基于多参数融合的致密储层有效性综合评价方法研究

张华锋，邱隆伟，王军，陈钢花，杨勇强，郭春清，何宇龙

（1.中国石油大学（华东）地球科学与技术学院，山东 青岛 266580；2.中国石化胜利油田分公司勘探开发研究院，山东 东营 257000；3.山东科瑞非常规油气研究院，山东 东营 257000）

0 引 言

针对目标区块致密储层岩性复杂多变、孔隙结构复杂、孔隙度和渗透率较低等问题，建立有效性综合评价标准，对致密储层有效储量估算有着重要意义。目标区块致密储层有效性受多种因素共同影响，因此，需综合考虑各种影响因素，建立适用于致密储层岩性、物性及孔隙结构的测井解释方法，形成致密储层有效性综合评价标准。

岩性识别是致密储层有效性评价的基础。目前国内外对于致密储层岩性识别与预测已具备一定的研究基础[1-3]。一般可以通过数学物理建模，构建综合变量的方法来识别岩性[4-6]。刘倩茹等[7]提取了主因子和岩性识别指数，建立了岩性识别方法。同时，机器学习算法在岩性识别领域也有较为广泛的应用[8-10]。陈钢花等[11]利用支持向量机与粒子群算法建立岩性识别模型，取得了较好的应用效果。杨辉等[12]利用BP神经网络模型建立了致密储层岩性识别方法，岩性识别结果与岩心分析等资料基本一致。

储层物性参数的准确计算是致密储层有效性综合评价的关键。Kukal等[13]提出利用岩石物理相模型建立致密砂岩储层孔隙度计算方法，取得良好的应用效果。Rosenbrand等[14]综合考虑束缚水饱和度对渗透率的影响，建立了致密储层渗透率的计算方法，取得了良好的应用效果。储层有效性评价是优选甜点储层分布的基础。刘文辉等[15]基于流动孔隙度理论，提出了利用流动能力指数评价储层有效性的方法。国内外学者已对致密储层有效性评价方法进行了大量理论研究与应用探索，在储层岩性识别、物性参数解释模型建立、致密储层有效性评价标准的建立等方面均取得了进展[16-18]。然而，目前致密储层有效性评价方法一般局限于单一或部分信息资料，没有综合分析影响致密储层有效性主要因素，难以全面精细地建立致密储层有效性评价标准。

本文综合利用目标区块扫描电镜与铸体薄片等资料，建立了致密储层孔隙结构特征评价方法，并将孔隙结构划分为4种类型。在储层特征描述的基础上结合岩石物理相分类建模与孔隙结构特征，建立了多参数融合的致密储层有效性评价方法。同时给出了致密储层岩性及物性解释方法、岩石物理相分类模型、储层流体识别技术以及储层孔隙结构评价方法，可为致密储层有效性评价技术提供指导。

1 基本原理

1.1 卷积神经网络原理

卷积神经网络是一种常见的机器学习模型，该模型与传统BP神经网络模型具有明显区别。相比传统BP神经网络，卷积神经网络多了一个特征抽取器，即卷积层和池化层的组合，其特征结构主要为输入层、特征提取器、全连接多层感知分类器、输出层这4部分。本文选取岩性密度（DEN）、补偿中子（CNL）、自然伽马（GR）、声波时差（AC）、冲洗带电阻率（RXO）、原状地层电阻率（RT）这6条常规测井曲线及对应岩屑录井岩性编号作为样本集数据。首先对样本集测井数据进行归一化处理，避免特征量纲差异导致预测结果出现偏差。同时为了消除孔隙度对岩性的影响，最终选用GR、DEN、CNL、RT、M、N（M、N为消除孔隙度影响突出岩性而构造的参数）作为岩性敏感参数，建立训练集与测试集数据样本，利用卷积神经网络进行模型训练，最后建立岩性预测模型。图1为卷积神经网络模型示意图。

图1 卷积神经网络模型示意图

1.2 主成分分析原理

一般情况下，经过归一化处理的测井数据依旧具有较大计算量，因此，需利用主成分分析法，提取能有效反映测井曲线特征与原始地层信息的综合变量，减少特征曲线的条数，达到降维的目的，简化计算。主成分分析法的基本原理是从具有复杂相关关系的测井曲线中提取n条非线性相关的特征变量（如PC1，PC2，PC3，...，PCn），且从PC1到PCn综合变量所反映的地层信息逐步减少，简化储层分类，提高数据质量。本文主要利用CNL、AC、SP、RT这4个测井参数提取综合变量，建立主成分分析方法。

1.3 岩石物理相分类原理

一般情况下，在主成分空间中相距较近的为相同岩石物理相，而相距较远的为不同岩石物理相，基于此原理建立岩石物理相分类模型。主要利用离差平方和建立岩石物理相分类的方法，首先将多维测井数据进行归一化处理，统一放置于平面坐标系中，计算多维数据空间中数据点的离差平方和，将离差平方和最小的数据点划分为同类，形成多个特征数据类，不同数据集合里的测井数据代表不同岩石物理相的测井响应特征，因此，按照测井数据的聚集特征分为不同岩石物理相，建立岩石物理相分类模型。

式中，Dmn为m类和n类的在数据空间中的距离；So为将m类和n类数据归为o类的离差平方和；Sm、Sn分别为m类和n类的离差平方；m、n、o分别指3类不同数据集合。

1.4 储层物性参数精细建模原理

基于主成分分析方法提取综合变量，并结合离差平方和方法建立岩石物理相分类模型，分别对目标区块各井进行岩石物理相分类。在岩石物理相分类模型的基础上，利用岩心取样分析的孔隙度与渗透率参数分别对不同岩石物理相模型建立相应拟合关系，实现储层物性参数的精细建模，有效提高致密油藏储层物性参数解释及评价精度。

2 致密储层有效性综合评价

2.1 基于卷积神经网络的岩性识别

目标区块致密储层岩性主要为含砾砂岩和砾状砂岩，且2种岩性地层的测井响应特征较为相似。图2为不同岩性的常规测井曲线交会图。由图2可知，多种岩性混杂在一起，无法进行区分，仅利用单条常规测井曲线无法对致密储层的复杂岩性进行有效划分。

图2 不同岩性常规测井曲线交会图

因此，本文主要利用卷积神经网络模型，对目标区块岩性进行岩性识别[19]。通过统计分析，本文主要选取GR、DEN、CNL、RT、M、N这6个参数作为岩性敏感参数，设置成6×6的像素点，并将这6个岩性敏感参数随机分配到像素点内，用带岩性标志的样本数据（其中测试集与训练集样本数据的比例为7∶3）进行训练并建立岩性预测模型。表1为卷积神经网络与BP神经网络识别岩性回判准确率对比。结果表明，卷积神经网络模型预测岩性具有精度高、收敛快、实时性好的特点。

表1 2 种岩性识别方法对比表

式中，Δt1为骨架声波时差，μs/m；Δt为声波时差，μs/m；ρb为岩石体积密度，g/cm3；ρt为岩石骨架密度，g/cm3；φf为骨架孔隙度，%；φ为孔隙度，%。

2.2 岩石物理相模型建立

由于压实、胶结等作用的影响，致密储层孔隙结构较为复杂。若不考虑其他影响因素，利用单一模型进行储层有效性评价会导致解释结果精度较低。在研究各类岩性的测井响应特征后，确立了不同岩石物理相与常规测井曲线的相关关系。选取补偿中子、声波时差、自然电位、电阻率这4条常规测井曲线作为特征参数，利用主成分分析方法，提取出2个非线性相关的主成分，并结合离差平方和的数学物理方法，建立岩石物理相模型。

式中，ZCNL、ZAC、ZSP、ZRT分别为补偿中子、声波时差、自然电位、电阻率归一化后的数值。

由图3可见，应用主成分分析法建立的2个主成分PC1、PC2能将岩石物理相划分为4类，且4类岩石物理相在坐标轴上具有明显区分，因此，利用该方法能有效划分岩石物理相。其中，4类岩石物理相的测井响应特征见表2。

表2 4 类岩石物理相的测井响应特征

图3 主成分分析法划分岩石物理相

2.3 储层物性参数解释模型建立

准确计算储层物性参数是致密储层有效性综合评价的关键。致密储层具有孔隙结构复杂的特征，利用单条测井曲线计算储层物性参数，其精度较低，不能满足实际生产需求。采用岩石物理相分类建模的思想建立储层物性参数计算模型，即利用不同岩石物理相分类标准，结合取心测试分析资料，建立不同岩石物理相的物性参数计算模型[见式 （6）～式 （13）]。由图4 ～图5可知，利用岩石物理相分类建模思想计算的储层物性参数，与岩心测试分析的孔隙度和渗透率结果更加吻合，该解释模型相较于部分岩石物理相的储层物性参数计算模型，具有更高的解释精度。

图4 基于岩石物理相的孔隙度解释与常规孔隙度解释对比

图5 基于岩石物理相的渗透率解释与常规渗透率解释对比

岩石物理相1：

岩石物理相2：

岩石物理相3：

不分岩石物理相：

式中，K为渗透率，10–3μm2；R为拟合相关度。

2.4 储层孔隙结构评价

孔隙结构的定量化评价是致密储层有效性标准建立的基础。岩石的微观物理性质由压汞曲线特征与孔喉半径综合表征，同时，储层的储集能力与渗流能力也可由压汞曲线特征反映。本文基于孔喉半径分布、压汞分形曲线及毛细管压力曲线特征建立了致密储层孔隙结构划分标准，主要分为4类孔隙结构类型（见表3）。

表3 4 类孔隙结构分类参数表

2.5 致密储层有效性分析

致密储层有效性分析是对试油试采资料进行分析，同时结合常规测井资料与实验分析结果，建立储层有效性定性及定量评价方法。本文基于岩石物理相分类模型及孔隙结构分类标准，结合试油试采资料进行刻度，建立了目标区块致密储层有效性评价的3类标准（见表4）。其中，将岩石物理相为1、孔隙结构为I或II及岩石物理相为2、孔隙结构为I的标定为A类；岩石物理相为2、孔隙结构类型为II及岩石物理相为3、孔隙结构为I的标定为B类；其他的组合标定为C类。

表4 研究区储层有效性评价标准

基于不同岩石物理相模型，建立了致密储层物性参数计算模型和有效储层物性下限确定的方法。图6为不同岩石物理相测井解释与核磁共振解释的物性下限对比。

图6 基于岩石物理相的测井解释与核磁共振解释物性下限对比

由图6可知，利用岩石物理相分类建模方法确定的储层物性下限与核磁共振物性下限基本吻合。表5为致密储层有效性评价分析表，其中A、B为有效储层，而C为干层。

表5 致密储层有效性评价分析表

3 实际资料处理结果分析

应用本文研究方法对目标区块X井进行综合解释（见图7）。其中，目标层段为3 785.0 ～3 829.0 m，层厚度为44 m。3 790.0 ～3 797.8 m层段，自然伽马显示为较低值，自然电位无明显幅度差，深、浅侧向电阻率为中高值，补偿密度值较低，声波时差显示为中值。利用卷积神经网络模型预测为细砂岩地层，与岩心测试分析及录井剖面基本吻合。3 807.0 ～3 824.0 m与3 790.0 ～3 979.8 m层段的测井响应特征比较相似，岩性预测为粉砂岩，预测结果与录井剖面保持一致。孔隙度约9.7%～12.9%，渗透率约（2.8 ～8.7）×10–3μm2，孔隙结构类型为II类，利用本文建立的致密储层有效性评价标准，将该层段判断为A类储层，含油级别油斑显示，初期日产油5.9 t，目前日产油1.6 t，储层有效性综合评价结果与实际生产中试油试采结论基本一致，证明本文针对目标区块的致密储层有效性综合评价方法具有较好实用性。

图7 X井储层有效性综合评价成果图

4 结 论

（1）目标区块岩性多样，仅凭单条测井曲线的响应特征无法对岩性进行有效识别，优选对储层岩性响应敏感的测井参数，采用卷积神经网络模型建立岩性预测模型，能更加精细地对地层岩性进行划分，有效地提高了岩性解释的精度。从处理结果分析可知，利用卷积神经网络模型预测岩性，收敛速度较快、实时性好，预测结果准确率高。

（2）致密储层具有非均质性强、岩性多变及孔隙结构复杂等特点，本文利用岩石物理相分类建模思想，建立了储层物性参数测井解释模型，能有效提高致密储层物性参数计算的准确度。

（3）基于目标区块扫描电镜与铸体薄片分析，给出了孔隙、喉道定量化评价方法，结合压汞曲线的变化特征，建立了孔隙结构定量化解释模型。通过试油试采资料分析，利用不同岩石物理相与不同孔隙结构类型的对应关系，建立了致密储层有效性综合评价方法，实际资料处理结果表明应用效果较好。