致密砂礫巖優勢儲層預測方法綜合研究

楊兆臣 彭明超 陳朕 竇琰 郭濤

摘? ? ? 要：致密砂礫巖儲層多由沖積扇、扇三角洲或重力流沉積形成，有利成藏區域往往位于扇三角洲前緣亞相。由于多為近物源沉積，致密砂礫巖儲層往往沉積粒度分選性較差，按沉積學巖石粒度識別有利儲層有一定困難。在油田實際生產中，對致密砂礫巖儲層的生產產能主控因素的分析和評價，多數情況下，只能利用常規測井曲線和基礎的巖心分析資料，因此如何合理高效的利用有限的基礎資料進行有利儲層的識別至關重要。分析表明，從最基礎的滲流能力巖心實驗（如壓汞分析）結果入手，評價不同樣品的滲流能力，對不同樣品進行分類，再利用分類結果對測井曲線進行標定，利用機器學習方法，識別優勢儲層的典型測井響應特征，再依此特征在單井測井曲線上，按深度對井段進行逐點歸類，可有效識別出致密砂礫巖巖體在剖面上的有利儲層段。

關? 鍵? 詞：致密砂礫巖;儲層分類;機器學習;多元統計

中圖分類號：TE348? ? ? ?文獻標識碼： A? ? ? ?文章編號： 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

砂礫巖儲層多為沖積扇、扇三角洲、辮狀河流或重力流沉積[1-2]，其主要特征表現為儲層相對致密，沉積相變化較快，儲層非均質性強。深層砂礫巖儲層相對中淺層砂礫巖儲層，往往具有更高的密度，儲層物性更差，一般而言，該類儲層孔隙度低于10%，滲透率低于0.5×10-3 μm2。

致密砂礫巖開發具有較大難度。由于沉積相變較快，油藏油層空間分布特征復雜;同時，由于油藏非均質性強，內部砂體結構復雜，油藏產能主控因素研究難度較大，由此也造成儲層有利區域（具有相對較好開發效果和經濟效益的區域）難以準確界定。

1? 問題的提出

目前，對致密砂礫巖儲層有利區域的預測，有不少研究成果，如基于致密砂礫巖儲層成因的分析方法[2-4]，基于儲層微觀特征的研究和預測方法[5]，基于統計學、測井、地震響應特征的預測方法等。各類預測方法各有優缺點，如基于儲層微觀特征的研究方法，可以從孔喉結構的角度深入分析儲層的滲流能力，但缺點是該類分析方法往往基于儲層巖心實驗，難以推廣到預測整個油藏中優勢儲層的平面和剖面分布;基于測井、地震響應特征等的分析方法，往往對原始資料的品質要求較高，或需要更加復雜的資料或研究方法作為輔助研究手段（如疊前地震反演[5]，AVO分析、地震正演，或核磁測井等），該類方法不僅研究成本高，資料難以獲取，且往往存在多解性，缺乏約束時，解釋結果與油藏實際生產特征符合率較低。

鑒于此，有必要結合儲層巖石物理特征，尋找一種利用油田生產易于獲得的常用資料預測有利儲層的簡便方法，以實現降本增效的目的。同時，從最基礎的、易于獲得的資料進行深入研究，提高優勢儲層的識別精度和與生產實際的符合率，才能有效的應用于實際生產并在不同油田進行推廣。

2? 致密砂礫巖優勢儲層特征及分類

2.1? 致密砂礫巖儲層地質特征分析

新疆油田中、深層致密砂礫巖儲層有以下特征：

1）儲層沉積主要以沖積扇、扇三角洲平原、扇三角洲前緣為主[1-2]。從多年的生產實踐經驗看，具有油田開發經濟效益的有效優勢儲層主要發育于扇三角洲前緣。從成因角度分析，扇三角洲前緣亞相沉積分選程度相對較高，有利于形成具有相對優勢滲流能力的儲層;

2）儲層總體滲透率低，且非均質性較強。圖1是新疆油田某區塊儲層滲透率統計直方圖， 儲層平均滲透率只有0.15×10-3 μm2。另一方面，儲層滲透率統計直方圖表現出明顯的雙峰特征，表明儲層滲透率具有較強的非均質性;

3）儲層孔隙連通性差，從實際生產經驗看，原油生產必須依靠儲層改造措施;

4）影響儲層產油能力的主控地質因素不清晰。由于儲層存在較強非均質性，儲層中總存在相對優勢的區域，而相對更好的地質條件，是保證儲層產能的基礎。分析認為，應以儲層基礎巖心資料為基礎，研究巖心中相對更優質樣品具有的典型地質特征，并以此為基礎，對該類地質特征依靠測井和地震資料進行平面和剖面預測。

2.2? 基于基礎物性資料的優勢儲層分類方法

巖心壓汞實驗是基礎的巖心滲流能力分析實驗之一，基于巖心壓汞資料，可有效分析儲層的滲流特征。分析表明，在毛管半徑-累計進汞飽和度雙對數坐標系統中，具有同樣孔喉結構的巖心樣品，往往具有相同的拐點（該拐點表示隨注汞壓力增高，進汞速度出現明顯變化）（圖2a）。在此基礎上，結合毛管壓力曲線（圖2b），對新疆油田某致密砂礫巖區塊按壓汞滲流特征進行分類，將具有相同拐點、且樣品中值壓力和束縛水飽和度滿足一定條件的樣品歸為同一類樣品。

進汞速度的拐點不同代表著儲層中具有不同的孔喉結構，但并不能完全代表儲層整體的滲流能力，因此，應結合壓汞曲線特征，對進汞中值壓力和束縛水飽和度進行區分：進汞中值壓力越低，代表樣品整體的滲流阻力越低;束縛水飽和度越低，代表能驅替的可動流體飽和度越高。將3個參數有機結合，對儲層進行綜合分類，可綜合評判儲層的整體優劣，進而有效識別有利儲層。

對新疆油田某區塊的42個樣品按上述方法進行分類，其分類標準如表1所示。

據此識別出三種不同類型的儲層，統計該三類儲層的物性特征表明，I類儲層平均滲透率13.43×10-3 μm2，進汞中值壓力13.79 MPa，平均毛管半徑0.89 μm，其物性明顯優于II、III類儲層（表2）。

3? 基于常規測井的優勢儲層識別模型

在過去幾十年中，國內外研究者多將精力集中于識別單井剖面上的巖性類型[1-2]，而對巖性的識別主要是根據沉積巖石學，按照巖石顆粒粒度、粒級對巖性進行識別和劃分，由于沉積顆粒的分選性對儲層滲流能力有較大影響，該類方法識別的巖性能一定程度的反映出儲層優劣，但在致密砂礫巖儲層中，這類方法的總體效果卻不甚理想，其原因在于：①流體性質有明顯影響;②近物源沉積粒度分選性極差;③致密砂礫巖壓實程度較高，儲層大量壓嵌膠結;④在實際生產中，鉆、錄井資料對于按粒度劃分的巖性描述不正確，存在大量統一描述為“砂礫巖”的井段;⑤酸性火山碎屑大量存在于近物源沖積扇中，對測井，尤其時伽馬測井造成影響。

因此，對該類儲層，按巖性類型區分儲層優劣的目的難以有效實現。

由于取心數據有限，僅依靠幾十個巖心壓汞分析樣品識別儲層在油藏中的平面和剖面分布是不夠的，因此，有必要分析優勢樣品在常見測井曲線上的典型反應特征，并以此為依據，推廣到準確識別出每口單井的每一個井段中優勢儲層的位置。

將巖心分析的壓汞樣品按深度對齊到對應井的測井曲線，再任選兩條測井曲線的讀值，做出不同的測井曲線交匯圖。為提高準確性，將常規巖心分析的孔隙度和滲透率樣品也加入到交匯圖中，并以壓汞曲線類別為基礎，以壓汞樣品點為中心，將其余未進行歸類的樣品點，分別劃入對應的樣品類別中，在此過程中，以孔隙度-滲透率交匯圖（圖3）作為監督和控制，保證劃入同一類的樣品點，在孔隙度-滲透率交匯圖中，處于相對集中的統計回歸線附近，由此識別出不同類型的測井曲線識別模型。圖4是新疆油田某區塊的一個例子，該處曾較簡單，僅根據密度-中子交匯圖，就能較好的識別出不同類別的儲層。

交匯圖版中，還有一些數據點并不位于壓汞曲線三個類別的范圍之中，分析表明，主要是泥巖和極其致密的砂礫巖，壓汞實驗未取樣。

由于不同的測井曲線，可能對某一類儲層更加敏感，而對另外的儲層類型響應并不清晰，在實際的解釋模型中，應盡量應用所有能應用到的、質量合格的測井曲線。

4? 常規測井識別優勢層的決策樹模型

在測井曲線交匯圖版中，各類儲層總體相對集中，但不同類型的儲層，總有少數數據點在邊界處互相重疊（圖4），這表明利用任何單一的圖版，都難以準確識別出不同的儲層類型，因此，需要同時考慮不同類型儲層在多條測井曲線上的響應特征，建立多維統計模型，以提高儲層類別識別的準確性。

對多維數據組成的向量集建立數據分類的方法較多，如聚類分析、人工神經網絡、決策樹、SVM支持向量機等，在反復實驗的基礎上，對不同類型儲層類別，采用決策樹模型，能較好的提高儲層類別識別的準確度。

決策樹（Decision Tree）是一種有監督的機器學習方法，其主要原理是從一系列有特征和分類標簽的數據中總結出決策規則，并用樹狀圖呈現這些規則，以解決分類問題。

決策樹模型采用機器學習方法，首先學習不同類別儲層在每一條測井曲線上的典型取值和取值范圍，建立決策規則，構建決策樹模型;之后，依據各條測井曲線的讀值，以決策樹模型為依據，判斷該深度點屬于哪一類儲層。

應用Python編程方法，構建了本次儲層類型識別的決策樹樹狀圖（圖5）。利用該決策樹模型對新疆油田某區塊進行有利儲層識別，識別結果與巖心分析結果對比，平均符合率為97.3%（表3）。

5? 應用效果

應用以上方法，對新疆油田某兩個新發現區塊的儲層進行綜合識別（圖6）?？傮w看，兩個油藏的I類儲層厚度與油藏產能具有明顯的正相關性（圖7），而與II、III類儲層厚度無明顯關系，甚至呈現負相關性（圖8），表明解釋結果總體合理。

以I類儲層的典型測井響應特征為基礎和約束條件，結合地震資料進行I類儲層地震反演，圈定I類儲層平面分布范圍，在此基礎上，部署了10口水平井，2018年9月壓裂投產，獲得高產工業油流，平均日產油43.2 t·d-1，取得較好的經濟效益。

6? 結 論

1）中深層致密砂礫巖儲層一般為沖積扇、扇三角洲等沉積形成，有利儲層多發育在扇三角洲前緣亞相;受多種因素影響，測井曲線對巖性沉積粒度的區分度不高，單純從巖性角度區分儲層優劣的目的難以有效實現。

2）從各油田最基礎的壓汞和巖石物性分析資料入手，對巖石樣品進行分類，采用“測井+巖心物性分析資料標定”的方法，可有效識別出不同類別的典型測井響應特征。

3）單一的儲層類型識別圖版不易獲得準確率更高的儲層類別識別結果，應充分應用常規測井中的9條測井曲線，采用多元統計學分析方法，如聚類分析、決策樹等，綜合識別儲層類型。

參考文獻：

[1]張沖，張占松，陳雨龍，等. 致密砂礫巖巖性測井識別方法及應用[J]. 科技導報，2014，32（25）：59-62.

[2] 劉震濤，尚彥軍，邵鵬.構造控制風化巖邊坡側旋滑移及監測結果映現——以高陂水利樞紐右岸邊坡為例[J].新疆地質，2019，37（3）：395-400.

[3]樊好福，臧艷彬，張金成，等.深層頁巖氣鉆井技術難點與對策[J].鉆采工藝，2019，42（3）：20-23.

[4]鐘興林，張文康，朱亞斌，等.管內速度分布的不對稱性對均速管流量計測量精度影響的數值研究[J].云南化工，2019，46（3）：14-18.

[5]夏天.新疆哈密清白山鉛鋅礦礦床成因及成礦模型探討[J].新疆地質，2019，37（3）：309-312.