基于BP神經網絡的分層相控碳酸鹽巖儲層滲透率預測方法*

韓如冰 高 嚴 張元峰

(1. 中國石油勘探開發研究院 北京 100083; 2. 中國石油遼河油田曙光采油廠 遼寧盤錦 124109)

碳酸鹽巖儲層沉積后受成巖作用影響較大,孔隙—喉道結構復雜,不同巖石類型毛管壓力曲線變化較大,孔隙度—滲透率相關性較低,相同孔隙度對應滲透率數值變化大[1],研究難度較大。國內儲層滲透率研究[2-5]通常利用孔隙度解釋結果和根據巖心數據建立的孔隙度—滲透率關系回歸分析得出,對于碎屑巖儲層應用效果較好,但對于碳酸鹽巖儲層,其結果誤差較大。國外碳酸鹽巖滲透率預測常用方法包括BP神經網絡法、人工智能法[6-10]、經驗公式法[11-12]等,總體上以BP神經網絡方法最為成熟,使用也較為廣泛,但缺乏一套系統的研究方法和質量控制方法。經驗公式法往往針對某一類儲層效果較好,但難以廣泛推廣應用。本文以針對碳酸鹽巖儲層滲透率預測常用的神經網絡方法為基礎,優化、優選研究參數,建立了可以解決高滲層預測問題的滲透率預測方法。A油藏為一簡單背斜構造碳酸鹽巖油藏,以生屑灰巖為主,孔隙類型主要為粒間孔和粒間溶孔,孔隙度為14%～27%,滲透率為3.2～365 mD,含有高滲層,一般層薄,厚度僅為數英尺。油藏具有統一的壓力系統和油水界面。本文以A油田為例進行研究,系統介紹碳酸鹽巖油藏滲透率預測及其質量控制方法,并對研究中發現的動態滲透率基本高于靜態滲透率的現象進行了分析研究。

1 基于神經網絡的儲層滲透率預測方法

1.1 方法流程

基于神經網絡的儲層滲透率預測方法以巖心滲透率測量結果為學習樣本,根據其與不同測井曲線參數的非線性關系建立滲透率預測模型,主要研究步驟包括:輸入數據質量控制,預測模型參數優選,預測結果質量控制等方面。

輸入數據質量控制一般包括巖心數據質量控制和測井數據質量控制。對于巖心數據,在巖心歸位的基礎上,去除存在裂縫、不具備代表性樣品。對于測井數據,進行曲線基礎分析、標準化和含烴校正。滲透率預測模型參數包括測井曲線參數和神經網絡參數兩部分,不斷優化,使預測結果達到設計需求。對滲透率解釋進行全方面的質量控制,確保滲透率解釋符合巖心硬數據和地質認識。在得到滿足質量要求的解釋結果后,需要結合多方面資料,進行不確定性分析,充分認識當前結果的不確定性。

1.2 基礎數據質量控制

為確保滲透率預測結果的可靠性,提高模型預測精度,首先需要對基礎數據進行質量控制。

1.2.1巖心數據質量控制

巖心數據作為基本的學習數據和驗證數據,決定了預測結果的質量,其質量控制主要包括明確數據類型,去除存在裂縫樣品、不具備代表性樣品等。

首選確定滲透率數據的類型,不同時期的巖心測量結果可能測量條件不同,因此無法直接使用。不同的測量方法包括:氣測滲透率、覆壓氣測滲透率、克氏滲透率、覆壓克氏滲透率等。如果出現不同時期的測量數據類型不同,則一般需要進行校正,然后在同一個標準下進行研究。在同時具有氣測滲透率和覆壓孔滲滲透率的條件下,建議直接將不同測量方式得出的滲透率校正至覆壓克氏滲透率,可直接體現流體在油藏條件的流動屬性(圖1)。A油藏的覆壓克氏滲透率校正公式如下式:

圖1 氣測滲透率與覆壓克氏校正滲透率交會圖

lgKlOB=1.078lgKairAmb-0.28

(1)

式(1)中:KlOB為覆壓克氏滲透率,mD;KairAmb為氣測滲透率,mD。

然后去除裂縫樣品,需要通過對測量結果、巖心測試標注和巖心塞照片、薄片等資料進行比對,去除因存在裂縫,造成孔、滲數值明顯不合理的樣品,最為典型的情況是低孔高滲現象,例如孔隙度小于5%,滲透率卻為幾個甚至幾十個毫達西的情況。

在部分情況下,由于儲層的非均質性導致僅在局部位置發育的地質體或者測量過程的影響,會有極少數數據點與儲層整體孔滲關系相差較大,一般認為不具有代表性,不僅對儲層整體的研究而言意義很小,而且會降低神經網絡學習和預測的質量,因此建議去除。對比質量控制前后的孔隙度—滲透率交會圖,可以看出質量控制后巖心樣品整體孔滲關系更加合理(圖2)。

注:圖中不同顏色表示不同的井。

1.2.2測井數據的質量控制

對于測井數據,需要首先進行曲線基礎分析,確保不存在不同類型曲線深度偏移現象,然后進行測井曲線的標準化和含烴校正。一般對自然伽馬曲線進行標準化,選擇明顯存在偏差的中子曲線和密度曲線進行標準化,并不需要對所有井全部進行,以免丟失儲層非均質性信息(圖3)。

圖3 標準化前后自然伽馬曲線分布對比

當儲層存在烴類,特別是氣層時,需要進行含烴校正,消除烴類對測井響應的影響,使二者僅反映儲層信息。保證中子、密度交會圖形態合理。如圖4所示,該油藏存在氣層,中子、密度曲線出現明顯的分離,無法體現儲層信息,在含烴校正后,二者重合,仍可反應氣層儲層信息。

注:左數第三道為原始的中子、密度曲線,左數第四道為標準化后的中子、密度曲線,左數第五道為含烴校正后的中子、密度曲線。

在完成測井曲線質量控制后,繪制中子、密度交會圖,分析結果可靠性。質量控制后,交會圖形態由偏離灰巖線校正至灰巖線,整體更加合理(圖5)。

注:圖中不同顏色表示不同的井。

1.3 滲透率預測參數優選

基于神經網絡的儲層滲透率預測參數優選包括輸入測井曲線參數和預測模型參數2個部分。

1.3.1測井曲線參數優選

常用的測井曲線參數一般為:自然伽馬、中子孔隙度、密度、中子密度差、孔隙度等。自然伽馬主要反映儲層的泥質含量信息,可間接反應儲層物性信息,是最為常用的預測參數。但如果自然伽馬的曲線形態呈鋸齒形,則會對滲透率預測結果造成影響,可能形成鋸齒形態,從而與中子、密度曲線特征不符合,此時一般不再使用該曲線。中子孔隙度和密度曲線直接反應儲層物性,是最為重要的輸入參數。當中子孔隙度曲線和密度曲線作為輸入參數預測效果不佳時,也可以使用中子、密度差曲線作為輸入參數,相當于對兩條曲線不重合的部分進行重點加權處理。當儲層存在白云質成分時,可以考慮增加光電吸收截面曲線,可以更好地描述含白云質儲層的滲透率。如果巖心數據顯示孔滲關系較好時,還可以將解釋孔隙度曲線直接作為輸入參數,加強巖心孔滲關系對滲透率預測的控制。

當存在高滲層時,受碳酸鹽巖復雜孔滲關系影響,孔滲關系往往較差,即可能孔隙度數值中等,但滲透率極高,這時上述以反應孔隙度特征為主的測井曲線難以體現滲透率高值,需要結合地質分析,建立特定指示曲線進行研究。以含高滲層B油田為例,其儲層中段存在高滲層,滲透率可達數百毫達西,但其中子、密度曲線則特征不明顯,因此基于常規物性曲線的預測模型效果不佳?？紤]以巖心高滲層解釋為基礎,然后結合地質認識,進行以地質統計學為手段的空間分布研究,建立多個模型實現,分析空間展布特征(圖6)。然后將其采樣至井上,以zonelog曲線的形式,作為模型參數,取得了較好的效果(圖7)。

圖6 B油藏不同的高滲層空間分布實現

注:一般模型在給出滲透率預測結果(Basecase曲線)的基礎上,會給出相應不確定性結果,Highcase為滲透率預測的高方案結果,Lowcase為滲透率預測的低方案結果。

1.3.2模型參數優選

預測模型的參數優選包括神經網絡模型參數和儲層分區分層參數兩個方面。

BP神經網絡算法全稱為反向傳播神經網絡算法(Back-propagation Neural Network),由D E Rumelhart于1986年提出,為經典的監督學習算法,前人對其原理和不同領域的應用進行了大量的研究,其在多個工程研究領域均得到廣泛應用,研究相對成熟。本文不再對其原理進行詳細闡述,僅做簡要介紹。

BP神經網絡算法可以學習并儲存大量的輸入輸出映射關系,且無需給出描述該映射關系的數學方程,具有操作簡單、準確率高等特點。BP神經網絡的拓撲結構包括數據輸入層、隱藏層和數據輸出層,一般具有三層或三層以上的算法結構(圖8)。研究過程分為訓練階段和預測階段。在訓練階段,首先輸入訓練樣本和目標樣本,不斷調整權重和閾值,通過梯度下降的學習算法,使訓練輸出樣本與目標樣本不斷趨于一致。在達到一定的精度后即可完成學習過程,進入預測階段。在預測階段,可以根據任意輸入樣本求取預測結果,隨后可進行對應優化研究。

神經網絡模型參數主要包括隱藏層的數目,學習樣本、驗證樣本的設置等。調整隱藏層的數目,不斷優化預測結果。學習樣本、驗證樣本的設置需要根據實驗數據的質量進行確定,一般選擇質量較高的常規巖心分析樣品作為學習樣本,其余作為驗證樣本,可以提高模型質量。不斷更新學習樣本組合,優化預測結果。

不同沉積、成巖特征儲層可能滲透率特征差異較大,同時測井曲線特征也存在一定差異,如果采用一個模型進行學習、模擬,可能導致不同滲透率特征儲層輸入測井曲線特征混淆,造成預測效果較差。因此,一般按沉積、成巖特征或儲層特征,縱向分層、平面分區或二者組合,建立多個預測模型進行模擬。沉積綜合研究顯示,該油藏上部2個小層為內緩坡沉積,整體膠結作用稍弱;中部小層為中緩坡沉積,膠結作用中等;下部小層為中緩坡沉積,但膠結作用較強。分別采用3個滲透率預測模型進行描述,取得了較好的效果(表1)。

表1 A油藏滲透率預測測井曲線參數選擇結果

1.4 滲透率解釋質量控制

在完成滲透率解釋后,需要進行質量控制,主要包括以下內容。

1) 滲透率樣品校正到測井深度,與孔隙度曲線、密度曲線、中子孔隙度曲線、聲波時差曲線等匹配。注意測井曲線中滲透率最好對應壓實條件下的克氏滲透率。

2) 比較巖心滲透率與測井解釋滲透率的最大值、最小值、平均值、標準差,確保滲透率解釋的合理性。一般情況下巖心滲透率與測井解釋滲透率數值范圍應接近,當研究區儲層物性測試樣品較少,或者取樣存在偏向性的時候,可能存在差異。另外,受巖心保存條件限制,不同時期測量的滲透率結果可能出現差異,需要具體分析,確定最終使用的數值。最后繪制測井解釋孔隙度—滲透率交會圖,將其與巖心分析結果的孔隙度—滲透率交會圖進行比較,結果表明二者特征基本一致,解釋結果可以體現儲層的非均質性特征。這也是對滲透率解釋的終極質量控制,如果滲透率解釋出現問題,則其孔滲關系將顯著偏離巖心孔滲關系(圖9)。

注:圖中紅色為巖石類型1,藍色為巖石類型2,綠色為巖石類型3。

3) 繪制連井剖面圖,觀察滲透率解釋的質量,一般巖心滲透率與測井滲透率差異小于一個數量級。繪制滲透率解釋和巖心滲透率樣品交會圖,分析相關系數和解釋質量,一般相關系數(R2)應大于0.8。巖心滲透率與測井解釋滲透率交會圖中,趨勢線的斜率大于2/3。巖心滲透率與測井解釋滲透率之間差異的標準差應小于1個數量級。將預測滲透率與相同類型巖心測量滲透率數據(此處為覆壓克氏校正滲透率)進行比較,分析相關系數,一般R2為0.82,整體效果較好(圖10)。

圖10 預測滲透率與相同類型的巖心測量滲透率交會圖

制作連井剖面圖,分析預測滲透率與相同類型的巖心測量滲透率之間的差異,結果表明巖心滲透率數據基本在當前滲透率預測結果的不確定性范圍之內,整體質量較高(圖11)。

圖11 滲透率解釋結果不確定性分析連井剖面圖

圖12 預測滲透率與試井解釋有效滲透率交會圖

4) 根據動態滲透率,如試井解釋滲透率、NMR滲透率、MDT流度、DST、現有動態模型中滲透率倍乘系數、生產數據等,對滲透率解釋進行驗證,確保靜態、動態滲透率的一致性。動態滲透率可以代表井周圍一定范圍內儲層的滲流能力。將靜態模型滲透率與動態滲透率進行比較,可以對滲透率解釋質量、是否存在未發現高滲層、裂縫發育帶等情況進行判斷,為將來的油藏數值模擬打下良好基礎。以A油藏為例,將模型滲透率與動態滲透率(PBU測試滲透率)進行比較,繪制交會圖,結果表明二者較為符合(圖 12),目前的滲透率解釋較為合理,不存在高滲層和裂縫發育的情況,該滲透率模型質量較高。一般情況下,動態滲透率與測井解釋滲透率交會圖中,趨勢線的斜率應該大于2/3。巖心滲透率與測井解釋滲透率之間差異的標準差應小于1個數量級。

將預測結果與試井數據對比分析,繪制交會圖預測結果質量,相關系數為0.73,整體符合較好。

2 預測滲透率與試井解釋滲透率差異原因分析

對預測滲透率與試井解釋滲透率的對比進行分析,結果表明雖然總體上相關性較好,但仍存在一定的差異,即試井解釋動態滲透率基本高于靜態滲透率,這與常規碎屑巖儲層的認識正好相反。本文對碳酸鹽巖儲層動、靜態滲透率差異原因進行研究。

1) 碳酸鹽巖成巖作用較強,加以構造運動的影響,可形成包含孔、洞、縫的復雜孔隙空間,非均質性較強(圖13)。構造作用影響下,通常不同程度地發育天然裂縫,巖心塞的滲透率測量只能代表局部位置的儲層性質,無法體現儲層中其他位置處復雜的孔隙空間的滲流能力,來源于試井資料的動態有效滲透率測量范圍較大,是地下儲集空間滲流能力的綜合反映,可以體現孔、洞、縫的滲流能力,因此通常數值高于巖心滲透率數值(圖14)。

圖13 碳酸鹽巖儲層示意圖[13]

圖14 碳酸鹽儲層常見的巖心塞取樣情況

圖15 A油藏黏土礦物含量統計

2) 碳酸鹽巖儲層一般黏土礦物含量低或無(圖 15),不會像碎屑巖儲層那樣形成儲層敏感性,對滲流能力造成影響。

3) 中東地區的碳酸鹽巖儲層各向異性相對弱,垂向和水平滲透率比值的數值一般較高,可以接近于1,甚至大于1。這也是碳酸鹽巖儲層動、靜態滲透率差異的原因。

3 結論

1) 碳酸鹽巖油藏儲層非均質性強,單一孔隙度數值對應滲透率區間大,根據儲層地質特征,優選模型參數,油藏分區、分層建立神經網絡預測模型預測效果較好。多來源資料交叉驗證可進一步驗證成果質量。

2) 碳酸鹽巖儲集空間復雜,孔、洞、縫均發育。巖心塞的滲透率測量只能代表局部位置基質滲透率,而試井資料的動態有效滲透率測量范圍大,包括了孔、洞、縫的影響,加以黏土礦物含量低,不存在儲層敏感性問題和各向異性較弱等因素,最終導致試井動態滲透率數值一般高于巖心滲透率數值。