法律状态公告日
法律状态信息
法律状态
2019-09-03
授权
授权
2019-01-11
实质审查的生效 IPC(主分类):G01V1/40 申请日:20180806
实质审查的生效
2018-12-18
公开
公开
技术领域
本发明属于储层评价技术领域,涉及一种用于基于测井多参数识别低渗透储层成岩相的方法。
背景技术
成岩相是控制储层质量的主要因素之一,成岩相的准确识别对储层区域评价和预测具有重要作用。成岩相的测井识别是基于成岩相的低渗透储层评价的基础和关键。成岩相的测井识别一般通过自然伽马(GR)、自然电位(SP)、密度(DEN)、电阻率(RT)和声波时差(AC)等测井资料进行识别。
常规的成岩相测井识别方法主要包括交会图法、雷达图法、现代数学法和成岩强度计算法等。不同判别方法在资料的需求和参数选择上都存有一定的差异,且适用条件和应用范围也有差异。因此在不同区块选择针对性较强的方法进行成岩相识别效果更理想。鄂尔多斯盆地演武地区地质条件复杂,具有典型的低渗透特征,存在层内、层间、平面非均质性强的问题。现今运用测井曲线直接判别低渗透储层各类成岩相仍然存在一定的困难。
为了能够更好的识别低渗透砂岩储层的成岩相类型并开展基于成岩相的储层评价工作,放大和提取各类成岩相之间的差异在测井资料中具有的不同的响应特征,综合多参数多资料进行成岩相的测井识别就变得非常有意义。
发明内容
本发明的目的在于提供一种基于测井多参数识别低渗透储层成岩相的方法,本发明的有益效果是能够利用测井资料对鄂尔多斯盆地西南缘演武地区低渗透储层的成岩相进行准确识别。
本发明所采用的技术方案是按照以下步骤进行:
步骤1:对研究区目的层取芯井段岩心进行观察分析,对铸体薄片、普通薄片和扫描电镜等资料进行研究,根据研究区目的层段内控制储层物性的胶结物类型、产状和成岩作用类型划分成岩相类型;
步骤2:选取标准成岩相样本,并根据研究区目的层段内测井成岩相的响应特征,初步选择成岩相划分的测井参数,利用极值化方法,对成岩相划分的测井参数进行处理,并利用Wilks统计量方法,对能够表征成岩相类型的测井参数进行筛选;
步骤3:利用多元统计理论,建立成岩相的测井分类识别体系,实现低渗透储层的成岩相的测井识别。
进一步:
(1)根据岩心分析、物性测试和微观试验资料,将研究区目的层段内的成岩相根据控制储层物性的胶结物类型、产状和成岩作用类型分为n类;
(2)根据成岩相的测井响应特征,初步选取对成岩相比较敏感的g个测井参数,参数包括自然伽马GR、岩性密度DEN、电阻率RT、补偿中子CNL、自然电位SP、补偿声波AC,中子-密度视石灰岩孔隙度差ФND参数;
(3)对成岩相测井参数极值化,并求取能够反映成岩相层段内测井形态的参数S,即:
vj为vi测井参数第j个采样点的极差转化值;N为选定沉积微相段内的采样点数,GR极差转化均值v1,CNL极差转化均值v2,DEN极差转化均值v3,RT极差转化均值v4,ФND极差转化均值v5,SP极值转化均值v6,AC极值转化均值v7,S为GR极差转化离差平方和;
(4)利用Wilks准则,对初选对成岩相比较敏感的g个测井参数、引入参数中子-密度视石灰岩孔隙度差(ФND)及能够反映成岩相层段内测井形态的参数S做出筛选,对判别函数无关或影响较小的变量进行剔除,构建合理的判别方程,其步骤为:
先将样品从P个总体b1、b2、…、bp中分别取出n1、n2、…、np样品,每个样品有g个测井参数,样品构成的观测样本组成的g维矩阵,则其成分变量为:
经验可知各变量的累计概率符合正态分布,则建立类内离差矩阵为:
建立总离差矩阵为:
统计量U为:
U=|W|/|T| (6)
将已带入的h个变量中,检验变量x(r)是否应该被剔除,则统计量Ur此时为
若F值小于检验水平的临界值F′a,就将x(r)剔除,否则保留,最终提取m个参数作为成岩相的测井判别参数。
(5)判别函数的建立,将所得p个样品,每个样品提取m个参数极值化后,总体样本的平均值为:
式中
利用公式求取样本的协方差矩阵,公式为:
根据多元统计理论,采用判别函数:
式中:
所得判别数值模型为:
其中,F1、F2…Fn为权重函数;x1,x2…xm为选取的m个测井参数变量;a00,a01…a0n、a10,a11…a1n、a(m-1)0,a(m-1)1…a(m-1)n分别为权重函数的判别系数。
(6)同类型成岩相具有不同的判别函数值Fn(x)(n=1,2,…,p),将新的未知样本参数带入判别函数,达到最大值即为第n*类测井相,即:
样本属于n*类测井相的条件概率为:
式中:Fn(x)为待判定成岩相样本的参数带入各个测井相判别公式后的函数值,
附图说明
图1是本发明实施例中研究区成岩相的测井识别流程。
图2是本发明实施例中研究区各类成岩相的综合识别曲线。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明实施流程如图1所示,包括以下步骤:
(1)根据研究区块目的层段的填隙物及其含量对研究区目的层段的岩石物性具有决定性的影响,所以在成岩相的分类和命名上采用控制物性的主要胶结类型、产状及成岩作用的综合命名方式,将成岩相分为:绿泥石衬边弱溶蚀成岩相、不稳定组分溶蚀成岩相、压实致密成岩相、高岭石充填成岩相和钙质胶结成岩相。
(2)对研究区块目的层段的测井曲线进行深度校正、环境校正和岩电关系对比后,根据成岩相的测井曲线形态及测井响应特征,选取自然伽马(GR)、岩性密度(DEN)、电阻率(RT)、补偿中子(CNL)、自然电位(SP)、声波时差(AC),并引入中子-密度视石灰岩孔隙度差(ФND)参数,共7个测井参数。
利用极值转化公式和极值转化离差平方和公式,对选取的曲线进行极值转化,把测井曲线的幅度和形态进行特征化和定量化。计算公式如下:
vj为vi测井参数第j个采样点的极差转化值;N为选定沉积微相段内的采样点数。GR极差转化均值v1,CNL极差转化均值v2,DEN极差转化均值v3,RT极差转化均值v4,ФND极差转化均值v5,SP极值转化均值v6,AC极值转化均值v7,S为GR极差转化离差平方和。其中,v1能较好地反映沉积微相的泥质含量;v2、v5能够反应沉积微相的孔隙特征;v3、v4能够一定程度的反应沉积微相的岩石类型;S能够反映沉积微相层段内测井参数的整体波动性和局部波动性以及曲线光滑程度。
(3)利用Wilks准则,将初步所选的能够表征成岩相类别的测井参数作出筛选,通过对多维测井数据进行降维,对判别函数无关或影响较小的变量进行剔除,构建合理的判别方程,最终选取m个参数作为测井成岩相的评价参数,利用此方法能够为以后的计算起到降维的作用。
先将所选样品从P个总体b1、b2、…、bp中分别取出n1、n2、…、np样品,每个样品有m个测井参数,样品构成的观测样本组成的m维矩阵,则其成分变量为:
经验可知各变量的累计概率符合正态分布,则建立类内离差矩阵为:
建立总离差矩阵为:
统计量U为:
U=|W|/|T
将已带入的h个变量中,检验变量x(r)是否应该被剔除,则统计量Ur此时为
若F值小于检验水平的临界值F′a,就将x(r)剔除,否则保留。
利用此方法,将以上所得的8个参数v1,v2,v3,v4,v5,v6,v7,S进行检验,最终选取v1,v2,v3,v4,v5,S6个参数作为成岩相识别的测井参数(表1,2)。
表1测井参数贡献率
表2不同成岩相测井响应特征
(4)判别函数的建立。依照步骤5方法,将所得p个样品,每个样品提取5个参数极值化后,先将个总体样本的平均值为:
式中
利用公式x求取样本的协方差矩阵,公式为:
根据数理统计原理,采用判别函数:
式中:
基于以上判别函数,计算得出的权重函数可以根据6个测井参数对成岩相测井判别的贡献率赋予不同的函数特征值,由于同一成岩相类型也会存在岩性、物性、电性的差异,为使评价结果更为准确,所以在选取样本时同一成岩相类型根据物性差异选择两极-两类样本,建立研究区的10个成岩相测井判别数值模型。即:
F1=0.48v1-0.38v2+10.6v3-0.42v4+0.51v5+3.21S
F2=0.41v1-0.48v2+9.2v3-0.39v4-0.47v5+2.87S
F3=-1.23v1+0.38v2+6.6v3+0.22v4+0.31v5+1.45S
F4=-0.85v1+0.24v2+5.4v3+1.13v4+1.11v5+0.96S
F5=1.08v1-0.96v2+4.6v3-0.62v4+0.81v5+2.23S
F6=-0.58v1+0.68v2+3.81v3-1.31v4-0.43v5+1.21S
F7=0.52v1+0.69v2+11.3v3+0.59v4+0.71v5+2.31S
F8=0.68v1+0.74v2+12.1v3-0.69v4+0.81v5+4.01S
F9=-0.51v1+0.68v2+7.6v30.85v4+0.61v5+2.61S
F10=0.68v1-0.37v2+9.6v3-0.33v4+0.57v5+2.81S
注:F1-绿泥石衬边弱溶蚀成岩相;F2-不稳定组分溶蚀成岩相;F3-压实致密成岩相;F4-高岭石充填成岩相;F5-碳酸盐胶结成岩相;F6-绿泥石衬边弱溶蚀成岩相2;F7-不稳定组分溶蚀成岩相2;F8-压实致密成岩相2;F9-高岭石充填成岩相2;F10-碳酸盐胶结成岩相2。
(5)依据步骤6分别判定样本属于哪类成岩相,以及条件概率是多少。
不同类型成岩相具有不同的判别函数值Fn(x)(n=1,2,…,10),将新的未知样本参数带入判别函数,达到最大值即为第n*类测井相,即:
样本属于n*类测井相的条件概率为:
式中:Fn(x)为待判定成岩相样本的参数带入各个测井相判别公式后的函数值,为测井成岩相判别函数中的最大值,n为成岩相的分类数,n*为函数值大的测井相的类型,Qn为待判定样本属于n*类成岩相的条件概率。
(6)成岩相测井识别效果检验:检验方式是利用成岩相的测井识别结论对目的层位全井段的成岩相进行测井识别结论与岩心分析对比检验。
图2是本发明实施例中研究区各类成岩相的综合识别曲线。对非建模井X井2675~2759m井段进行成岩相测井识别,正确率为86%。结果显示:除一个钙质胶结成岩相层段(厚5.40m)被错判为岩石致密成岩相和压实致密成岩相层段(厚6.36m)被错判为高岭石充填成岩相外,其余层段均识别正确,正确率达86%。通过对取心井进行成岩相测井识别效果回判,统计了三口井共124块薄片的对比情况,正判112块,符合率高达90.3%。显示所建立的模型能够很好地应用于研究区成岩相的识别。
在实际应用中,总结本发明能很好地综合考虑多个测井参数,进而提供更好的适应于低渗透砂岩储层成岩相测井识别的方法。该方法具有算法稳定、信息量大、准确率高、应用方便和快速直观的特点,可以更好地应用于测井曲线对成岩相反映效果较差,常规交会图版法无法准确区分各类成岩相的低渗透碎屑岩储层,能够在寻找油气资源和储层评价方面发挥巨大作用。
本发明采用的技术方案是即充分利用测井和岩心分析试验等资料,基于数理统计原理并建立成岩相识别函数,建立测井相-成岩相的定量转换关系,利用逐步判别方程建立基于常规测井的演武地区低渗透砂岩储层成岩相的测井判别模型,并利用该模型实现对未建模井成岩相的准确识别。本发明的优点还在于克服利用常规测井资料难以对低渗透砂岩储层成岩相进行准确识别的问题,提供一种低渗透砂岩储层成岩相的测井识别方法。该方法能够综合运用测井资料,发挥测井技术的主要功能,即探测声波传播速度、岩石密度、含氢指数、矿物成分、泥质含量、电阻率等地层的物理性质。通过对成岩相敏感的测井曲线进行组合并进行精细分析,总结得出各类成岩相的测井响应特征,建立各类成岩相的测井判别标准,进而利用测井资料对成岩相进行准确识别。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
机译: 基于常规测井数据的储层骨折的精细识别方法
机译: 用于对储层内的流体流动进行建模,预测储层中的流量,预测储层的一种或多种基于流量的材料特性以及预测储层中的压力梯度和存储介质的方法。电脑可读
机译: 基于新的多组分孔隙度测井法在井筒/井中多相孔隙度测定非均质油/气藏储层物性的方法和软件