致密砂砾岩优势储层预测方法综合研究

杨兆臣 彭明超 陈朕 窦琰 郭涛

摘      要：致密砂砾岩储层多由冲积扇、扇三角洲或重力流沉积形成，有利成藏区域往往位于扇三角洲前缘亚相。由于多为近物源沉积，致密砂砾岩储层往往沉积粒度分选性较差，按沉积学岩石粒度识别有利储层有一定困难。在油田实际生产中，对致密砂砾岩储层的生产产能主控因素的分析和评价，多数情况下，只能利用常规测井曲线和基础的岩心分析资料，因此如何合理高效的利用有限的基础资料进行有利储层的识别至关重要。分析表明，从最基础的渗流能力岩心实验（如压汞分析）结果入手，评价不同样品的渗流能力，对不同样品进行分类，再利用分类结果对测井曲线进行标定，利用机器学习方法，识别优势储层的典型测井响应特征，再依此特征在单井测井曲线上，按深度对井段进行逐点归类，可有效识别出致密砂砾岩岩体在剖面上的有利储层段。

关  键  词：致密砂砾岩;储层分类;机器学习;多元统计

中图分类号：TE348       文献标识码： A       文章编号： 1671-0460（2020）09-2024-05

Abstract： Tight glutenite reservoirs were generally formed by alluvial fan， fan dalta or gravity flow. The favorable area of tight glutenite reservoir always settled in fan dalta front. Ordinarily， fan dalta is always near-source sediments， it has poor grain size sorting， and since there are so many tephra in such sediments in most of the Xinjiang Oilfields， discrimination of the favorable area is greatly difficult by normal analysis of the sedimentary petrology. In the actual production of oil fields， only conventional log curves and basic core analysis data can be used in the analysis and evaluation of the main control factors of production capacity of tight glutenite reservoirs in most cases， so it is very important to use the limited basic data to identify favorable reservoirs. The analysis showed that， starting from the results of core experiments of percolation capability （such as mercury penetration analysis）， through evaluating the percolation capability of different samples to classify different samples， and then using the classification results to calibrate the logging curve， typical logging response characteristics of favorable reservoirs could be identified by using machine learning methods， and based on this characteristics， the well sections could be classified based on the depth on the single well logging curve， finally the favorable reservoir sections of tight sandy conglomerate bodies on the profile could be effectively identified.

Key words： Tight reservoir; Reservoir classification; Machine learning; Multivariate statistical analysis

砂砾岩储层多为冲积扇、扇三角洲、辫状河流或重力流沉积[1-2]，其主要特征表现为储层相对致密，沉积相变化较快，储层非均质性强。深层砂砾岩储层相对中浅层砂砾岩储层，往往具有更高的密度，储层物性更差，一般而言，该类储层孔隙度低于10%，渗透率低于0.5×10-3 μm2。

致密砂砾岩开发具有较大难度。由于沉积相变较快，油藏油层空间分布特征复杂;同时，由于油藏非均质性强，内部砂体结构复杂，油藏产能主控因素研究难度較大，由此也造成储层有利区域（具有相对较好开发效果和经济效益的区域）难以准确界定。

1  问题的提出

目前，对致密砂砾岩储层有利区域的预测，有不少研究成果，如基于致密砂砾岩储层成因的分析方法[2-4]，基于储层微观特征的研究和预测方法[5]，基于统计学、测井、地震响应特征的预测方法等。各类预测方法各有优缺点，如基于储层微观特征的研究方法，可以从孔喉结构的角度深入分析储层的渗流能力，但缺点是该类分析方法往往基于储层岩心实验，难以推广到预测整个油藏中优势储层的平面和剖面分布;基于测井、地震响应特征等的分析方法，往往对原始资料的品质要求较高，或需要更加复杂的资料或研究方法作为辅助研究手段（如叠前地震反演[5]，AVO分析、地震正演，或核磁测井等），该类方法不仅研究成本高，资料难以获取，且往往存在多解性，缺乏约束时，解释结果与油藏实际生产特征符合率较低。

鉴于此，有必要结合储层岩石物理特征，寻找一种利用油田生产易于获得的常用资料预测有利储层的简便方法，以实现降本增效的目的。同时，从最基础的、易于获得的资料进行深入研究，提高优势储层的识别精度和与生产实际的符合率，才能有效的应用于实际生产并在不同油田进行推广。

2  致密砂砾岩优势储层特征及分类

2.1  致密砂砾岩储层地质特征分析

新疆油田中、深层致密砂砾岩储层有以下特征：

1）储层沉积主要以冲积扇、扇三角洲平原、扇三角洲前缘为主[1-2]。从多年的生产实践经验看，具有油田开发经济效益的有效优势储层主要发育于扇三角洲前缘。从成因角度分析，扇三角洲前缘亚相沉积分选程度相对较高，有利于形成具有相对优势渗流能力的储层;

2）储层总体渗透率低，且非均质性较强。图1是新疆油田某区块储层渗透率统计直方图， 储层平均渗透率只有0.15×10-3 μm2。另一方面，储层渗透率统计直方图表现出明显的双峰特征，表明储层渗透率具有较强的非均质性;

3）储层孔隙连通性差，从实际生产经验看，原油生产必须依靠储层改造措施;

4）影响储层产油能力的主控地质因素不清晰。由于储层存在较强非均质性，储层中总存在相对优势的区域，而相对更好的地质条件，是保证储层产能的基础。分析认为，应以储层基础岩心资料为基础，研究岩心中相对更优质样品具有的典型地质特征，并以此为基础，对该类地质特征依靠测井和地震资料进行平面和剖面预测。

2.2  基于基础物性资料的优势储层分类方法

岩心压汞实验是基础的岩心渗流能力分析实验之一，基于岩心压汞资料，可有效分析儲层的渗流特征。分析表明，在毛管半径-累计进汞饱和度双对数坐标系统中，具有同样孔喉结构的岩心样品，往往具有相同的拐点（该拐点表示随注汞压力增高，进汞速度出现明显变化）（图2a）。在此基础上，结合毛管压力曲线（图2b），对新疆油田某致密砂砾岩区块按压汞渗流特征进行分类，将具有相同拐点、且样品中值压力和束缚水饱和度满足一定条件的样品归为同一类样品。

进汞速度的拐点不同代表着储层中具有不同的孔喉结构，但并不能完全代表储层整体的渗流能力，因此，应结合压汞曲线特征，对进汞中值压力和束缚水饱和度进行区分：进汞中值压力越低，代表样品整体的渗流阻力越低;束缚水饱和度越低，代表能驱替的可动流体饱和度越高。将3个参数有机结合，对储层进行综合分类，可综合评判储层的整体优劣，进而有效识别有利储层。

对新疆油田某区块的42个样品按上述方法进行分类，其分类标准如表1所示。

据此识别出三种不同类型的储层，统计该三类储层的物性特征表明，I类储层平均渗透率13.43×10-3 μm2，进汞中值压力13.79 MPa，平均毛管半径0.89 μm，其物性明显优于II、III类储层（表2）。

3  基于常规测井的优势储层识别模型

在过去几十年中，国内外研究者多将精力集中于识别单井剖面上的岩性类型[1-2]，而对岩性的识别主要是根据沉积岩石学，按照岩石颗粒粒度、粒级对岩性进行识别和划分，由于沉积颗粒的分选性对储层渗流能力有较大影响，该类方法识别的岩性能一定程度的反映出储层优劣，但在致密砂砾岩储层中，这类方法的总体效果却不甚理想，其原因在于：①流体性质有明显影响;②近物源沉积粒度分选性极差;③致密砂砾岩压实程度较高，储层大量压嵌胶结;④在实际生产中，钻、录井资料对于按粒度划分的岩性描述不正确，存在大量统一描述为“砂砾岩”的井段;⑤酸性火山碎屑大量存在于近物源冲积扇中，对测井，尤其时伽马测井造成影响。

因此，对该类储层，按岩性类型区分储层优劣的目的难以有效实现。

由于取心数据有限，仅依靠几十个岩心压汞分析样品识别储层在油藏中的平面和剖面分布是不够的，因此，有必要分析优势样品在常见测井曲线上的典型反应特征，并以此为依据，推广到准确识别出每口单井的每一个井段中优势储层的位置。

将岩心分析的压汞样品按深度对齐到对应井的测井曲线，再任选两条测井曲线的读值，做出不同的测井曲线交汇图。为提高准确性，将常规岩心分析的孔隙度和渗透率样品也加入到交汇图中，并以压汞曲线类别为基础，以压汞样品点为中心，将其余未进行归类的样品点，分别划入对应的样品类别中，在此过程中，以孔隙度-渗透率交汇图（图3）作为监督和控制，保证划入同一类的样品点，在孔隙度-渗透率交汇图中，处于相对集中的统计回归线附近，由此识别出不同类型的测井曲线识别模型。图4是新疆油田某区块的一个例子，该处曾较简单，仅根据密度-中子交汇图，就能较好的识别出不同类别的储层。

交汇图版中，还有一些数据点并不位于压汞曲线三个类别的范围之中，分析表明，主要是泥岩和极其致密的砂砾岩，压汞实验未取样。

由于不同的测井曲线，可能对某一类储层更加敏感，而对另外的储层类型响应并不清晰，在实际的解释模型中，应尽量应用所有能应用到的、质量合格的测井曲线。

4  常规测井识别优势层的决策树模型

在测井曲线交汇图版中，各类储层总体相对集中，但不同类型的储层，总有少数数据点在边界处互相重叠（图4），这表明利用任何单一的图版，都难以准确识别出不同的储层类型，因此，需要同时考虑不同类型储层在多条测井曲线上的响应特征，建立多维统计模型，以提高储层类别识别的准确性。

对多维数据组成的向量集建立数据分类的方法较多，如聚类分析、人工神经网络、决策树、SVM支持向量机等，在反复实验的基础上，对不同类型储层类别，采用决策树模型，能较好的提高储层类别识别的准确度。

决策树（Decision Tree）是一种有监督的机器学习方法，其主要原理是从一系列有特征和分类标签的数据中总结出决策规则，并用树状图呈现这些规则，以解决分类问题。

决策树模型采用机器学习方法，首先学习不同类别储层在每一条测井曲线上的典型取值和取值范围，建立决策规则，构建决策树模型;之后，依据各条测井曲线的读值，以决策树模型为依据，判断该深度点属于哪一类储层。

应用Python编程方法，构建了本次储层类型识别的决策树树状图（图5）。利用该决策树模型对新疆油田某区块进行有利储层识别，识别结果与岩心分析结果对比，平均符合率为97.3%（表3）。

5  应用效果

应用以上方法，对新疆油田某两个新发现区块的储层进行综合识别（图6）。总体看，两个油藏的I类储层厚度与油藏产能具有明显的正相关性（图7），而与II、III类储层厚度无明显关系，甚至呈现负相关性（图8），表明解释结果总体合理。

以I类储层的典型测井响应特征为基础和约束条件，结合地震资料进行I类储层地震反演，圈定I类储层平面分布范围，在此基础上，部署了10口水平井，2018年9月压裂投产，获得高产工业油流，平均日产油43.2 t·d-1，取得较好的经济效益。

6  结 论

1）中深层致密砂砾岩储层一般为冲积扇、扇三角洲等沉积形成，有利储層多发育在扇三角洲前缘亚相;受多种因素影响，测井曲线对岩性沉积粒度的区分度不高，单纯从岩性角度区分储层优劣的目的难以有效实现。

2）从各油田最基础的压汞和岩石物性分析资料入手，对岩石样品进行分类，采用“测井+岩心物性分析资料标定”的方法，可有效识别出不同类别的典型测井响应特征。

3）单一的储层类型识别图版不易获得准确率更高的储层类别识别结果，应充分应用常规测井中的9条测井曲线，采用多元统计学分析方法，如聚类分析、决策树等，综合识别储层类型。

参考文献：

[1]张冲，张占松，陈雨龙，等. 致密砂砾岩岩性测井识别方法及应用[J]. 科技导报，2014，32（25）：59-62.

[2] 刘震涛，尚彦军，邵鹏.构造控制风化岩边坡侧旋滑移及监测结果映现——以高陂水利枢纽右岸边坡为例[J].新疆地质，2019，37（3）：395-400.

[3]樊好福，臧艳彬，张金成，等.深层页岩气钻井技术难点与对策[J].钻采工艺，2019，42（3）：20-23.

[4]钟兴林，张文康，朱亚斌，等.管内速度分布的不对称性对均速管流量计测量精度影响的数值研究[J].云南化工，2019，46（3）：14-18.

[5]夏天.新疆哈密清白山铅锌矿矿床成因及成矿模型探讨[J].新疆地质，2019，37（3）：309-312.