基于水平井資料的砂礫巖儲層巖石相建模方法

董越， 李永強， 曹茜， 唐力

(1.中國石化石油勘探開發(fā)研究院， 北京 102200； 2.中國石油長慶油田分公司勘探開發(fā)研究院， 西安 710018； 3.中國石油華北油田公司， 任丘 062552)

傳統(tǒng)的以直井井網(wǎng)開發(fā)的砂巖油藏已具有比較成熟的儲層表征與建模的方法。該方法以錄井、測井、地震等作為基本資料，通過較為完善的井網(wǎng)，首先開展精細的地層對比，建立地層格架[1]；隨后在格架內(nèi)部識別不同類型沉積相(巖石相)，明確砂體發(fā)育規(guī)律[2]；最后通過變差函數(shù)的控制，以井控點的已知數(shù)據(jù)推測未井控部位的數(shù)據(jù)[3]，在全區(qū)進行沉積相(巖石相)建模，形成三維地質(zhì)模型，再以相控的手段建立孔滲模型[4]。

上述儲層表征方法在中國已有多個成功案例，指導了大量儲層開發(fā)的工作[5]。然而，在鹽家油田鹽227塊以水平井開發(fā)的砂礫巖油藏研究中，該方法具有較大的不適用性。首先，水平井資料主要以優(yōu)質(zhì)儲層為鉆探目標，因此存在一定取樣偏差，在直接應用于儲層表征之前，應進行一定的預處理，但目前相關(guān)研究、方法較少；其次，砂礫巖儲層在沉積過程中屬于事件沉積，礫、砂、泥在沉積過程中快速堆積，本身相變較快[6-7]，通過測井資料直接識別沉積相(巖石相)較為困難[8]。第三，水平井在數(shù)據(jù)邏輯結(jié)構(gòu)、數(shù)據(jù)空間分布上也都與直井存在較大差異，水平井數(shù)據(jù)如何進行變差函數(shù)分析、如何用于建模一直是難以解決的問題，這進一步增加了鹽227塊砂礫巖油藏表征的難度。

為解決上述問題，現(xiàn)以巖心、測錄井、地震等為基本資料，提出了一套全新的水平井開發(fā)的砂礫巖儲層表征方法。該方法首先以“向量角抽稀”的方法對水平井測井資料進行預處理，消除了水平井數(shù)據(jù)的取樣偏差；其次通過卷積神經(jīng)網(wǎng)絡的手段對測井數(shù)據(jù)進行深度學習，以數(shù)據(jù)自識別的方法建立了高精度的單井巖石相識別結(jié)果，作為地質(zhì)建模的基礎數(shù)據(jù)；最后，應用變差橢圓法對巖石相數(shù)據(jù)進行空間變差函數(shù)分析，并以隨機模擬的手段建立地質(zhì)模型，完成對儲層的表征。經(jīng)過驗證，儲層表征結(jié)果與實際生產(chǎn)數(shù)據(jù)吻合度較高。該方法對于研究區(qū)及類似區(qū)塊油藏表征具有一定指導意義。

圖1 鹽227塊構(gòu)造位置圖Fig.1 Structural location of Y227 block

1 鹽227塊地質(zhì)概況

鹽227塊砂礫巖油藏位于鹽家油田中部，其構(gòu)造位置處于東營凹陷北部陡坡帶東端、陳家莊凸起南部、鹽18古沖溝的西側(cè)翼(圖1)。

1.1 構(gòu)造特征

在垂向上，鹽家地區(qū)主要受陳南斷層的控制。主斷面以鏟式構(gòu)造為主，上部傾角約為50°，下部較緩，傾角約為30°。

在平面上，鹽家地區(qū)呈現(xiàn)“溝梁相間”的特征。鹽227塊該區(qū)沙四段砂礫巖體構(gòu)造相對簡單，呈鼻狀形態(tài)，地層西南低北東高，地層傾角8°～20°；埋深 3 210～3 860 m(圖2)，最大厚度達到 650 m，地層北薄南厚，呈楔形。

1.2 沉積特征

在沙河街組沉積時期地形高差較大，陳家莊凸起成為該區(qū)主要的物源，地形高差大、沉積速度快，在鹽227塊沉積厚層砂礫巖體。鹽227塊主力含油層段為沙河街組沙四段，構(gòu)造上呈單斜狀分布(圖2)，縱向上可以劃分為4個砂組，儲層主要分布于3、4砂組[9]。

該地層屬于一套近岸水下扇沉積，整體巖性較粗，以厚層致密砂礫巖為主，泥質(zhì)隔夾層發(fā)育較弱。自下而上碎屑粒度由粗變細，整體呈現(xiàn)正旋回的特點。巖性主要為中粗砂巖、含礫砂巖、礫狀砂巖、細礫巖、中礫巖等，砂地比達到92.6%，細粒沉積物中普遍含有砂礫，分選磨圓較差。成分成熟度和結(jié)構(gòu)成熟度均較低，常見重礦物發(fā)育，體現(xiàn)其近源快速堆積的特征。取心井巖心觀察發(fā)現(xiàn)泥巖以深灰色及黑色為主，常見砂質(zhì)滑動、包卷層理等構(gòu)造，反映其沉積水體較深、地形坡度較大以及濁流沉積的特征。

1.3 開發(fā)情況

該油藏以9口叢式水平井和3口直井進行開發(fā)[10]，目前已進入高含水期，亟需開展精細油藏三維地質(zhì)表征以對剩余油挖潛提供指導。

2 水平井測井資料預處理

2.1 水平井數(shù)據(jù)樣本偏差

在空間中，地質(zhì)體水平發(fā)育規(guī)模和垂向發(fā)育規(guī)模存在較大差異，這導致了水平井與直井在數(shù)據(jù)結(jié)構(gòu)上表現(xiàn)出較大不同。一般情況下，可近似看作均質(zhì)的地質(zhì)體在水平向的展布規(guī)模遠遠大于垂向展布規(guī)模。以蘇里格氣田石盒子組儲層為例，其水下辮狀河道微相中的辮流帶水平向延伸長度可達200～1 000 m，而垂向上的厚度一般只有10～20 m(圖3)。因此，相較于直井，水平井井段內(nèi)會更多地鉆遇較為優(yōu)質(zhì)的儲集體。此外，水平井在鉆井過程中會進行軌跡控制，其目的也是為了鉆遇更多優(yōu)質(zhì)儲集體。因此，相較于直井，水平井數(shù)據(jù)將存在相當大的樣本偏差。

在建模過程中，水平向網(wǎng)格的規(guī)模也遠遠大于垂向網(wǎng)格的規(guī)模。在油藏開發(fā)階段，通常水平向網(wǎng)格的規(guī)?？蛇_20～50 m，而垂向網(wǎng)格一般在1～3 m。因此，盡管可以通過測井曲線精確識別巖石相，但在建模過程的第一步——數(shù)據(jù)采樣(即將穿過模型單一網(wǎng)格的大量數(shù)據(jù)歸一為單一數(shù)據(jù)，作為該網(wǎng)格內(nèi)的原始數(shù)據(jù)，也稱為“粗化”；一般對于巖石相、沉積相等離散數(shù)據(jù)，歸一的方法為“most of”，即最多值)過程中，由于水平井更多地鉆遇了優(yōu)質(zhì)儲層，因此儲集性能較差的巖石相會在粗化過程中被嚴重遮蔽(圖3)。

圖2 鹽227塊構(gòu)造井位圖Fig.2 Structure and production wells of Y227 block

圖3 水平井數(shù)據(jù)樣本偏差及數(shù)據(jù)粗化過程中的遮蔽效應(引自文獻[11]，略有修改)Fig.3 Sample bias of horizontal wells and shield effect in data upscaling (cited from literature[11] and slightly modified)

上述分析表明：水平井數(shù)據(jù)在本質(zhì)上就存在較大的樣本偏差，而三維建模的數(shù)據(jù)粗化方法又會進一步放大該樣本偏差。如果未對水平井數(shù)據(jù)進行預處理而直接用于地質(zhì)建模，則會導致建模結(jié)果過于樂觀，即代表高儲集性的巖石相的比例遠大于真實情況。

2.2 向量角抽稀方法

上述分析表明，在利用水平井測井曲線進行巖石相識別、儲層地質(zhì)建模之前，很有必要先對測井數(shù)據(jù)進行預處理，以消除樣本偏差的影響。目前針對水平井數(shù)據(jù)糾偏的研究較少，因此借鑒了遙感、測繪學中點云數(shù)據(jù)的三角網(wǎng)抽稀法[12]，創(chuàng)新性地提出了向量角抽稀法，以對水平井測井數(shù)據(jù)進行預處理。

圖4 三角網(wǎng)抽稀方法Fig.4 Triangle network thinning methods

圖5 向量角抽稀方法Fig.5 Vector angle thinning methods

在水平井數(shù)據(jù)質(zhì)量控制過程中，可以借鑒三角網(wǎng)抽稀法對數(shù)據(jù)進行抽稀。相比于測繪高程數(shù)據(jù)，水平井測井曲線的維度由三維降至二維，因此對于某一點P，其周圍有且只有2個測井數(shù)據(jù)點(假設為A和B)，如圖5所示。AP和BP兩條線段的法向量記為n1和n2，若n1和n2夾角小于某個設定的角閾值，則認為P點與周圍兩個點的差異不大，可刪除P點。在確定閾值的過程中，需要考慮測井曲線本身的數(shù)值起伏。對于密度測井等曲線，其起伏本身較小，因此可以確定相對較大的閾值；而對于電阻率測井等，則需要確定較小的閾值。此外，抽稀可進行多次，結(jié)合地質(zhì)認識挑選最后的結(jié)果。

2.3 水平井測井資料處理結(jié)果

鹽227塊鉆井資料較全，常規(guī)測井曲線均可收集到?？紤]到測井曲線主要用于儲層巖石相的識別，因此挑選對于巖石相較為敏感的曲線進行資料處理。分析認為，鹽227塊砂礫巖儲層不同巖石相之間的主要差異為巖石密度、孔隙度，而孔隙度大小又進一步影響了巖石骨架與孔隙流體的比例。因此挑選了中子孔隙度(CNL)、密度曲線(DEN)和聲波時差曲線(AC)等進行抽稀預處理，以用于后續(xù)巖石相識別。

通過MATLAB軟件進行編程，并完成了9口水平井相關(guān)測井曲線的處理。經(jīng)過反復實驗，結(jié)合前期地質(zhì)認識，認為取迭代次數(shù)n=2時抽稀效果最符合真實情況。

3 儲層巖石相識別

3.1 鹽227塊儲層巖心巖石相類型

巖石相是某一沉積微相中可近似看作均一體的巖性組合，同一巖石相的巖性、電性、物性具有相似性。狹義的巖石相應定義為巖性及沉積構(gòu)造相似的巖石組合。在實際研究中，一般通過相似巖性來定義巖石相。

對于鹽227塊砂礫巖油藏的巖心巖石相類型、物性、含油性等特征的討論參見文獻[14]，按照巖石粒度大小，可在巖心上識別出泥巖相、含礫砂巖相、礫巖相三類，巖石粒度依次增大。其中含礫砂巖相的物性和含油性較好，礫巖相較差，而泥巖則為非儲層，物性最差。

通過巖心數(shù)據(jù)，可以精確識別儲層巖石相類型和發(fā)育厚度。然而，取心井和取心段均分布較少，無法覆蓋全區(qū)。在鹽227塊，取心井只有Y227和Y227-1兩口井，取心段長度也只有106 m。如何將巖心識別的儲層巖石相推廣到非取心井或者取心井的非取心段是儲層表征的關(guān)鍵問題。

3.2 巖石相識別常規(guī)方法

通過巖心刻度測井，采取測井曲線交會圖和人工干預相結(jié)合的方法，可以在常規(guī)儲層有效識別巖石相[15-16]。這是因為常規(guī)儲層在沉積過程中搬運過程遠，沉積速度相對慢，沉積分異較好，巖性相對較純。因此不同巖石相的電性特征差異較大，通過兩條測井曲線就可以有效地在交會圖上將不同巖石相區(qū)分開來。部分三角洲前緣沉積甚至可以通過自然電位(SP)或者伽馬(GR)一條曲線就能識別泥巖相和砂巖相。

然而，砂礫巖儲層的沉積模式與常規(guī)儲層差異較大。近岸水下扇沉積速度快，礫、砂、泥來不及完成沉積分異，相互混雜地快速堆積在構(gòu)造斜坡底部，形成扇體沉積。因此，砂礫巖儲層巖性的特征是礫中有砂，砂中有泥，泥中有礫，不同粒度的組分混雜地堆積在一起。這就導致難以通過測井曲線以交會圖的方式簡單地將不同巖石相區(qū)分開來，從而無法在無取心的井或井段上識別巖石相。

3.3 SegNet卷積神經(jīng)網(wǎng)絡

SegNet模型在最初的卷積模型Lenet的基礎上做了進一步深化，能夠深度學習數(shù)據(jù)內(nèi)在本質(zhì)結(jié)構(gòu)。該模型最初被應用于自動駕駛和智能機器人深度圖像語義分割，目前也廣泛應用于遙感、地震、測井等圖像的識別和分割[17-19]。

SegNet網(wǎng)絡主要通過編碼器—解碼器的結(jié)構(gòu)來對輸入數(shù)據(jù)進行處理，形成輸出數(shù)據(jù)。編碼器實際上是一系列非線性處理模塊，每個模塊都包含數(shù)個卷積層、歸一化層、激勵函數(shù)層和池化層。其中，卷積層主要負責圖像本質(zhì)特征提取，而池化層主要負責降維。通過這樣一系列模塊，輸入的圖像數(shù)據(jù)由高維向量向低維向量轉(zhuǎn)換，實現(xiàn)了對高維數(shù)據(jù)中最為本質(zhì)的低維平移不變性特征的提取。由于數(shù)據(jù)發(fā)生了降維，因此在編碼器中，數(shù)據(jù)每通過一個非線性模塊，數(shù)據(jù)量都會減半。隨后，數(shù)據(jù)被輸入解碼器。解碼器也由一系列非線性模塊構(gòu)成，是編碼的反過程。通過解碼，低維數(shù)據(jù)被重新提升至高維，數(shù)據(jù)量逐步翻倍至初始水平，并在此過程中實現(xiàn)重構(gòu)[20](圖6)。

利用測井曲線進行巖石相識別的過程本質(zhì)上也是圖像識別的過程。該過程包括SegNet模型訓練和巖石相識別兩步。第一步，通過巖心上識別的巖石相數(shù)據(jù)作為label(即標志數(shù)據(jù))，測井曲線作為輸入數(shù)據(jù)，對卷積神經(jīng)網(wǎng)絡進行訓練，確定合適的非線性模塊數(shù)量和卷積層數(shù)量；第二步，將測井曲線再次輸入到訓練好的SegNet網(wǎng)絡中，實現(xiàn)對于測井曲線的分類分割，其結(jié)果即識別出的巖石相(圖7)。對于識別結(jié)果影響較大的參數(shù)為SegNet網(wǎng)絡結(jié)構(gòu)的非線性模塊數(shù)量和卷積層數(shù)量。

3.4 巖石相識別結(jié)果

通過反復實驗，確定了SegNet網(wǎng)絡結(jié)構(gòu)中的核心要素：非線性模塊數(shù)量和卷積層數(shù)量。研究認為，當編碼器末端非線性模塊中的數(shù)據(jù)量大小為巖石相類別(輸入數(shù)據(jù)中Label內(nèi)的類別數(shù)量，本次研究中類別數(shù)為3)的1～2倍時效果最好。以含礫砂巖相為例，其平均厚度約為8 m，按照測井采樣密度(8數(shù)據(jù)點/m)，其數(shù)據(jù)量為64×1，則第一個非線性模塊輸出數(shù)據(jù)量為32×1，第二個為16×1，以此類推，第4個為4×1，滿足要求。因此，最終SegNet模型的非線性模塊數(shù)量設計為8個(解碼和編碼各4個)。

卷積層的數(shù)量在各非線性模塊中并不相同。實驗認為，可將后面模塊中卷積層的數(shù)量設置為前一模塊的兩倍。例如，第一個模塊中卷積層數(shù)量為16個，則第二個設置為32個，第三個設置為64個，以此類推。

在設置好Segnet卷積模型后，以預處理后的聲波(AC)中子(CNL)、密度(DEN)等曲線作為輸入數(shù)據(jù)，完成了鹽227塊沙四段3、4砂組儲層單井巖石相的識別(圖8)。通過與巖心識別巖石相對比，準確度較高，平均達90%。

圖6 SegNet卷積網(wǎng)絡模型Fig.6 SegNet convolutional neural networks model

圖7 基于卷積網(wǎng)絡的巖石相識別模型Fig.7 Lithofacies identification model based on SegNet convolutional neural networks

圖8 基于卷積網(wǎng)絡的巖石相識別結(jié)果Fig.8 Lithofacies identification results based on SegNet convolutional neural networks

4 水平井變差函數(shù)分析

4.1 水平井數(shù)據(jù)的特殊性

直井數(shù)據(jù)用于三維地質(zhì)隨機建模的技術(shù)已經(jīng)比較成熟。將地層網(wǎng)格化后，可直接將直井巖石相數(shù)據(jù)采樣至網(wǎng)格內(nèi)，在變差函數(shù)的控制下，通過序貫高斯模擬的方法，以已知網(wǎng)格推測未知網(wǎng)格，最終完成隨機模擬。這是因為：在開發(fā)階段直井數(shù)量較多、井距較小、井位排布相對規(guī)則，可以保證在各個方向都能有足夠多的數(shù)據(jù)來支持變差函數(shù)的分析，得到有效的主次變程。然而水平井數(shù)據(jù)在空間分布上與直井存在較大差異。與直井數(shù)據(jù)在平面上呈規(guī)則的“點云”狀分布不同，水平井數(shù)據(jù)的分布呈“串”狀，在沿水平井軌跡的方向數(shù)據(jù)密集，而在垂直井軌跡的方向上幾乎沒有數(shù)據(jù)。因此以常規(guī)方法進行水平向變差函數(shù)分析時，將會因為沒有足夠數(shù)據(jù)的支撐而導致變差函數(shù)不收斂、主次變程無法求取的問題，從而導致隨機模擬無法進行。因此，如何應用水平井數(shù)據(jù)進行變差函數(shù)分析，成為制約油藏地質(zhì)建模的關(guān)鍵問題。

4.2 變差橢圓分析方法

考慮到水平井數(shù)據(jù)的特殊性，提出了一套針對水平井的變差函數(shù)分析方法。與直井直接求取變差函數(shù)不同，水平井數(shù)據(jù)可先求單井變差函數(shù)，然后通過擬合變程橢圓來間接求取主次變程。

(1)單井一維變程求取。考慮到水平井數(shù)據(jù)在沿井軌跡方向上比較密集，因此在對巖石相做變差函數(shù)分析的過程中，首先分析其單井一維變程。沿著井軌跡的方向，按照一定的滯后距取得該參數(shù)的相應點對，通過計算得到變差函數(shù)，并由此獲得巖石相在該井軌跡方向上的一維的變程。例如，在鹽227塊內(nèi)進行孔隙度的變差函數(shù)分析過程中，就可以獲得沿著鹽227-1HF、鹽227-2HF、…、鹽227-9HF等9條代表不同方向的變程(圖9)。

圖9 鹽227塊含礫砂巖相變程橢圓Fig.9 Variogram ellipse of pebbly sand facies

(2)變程橢圓的擬合。根據(jù)地質(zhì)統(tǒng)計學原理，同一參數(shù)在不同方向上的變程應可以組成一個變程橢圓：該橢圓的長軸方向和大小代表了此參數(shù)主變程的方向和大小，而短軸方向的代表了此參數(shù)次變程的方向和大小。因此，在得到某參數(shù)沿數(shù)個方向的變程后，可以用這幾個變程擬合出一個變成橢圓，通過量取這個橢圓長短軸的大小和方向，即可求取該參數(shù)主次變程的大小和方向(圖9)。

由于沿著水平井方向取點對能夠設置較小的滯后距，因此能夠獲取大量的點對用于變差函數(shù)的計算。以上方法能夠獲得更高的精度，并有效解決了常規(guī)方法應用于本區(qū)存在的塊金值高、點對數(shù)量少、變差函數(shù)不收斂、變程無法確定等問題。

圖10 鹽227塊巖石相模型Fig.10 Lithofacies model of Y227 block

4.3 水平向變差函數(shù)分析結(jié)果

應用鹽227塊9口水平井單井巖石相識別數(shù)據(jù)，通過水平向變差橢圓分析方法，分別求取了泥巖相、含礫砂巖相、礫巖相的水平向主次變程的方向和大小(表1)。分析認為，求取過程中單井變差函數(shù)分析結(jié)果收斂，單井變程可信，水平主次變程能夠反映各巖石相的空間展布規(guī)律。

表1 各巖石相主次變程數(shù)據(jù)表

5 巖石相地質(zhì)建模

儲層地質(zhì)建模的基本思路，是在地層網(wǎng)格化的基礎上，將井數(shù)據(jù)、地震數(shù)據(jù)等各種已知數(shù)據(jù)賦予至網(wǎng)格中，進而通過各種算法，依據(jù)網(wǎng)格的空間關(guān)系，內(nèi)插或外推地層所有網(wǎng)格內(nèi)某種屬性的值。這些算法均出自地質(zhì)統(tǒng)計學原理，一方面使得網(wǎng)格內(nèi)貯存的數(shù)值符合某種數(shù)學關(guān)系，另一方面也在此過程中體現(xiàn)了地質(zhì)的思想[21]。

在經(jīng)過水平井測井資料預處理、儲層巖石相識別、水平向變差函數(shù)分析后，以單井巖石相數(shù)據(jù)作為硬數(shù)據(jù)，以變差函數(shù)作為控制要素，應用序貫高斯模擬的方法建立了鹽227塊巖石相地質(zhì)模型(圖10)。隨后以孔隙度測井為硬數(shù)據(jù)，采用巖石相模型作為控制，應用序貫高斯模擬方法建立了孔隙度模型(圖11)。

在此基礎上，結(jié)合生產(chǎn)數(shù)據(jù)，對建模結(jié)果進行了驗證。首先以孔隙度大于5%作為優(yōu)質(zhì)儲層的發(fā)育標準，對巖石相模型進行了模型雕刻，只保留孔隙度大于5%的部分(圖12)。隨后，統(tǒng)計不同水平井鉆遇連通優(yōu)質(zhì)儲集體的規(guī)模，并與單井產(chǎn)量做交會(圖13)。

圖11 鹽227塊孔隙度模型Fig.11 Porosity model of Y227 block

圖12 鹽227塊儲層雕刻結(jié)果Fig.12 Reservoir carving results of Y227 block

圖13 水平井單井產(chǎn)量與鉆遇連通優(yōu)質(zhì)儲層體積交會圖Fig.13 Cross plot of total yield and the volume of connecting send bodies drilled by horizontal well

從圖13可見，單井產(chǎn)量與連通體規(guī)?；旧铣收嚓P(guān)，即水平井單井鉆遇連通體規(guī)模越大，產(chǎn)量越高。由此可見，建模結(jié)果與生產(chǎn)數(shù)據(jù)能夠很好吻合，建模結(jié)果較為準確。

6 結(jié)論

充分利用巖心、測井等資料，針對水平井開發(fā)的砂礫巖油藏，提出了一套巖石相地質(zhì)建模方法。經(jīng)過研究，得出以下結(jié)論。

(1) 水平井因更多地鉆遇優(yōu)質(zhì)儲層，因此其資料存在較大取樣偏差，在用于進行巖石相識別之前，需進行預處理。通過向量角抽稀的方法可以剔除部分干擾點。當抽稀迭代次數(shù)為n=2時，處理效果最好。

(2) 采用卷積神經(jīng)網(wǎng)絡的方法可以有效解決在巖石相識別過程中，砂礫巖儲層相變快、測井曲線特征不突出等問題。設置8個非線性模塊的SegNet模型能夠準確識別3類儲層巖石相，識別精度平均達90%。

(3) 通過先計算水平井單井一維變程，隨后擬合變程橢圓的方法，可以解決水平井在特定方向上數(shù)據(jù)量少、水平向變差函數(shù)不收斂的問題，有效求取主次變程。

(4) 通過上述方法，建立了鹽227塊巖石相模型和孔隙度模型。經(jīng)過驗證，模型與生產(chǎn)數(shù)據(jù)吻合較好，模型準確度較高。