CN103592690A - 基于电成像测井孔隙度谱信息自动识别储层裂缝的方法 - Google Patents

Abstract

本发明涉及一种基于电成像测井孔隙度谱信息自动识别储层裂缝的方法，属地球物理勘探方法技术领域，其特征在于包括如下步骤：（1）电成像测井孔隙度分布谱的计算；（2）孔隙度分布谱统计特征的计算；（3）单一特征的裂缝概率的计算；（4）建立多种特征信息融合的裂缝识别概率模型；（5）储层裂缝的识别。本发明利用电成像测井资料，进行孔隙度谱分析，从孔隙度谱中提取能量、熵、对比度及期望值等统计特征，依据这些特征建立多特征信息融合的裂缝识别概率模型，自动识别储层裂缝，具有能排除背景干扰影响，能够定性识别裂缝，裂缝识别可靠性高的特点。

Description

基于电成像测井孔隙度谱信息自动识别储层裂缝的方法

技术领域：

本发明涉及一种基于电成像测井孔隙度谱信息自动识别储层裂缝的方法，属地球物理勘探方法技术领域。

背景技术：

裂缝性储层评价的关键在于对裂缝进行准确地检测。在碳酸盐岩等裂缝性储层中，裂缝是重要的流体储集空间和油气运移通道，研究裂缝的发育及其分布规律对有效评价裂缝性储层具有重要的意义。由于裂缝分布复杂、规律性差，同时又受到观测、探测手段以及研究方法的限制，所以，如何有效地识别出碳酸盐岩等储层裂缝是勘探与开发研究的难点之一。而目前对储层裂缝发育预测尚缺乏有效的评价方法。

目前，识别裂缝的方法通常有如下几种：

（1）利用钻井取心进行裂缝识别，它可以直接观察储层裂缝的发育情况；但这种方法的不足在于：一是成本太高，不可能每口井都进行大段钻井取心；二是储层裂缝发育的方位归位不确定；三是受储层裂缝的影响，取出的岩心极易破碎，难以有效利用。

（2）利用常规测井方法进行裂缝识别；根据不同测井序列对储层裂缝的响应程度，一般用于裂缝识别的常规测井资料有声波测井、电阻率测井、核测井等；由于各种测井方法对储层裂缝的敏感程度并非完全相同，加之某些非裂缝因素也可能引起与储层裂缝相同的异常响应，所以，用一、二种测井方法判别储层裂缝往往很难做出确切的判断，特别是在井眼条件较差的情况下尤其如此。

而用多种测井方法综合判别裂缝较趋于合理一些。目前主要采取的有效解决方法为根据储层裂缝在各常规测井曲线的响应规律，定义各种测井方法的裂缝发育指标，计算各裂缝指标指示裂缝存在的裂缝概率，然后在裂缝概率的基础上建立综合裂缝概率模型，进行裂缝识别。

目前，常规测井的有效性还不足以使之成为裂缝性储层评价可靠的数据资源：一方面是因为许多常规测井分辨率较小，其测量结果受限于井眼周围情况的影响；另一方面储层裂缝测井响应是许多岩石特性的综合反映，易受到其他条件如充填物、泥浆、溶蚀等因素的影响。

（3）利用成像测井方法进行裂缝识别；成像测井方法自20世纪90年代初问世，属于能够直接探测裂缝属性的测井方法；成像测井资料可以以直观、形象、清晰的特点展示出井壁二维空间的地质特征；但是，测井资料的处理目前主要还是以手工交互处理为主；基本上是由用户先描绘出裂缝的迹线和边界，然后计算机再利用迹线和边界信息自动计算各种裂缝参数；这种方法对用户的要求较高，而手工处理又存在工作量大，定位不准确的难题，其识别结果容易受解释人员的主观因素与水平的影响，识别效率很低。

储层裂缝在成像测井图上表现为单周期的正弦曲线，通过对含有已知参数的正弦曲线图像进行识别，利用Hough变换等图像处理技术，自动识别与井眼相交储层裂缝的正弦波轨迹，获取其幅度和相位，从而计算出储层裂缝的倾角及走向；另外，还可以借助数学形态学中的腐蚀和膨胀技术以及图像识别方法对储层裂缝进行自动识别。这些采用图像分析的方法能够对储层裂缝进行自动提取，避免了手工处理存在工作量大，定位不准确的难题，在裂缝发育明显以及简单背景情况下可得到较好的处理结果。然而，裂缝并不是孤立存在的，而是蕴藏在复杂的地质背景之中，各种地质背景对裂缝图像产生的噪声干扰，降低了裂缝识别的精度和准确度。

由以上的分析，目前碳酸盐岩裂缝预测存在下列主要问题：

（1）目前裂缝评价方法还是以常规测井资料为主，成像测井仅仅用作定性分析，作为裂缝预测的辅助手段。能够直观反映裂缝的成像测井图像信息还没有得到充分的利用，同时，由于电成像测井中电极板的存在，电成像图像之间的空白区域干扰了反映裂缝信息的特征提取。

（2）裂缝系统是个复杂的地质体，其储层物性的改善作用是非线性的，各种评价特征参数与裂缝发育程度之间的关系也是非线性的。在充分挖掘反映裂缝的信息时，目前还缺少能够提供测井多信息融合的建模系统。

发明内容：

为了克服现有技术的不足，本发明的目的在于提供一种基于电成像测井孔隙度谱信息自动识别储层裂缝的方法，利用电成像测井资料，进行孔隙度谱分析，从孔隙度谱中提取能量、熵、对比度及期望值等统计特征，依据这些特征建立多特征信息融合的裂缝识别概率模型，自动识别储层裂缝，具有能排除背景干扰影响，能够定性识别裂缝，裂缝识别可靠性高的特点。

本发明是通过如下技术方案来实现上述目的的。

本发明提供的一种基于电成像测井孔隙度谱信息自动识别储层裂缝的方法，包括如下步骤：

（1）电成像测井孔隙度分布谱的计算：

根据阿尔奇公式，将经过浅侧向电阻率刻度的电成像计算电成像测井孔隙度分布谱；

每个电扣电导率被转换为孔隙度，采用公式（1）进行计算；

${\mathrm{\φ}}_i={[\frac{{\mathrm{aR}}_{\mathrm{mf}}}{S_{\mathrm{xo}}^n}\·C_i]}^{1/m}---\left(1\right)$

式中：φ_i为计算出的电扣孔隙度，v/v；

a为阿尔奇公式的地层因子参数，一般取值为1；

Rmf为泥浆滤液电阻率，单位为欧姆米；

Sxo为冲洗带含水饱和度，v/v；

C_i为冲洗带井壁的电导率,S/m；

M为阿尔奇公式中的孔隙度指数,取值在1－2之间；

阿尔奇公式是连接电阻率与孔隙度之间的纽带，基于该公式经浅侧向电阻率刻度过的电成像实质上反应的是冲洗带井壁的电导率图像；

对于一个图像窗口，根据每个像素点的孔隙度计算结果值统计其直方图，得到孔隙度分布谱；

（2）孔隙度分布谱统计特征的计算：

在电成像测井孔隙度分布谱的基础上，计算孔隙度分布谱的能量、熵、对比度及期望值四个统计特征；

孔隙度分布谱的能量用公式（2）进行计算；

$\mathrm{Energy}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p{\left(x_i\right)}^2---\left(2\right)$

孔隙度分布谱的熵用公式（3）进行计算；

$\mathrm{Entropy}=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_i\right)\·{\log }_{2}p\left(x_i\right)---\left(3\right)$

孔隙度分布谱的对比度用公式（4）进行计算；

$\mathrm{Contrast}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^{n}p\left(x_i\right)(x_i-\mathrm{Expectation}{)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_i\right)}}---\left(4\right)$

孔隙度分布谱期望值用公式(5)进行计算；

$\mathrm{Expectation}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i.p\left(x_i\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}.p\left(x_i\right)---\left(5\right)$

其中：x_i为孔隙度分布谱中第i采样点的孔隙度；

p(x_i)为相应于孔隙度x_i的频数，即像素点数；

n为孔隙度份数；

上述的能量、熵、对比度及期望值四个统计特征的特点在于：熵、对比度、期望值在储层裂缝发育处具有较高的值，而能量在储层裂缝发育处具有较低的值；

（3）单一特征的裂缝概率的计算：

依据能量、熵、对比度及期望值四种特征在储层裂缝发育处具有的不同特性，采用不同的裂缝概率计算公式；

熵、对比度、期望值采用公式（6）计算裂缝概率；

$P=\frac{(X-X_{\min })}{(X_{\max }-X_{\min })}---\left(6\right)$

其中：X为相应计算的特征值；

X_max为相应计算的特征值的最大值；

X_min为相应计算的特征值的最小值；

能量采用公式（7）计算裂缝概率；

$P=1-\frac{(X-X_{\min })}{(X_{\max }-X_{\min })}---\left(7\right)$

其中：X为相应计算的特征值；

X_max为相应计算的特征值的最大值；

X_min为相应计算的特征值的最小值；

（4）建立多种特征信息融合的裂缝识别概率模型：

由公式（6）与公式（7）得到第i种特征曲线的第j个采样点的概率为P_ij，(i=1,2,…,m；j=1,2,…,n)；第j个深度采样点，第i种特征曲线的权值系数w_ij定义为：

$w_{\mathrm{ij}}=P_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}---\left(8\right)$

对应于目的井段的所有测量采样点,第i种特征曲线的权值系数w_i定义为

$w_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}/n---\left(9\right)$

每个深度采样点储层裂缝发育的综合概率为多种特征的概率加权和,即

$P_j=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i{P}_{\mathrm{ij}}---\left(10\right)$

（5）储层裂缝的识别：

由式（10）计算出每个深度采样点的储层裂缝的预测概率；当P_j≥P₀时，为储层裂缝发育；其中，P₀为储层裂缝判别阈值，为目标地区的经验参数，由岩心描述裂缝与研究区裂缝概率预测结果确定。

本发明与现有的技术相比具有如下有益效果：

1、相对于基于常规测井资料的裂缝分析方法，该方法从成像测井孔隙度分布谱中直接提取反映储层裂缝孔隙的信息，解决了复杂情况下常规测井资料反映裂缝不敏感的问题；具有较高的分辨率与识别率。

2、相对于采用交互方式的裂缝识别方法，该方法能够进行自动的裂缝分析，提高了裂缝分析的效率。

3、该方法采用多信息融合概率识别模型，给出了裂缝识别的可靠性程度，解决了复杂背景干扰下裂缝识别的准确评价问题。

附图说明:

图1为本发明的方法流程图。

图2为本发明处理的预测裂缝结果示意图。

具体实施方式：

下面结合附图，对本发明的具体实施方式作进一步的详细说明。

在Visual c++6.0开发平台上实现了上述发明内容，开发了相应程序模块；实现步骤如附图1所示。

1、加载电成像测井资料；

2、将电成像测井资料进行浅侧向测井电阻率刻度，得到冲洗带井壁的电导率图像；

3、计算公式（1），实现电成像测井孔隙度分布谱的计算；

由于成像测井仪采用钮扣电极系测量，在井周向和深度上的采样间隔为0.1英寸，分辨率为0.2英寸；为了便于统计计算，本发明中采用的是连续取50个深度点数据为一个数据单元进行计算，即窗口大小为50，采样间隔为0.127米；

4、计算公式（2）、（3）、（4）、（5），实现孔隙度分布谱统计特征的计算；

5、计算公式（6）、（7），实现单一特征的裂缝概率的计算；

6、计算公式（8）、（9）、（10），实现多特征融合的裂缝概率的计算；

7、基于步骤6的概率计算结果，对储层进行裂缝识别；

当P_j≥P₀时，为储层裂缝发育；其中，P₀为储层裂缝判别阈值，为目标地区的经验参数，由岩心描述裂缝与研究区裂缝概率预测结果确定。图2中实例P₀为0.8；

8、对识别结果进行绘图显示。

图2为本发明处理的某井预测裂缝结果示意图。

图2中的第一道为深度道，第二道为从成像测井孔隙度谱中提取的能量等统计特征，第三道为成像测井孔隙度谱第二峰值，第四道为三孔隙度曲线，第五道为常规电阻率曲线，第六道为裂缝预测概率与预测裂缝，第七道为岩心描述裂缝。

从图2中可以看出，在岩心描述裂缝处，三孔隙度曲线裂缝响应不明显，孔隙度谱中提取的能量、熵等统计特征裂缝响应明显。在裂缝发育井段具有较大的熵与期望值，较低的能量，电阻率偏低，存在成像测井孔隙度谱第二峰值。预测的裂缝与岩心描述裂缝基本一致。

Claims (3)

1.一种基于电成像测井孔隙度谱信息自动识别储层裂缝的方法，其特征在于包括如下步骤：

（1）电成像测井孔隙度分布谱的计算：

根据阿尔奇公式，将经过浅侧向电阻率刻度的电成像计算电成像测井孔隙度分布谱；

每个电扣电导率被转换为孔隙度，采用公式（1）进行计算；

${\mathrm{\φ}}_i={[\frac{a{R}_{\mathrm{mf}}}{S_{\mathrm{xo}}^n}\·C_i]}^{1/m}---\left(1\right)$

式中：φ_i为计算出的电扣孔隙度，v/v；

a为阿尔奇公式的地层因子参数；

Rmf为泥浆滤液电阻率，单位为欧姆米；

Sxo为冲洗带含水饱和度，v/v；

C_i为冲洗带井壁的电导率,S/m；

M为阿尔奇公式中的孔隙度指数,取值在1－2之间；

对于一个图像窗口，根据每个像素点的孔隙度计算结果值统计其直方图，得到孔隙度分布谱；

（2）孔隙度分布谱统计特征的计算：

在电成像测井孔隙度分布谱的基础上，计算孔隙度分布谱的能量、熵、对比度及期望值四个统计特征；

孔隙度分布谱的能量用公式（2）进行计算；

$\mathrm{Energy}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p{\left(x_i\right)}^2---\left(2\right)$

孔隙度分布谱的熵用公式（3）进行计算；

$\mathrm{Entropy}=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_1\right).{\log }_{2}p\left(x_i\right)---\left(3\right)$

孔隙度分布谱的对比度用公式（4）进行计算；

$\mathrm{Contrast}=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^{n}p\left(x_i\right)(x_i-\mathrm{Expectation}{)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_i\right)}}---\left(4\right)$

孔隙度分布谱期望值用公式(5)进行计算；

$\mathrm{Expectation}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i.p\left(x_i\right)/\underset{i=1}{\overset{n}{\mathrm{\Σ}}}.p\left(x_i\right)---\left(5\right)$

其中：x_i为孔隙度分布谱中第i采样点的孔隙度；

p(x_i)为相应于孔隙度x_i的频数，即像素点数；

n为孔隙度份数；

（3）单一特征的裂缝概率的计算：

依据能量、熵、对比度及期望值四种特征在储层裂缝发育处具有的不同特性，采用不同的裂缝概率计算公式；

熵、对比度、期望值采用公式（6）计算裂缝概率；

$P=\frac{(X-X_{\min })}{(X_{\max }-X_{\min })}---\left(6\right)$

其中：X为相应计算的特征值；

X_max为相应计算的特征值的最大值；

X_min为相应计算的特征值的最小值；

能量采用公式（7）计算裂缝概率；

$P=1-\frac{(X-X_{\min })}{\left(X_{\max -}{X}_{\min }\right)}---\left(7\right)$

其中：X为相应计算的特征值；

X_max为相应计算的特征值的最大值；

X_min为相应计算的特征值的最小值；

（4）建立多种特征信息融合的裂缝识别概率模型：

由公式（6）与公式（7）得到第i种特征曲线的第j个采样点的概率为P_ij，(i=1,2,…,m；j=1,2,…,n)；第j个深度采样点，第i种特征曲线的权值系数w_ij定义为：

$w_{\mathrm{ij}}=P_{\mathrm{ij}}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{P}_{\mathrm{ij}}---\left(8\right)$

对应于目的井段的所有测量采样点,第i种特征曲线的权值系数w_i定义为

$w_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}/n---\left(9\right)$

每个深度采样点储层裂缝发育的综合概率为多种特征的概率加权和,即

$P_j=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i{P}_{\mathrm{ij}}---\left(10\right)$

（5）储层裂缝的识别：

由式（10）计算出每个深度采样点的储层裂缝的预测概率；当P_j≥P₀时，为储层裂缝发育；其中，P₀为储层裂缝判别阈值，为目标地区的经验参数，由岩心描述裂缝与研究区裂缝概率预测结果确定。

2.根据权利要求1所述的基于电成像测井孔隙度谱信息自动识别储层裂缝的方法，其特征在于所述的图像窗口是连续取50个深度点数据为一个数据单元进行计算，即窗口大小为50，采样间隔为0.127米。

3.根据权利要求2所述的基于电成像测井孔隙度谱信息自动识别储层裂缝的方法，其特征在于所述的能量、熵、对比度及期望值四个统计特征的特点在于：熵、对比度、期望值在储层裂缝发育处具有较高的值，能量在储层裂缝发育处具有较低的值。

Images