杏七区东部Ⅲ块微观孔隙结构宏观表征方法探讨

王海艳

（大庆油田勘探开发研究院 黑龙江大庆 163712）

1 引言

在油气田开发过程中，储层的孔隙结构是影响油藏流体的储集能力，影响油气开采的主要因素。目前代表储层孔隙结构的各类参数（最大孔喉半径、孔喉半径中值、分选系数等）主要通过实验室测量所得。常规的研究方法包括毛管压力曲线法、核磁共振法、铸体薄片法、扫描电镜法、CT扫描法、三维重构法和测井等，但常规研究方法价格昂贵，仅限于实验室，无法对每口井每个层都进行研究。

大庆油田采油四厂从1982年开始设计密闭取心井，至今共有22口密闭取心井岩心资料。通过这些岩心样品的室内实验数据统计，显示孔隙结构各项参数与渗透率具有好的相关性。因此结合渗透率分级，将孔隙结构类型初步划分为五类（表1）。

表1 中石化石油行业渗透率分级标准表(SY/T6285-1997)

这种分类是依据渗透率解释结果建立的。渗透率解释过程中会存在一定误差，影响孔隙结构的判断精度。并且渗透率解释只针对有效砂岩，对于不含有效砂岩的表外储层是不解释渗透率的，这也导致表外储层的微观孔隙结构类型无法判断。而通过杏六区东部取心井岩心资料显示，表外储层中发育大量厚度小于0.2米测井曲线无法识别的中高渗砂岩，这种中高渗砂岩除了厚度较有效砂岩薄之外，其物性（渗透率、孔隙度等）与有效砂岩没有差别。为了实现单井单层（含表内及表外储层）微观孔隙结构的精细划分，选取杏七区东部Ⅲ块作为研究对象，采用神经网络算法探讨了通过测井曲线表征微观孔隙结构的可行性。

2 测井曲线优选及孔隙结构特征响应

2.1 测井系列优选

杏北开发区自1966年投入开发以来，测井资料数据采集经历了4个测井系列，目前采用的是DLS-1测井系列，主要应用于三次加密井网和三次采油井网。杏北开发区22口密闭取心井采用了五种不同的测井系列，其中DLS-1为主要的测井系列。因此选取杏七区东部Ⅲ块DLS-1测井系列的三次加密及三次采油井网共374口井进行研究。

2.2 测井曲线优选

标准DLS-1测井系列包括微梯度（RMG）、微电位（RMN）、浅侧向（RLLS）、深三侧向（RLLD）、密度（DEN）、井径（CAL）、自然伽马（GR）等14条测井曲线，将各测井曲线与各类孔隙结构绘制直方图显示，自然电位、自然伽马、声波、深浅侧向、微电极、密度及微电极幅度差对孔隙结构类型都有一定敏感性，但是任何单一曲线都不能完全区分。

采用两种曲线交汇图法，也很难区分各类孔隙结构，只能把一类和五类孔隙结构分开，二、三、四类数据点重叠，很难将其分开。因此，考虑应用神经网络多维空间非线性映射能力来区分孔隙结构类型。

3 神经网络法识别孔隙结构

神经网络（Neural Networks，NN）是由大量简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络结构，具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。此次采用的BP算法是目前应用最广泛、研究最深入的一种多层前馈神经网络，称为BP神经网络。根据BP神经网络的原理，结合测井曲线与微观孔隙结构类型的对应关系，建立学习样本，形成微观孔隙结构模型，最终应用程序来识别研究区微观孔隙结构类型。

表2 不同孔隙结构的测井响应范围

3.1 微观孔隙结构测井响应特征

由于杏七区东部没有密闭取心井，因此选取邻区杏六区东部的5口密闭取心井，研究不同孔隙结构类型储层的测井响应特征。将测井曲线和岩心分析结果进行对比，显示五类孔隙结构在九条测井曲线上均有不同的响应（表2）。

3.2 建立学习样本

神经网络算法是在学习样本准确的基础上再进行识别的，所以样本的准确度直接影响最终结果的准确度。大庆油田采油四厂22口密闭取心井分布零散，并非全厂均匀分布，部分区块没有密闭取心井。主要分布在杏一～二区、杏一～三区西部中块、杏四～五区中部及杏六区东部。对小区块进行孔隙结构类型识别时，学习样本最好选取本区或相近的区域，这样能保证准确率。此次研究的杏七区东部Ⅲ块没有取心井，而距离研究区块最近的是杏六区东部的五口密闭取心井，因此选取这五口取心井岩样建立学习样本。在这五口取心井1600个岩样中，选取了测井曲线与孔隙结构对应较好的300个样品，并选取55个样点作为预测样本验证精度，正确52个，识别结果符合率为94.5%。

图1 识别微观孔隙结构类型软件“导出数据库”界面

3.3 识别微观孔隙结构类型

根据研究区测井资料的丰富程度，以SPnor、GR、HAC、RLLD、RLLS、RMG、RMN、RXO、幅度差九条曲线作为神经网络输入，孔隙结构类型作为输出，对杏七区东部Ⅲ块三次加密井和三元复合驱井进行孔隙结构识别，识别出来的孔隙结构类型以每0.05米一个数据的格式保存（图1）。

由于Daa074数据库的数据是以砂体厚度的形式保存，为了能够将神经网络算法识别出的孔隙结构类型应用到数据库中，根据074数据的格式将砂体厚度内的数个孔隙结构类型取平均值，并将结果输出到074数据库。

3.4 绘制微观孔隙结构类型平面图

为了能在平面上表征出不同砂体孔隙结构类型的差异，需要将多个砂岩段的孔隙结构类型处理为一个沉积单元的孔隙结构类型。采用的具体方法是将砂岩段的数据运用GPTMap软件计算，选取各砂岩段的优势类型，将这个孔隙结构的优势类型赋值为沉积单元的孔隙结构类型。例如一个沉积单元内部有三个砂岩段，这三个砂岩段的孔隙结构类型分别为一类、二类及三类，那么选取一类代表这个沉积单元的孔隙结构类型。运用这种方法，最终形成了杏七区东部各个沉积单元的孔隙结构类型数据库。

图2 葡Ⅰ12沉积相带图

图3 葡Ⅰ12孔隙类型等值图

图4 葡Ⅰ12孔隙类型分布图

利用GPTMap绘图功能绘制了研究区主力油层孔隙结构类型平面图，有两种绘图方式，一种是将孔隙结构类型当作数值绘制等值分布图（图3），一种是按照沉积相方式处理来绘制分布图（图4）。将平面孔隙结构类型与沉积相带图结合（图2），显示相同微相砂体，其孔隙结构类型存在差异。

杏七区东部Ⅲ块孔隙结构类型识别结果显示，河道砂和废弃河道砂发育最好，以Ⅰ-Ⅱ组合为主，河间砂以Ⅱ-Ⅲ组合为主，表外以Ⅳ类为主（表3）。

4 结论

（1）采用神经网络算法，优选运用最广泛的DLS-1测井系列中的九条曲线，结合取心井岩心资料，可以建立精度较高的识别模型，并编制识别软件，实现研究区单井单层五类微观孔隙结构识别。

表3 杏七区东部Ⅲ块各类砂体孔隙结构类型统计

（2）利用GPTMap软件对识别结果进行优势处理，可以将孔隙结构识别结果直观反映在区块平面图，并从微观上实现注采井组间连通关系的精细刻画。

（3）杏七区东部Ⅲ块孔隙结构识别结果显示，不同类型砂体孔隙结构存在差异。河道砂和废弃河道砂发育最好，以Ⅰ-Ⅱ组合为主，河间砂以Ⅱ-Ⅲ组合为主，表外以Ⅳ类为主。