热模拟和成熟度模拟的灵敏度分析

热模拟和成熟度模拟的灵敏度分析 对沉积盆地现在和过去热结构的认识,是了解沉积盆地演化和烃类勘探成功的关键。通过来自丹麦中心槽的例子来讨论用井下温度和镜质体反射率数据反演法来揭示古地温结构的可行性和局限性。 在源岩温度史和干酪根降解的动力学参数不确定的情况下，对石油生成的预测是灵敏的。用以前发展的随机方法可以对地表温度、热流、埋深、热阻率结构及动力学参数的不确定性所造成影响进行探测。关于石油生成阶段的可靠陈述，主要归结于数字模型的三个方面:1)，源岩没有生成过大量的石油;2)，源岩已经释放了它大部分的生油潜力;3)，源岩已经释放了一些生油潜力。在第二种情况下，石油生成阶段可以通过源岩转化的累积分布方程被很好的描述出来。这个方程反映了基本模型中系数不确定性的影响。特殊转换率值产生的概率为零,正如传统的确定性模型一样。下面给出在丹麦中心槽的应用实例。 关键词:盆地模拟;反演;热构建;烃类勘探。 绪论 盆地模拟就是对在盆地形成和演化过程中的地质、化学、物理及地球物理过程的科学假设进行验证。而且，盆地模拟在石油勘探中得到了重要应用。 在这些假设的验证过程中，最重要的就是了解可利用的数据对定量模型的关键性参数的限定程度。无论定量模型是否用于了解自然地质情况，这一点都是至关重要的。Jackson于1972年在地球物理文献发表的《变异分析》一文中指出:当“灵敏度分析”被普遍应用于盆地模拟的情况下，用定量法来确定模型中非唯一的参数问题。这篇文章的目的就是讨论一些关于模型灵敏度与盆地模拟在热构建和石油生成预测中重要应用的关系。 古地温的构建是盆地模拟的关键，这是由古热流对地质动力学模型的控制作用和古沉积温度对油气勘探的重要性决定的。例如，在烃类生成的最初温度区间 0里，在几个百万年中，5的差异对烃类预测都会产生关键的影响。最近的文章c (Gallagher和Sumbrige,1992,Nielsn,1996)表明:从有气勘探的角度来看，用反演井底温度和有机质成熟度指标构建的古热史会产生一个相当悲观的结果。然而，通过反演井眼数据所获得的古地温信息在不要求灵敏的计算沉积温度的应用中确实是有用的，这一点可以通过丹麦中心槽的应用实例得到说明，这个例子也说明了用井眼温度反演和镜质体反射率构建古地温的可能性和局限性。 在烃类勘探中，处理热和动力学模型不确定性的方法就是构建预测模型的实际误差限。石油生成预测的误差范围大小，可以用随机分布的方法来确定(Nielsen,1995b)。这种方法就是在给定时间的情况下，把基本的不确定性转换成源岩转化率的随机函数。这篇文章比以往任何一篇文章都详细的讨论了一些参数对不确定性的影响，而且，还给了一个随机方法在丹麦中心槽应用的例子。 古地温结构 沉积盆地过去的热结构必须通过间接的方法来确定。现在，通常的沉积盆地热演化史的演化模型都依靠各种现今的井眼数据，其中包括温度、镜质体反射率、流体包裹体、径迹长度分布和生物标志物(Tissot et al,1978)。 沉积热历史主要是通过地温梯度和埋藏史随时间的变化来确定的。地温梯度主要是由热流和热阻率来决定的。通常情况下，各种井眼数据，例如，钻井记录、生物地层学特征都包含了埋藏史和热阻率的信息。这使得热流史成为可确定的未知量。 1 在热构建中，自动模型优化程序被用来确定古热流(Lerche，1988)。然而，定量结果非均一性的方法却没有变化。Gallagher 和 Sambridge(1992)应用稳态热模型和最小二乘反演法来确定古热流，这种方法对于不同类型的去噪测井数据能得到满意的结果。他们得出:仅仅依靠地质时期的最高温度不容易得到古热流，即热历史的结构。由于在很多情况下，地质历史的最高温度是现在，这就意味着不能很好的建立起古地温的结构。然而在这种情况下，非均一性是不能被定量描述的。 应用最小二乘反演和随机模拟相结合的过渡模型来解释井Nielsen(1996) 眼温度、镜质体反射率、流体包裹体温度。依据Gallagher and Sambridge(1992)的研究，Neilsen发现有机质成熟度指示剂中的热信息很有，因此只有当盆地不断降温,而不是随着埋深而升温时，应用有机质成熟度指示剂才会得到很好的结果。当最大沉积温度是现今时，成熟度指示剂就不那么灵敏了,必须通过增加温度,重新构建热结构(When the maximum sediment temperature is at present ,maturity indicators which are less sensitive to resetting by increasing temperatures must be applied)。 在现今的技术条件下，磷灰石裂变径迹分布不是解决热历史构建的最终办 1991)的研究表明，即使对于最好的裂变径迹模型，古地温对径法。Corrigan( 0迹分布是最敏感的，得到的热历史的误差也要大于10，而且得到的热历史的c 都不利于油气生成(and that resolution over most of the thermal history generally is much poorer)。 流体包裹体均一温度(Horsfield and McLimans，1984)很可能就是流体流入时的古地温。然而，Hazeldine和Oshoe(1993)在研究石英包裹体时提出了一个严肃的问题，那就是不同时期的包裹体，在地质历史时期由于埋深和加热是 0否会改变。由Barker提供的数据表明，用流体包裹体确定的埋藏温度会有20c左右的不确定性(uncerttainty)。 通常情况下，对于热演化史的构建，井眼温度、镜质体反射率是唯一有用的数据。这就也是北海井的情况。因此在接下来的部分，我们研究了一个基于这类数据建立的热演化史的例子，这是一个来自丹麦中心槽的应用实例。 井眼温度和镜质体反射率包含多少有关热历史的进化信息,这个问题通过Neilsen(1996)的程序在丹麦中心槽中某一井的应用得到了回答。这个程序对于一维热模型中的热流史，采用最小二乘反演与随机模型相结合的方法(蒙特卡罗模拟)。 用最小二乘反演法(Tarantola和Valettle，1892)估计热历史，就是用最小二乘的思想对井眼数据进行。热流史被参数化后，以10Ma为间隔进行线性插值。因此对于200 Ma的地质历史，需要21个可变的(variable)热流值，即在0、10、20„190和200个Ma时的热流值。这种方法利用了演绎的热流信息(Jackson，1979;Jacobsen，1982，1993)，因此在测井数据不能控制结果的时间段，就采用了演绎的热流估计。 因此反演结果是不唯一的。首先，测井数据存在统计误差。因此重复测量会产生许多相似但没有特性的数据组。反演这些具有相同有效性的数据组，必然会产生不同的热历史;其次，对演绎的热历史的选择也会影响结果。乍一看，这种 2 影响对于反演法是致命的，因为，为什么不用这些数(井眼数据、镜质体反射率等)据确定全部的热历史哪,答案是这些数据中包含的信息不足以确定全部的热历史。例如，有机质成熟度指示剂往往只记录它所经历的最高温度。而且，现今的温度仅仅显示现今的热历史。因此，在某些时候，必须增加信息，以避免在某地质时间段内反演出不现实的结果(即，快速而且大的振幅振荡)。(to prevent the inverse solution becoming unrealistic in geological time intervals which have only little influence on the borehole data.)这段时间(对测井数据的影响很小。事实上，任何用反演井眼数据估计热历史的方法都在某些方面增加了信息，只不过对使用者都或多或少的隐瞒了这些增加的信息，对演绎的估计热流的(The call for an a priori heat flow estimate makes this fact comfortably visible) 使用，使得这些信息在现今的反演法中是可见的。 在上述方法得到的反演结果中，用后面提到的参数协方差矩阵(Tarantola and Velette，1982)来描述在线性反演中提到的非均一性。现今的反演可能是非线性的，这就是我们为什么要求助于蒙特卡罗模拟的原因。这个程序的关键就是对有细微差别的有效数据组同演绎热流的不同组合进行多次反演。结果的分布显示非均一性的程度。 每组井眼数据的细微差别是由实际的测井数据中掺入随机噪声引起的。随机 0噪声的偏差等同于每组数据的标准偏差，即温度为5，镜质体反射率为c 00.05,(which for temperatures is taken 5 and for vitrinite reflection c 0.05%)。 可以演绎一个热流历史，使它能够反应当时的地质情况。例如，在岩石圈扩张时期，演绎的热流可以成上升的过程。在接下来的岩石圈时期，大约在60Ma，古热流可以设计成随指数衰减的形式。如果在指定的时间内对古热流知之甚少，就把它设计成平滑的变化形式。现今大多数对演绎热流的模拟都是这样的。 图1显示了井E,1在丹麦中心槽的位置;图2给出了沉降曲线。有关岩层的资料来源于Nielsen和日本(1991);有关压实和热方面的参数来自丹麦中心槽地区的测井解释。 图3显示了10个演绎的模型;图4显示了10个反演结果。浅处的热流(图3(A)和图4(A))是以计算井的最深沉积处热流的方法(at the base of the deepest sedimentary level of the well)计算的。因此，没有考虑放射性生热的影响。莫霍面热流(图3(B)和4(B))是反演变量。井的最深沉积层位的温度史显示在图3(C)和4(C)。预测的镜质体反射率被显示在图3(D)和(E)，这些预测的温度和镜质体反射率与莫霍面的热历史有关。很明显，这些数据很分散。反演后，提高了这些数据的一致性(the agreement with data is considerably improved)。(图4(D)和(E))。 在反演的过程中，只要能提高预测值与实测值的一致性，就可以对一定时期的古热流进行修改。如果在某一时期没有实际的测井数据，那么反演结果就由演绎的热流、热流历史的相关结构和岩石圈热传导的过程来控制。 通过图3和图4的比较，大约在100Ma之后，由于有了测井数据，减小了结果的分散性。在此之前，古地温结构受演绎热流的控制，而与测井数据无关。这就导致了预测结果具有很大的分散性。 在图4(B)中热流历史有很低的热流密度，这可能是不现实的。之所以把它 3 们也列在这儿，是为了突出镜质体反射率和井眼温度对古地温结构的控制作用。 很明显，从140Ma到现在——这期间最深的沉积样品埋藏到一定深度——最大可 能热流值处在一个很窄的范围内。热流值的上限由最深的镜质体反射率样品来决 定。这个最深的镜质体反射率样品阻止了温度无论在任何时候都不能超过一定 1995a)所讨论的那样，对于给了镜质体样品和热阻率值。因此就像Nielsen( 的上覆地层埋藏使，依据可能的热流值上限确定了一个时间(the burial history of a given vitrinite sample together with the thermal resistivity of the overburden defines a time dependent upper limit for the possible heat flow)。另一方面，对于较低的热流值，可能使埋藏使延长，直到有更高的热流 值对此进行了补偿。这就确保了现今的温度与镜质体反射率的一致。所需时间取 决于岩石圈的热时间常数和热流历史浮动的相关数值范围(the thermal time constant of the lithosphere and the correlation scale of fluctuations in the heat flow history)。 象北海中部大多数井一样，井E,1的最大沉积温度是在现今。此外，井E ,1已钻到典型深度，大约4km，并获得了典型的热和成熟度数据:温度和镜 质体反射率。因此，图4是与热结构相对应结果，是北海中部典型的例子。尽 管如此，系统的热记忆(the thermal memory of the system)、最高温度控制 着镜质体反射率。而且，与图3完全忽略测井数据相比，井眼数据对古地温结 构具有很强的限制作用。 从图4可以明显地看出，随着地质年代的增加，热结构的分辨力开始恶化。 当这种情况在北海中部是普遍时，它往往是不真实的。例如，当一个热沉积盆地 逐渐冷却而不是随着埋深升温时，且在井眼温度和较低的镜质体反射率值控制着 最近热结构的情况下，在以后重建的热结构中，深部的反射率值可能会丢失When the general cooling of a hot sedimentary basin more than outpaces the heating due to burial,deep vitrinite reflectance data may escape later thermal structure while borehole temperatures together with more shallow vitrinite reflectance values control the more recent thermal structure)。 在抬升和剥蚀的情况下，重建的热结构提供了另一种保存镜质体反射率的方式。 在这种情况下，最大埋深时的最高温度可能被估计出来，由于增加了最大埋深和 剥蚀沉积层热导率的不确定性，估计的相关古热流可能会更不准确(Jensen and Nielsen，1995)。 盆地模拟在油田勘探中有着重要的应用。例如，在沉积盆地中，应用定量模 型对烃类的生成、运移、聚集进行预测(Welte 和Yukler，1981;Tissot 和 Espitalie，1975;Tissot 等人,1987)。传统的模拟程序是选择合理的参数值，这些值与可利用的数据相一致或是受限于以前的知识，然后运行一个正演模型。 通过对不同参数组合的反复测试，一个与现有数据一致，符合地质、地化、地球 物理原理的模型就产生了。 为了减小预测结果在勘探应用中的风险，需要对定量的预测结果进行定性的 分析。例如，对于输入的参数值，预测结果可能会在怎样的范围哪,原则上，利 用不同的参数组合和变量的适当变化，对正演盆地模型进行反复计算，然后通过 观察结果的分散性，就可以得到这个问题的答案。这也是Hermarud等人(1990) 和Irwin等人(1993)所用的方法。这个方法的一个缺点就是就是所耗时间太长，特别是对多维模型。 在油灶地区预测源岩转化的程度是盆地模拟在油气勘探中的重要应用。这个 4 程序通常被用来从转化率图上估计热成熟度模式。进一步的应用就是估计二次运 移的可得油气量，即应用在油气前景的分类上。因此，在很多的情况下，盆地模 拟的一些基本因素在很大程度上决定着巨大的、潜在的经济利益。很明显，对于 从盆地模拟中得到的结果，对其可信度进行评价是很必要的。 对转化率的预测，需要源岩热历史和干酪根降解的动力学模型。这两个因素 都具有统计不确定性。这就导致了预测的转化率的不确定性。这种不确定性可以 )，它需要在某一时间点上计算源岩转通过Nilsen的随机方法进行估计(1995b 化率的累积分布函数。这个累积分布函数得出结果表明，预测的转化率值小于给 定值的概率。而且，在给定源岩温度和动力学参数不确定性的情况下，可以得到 分布函数的一些特征值(This distribution function, by definition yields the probability that the transformation ratio value is smaller than a given value and contains the essence of what can be inferred about the transformation ratio for the given uncertains in source rock temperature history and kinetic parameters)。例如，中值、平均值、众值和转化率的标 准偏差都可以从累积分布函数中计算出来。而且，转化率的蒙特卡罗模拟还考虑 到减少绘制从累积分布函数得到的数据的时间。这个过程要比变化参数值重新计 算模型要快得多。 结合平均动力学参数的(Normaldistribution of the average kinetic parameters)正态分布可以模拟出动力学参数的不确定性。这需要三个分布参数 ,(three distribution parameters):，干酪根降解的平均活化能的标准偏差e (The standard deviation of the average activity energy of kerogen ,,degradation);，阿雷尼乌斯因子的平均对数标准偏差;，相关系数(通a 常接近于1，某些时候被认为是“补偿系数” )。 ,依据Nielsen(1995b)的方法，对井下温度的标准偏差进行参数化处理。 T ,,,q22222rz,，(,T,,,T,){{()，1}，{()，1}{()，1},1} ,,Tss,Q,,R,,Z, (1) ,,,qrz,,,是地表温度的不确定性;分别为热流、一定深度以上的平s,Q,,R,,Z, 均热阻率结构(average thermal resistivity structure)、埋深的不确定性; T，源岩的期望温度史(expect source rock temperature history);<>,s T期望的地表温度史。因此，(,<>)是由埋深引起的期望温度组分(the s expect temperature component)。在不同范围内误差的暂时浮动可以通过具有 特定的相关函数和相关刻度的正态随机过程模拟出来(见Neilsen，1993)。 对古地表温度了解的不够深入，导致了地表温度的不确定性;缺乏对成岩压 实过程中岩性、孔隙度的详细了解和对热导率演化的不准确描述,引导了致热阻 率的不确定性。Brigaud等人(1990)推导出由基质热导率或是基质热阻率所确 5 定的结果的精度，通常要比从井眼数据中得到的高出20,。在平均热阻率结构 取决于沉积柱体的岩性和孔隙度的深度处，这些基本的不确定性是怎样影响相对 ,r不确定性的哪,埋深的不确定性是由压实模型不确定性和由地震测线确定R 现今的深度结构(present day depth structure)的不确定性引起的。显然，这 种不确定性取决于对地表波速的了解程度。因为从井眼数据中不可能得到准确的 热流历史,所以产生了热流的不确定性。就像前面所讨论的那样。 从方程(1)中可以明显的看出，热流、热阻率结构和埋深的不确定性对,T 的影响程度是一样的，即，任何一个因素5,的不确定性都会对,产生同样的T 影响。 从随机函数中得到的主要结果就是某一地质时期源岩转化率的累积分布函 数。这个函数反映了在考虑时间的情况下，输入参数的统计不确定性是如何传递 给转化率的统计不确定性的(this function reflects how statistical uncertainties in the input parameters propagate into statistical uncertainty in the transformation ratio at the time considered)。图5 00(A)显示了当源岩期望温度为140、热耗率为常数1/Ma时计算的累积分布cc 0函数。表面温度的不确定性为3，温度埋藏组分(burial component of c temperature)的不确定性为5,。因此，在考虑时间的情况下，温度的标准偏 0差累计可达7.6。干酪根降解的平均活化能的不确定性为0.75kcal/mole。转c 化率中值是一个与0.5这个概率有关的值。因此对应于图5(A)，中值为0.78(From Figure 5(A) it hence follows that the median is 0.78)。更进一步可以看 出，对应0.4 的概率，转化率在0.64和0.88之间。转化率低于0.64的概率为 0.3。转化率低于0.88的概率为0.7。图5(B)表明，概率密度函数与图5(A) 的累积分布函数有关。很明显，当转化率的值在0.93左右时，概率密度取最大 值。然而，图5(A)表明，转化率值大于0.88的概率仅为0.3。 图6源岩演化的概率估计是依据在靠近源岩演化的时间间隔(即，每5Ma) 点上对源岩转化率累积分布函数的估计(Evaluation of the probabilistic source rock evolutions of figure6 is based on evaluation of the cumulative distribution function of the ratio at closely spaced times(e.g.every 5 0Ma)during source rock evolution)。热耗率为1/Ma，现今的期望温度为c 00160。在60Ma的期望温度为100。通过转化率中值的演化和转化率间隔,演cc 化概率被具体化了，这些具体化的概率为20、46、60或80,，在给定的时间点， 它们包含了转化率的真实值(The probabilistic evolution is visualized by the evolution of the median value of the transformation ratio and transformation ratio intervals, which with probability 20,40,60,or 80%contain the true value of the transformation ratio at a given time)。 0,因此，区间的宽度代表了转化率的不确定性。参数的不确定性分别为:=3(Acs 6 ,,,,0,,,0的情况);/,0.05(情况B);,0.75kcal/mole,同时，(Cqea的情况)。图6(D)表明不确定性的交叉(the joint effect of the uncertainties) 影响。地表温度的暂时相关数值范围的误差(correlation scale)为5个Ma(浮动相对较快)。此时，热流相关数值范围的误差为60Ma(浮动慢)。 演化概率的一般特性是在转化率值高或低时转化率的不确定性相对较小。对于在0.15和0.85之间的转化率，它的不确定性很大。这反映出在有生油倾向的源岩中的干酪根降解发生在一个相对较窄的温度范围内，由于动力学机制的不确定性，这个温度范围还不能被精确的预测。由于源岩温度的不确定性，石油的生成还不能被精确的预测。只有当温度远高于或低于生油窗时，才能对完全或不完全转化做出准确的预测。 图7显示不同的温度史特性所对应的转化率进化概率。参数的不确定性与图 05(D)是一样的。热演化中包含一个速率为2/Ma的增温过程，直到温度达到c 00120，这个温度刚好在石油窗内。在这之后的温度增到150(A);(B):常温cc 00120;(C):温度降到90。这个降温过程有效的阻止了所有的动力学反应，cc 并使在接下来的演化过程中，源岩转化率的概率分布保持在降温前的状态。在常温情况下，由于石油中潜在的单个动力学反应在常温下呈指数衰减，所以在常温下一直有些转化率的演化。升温的过程导致源岩很快通过生油窗，致使源岩很快地失去了生油潜力。这个例子证实了以前的认识，即，无论源岩何时处于最初的石油生成的温度范围内，转化率预测的不确定性都很大。温度史所包含的误差在温度史所能实现的范围内，如果误差产生，就会在68,的范围内(The error envelopes of the temperature histories indicate the regions within which temperature history realizations, were they generated, would spend 68% of their time)。 图8显示了此法在丹麦中心槽Feda地堑中Sten,1井的应用(图1和表1)。温度史与牛津(阶)/启莫里支(阶)基准面有关(associated with Oxfordian/Kimmeridgian level)。并且代表了Farsund地层的底界，它是这个地区最大的源岩。虚线指示概率函数计算的次数(times)(20Ma和现今)。图8(B)显示了在20Ma和现今的累积分布函数;图8(C)显示了相关概率密度函数。转化率的高峰值(大约0.96)是由于出现了相对强烈的干酪根降解反应引起的，这种反应只有0.5,的可能性(is due to the presence of a thermally relatively tough kerogen degradation reaction with a potential 5%)。从 ,累积分布函数中可得到转化率的平均值和标准偏差，在20Ma，,0.32，r 0,,,0.27;在现今，=0.59，,0.31。转化率的不确定性是由表面温度3crr 的不确定性、温度埋藏组分7,的不确定性(包含热流、若阻率和温度的不确定性)和平均活化能0.75kcal/mole的不确定性引起的。 通过对概率密度函数(图8(C))的观察，可以明显地看出，用通常的高斯法对平均值和标准偏差进行解释是行不通的。值通常与概率密度函数的最大 ,,值无关，并且转化率范围为(-，，)，与概率68,没有必然的联系。rr 7 当-为负值或，可能超过1时，这个范围没有任何意义。这些问题再,,rr 加之在现今，在高转化率和低的情况，都会出现局部最大值，进而会导致概率密 度函数出现双峰(This together with the fact that the probability density functions in the present case are bimodal with local maxima at both low and high transformation ratio values raises the question of which transformation ratio value to choose e.g.in volumetric calculations) 。 这就引起了在体积计算时应选哪一转化率值的问题。 选择一个连续随机变量的单值，例如，转化率等效于选择一个具有零发生概 率的事件的结果。事实上，有人会对这种由源岩每一深度都对应一特定的转化率 值的通常的确定模型产生的具有零发生概率的结果产生疑问。在预期结果中计算 的石油体积，发生的概率也即为零(Choosing a single value of a continuous random variable such as the transformation ratio is equivalent to choosing an outcome of an event which has zero probability of occurrence. In fact one could argue that the results produced by the usual deterministic modelling approach in which a specific transformation ratio value is assigned to each depth in the source rock has zero probability of occurrence. The calculated petroleum volume in a prospect consequently also will have zero probability of occurrence) 。 这个问题的答案就在于通过蒙特卡罗模拟法来认识转化率的统计特性。图9 显示了这个过程是如何完成的。用在0,1之间均一分布的随机数对随机的转化 率值进行取样，如图9(A)所示，之后，这些值就可以作为随机转化率值输入 到用于容积计算的标准蒙特卡罗模拟法中。图9(B)、(C)和(D)表明，蒙特 卡罗模拟的转化率的值与图8(C)(现今的)的连续的随机概率密度函数吻合的 很好。 只有在油气生成的过程中，才应用误差分析法对误差进行分析。在考虑不同 烃组分的生成和初次运移的复杂模型中，必须应用传统的随机模拟法，这就意味 着同一类型的可能温度史必须与同一类型的可能生成模型相结合。预测结果的分 布表明了模拟结果的不确定性。在某一特定时期，模拟结果能被归入接近概率密 度分布的柱状图中(At a particular time the modelling results can be sorted into histograms approximating probability density distribution)。Hvid 和Nielsen(1994)采用了这种方法。上述所讨论的古地温构建的反演法，被用 来生成与井眼数据相吻合的源岩温度史。这一类型的源岩温度史与基于溢出原则 的单一排烃模式相结合，产生了同一类型的排烃史。这一类的排烃史表明了预测 的排出石油对数据和参数的不确定性的敏感度。 结论 通过丹麦中心槽的例子，讨论了古地温构建的关键问题。这个例子表明，沉降史、 井眼温度和镜质体反射率对古地温演化的影响与完全忽略这些因素相比是很大 的。如果这些信息足够充分，就可以用来测试地质动力学模型。然而，这需要正 确的正演模型和具有一定时期井中深部热结构的样品的镜质体反射率的埋藏路 径(the burial paths of the vitrinite reflectance data in the well sample the deep thermal structure for the period of interest, i.e.that they are buried at suficient depths)，即它们有足够的埋深。例如，井E,1的最深样 品是现今大约4km，在上侏罗纪。在埋藏较深的时期，这些数据限制了热流值的 8 上限。由于上侏罗纪的快速沉积，这一时期成为上侏罗纪以来的主要时期。在这之前的热结构，只有通过岩石圈的热记忆对井E,1的数据产生影响。这就意味着这个井中不包含上侏罗纪以前的热结构。依据象井E,1这样的数据来观察拉伸衰减，进而推导北海中心的热异常是不可能的(Sclater和Christie，1980)，然而，用来表明没有必要用热异常衰退(a decaying thermal anomaly)来解释成熟度和温度数据还是可行的。 油气生成的预测对沉降温度史是极度敏感的，而且，通常的成熟度指示剂是否总是正确和令人满意的，以至于能推导出足够用来建立与油气生成的动力学反应所敏感的温度相吻合的正确的热结构所需的信息，这一直是个难题。在现今的技术条件下，要增加井眼数据进行热构建，就必须有其它古地温的信息作为参考。例如，地质动力学模型(Nielsen和Balling，1990)可能被组合成盆地模型，用于预测与不同岩石圈过程有关的古热流的变化。例如断裂(Mckenzie，1978，Royden和keen，1980)。许多文章对演绎信息的应用都有说明。例如，从众多盆地模型中建立一个适用于模拟热流随裂谷作用幕增加的实用模型是可能的(It appears, for example, to be almost established practice amongst some basin modellers to allow for heat flow increases associated with rifting phases) (Jensen和Dore，1993)。现今古地温构建的方法允许考虑这些具有定量性和连续性的信息。所得的古地温史是演绎信息与所需数据的加权最小平方组合，各自信息相关的权依据我们的经验而定(The result is a palaeothermal history which represents a weighted least squares compromise between the a priori information and the requirements of the borehole data. The relative weight of the respective pieces of information is defined by the confidence we have in them) 。 在很多情况下，应该定量烃类模拟结果对参数不确定性的灵敏度。这里给出一个用随机方法对转化率模拟中的不确定性进行分析的例子。这个例子说明，在考虑油灶地区油气生成状态的时候，以下三方面的描述是比较安全的:1，源岩没有产生足够多的石油;2，源岩已释放了大部分的生油潜力;3，源岩释放了一部分生油潜力。 陈述3意味着当源岩被确认处于石油生成的最初温度范围内时，模拟的结果对于参数的不确定性是非常敏感的。在此时，最好通过源岩转化率的累积分布函数来描述石油的生成，此时产生的源岩转化率的概率值要比给定的小或在一定范围内。一些特殊的转化率值，就像在传统的定性模型中得到的那些值一样会出现零概率。 图下注释: 表1 井中岩性地层的细分 岩性地层的细分资料来自Nielsen和日本(1991)。由Rodby、Sola、Tuxen和Valhall地层组成的下白垩纪地层与克罗默小山组是等时代的(time-equivalent)。两口井都中止在Farsund层。在这两种情况下结晶质地壳的厚度为20km，并且地壳下的岩石圈厚度为80km。在地壳处的平均生热率为 ,3,62,1,wm1。地壳和下地壳岩石圈的热扩散为1，这使得系统在他t,，10ms 22,,L/(,k)32Ma时有一个热时间常数()。沉积层的热系数和压实系数是从丹麦中心槽中很多井的测井解释中得到的。 9 图1 丹麦中心槽中井E,1和Sten,1所处位置的侏罗系的基本结构(Jurassic structural elements )。在Moller之后从新绘制的。 图2 井E,1的沉积压实校正图表。细的实线是沉积埋藏路径。最深的路径对应于最深的钻探水平。沉积史表明，上侏罗纪是快速沉积，之后，沉积速度变缓。沉积速率一直增加直到穿过新生代，并在第四纪到达顶点。 图3 井E,1的10个演绎的热历史。热历史的不同是由于对演绎的热流的不同选择造成的。(A)用计算最深沉积路径(图2)热流的方法计算的浅部热流。(B) 莫霍面的热流密度。利用21个热流值，把莫霍面的热流史参数化。这些热流值中包含着反演变量(The Moho heat flow history is parameterized by 21 heat flow amplitudes which constitute the inversion variables) 。(C) 图1最深埋藏路径的温度史。(D) 用不同热流史预测的现今温度轮廓((profiles)。正方形代表估计的均衡井眼温度(Squares show estimated equilibrium borehole temperatures)。(E)用不同的热流史预测的镜质体反射率轮廓(profiles)。正方形代表实测值。很明显，通常情况下，演绎的热历史与测井数据不一致。 图4 经过校正的图3的10个热历史(最小二成反演法)(A)浅部热流密度。(B)莫霍面的热流密度。(C)最深埋藏路径的温度史。(D)预测(实线)和 )预测(实线)和观测(方块)的镜质体反射率。观测(方块)的井眼温度。(E 反演后，预测结果与井眼数据吻合很好。然而，在热历史的演化中存在很大的可变性,这就使井眼数据成为可能(However, a significant variability in the thermal evolutions leading to the borehole data is possible)。这种可变性是由数据的不确定性、演绎的热流的任意选择和沉积热导率10,的不确定性引起的。 图5 (A)转化率的累积分布函数。这个函数产生的转化率的概率小于某一确定的值。例如，概率为0.3，则转化率的值小于0.64;概率为0.5，则转化率的值小于0.78;概率为0.7，则转化率的值小于0.88。转化率的中值是个与0.5这个概率有关的值。通过减小概率可以看出，当概率为0.4时，转化率的值位于0.64和0.88之间。(B)转化率的相关概率密度函数。这个函数通过区分累积分布函数得到的。它是相似于著名的高斯概率密度函数的转化率分布(it is the transformation ratio analogue of the well-known Gaussian probability density function)。 0图6 对应于表面温度史3C(A)、热流5,(B)、干酪根降解平均活化能0.75千卡/摩尔(C)的不确定性和A、B、C的联合影响，源岩转化率的可能演化。地表温度误差的相关数值范围(correlation scale)为5Ma，热流误差的相关数值范围(correlation scale)为60Ma。实线代表转化率中值的演化(概率为0.5的转化率的值)。点划线代表在给定的时间内，对应于概率为20、40、60、80,的转化率的演化。垂线D代表在20Ma，概率为80,的转化率的值。 图7 对应于不同温度史，源岩转化率的可能演化。(A)初始温度增加，进入石油窗，之后继续增加直到穿过石油窗。(B)初始温度增加，进入石油窗，并保持恒温。(C)初始温度增加，进入石油窗，之后温度下降，低于石油窗。参数值如图6(D)。 图8 (A)在井E,1(图1)牛津(阶)/启莫里支(阶)基准面(以Farsund层为基础)处的期望温度史及其标准偏差。用虚线指示转化率概率分布计算的次数。(B)在20Ma和现今的累积概率分布。(C)在20Ma和现今的概率密度分布。 10 ,,在20Ma和现今，转化率的平均值和标准偏差分别为0.330.27、0.590.31。 图9 转化率的蒙特卡罗模拟。(A)均一分布的随机数被用来模拟累积分布函数已知的随机变量。B、C、D给出了基于500、5000、50000个随机点(base on 500,5000,50000 random draws)的模拟转化率图。这些图能与图8(C)的现今曲线进行比较。 11