張亞云,陳勉,陳軍,金衍,盧運虎,夏陽

(1.中國石油大學(xué)(北京)油氣資源與工程國家重點實驗室,北京 102249;2.中國石油國際勘探開發(fā)有限公司中東公司,北京 100034)

0 引言

頁巖作為一類典型的非常規(guī)油氣藏儲層,具有非均質(zhì)程度高,復(fù)雜微納米孔隙發(fā)育,低孔、極低滲的特征[1-3].在頁巖儲層鉆完井過程中,巖石受井筒工作流體的長時間浸泡,流體在毛細管力和滲透壓作用下侵入地層,流體與巖石間的相互作用使井壁圍巖產(chǎn)生一系列物理化學(xué)變化,必將影響井壁穩(wěn)定和壓裂增產(chǎn)效果[4].潤濕現(xiàn)象是指一種液體取代另一種不相混溶的流體,接觸并附著在固體表面上的現(xiàn)象.潤濕性是控制流體微觀分布的重要因素之一[5-9],直接影響巖石的毛細管力作用,控制井筒流體向地層的濾失、壓裂液進入地層微裂隙及壓裂液的返排效率.鉆井過程中,儲層與鉆井流體系統(tǒng)的潤濕特性將顯著影響鉆井流體侵入地層的難易程度.因此,合理地認識和應(yīng)用巖石與流體系統(tǒng)的潤濕特性,對安全快速鉆進和高效增產(chǎn)有著至關(guān)重要的理論與現(xiàn)實意義.

20世紀(jì)70年代以來,國內(nèi)外學(xué)者針對儲層潤濕性進行了相關(guān)研究.公言杰等[10]實驗分析了致密砂巖油氣運聚過程中潤濕性的變化.Treiber等[11-12]研究發(fā)現(xiàn)碳酸鹽巖表面優(yōu)先趨向于油濕.Z.Muhammad等[13-14]用玻璃片和白云石模擬了不同巖石礦物在不同地層水類型、不同原油組分和表面活性劑下的潤濕性.M.Xu等[15-19]研究發(fā)現(xiàn)強油濕特性的頁巖吸水量大于吸油量,主要原因是頁巖的孔隙網(wǎng)絡(luò)具有非均質(zhì)的潤濕特性,且多數(shù)裂縫呈現(xiàn)水濕特性,而巖石基質(zhì)和連通性較差的孔隙為油濕.A.Borysenko等[20]實驗研究發(fā)現(xiàn),頁巖的不同礦物對于油和水具有不同的潤濕趨向.劉向君等[21]實驗驗證了川南龍馬溪組頁巖油水雙親特性,并分析了潤濕性對頁巖吸附、水鎖和井壁穩(wěn)定等方面的影響.

目前,針對巖石潤濕特性的研究并未充分考慮巖石組構(gòu)特征與流體特征,且多局限于定性分析,缺少巖石與流體系統(tǒng)潤濕特性的定量表征模型研究.潤濕性定量模型,能克服室內(nèi)巖心實驗只能獲得"統(tǒng)計平均"意義上有限井段和離散的巖石潤濕性的局限性,可實現(xiàn)鉆前預(yù)測巖石與井筒工作液間潤濕特性的連續(xù)剖面,指導(dǎo)鉆前井筒工作液的性能優(yōu)化設(shè)計.因此,筆者提出了利用神經(jīng)網(wǎng)絡(luò)法(GRNN),建立巖石與流體系統(tǒng)潤濕性定量表征模型,預(yù)測巖石與流體系統(tǒng)潤濕性.

1 實驗表征

1.1 實驗材料與方法

實驗巖心取自深度為2 320～2 500 m的四川盆地志留系龍馬溪組,分別用于X射線衍射(XRD)、熱解、氮氣吸附和潤濕性分析等實驗.XRD分析依照美國地質(zhì)勘探協(xié)會推薦的標(biāo)準(zhǔn)實驗方法[22],選用德國布魯克公司的Bruker D 8高級衍射儀進行全巖礦物組分和黏土礦物特征分析.頁巖有機質(zhì)特征采用法國Rock-Eval高溫?zé)峤鈨x進行熱解分析.低溫氮氣吸附實驗采用美國Quantachrome公司生產(chǎn)的QUADRASORB SI型比表面積和孔隙度分析儀.

常規(guī)潤濕性分析方法可以分為2類:第1類是定量法,包括接觸角法、Amott法、USBM指數(shù)[23]、自動滲吸法[24]和核磁共振弛豫法;第2類是定性法,包括低溫掃描電子顯微鏡法、動態(tài)Wilhelmy板法[25]、微孔膜法和相對滲透率曲線法[26-27].考慮到實際建模需要和頁巖儲層的低孔、低滲特征,本文選擇接觸角法進行潤濕性定量測定.接觸角測量具有精度高、測量范圍廣、數(shù)值定義和邊界清楚的優(yōu)點.實驗采用德國KRUSS公司的DSA100視頻光學(xué)接觸角測量儀,測試參考標(biāo)準(zhǔn)SY/T 5153-2007.

本文選用的相應(yīng)研究區(qū)塊的油基鉆井液基本配方為:84%基液(95%柴油∶5%CaCl2鹽水)+3%乳化劑+1%潤濕劑+2%增黏劑+8%CaO+4%有機土+3%降濾失劑+5%復(fù)合封堵劑+10%除硫劑,實測pH值8～9.本文以現(xiàn)場配方為基礎(chǔ),通過調(diào)節(jié)油水比和乳化劑添加量來獲得具有不同油水比和破乳電壓特性的典型油基鉆井液,以模擬不同性能油基鉆井液及其與巖石系統(tǒng)的潤濕特性.所配鉆井液經(jīng)老化24 h后破乳電壓均超過400 V,滿足現(xiàn)場使用要求.各鉆井液的特征參數(shù)與編號見表1.

表1 鉆井液調(diào)配參數(shù)和類別

1.2 實驗結(jié)果與分析

1.2.1 礦物組分特征

16組川南龍馬溪組頁巖樣品的礦物組分和TOC測試結(jié)果見表2.樣品主要含石英、黏土和碳酸鹽礦物(方解石和白云石),少量硅酸鹽礦物 (鉀長石和斜長石).其中,石英和碳酸鹽礦物質(zhì)量分數(shù)平均值分別為27.63%和32.68%,而黏土礦物平均值達30.49%.樣品富含有機質(zhì),有機碳質(zhì)量分數(shù)TOC達0.74%～5.09%,平均3.07%,且都為Ⅲ型干酪根.

1.2.2 孔隙分布特征

低溫氣體吸附可有效反映材料的納米孔隙分布,在多孔材料的孔隙結(jié)構(gòu)表征方面應(yīng)用廣泛.川南龍馬溪組頁巖16組樣品的孔隙結(jié)構(gòu)參數(shù)見表3,代表性樣品氮氣吸附-解吸等溫線如圖1所示.

由表3可知:16組樣品比表面積差異較大,為8.809 2～28.864 7 m2/g,平均16.408 2 m2/g;孔徑3.562 8～5.847 3 nm,平均4.580 3 nm.由圖1可見,2組頁巖樣品的吸附等溫線在形態(tài)上稍有差別,但都呈反"S"形.根據(jù)IUPAC分類方法,頁巖樣品的吸附等溫線與Ⅳ型等溫線接近.相對壓力0～0.2時,吸附等溫線上升緩慢,呈上凸形態(tài),吸附機理為液氮在頁巖表面的單分子層吸附或微孔填充;隨相對壓力增加,0.2～0.5時,吸附等溫線近似為線性狀態(tài),此時液氮在頁巖表面發(fā)生多分子層吸附;相對壓力繼續(xù)升高,等溫線急速上升.當(dāng)平衡壓力接近飽和蒸汽壓時,未出現(xiàn)吸附飽和現(xiàn)象,但伴隨著毛細凝聚現(xiàn)象.在壓力較高部分,頁巖樣品的吸附和解吸等溫線不重合,解吸曲線位于吸附等溫線上方,形成回滯環(huán).這說明研究區(qū)塊頁巖以中孔(2～50 nm)為主,并含有一定量的大孔(50 nm).

表2 16組頁巖樣品組分特征

表3 16組頁巖樣品孔容結(jié)構(gòu)特征

圖1 頁巖樣品吸附-解吸等溫線

1.2.3 潤濕性表征

綜合分析巖石組構(gòu)與鉆井液性能特征,分別進行了32組定鉆井液類型變巖樣和16組定巖樣變鉆井液類型,共計48組潤濕性實驗,測試結(jié)果如圖2所示.分析可知,頁巖樣品油潤濕性明顯,接觸角介于8.94°～48.19°,平均值為 23.85°.

圖2 48組潤濕性測試結(jié)果

2 潤濕性定量表征模型

在數(shù)據(jù)較少時,多項式擬合會產(chǎn)生較大誤差,且?guī)r石組構(gòu)和鉆井液性能特征與潤濕性并不一定滿足顯式定量關(guān)系.神經(jīng)網(wǎng)絡(luò)方法具備強大的學(xué)習(xí)和非線性映射能力,且對被建模對象的先驗知識要求低,一般無需事先了解被建模對象的結(jié)構(gòu)、參數(shù)和動態(tài)特征等信息,只需確定其輸入和輸出,通過網(wǎng)絡(luò)自身的學(xué)習(xí)功能即可達到期望輸出.因而,神經(jīng)網(wǎng)絡(luò)方法被廣泛應(yīng)用于解決具有強烈非線性和不具有顯示解析解的各類復(fù)雜問題[28-29].本文選用GRNN建立潤濕性定量表征模型預(yù)測潤濕性.GRNN具有較強的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu),以及高度的容錯性和魯棒性,網(wǎng)絡(luò)收斂于樣本積聚較多的優(yōu)化回歸面,且在樣本數(shù)據(jù)較少時,預(yù)測效果也較好.

2.1 GRNN基本原理

GRNN的理論基礎(chǔ)是非線性回歸分析,非獨立變量Y相對于獨立變量x的回歸分析,實際上是計算具有最大概率值的y.設(shè)隨機變量x和y的聯(lián)合概率密度函數(shù)為f(x,y),已知x的觀測值為X,則y相對于X的回歸可表示為

式中:Xi,Yi分別為隨機變量x,y的樣本觀測值;n為樣本容量;d為隨機變量x的維數(shù);σ為高斯函數(shù)的寬度系數(shù),即光滑因子.

2.2 潤濕性定量表征模型的建立

根據(jù)影響頁巖與油基鉆井液系統(tǒng)潤濕性的因素分析,分別選取代表巖石礦物特征的6種礦物質(zhì)量分數(shù),代表其有機質(zhì)特征的TOC,代表其結(jié)構(gòu)特征的比表面積、孔容和平均孔徑和代表油基鉆井液性能的油水比和乳化劑添加量等共計12個指標(biāo)作為GRNN網(wǎng)絡(luò)輸入,以接觸角作為網(wǎng)絡(luò)輸出.本文建立的GRNN網(wǎng)絡(luò)包含4層結(jié)構(gòu),分別為輸入層、模式層、求和層和輸出層.各層神經(jīng)元個數(shù)分別為12,36,2,1.模式層的傳遞函數(shù)為,求和層的傳遞函數(shù)為.其中,Snj和Mi分別為求和層和模式層神經(jīng)元.

前期實驗共獲得48組接觸角數(shù)據(jù),隨機選取定鉆井液類型變巖樣的接觸角數(shù)據(jù)24組和定巖樣變鉆井液類型的接觸角數(shù)據(jù)12組,總計36組數(shù)據(jù)用作模型訓(xùn)練,剩余12組數(shù)據(jù)用于模型泛化校正,驗證GRNN潤濕性定量模型的預(yù)測能力.模型訓(xùn)練和泛化校正過程中,通過相對誤差來優(yōu)選合理的GRNN模型,但并不是訓(xùn)練過程中的相對誤差越小模型更優(yōu).訓(xùn)練中相對誤差太小,可能導(dǎo)致模型的泛化能力降低,即出現(xiàn)過擬合現(xiàn)象.故在GRNN模型優(yōu)選時,要綜合考慮模型訓(xùn)練精度和泛化能力,且泛化能力優(yōu)先考慮.結(jié)合工程實際,認為泛化校正時相對誤差在15%以內(nèi),訓(xùn)練精度在10%以內(nèi)即可滿足現(xiàn)場工程應(yīng)用需要.

通過反復(fù)的交叉驗證,最終優(yōu)選出的GRNN模型的平滑因子為0.82,表明模型覆蓋了所有的觀察樣本,但各數(shù)據(jù)點權(quán)重不一,距離預(yù)測樣本較近的觀察樣本的權(quán)重更大.優(yōu)選的GRNN模型的實測與訓(xùn)練的對比如圖3所示.通過36組訓(xùn)練樣本的相對誤差對比發(fā)現(xiàn),GRNN模型用于潤濕性預(yù)測時擬合精度高,相對誤差0.09%～9.77%,平均4.17%.

圖3 GRNN網(wǎng)絡(luò)訓(xùn)練結(jié)果和實驗數(shù)據(jù)對比

對比12組校正數(shù)據(jù)與利用優(yōu)選的GRNN模型的預(yù)測值(見圖4),評價其泛化能力.分析可知,優(yōu)選的GRNN模型,具有較強的泛化能力,相對誤差介于1.44%～14.09%,平均10.13%.說明經(jīng)反復(fù)的交叉訓(xùn)練與校正后,優(yōu)選的GRNN模型,無論訓(xùn)練還是泛化預(yù)測都具有較高精度,完全滿足現(xiàn)場工程應(yīng)用要求.

圖4 GRNN網(wǎng)絡(luò)預(yù)測和實驗數(shù)據(jù)對比

潤濕性的影響因素眾多,包括巖石的組構(gòu)特征,鉆井液的組分與性能特征和溫壓條件等.本文建立的基于GRNN網(wǎng)絡(luò)的潤濕性定量表征模型中,并未考慮環(huán)境等因素,集中考慮了巖石組構(gòu)與鉆井液性能等12個因素的影響.權(quán)重分析可知,TOC對巖石與流體系統(tǒng)的潤濕性影響最大,其次是黏土礦物、石英質(zhì)量分數(shù)和油基鉆井液的油水比,巖石孔容影響程度最小.

2.3 GRNN與BP神經(jīng)網(wǎng)絡(luò)對比

通過對比GRNN與BP網(wǎng)絡(luò)的訓(xùn)練與泛化能力,來驗證GRNN網(wǎng)絡(luò)的適用性及精度.BP神經(jīng)網(wǎng)絡(luò)是一種具有隱含層的多層前饋網(wǎng)絡(luò)模型,其主要特點是信號向前傳遞,誤差反向傳遞.本文建立的BP神經(jīng)網(wǎng)絡(luò)模型只包含1層隱含層,其中輸入層含12個神經(jīng)元,輸出層含1個神經(jīng)元,故隱含層的神經(jīng)元個數(shù)直接決定了網(wǎng)絡(luò)的擬合能力.但隱含層神經(jīng)元個數(shù)過多或過少都不利于提高BP神經(jīng)網(wǎng)絡(luò)的擬合能力,太少使擬合精度和學(xué)習(xí)能力減弱,并導(dǎo)致訓(xùn)練次數(shù)幾何增長.神經(jīng)元數(shù)太多,易產(chǎn)生過擬合,導(dǎo)致網(wǎng)絡(luò)的泛化能力減弱,失去預(yù)測能力.所以本文結(jié)合試湊法,進行了含3～18個隱含層神經(jīng)元個數(shù)的不同BP網(wǎng)絡(luò)模型的預(yù)測誤差對比,優(yōu)選隱含層神經(jīng)元個數(shù).BP神經(jīng)網(wǎng)絡(luò)相對誤差與隱含層神經(jīng)元個數(shù)與的關(guān)系如圖5所示.

圖5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差與隱含層神經(jīng)元個數(shù)的關(guān)系

由圖5可知,BP網(wǎng)絡(luò)的預(yù)測相對誤差平均值隨著隱含層神經(jīng)元個數(shù)增加具有先增加后減小的趨勢,且在隱含層神經(jīng)元個數(shù)為14時,BP網(wǎng)絡(luò)模型的預(yù)測相對誤差均值最小,故最終建立的BP神經(jīng)網(wǎng)絡(luò)模型中隱含層神經(jīng)元數(shù)為14個.設(shè)置最大訓(xùn)練次數(shù)為300000次,學(xué)習(xí)速率η=0.1,期望誤差為1X10-5.隱含層傳遞函數(shù)為logsing函數(shù),;輸出層傳遞函數(shù)為tansing函數(shù),.優(yōu)選的BP神經(jīng)網(wǎng)絡(luò)預(yù)測相對誤差與GRNN網(wǎng)絡(luò)相對誤差對比結(jié)果見圖6.

圖6 BP與GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測誤差對比

由圖6可知,BP網(wǎng)絡(luò)相對誤差波動劇烈,最大相對誤差達-36.97%,平均相對誤差絕對值為16.64%,顯著高于GRNN網(wǎng)絡(luò)的預(yù)測相對誤差10.13%,而且BP網(wǎng)絡(luò)預(yù)測潤濕性集體偏大.過高的估計接觸角,可能導(dǎo)致低估鉆井液侵入巖石的嚴(yán)重程度,顯然不利于井壁穩(wěn)定控制.結(jié)合以上分析可知,對于巖石與鉆井液系統(tǒng)潤濕性定量表征這一復(fù)雜的非線性問題,特別是在數(shù)據(jù)點較少時,BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差較大,擬合能力具有一定的局限性,GRNN網(wǎng)絡(luò)更適宜進行巖石與鉆井液系統(tǒng)潤濕性定量表征.

3 結(jié)論

1)頁巖與鉆井液系統(tǒng)的潤濕性受巖石組構(gòu)和鉆井液性能兩方面因素的影響,且各因素具有差異化的影響趨勢和程度,表現(xiàn)出顯著的非線性特征.

2)本文建立的GRNN模型,綜合考慮了巖石組構(gòu)與鉆井液性能特征,具有較高的精度和泛化能力,其預(yù)測相對誤差介于1.44%～14.09%,平均值10.13%,滿足現(xiàn)場工程應(yīng)用要求.各影響因素中,TOC對頁巖潤濕性影響最大,其次是黏土礦物、石英質(zhì)量分數(shù)和油基鉆井液的油水比,影響程度最小的是巖石的孔容特征.對比發(fā)現(xiàn),BP網(wǎng)絡(luò)預(yù)測潤濕性誤差波動劇烈,最大相對誤差達-36.97%,且BP網(wǎng)絡(luò)預(yù)測潤濕性集體偏大,過高的接觸角估計,可能導(dǎo)致低估鉆井液侵入巖石的嚴(yán)重程度,顯然不利于井壁穩(wěn)定控制,所以GRNN更適宜進行頁巖潤濕性定量表征.

3)利用GRNN模型可進行潤濕性的定量和連續(xù)性預(yù)測,能夠為鉆井液性能優(yōu)化與設(shè)計提供理論支撐與指導(dǎo),從而進行合理的井壁穩(wěn)定控制,確保油氣藏的高效與安全開發(fā).