如何使地质数据更具代表性

李少华,刘厚龙,李 琴

(长江大学 地球科学学院剩余资源研究组,湖北荆州 434023)

0 前言

油气储层是由一系列复杂的地质过程相互作用所形成的,通常具有很强的非均质性。特别是我国油藏以陆相碎屑岩沉积储层为主,具有沉积相变快,储层非均质性严重的特点[1]。这种储层分布不均,非均质性严重的特点,导致了井位设计的不规则性,因有利储层是优先考虑的目标,这样也就导致了获取的地质数据在分布上的不规则性[2]。在有利区的部位,开发井会很密集,从而可以获取大量数据。而在非有利区的分布范围内,由于储层预测的不准确等原因,会有少量的开发井及个别探井存在,从而获取的地质数据十分有限。这种地质数据分布的不均匀如果不加以重视,会导致统计的结果无法真正代表实际数据分布的情况。例如,储层随机建模技术目前在国内已经得到越来越广泛的应用[3～6],建立相模型很重要的一个输入参数,就是各种沉积微相所占的比例。由于井位分布的不规则性,多数井会集中分布在有利相带上,从而导致了在统计结果中,形成好储层的微相比例偏大,进而会导致模拟结果过于乐观,计算的地质储量偏大。为了解决这一问题,必须对数据分配不同的权值,让密集的数据获得较小的权值,而稀疏的数据获得较大的权值。作者在本文介绍了二种方法来实现这一目的,即网格去丛聚方法和多边形去丛聚方法[7、8],并通过实例分析了应该注意的问题。目前,去丛聚的方法在国外的应用较多,加拿大学者还针对建模软件Petrel开发了相应的去丛聚插件[9]。但在国内这方面的研究还刚刚处于起步阶段。

1 网格去丛聚方法

网格去丛聚方法(Cell Delustering)是最常见的一种降低地质数据丛聚效应的方法,能够让不规则分布的数据更合理地反映数据真实的分布。其核心就是给丛聚在一起的地质数据分配较小的权值,给稀疏分布的数据分配较大的权值。该方法具有一定的适用条件,就是首先要知道丛聚的数据是分布在高值区还是低值区。如果丛聚的数据与没有丛聚的数据之间没有明显的差别,那么利用本方法的意义就不大。

网格去丛聚方法具体的做法是:把研究区划分为L个网格。统计有数据点的网格,记为Lo(Lo≤L)。并且,统计每个有数据的网格内有多少个数据点,记为nlo,lo=1、…、Lo,它的和等于所有数据点的个数。每个数据点分配的权值与在网格内数据的个数成反比。为了便于统计,把所有数据点的权值之和设为1,那么每个数据点的权值大小为例如研究区共划分36个网格,其中有33个有数据,那么Lo=33。在网格i中有2个数据点,因此每个数据点的权值就是1除以33,然后再除以2,等于0.015 2,其它的数据点的权值依次类推。

在这个方法中,网格的大小是关键。在不同的网格大小条件下,数据就会有不同的权值。网格大小一般从数据最小的间距开始,然后逐步增加。程序会计算出在每种网格划分情况下,数据的加权平均值。一般来说,井都是在好储层的地方密集,因此通常都是选择加权平均最小值所对应的网格大小。把在此网格条件下计算得到的各个数据点的权值,作为该数据点的权值,然后统计均值、直方图分布等,作为模拟的约束条件。

2 多边形去丛聚方法

多边形去丛聚法,类似于储量计算中的面积加权平均法,即密的数据点控制的面积小,权值就小,而稀疏的数据点控制的面积大,因此权值就大。该方法非常直观,易于理解(见图1)。需要注意的是边界问题,当数据点正好位于边界上的时候,可能得不到正确的权值,通常可以采用把边界适当外扩的方法来解决。

该方法具体的做法是:

(1)找到数据点二点之间最短的距离。

(2)根据这个最短距离,建立密网格,例如选择最短距离平方根的一半,作为密网格大小。

(3)把每个密网格分配给距离它最近的那个数据点,然后统计每个数据点有多少个密网格,该数据点的权值与分配到的密网格个数成正比,大小等于分配到的密网格数除以总的密网格数。

3 实例研究

石南油气田X井区的目的层段,是白垩系清水河组的清一段,主要为辫状河三角洲前缘沉积。该研究区有十八口钻井,在工区的左上角是3×3的试验开发井网,相对密集,井距250 m。其它井位分布不均,井距多在1 000 m以上(见下页图2)。为了精细计算油气储量,以及为油藏数值模拟提供地质模型,作者开展了储层地质模型研究。

3.1 离散型变量的处理

在地质研究的基础上,首先建立沉积相模型。如图2(见下页)所示,沉积微相类型主要为分流河道与席状砂,编码分别为1、3。合理统计各种微相所占比例是保证模拟结果正确的前提。由于井位分布的不均,如果直接按常规算术平均方法统计,在整个研究区中河道占的比例会偏大(如下页表1所示)。

图1 多边形去丛聚法原理Fig.1 Principle of polygon declustering method

图2 井位分布图Fig.2 Wells location

采用上述二种方法分别对数据进行了处理,统计的微相类型所占比例见表1。在本例中,由于密集的微相类型分流河道的编码为1,而相对稀疏的席状砂编码为3,因此利用网格去丛聚方法时,需要寻找加权平均最大值及其对应的网格大小。

图3中的圆点为不同网格大小所对应的加权平均值,在本例中需要寻找最大值。如图3中黑圆点所示,对应的加权平均值为1.908,相应的网格大小为3 600 m。以该网格大小对各个数据点进行权值的分配,然后加权统计各个微相所占的比例,统计结果见表1。应用多边形去丛聚方法得到的加权平均值为1.83,对应微相比例见表1。通过表1可以看出,如果不考虑数据分布位置的影响,河道比例可高达83%;而考虑了井位的分布后,采用去丛聚方法得到河道的比例大幅下降,这就更接近真实情况。

表1 微相比例Tab.1 Proportion ofmicrofacies

3.2 连续型变量的处理

图3 离散变量Fig.3 Example of discrete variable

在相模型的基础上,采用相控建模技术建立物性参数模型。采用相控技术,能够根据各个微相物性参数各自的分布特征进行模拟,更好地描述物性参数的空间分布。在模拟前,需要统计参数的诸如直方图分布等。现以孔隙度为例,分析井位对数据统计结果的影响。

在本例中,对河道及席状砂的孔隙度分布分别进行统计。由于河道数据点的分布非常不均匀,因此需要采用去丛聚的方法进行处理。由于本例中密集的九口井分布在最有利储层的部位,因此相应的孔隙度也是最好的。而分布在河道末端及边部的井点,其孔隙度相对差一些。因此,在采用网格去丛聚方法时,需要寻找加权平均最小值,及其对应的网格大小。

在图4中,黑圆点对应是最小加权平均值,为0.184,相应的网格大小为1 700 m。采用多边形去丛聚方法得到的孔隙度加权平均值,与网格去丛聚方法得到的结果十分接近,采用算术平均得到的结果为0.201。分别以二种去丛聚方法得到的权值对数据进行加权统计直方图,并且与不加权的直方图进行对比。

见图5,在不加权的孔隙度直方图中,大于20%的孔隙度占有很大比例,其原因是密集的九口井的孔隙度都大于20%。在考虑井位分布的情况下,通过处理后得到的孔隙度直方图中,孔隙度大于20%的部份明显减少了,而相应的小余20%的部份增加了。通过去丛聚处理,得到的孔隙度分布更加具有代表性,更能反映孔隙度真实的分布特点。

图4 连续变量Fig.4 Example of continuous variable

图5 孔隙度直方图Fig.5 Porosity histogram

4 结论

针对地质数据采样不均匀的特点,采用网格去丛聚方法和多边形去丛聚方法对数据进行处理,为密集分布和稀疏分布的数据点赋予不同的权值,然后再进行加权统计的方法能够得到更合理的统计结果。在石南油田的应用表明,这二种方法不仅能够适用于离散型变量,也适用于连续型变量。二种方法得到的结果相似,在最终应用时,可以采用二种结果平均的方法。采用去丛聚方法后进行的储层建模更加接近储层的实际情况。在应用网格去丛聚方法时,需要注意密集的数据是高值还是低值,从而确定是选加权最大值还是加权最小值。对微相而言,需要特别注意的是,当存在多种微相类型时,需要把密集的微相类型编码为最大值或是最小值,然后选择相应的加权最小值或加权最大值。

这二种方法有着广泛的应用前景,例如可以应用到统计砂体厚度、净毛比、石油储量等多个方面,也可应用到其它涉及空间数据的行业。

[1] 裘怿楠,薛叔浩,应凤祥.中国陆相油气储层[M].北京:石油工业出版社,1997.

[2] 刘吉余,李艳杰,于润涛.储层综合定量评价系统开发与应用[J].物探化探计算技术,2004,26(1):33.

[3] 吕晓光,张永庆,陈兵.深度开发油田确定性与随机建模结合的相控建模[J].石油学报,2004,25(5):60.

[4] 贾爱林,郭建林,何东博.精细油藏描述技术与发展方向[J].石油勘探与开发,2007,34(6):691.

[5] 于兴河.油气储层表征与随机建模的发展历程及展望[J].地学前缘,2008,15(1):1.

[6] 李霞,王铜山,王建新.储层随机建模方法研究进展[J].物探化探计算技术,2009,31(5):454.

[7] DEUTSCH C V,JOURNEL A G.Gslib:Geostatistical Software Library:and User's Guide[M].Oxford University Press,New York,2nd Ed,1998.

[8] DEUTSCH C V.Geostatistical ReservoirModeling[M].Oxford University Press,New York,2002.

[9] JOHN MANCHUK,CHAD NEUFELD,C V DEUTSCH.Petrel Plugins for Declustering and Debiasing[J].In Centre for Computational Geostatistics,2007,9:403.