公开/公告号CN105089615A
专利类型发明专利
公开/公告日2015-11-25
原文格式PDF
申请/专利号CN201410206546.2
申请日2014-05-16
分类号E21B47/00(20120101);E21B49/00(20060101);
代理机构37107 东营双桥专利代理有限责任公司;
代理人侯华颂
地址 100728 北京市朝阳区朝阳门北大街22号
入库时间 2023-12-18 12:26:02
法律状态公告日
法律状态信息
法律状态
2018-11-20
授权
授权
2016-06-08
实质审查的生效 IPC(主分类):E21B47/00 申请日:20140516
实质审查的生效
2015-11-25
公开
公开
技术领域
本发明属于油田开发的测井、地震、油藏综合数据处理技术领域,特别是涉及到一种基于油藏模型的测井数据历史回归处理方法。
背景技术
石油测井是石油勘探、开发的“眼睛”。在油气田勘探、开发的不同阶段,石油测井的目的和任务是不同的。一般来说,裸眼井测井(下套管之前的井称裸眼井,因此下套管之前进行的测井称为裸眼井测井)的主要目的和任务是发现和评价油气层的储集性能及生产能力;而生产测井(油水井投入生产以后进行的测井称为生产测井)的主要目的是见识和分析油气层的开发动态及生产情况。开发测井是指在油气田整个开发期间进行的所有测井项目。开发测井的主要对象为裸眼完成的生产井和下套管的生产井,用于分析目前的生产动态及井内技术状况。
测井数据详细的记录了地层岩性、物性在纵向上的细微变化,具有较高的纵向分辨率,在井位置处,能准确的计算储层参数,正确评价储层。地震资料连续地记录了地层在横向上的变化,具有较好的横向连续性。因此,在勘探和开发阶段往往是结合测井和地震数据进行综合研究。通常测井数据的采集时间点与地震数据的时间点很少一致,因此,当地下储层物性变化较大时,如果直接拿来进行综合研究,则会因采集时间点的不一致给综合研究带来很大误差,因此,需要对测井数据进行历史回归处理,将实际测井数据校正到地震数据的采集时间点,为更好、更准确的研究储层建立基础。
发明内容
本发明的目的是针对现有测井技术在开发应用中存在的问题,提出基于油藏模型的测井数据历史回归处理方法,即测井与地震进行综合研究时,二者的采集时间点往往不一致所带来的系统误差。
本发明总体技术方案是
一种基于油藏模型的测井数据历史回归方法,包括:
1)根据地震解释数据、测井解释数据、生产数据以及岩心数据,通过历史拟合,建立油藏模型;
2)利用工区测井解释数据和油藏模型数据对岩石物理模型标定,建立地震响应参数与岩石参数之间的非线性关系;
3)合成油藏模型的动态纵波速度、横波速度及密度;
4)根据合成的动态纵波速度、横波速度及密度,以地震数据采集时间点作为基准,分别计算纵波速度、横波速度及密度的变化率;
5)利用实测的纵波速度、横波速度、密度以及步骤四中计算的纵波速度、横波速度、密度的变化率,计算对应地震数据采集时间点的实测纵波速度、横波速度、密度;
6)利用回归后的纵波速度、横波速度、密度进行正演,得到的合成记录与采集的地震记录进行一致性对比分析,以判别回归的测井数据是否正确。
上述方案的细化方案包括:
1)根据工区地震解释数据、测井解释数据、生产数据以及岩心数据,通过历史拟合,建立油藏模型;
所述地震解释数据包括:由地震数据解释的层位,断层数据;
所述测井解释数据包括:地质分层、单井相、砂泥岩分布、渗透率、含油饱和度、含水饱和度;
所述生产数据包括:实时的流体的流量、含水饱和度、温度、压力;
所述岩心数据是指钻井时从地下取出的岩心,在实验室进行测量,主要包括:渗透率、孔隙度、电阻率;
所述的建立油藏模型:第一步是利用地震解释的层位和断层数据,通过空间上的网格剖分,建立空间上的格架模型,并将油藏剖分为一系列独立的单元体;第二步是结合测井数据以及岩心数据,通过空间上的插值,在空间上的每一个单元中赋值,赋予不同的物理属性;第三步:通过模拟器对历史的油气藏动态数据进行模拟,并且与实际的井点上的油气藏动态数据进行对比,以确定模拟的油气藏动态数据是否准确,如果模拟的动态数据与油藏实际动态数据差别较大,则调整输入的模型参数,重新进行拟合,最终得到与实际油气藏动态数据一致的油藏模型;
2)利用工区测井解释数据和油藏模型数据对岩石物理模型标定,建立地震响应参数与岩石参数之间的非线性关系;
所述的岩石物理模型是Gassmann理论模型;
所述标定是指确定岩石物理模型中的各项参数;
所述的建立地震响应参数与岩石参数之间的非线性关系是建立声波参数、弹性参数与岩石物性、流体参数之间的关系;
3)根据油藏模型的流体参数及弹性参数,利用标定后的岩石物理模型,计算油藏模型的纵波速度、横波速度以及密度;再将纵波速度与密度相乘得到合成的阻抗;
所述计算采用gassmann模型,岩石体积弹性模量K计算:
其中,Ks为岩石颗粒弹性模量;Kd为干岩石弹性模量;Φ为孔隙度;
Kf为流体弹性模量,由下式计算:
其中,Kw,Ko,Kg分别是水、油、气的弹性模量,Sw,So分别是水、油的饱和度,1-Sw-So为含气饱和度;
声波在岩石中的纵波速度Vp由下式计算:
其中,μ为岩石剪切模量;ρ为岩石密度;Vs为横波速度。
其中,ρw、ρo、ρg分别是水、油、气密度,ρma为岩石骨架密度。
4)利用步骤3)中计算的各个时间点的纵波速度、横波速度、密度,与地震数据采集时间点时的纵波速度、横波速度、密度,计算油藏模型在各个开发时间点的变化率;
所述油藏模型的各个开发时间点是在建立油藏模型时,人为给定的具有相同时间间隔的各个时间状态;
所述纵波为传播方向与振动防线一致的波,横波为振动方向与传播方向垂直的波;
5)对比实测测井数据时间点的纵波速度、横波速度,密度与油藏模型对应时间点的纵波速度、横波速度,密度,判断二者是否一致,如不一致,则返回步骤2),调整岩石物理模型参数,如一致,则可进入步骤6);
所述实测的测井数据是指利用测井仪器在井筒中实际测量的曲线数据,包括声波时差(DT)、横波声波时差(DTS)、密度(RHOB),其中,纵波速度为DT的倒数乘以106,横波速度为DTS的倒数乘以106;
所述二者是否一致是指同一时间状态标准下合成纵波速度、横波速度、密度与实际测量的纵波速度、横波速度、密度在趋势以及数值范围上是否一致;
6)结合实测测井数据与油藏模型计算的各个开发时间段的变化率,将实测测井数据回归到地震数据采集时间点;
所述变化率是指以地震数据采集的时间点作为基础,计算别的时间点的油藏动态变化百分比;
所述回归是指以计算的变化率,对实测测井数据进行基于时间点的校正。
其中:步骤2)中标定岩石物理模型中的各项参数包括岩石岩性、孔隙度、孔隙类型、孔隙流体、流体饱和度和频率,以及反应岩石中弹性性质的包括纵波速度和横波速度及衰减的参数。
本发明的技术效果是:由于油藏模型数据是一个随时间变化的动态数据,其客观、真实的反应了地下油藏在开发过程中的变化,因此,以岩石物理模型为桥梁将地下油藏的变化转换为声学上的变化,即得到地下油藏在开发中纵波速度、横波速度、密度的变化,将这种真实的变化再应用到实测的纵波速度、横波速度、密度中,则可以将实测的测井数据回归到地震数据采集的时间点上,这样在进行测井、地震综合研究时,二者处于同一测量时间点,为准确预测地下油藏位置及油藏变化建立良好的基础。
附图说明
图1为基于油藏模型的测井数据历史回归处理方法流程;
图2为根据油藏模型和井点解释结果,调整为最佳的岩石物理模型参数;
图3为岩石物理模型模板,纵波速度与孔隙度之间的对应关系;
图4为在井点位置通过油藏模型合成的纵波速度、横波速度;
图5为在井点位置分别计算的在两个地震数据采集时间点,纵波速度、横波速度的变化率;
图6为在井点位置分别回归到与两个地震数据采集时间点的实测的纵波速度、横波速度;
图7为在井点位置在第一个地震数据采集时间点的测井正演结果与实际采集地震数据对比;
图8为在井点位置在第二个地震数据采集时间点的测井正演结果与实际采集地震数据对比。
具体实施方式
下面将结合附图,对本发明的技术方案作进一步说明。
如图1所示,测井数据历史回归处理方法流程。
首先,根据地震解释数据、测井解释数据、生产数据以及岩心数据,通过历史拟合,建立油藏模型。地质学家对油田进行详细的油藏描述工作,基于地震解释数据,测井解释数据,岩芯数据以及结合地质家对油田的认识建立三维地质模型。流程进入到步骤2。
其二,利用工区测井解释数据和油藏模型数据对岩石物理模型标定,建立地震响应参数与岩石参数之间的非线性关系。油藏模型数据里没有速度和密度这些值,因此需要利用测井数据解释结果与油藏模型对应的测井位置的一些动态参数进行拟合,这样一个过程称之为标定。即:岩石物理模型标定是将通过对各种岩心资料、测井资料和地震资料进行综合分析,研究岩石岩性、孔隙度、孔隙类型、孔隙流体、流体饱和度和频率等对岩石中弹性性质如纵波速度和横波速度及衰减的影响,并提出利用地震响应预测岩石物理性质的理论和方法,是地震响应与储层岩石参数之间联系的桥梁,是进行定量储层预测的基本前提。图2为标定后岩石物理模型参数,图3为岩石物理模型模板,纵波速度与孔隙度之间的关系。
其三,合成油藏模型的动态纵波速度、横波速度及密度,即根据油藏模型的各个时间点,合成各个时间的纵波速度、横波速度、密度。图4为在井点位置在某一时间点合成的纵波速度及横波速度。
其四,根据合成的动态纵波速度、横波速度及密度,以地震数据采集时间点作为基准,分别计算纵波速度、横波速度及密度的变化率,图5为测井数据采集时间点相对地震数据采集时间点的纵波速度、横波速度、密度的变化率,可以看到在本实例中有两次采集的地震数据分别为1991年和2010年。
其五,利用实测的纵波速度、横波速度、密度以及步骤四中计算的纵波速度、横波速度、密度的变化率,计算对应地震数据采集时间点的实测纵波速度、横波速度、密度。图6为本实例中选取的井计算的经过回归后的纵波速度、横波速度、密度。
其六,利用回归后的纵波速度、横波速度、密度进行正演,得到的合成记录与采集的地震记录进行一致性对比分析,以判别回归的测井数据是否正确,图7和图8分别为向两个时间点(1991年和2010年)回归的测井数据正演的结果与采集的地震记录的对比分析。
下面通过典型实施例对本发明作更加细化的说明。
典型本实施例的包括下列步骤:
1)根据胜利油田单56工区地震解释数据、测井解释数据、生产数据以及岩心数据,通过历史拟合,建立油藏模型;
所述地震解释数据包括:由地震数据解释的层位,断层数据;
所述测井解释数据包括:地质分层、单井相、砂泥岩分布、渗透率、含油饱和度、含水饱和度等;
所述生产数据包括:实时的流体的流量、含水饱和度、温度、压力等;
所述岩心数据是指钻井时从地下取出的岩心,在实验室进行测量,主要包括:渗透率、孔隙度、电阻率等;
所述历史拟合是指由油藏模型被建立起来以后,是否完全反映油气藏实际,并未经过检验。只有利用将生产和注入的历史数据输入模型并运行模拟器,再将计算结果与油气藏实际动态相比,才能确定模型中采用的油气藏描述是否有效。若计算获得的动态数据与油藏实际动态数据差别甚远,我们就必须不断调整输入模型基本数据,直到由模拟器计算得到的动态与油藏生产的实际动态达到满意的拟合为止。
所述的建立油藏模型:第一步是利用地震解释的层位和断层数据,通过空间上的网格剖分,建立空间上的格架模型,并将油藏剖分为一系列独立的单元体;第二步是结合测井数据以及岩心数据,通过空间上的插值,在空间上的每一个单元中赋值,赋予不同的物理属性;第三步:通过模拟器对历史的油气藏动态数据进行模拟,并且与实际的井点上的油气藏动态数据进行对比,以确定模拟的油气藏动态数据是否准确。如果模拟的动态数据与油藏实际动态数据差别较大,则调整输入的模型参数,重新进行拟合,最终得到与实际油气藏动态数据一致的油藏模型。
2)利用工区测井解释数据和油藏模型数据对岩石物理模型标定,建立地震响应参数与岩石参数之间的非线性关系;
所述的岩石物理模型是Gassmann理论模型。
所述标定是指确定岩石物理模型中的各项参数。
所述的建立地震响应参数与岩石参数之间的非线性关系是建立声波参数、弹性参数与岩石物性、流体参数之间的关系。
3)根据油藏模型的流体参数及弹性参数,利用标定后的岩石物理模型,计算油藏模型的纵波速度、横波速度以及密度;再将纵波速度与密度相乘得到合成的阻抗;
所述的岩石物理模型是Gassmann理论模型。
所述计算采用gassmann模型,岩石体积弹性模量K计算:
其中,Ks为岩石颗粒弹性模量;Kd为干岩石弹性模量;Φ为孔隙度;
Kf为流体弹性模量,由下式计算:
其中,Kw,Ko,Kg分别是水、油、气的弹性模量,Sw,So分别是水、油的饱和度,1-Sw-So为含气饱和度;
声波在岩石中的纵波速度Vp由下式计算:
其中,μ为岩石剪切模量;ρ为岩石密度;Vs为横波速度。
其中,ρw、ρo、ρg分别是水、油、气密度,ρma为岩石骨架密度。
4)利用步骤3)中计算的各个时间点的纵波速度、横波速度、密度,与地震数据采集时间点时的纵波速度、横波速度、密度,计算油藏模型在各个开发时间点的变化率;
所述油藏模型的各个开发时间点是在建立油藏模型时,人为给定的具有相同时间间隔的各个时间状态;
所述纵波为传播方向与振动防线一致的波,横波为振动方向与传播方向垂直的波;
5)对比实测测井数据时间点的纵波速度、横波速度,密度与油藏模型对应时间点的纵波速度、横波速度,密度,判断二者是否一致,如不一致,则返回步骤2),调整岩石物理模型参数,如一致,则可进入步骤6);
所述实测的测井数据是指利用测井仪器在井筒中实际测量的曲线数据,这里主要用的的DT(声波时差)、DTS(横波声波时差)、RHOB(密度),通常纵波速度为DT的倒数乘以106,横波速度为DTS的倒数乘以106;
所述二者是否一致是指同一时间状态标准下合成纵波速度、横波速度、密度与实际测量的纵波速度、横波速度、密度在趋势以及数值范围上是否一致。
6)结合实测测井数据与油藏模型计算的各个开发时间段的变化率,将实测测井数据回归到地震数据采集时间点。
所述变化率是指以地震数据采集的时间点作为基础,计算别的时间点的油藏动态变化百分比;
所述回归是指以计算的变化率,对实测测井数据进行基于时间点的校正。
上述的实例仅仅是本发明一部分实例,而不是全部的实例。基于本发明中的实例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实例,都属于本发明保护的范围。
机译: 基于线性回归或历史使用Alpha生成模式的个性化预测可避免智能数据上限
机译: 基于线性回归或历史使用Alpha生成模式的个性化预测的智能数据容量避免
机译: 基于线性回归或历史使用Alpha生成模式的个性化预测可避免智能数据上限