基于毛细管压力曲线储层自动分类及测井评价

李宁，王波，邢艳娟，张建民，潘保芝

(1.中石化华东石油工程有限公司测井分公司，江苏 扬州 225007;2.大庆钻探工程公司测井公司，吉林 松原 138001;3.吉林大学地球探测科学与技术学院，吉林 长春 130000)

0 引言

通常，同一沉积环境下中高孔隙度高渗透率储集层岩性、颗粒大小、胶结物、胶结程度和孔喉的配比情况等具有基本一致规律，导电机理相似，通过岩电实验可以获取统一的岩电参数。但对于低孔隙度低渗透率储集层，其孔隙结构的非均质性使这一问题变得复杂。储集层孔隙结构的非均质性常常导致同一储集层段不同部位的孔—渗关系以及岩电参数出现很大差异。因此，必须对低孔隙度低渗透率储集层分类，使得每一类储集层的孔隙结构基本一致，或者说每一类储集层在岩石物理规律上相对一致，使其岩电参数基本相同，以提高低孔隙度低渗透率储集层的测井解释精度。本文依据岩样的毛细管压力曲线所反映出的孔喉结构特征，将岩样划分为若干类，分类建立孔—渗关系，提取岩电参数。采用自组织神经网络方法建立类别与测井曲线间的非线性关系，并实现对井中测井曲线的储层自动类别划分，分类计算渗透率等参数，提高了参数的精度。

1 储集层毛细管压力曲线与储层分类

1.1 储集层毛细管压力曲线

大情字井油田位于吉林省乾安县大情字乡境内，构造上位于松辽盆地南部中央坳陷区长岭凹陷中部。长岭凹陷北部为乾安次凹陷，南部为黑帝庙次凹陷，大情字井构造处于2个次凹陷之间的相对隆起部位[1-2]。该地区目的层为白垩系青山口组，储集层以低孔隙度低渗透率、薄互层型砂岩为主[3]。

研究区岩样数量较多，非均质性强烈。排驱压力最低为0.138 MPa，最高为12.816 MPa;中值半径最小为0.026μm，最大为1.611μm;平均半径最小为0.026μm，最大为1.868μm。根据压汞曲线形态和排驱压力将研究区岩样分为4大类[4]。

Ⅰ类:低排驱压力-粗喉道型，排驱压力从0.208～0.138 MPa，最大孔隙半径从3.53～5.31μm。孔隙喉道半径大，这部分岩样储集性最好(见图1)。Ⅱ类:中等排驱压力-中喉道型，排驱压力从0.482～0.207 MPa，最大孔隙半径从1.524～3.548μm(见图2)。Ⅲ类:中等排驱压力-细喉道型，排驱压力从2.801～0.482 MPa，最大孔隙半径从0.262～1.524μm，说明岩石喉道分布集中(见图3)。Ⅳ类:高排驱压力-细喉道型，排驱压力从12.816～2.816 MPa，最大孔隙半径从0.057～0.216μm，所表现出的孔隙结构类型为孔喉道较细，连通性差(见图4)。

综合进汞图的分类结果，本文将储层划分为4个级，即Ⅰ类结构代表1级储层，Ⅱ类代表2级，Ⅲ类代表3级，Ⅳ类代表4级。

1.2 储层品质因子与储层类别的关系

图1 Ⅰ类岩样进汞曲线图

图2 Ⅱ类岩样进汞曲线图

图3 Ⅲ类岩样进汞曲线图

图4 Ⅳ类岩样进汞曲线图

孔隙度反映岩石的储集空间大小，渗透率反映储集层孔隙空间的连通性和岩石的渗流能力。在低孔隙度低渗透率储集层中孔隙结构的复杂性造成了孔隙度基本相同的储集层之间渗透率差别很大，在低孔隙度低渗透率储集层中应用孔隙度或渗透率单一参数对储集层进行岩石物理分类的方法显然不适用。两者组合形成的用以评价储集层品质的宏观参数，如储集层品质指数I[5]RQ

式中，IRQ为储层品质指数，×10-3μm;K为储层渗透率，×10-3μm2;φ为储层孔隙度，%。

通过对不同级别储层品质指数IRQ、孔隙度和渗透率进行统计可以发现，1类储层的品质指数最高，孔隙度和渗透率最大。由表1对比可见，不同级别储层孔隙度和渗透率没有明显的分界线，用IRQ可以较好地划分级别。表1列出了不同级别储层3种参数的分布范围。

表1 储层类别与储层参数分布范围

1.3 储层参数分类评价

在上述储层类别划分的基础上，可以分类建立“四性”关系，如分类建立饱和度公式，分别获取岩电参数，分类建立孔隙度与渗透率关系，分类计算束缚水饱和度等。

图5为岩心分析孔隙度渗透率交会图。可见如果进行储层分类，建立的孔隙度与渗透率的关系明显好于未分类时建立的关系(图5中黑线)。进行储层分类后得到的4个类别储层的孔隙度—渗透率拟合关系式:

1类储层 y=0.3031×e0.2082x

2类储层 y=0.0217×e0.2331x

3类储层 y=0.0092×e0.2871x

4类储层 y=0.006×e0.2205x

式中，x为孔隙度，%;y为渗透率，×10-3μm2。经计算后，1类储层相对误差36.09%;2类储层相对误差48.94%;3类储层相对误差51.19%;4类储层相对误差45.42%;而未分类前相对误差67.96%。计算的这4个类别的渗透率相对误差均小于未分类时的相对误差。

图5 储层分类后孔隙度与渗透率关系图

2 神经网络自动划分储层类别

完全依赖实验室岩样压汞曲线确定储层分类受到岩样数量的限制。本文将分类样品所对应的测井数据作为样本，通过自组织神经网络建立测井读数与类别的非线性关系，并用来基于各井的测井数据预测储层类型(见表2)。

自组织神经网络可以对外界未知环境(或样本空间)进行模拟和学习，并对自身的网络结构参数做出适当的调整[6]。利用该网络识别预测储层级别时，将压汞曲线分类后的测井数据作为输入层，对应级别作为输出，从而建立储层类别与测井间的关系。

表2 测井读数与储层类别部分样本示例

所选择样本的优劣很大程度上决定了神经网络的应用效果。首先将岩样深度归位，根据各曲线反映孔隙结构特征的信息优选出自然伽马、深侧向、浅侧向、补偿密度和补偿声波等5条曲线作为自组织神经网络的输入，储层类别作为输出。训练后利用该网络对各口井储层类别进行预测。

神经网络参数选取:竞争层为20×20;迭代次数1500次，学习速率0.9。对56个样本回判的正确率为96.4%。将上述样本随机抽取出8个作为验证数据，用剩余的48个数据作为样本，重新训练后，8个预测样本的准确率为87.5%(见表3)，说明基于测井曲线识别储层分类是可行的。

表3 样本回判结果

3 应用效果

依据训练的自组织神经网络，在研究区的井中进行应用，判别储层的类别，依据计算孔隙度分类计算渗透率。图6为某井储层类别识别与渗透率计算实际效果。3710～3720 m层段神经网络判断为2类储层，根据岩心分析孔隙度和渗透率的数值可知在2类储层范围内，计算IRQ范围大概为7～16，同前述2类储层IRQ范围也较为吻合。3730～3740 m层段神经网络判断为1类储层，根据岩心分析孔隙度和渗透率的数值可知在1类储层范围内，计算IRQ范围大概为17.5～20，同前述1类储层IRQ＞18范围也较为吻合。

表4为储层分类识别以及分类计算渗透率结果，可见通过神经网络方法所识别储层类别，与岩心分析结果一致性较好。依据不同级别储层的孔隙度渗透率关系，计算的渗透率与岩心分析渗透率平均相对误差为28%，未分类计算渗透率平均误差为78%。

表4 储层分类识别及渗透率计算结果

采用本文方法计算渗透率，由于在不同类别储层采用不同的公式，当相邻储层类别差异较大时，计算渗透率曲线会出现台阶(见图6中，3类储层和1类储层相接处)，这是方法的一个缺陷，主要出现在界面上。

图6 XY井储层类别划分与分类计算渗透率成果图

4 结论

(1)根据岩石物性和毛细管曲线特征，将储层进行分类，能够为基于测井数据进行储层分类及其评价提供参考依据与标准。

(2)依据孔隙结构综合研究，大情字井地区储层属低孔隙度、低渗透率-特低渗透率储层。将该层段分为4类储层:1类储层最好，属中等储层;2类、3类储层次之，属较差储层;4类储层最差，属差-特差储层。

(3)分类后岩样对应的测井数据作为样本，使用自组织神经网络预测储层分类。分类计算渗透率精度明显高于未分类计算的渗透率。

(4)采用本文方法计算渗透率，当相邻储层级别差异较大时，在界面上计算渗透率曲线会出现台阶，需要进行改进。

[1]陈桂菊，张为民，宋新民，等.吉林大情字井油田油气富集规律分析[J].断块油气田，2005，12(6):1-3.

[2]张大伟，邓祖佑.吉林油田大情字井地区青山口组三段沉积微相特征[J].内蒙古石油化工，2006(10):107-108.

[3]魏兆胜，宋新民，唐振兴，等.大情字井地区上白垩统青山口组沉积相与岩性油藏[J].石油勘探与开发，2007，34(1):28-33.

[4]蔺景龙，聂晶，于春生.基于BP神经网络的储层微孔隙结构类型预测[J].测井技术，2009，33(4):355-359.

[5]张龙海，刘忠华，周灿灿，等.低孔低渗储集层岩石物理分类方法的讨论[J].石油勘探与开发，2008，36(5):763-768.

[6]覃光华.人工神经网络技术及其应用[D].成都:四川大学，2003.