雅克拉區塊潛山儲集體類型動態量化表征及自動識別

任宏，李偉奇，虢中春，楊小騰，徐健，王婋

（1.中國石化西北油田分公司雅克拉采氣廠，新疆 庫車 842017；2.中國地質大學（武漢）石油工程系，湖北 武漢 430074；3.中國石油大港油田分公司，天津 300280）

碳酸鹽巖油藏是重要的油藏類型，其提供了全球油氣產量的60%[1]。隨著碳酸鹽巖油氣勘探開發的不斷深入，碳酸鹽巖儲集層的類型、性質及特征研究在儲層評價、預測及油氣田的合理開發中越來越重要[2]。

碳酸鹽巖油藏主要包括古風化殼型、白云巖型、礁灘或細粒碳酸鹽巖微孔縫隙型、深埋溶解型等類型[3-4]，以及近年來中國取得極大成果的塔河油田的縫洞型。塔河油田縫洞型碳酸鹽巖油藏與傳統的裂縫-孔隙型碳酸鹽巖油藏以及典型的國內外喀斯特油藏相比，具有埋藏深、儲層非均質性強、流體性質差異大等特點[5-6]。李陽等[7]研究認為海西早期裸露風化殼巖溶作用主要影響塔河儲集體發育；徐微等[8]通過為主體區11口井進行樣本分析認為巖溶以大氣淡水巖溶作用為主，存在后期的淡水-海水混合巖溶作用和熱水巖溶（溶蝕）作用；魯新便等[9]和韓長城等[10]通過對斜坡區內幕巖儲集層的研究發現斷控巖溶的成藏機制，提出了“斷溶體”的概念，豐富了碳酸鹽巖油藏的成因，確定了深層碳酸鹽巖油氣勘探開發的新目標。由于巖溶作用演化及發育期次，塔河油田垂向上具有明顯的分帶性，溶洞儲集體發育有落水洞、淺流洞和小溶洞等[11-12]，通過野外和縫洞發育特征研究，縫洞系統可分為地下河系統、巖溶洞穴型和溶洞孔縫型3 大類，儲集類型在平面上具有“南北分帶、東西分異”的特征[13]。

通過生產實踐總結，碳酸鹽巖油藏不同的儲集體類型在開發表現上有明顯的差異，如溶洞型儲集體無水采油期長、累產高、遞減較慢，而裂縫型儲集體遞減快等，這些動態表現決定著后續的措施和開發調整方案，最終影響著油田的采收率和生產效益，因此，儲集體類型研究在碳酸鹽巖油藏中具有重要的實際意義。隨著對碳酸鹽巖縫洞型油藏成因及分布特征研究的不斷深入，關于縫洞型油藏儲集體的識別與預測問題也相應取得諸多進展。目前主要通過巖心觀察、鉆井錄井分析、測井儲集層分析和地震剖面資料來識別儲層類型。通過巖心、鑄體薄片、熒光薄片及掃描電鏡等觀察及分析資料，塔河油田奧陶系儲層的儲集空間多樣，主要類型有裂縫型、孔洞-裂縫型、裂縫-孔洞型和生物礁（灘）相孔隙型[14]。李功強等[15]和宋傳真等[16]通過提取測井參數判別儲層類型，并用成像測井資料驗證了常規測井研究儲層類型的可行性，對于碳酸鹽巖的儲層充填程度常規測井同樣可以進行表征[17]。在鉆井過程中，放空漏失現象表明孔洞發育，裂縫連通性好[18]。在地球物理上，可基于不同儲集體在地震剖面上相應的反射特征，從而實現對縫洞體的識別[19-20]。蔡明金等[21]、韓長城等[22]、胡文革[23]、程曉軍[24]主要通過試井、酸壓、試采等動態資料實現了儲集類型的綜合判斷并應用于數值模擬，但是資料都比較局限，方法有待改進。

在前期油藏特征認識的基礎上，結合塔河油田豐富的生產井動態分析認識，通過對塔河油田雅克拉潛山生產井的生產動態分析，提取出彈性驅初期產油量、彈性驅時間、彈性驅累計產油量、彈性驅產量月遞減率4 個敏感指標來確定儲集體的類型和規模，并結合靜態資料解釋成果對動態分類結果進行驗證，確定其可信度及可行性，最終形成一套基于動態分析的碳酸鹽巖儲集體類型自動識別方法。

1 儲集體類型及表現形式

1.1 構造背景和地層發育情況

塔河油田雅克拉區塊位于新疆維吾爾自治區庫車市和輪臺縣境內，構造位置位于沙雅隆起北部的雅克拉斷凸上，雅克拉斷凸西部是與沙西凸起鄰接的（圖1）。研究區經歷了加里東期、海西期、印支—燕山期及喜馬拉雅期等多次構造運動的改造，其中以加里東中期和海西早期2 次構造運動最為重要。加里東中期構造運動使塔里木盆地的性質改變，結束了塔河油田早古生代碳酸鹽巖臺地的發育。海西早期因構造抬升，深大斷裂活動極強，對奧陶系碳酸鹽巖的巖溶作用影響巨大[22]。研究區潛山自下而上發育震旦系、寒武系、奧陶系等地層。震旦系主要巖性包括泥巖、灰巖和泥灰巖，寒武系主要含有灰巖和白云巖，奧陶系可分為下奧陶統蓬萊壩組、中—下奧陶統鷹山組、中奧陶統一間房組。鷹山組主要巖性為褐灰色泥微晶灰巖、泥灰巖和白云巖；一間房組主要巖性為灰色灰巖、泥灰巖等[25]。

圖1 塔河油田雅克拉區塊構造位置和地層綜合柱狀圖（據參考文獻[23]修改）Fig.1 Structural position and bottom comprehensive histogram of Yakela block in Tahe Oilfield（modified according to reference[23]）

1.2 潛山儲集體基本類型

基于儲集體規模對油井開發特征的決定性作用，雅克拉潛山碳酸鹽巖油藏可劃分出3種基本儲集體類型：溶洞型、縫洞型和裂縫型（圖2）。

圖2 碳酸鹽巖油藏儲集體概念模型Fig.2 Conceptual model of different types of storage space in carbonate reservoir

溶洞型儲集體是塔河主體區和雅克拉潛山縫洞型油藏中最重要的儲集體類型。儲層的孔、洞、縫發育，儲集空間主要為次生的溶蝕洞穴，由大型洞穴或大-中型溶洞群的組合為特征，是油氣儲集的良好空間，儲集規模體大，與周圍儲集體溝通，橫向連通較好（圖2a）。

縫洞型儲集體為縫洞型油藏中較為重要的儲集體類型。儲集空間既有孔洞，又有裂縫，兩者對儲集性能均有相當貢獻，但孔洞的作用更重要。其中孔洞主要由孔和小-中洞組成，此類儲層儲集性能較好，儲集體規模介于溶洞型儲集體與裂縫儲集體之間（圖2b）。

裂縫型儲集體裂縫網絡發育，其特征是基質孔隙度及滲透率均極低。而裂縫發育，裂縫既是主要的滲濾通道，又是次要儲集空間，同時發育較少的溶蝕孔洞，起主要作用的是裂縫和溶蝕孔洞，因此，其分布與裂縫及古巖溶發育帶密切有關，儲集體規模在3種類型中是最小的（圖2c）。

1.3 不同儲集體類型基本識別特征和開發表現形式

溶洞型儲集體對應的基本生產特征為：鉆井過程中鉆遇該類型地層常出現鉆具放空，并伴有泥漿漏失等現象。該類型儲層具有良好的油氣生產能力，一般為自然投產，油氣單井產量高，具有較長自噴期。油層能量在下降過程中，能及時得到充足的補給，能量補給較充足。由于儲集體規模大，在純彈性能釋放階段，表現為單井的日產油量高，壓力波傳導到邊界的時間長，產量遞減較慢，對應的在該階段的累計產油量大。見水特征以含水緩慢上升為主，生產初期均不產水，有較長的無水和低含水采油期。隨著油層壓力的降低，地層水進入井筒，往往出現暴性水淹。其典型生產特征如圖3所示。

圖3 溶洞型儲集體生產特征Fig.3 Production characteristics of karst reservoirs

縫洞型儲集體對應的基本生產特征為：鉆井時會出現放空漏失現象，但漏失量較溶洞型儲集體小，投產初期產量較高，無水采油期較長，有較長的穩產時間，此類儲層儲集體性能較好。在彈性能釋放階段表現為日產能力較強，壓力波傳導時間長，產量遞減速度較快，通過彈性能采出的原油量較大。含水上升速度較快，后期以底水驅動為主，不同儲集空間組合形式不同，導致含水上升規律不一，波動型、快速上升型、臺階型等含水上升類型均有涉及。其典型生產特征見圖4。

圖4 縫洞型儲集體生產特征Fig.4 Production characteristics of fracture-cavity reservoirs

裂縫型儲集體對應的基本生產特征為：鉆井過程中一般不出現放空漏失，需要酸壓見產。生產特征與裂縫發育情況密切相關。垂直裂縫較不發育的情況下，產能低或無自然產能，壓力低，自噴期短或間歇停噴。隨著含水上升，產能遞減較快。天然能量弱，無明顯水體能量補充。一般開井即見水，水體不活躍，生產中產液表現為快速衰竭式變化，間歇式含水。高角度垂直裂縫發育的情況下，初期以產油氣為主，不產地層水。無水和低含水采油期很短，甚至沒有低含水期。油井見水后由于油水鉆度比大，地層水迅速占據了原油的流動通道，含水在短時間內快速上升，部分油井表現出暴性水淹特征。該類儲集體規模在彈性能開發階段表現為日產較小，彈性能波及時間較短，產量遞減快，純彈性釋放階段累計采油量小，其典型生產特征如圖5所示。

圖5 裂縫型儲集體生產特征Fig.5 Production characteristics of fractured reservoirs

2 儲集體類型的動態數據量化表征及自動識別

2.1 儲集體類型動態量化方法思路與流程

在前期不同儲集體生產特征定性認識的基礎上，以雅克拉潛山儲層為對象，進一步細化量化各類儲集體動態特征，目的在于采用動態數據建立一套高效準確識別儲集體類型的方法。由于各井投產年限、開發措施不同，選取各井穩定可對比的參數至關重要。因此，研究首先開展單井的生產階段劃分，將各井的動態參數細化到不同階段，再將各階段的各類參數與儲集體類型進行相關分析，提取出各井普遍具有的、與儲集體類型相關性強的特征參數，對這些參數進行聚類分析，明確不同儲集體類型各參數的分布范圍，通過參數組合特征確定儲集體類型，最終結合神經網絡手段實現儲集體類型的自動識別。

2.2 單井生產階段劃分

油田實踐表明：多數生產井油壓和累計產油量關系曲線呈現較好的分段性，其中AB 段為彈性波傳播到油體邊界時生產井井口壓力變化，該段長短表示油體大小，對應生產上的純彈性驅動階段；BC 段為邊底水開始補充，純彈性驅動向水驅過渡階段時井口壓力變化，該段長短表示邊底水補充速度，斜率便是彈性能衰竭速度，對應生產上的混合驅階段；CD段為邊底水能量充分補充時井口壓力變化，該段長短表示邊底水能量的大小，對應生產上的水驅階段。E點反映的是底水突破井底附近時油壓的波動，見水前出現明顯的異常，但一般油壓變化幅度很小，部分井見水前沒有這段異常，此階段生產井由不含水到零星含水，或者由零星含水到連續相含水（圖6）。

圖6 單井生產階段劃分（據參考文獻[26]修改）Fig.6 Single well production stage division（modified according to reference[26]）

2.3 動態參數提取

在研究區單井生產階段劃分的基礎上，將各類動態參數如階段時長、平均日產、階段累產、壓力變化率、產量遞減率等12 個動態參數與儲集體類型進行相關性分析，提取出對儲集體類型敏感的主要參數。經多次相關分析，最終提取出彈性驅初期產油量、彈性驅時間、彈性驅累計產油量、彈性驅產量月遞減率4 個參數，該4 個參數與儲集體類型相關系數均大于0.7，遠優于混合驅和水驅的各項參數（表1）。

表1 動態參數相關性分析結果Table 1 Correlation analysis results of dynamic parameters

2.4 聚類分析與參數標準量化

對所提取的4個參數進行系統聚類分析，系統聚類法基本思想是：先將輸入樣本各自看成一類，然后規定樣本之間的距離和類與類之間的距離，選擇距離最小的1 對合并成1 個新類，計算新類和其他類的距離，再將距離最小的2類合并，逐漸減少類的個數，直至所有樣本聚合至規定的類別數[27]。劃分結果優先推薦的劃分方案是劃分為3 類，結合數據來源，系統聚類分析所得的3 類即對應溶洞型、縫洞型、裂縫型3 種儲集體類型（圖7），證明該4 個參數可很好地用于區分儲集體類型。

圖7 雅克拉區塊潛山儲集體類型判別流程Fig.7 Discrimination process of buried hill reservoir type in Yakela block

通過聚類分析結果統計，各儲集體類型在各項參數上具有較為明顯的差異，據此建立了巖溶型碳酸鹽巖儲集體類型的動態參數量化劃分標準，參數在各類型區間的分布位置同時指示著儲集體規模（表2）。

表2 雅克拉區塊潛山不同儲集體參數統計及判別標準Table 2 Statistics and discriminant criteria of different reservoir parameters in buried hill of Yakela block

溶洞型儲集體彈性驅初期產油量一般大于275 t/d，彈性驅產量月遞減率小于0.09，彈性驅累計產油量大于5.0×104t，彈性驅時間大于270 d；裂縫型儲集體彈性驅初期產油量一般小于159 t/d，彈性驅產量月遞減率大于0.22，彈性驅累計產油量小于1.5×104t，彈性驅時間小于182 d；縫洞型儲集體各參數介于兩者之間。

2.5 儲集體類型自動識別的神經網絡實現

聚類分析獲得的儲集體類型識別結果具有較好的準確性，但其工作流程復雜，仍需要人工進行逐井的階段劃分、參數前處理和聚類調試，工作效率較低。鑒于此，根據以上建立的動態參數標準，研究采用系統聚類分析結合人工神經網絡技術建立動態參數對儲集體類型的自動識別模型，已在缺乏地質資料地區高效準確地實現儲集體類型的定量識別。以聚類分析的結果作為學習樣本，將現有已知儲集體類型的生產井分為樣本井和驗證井（比例為7∶3），建立神經網絡并對網絡進行訓練，神經網絡的輸入層為各井的彈性驅初期產油量、彈性驅時間、彈性驅累計產油量、彈性驅產量月遞減率這4 個參數，輸出層為3 類，即對應儲集體類型溶洞型、縫洞型以及裂縫型，神經網絡運算隱藏層函數M（1）~M（6）（圖8），訓練完成后利用神經網絡識別新的數據樣本，將新的數據樣本合并到原有數據中，通過聚類分析，對識別的準確性進行驗證，該流程可批量輸入多井參數，實現高效、自動的儲集體類型判別。應用該神經網絡對塔河4 區的65 口井進行儲集體類型識別，訓練樣本正確率為93.9%（表3）。

表3 神經網絡訓練成果Table 3 Training results of neural network

圖8 神經網絡示意圖Fig.8 Schematic diagram of the neural network

3 儲集體類型動態識別效果評價

3.1 儲集體動態識別應用與驗證

雅克拉X15 井完鉆井深5 580 m，完鉆層位下奧陶統，無漏失放空井段，常規完井，測錄井資料顯示生產層上部裂縫發育，油氣界面大致介于5 410.5 ~5 429.5 m，水層在5 580 m 以下，可判斷X15 井打到裂縫并且溝通孔洞，總體表現為縫洞型儲集體特征。

該井用8 mm 油嘴放噴求產，日產液293 t，天然氣16 700 m3/d。該井投產初期，日產油保持在200 t，改變工作制度（增大或減小油嘴大?。┖?，日產油總體呈現上升趨勢，日產油最大達到300 t。見水時累產油26.688×104t。見水后，日產油下降至50 t，含水率上升至40%，最后日產油下降至8.5 t 后停噴開始采取轉抽，轉抽后日產液160 t 左右，日產油97 t 左右，含水37.5 %左右。截至生產末期，該井累產液65.37×104t，累產油48.47×104t，累產水16.9×104t，可以看出能量較充足，產量遞減主要由含水上升引起的。月均含水上升速度25%，為臺階式上升，含水到達37.9%時保持穩定。其生產動態曲線和生產階段劃分曲線如圖9和圖10所示。

圖9 雅克拉區塊潛山X15井生產動態曲線Fig.9 Production dynamic curve of well X15 in buried hill of Yakela block

圖10 雅克拉區塊潛山X15井生產階段劃分Fig.10 Production stage division of Well-X15 in buried hill of Yakela block

通過對該井劃分彈性驅階段并對參數取值，求得其彈性驅初期產油量為275 t/d，彈性驅產量月遞減率為0.03，彈性驅累計產油量為2.899×104t，彈性驅時間為261 d，將該井這4 項動態參數輸入儲層類型自動識別神經網絡，輸出結果為較大規模的縫洞型儲集體，該判別結果與測、錄井地質認識一致，說明該井采用動態參數的儲集體類型自動識別結果準確。

根據上述流程，應用所建立的神經網絡模型對研究區鉆井、錄井等靜態資料豐富即已知儲集體類型的11 口井的36 個層段進行階段劃分，提取彈性驅初期產油量、彈性驅時間、彈性驅累計產油量、彈性驅產量月遞減率參數，再將參數批量輸入神經網絡模型，完成儲集體類型自動識別（表4），自動識別結果與地質資料判別的結果層段30 個，整體吻合度達83.3 %。詳細到各類型，溶洞型層段共8 個，動態識別7 個，識別準確度87.5 %；縫洞型層段共15 個，識別12 個，識別準確度80.0%；裂縫型層段共13 個，識別11個，識別準確度84.6%。與測、錄井地質認識相比，自動識別方法在判斷準確的同時，不依賴于地質工作人員的經驗和能力，無須再對時間跨度長達40余年的生產井測、錄井資料進行標準化處理，根據生產動態記錄計算出4項動態參數并輸入模型，即可獲得儲集體判別結果，具有客觀、高效的優勢。

表4 雅克拉區塊潛山儲集體類型自動識別檢驗結果Table 4 Automatic identification test results of buried hill reservoir types in Yakela block

3.2 應用效果評價

研究區單井的詳細分析與其他地區的自動識別驗證均證明了儲集體類型動態識別方法的準確性和便利性。由于研究采用的4 個參數為每口生產井都具有的參數，且易于獲取、識別準確率高、可操作性強，預期該動態參數神經網絡自動識別模型可在地質資料缺少的地區為儲集體類型研究提供更多依據，為后續生產措施的制定提供支撐。

該方法解決了縫洞型碳酸鹽巖儲集體類型研究的一部分實際問題，但由于生產階段劃分是基于動態資料進行的定性劃分，部分井由于生產制度調整等因素導致生產特征復雜化使得彈性時間的截止存在偏差，導致后續參數提取出現偶然誤差，影響到該井儲集體類型的判別。因此，在應用于頻繁調整生產措施、生產特征不規律的井時應結合其他資料進行判別。此外，在應用中，溶洞型儲層誤識別為縫洞型，縫洞型主要誤識別為裂縫型，裂縫型誤識別為縫洞型，這些誤差指示在現有的溶洞、縫洞、裂縫的大類劃分的基礎上，對縫洞型儲集體仍需進一步開展類型細分，便于更好地把握不同類型儲集體的開發規律，及時調整生產對策。未來隨著開發不斷精細化，在后續工作中將持續完善動態識別參數和方法，為油藏的高效開發提供更多的支持。

4 結論

1）彈性驅初期產油量、彈性驅時間、彈性驅累計產油量、彈性驅產量月遞減率4項動態參數與儲集體類型具有較強的相關性，可作為儲集體類型判別的主要動態參數。

2）將提取的4 項動態參數進行聚類分析，量化了溶洞型、縫洞型、裂縫型儲集體對應的參數范圍：溶洞型儲集體彈性驅初期產油量一般大于275 t/d，彈性驅產量月遞減率小于0.09，彈性驅累計產油量大于5.0×104t，彈性驅時間大于270 d；裂縫型儲集體彈性驅初期產油量一般小于159 t/d，彈性驅產量月遞減率大于0.22，彈性驅累計產油量小于1.5×104t，彈性驅時間小于182 d；縫洞型儲集體各參數介于兩者之間。

3）根據儲集體動態參數量化特征建立的儲集體類型神經網絡自動識別模型，識別準確度達80%以上。該自動識別方法參數明確且易于獲取，工作流程清晰，可操作性強，結果準確度高，可實現多井批量判別，更可應用于缺乏地質資料的地區，實現儲集體類型的準確識別和預測，為后續生產措施的制定提供依據。