. [本文引用:1]
[12] 王克雄, 郭清, 朱益. 测井资料在岩石硬度预测中的应用[J]. 煤田地质与勘探, 2006, 34(5): 68-70.
WANG Kexiong, GUO Qing, ZHU Yi. Study on application of rock hardness prediction with logging data[J]. Coal Geology & Exploration, 2006, 34(5): 68-70. [本文引用:1]
[13] 李庆峰, 董丽新, 何丽. X盆地深部地层岩石可钻性测井评价方法及应用[J]. 测井技术, 2018, 42(2): 210-214, 231.
LI Qingfeng, DONG Lixin, HE Li. Logging evaluation method of rock drillability and its application in deep strata of X Basin[J]. Well Logging Technology, 2018, 42(2): 210-214, 231. [本文引用:1]
[14] 冯志威, 马力, 陈彦龙, 等. 基于BP神经网络理论的岩石硬度识别[J]. 西安科技大学学报, 2021, 41(1): 121-127.
FENG Zhiwei, MA Li, CHEN Yanlong, et al. Rock hardness identification based on BP neural network theory[J]. Journal of Xi' an University of Science and Technology, 2021, 41(1): 121-127. [本文引用:1]
[15] 王猛, 齐吉琳, 皮进, 等. 基于矿物加权硬度确定岩石磨蚀性的试验研究[J]. 水利与建筑工程学报, 2023, 21(3): 99-104.
WANG Meng, QI Jilin, PI Jin, et al. Experimental study on determining rock abrasivity based on mineral weighted hardness[J]. Journal of Water Resources and Architectural Engineering, 2023, 21(3): 99-104. [本文引用:1]
[16] 常聚才, 戚鹏飞, 陈潇. 基于特征优选和随机森林的掘进机多工况截割岩石硬度识别[J]. 煤炭学报, 2023, 48(2): 1070-1084.
CHANG Jucai, QI Pengfei, CHEN Xiao. Rock hardness identification for multi-condition cutting of roadheader based on feature optimization and rand om forest[J]. Journal of China Coal Society, 2023, 48(2): 1070-1084. [本文引用:1]
[17] LI Q, LI J P, DUAN L C, et al. Prediction of rock abrasivity and hardness from mineral composition[J]. International Journal of Rock Mechanics and Mining Sciences, 2021, 140(2): 104658. [本文引用:1]
[18] 顾炎午, 唐诚, 王崇敬, 等. XRF元素录井用于随钻开展页岩评价参数计算的方法[J]. 录井工程, 2018, 29(1): 47-52.
GU Yanwu, TANG Cheng, WANG Chongjing, et al. XRF element logging method for calculating parameters of shale evaluation while drilling[J]. Mud Logging Engineering, 2018, 29(1): 47-52. [本文引用:1]
[19] 于翔涛. 元素录井技术在页岩气井地质导向中的应用: 以长宁区块L 209H25-1井为例[J]. 中国石油大学胜利学院学报, 2021, 35(1): 45-50.
YU Xiangtao. Application of element logging technology in geosteering of shale gas wells: A case study of well L 209H25-1 in Changning block[J]. Journal of Shengli College China University of Petroleum, 2021, 35(1): 45-50. [本文引用:1]
[20] 何叶, 张涵冰, 郑儒, 等. 基于元素录井的页岩气水平井钻遇小层分析及储层评价参数计算[J]. 天然气工业, 2021, 41(增刊1): 110-117.
HE Ye, ZHANG Hanbing, ZHENG Ru, et al. Analyzing the sublayers drilled by shale-gas horizontal wells and calculating reservoir evaluation parameters based on element logging[J]. Natural Gas Industry, 2021, 41(S1): 110-117. [本文引用:1]