RY凹陷致密砂岩神经网络产能分类预测方法

2013-09-18李玮张占松祗淑华丁一安继星王晓林

测井技术 2013年6期

李玮，张占松，祗淑华，丁一，安继星，王晓林

(1.长江大学地球物理与石油资源学院，湖北荆州 434023;2.中国石油集团测井有限公司华北事业部，河北任丘 062552)

0 引言

测井方法预测油气层自然产能主要集中于3个方向，一是通过测井方法提供必要储层参数，再通过平面径向流公式预测油气层自然产能[1];二是通过影响因素分析，建立区块自然产能评价指数，得到区域性自然产能经验公式[2-3];三是通过神经网络、模糊数学等数学方法建立测井曲线与自然产能间关系，预测油气层自然产能[4-6]。

RY凹陷古近系沉积相类型丰富多样，目前主要发育有河流、辫状河三角洲、湖泊、冲积扇、扇三角洲和近岸水下扇等7种沉积相、18种亚相和近60种微相[7]，孔隙度为10% ～25%，渗透率为0.5～220 mD*非法定计量单位，1 mD=9.87×10-4μm2，下同，属中低孔隙度中低渗透率砂岩，储层物性复杂且变化大，对产能影响明显。本文依据毛细管压力曲线将储层分为储层物性较好、中等和较差3类;再依据排驱压力定量识别3类储层;最后利用神经网络方法非线进行性拟合，分别建立3类储层产能评价模型。

1 储层特征研究

1.1 储层沉积特征

RY凹陷古近系河流相和辫状河三角洲是最发育的2类沉积相。河流相沉积在RY凹陷中北部分布较为普遍，各层段均有不同程度的发育，尤其在早期充填期(Ek-Es4)和晚期抬升期(Ed)分布最为广泛。该区的河流相沉积分为辫状河和曲流河2种沉积类型。

在沙三段、沙二段、沙一段和东营组广泛分布的是辫状河三角洲-湖泊沉积体系。辫状河三角洲在凹陷缓坡带最为发育，分布广泛，陡坡带分布范围一般较小。湖泊主要以浅湖沉积为主，半深湖主要在主洼槽深处发育。在沙二段的陡坡带有小型近岸水下扇发育，形成局部小规模近岸水下扇-湖泊沉积体系。

1.2 储层物性特征

RY地区储层物性复杂，孔隙度渗透率变化范围大，据187块岩心物性分析资料统计，有效孔隙度5.7% ～23.8%，平均12.8%;水平渗透率(0.07～220.0)×10-3μm2，平均19.7×10-3μm2。储层以中低孔隙度低渗透率为主，孔隙度渗透率变化大，同时发育中孔隙度中高渗透率、低孔隙度特低渗透率储层，储层物性复杂。压汞毛细管压力曲线形态各异(见图1)，排驱压力为0.025～10 MPa，注入汞饱和度为67% ～89.76%，反映孔隙结构异常复杂。复杂的孔隙结构对物性影响大，孔隙度不能完全表征储层物性特征，以×47井岩心分析为例，孔隙度分别为16.8%和17.2%，渗透率分别为228.0 mD和9.23 mD，孔隙度相差0.4%，渗透率相差24.7倍，即孔隙结构差异严重影响了储层渗流特征。

图1 RY地区毛细管压力曲线图

1.3 油水层测井响应特征

以试油结论为依据，统计油层、低产油层、油水同层和水层的测井响应规律，并分别制作电阻率与孔隙度、电阻率与自然伽马、视地层水电阻率与孔隙度以及视地层水电阻率和自然伽马交会图，得到RY地区油水划分图版(见图2)。

图2 RY地区油水层划分图版

2 储层物性分类

2.1 依据毛细管压力曲线形态划分储层

毛细管压力曲线形态主要受孔隙喉道的分选性和喉道大小所控制。1块岩样的毛细管压力曲线，越是接近纵横坐标轴，孔喉均匀而偏粗歪度，渗透率越高，排驱压力越低，微观孔隙结构越好;反之，越是远离纵横坐标轴，孔喉不均匀而偏细歪度，渗透性越差，排驱压力越高，微观孔隙结构越差;进汞曲线越平，孔隙大小分布越均匀、集中。若是曲线占据了坐标轴的右上方，该岩样则代表了很差的储集层或为盖层。依据毛细管压力曲线形态，将储层分为3类(见图3)。

图3 毛细管压力曲线形态分类图

在综合分析了岩心与试油试采资料基础上发现，在正常压力系统下，储层的毛细管压力曲线形态能较好地反映储层自然产液能力[8]。排驱压力是反映储集层渗流特性的重要孔隙结构参数，可作为划分3类储层的依据(见图3)。依据排驱压力划分储层后，各类储层便具有了相似的渗流特性。图4为排驱压力与每米产液量交会图，排驱压力与每米产液量之间没有直接函数关系，不能用于计算每米产液量，但可用于储层分类。分类后各类储层类间自然产能差异主要来源于储层物性差异，类内油气自然产能差异主要来源于储层流体含油性差异。故分类建立评价模型，减小了储层物性对自然产能的影响，凸显了储层流体含油性差异对自然产能的影响。

图4 分类后排驱压力—每米产液量交会图

图4为依据排驱压力划分的3类储层，Ⅰ类每米产液量大于2 t/(d·m)，排驱压力小于0.4 MPa;Ⅱ类每米产液量0.6～2 t/(d·m)，排驱压力0.4～1.2 MPa;Ⅲ类每米产液量小于0.6 t/(d·m)，排驱压力大于1.2 MPa。

2.2 测井方法计算排驱压力

利用毛细管压力曲线求取排驱压力的方法十分有效，但是由于毛细管压力资料非连续的，难以用于逐点评价。因此，需要结合测井资料计算排驱压力，实现全井段逐点评价。为了便于研究常将岩石孔隙空间等效为1组平行毛细管束，即毛细管束模型。在毛细管束等效岩石模型下，流动单元指数可以表示为[9]

式中，IFZ为表征岩石孔隙比面(亦即孔喉半径)和孔隙弯曲度的综合因素。令孔道迂曲度τ为常数，则IFZ仅与孔隙比表面相关，即与孔隙半径相关。图5为IFZ与排驱压力交会图，两者相关性较好，得排驱压力pcd计算公式

图6中第6道为计算IFZ与岩心分析IFZ对比，第7道为按照式(2)计算排驱压力和压汞资料求的排驱压力对比，第8道为按照储层分类标准划分的储层。

图5 流动单元指数与排驱压力交会图

图6 孔隙结构评价成果图

3 BP神经网络产能预测模型

在分类基础上利用神经网络建立测井响应与自然产能间关系[10]，有利于提高解释精度。

3.1 神经网络输入参数确定

油气储层的自然产能受到诸多因素的影响，主要包括2大类:一类是储层因素，包括岩性、物性、含油气性、流体性质及储层有效厚度等;另外一类是施工因素，包括表皮系数和测试半径等[11]。若不考虑施工因素的影响，RY地区自然产能主要受储层因素的影响，采用每米产油量(产层日产油量除以层厚)评价产能，消除了层厚的影响。致密砂岩储层非均质性强，孔隙结构和储层物性变化明显，渗透率和饱和度求取困难。但图7中深电阻率与每米产油量交会图表明每米产油量与电阻率直接正相关关系明显，可通过电阻率值的高低间接反映储层流体的含油性。

储层分类后，每类储层样本个数明显少于未分类时个数，为防止由于输入层和隐层神经元数目过多导致求解权值和阈值时出现方程组欠定问题，在选定输入参数时，首先按照岩性、物性和含油性对测井曲线进行分类，再从每类中挑选输入参数，以减少输入参数个数。将常规和阵列感应测井信息与每米产油量进行单相关分析，分别从3类信息中挑选与每米产油量相关性较好的测井参数。经分析选择自然伽马相对值GR相对、孔隙度φ、深电阻率Rt(阵列感应M2R9)和浅电阻率RXO(阵列感应M2R2)作为神经网络模型输入(见图7)。

3.2 神经网络结构确定

神经网络模型隐含层节点数对神经网络性能影响十分显著，隐含层节点数过少神经网络难以成功逼近期望输出值，隐含层节点过多会导致训练时间过长且容易陷入局部最优解中。通过改变隐含层节点数，对比预测效果选定隐含层节点数为5个。图8为建立的神经网络结构图。

3.3 网络训练样本挑选与预处理

图8 BP神经网络结构图

首先挑选有正确性、代表性、连续性和全面性的样本数据作为神经网络训练样本，同时剔除单相关分析中明显异常值点，以免影响网络稳定性;其次对选中预测样本各输入参数进行归一化处理，以保证各输入参数收敛速度相当。按照排驱压力将储层分为3类，再分别建立3类储层神经网络产能预测模型。

3.4 神经网络训练效果检验

表1为将3类神经网络模型应用于该区块非建模探井，对比了16层样本试油结论及计算结论，其中Ⅲ类储层6层，Ⅱ类储层6层，Ⅰ类储层4层。16层中预测正确14层，错误2层，符合率87.5%。不考虑储层物性，未分类直接建模神经网络预测结果，正确11层，符合率68.8%。

4 应用效果

将该方法编写为产能评价程序，挂接在Lead 3.0下。图9为RY地区新探井A井处理成果图。该井42号层试油结论为油自然产能28.5 t/d。图9第6、7、8道所示，42号层孔隙度19%，渗透率83.7 mD，孔隙结构为Ⅰ类储层，故采取Ⅰ类储层神经网络模型。图9第11道为神经网络分类预测方法的每米产油量预测结果，评价为4.3 t/(d·m)，乘以层厚6.8 m得到该层油产能预测结果为29.24 t/(d·m)。试油结论证明了该方法的合理性，且预测精度满足生产需求。