低电阻率油层模式识别方法的变量选取及应用

2017-05-08韩如冰田昌炳李顺明干旭何辉杜宜静

测井技术 2017年2期

韩如冰, 田昌炳, 李顺明, 干旭, 何辉, 杜宜静

(1.中国石油勘探开发研究院, 北京 100083; 2.延长油田股份有限公司永宁采油厂, 陕西延安 717500)

0 引言

Jake south油田位于苏丹Muglad盆地Fula凹陷西北部,AG油藏为典型的受断层、岩性控制的层状砂岩油藏,储层性质变化快,地层水矿化度低(一般小于4 000 mg/L),地质条件极其复杂[1]。生产中发现AG组存在大量的低电阻率油层,识别难度较大,准确率不高,导致遗漏油层和补开水层,造成一定经济损失。以支持向量机[2]和神经网络[3]为代表的模式识别方法在低电阻率油层的识别中应用较广。杨斌等[4]、张银德等[5]、连承波等[6]选取常规测井曲线参数,周凡等[7]选取阵列感应测井曲线参数,分别利用支持向量机进行低电阻率油层识别,取得良好效果。陈遵德[8]、邹长春等[9]最早利用人工神经网络进行油水层识别,随后学者们不断改进方法,张学庆等[10]组合基于进化算法和遗传算法的神经网络,提出组合进化神经网络识别油水层,田冷等[11]利用Kohonen自组织网络和BP神经网络形成改进人工神经网络识别油水层,取得较好效果。

研究发现,现有模式识别算法中部分模型变量不能反映储层流体性质,研究区储层性质变化快,测井响应影响因素较多,应用效果往往不好。本文综合岩心、薄片、扫描电镜、测井曲线等资料,对模式识别方法所选变量进行优化,取得良好效果。

1 2种模式识别算法模型变量选取

1.1 常用模型变量

一般选取的模型变量包括自然伽马、自然电位、地层深电阻率、地层深浅电阻率幅度差、声波时差、密度、中子、储层孔隙度、储层渗透率、含水饱和度等。自然电位、地层深浅电阻率幅度差及储层孔隙度、储层渗透率、含水饱和度等在地质条件比较复杂的情况下并不能反映储层流体性质,在模式识别中需要加以改进。

自然电位测井主要测量自然电位随井深变化,其测量数值受泥浆滤液矿化度和地层水矿化度影响。实际上,在同一研究区内,虽然地层水矿化度相近,但由于多种因素,泥浆滤液矿化度常存在较大差异,造成不同井自然电位数值差异较大,不同井之间无法比较,因此,并不适合成为模型变量。对Jake south油田AG1E14小层各井砂体的自然电位平均值进行研究(见图1),自然电位数值范围为-50～140 mV,不同井自然电位数值范围差别较大,并不能体现储层流体性质。

图1 Jake south油田AG1E14小层砂体自然电位数值直方图

在部分地质条件复杂地区,储层电阻率受储层岩性、物性、致密程度等影响,储层深浅电阻率幅度差难以反映真实的流体性质。以Jake-S-32井AG1E5-6小层为例,由于研究区地层水为淡水,矿化度平均为4 000 mg/L,而钻井的泥浆滤液矿化度可达60 000～70 000 mg/L,因此,钻井时盐水泥浆侵入淡水地层,理论上储层深浅电阻率幅度差与水层相比应显著增大。但是,如图2所示,经证实,测井解释1号层为油层,其深浅电阻率幅度差与2～4号层水层相比差异并不大,因此,其不能体现流体性质。相同原理,利用深浅电阻率数值组合而成的其他新变量,如二者之比等,亦不适合作为模型变量。

图2 Jake S-32井AG1E5-6小层测井解释图*非法定计量单位, 1 ft=12 in=0.304 8 m,下同

储层孔隙度、储层渗透率、含水饱和度等均来源于测井解释,受解释模型和解释参数选取影响较大,不同单位解释成果往往不同,甚至差异较大。如图3所示,φ1、k1和Sw1为2013年测井解释成果,而φ2、k2和Sw2为2014年另一家单位重新解释成果,不难看出两者差异较大。对于AG1E8小层中部A砂体而言,2013年解释成果显示其平均Sw1为41%,为油层,而2014年成果解释成果显示其平均Sw2为50.5%,大于油层界限,认为水层或油水同层。同时,两者孔隙度、渗透率差异也较大。储层孔隙度、储层渗透率、含水饱和度等测井解释参数难以反映真实的储层流体特征,不适合作为模型变量。

图3 Jake-S-2井AG1E7—8测井解释成果图

1.2 建议的模型变量类型

建议使用的变量类型包括储层类型、自然伽马、自然电位幅度比RSP、中子密度指数ICD、原状地层电阻率、声波时差、补偿中子、地层密度等8种。

1.2.1 储层类型

以Jake south油田AG组砂岩为例,其储层性质如岩性、粒度、致密程度、储层物性等变化较快,不同类型储层内油、水层电阻率差异较大,无法直接进行比较。如图4(a)所示,当研究区所有储层类型的油气水层样本同时绘制交会图时,往往油层、水层重叠较多,相对关系复杂,难以区分。但对每一类储层的油气水层样本分别绘制交会图时[见图4(b)、(c)、(d)],图版区分性明显增强,除低电阻率油层外,油气水层界限清晰。首先研究储层地质特征,对储层进行分类(见表1),将储层划分为Ⅰ、Ⅱ、Ⅲ等3类,代号分别对应1、2、3,每类储层内部油水层测井响应区分性更强,采取多种方法识别低电阻率油层才更有意义。因此,储层类型在低电阻率油层识别中应作为模型变量。

1.2.2 自然电位幅度比RSP

对已证实的低电阻率油层进行研究,发现油层自然电位幅度与水层相比明显降低,可体现储层流体性质。对其成因进行分析,①与水层相比,油层的电阻率较高,SP幅度常常更低;②低电阻率油层常伴随较高的泥质含量和束缚水饱和度,束缚水的矿化度相比普通地层水较高,可造成自然电位幅度差进一步降低;③相同条件下盐水泥浆环境中油层正幅度差降低现象较水层更为显著,且含油饱和度越高,正幅度差降低效果越明显[12]。在三者共同作用下,区内油层的自然电位幅度差较水层明显降低,统计表明油层的自然电位幅度差平均约为水层的0.574倍。

定义储层自然电位幅度差之比RSP

RSP=ΔSP/ΔSPmax

(1)

式中,ΔSP为该层位的自然电位幅度差,mV;ΔSPmax为与该层位属同一基线的储层自然电位幅度差最大值,mV。油层RSP值一般小于水层。

1.2.3 中子密度指数ICD

对研究区试油获取油水层样本进行研究,发现AG原油为稀油,密度较低, 平均为0.82 g/cm3,而地层水中常含有矿物质,导致密度较大,平均大于1.05 g/cm3,原油、地层水存在密度差。由于密度测井测量岩石体密度,在整体骨架岩性变化不大的情况下,油层、水层密度存在差异,密度曲线数值可以反映流体性质。

表1 Jake south油田储层分类标准

*非法定计量单位,1 mD=9.87×10-4μm2,下同

图4 不同储层类型油气水层识别图版

中子孔隙度测井通过点状同位素中子源照射地层,用中子探测器测量热中子或超热中子计数率,并将结果换算成视石灰岩孔隙度,地层对快中子的减速能力用含氢指数衡量。对于成分以CnHnr为主的石油[13],原油的含氢指数可用式(2)求得

(2)

式中,ρo为原油密度,g/cm3。将AG原油平均密度代入上式,得原油平均含氢指数为1.03,因此,油层含氢指数较水层高约3%,造成油层中子孔隙度略大于水层。

定义储层中子密度指数ICD,可以将油层、水层的密度和中子孔隙度差异最大化,从而将油层、水层分开

(3)

式中,CNL*、DEN*分别为中子孔隙度、密度均一化后数值。采用的归一化方法如式(4)

(4)

式中,A为需要进行归一化的参数;Amax为该参数的最大值;Amin为该参数的最小值;B为该参数归一化后数值。

利用研究区已证实油水层样本,绘制RSP—ICD交会图(见图5)。结果证实RSP、ICD对油水层区分较好,两者应作为模型变量。

图5 Jake south油田RSP—ICD交会图

2 应用效果

研究中将储层流体类型分为常规油层、低电阻率油层和水层3类。研究表明,油层与低电阻率油层同属油层,部分变量数值范围存在重叠,两者区分难度较大。但因二者均属于油层范畴,因此,二者之间的错判并不影响模型对油水层判别的正确率。

采用支持向量机方法,分别选用本文建议的模型变量和以往常用模型变量对研究区储层流体性质进行研究。以往常用模型变量即自然伽马、自然电位、深电阻率、深浅电阻率幅度差、声波时差、补偿中子、地层密度、孔隙度、渗透率和含油饱和度。研究中共收集油水层资料63个层,其中训练样本共45个层(低电阻率油层、油层、水层各15层),检验样本18层(低电阻率油层、油层、水层各6层),结果见表2。当采用本文建议变量时,检验样本正确识别的有17个,只有1层将水层判别为油层,油水层判别正确率为94.4%;当采用以往常用变量时,检验样本油水层识别正确识别的有14个,并有1层将水层识别为油层,3层将油层识别为水层,油水层判别正确率为77.8%。结果表明本文建议的模型变量在复杂地质条件下识别效果更好。