東營凹陷南坡湖相碳酸鹽巖儲層評價方法研究

宋東鋒.

(中石化勝利油田分公司河口采油廠，山東東營 257015)

東營凹陷南部緩坡帶的沙四上亞段是湖相碳酸鹽巖灘壩發(fā)育的主要層段。湖相碳酸鹽巖是濟陽坳陷古近系重要的油氣儲層類型之一，以層薄、分布面積廣、局部富集高產為顯著特點。濟陽坳陷已經探明湖相碳酸鹽巖油藏儲量7200×104t，在24個油田鉆遇湖相碳酸鹽巖油層，早期勘探曾有4口井獲得日產千噸高產工業(yè)油流，有30多口井獲得日產50 t以上的工業(yè)油流。2001年東營南坡陳官莊地區(qū)沙四段上報預測儲量3343×104t。以上勘探成果充分展示了湖相碳酸鹽巖油藏仍具有較大的勘探空間和潛力。

東營凹陷南坡湖相碳酸鹽巖巖性復雜，儲層物性差異大，缺乏系統的儲層評價研究[1-6]。因此，本次研究以東營南坡陳官莊地區(qū)為主要的研究區(qū)域，通過巖心刻度測井的方法，對研究區(qū)開展巖性識別、儲層劃分測井評價研究，力求逐步形成一套適合本地區(qū)湖相碳酸鹽巖儲層的巖性識別、儲層劃分方法。

1 巖性識別

在油田實際應用中，巖性識別一直是儲層評價的重要工作之一，是求解儲層參數的基礎。根據巖心資料分析，陳官莊地區(qū)沙四段碳酸鹽巖主要巖性為灰?guī)r、白云巖、泥灰?guī)r、灰質白云巖、白云質灰?guī)r和生物灰?guī)r。

目前測井識別巖性的方法主要有常規(guī)測井曲線法、交會圖識別法、成像測井識別法等，其中巖性交會圖法是應用最普遍的方法[7-8]。這種類型的交會圖在復雜的碳酸鹽巖儲層中，一次只能應用兩種直接的測井變量，忽略了更多與巖性有關的變量，識別精度不高。另外，本地區(qū)碳酸鹽巖單層厚度小，多與泥巖形成互層，致使碳酸鹽巖測井特征值的變化區(qū)間比較大，且多有重疊區(qū)間，大大制約了常規(guī)巖性識別方法的應用。

本次研究的思路是：①利用灰色關聯法簡單、直觀、適合小樣本的特點，對現有關聯度量化模型進行改進，增強該方法在復雜巖性識別中的適用性。②利用主成分分析、判別分析方法，建立起一套綜合的巖性識別方法，彌補單種識別方法的局限性。

1.1 改進灰色關聯法

目前灰色關聯法在儲層測井評價中的應用實例有很多[9-11]，但絕大多數都是直接使用現有的關聯度量化模型，對于分辨系數的選取以及無量綱化處理方式的選擇等問題都還沒有形成一定的結論。

針對一般關聯度存在的缺陷，相繼產生了一系列改進方法[12-14]。其中斜率關聯度滿足無量綱化處理后的保序效應，均值化、初值化等標準化處理都不會改變灰關聯序，與其他關聯度相比有了較大的進步(式(1))。

設參考數列x0={x0(k)|k=1,2,…,n}，比較數列xi={xi(k)|k=1,2,…,n} (i=1,2,…,N),則x與xi的斜率關聯度γ(x0,xi)為：

(1)

在應用斜率關聯度進行測井巖性識別時，發(fā)現存在計算關聯度值偏小，關聯結果精度不高的問題。究其原因，應是斜率關聯度模型本身的理論缺陷造成的。斜率關聯度是根據兩時間序列在對應各時段上曲線斜率的接近程度來判定其曲線的接近程度，算法中只考慮了各序列相鄰兩點間的變化量，不能全面反映各序列間的相關性。

針對以上缺陷，本次研究對斜率關聯度的算法進行了改進，在算法中用各序列變化量的平均值代替了序列值，使其不僅考慮相鄰兩點間的變化量，還考慮了各變量變化率的差異，力求使其能更好地保持待分析數據的特征，更全面地考慮序列間相關性的影響因素。改進關聯度計算方法如下：

(2)

根據上述改進灰色關聯的理論方法，對研究區(qū)內6口取心井28個樣品點的巖性進行了灰色關聯分析。設待分析巖性為參考數列x，測井參數指標為比較數列x1，x2，…，x7。按照斜率關聯度公式(1)和改進關聯度公式(2)分別進行了計算，計算結果見表1。

從表1中可以看出，斜率關聯度值明顯低于改進關聯度值，并且識別結果誤差較大，巖性符合率為53.6%；改進關聯度值基本都大于0.80，巖性符合率為85.7%，巖性識別結果與實際巖性基本吻合。由此說明，改進關聯度相比斜率關聯度更適合進行復雜的小樣本巖性識別問題。改進關聯度量化模型的提出為灰色理論在復雜巖性識別中的應用提供了一個很好的借鑒。

1.2 巖性綜合識別方法

巖性綜合識別方法是將主成分分析法與Fisher判別法相結合，首先應用主成分分析法確定出巖性敏感主成分，然后再利用Fisher判別法建立巖性判別函數，從而實現對全井段巖性的連續(xù)定量判別。

表1 灰色關聯識別結果對比Table 1 The results comparison of grey correlation

1.2.1 主成分分析

主成分分析是一種數據降維的方法，將主成分分析應用于巖性識別中，是通過將多個原始測井變量轉換成幾個獨立的綜合性測井變量，僅利用幾個重要的主成分就能夠代表多個測井變量之間的變化規(guī)律，這樣就可以盡量減少信息的損失。

選取巖石樣品的自然伽馬(GR)、密度(DEN)、聲波時差(AC)、中子孔隙度(CNL)和深側向電阻率(RT)值作為輸入參數X=[GR，DEN，AC，CNL，RT]，以陳官莊地區(qū)66塊巖心分析巖性作為巖性判別依據。首先對樣本數據進行標準化，計算出相關系數矩陣，然后利用雅可比方法求取相關系數矩陣的特征值與方差貢獻率(表2)。由各特征值所對應的特征向量，可得到如下主成分變換的方程式：

表2 特征值與方差貢獻率Table 2 The characteristic value and the variance contribution rate

(3)

以上轉換方程中，F1～F5相互獨立，且F1方差貢獻最大，占總方差的57.73%，F2的貢獻率為26.39%，F1、F2兩個主成分占總方差的84.12%，這說明應用F1、F2這兩個變量，可以代替原來的5個變量，數據信息損失很小。

由最重要主成分F1和次重要主成分F2對巖性進行交會圖分析。如圖1a所示，在常規(guī)的中子—密度交會圖上，各類巖性混雜在一起，很難準確區(qū)分泥灰?guī)r、生物灰?guī)r、灰質白云巖和白云巖；而在主成分巖性交會圖上(圖1b)則能夠進行有效的區(qū)分。

1.2.2 Fisher判別

判別分析法是依據前期工作經驗積累中認為有關類別劃分的方法及有關最優(yōu)準則，判定一個新的樣本歸屬哪一類最合適。Fisher 判別法是其中較為行之有效的一種方法，并且具有算法穩(wěn)健、信息量大、準確率高和應用方便的特點。因此，在應用主成分分析確定了巖性敏感的最重要主成分F1和次重要主成分F2后，選用Fisher判別法來建立各類巖性的判別函數，以實現對全井段巖性的自動定量解釋。

按照Fisher判別的算法，得到判別函數中分類函數的系數值，見表3。

圖1 傳統巖性交會圖與主成分巖性交會圖Fig.1 Traditional crossplot and principal component analysis crossplot

系數Y123456F11．4820．499-74．741-52．281-2．773-12．053F212．96232．872-45．621-418．7209．185-8．450常數-3．329-8．044-372．686863．727-3．353-11．297

建立的各巖性的判別函數如下：

泥灰?guī)r：f1(x)=-1.482F1+12.962F2-3.329

白云質灰?guī)r：f2(x)=0.499F1+32.872F2-8.044

生物灰?guī)r：f3(x)=-74.741F1-45.621F2-372.686

灰?guī)r：f4(x)=-52.281F1-418.720F2-863.727

灰質白云巖：f5(x)=-2.773F1+9.185F2-3.353

白云巖：f6(x)=-12.053F1-8.450F2-11.297

判別方法是f1(x)～f6(x)函數計算得到最大值，樣本點就判定為該函數對應的巖性。對各樣本點進行Fisher判別的結果見表4，所有96個樣本中，判對的樣本為79個，整體符合率為83.2%。其中，生物灰?guī)r、灰?guī)r、白云巖的符合率均為100%，泥灰?guī)r的符合率為75%，白云質灰?guī)r的符合率為87.5%，灰質白云巖的符合率為68%。由此說明，將主成分分析與Fisher判別相結合，用于巖性識別的思路是可行的，實際的應用效果是比單獨使用主成分分析與Fisher判別的效果好。

2 儲層劃分

2.1 不同類型儲層電性特征

陸相斷陷盆地湖相碳酸鹽巖是一種獨特的沉積體系。對現代碳酸鹽沉積物的研究發(fā)現，該類巖體主要發(fā)育于溫暖、動蕩、清澈的淺湖環(huán)境。主導控制因素是古構造、古氣候和古地理三大因素。

本次研究利用12口探井巖心和160塊巖心薄片分析資料，結合本地區(qū)碳酸鹽巖的發(fā)育特點，綜合了國內外眾家之觀點[15-16]，從油氣勘探實際需要出發(fā)，采用了可操作性強的碳酸鹽巖沉積結構分類方法，將本地區(qū)碳酸鹽巖劃分為泥晶型、生物型、顆粒型三大類(表5)。

表4 判別結果表Table 4 The discriminant results

表5 碳酸鹽巖分類表Table 5 The category of carbonate

2.1.1 泥晶型碳酸鹽巖儲層

泥晶型碳酸鹽巖發(fā)育于靜水低能帶，主要為化學及生物化學沉積，由原始沉積物文石質灰泥和白云巖化泥晶白云巖組成。巖石中不含或含少量顆粒，如果含顆粒，顆粒多以生物碎屑或完整化石為主，除近灘相沉積外，高能顆粒少見。泥晶碳酸鹽巖的礦物成分隨沉積環(huán)境或陸源物質供給豐度不同而大幅度地變化。產于灘相或灘內洼地的泥晶灰?guī)r，其成分較為純正；在陸源供給量較大時可形成泥灰?guī)r，巖芯上常可見從泥巖泥灰?guī)r灰?guī)r漸變的過渡關系，有時它們也呈夾層產于灘相砂屑白云巖間。

泥晶型碳酸鹽巖由于缺少顆粒，在成巖作用過程中，原生孔隙損失很快，成巖后巖石中基本不存在孔隙，阻止了侵蝕性流體的進入，從而不能在巖石中形成溶孔，因此其儲集性能是三種類型中最差的。

主要儲集空間由層間縫、收縮縫和少量溶孔組成。儲層的主要巖性是泥灰?guī)r，電性特征是：各類曲線總體變化幅度小，微電極曲線呈“齒狀”，儲層物性取決于泥質含量及裂縫發(fā)育情況。

2.1.2 生物型碳酸鹽巖儲層

生物型碳酸鹽巖主要發(fā)育在淺水高能、陽光、氧氣充足、水體清澈地帶，由造架生物或藻類障積黏結而成原地堆積的，骨架組分含量大于10%。也可以是由非骨架生物(主要是介形蟲、螺、蚌等)的殼體原地堆積埋藏石化而成，生物組分大于50%。目前已發(fā)現的這類生物有枝管藻、龍介蟲管及形成疊層石的隱藻等?；谋４鏍顟B(tài)與沉積環(huán)境有關，由完整生物體殼和泥伴生。生物粒屑亦常與砂屑、表鮞、球粒等粒屑相伴生。枝管藻易白云化，形成的白云巖多孔狀、疏松易碎。

生物型碳酸鹽巖的主要儲集空間有原生骨架孔、生物體腔孔和生物溶孔。儲層的主要巖性是生物灰?guī)r，電性特征是：微電極曲線高值，有明顯正差異；自然電位曲線明顯負異常；高電阻率，儲層物性隨生物含量的增加而變好。

2.1.3 顆粒型碳酸鹽巖儲層

顆粒型碳酸鹽巖主要發(fā)育在濱、淺湖波浪作用的高能帶，主要由砂、礫屑碳酸鹽巖、鮞粒、球團粒等粒屑組成，顆粒含量大于10%，顆粒主要有介形蟲、螺和藻等生物化石、鮞粒、內碎屑、團粒等粒屑，這些粒屑在沉積過程中經水力搬運或分選。由砂屑內碎屑組成的顆粒型碳酸鹽巖為研究區(qū)主要的碳酸鹽巖類型，也是主要的儲集巖類。砂屑是在強水動力條件下，先期形成的半固結或弱固結的碳酸鹽巖體遭到機械破壞形成的。

圖3 生物型碳酸鹽巖典型曲線Fig.3 The typical curves of biotype carbonate

圖4 顆粒型碳酸鹽巖典型曲線Fig.4 The typical curves of partical carbonate

顆粒型碳酸鹽巖的儲集空間主要有粒間孔隙、鮞?？住拥膸r性包括：灰?guī)r、白云巖、灰質白云巖、白云質灰?guī)r等。電性特征是：曲線變化幅度取決于儲層厚度以及上下圍巖差異。薄層曲線變化呈鋸齒狀，中厚層儲層碳酸鹽巖電性特征明顯(三低兩高：低伽馬、聲波、中子，高電阻、密度)，物性好時曲線呈“U”形變化。

根據物性資料統計分析，顆粒型碳酸鹽巖儲層物性最好，孔隙度范圍為15%～35%，滲透率范圍為0.1～500 mD。

2.2 平面巖相劃分

研究區(qū)儲層展布規(guī)律認識不清一直是影響該地區(qū)儲量升級的難點。儲層巖性、物性橫向變化快，致使有效儲層標準建立困難。本次研究應用上述的巖性綜合識別方法，對研究區(qū)內23口井進行了巖性精細解釋，并按照3種碳酸鹽巖儲層的巖性、物性、電性特征對23口井進行了巖性類型劃分，分別對泥晶型、生物型和顆粒型碳酸鹽巖儲層在平面上的分布區(qū)域進行了圈定，明確了其分布規(guī)律，如圖5所示。從圖5上可以看出，本地區(qū)碳酸鹽巖的發(fā)育具有明顯的分帶性。從南到北依次發(fā)育了顆粒型、生物型和泥晶型碳酸鹽巖，粒度由粗變細，呈規(guī)律性變化。

圖5 碳酸鹽巖巖相分布Fig.5 The lithofacies distribution map

3 結論

(1)相對于常規(guī)巖性識別方法，改進灰色關聯法更適合解決樣本不足、巖性復雜的巖性識別問題，具有快速、相對準確的特點。將主成分分析與Fisher判別法相結合，充分發(fā)揮兩種方法的優(yōu)勢，使復雜巖性識別的精度達到了83.2%，具有推廣使用的前景。

(2)研究區(qū)碳酸鹽巖發(fā)育具有明顯的分帶性。從南到北依次發(fā)育了顆粒型、生物型和泥晶型碳酸鹽巖，粒度由粗變細，呈規(guī)律性變化。

[1] 何伶.利用常規(guī)測井資料評價碳酸鹽巖裂縫—孔隙性儲層[J].石油天然氣學報,2010,32(6):258-262.

[2] 牛苗寧.富縣地區(qū)馬家溝組碳酸鹽巖測井儲層評價研究[D].西安:西安石油大學,2013:55-62.

[3] 田蒲源.輪古地區(qū)碳酸鹽巖縫洞油藏儲層流體識別技術研究[D].北京:中國地質大學(北京),2009:85-97.

[4] 何緒全,趙佐安,唐雪萍,等.復雜碳酸鹽巖儲層流體性質識別新技術[J].天然氣工業(yè),2005,25(增刊):32-34.

[5] 賈宏芳.碳酸鹽巖儲層測井解釋方法研究[D].長春:吉林大學,2010:70-81.

[6] 高憲偉.應用測井資料定量識別碳酸鹽巖沉積微相的方法研究[D].成都:成都理工大學,2013:21-26.

[7] 李保霖.基于測井數據的巖性識別方法研究[D].西安:西安科技大學,2009:61-68.

[8] 魯國明.濟陽坳陷碳酸鹽巖油藏儲層評級及有效厚度研究[J].石油實驗地質,2011,33(2):155-159.

[9] 劉吉余,彭志春,郭曉博.灰色關聯分析法在儲層評價中的應用——以大慶薩爾圖油田北二區(qū)為例[J].油氣地質與采收率,2005,12(2):13-15．

[10] 呂鋒,劉翔,劉泉.七種灰色系統關聯度的比較研究[J].武漢工業(yè)大學學報,2000,22(2):41-44.

[11] 張紹良,張國良.灰色關聯度計算方法比較及存在問題分析[J].系統工程,1996,14(3):45-49.

[12] 李明涼.灰色關聯度新判別準則及其計算公式[J].系統工程,1998,16(1):68-70.

[13] 彭得兵,唐海,李呈祥,等.灰色關聯法在剩余油分布研究中的應用[J].斷塊油氣田,2010,22(3):133-136.

[14] 肖新平.關于灰色關聯度量化模型的理論研究和評論[J].系統工程理論與實踐,1997,17(8):76-81.

[15] 王寶萍,李艷承,董小剛.鄂爾多斯盆地伊陜斜坡西部山西組古沉積環(huán)境及烴源巖評價[J].非常規(guī)油氣,2017,4(1):14-22.

[16] 趙沖,屈紅軍,章志明.杏子川油田化子坪南區(qū)長6儲層特征及分類評價[J].非常規(guī)油氣,2017,4(5):44-50.