RY凹陷致密砂巖神經(jīng)網(wǎng)絡產(chǎn)能分類預測方法

李瑋，張占松，祗淑華，丁一，安繼星，王曉林

(1.長江大學地球物理與石油資源學院，湖北 荊州 434023;2.中國石油集團測井有限公司華北事業(yè)部，河北 任丘 062552)

0 引言

測井方法預測油氣層自然產(chǎn)能主要集中于3個方向，一是通過測井方法提供必要儲層參數(shù)，再通過平面徑向流公式預測油氣層自然產(chǎn)能[1];二是通過影響因素分析，建立區(qū)塊自然產(chǎn)能評價指數(shù)，得到區(qū)域性自然產(chǎn)能經(jīng)驗公式[2-3];三是通過神經(jīng)網(wǎng)絡、模糊數(shù)學等數(shù)學方法建立測井曲線與自然產(chǎn)能間關系，預測油氣層自然產(chǎn)能[4-6]。

RY凹陷古近系沉積相類型豐富多樣，目前主要發(fā)育有河流、辮狀河三角洲、湖泊、沖積扇、扇三角洲和近岸水下扇等7種沉積相、18種亞相和近60種微相[7]，孔隙度為10% ～25%，滲透率為0.5～220 mD*非法定計量單位，1 mD=9.87×10-4μm2，下同，屬中低孔隙度中低滲透率砂巖，儲層物性復雜且變化大，對產(chǎn)能影響明顯。本文依據(jù)毛細管壓力曲線將儲層分為儲層物性較好、中等和較差3類;再依據(jù)排驅(qū)壓力定量識別3類儲層;最后利用神經(jīng)網(wǎng)絡方法非線進行性擬合，分別建立3類儲層產(chǎn)能評價模型。

1 儲層特征研究

1.1 儲層沉積特征

RY凹陷古近系河流相和辮狀河三角洲是最發(fā)育的2類沉積相。河流相沉積在RY凹陷中北部分布較為普遍，各層段均有不同程度的發(fā)育，尤其在早期充填期(Ek-Es4)和晚期抬升期(Ed)分布最為廣泛。該區(qū)的河流相沉積分為辮狀河和曲流河2種沉積類型。

在沙三段、沙二段、沙一段和東營組廣泛分布的是辮狀河三角洲-湖泊沉積體系。辮狀河三角洲在凹陷緩坡帶最為發(fā)育，分布廣泛，陡坡帶分布范圍一般較小。湖泊主要以淺湖沉積為主，半深湖主要在主洼槽深處發(fā)育。在沙二段的陡坡帶有小型近岸水下扇發(fā)育，形成局部小規(guī)模近岸水下扇-湖泊沉積體系。

1.2 儲層物性特征

RY地區(qū)儲層物性復雜，孔隙度滲透率變化范圍大，據(jù)187塊巖心物性分析資料統(tǒng)計，有效孔隙度5.7% ～23.8%，平均12.8%;水平滲透率(0.07～220.0)×10-3μm2，平均19.7×10-3μm2。儲層以中低孔隙度低滲透率為主，孔隙度滲透率變化大，同時發(fā)育中孔隙度中高滲透率、低孔隙度特低滲透率儲層，儲層物性復雜。壓汞毛細管壓力曲線形態(tài)各異(見圖1)，排驅(qū)壓力為0.025～10 MPa，注入汞飽和度為67% ～89.76%，反映孔隙結構異常復雜。復雜的孔隙結構對物性影響大，孔隙度不能完全表征儲層物性特征，以×47井巖心分析為例，孔隙度分別為16.8%和17.2%，滲透率分別為228.0 mD和9.23 mD，孔隙度相差0.4%，滲透率相差24.7倍，即孔隙結構差異嚴重影響了儲層滲流特征。

圖1 RY地區(qū)毛細管壓力曲線圖

1.3 油水層測井響應特征

以試油結論為依據(jù)，統(tǒng)計油層、低產(chǎn)油層、油水同層和水層的測井響應規(guī)律，并分別制作電阻率與孔隙度、電阻率與自然伽馬、視地層水電阻率與孔隙度以及視地層水電阻率和自然伽馬交會圖，得到RY地區(qū)油水劃分圖版(見圖2)。

圖2 RY地區(qū)油水層劃分圖版

2 儲層物性分類

2.1 依據(jù)毛細管壓力曲線形態(tài)劃分儲層

毛細管壓力曲線形態(tài)主要受孔隙喉道的分選性和喉道大小所控制。1塊巖樣的毛細管壓力曲線，越是接近縱橫坐標軸，孔喉均勻而偏粗歪度，滲透率越高，排驅(qū)壓力越低，微觀孔隙結構越好;反之，越是遠離縱橫坐標軸，孔喉不均勻而偏細歪度，滲透性越差，排驅(qū)壓力越高，微觀孔隙結構越差;進汞曲線越平，孔隙大小分布越均勻、集中。若是曲線占據(jù)了坐標軸的右上方，該巖樣則代表了很差的儲集層或為蓋層。依據(jù)毛細管壓力曲線形態(tài)，將儲層分為3類(見圖3)。

圖3 毛細管壓力曲線形態(tài)分類圖

在綜合分析了巖心與試油試采資料基礎上發(fā)現(xiàn)，在正常壓力系統(tǒng)下，儲層的毛細管壓力曲線形態(tài)能較好地反映儲層自然產(chǎn)液能力[8]。排驅(qū)壓力是反映儲集層滲流特性的重要孔隙結構參數(shù)，可作為劃分3類儲層的依據(jù)(見圖3)。依據(jù)排驅(qū)壓力劃分儲層后，各類儲層便具有了相似的滲流特性。圖4為排驅(qū)壓力與每米產(chǎn)液量交會圖，排驅(qū)壓力與每米產(chǎn)液量之間沒有直接函數(shù)關系，不能用于計算每米產(chǎn)液量，但可用于儲層分類。分類后各類儲層類間自然產(chǎn)能差異主要來源于儲層物性差異，類內(nèi)油氣自然產(chǎn)能差異主要來源于儲層流體含油性差異。故分類建立評價模型，減小了儲層物性對自然產(chǎn)能的影響，凸顯了儲層流體含油性差異對自然產(chǎn)能的影響。

圖4 分類后排驅(qū)壓力—每米產(chǎn)液量交會圖

圖4為依據(jù)排驅(qū)壓力劃分的3類儲層，Ⅰ類每米產(chǎn)液量大于2 t/(d·m)，排驅(qū)壓力小于0.4 MPa;Ⅱ類每米產(chǎn)液量0.6～2 t/(d·m)，排驅(qū)壓力0.4～1.2 MPa;Ⅲ類每米產(chǎn)液量小于0.6 t/(d·m)，排驅(qū)壓力大于1.2 MPa。

2.2 測井方法計算排驅(qū)壓力

利用毛細管壓力曲線求取排驅(qū)壓力的方法十分有效，但是由于毛細管壓力資料非連續(xù)的，難以用于逐點評價。因此，需要結合測井資料計算排驅(qū)壓力，實現(xiàn)全井段逐點評價。為了便于研究常將巖石孔隙空間等效為1組平行毛細管束，即毛細管束模型。在毛細管束等效巖石模型下，流動單元指數(shù)可以表示為[9]

式中，IFZ為表征巖石孔隙比面(亦即孔喉半徑)和孔隙彎曲度的綜合因素。令孔道迂曲度τ為常數(shù)，則IFZ僅與孔隙比表面相關，即與孔隙半徑相關。圖5為IFZ與排驅(qū)壓力交會圖，兩者相關性較好，得排驅(qū)壓力pcd計算公式

圖6中第6道為計算IFZ與巖心分析IFZ對比，第7道為按照式(2)計算排驅(qū)壓力和壓汞資料求的排驅(qū)壓力對比，第8道為按照儲層分類標準劃分的儲層。

圖5 流動單元指數(shù)與排驅(qū)壓力交會圖

圖6 孔隙結構評價成果圖

3 BP神經(jīng)網(wǎng)絡產(chǎn)能預測模型

在分類基礎上利用神經(jīng)網(wǎng)絡建立測井響應與自然產(chǎn)能間關系[10]，有利于提高解釋精度。

3.1 神經(jīng)網(wǎng)絡輸入?yún)?shù)確定

油氣儲層的自然產(chǎn)能受到諸多因素的影響，主要包括2大類:一類是儲層因素，包括巖性、物性、含油氣性、流體性質(zhì)及儲層有效厚度等;另外一類是施工因素，包括表皮系數(shù)和測試半徑等[11]。若不考慮施工因素的影響，RY地區(qū)自然產(chǎn)能主要受儲層因素的影響，采用每米產(chǎn)油量(產(chǎn)層日產(chǎn)油量除以層厚)評價產(chǎn)能，消除了層厚的影響。致密砂巖儲層非均質(zhì)性強，孔隙結構和儲層物性變化明顯，滲透率和飽和度求取困難。但圖7中深電阻率與每米產(chǎn)油量交會圖表明每米產(chǎn)油量與電阻率直接正相關關系明顯，可通過電阻率值的高低間接反映儲層流體的含油性。

儲層分類后，每類儲層樣本個數(shù)明顯少于未分類時個數(shù)，為防止由于輸入層和隱層神經(jīng)元數(shù)目過多導致求解權值和閾值時出現(xiàn)方程組欠定問題，在選定輸入?yún)?shù)時，首先按照巖性、物性和含油性對測井曲線進行分類，再從每類中挑選輸入?yún)?shù)，以減少輸入?yún)?shù)個數(shù)。將常規(guī)和陣列感應測井信息與每米產(chǎn)油量進行單相關分析，分別從3類信息中挑選與每米產(chǎn)油量相關性較好的測井參數(shù)。經(jīng)分析選擇自然伽馬相對值GR相對、孔隙度φ、深電阻率Rt(陣列感應M2R9)和淺電阻率RXO(陣列感應M2R2)作為神經(jīng)網(wǎng)絡模型輸入(見圖7)。

3.2 神經(jīng)網(wǎng)絡結構確定

神經(jīng)網(wǎng)絡模型隱含層節(jié)點數(shù)對神經(jīng)網(wǎng)絡性能影響十分顯著，隱含層節(jié)點數(shù)過少神經(jīng)網(wǎng)絡難以成功逼近期望輸出值，隱含層節(jié)點過多會導致訓練時間過長且容易陷入局部最優(yōu)解中。通過改變隱含層節(jié)點數(shù)，對比預測效果選定隱含層節(jié)點數(shù)為5個。圖8為建立的神經(jīng)網(wǎng)絡結構圖。

3.3 網(wǎng)絡訓練樣本挑選與預處理

圖8 BP神經(jīng)網(wǎng)絡結構圖

首先挑選有正確性、代表性、連續(xù)性和全面性的樣本數(shù)據(jù)作為神經(jīng)網(wǎng)絡訓練樣本，同時剔除單相關分析中明顯異常值點，以免影響網(wǎng)絡穩(wěn)定性;其次對選中預測樣本各輸入?yún)?shù)進行歸一化處理，以保證各輸入?yún)?shù)收斂速度相當。按照排驅(qū)壓力將儲層分為3類，再分別建立3類儲層神經(jīng)網(wǎng)絡產(chǎn)能預測模型。

3.4 神經(jīng)網(wǎng)絡訓練效果檢驗

表1為將3類神經(jīng)網(wǎng)絡模型應用于該區(qū)塊非建模探井，對比了16層樣本試油結論及計算結論，其中Ⅲ類儲層6層，Ⅱ類儲層6層，Ⅰ類儲層4層。16層中預測正確14層，錯誤2層，符合率87.5%。不考慮儲層物性，未分類直接建模神經(jīng)網(wǎng)絡預測結果，正確11層，符合率68.8%。

4 應用效果

將該方法編寫為產(chǎn)能評價程序，掛接在Lead 3.0下。圖9為RY地區(qū)新探井A井處理成果圖。該井42號層試油結論為油自然產(chǎn)能28.5 t/d。圖9第6、7、8道所示，42號層孔隙度19%，滲透率83.7 mD，孔隙結構為Ⅰ類儲層，故采?、耦悆由窠?jīng)網(wǎng)絡模型。圖9第11道為神經(jīng)網(wǎng)絡分類預測方法的每米產(chǎn)油量預測結果，評價為4.3 t/(d·m)，乘以層厚6.8 m得到該層油產(chǎn)能預測結果為29.24 t/(d·m)。試油結論證明了該方法的合理性，且預測精度滿足生產(chǎn)需求。

表1 3類儲層神經(jīng)網(wǎng)絡分類預測結果檢驗表

圖9 RY地區(qū)A井產(chǎn)能計算結果

5 結論

(1)RY地區(qū)沉積環(huán)境復雜，孔隙結構復雜，直接應用神經(jīng)網(wǎng)絡建立測井參數(shù)和產(chǎn)能間關系困難。在采油制度和油黏度相似條件下，儲層自然產(chǎn)能主要取決于儲層產(chǎn)液量和流體含油性。

(2)建立了孔隙結構評價方法用以分類評價產(chǎn)能，依據(jù)排驅(qū)壓力將儲層分為3類，分類后各類儲層有著相似的每米產(chǎn)液量。從而減小了致密砂巖孔隙結構差異對產(chǎn)能的影響，使得在有限試油資料條件下預測可行，再分別建立3類儲層神經(jīng)網(wǎng)絡產(chǎn)能預測模型。

(3)與試油結論比較，產(chǎn)能預測結果達到了生產(chǎn)需求。

[1]毛志強，李進福.油氣層產(chǎn)能預測方法及預測[J].石油學報，2000，21(5):58-61.

[2]馮春珍，林偉川，成志剛，等.低滲透儲層測井分類和產(chǎn)能預測計算[J].測井技術，2012，36(3):308-313.

[3]張海龍，劉國強，周燦燦，等.基于陣列感應測井資料的油氣層產(chǎn)能預測[J].石油勘探與開發(fā)，2005，32(3):84-87.

[4]譚成仟，吳向紅，宋子齊.利用測井資料預測克拉瑪依油田八區(qū)克上組油層產(chǎn)能[J].石油地球物理勘探，2001，36(3):286-290.

[5]王祝文，劉菁華，許延清.大慶深部致密砂礫巖含氣儲層產(chǎn)能預測[J].吉林大學學報:地球科學版，2003，33(4):485-489.

[6]譚成仟，馬娜蕊，蘇超.儲層油氣產(chǎn)能的預測模型和方法[J].地球科學與環(huán)境學報，2004，25(2):42-45.

[7]張大智，紀友亮，韓春元，等.饒陽凹陷沙河街組辮狀河三角洲沉積特征及儲集性[J].中國地質(zhì)，2009，36(2):344-352.

[8]柴細元，丁娛嬌.孔隙結構與地產(chǎn)壓力相結合的儲層產(chǎn)能預測計算[J].測井技術，2012，36(6):635-640.

[9]楊勝來，巍俊之.油層物理學[M].北京:石油工業(yè)出版社，2009:154-156.

[10]飛思科技產(chǎn)品研究中心.神經(jīng)網(wǎng)絡理論與matlab7實現(xiàn)[M]北京:電子工業(yè)出版社，2005.

[11]杜淑艷，秦菲莉，董文峰，等.深層油氣儲層產(chǎn)能預測技術研究[J].石油天然氣學報，2006，28(1):62-64.