韓如冰, 田昌炳, 李順明, 干旭, 何輝, 杜宜靜

(1.中國石油勘探開發(fā)研究院, 北京 100083; 2.延長油田股份有限公司永寧采油廠, 陜西 延安 717500)

0 引 言

Jake south油田位于蘇丹Muglad盆地Fula凹陷西北部,AG油藏為典型的受斷層、巖性控制的層狀砂巖油藏,儲層性質(zhì)變化快,地層水礦化度低(一般小于4 000 mg/L),地質(zhì)條件極其復雜[1]。生產(chǎn)中發(fā)現(xiàn)AG組存在大量的低電阻率油層,識別難度較大,準確率不高,導致遺漏油層和補開水層,造成一定經(jīng)濟損失。以支持向量機[2]和神經(jīng)網(wǎng)絡[3]為代表的模式識別方法在低電阻率油層的識別中應用較廣。楊斌等[4]、張銀德等[5]、連承波等[6]選取常規(guī)測井曲線參數(shù),周凡等[7]選取陣列感應測井曲線參數(shù),分別利用支持向量機進行低電阻率油層識別,取得良好效果。陳遵德[8]、鄒長春等[9]最早利用人工神經(jīng)網(wǎng)絡進行油水層識別,隨后學者們不斷改進方法,張學慶等[10]組合基于進化算法和遺傳算法的神經(jīng)網(wǎng)絡,提出組合進化神經(jīng)網(wǎng)絡識別油水層,田冷等[11]利用Kohonen自組織網(wǎng)絡和BP神經(jīng)網(wǎng)絡形成改進人工神經(jīng)網(wǎng)絡識別油水層,取得較好效果。

研究發(fā)現(xiàn),現(xiàn)有模式識別算法中部分模型變量不能反映儲層流體性質(zhì),研究區(qū)儲層性質(zhì)變化快,測井響應影響因素較多,應用效果往往不好。本文綜合巖心、薄片、掃描電鏡、測井曲線等資料,對模式識別方法所選變量進行優(yōu)化,取得良好效果。

1 2種模式識別算法模型變量選取

1.1 常用模型變量

一般選取的模型變量包括自然伽馬、自然電位、地層深電阻率、地層深淺電阻率幅度差、聲波時差、密度、中子、儲層孔隙度、儲層滲透率、含水飽和度等。自然電位、地層深淺電阻率幅度差及儲層孔隙度、儲層滲透率、含水飽和度等在地質(zhì)條件比較復雜的情況下并不能反映儲層流體性質(zhì),在模式識別中需要加以改進。

自然電位測井主要測量自然電位隨井深變化,其測量數(shù)值受泥漿濾液礦化度和地層水礦化度影響。實際上,在同一研究區(qū)內(nèi),雖然地層水礦化度相近,但由于多種因素,泥漿濾液礦化度常存在較大差異,造成不同井自然電位數(shù)值差異較大,不同井之間無法比較,因此,并不適合成為模型變量。對Jake south油田AG1E14小層各井砂體的自然電位平均值進行研究(見圖1),自然電位數(shù)值范圍為-50～140 mV,不同井自然電位數(shù)值范圍差別較大,并不能體現(xiàn)儲層流體性質(zhì)。

圖1 Jake south油田AG1E14小層砂體自然電位數(shù)值直方圖

在部分地質(zhì)條件復雜地區(qū),儲層電阻率受儲層巖性、物性、致密程度等影響,儲層深淺電阻率幅度差難以反映真實的流體性質(zhì)。以Jake-S-32井AG1E5-6小層為例,由于研究區(qū)地層水為淡水,礦化度平均為4 000 mg/L,而鉆井的泥漿濾液礦化度可達60 000～70 000 mg/L,因此,鉆井時鹽水泥漿侵入淡水地層,理論上儲層深淺電阻率幅度差與水層相比應顯著增大。但是,如圖2所示,經(jīng)證實,測井解釋1號層為油層,其深淺電阻率幅度差與2～4號層水層相比差異并不大,因此,其不能體現(xiàn)流體性質(zhì)。相同原理,利用深淺電阻率數(shù)值組合而成的其他新變量,如二者之比等,亦不適合作為模型變量。

圖2 Jake S-32井AG1E5-6小層測井解釋圖*非法定計量單位, 1 ft=12 in=0.304 8 m,下同

儲層孔隙度、儲層滲透率、含水飽和度等均來源于測井解釋,受解釋模型和解釋參數(shù)選取影響較大,不同單位解釋成果往往不同,甚至差異較大。如圖3所示,φ1、k1和Sw1為2013年測井解釋成果,而φ2、k2和Sw2為2014年另一家單位重新解釋成果,不難看出兩者差異較大。對于AG1E8小層中部A砂體而言,2013年解釋成果顯示其平均Sw1為41%,為油層,而2014年成果解釋成果顯示其平均Sw2為50.5%,大于油層界限,認為水層或油水同層。同時,兩者孔隙度、滲透率差異也較大。儲層孔隙度、儲層滲透率、含水飽和度等測井解釋參數(shù)難以反映真實的儲層流體特征,不適合作為模型變量。

圖3 Jake-S-2井AG1E7—8測井解釋成果圖

1.2 建議的模型變量類型

建議使用的變量類型包括儲層類型、自然伽馬、自然電位幅度比RSP、中子密度指數(shù)ICD、原狀地層電阻率、聲波時差、補償中子、地層密度等8種。

1.2.1 儲層類型

以Jake south油田AG組砂巖為例,其儲層性質(zhì)如巖性、粒度、致密程度、儲層物性等變化較快,不同類型儲層內(nèi)油、水層電阻率差異較大,無法直接進行比較。如圖4(a)所示,當研究區(qū)所有儲層類型的油氣水層樣本同時繪制交會圖時,往往油層、水層重疊較多,相對關系復雜,難以區(qū)分。但對每一類儲層的油氣水層樣本分別繪制交會圖時[見圖4(b)、(c)、(d)],圖版區(qū)分性明顯增強,除低電阻率油層外,油氣水層界限清晰。首先研究儲層地質(zhì)特征,對儲層進行分類(見表1),將儲層劃分為Ⅰ、Ⅱ、Ⅲ等3類,代號分別對應1、2、3,每類儲層內(nèi)部油水層測井響應區(qū)分性更強,采取多種方法識別低電阻率油層才更有意義。因此,儲層類型在低電阻率油層識別中應作為模型變量。

1.2.2 自然電位幅度比RSP

對已證實的低電阻率油層進行研究,發(fā)現(xiàn)油層自然電位幅度與水層相比明顯降低,可體現(xiàn)儲層流體性質(zhì)。對其成因進行分析,①與水層相比,油層的電阻率較高,SP幅度常常更低;②低電阻率油層常伴隨較高的泥質(zhì)含量和束縛水飽和度,束縛水的礦化度相比普通地層水較高,可造成自然電位幅度差進一步降低;③相同條件下鹽水泥漿環(huán)境中油層正幅度差降低現(xiàn)象較水層更為顯著,且含油飽和度越高,正幅度差降低效果越明顯[12]。在三者共同作用下,區(qū)內(nèi)油層的自然電位幅度差較水層明顯降低,統(tǒng)計表明油層的自然電位幅度差平均約為水層的0.574倍。

定義儲層自然電位幅度差之比RSP

RSP=ΔSP/ΔSPmax

(1)

式中,ΔSP為該層位的自然電位幅度差,mV;ΔSPmax為與該層位屬同一基線的儲層自然電位幅度差最大值,mV。油層RSP值一般小于水層。

1.2.3 中子密度指數(shù)ICD

對研究區(qū)試油獲取油水層樣本進行研究,發(fā)現(xiàn)AG原油為稀油,密度較低, 平均為0.82 g/cm3,而地層水中常含有礦物質(zhì),導致密度較大,平均大于1.05 g/cm3,原油、地層水存在密度差。由于密度測井測量巖石體密度,在整體骨架巖性變化不大的情況下,油層、水層密度存在差異,密度曲線數(shù)值可以反映流體性質(zhì)。

表1 Jake south油田儲層分類標準

*非法定計量單位,1 mD=9.87×10-4μm2,下同

圖4 不同儲層類型油氣水層識別圖版

中子孔隙度測井通過點狀同位素中子源照射地層,用中子探測器測量熱中子或超熱中子計數(shù)率,并將結果換算成視石灰?guī)r孔隙度,地層對快中子的減速能力用含氫指數(shù)衡量。對于成分以CnHnr為主的石油[13],原油的含氫指數(shù)可用式(2)求得

(2)

式中,ρo為原油密度,g/cm3。將AG原油平均密度代入上式,得原油平均含氫指數(shù)為1.03,因此,油層含氫指數(shù)較水層高約3%,造成油層中子孔隙度略大于水層。

定義儲層中子密度指數(shù)ICD,可以將油層、水層的密度和中子孔隙度差異最大化,從而將油層、水層分開

(3)

式中,CNL*、DEN*分別為中子孔隙度、密度均一化后數(shù)值。采用的歸一化方法如式(4)

(4)

式中,A為需要進行歸一化的參數(shù);Amax為該參數(shù)的最大值;Amin為該參數(shù)的最小值;B為該參數(shù)歸一化后數(shù)值。

利用研究區(qū)已證實油水層樣本,繪制RSP—ICD交會圖(見圖5)。結果證實RSP、ICD對油水層區(qū)分較好,兩者應作為模型變量。

圖5 Jake south油田RSP—ICD交會圖

2 應用效果

研究中將儲層流體類型分為常規(guī)油層、低電阻率油層和水層3類。研究表明,油層與低電阻率油層同屬油層,部分變量數(shù)值范圍存在重疊,兩者區(qū)分難度較大。但因二者均屬于油層范疇,因此,二者之間的錯判并不影響模型對油水層判別的正確率。

采用支持向量機方法,分別選用本文建議的模型變量和以往常用模型變量對研究區(qū)儲層流體性質(zhì)進行研究。以往常用模型變量即自然伽馬、自然電位、深電阻率、深淺電阻率幅度差、聲波時差、補償中子、地層密度、孔隙度、滲透率和含油飽和度。研究中共收集油水層資料63個層,其中訓練樣本共45個層(低電阻率油層、油層、水層各15層),檢驗樣本18層(低電阻率油層、油層、水層各6層),結果見表2。當采用本文建議變量時,檢驗樣本正確識別的有17個,只有1層將水層判別為油層,油水層判別正確率為94.4%;當采用以往常用變量時,檢驗樣本油水層識別正確識別的有14個,并有1層將水層識別為油層,3層將油層識別為水層,油水層判別正確率為77.8%。結果表明本文建議的模型變量在復雜地質(zhì)條件下識別效果更好。

表2 9口井18個層檢驗樣本判別結果

3 結 論

(1) 在模型變量的選取中應充分考慮其對儲層流體類型的區(qū)分性,從電阻率、密度、中子孔隙度等多角度進行選擇。

(2) 建議采用儲層類型、自然伽馬、自然電位幅度比RSP、中子密度指數(shù)ICD、原狀地層電阻率、聲波時差、補償中子、地層密度等模型變量。

(3) 在復雜地質(zhì)條件下,本文建議的模型變量較通常采用的模型變量識別效果更好。

參考文獻:

[1] 吳冬, 朱筱敏, 李志, 等. 蘇丹Muglad盆地Fula凹陷白堊紀斷陷期沉積模式 [J]. 石油勘探與開發(fā), 2015, 42(3): 319-327.

[2] VAPNIK V. 統(tǒng)計學習理論 [M]. 許建華, 張學工, 譯. 北京: 電子工業(yè)出版社, 2004: 274420.

[3] 董長虹. MATLAB神經(jīng)網(wǎng)絡與應用 [M]. 北京: 國防工業(yè)出版社, 2005

[4] 楊斌, 匡立春, 孫中春, 等. 一種用于測井油氣層綜合識別的支持向量機方法 [J]. 測井技術, 2005, 29(6): 511-514.

[5] 張銀德, 童凱軍, 鄭軍, 等. 支持向量機方法在低電阻率油層流體識別中的應用 [J]. 石油物探, 2008, 47(3): 306-310.

[6] 連承波, 趙永軍, 鐘建華, 等. 基于支持向量機的低電阻率油層識別方法及應用 [J]. 石油天然氣學報, 2008, 30(2): 80-82.

[7] 周凡, 姜洪福, 王立艷, 等. 基于陣列感應測井的支持向量機流體識別方法 [J]. 中國海洋大學學報, 2011, 41(增刊): 317-323.

[8] 陳遵德. 人工神經(jīng)網(wǎng)絡在由層識別中的應用 [J]. 大慶石油地質(zhì)與開發(fā), 1994, 13(3): 43-45.

[9] 鄒長春, 嚴成信, 李學文. 神經(jīng)網(wǎng)絡在棗北地區(qū)火成巖儲層測井解釋中的應用 [J]. 石油地球物理勘探, 1997, 32(增刊2): 27-33.

[10] 張學慶, 劉燕, 肖慈珣, 等. 在測井中用一種組合進化神經(jīng)網(wǎng)絡識別油水層 [J]. 石油物探, 2001, 40(4): 119-124.

[11] 田冷, 何順利. 基于改進人工神經(jīng)網(wǎng)絡的氣水層識別技術 [J]. 測井技術, 2009, 33(5): 449-452.

[12] 程相志. 低電阻率油氣層識別評價技術及分布規(guī)律研究 [D]. 東營: 中國石油大學(華東), 2008.

[13] 洪有密. 測井原理與綜合解釋 [M]. 東營: 中國石油大學出版社, 2008.