伊拉克北Rumaila油田白垩系Mishrif组碳酸盐岩储层特征与测井分类识别
2015-05-09王玉玺刘波李扬高计县刘建强田泽普
王玉玺, 刘波, 李扬, 高计县, 刘建强, 田泽普
(1.北京大学石油与天然气研究中心, 北京 100871; 2.北京大学地球与空间科学学院, 北京 100871; 3.中国地质大学(北京)地球科学与资源学院, 北京 100871; 4.中联煤层气有限责任公司, 北京 100871)
0 引 言
伊拉克北Rumaila油田白垩系Mishrif组为典型的孔隙型碳酸盐岩储层,具有明显受沉积相带控制的特点,储层成岩后改造严重,非均质性和各向异性极强[1-2]。前人对碳酸盐岩储层的分类已经有过很多研究,主要可以归结为2大类。一类是基于储集空间类型及品质的分类,即好、中和差储层,如Jodry根据孔隙结构与岩石类型相互关系对碳酸盐岩进行的分类评价并将其划分为非储集岩、差的储集岩、中等储集岩和好的储集岩[3];另一类是基于成因的分类,即岩相组合类型,如冯福凯依据碳酸盐岩所经历的演化历史及其主要地质因素将其划分为5种类型:粒屑滩(礁)型、白云石化-生物礁型、溶蚀孔洞白云(灰)岩型、古风化溶蚀型和裂缝型[4];Smith按岩性将碳酸盐岩储层划分为灰岩型和白云岩型[5];范嘉松将世界碳酸盐岩储层划分为6种类型:不整合面之下型、白云岩型、鲕粒和团粒浅滩型、生物礁型、微孔隙型以及微裂缝型[6];谭茂金等基于双侧向测井利用有限元素法实现了洞穴型碳酸盐岩储层的有效识别[7];罗利等分别利用聚类分析法和标准BP神经网络方法对缝洞型碳酸盐岩储层识别进行研究[8-9];司马立强等利用标准BP神经网络方法实现了黄珏油田方4井阜一段碎屑岩储层流动单元的有效识别和预测[10]。诸多数理算法在储层测井识别的应用中,BP神经网络法以其优良的算法和简单的结构而具备良好的数据区分能力和可操作性[11]。
为了有效解决北Rumaila油田Mishrif组碳酸盐岩储层的分类与识别,基于研究区8口取心完备的钻井,以微相和成岩作用综合影响下的储层物性为基础,建立研究区的储层划分方案。通过进一步详细分析各类型储层及其测井响应关系,建立了研究区的储层类型-测井相转化模型,进而基于改进的双隐层BP神经网络法,以中子测井均值(MNPHI)、声波测井均值(MΔt)和密度测井均值(MRHOB)为关键识别参数,建立了北Rumaila油田Mishrif组的储层测井判别模型,实现了对研究区非取心井储层类型的准确判别。
1 Mishrif组储层岩性特征
北Rumaila油田Mishrif组岩石组分以生物碎屑和泥晶基质为主。参照Dunham碳酸盐岩分类方案[12]以及Eerik Flügel的研究成果[13],依据岩石的支撑结构和颗粒组分含量和后期成岩作用改造结果,研究区Mishrif组碳酸盐岩岩石类型可以划分为泥晶灰岩、含生屑泥晶灰岩、生屑泥晶灰岩、泥晶生屑灰岩、生屑灰岩和云质灰岩6种类型(见图1)。其中,生屑灰岩和云质灰岩储集物性最好,泥晶生屑灰岩次之,含生屑泥晶灰岩和生屑泥晶灰岩较差,泥晶灰岩最差。研究区Mishrif组优质储层段主要发育于礁灰岩和生屑含量相对较高的生屑灰岩段,其孔隙度一般大于20%,渗透率100~1 000 mD*非法定计量单位,1 mD=9.87×10-4 μm2,下同[14]。
2 Mishrif组储层储集空间特征
基于岩心和显微薄片观察,北Rumaila油田Mishrif识别出的主要储集空间类型包括粒间孔、铸模孔、泥晶间微孔和白云石晶间孔,局部发育微裂缝、溶蚀缝和压溶缝合线(见图1)。储集空间发育受多期成岩作用叠合改造:溶蚀作用促进次生粒间孔、铸模孔和晶间溶孔发育[见图1(f)、图1(g)、图1(h)];后期胶结作用使储集空间和孔喉减小,如亮晶方解石沿早期颗粒间溶蚀空间生长[图1(d)、图1(g)];压实压溶作用和泥晶化作用也是改造储层孔渗系统的主要因素[15],如压溶缝合线的形成。研究区Mishrif组碳酸盐岩压溶缝合线非常发育,缝合线呈锯齿状,线密度较大,且缝合线多为未全充填的有效缝[图1(b)]。该类开启压溶缝合线以及微裂缝的发育是造成北Rumaila油田Mishrif组局部低孔隙度高渗透率储层的重要因素。压溶缝合线是一种典型的成岩缝,它是岩石被深埋时上覆沉积物负荷产生压应力,地下流体对矿物颗粒进行选择性溶解所致,缝合线的发育受岩石成分、参与流体、物理化学条件、外部应力等因素叠合控制[16-17]。
图2 北Rumaila油田Mishrif储层孔渗特征
3 Mishrif组储层类型划分与储层类型测井相转换模型
3.1 储层类型划分
北Rumaila油田Mishrif组8口取心井1 602个实测孔隙度渗透率样品统计分析结果显示,研究区呈现出明显的孔隙型储层的特征[见图2(a)]。孔隙度主要分布在17%~27%,占所有样本数的47.88%;0~11%占24.78%;11%~17%占19.85%;27%以上占7.49%[见图2(b)]。渗透率主要分布在0.1~10 mD,占所有样本数的54.06%;10~100 mD占27.34%,100~1 000 mD占10.55%;小于0.1 mD占8.05%[见图2(c)]。
研究区Mishrif组储集空间发育和物性分布具有明显受沉积相态展布和后期成岩作用改造控制的特征。沉积相态发育方面,主要发育瀉湖生屑泥晶灰岩微相、滩后生屑泥晶灰岩微相、生屑滩生屑灰岩微相、生物礁灰岩微相、滩前泥晶生屑灰岩微相和浅水陆棚泥晶灰岩微相。生屑滩生屑灰岩微相发育优质储层;滩前泥晶生屑灰岩微相和滩后生屑泥晶灰岩微相发育好储层;瀉湖生屑泥晶灰岩微相发育较差储层;浅水陆棚泥晶灰岩微相发育差储层。
在继承沉积环境的基础上,成岩作用对研究区Mishrif组碳酸盐岩储层后期改造十分强烈,主要体现在差异性胶结作用和差异性溶蚀作用2个方面。其强弱程度是控制研究区Mishrif组储层主要储集空间类型(粒间溶孔和铸模孔)发育的重要因素。考虑成岩作用这一影响因素,按照强溶蚀、弱溶蚀、弱胶结和强胶结对碳酸盐岩储层的改造程度,可以将强溶蚀作用主导下粒间溶孔和铸模孔发育的生屑滩生屑灰岩微相相区间定为优质储层;弱溶蚀作用主导下粒间孔和铸模孔发育的生屑滩生屑灰岩微相和滩前泥晶生屑灰岩微相区间定为好储层;弱胶结作用主导下部分原生孔隙被胶结的滩后生屑泥晶灰岩微相和瀉湖生屑泥晶灰岩微相区间定为较差储层;强胶结作用主导下原生粒间孔全部被胶结封闭的生物礁灰岩相区间定为差储层。此外,浅水陆棚相主导的区间,由于受泥晶灰岩岩石类型的制约,溶蚀孔发育很弱,仍表现为致密的非储层特征,为差储层。
综合考虑微相与储层的继承性关系以及成岩作用对储层的后期改造,以微相和成岩作用综合控制下的储层物性结果为基础,将北Rumaila油田Mishrif组碳酸盐岩储层划分为4类、8个亚类[见图2(a)、表1]。其中,I类储层为优质储层,II储层为好储层,III类储层为较差储层,IV类储层为差储层(或非储层)。基于该储层类型划分方案,实现了对北Rumaila油田Mishrif组8口取心井储层类型的准确识别和分类。虽然北Rumaila油田Mishrif组碳酸盐岩储层整体为孔隙型碳酸盐岩储层特征,但是微裂缝、溶蚀缝和压溶缝的局部发育是形成中孔隙度高渗透率型储层和低孔隙度高渗透率型储层的重要原因。如,瀉湖生屑泥晶灰岩微相虽然由于强胶结作用而储集空间较差,但裂缝的发育仍使其具有一定的渗流能力,从而形成低孔隙度高渗透率型储层。在认识该类储层时,裂缝因素值得深入探究。
表1 北Rumaila油田Mishrif组储层分类及特征
3.2 储层类型与测井相转换模型
与碎屑岩储层相比,碳酸盐岩储层具有储集空间类型多、测井响应特征变化大、储层非均质性强(特别是裂缝型和洞穴型储层)、测井响应与储层物性对应关系差以及真假储层测井响应特征相似等特点。这些因素制约着碳酸盐岩储层的测井划分[18],易造成错划或漏划储层。基于测井的碳酸盐岩储层划分需要充分利用各种测井资料,分析不同储层类型的测井响应特征,为后续的储层识别奠定基础。基于已定储层划分方案,以及研究区Mishrif组8口取心井储层类型的精确识别,总结了研究区Mishrif各储层类型的测井响应特征,建立了相应的储层类型与测井相转换模型(见图3)。
图3 北Rumaila油田Mishrif组储层类型与测井相转换模型
碳酸盐岩岩石物理特征是储层测井响应评价的物理基础,不同类型的储层由于其岩石类型和储集空间类型的不同而具有各异的测井响应特征。Ⅰ类储层和II类储层岩石类型主要为颗粒灰岩和颗粒云质灰岩,灰岩程度较高,呈现出低自然伽马值和高电阻率值的特点;另一方面,I类储层和Ⅱ类储层遭受的溶蚀作用强,发育大量的粒间孔、铸模孔和溶蚀孔,孔隙性好,呈现出中-高中子值、高声波时差值和低-中密度值的特点。Ⅲ类和Ⅳ类储层岩石类型以细颗粒含球粒泥质灰岩和含泥含颗粒云质灰岩为主,灰岩纯度较低且泥质含量较高,呈现出高自然伽马值和低-中电阻率值的特点;另一方面,Ⅲ类储层和Ⅳ类储层遭受的胶结程度强,以发育微孔和残余的粒间孔和铸模孔为主,孔隙性较差,呈现出低中子值、低声波时差值和高密度的特点(见图3)。
4 基于BP神经网络方法的储层测井判别模型
储层类型与测井数据对比结果显示,中子测井平均值(MNPHI)、声波测井平均值(MΔt)和密度测井平均值(MRHOB)具有很好的储层测井区分度,选取了MNPHI、MΔt和MRHOB作为建立储层测井判别模型的关键测井识别参数。
研究区微相测井定量识别方法研究成果显示,改良的双隐层的BP神经网络方法具有较高的数据区分精度和较好的可操作性[11]。采用改良的双隐层BP神经网络方法[见图4(A)]建立研究区储层的测井判别模型,并选取识别出的100个典型储层样本中的86个作为训练样本对模型进行训练,另外的14个样本作为检验样本对模型的判别效果进行检验。所采用BP神经网络的隐层节点数目分别为20和40,学习速率为0.01,训练精度为0.001,训练函数为弹性梯度下降法,迭代次数分别选用20 000、30 000、40 000次和50 000次进行训练。
图4 BP神经网络储层预测模型与预测结果对比图
最终的模型训练结果和预测结果显示,迭代次数为30 000次的储层判别模型的预测率最高,达85.71%,回判率达93.02% [见图4(B)]。 基于该储层判别模型,对非建模井R027井Mishrif组储层段进行了精细识别,储层预测率达89.47%(见图5)。
5 讨论与分析
将基于取心井取得的地质认识与测井数据进行良好的匹配是建立储层测井判别模型的关键。能否选取具有较高储层区分能力的测井参数组合是制约判别模型精度高低的重要因素,且选取的参数应具有较强的可操作性。本文选取3个测井参数建立了较高精度的判别模型,且该3类参数是研究区各单井均具备的常规测井资料,因而可操作性较强。
当测井参数组合识别能力有限时,可以适当增加测井参数类型,或者利用主成分分析法(PCA)等聚类方法构建结合更多测井信息的拟合参数[19]。但是,并非多的测井参数就能够建立高精度的储层判别模型,高精度储层测井判别模型的建立必须是在详尽的地质分析和储层测井响应分析基础上的。数理方法的应用在一定程度上是为了增强不同储层类型间的区分度,进而实现储层的有效识别。
6 结 论
(1) 北Rumaila油田Mishrif组孔隙型碳酸盐岩储层以发育粒间(溶)孔、铸模孔和晶间孔为主要特征,储层特征受微相展布及后期成岩作用控制。
(2) 在储层类型划分基础上,分析与各类储层相关的微相类型、成岩作用强度、岩石类型、孔隙空间类型及其测井响应特征,提取中子测井均值(MNPHI)、声波测井均值(MΔt)和密度测井均值(MRHOB)作为表征各类储层差异的典型测井响应参数,建立储层类型-测井相转换模型。
(3) 以沉积和成岩作用综合控制下的储层类型划分方案为基础,利用取心井资料建立储层类型-测井相转化模型,采用改进的BP神经网络算法,建立储层类型判别模型的方法,有效实现了碳酸盐岩储层测井精细描述,为北Rumaila油田Mishrif组非取心井的储层判别及其分布特征研究奠定了基础。
参考文献:
[1] 高计县, 田昌炳, 张为民, 等. 波斯湾盆地中白垩统Mishrif组碳酸盐岩储层特征及其发育模式 [J]. 地质科学, 2013, 48(1): 304-316.
[2] 王玉玺, 田昌炳, 高计县, 等. 常规测井资料定量解释碳酸盐岩微相——以伊拉克北Rumaila油田Mishrif组为例 [J]. 石油学报, 2013, 34(6): 1088-1099.
[3] 彭靖松. 龙门山中北段前缘及邻区中三叠统储层研究 [M]. 成都理工大学, 2009.
[4] 冯福凯, 王庭斌, 张士亚, 等. 中国天然气地质 [M]. 北京: 地质出版社, 1995: 281-230.
[5] Smith L B, Eberli G P, Masaferro J L, et al. Discrimination of Effective from Ineffective Porosity in Heterogeneous Cretaceous Carbonates, Al Ghubar Field, Oman [J]. AAPG Bulletin, 2003, 87(9): 1509-1529.
[6] 范嘉松. 世界碳酸盐岩油气田的储层特征及其成藏的主要控制因素 [J]. 地学前缘, 2005, 12(3): 23-30.
[7] Tan Maojin, Gao Jie, Wang Xiaochang, et al. Numerical Simulation of the Dual Laterlog for Carbonate Cave Reservoirs and Response Characteristics [J]. Applied Geophysics, 2011, 8(1): 79-85.
[8] 罗利, 任兴国. 测井识别碳酸盐岩储集类型 [J]. 测井技术, 1999, 23(5): 355-360.
[9] 罗利, 胡培毅, 周症英. 碳酸盐岩裂缝测井识别方法 [J]. 石油学报, 2001, 22(3): 032-035.
[10] 司马立强, 肖华, 袁龙, 等. 基于BP神经网络技术的储层流动单元研究 [J]. 测井技术, 2012, 36(4): 421-425.
[11] Wang Yuxi, Liu Bo, Gao Jixian, et al. Quantitative Recognition of Carbonate Microfacies Based on an Improved BP Neural Network [J]. Journal of Central South University, 2014 (Accepted).
[12] Dunham, R J. Classification of Carbonate Rocks According to Their Depositional Texture, in W. E. Ham, ed. [J]. Classification of Carbonate Rocks-a Symposium: Tulsa, OK, American Association of Petroleum Geologists Memoir 1, 1962: 108-121.
[13] Erik F. Microfacies of Carbonate Rocks: Analysis, Interpretation and Application [M]. 2nd Edition. Springer, 2010: 279-280.
[14] Al-Ameri T K, Al-Khafaji A J, Zumberge J. Petroleum System Analysis of the Mishrif Reservoir in the Ratawi, Zubair, North and South Rumaila Oil Fields, Southern Iraq [J]. Geo Arabia, 2009, 14(4): 91-108.
[15] Aqrawi A A M, Thehni G A, Sherwani G H, et al. Mid-cretaceous Rudist-bearing Carbonates of the Mishrif Formation: An Important Reservoir Sequence in the Mesopotamian Basin [J]. Journal of Petroleum Geology, 1998, 21: 57-82.
[16] 赵明, 樊太亮, 于炳松, 等. 塔中地区奥陶系碳酸盐岩储层裂缝发育特征及主控因素 [J]. 现代地质, 2009, 23(4)709-718.
[17] 赵健, 罗根明, 曾作勋, 等. 缝合线研究的新进展-以湖北大冶铁山地区为例 [J]. 现代地质, 2006, 19(4): 501-507.
[18] 司马立强, 疏壮志. 碳酸盐岩储层测井评价方法及应用 [M]. 北京: 石油工业出版社, 2009: 80-81.
[19] 申波, 毛志强, 樊海涛, 等. 基于主成分分析技术计算蚀变地层孔隙度的新方法 [J]. 测井技术, 2012, 36(2): 130-134.