一种提高储层裂缝识别准确度的方法

潘保芝，刘文斌，张丽华，郭宇航，阿茹罕

吉林大学地球探测科学与技术学院，长春 130026

0 引言

近年来，火山岩储层裂缝识别一直是勘探开发研究的热门。由于火山岩岩性复杂，矿物种类多，该储层裂缝的精确识别一直是一个难点[1-2]。裂缝识别的方法有很多种，如常规测井识别、成像测井识别和岩心识别等。岩心识别资料较少；常规测井裂缝识别方法有曲线异常响应法[3-9]、Q聚类分析法[10]、小波多尺度变换[11]、小波变换提取测井曲线高频信息法[12]、电阻率差比法、三孔隙度比值法和交叉偶极声波测井法[13]、重构测井曲线法[14]、地层因子比值法[15]、遗传算法和BP神经网络结合法[16]、最大熵预测误差法[17]、综合概率法[18]等；成像测井裂缝识别方法有有效提取条纹背景噪声的算法[19]、hough变换及改进的hough变换自动识别裂缝[20-21]、基于小波多尺度分析和去噪的剩余曲线变化率进行裂缝识别[22]、利用垂向和横向小波变换组合全面识别裂缝[10]、基于蚁群聚类算法的裂缝识别[23]等。

常规测井资料容易获得，处理方便，识别裂缝为有效缝，但纵向采样点间隔较大(一般为0.125 m)，纵向分辨率低，造成裂缝识别准确率低；上述各常规测井裂缝识别方法在裂缝识别准确率上均做了努力，但无法解决分辨率低的问题。成像测井资料纵向分辨率高，储层裂缝识别直观、准确，但需要人工拾取裂缝，费时费力，不利于全井或多井应用；上述各成像测井裂缝识别方法在自动识别裂缝方面进行了研究，但无法去除无效缝干扰。目前，常规和成像测井相结合识别裂缝的方法主要应用常规和成像测井资料的井建立预测模型，然后对无成像测井资料井进行预测；该方法无法解决分辨率低的问题。本文分别利用经处理后的常规测井数据资料和电成像微电导率数据资料建立常规测井裂缝综合识别因子Y1和电成像储层裂缝识别因子Y2，然后综合利用两个因子建立储层裂缝识别因子Y3。该方法结合了常规和成像测井识别裂缝的优点，能自动识别裂缝，解决了成像测井人工拾取裂缝费时费力的缺点；可以剔除无效裂缝干扰，识别出有效裂缝，提高了裂缝识别的准确度。最后将其应用到王府地区，以验证应用效果。

1 火山岩储层裂缝测井响应特征

1.1 常规测井

常规测井曲线对火山岩储层裂缝有一定的响应。三孔隙度测井响应为“两高一低”，即中子孔隙度高、声波时差高(有时出现周波跳跃现象)、密度值低；自然伽马曲线为铀沉积造成的放射性异常；当双井径曲线中一条的井径大于钻头直径而另一条等于或小于钻头直径时，指示有裂缝；双侧向电阻率测井曲线响应为深侧向电阻率与浅侧向电阻率曲线的幅度差，微球电阻率测井响应为明显的电阻率降低[24]。图1展示了研究区某井裂缝发育层段除井径曲线外主要曲线的响应特征。从图1可见，深浅侧向电阻率曲线存在幅度差，三孔隙度测井有“两高一低”的特征。

1.2 电成像测井

电成像测井资料是通过地层微电阻率扫描测井仪测得的。地层微电阻率扫描测井仪是一种极板型聚焦微电阻率测井装置，利用组合的电极阵列，经过密集采样，测量井壁附近地层的电阻率并进行图像处理，从而得到井壁的电性图像。这里应用由覆盖井壁范围更广的斯伦贝谢公司研制的全井眼地层微电阻率扫描成像测井仪(FMI)所测得的图像进行电成像测井响应特征描述。在成像图中，不同类型的裂缝表现形式不尽相同，常见如图2所示的4种[7]：高导缝、高阻缝、压裂缝和应力释放缝[25]。其中，高导缝为有效缝，高阻缝和应力释放缝为无效裂缝。通常在成像测井图上靠人工方法逐条识别并追踪出裂缝的轨迹，然后由计算机自动计算出裂缝参数。人工识别裂缝包括筛选有效缝和剔除无效缝。

VSP. 自然电位；GR. 自然伽马；RLLS. 浅侧向电阻率；RLLD. 深侧向电阻率；CNL. 中子孔隙度；DEN. 密度；AC. 声波时差。图1 火山岩储层裂缝常规测井响应特征图Fig.1 Conventional well logging response characteristic of fracture in volcanic reservoir

本次在对裂缝进行识别研究时，充分利用研究区的成像测井和常规测井资料，包括样本选取、参数选择、裂缝识别模型有效性判别以及识别成果检验。

2 裂缝识别模型建立

2.1 裂缝识别参数选取

常规测井主要响应有效裂缝，但纵向分辨率低；电成像测井纵向分辨率高，可以较准确地确定裂缝位置、方位和倾角；所以将两者相结合，构建储层裂缝识别因子，既能识别有效裂缝，又能较准确地确定裂缝位置。参数选取涉及两个方面，一是常规测井裂缝综合识别因子Y1所用参数，二是电成像测井裂缝识别因子Y2所用参数。

2.1.1 常规测井

原始常规测井曲线在裂缝处有一定的变化，曲线变化率法和幅度差法都能扩大裂缝的响应特征，因此选取重构测井曲线法中的曲线变化率法和深浅侧向电阻率幅度差法来建立裂缝综合识别因子。利用曲线变化率法处理声波曲线，得到声波时差曲线变化率：

ΔACi=(|ACi-1-ACi|+

|ACi+1-ACi|)/2。

(1)

式中，ACi为采样点i的声波时差。同理得到深侧向电阻率曲线变化率公式为

ΔRLLDi=(|RLLDi-1-RLLDi|+

|RLLDi+1-RLLDi|)/2。

(2)

据文献[23]。图2 成像资料中裂缝的多种表现形态Fig.2 Various forms of fracture in imaging data

式中，RLLDi为采样点i的深侧向电阻率。深浅侧向电阻率幅度差公式为

ΔR=|RLLD-RLLS|/2。

(3)

经过处理，得到声波时差曲线变化率参数ΔAC(μs/m)、深侧向电阻率曲线变化率参数ΔRLLD(Ω·m)和深浅侧向电阻率相对幅度参数ΔR(Ω·m)，3个参数纵向两点间隔为0.125 m。图3为ΔAC和ΔRLLD曲线与常规曲线的对比及裂缝段成像图，可以明显看出变化率曲线突出了裂缝响应，能更好地识别出裂缝。

2.1.2 电成像测井

本文首先对电成像(FMI)微电导率测井数据进行预处理，包括加速度校正、数据均衡化、异常电极校正、电压校正和电扣深度对齐[21]，得到192条微电导率曲线；然后，将192条微电导率曲线对应的电阻率取平均，得到新的微电阻率均值曲线R′(Ω·m)，纵向两点间隔为0.002 54 m。利用曲线变化率法，得到

(4)

2.2 样本选取

以电成像资料为根据进行储层裂缝样本选取。由于在实际生产中，有效储层裂缝(高导缝)才具有开发应用意义，故选取王府地区XX井的15个高导缝为样本(表1)。样本层段厚度为0.5 m，依据电成像测井识别出的裂缝,统计每个层段的裂缝密度D(条/m)；依据D的大小给定裂缝指示因子Y。表2为D与Y的对应关系。

2.3 储层裂缝识别因子构建

采用回归分析的方法[26]建立数学模型，得到常规测井裂缝综合识别因子Y1和电成像裂缝识别因子Y2，然后利用Y1和Y2建立储层裂缝识别因子Y3。

图3 变化率曲线与常规曲线对比及裂缝段成像图Fig.3 Comparison of the rate curve and the conventional curve and the image of the fracture section

序号深度/mD/(条/m)Δx/(Ω·m)ΔR/(Ω·m)ΔAC/(μs/m)ΔRLLD/(Ω·m)Y12266.5～2267.02.051.1280.4651.6030.0981.022301.0～2301.50.524.8910.1300.6290.0610.232389.0～2389.5012.2100.2710.3690.037042452.5～2453.03.038.8830.6163.3330.0611.052707.0～2707.51.025.0770.4840.6350.0690.562807.0～2807.50.519.2170.1730.5290.0450.272810.0～2810.5015.6310.2750.3120.071082813.0～2813.51.545.3430.6821.0840.0301.092840.0～2840.50.528.8120.1880.4120.0420.2102853.0～2853.50.549.7810.3710.1870.0850.2112873.0～2873.51.023.0580.5820.4590.0410.5122881.0～2881.50.515.0050.4060.3570.0570.2132890.0～2890.5031.8230.1870.2040.0380142899.5～2900.02.051.1280.4760.4480.1401.0152990.0～2990.51.068.5070.4100.5810.0390.5

表2成像裂缝密度与层段裂缝指示因子对应表

Table2Correspondingrelationshipbetweenimagingcrackdensityofandlayerfractureindicator

D/(条/m)Y[0.0,0.5)0[0.5,1.0)0.2[1.0,2.0)0.52.0≤D1.0

2.3.1 常规测井裂缝综合识别因子

利用回归分析方法建立Y1与ΔAC、ΔRLLD和ΔR之间的关系模型(ΔAC、ΔRLLD和ΔR未作归一化处理)，得到Y1的计算公式：

Y1=1.296 8ΔR+0.167 3ΔAC+

4.074 9ΔRLLD-0.432 8。

(5)

表3为Y1与ΔAC、ΔRLLD和ΔR的回归统计参数表。其中，决定系数和校正决定系数越大、标准误差和弃真概率越小，说明回归拟合效果越好。分析表3可知，决定系数和校正决定系数较大、标准误差较小、弃真概率很小，说明Y1与ΔAC、ΔRLLD和ΔR之间的关系模型拟合效果很好。由于常规测井曲线的纵向分辨率低，Y1识别裂缝的分辨率也较低。

表3Y1与ΔAC、ΔRLLD和ΔR关系模型回归分析统计参数

Table3RegressionanalysisstatisticalparametersofY1andΔAC,ΔRLLD,ΔRrelationmodel

参数RR2Ra2σFFα/10-5数值0.9000.8100.7580.19115.6762.76

注：R. 相关系数；R2. 决定系数；Ra2. 校正决定系数；σ. 标准误差；F. 判定参数；Fα. 在显著性水平α下的F临界值，即弃真概率。

2.3.2 电成像测井裂缝识别因子

(6)

参数RR2Ra2σFFα/10-5数值0.8690.7550.7370.20040.2482.56

(7)

2.3.3 储层裂缝识别因子

鉴于常规测井与成像测井储层裂缝识别干扰信息较多，对裂缝识别因子截止值如果设定得太小，会识别出一些非储层裂缝，影响识别效果；如果设定太大，又会漏掉储层裂缝信息，识别不全。考虑到以上因素，设定Y1、Y2′的裂缝识别截止值为0.5，即当裂缝识别因子大于或等于0.5时，认为裂缝存在。

结合常规测井裂缝综合识别因子Y1和电成像测井裂缝识别因子Y2′的优点，建立裂缝识别因子Y3为

(8)

3 可靠性检验与实际应用分析

为了检验该模型的可靠性，用建立的识别模型来对这15个样本进行回判识别。表5为识别结果，有3个样本识别错误，准确率达到80%。

应用此识别模型对王府地区XX井进行识别，除作为样本的15处储层裂缝外，电成像资料识别出18条裂缝，裂缝识别模型识别出16处裂缝(其中14处正确识别，2处识别错误)；裂缝识别准确率为77.77%。图4为储层裂缝识别成果图，Y3识别出两段有效裂缝段Ⅰ和Ⅲ，裂缝段Ⅱ为无效裂缝。

表5裂缝识别因子Y3可靠性检验表

Table5ReliabilitytesttableoffractureidentificationfactorY3

序号深度/mYY3正确性12266.5～2267.01.01√22301.0～2301.50.20√32389.0～2389.500√42452.5～2453.01.01√52707.0～2707.50.50×62807.0～2807.50.20√72810.0～2810.500√82813.0～2813.51.01√92840.0～2840.50.20√102853.0～2853.50.21×112873.0～2873.50.50×122881.0～2881.50.20√132890.0～2890.500√142899.5～2900.01.01√152990.0～2990.50.51√

图4 储层裂缝识别成果图Fig.4 Results of reservoir fracture identification

4 结论与展望

利用经预处理后的电成像测井电阻率资料和常规测井资料建立电成像储层裂缝识别因子和常规储层测井裂缝综合识别因子，然后综合利用两个因子建立储层裂缝识别模型，为储层裂缝的识别提供了一种新的方法。该裂缝识别方法解决了电成像图像储层裂缝识别费时费力的缺点，可以较为准确地识别出储层裂缝，还可以较精确地确定裂缝深度。该方法不仅适用于研究井储层裂缝的识别，还可以应用到邻井的储层裂缝识别中，对油田勘探开发有极其重要的作用。

本文提出的储层裂缝识别方法在裂缝识别中会产生裂缝识别不全以及个别识别错误的现象。在下一步的研究中：第一，加入更多的裂缝指示信息进入到识别模型中，进一步提高裂缝识别准确率；第二，在电成像信息提取时尽量剔除无用信息，保留裂缝信息，提高方法的准确度。

[1] 陈树民,姜传金,刘立,等. 松辽盆地徐家围子断陷火山岩裂缝形成机理[J]. 吉林大学学报(地球科学版), 2014, 46(6): 1816-1826.

Chen Shumin, Jiang Chuanjin, Liu Li, et al. Fracture Formation Mechanism of Volcanic Rocks in Xujiaweizi Fault Depression of Songliao Basin[J]. Journal of Jilin University (Earth Science Edition), 2014, 46(6): 1816-1826.

[2] 张家政,崔金栋,杨荣国. 准噶尔盆地红山嘴油田石炭系火山岩裂缝储层特征[J]. 吉林大学学报(地球科学版), 2012, 42 (6): 1629-1637.

Zhang Jiazheng, Cui Jindong, Yang Rongguo. Features of the Carboniferous Volcanic Fracture Reserviors in Hongshanzui Oilfield, Junggar Basin[J]. Journal of Jilin University (Earth Science Edition), 2012, 42 (6): 1629-1637.

[3] 蒲静,秦启荣. 油气储层裂缝预测方法综述[J]. 特种油气藏,2008,15(3):9-13.

Pu Jing, Qin Qirong. An Overview of Fracture Prediction Methods for Oil and Gas Reservoirs[J]. Special Oil and Gas Reservoirs, 2008, 15(3): 9-13.

[4] 苏培东，秦启荣，黄润秋. 储层裂缝预测研究现状与展望[J]. 西南石油学院学报，2005，27(5):14-17.

Su Peidong, Qin Qirong, Huang Runqiu. Prospects and Status for the Study on Reservoir Fractures[J]. Journal of Southwest Petroleum Institute, 2005, 27(5): 14 -17.

[5] 潘保芝,张丽华,单刚义. 裂缝和孔洞型储层孔隙模型的理论进展[J]. 地球物理学进展, 2006, 21(4): 1232-1237.

Pan Baozhi, Zhang Lihua, Shan Gangyi. Progress in Porosity Model for Fractured and Vuggy Reservoirs[J]. Progress in Geophysics, 2006, 21(4): 1232-1237.

[6] 何雨丹，魏春光. 裂缝型油气藏勘探评价面临的挑战及发展方向[J]. 地球物理学进展，2007,22(2)：537-543.

He Yudan, Wei Chunguang. The Present Situation and Research Direction of Evaluation Methods in Fracture Type Reservoir[J]. Progress in Geophysics, 2007, 22(2): 537-543.

[7] 李健伟,王磊,陈利雯. 碳酸盐岩储层裂缝识别技术研究[J]. 工程地球物理学报, 2013, 10(6): 885-890.

Li Jianwei, Wang Lei, Chen Liwen. Research of Fracture Identidication Technology on Carbonate Reservoir[J]. Chinese Journal of Engineering Geophysics, 2013, 10(6): 885-890.

[8] Feng Cuiju, Yan Weilin. Fracture Qualitative Iden-tification Using Conventional Logging Data[J]. Applied Mechanics and Materials, 2013, 316/317: 822-825.

[9] Saboorian-Jooybari H, Dejam M, Chen Z, et al. Comprehensive Evaluation of Fracture Parameters by Dual Laterolog Data[J]. Journal of Applied Geophysics, 2016, 131(6): 214-221.

[10] 罗利,胡培毅,周政英. 碳酸盐岩裂缝测井识别方法[J]. 石油学报, 2001, 22(3): 32-35.

Luo Li, Hu Peiyi, Zhou Zhengying. Log Identification for Fracture in Carbonate[J]. Acta Petrolei Sinica, 2001, 22(3): 32-35.

[11] 张文静.小波多尺度分析方法识别储层裂缝[D]. 青岛：中国石油大学,2009.

Zhang Wenjing. Identify Fracturewith Wavelet Multi-Scale Analysis Methodp[D]. Qingdao: China University of Petroleum, 2019.

[12] 张晓峰,潘保芝. 二维小波变换在成像测井识别裂缝中的应用研究[J]. 石油地球物理勘探, 2012, 47(1): 173-176.

Zhang Xiaofeng, Pan Baozhi. Two-Dimensional Wavelet Transform to Identify Fractures in Imaging Logging[J]. Oil Geophysical Prospecting, 2012, 47(1): 173-176.

[13]Shen Huilin, Gao Songyang. Research on Fracture Identification Based on BP Neural Network[J]. Fault-Block Oil & Gas Field, 2007, 14(2): 60-62.

[14] 蒋健美. 川西DY地区须家河组裂缝识别方法研究[D].成都：成都理工大学, 2013.

Jiang Jianmei. The Research on the Fracture Identification of Xujiahe Formation in DY Region in Western Sichuan[D]. Chengdu: Chengdu University of Techniques, 2013.

[15] 王永刚. 埕北地区碳酸盐岩储层裂缝识别与定量解释[J]. 新疆石油科技,2012,22(2):35-38.

Wang Yonggang. Cheng-Bei Carbonate Reservoir Fracture Identification and Quantitative Interpretation[J]. Xinjiang Petroleum Science & Technology, 2012,22(2): 35-38.

[16] Yong Chaoxue, Lin Songcheng, Jian Yemou, et al. A New Fracture Prediction Method by Combining Genetic Algorithm with Neural Network in Low-Permeability Reservoirs[J]. Journal of Petroleum Science and Engineering, 2014, 121(2): 159-166.

[17] 孙建孟,刘坤,王艳,等. 泥页岩储层裂缝识别与有效性评价研究[J]. 测井技术, 2015, 39(5): 611-616.

Sun Jianmeng, Liu Kun, Wang Yan, et al. Fracture Identification and Effectiveness Evaluation Research of Shale Reservoir[J]. Well Logging Technology, 2015, 39(5): 611-616.

[18] 戴俊生,汪必峰. 综合方法识别和预测储层裂缝[J]. 油气地质与采收率,2003,10(1):1-2.

Dai Junsheng, Wang Bifeng. Integrated Approach of Identifying and Predicting Fracture in Reservoir[J]. Petroleum Geology and Recovery Efficiency, 2003, 10(1): 1-2.

[19] 杨绪海,张晓春. 利用声成像测井数据实现岩石裂缝特征的自动识别[J]. 中国海上油气地质, 2000,12(6): 64-66.

Yang Xuhai, Zhang Xiaochun. Automatic Identification of Rock Fractures Using Acoustic Image Logging[J]. China Offshore Oil and Gas, 2000, 12(6): 64-66.

[20] 陆敬安,伍忠良,关晓春,等. 成像测井中的裂缝自动识别方法[J]. 测井技术, 2004,28(2):115-117.

Lu Jing’an, Wu Zhongliang, Guan Xiaochun, et al. Automatically Extract Fracture Parameters from Resistivity Images by Using Hough Transform[J]. WellLogging Technology, 2004, 28(2): 115-117.

[21] 赖富强.电成像测井处理及解释方法研究[D]. 青岛：中国石油大学,2011.

Lai Fuqiang. Micro-Resistivity Image Logging Processing and Interpretation Methods Research[D]. Qingdao: China University of Petroleum, 2011.

[22] 王敏. 基于二维成像测井的裂缝性储层测井评价方法研究[D]. 青岛：中国石油大学,2010.

Wang Min. Fractured Reservoir EvaluationUsing 2-D Imaging Logging Data[D]. Qingdao: China University of Petroleum, 2010.

[23] 张程恩. 成像测井裂缝识别与提取及裂缝参数计算方法研究[D].长春：吉林大学, 2012.

Zhang Cheng’en. Study on Fracture Recognition and Exraction Based on Image Log Data Process and Fracture Parameters Caculation[D]. Changchun：Jilin University, 2012.

[24] Westermark R V, Scholes P. Fracture Identification in Openhole from a Cement Evaluation Tool[C]// Ventura. SPE California Regional Meeting. California: Society of Petroleum Engineers, 1987: 81-88.

[25] 李舟波，潘保芝，范晓敏. 地球物理测井数据处理与综合解释[M].北京：地质出版社，2008:150-151.

Li Zhoubo, Pan Baozhi, Fan Xiaomin. Data Processing and Comprehensive Interpretation of Geophysical Logging Data[M]. Beijing: Geological Publishing House, 2008: 150-151.

[26] 张宇山. 多元线性回归分析的实例研究[J]. 科技信息,2009,9(9): 54-56.

Zhang Yushan. A Case Study of Multiple Linear Regression Analysis[J]. Science & Technology Information, 2009, 9(9): 54-56.