劉顏杜娟（. 長江大學地球物理與石油資源學院， 河南 新鄉(xiāng) 453000；.中石化華北石油工程有限公司測井分公司， 安徽 巢湖 450006）

特低滲巖石孔隙結構分形維測井求取與分類評價

劉顏1杜娟2（1. 長江大學地球物理與石油資源學院， 河南 新鄉(xiāng) 453000；2.中石化華北石油工程有限公司測井分公司， 安徽 巢湖 450006）

通過建立樣品毛細管壓力曲線和孔隙大小分布的分形幾何模型計算了孔隙結構的分形維數(shù)，定量描述孔隙結構的復雜程度，進而實現(xiàn)樣品儲層的分類；用分形維和4條測井曲線系列，實現(xiàn)全井段儲層精細分類及有效性評價。

特低孔隙度；超低滲透率；分形維；神經網絡

當前儲層現(xiàn)有的分類手段主要是通過毛細管壓力曲線求取出特征參數(shù)再進行分類，應用分形幾何學只是評價儲層微觀結構特征，以上二者沒有有機結合。本文以毛細管壓力實驗數(shù)據為基礎，通過建立樣品毛細管壓力曲線和孔隙大小分布的分形幾何模型計算了孔隙結構的分形維數(shù)，求出各樣品點的分形維，定量描述孔隙結構的復雜程度，進而實現(xiàn)樣品儲層的分類；用分形維和4條測井曲線系列，實現(xiàn)全井段儲層精細分類及有效性評價。

1 儲層孔喉結構特征

以恒速壓汞樣品、掃描電鏡資料、常規(guī)壓汞樣品、鑄體薄片等實驗數(shù)據為基礎資料，求取包括孔喉半徑均值、中值孔喉半徑、孔喉均質系數(shù)、排驅壓力等反映孔喉結構特征的參數(shù)值。毛細管壓力樣品多數(shù)平臺比較明顯，曲線形態(tài)相似，孔滲值較低，說明喉道集中分布。研究區(qū)域樣品多數(shù)是細歪度，普遍退汞效率較小，儲層具有特小微細喉、特低孔隙度和超低滲透率的特點。在此情況下，傳統(tǒng)的孔滲參數(shù)無法對該類特低孔隙度和超低滲透率進行劃分，需要通過毛細管曲線分形維和排驅壓力數(shù)據，從孔隙結構出發(fā)進行再次劃分。

2 毛細管曲線分形維法儲層精細分類

毛細管曲線分形維可定量描述孔喉結構的非均質性和復雜程度，按照幾何分形的原理，儲層結構越復雜，物性越差，數(shù)值越大。Katz和Thompson利用掃描電鏡對Coconino砂巖進行測試，表明儲層巖石在0.2～50μm的尺度范圍內具有良好的分形特征，測定分維數(shù)在2.27～2.89之間變動。

式中：Pmin為排驅壓力；S為毛細管壓力Pc時儲層中潤濕相飽

和度。

在雙對數(shù)坐標系下，計算函數(shù)Pc與S關系曲線的斜率，該斜率的絕對值即為D-3，由此便得到分形維數(shù)。通過上述求取孔隙結構分形維的方法，依次計算所有樣品的分形維數(shù)。毛細管曲線分形維計算結果表明，樣品的分形維在2.47～2.84的分布范圍內，可以分成幾個明顯的區(qū)間，分形維數(shù)越大，孔喉分布及配置關系越復雜。

3 神經網絡法分形維曲線計算

由于毛細管壓力曲線所依據的數(shù)據為離散數(shù)據，不可能口口井實驗獲得，而測井曲線是隨著深度的變化連續(xù)獲取的數(shù)據曲線，通過BP神經網絡方法，結合二者分類更具有效性。應用其解釋模型解釋地層參數(shù)已經得到成功應用，結合測井響應值和分形維參數(shù)值，提取神經網絡訓練樣品，經網絡設計、網絡學習和訓練就可以得到分形維參數(shù)的神經網絡模型計算采用三層BP神經網絡，輸入分形維數(shù)及4條測井曲線系列（自然伽馬、聲波時差、深側向和淺側向電阻率），輸出1條深度連續(xù)的分形維曲線。按照上述方法，處理得到了工區(qū)內7口井儲層連續(xù)的分形維曲線。Ⅰ類儲層某井含油井段5873.4～5888.1m，2015年5月試油，初期日產油36.9t，含水14.78%，2015年6月轉入試采。統(tǒng)計完鉆的8口井分形維解釋結果可以看出。研究區(qū)域儲層以Ⅲ類儲層為主，占到整個儲層厚度的55.6%，Ⅰ類儲層僅占儲層厚度的5.7%。

圖1 單井分形維計算結果（1井）

圖2 單井分形維計算結果（2井）

4 結語

①劉顏，女，27歲，河南新鄉(xiāng)人，長江大學地球物理與石油資源學院。②杜娟，女，25歲，安徽巢湖人，中石化華北石油工程有限公司測井分公司 。