一种致密储层微观孔喉结构分级模式的预测方法

摘要

本发明提供一种致密储层微观孔喉结构分级模式的预测方法包括：利用孔隙度和渗透率求取储层品质因子数据；利用高压压汞技术提取特征参数；对数据进行无量纲化处理；具有相同含义的特征参数分成一类；应用灰度关联分析法求取每个特征参数的权重；从每类特征参数中选出权重值最大的；对致密储层微观孔喉进行Q型聚类分析，得到分类结果；将岩样的分类结果与测井曲线进行匹配；根据岩样分类结果提取测井曲线数值；运用支持向量机对已知类别的测井曲线数值进行学习并形成支持向量机模型；通过支持向量机模型来对未测样点的微观孔喉分级模式进行预测。本发明提供的预测方法在测井曲线较多，实验数据较少的情况下，对储层微观孔喉分级评价准确性较高。

说明书

技术领域

本发明属于非常规油气勘探开发技术领域，具体涉及一种致密储层微观孔喉结构分级模式的预测方法。

背景技术

致密油被誉为石油届的“黑金”属于典型的非常规油气资源，因此在油气资源勘探中越来越重要。致密储层是石油地质勘探中的重点研究对象，其中微观孔喉直接影响着致密储层中致密油富集的情况，因此对储层微观孔喉结构分级模式的预测具有重要研究意义。然而目前国内外对致密储层微观孔喉的研究中如何有效的降低误差，提高对储层微观孔喉分级评价的准确性、如何在测井曲线较多，实验数据较少的情况下，对微观孔喉结构类型的预测研究颇少。

因此本次应用机器学习技术，不仅有效降低误差，提升微观孔喉分类的效率和精准度，同时也可以通过测井曲线数据直观预测微观孔喉发育情况。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种致密储层微观孔喉结构分级模式的预测方法，能不仅可以有效降低实验误差，提升分类的效率和精准度，减少主观因素影响，同时在测井曲线较多，测试岩样数据相对少的情况下可以通过支持向量机将测试数据和测井曲线匹配，从而来直观预测微观孔喉发育情况，为致密油的勘探开发提供有利依据。

为达到以上目的，本发明采用的一种技术方案是：一种致密储层微观孔喉结构分级模式的预测方法，所述方法包括：

(1)选取岩石样品，获取岩石基本参数；

(2)利用岩石样品的孔隙度和渗透率求取储层品质因子数据，将数据存储到数据库1中；

(3)利用高压压汞技术提取岩石样品中特征参数的数据，并存储到数据库2中；

(4)对数据库1和数据库2中数据进行无量纲化处理；

(5)将无量纲化处理后数据库2中具有相同含义的特征参数分成一类，共m类；

(6)应用灰度关联分析法求取每个特征参数的权重；

(7)从每类特征参数中选出权重值最大的，并将该无量纲化处理后的 m类特征参数存入到数据库3中；

(8)根据数据库1、3对致密储层微观孔喉进行Q型聚类分析，得到分类结果；

(9)根据岩样的井号和深度将每个岩样的分类结果与之相对应的测井曲线进行匹配；

(10)根据岩样分类结果提取对应的测井曲线的数值；

(11)运用支持向量机对已知类别的测井曲线数值进行学习并形成支持向量机模型；

(12)通过形成的支持向量机模型来对未测样点的微观孔喉分级模式进行预测。

进一步的，步骤(6)中的灰度关联分析法具体包括：

将数据库1中的储层品质因子作为母序列用X

式中，Δ

进一步的，步骤(8)中的Q型聚类分析法具体步骤为：

8.1将步骤(7)中得到的m类特征参数做为样品分类的m项观测指标；

8.2根据n个样品的m项观测指标，形成数据矩阵X，数据矩阵X为：

式中：x

8.3计算n个样品m维空间的样品点之间的欧式距离d

8.4应用欧式距离计算类与类之间的距离，以此类推最终将所有样品归为一类。

进一步的，步骤8.3中的欧式距离的计算公式为：

式中：d

进一步的，在步骤(8)之后所述方法还包括根据判别分析来粗略验证分类结果的准确性，具体包括：

1)研究区有m个岩心样品，通过Q型聚类分析的分类结果可知有q 个变量；

2)相关系数矩阵R＝(r

3)R的特征值λ

4)得到的特征值λ

5)b

6)利用Y＝(b

7)计算综合判别函数；

8)聚类分析结果，绘制判别函数分布图。

进一步的，所述步骤5)中加权系数a

进一步的，所述步骤7)中综合判别函数公式为：

y＝x

式中：x

进一步的，在步骤(8)之后所述方法还包括应用扫描电镜、铸体薄片和数字岩心技术直观的对分级评价的准确性进行检验。

进一步的，所述步骤(11)具体为：

11.1输入测井数值数据，T＝((X

11.2对输入的测井数值数据进行训练；

11.3根据正确率最高的核函数来建立支持向量机模型。

进一步的，所述步骤11.2的训练公式为：

式中：

本发明的效果在于，引入储层品质因子作为评价储层的宏观参数，基于根据高压压汞技术和机器学习技术中、灰关联法分析、Q型聚类分析、判别分析和支持向量机的方法，对致密储层微观孔喉的分级模式进行预测，该方法能不仅可以有效降低实验误差，提升分类的效率和精准度，减少主观因素影响，同时在测井曲线较多，测试岩样数据相对少的情况下可以通过支持向量机将测试数据和测井曲线匹配，从而来直观预测微观孔喉发育情况，为致密油的勘探开发提供有利依据。

附图说明

图1为本发明所述一种致密储层微观孔喉结构分级模式的预测方法的流程示意图；

图2为本发明中判别函数分布示意图；

图3为I类储层孔喉特征图像；

图4为II类储层孔喉特征图像；

图5为III类储层孔喉特征图像。

具体实施方式

为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本发明实施例的技术方案作进一步的详细描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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施例，均属于本发明保护的范围。

本发明提供一种致密储层微观孔喉结构分级模式的预测方法，下面以松辽盆地巴彦查干地区扶余油层的岩心为例进行具体说明。参阅图1 ，本方法包括以下步骤：

(1)选取岩石样品，获取岩石基本参数；

根据实施案例，在松辽盆地巴彦查干地区扶余油层选取了88块岩石样品。具体的，岩石基本参数包括：井号、岩样编号、深度、渗透率、孔隙度和岩性。具体的数据参见下表1：

表1

(2)利用岩石样品的孔隙度和渗透率求取储层品质因子数据，将数据存储到数据库1中；

根据实施案例中88块岩石样品的孔隙度渗透率来求取每块样品的储层品质因子，储层品质因子公式为：

其中，RQI为储层品质因子，K为渗透率，φ

(3)利用高压压汞技术提取岩石样品中特征参数的数据存储到数据库 2中。具体的数据参见下表2，表中：R

表2

(4)对数据库1和数据库2中数据进行无量纲化处理。数据库2中数据处理后的数据见表3(由于数据过多仅展示88快岩石样品前7个和后7 个具体数据，下同)。无量纲化处理的公式为：

式中，x

表3

(5)将数据库2中具有相同含义的特征参数分成一类。

在实施案例中根据高压压汞技术得到的特征参数中，排驱压力和中值压力均代表储层致密程度的特征参数；最大进汞饱和度、特征结构参数均代表孔隙连通程度的特征参数；分选系数、均质系数均代表孔隙的分选的好与坏和孔喉的分布情况；最大孔喉半径和平均孔喉半径均代表孔喉大小的特征参数。将每两个具有相同含义的特征参数分成一类，共分成4类。

(6)应用灰度关联分析法求取数据库2中每类特征参数的权重，求得的权重见表4；

表4

将数据库1中的储层品质因子作为母序列用X

式中，Δ

(7)根据每一类的特征参数中权重的大小，从中挑选权重最大的一个特征参数，将得到的特征参数存入到数据库3中；

参阅表4，分选系数权重小于均质系数权重、最大进汞饱和度权重小于特征结构参数权重、中值压力权重大于排驱压力权重、平均孔喉半径权重大于最大孔喉半径，因此优选的特征参数为中值压力、平均孔喉半径、均质系数、特征结构参数存入数据库3中。

(8)根据数据库1、3对致密储层微观孔喉进行Q型聚类分析，将储层分类后见表5，具体步骤如下：

8.1将步骤(7)中得到的m类特征参数做为样品分类的m项观测指标；

在研究区内88个样品中分类的观测指标有4个，分别是中值压力、平均孔喉半径、均质系数、特征结构参数。

8.2根据n个样品的m项观测指标，形成数据矩阵X；

88个样品中4项观测指标形成的矩阵为：

式中x

欧氏距离计算公式为：

式中：d

8.4应用欧式距离计算类与类之间的距离，以此类推最终将所有样品归为一类。

最后将研究区致密储层微观孔喉分成三类储层。具体见表5：I类储层物性最好，储层致密程度较低，分选性较好，孔喉分布较均匀；II类储层物性中等，致密程度和分选性中等，孔喉分布程度相对较好；III类储层分选性较差，致密程度较高，孔喉分布程度不均匀。

表5

所述方法还包括根据判别分析来粗略验证分类结果的准确性，具体为：

1)假设研究区有m个岩心样品，通过Q型聚类分析的分类结果可知有 q个变量；

根据Q行聚类分析后可知研究区内88个岩心样品有3个变量。

2)相关系数矩阵R＝(r

3)R的特征值λ

4)得到的特征值λ

5)b

加权系数公式为：

6)利用Y＝(b

7)计算综合判别函数；

综合判别函数公式为：

y＝x

8)检验聚类分析结果，绘制判别函数分布图。

根据分类结果，得到研究区的判别函数：

式中

建立上式F1和F2分布图，参阅图2可知样品点均分布在各自组的重心周围，与聚类分析的结果基本吻合，说明该分类符合实际地质意义。

所述方法还包括：应用扫描电镜、铸体薄片、数字岩心的技术直观的对分级评价的准确性进行检验。

通过扫描电镜、铸体薄片、数字岩心的技术发现在巴彦查干地区扶余油层I类储层物性最好，参阅图3a和图3b溶蚀作用较强，次生粒内溶孔和次生粒间溶孔较发育，其中粒内溶孔呈蜂窝状；参阅图3c孔喉分布较均匀，孔喉的连通性较好。II类储层物性一般，参阅图4a溶蚀作用中等主要发育粒间溶孔；参阅图4b由于受到胶结作用影响，自生石英较为常见，参阅图4c孔喉分布程度相对较好，孔喉连通性较差。III类储层物性最差，参阅图5b由于受压实作用影响产生微裂缝，胶结作用较强绿泥石胶结物依附在在粒表和粒间，使得孔喉有效面积减少。参阅图5a溶蚀程度较弱，次生孔隙发育较差；参阅图5c孔喉分布程度不均匀，孔喉连通性差。该方法证明了上述分类是准确的，符合实际的地质意义。

(9)根据岩样的井号和深度将每个岩样的分类结果与之相对应的测井曲线进行匹配。

(10)根据岩样分类结果提取对应的测井曲线的数值。

本次运用声波时差、自然电位、自然伽马、深侧向、浅侧向这五种测井曲线通过resform软件提取曲线数值，如表6：

表6

(11)运用支持向量机对已知类别的测井曲线数值进行学习并形成支持向量机模型。

11.1输入测井数值数据，T＝((X

11.2对输入的测井数值数据进行训练。

具体的训练公式为：

线性核函数的支持向量机模型公式为：

多项式核函数的支持向量机模型公式为：

Sigmoid核函数核函数的支持向量机模型公式为：

11.3根据正确率最高的核函数来建立支持向量机模型。

通过支持向量机的学习对这88个岩心样品的测井曲线数值数据进行训练后，输出表7可知：多项式核函数的分类结果的正确率为94.25％、 simoid核函数正确率为67.82％、线性核函数的正确率为82.76％。因此应用多项式核函数的支持向量机的模型来对该地区的测井数值数据进行预测是最佳的。

表7

(12)通过形成的支持向量机模型来对未测样点的微观孔喉分级模式进行预测。

本次运用多项式核函数的支持向量机模型来对该地区测未知的孔喉结构进行预测。本次随机选取了20个未测岩样，根据测井曲线数值数据进行预测如表8所示。

表8

区别于现有技术，本发明提供的一种致密储层微观孔喉结构分级模式的预测方法，引入储层品质因子作为评价储层的宏观参数，基于根据高压压汞技术和机器学习技术中、灰关联法分析、Q型聚类分析、判别分析和支持向量机的方法，对致密储层微观孔喉的分级模式进行预测，该方法能不仅可以有效降低实验误差，提升分类的效率和精准度，减少主观因素影响，同时在测井曲线较多，测试岩样数据相对少的情况下可以通过支持向量机将测试数据和测井曲线匹配，从而来直观预测微观孔喉发育情况，致密油的勘探开发提供有利依据。

本领域技术人员应该明白，本发明所述方法并不限于具体实施方式中所述的实施例，上面的具体描述只是为了解释本发明的目的，并非用于限制本发明。本领域技术人员根据本发明的技术方案得出其他的实施方式，同样属于本发明的技术创新范围，本发明的保护范围由权利要求及其等同物限定。