CN104380144B - 用于最佳油田开发的三维多模式岩芯及地质建模 - Google Patents
用于最佳油田开发的三维多模式岩芯及地质建模 Download PDFInfo
- Publication number
- CN104380144B CN104380144B CN201380023176.2A CN201380023176A CN104380144B CN 104380144 B CN104380144 B CN 104380144B CN 201380023176 A CN201380023176 A CN 201380023176A CN 104380144 B CN104380144 B CN 104380144B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- earth
- petrofacies
- well
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000011161 development Methods 0.000 title abstract description 11
- 239000011435 rock Substances 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 42
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009452 underexpressoin Effects 0.000 claims 1
- 239000011162 core material Substances 0.000 abstract description 63
- 239000011148 porous material Substances 0.000 abstract description 10
- 239000012530 fluid Substances 0.000 abstract description 4
- 238000005065 mining Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 210000000746 body region Anatomy 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 abstract description 2
- 239000003921 oil Substances 0.000 description 26
- 239000007789 gas Substances 0.000 description 14
- 230000035699 permeability Effects 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 235000019738 Limestone Nutrition 0.000 description 4
- 230000003321 amplification Effects 0.000 description 4
- 239000006028 limestone Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 239000003208 petroleum Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- RXZBMPWDPOLZGW-HEWSMUCTSA-N (Z)-roxithromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=N\OCOCCOC)/[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 RXZBMPWDPOLZGW-HEWSMUCTSA-N 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 3
- 208000035126 Facies Diseases 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 229930195733 hydrocarbon Natural products 0.000 description 3
- 150000002430 hydrocarbons Chemical class 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000011545 laboratory measurement Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241001074085 Scophthalmus aquosus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000009918 complex formation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910052631 glauconite Inorganic materials 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013354 porous framework Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000012266 salt solution Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Earth Drilling (AREA)
- Consolidation Of Soil By Introduction Of Solidifying Substances Into Soil (AREA)
Abstract
在高质量3D地质模型中提供了用于最佳开采的油田开发策略的指引。该地质模型将用于地表下方数千英尺的储层的最佳3D表示的地质属性、孔和岩石性质进行了结合。该模型基于从井芯描述和对岩石的详细研究导出的相关地质相、以及从岩芯材料和钻井记录数据的实验室分析得到的流体和孔性质(完整孔系统)。这些数据区分了各种重要的孔喉道和孔主体区域以及关联关系，即大孔隙度和微孔隙度。通过关注的实验室研究对各种孔类型组中的油气体积进行理解并随后建立适当开采技术，产生了能够显著增加来自储层的油气开采量的油田开发策略。
Description
相关申请的交叉引用
本申请要求于2012年5月1日提交的美国临时申请No.61/640,790的优先权。为了美国专利实践的目的，该临时申请的内容通过引用整体合并于本申请。
技术领域
本发明涉及地下油气储层的岩石物理结构的计算机化仿真，尤其涉及基于来自储层中的井的岩芯样本和关于储层的其他油田数据而进行的储层的岩石物理模型的确定。
背景技术
在石油和天然气工业中，地下油气储层的开发通常包括计算机仿真模型的开发和分析。这些地下油气储层通常为既含有石油流体混合物又含有水的复杂岩层。这样的储层模型的一个形式已公知为储层属性模型。对于这些模型，储层已被组织成单元的三维网格。
石油和天然气公司也已经开始依赖地质模型作为重要工具以增强开采石油储层的能力。储层和油田/气田的地质模型已变得日益庞大和复杂。在地质模型中，储层还被组织成多个独立单元的三维网格。
精确度越来越高的地震数据已允许两种类型的储层模型中的单元均处于25米面(x和y轴)间距的量级。对于公知为巨型储层的储层而言，单元的数量至少为数亿，并且会遇到公知为千兆单元大小(十亿单元或更多)的储层。
通常在3D模型属性计算上要花费数天或数周的计算机处理。然而，还没有很好地将引导地质相(guiding geological facies)数字地并入模型。来自初始模型引导的不适当算法会导致浪费数十亿的单元属性计算。
当表征并且开发储层油田时，已要求将涵盖整个3D储层的储层3D地质模型构建为提供用于储层规划的精确模型。岩相的精确表示是3D地质建模系统中的根本性输出。岩相基于来自于井的数据，并且建立为基础来预测不具有井数据的单元中的储层属性。多组可用数据中的一组已经是公知的由分析人员基于从井芯样本进行的观测而作出的地层岩石描述或表征。
传统上，已经基于从井芯样本获得的测量值和观测值来汇集和分析井芯数据，其中井芯样本是从井中感兴趣的多个深度处与井钻孔相邻的地层岩石得到的。就目前所知的是，已经手工绘制了岩芯描述，并且此后岩芯描述可通过手工绘图的纸件副本(或最好是扫描的图形图像)的形式来使用。用于储层模型的重要地质信息以各种各样的型式和形式呈现。该信息包括数字信息、文本串、图形图像、关联关系和绘图。这些已提出了通过总能以其它数据来操作的形式结合到储层模型中的挑战。
另外，这些类型的井描述数据的手工制备带来了如下挑战：基于井芯样本在井孔的整个长度上重复地绘制矿物成分、纹理、沉积结构的标准化图案十分繁重乏味。已由不同的人利用不同比例和大小的手工绘图来描述的不同井之间的相关岩芯描述数据通常也是个问题。在针对储层中数十个事件并且涵盖若干个井的绘图中的感兴趣的地层岩石特征的精确形状和大小的准确表示难以通过可靠且代表性的方式来得到。
井芯数据描述的图像或示意图本身不适宜于数字解释和建模应用。这些图像经常被扫描成图形图像文件以便后续使用，但是仍然基于对这种信息的原始分析和格式化来对分析人员提供表示了井芯数据描述的可视图像。这些图像仅能够以可视参考图片或图像的形式显示。
已发现油气储层中的地层岩石表现出两个级别的多孔性，其已被识别为大孔隙度和微孔隙度。基于大孔隙度和微孔隙度的相关存在，岩石中的油流特性显著不同。储层岩石中的这些多孔性级别中的每一个的识别和相关存在已经基于来自储层中的各井的岩芯样本的分析和实验室测量，尤其是充满油的类型1的微孔隙度。Clerke等在GeoArabia 2008,Vol.13,No.4,Application of Thomeer Hyperbolas to Decode the Pore Systems,Facies,and Reservoir Properties of the Upper Jurassic Arab D Limestone,GhawarField,Saudi Arabia:A“Rosetta Stone”Aproach中、以及Clerke在SPE Journal 2009,Permeability,Relative Permeability,Microscopic Displacement Efficiency,andPore Geometry of M_1Bimodal Pore Systems in Arab D Limestone中描述了这一点。多孔性级别存在的识别与岩石空间架构的理解相联系。
微米级岩芯分析尽管准确，然而通常缺少与数字解释和建模应用及系统的其余部分之间的整体性。从大孔隙度开采的油气已被证明通常比早年的油田矿藏中的微孔隙度开采的体积大得多。这已导致油田最终矿藏的不严密和不准确预测，即，还没有正确地包括微孔隙度油气性能。
现有的地质建模过程和应用还没有令人满意地将地层岩石特性数据和由岩芯样本表示的多孔性级别存在纳入考虑。具体地说，就目前所知，很少能够以足够满意的数量并且以与地质相适当一致的方式来取得合适的孔系统和开采过程数据。
发明内容
简要地说，本发明提供了一种利用计算机系统来形成地表下储层的岩石物理结构模型的新的和改进的计算机实现方法。该模型基于井芯描述数据来形成，所述井芯描述数据是从所述地表下储层中与井孔相邻的岩石地层的地表下特征有关的井芯样本的分析而得到的。基于所述井芯描述数据来形成所述地表下储层的岩石物理结构的空间分布的初始地质统计学模型。还形成其中尚未得到岩芯的储层中的各井的岩相的地质模型。基于所述地质模型得到所述井孔处的所述地表下储层的岩相的数字岩芯描述。接收所述地表下岩相中的大孔隙度和微孔隙度的存在的识别。随后基于所述井芯描述数据、所述数字岩芯描述和识别的所述地表下岩相中的大孔隙度和微孔隙度的存在，来形成所述储层的岩石物理结构的模型。
本发明还提供了一种新的和改进的数据处理系统，其用于地表下储层的岩相模型的计算机化仿真。所述数据处理系统包括处理器，所述处理器基于所述井芯描述数据来形成所述地表下储层的岩石物理结构的空间分布的初始地质统计学模型。所述处理器还形成其中尚未得到岩芯的储层中的各井的岩相的地质模型，并且基于所述地质模型得到所述井孔处的所述地表下储层的岩相的数字岩芯描述。所述处理器接收所述地表下岩相中的大孔隙度和微孔隙度的存在的识别，并且基于所述井芯描述数据、所述数字岩芯描述和识别的所述地表下岩相中的大孔隙度和微孔隙度的存在来形成所述储层的岩石物理结构的模型。
本发明还提供了一种新的和改进的数据存储装置，其在非暂时计算机可读介质中存储了计算机可操作指令，所述计算机可操作指令用于使得数据处理系统基于井芯描述数据来形成地表下储层的岩石物理结构的模型，所述井芯描述数据是从所述地表下储层中与井孔相邻的岩石地层的地表下特征有关的井芯样本的分析而得到的。存储在所述计算机可读介质中的所述指令使得所述数据处理系统基于所述井芯描述数据来形成所述地表下储层的岩石物理结构的空间分布的初始地质统计学模型。所述计算机可读介质中的所述指令还使得所述数据处理系统形成其中尚未得到岩芯的储层中的各井的岩相的地质模型，并且基于所述地质模型得到所述井孔处的所述地表下储层的岩相的数字岩芯描述。所述计算机可读介质中的所述指令还使得所述数据处理系统接收所述地表下岩相中的大孔隙度和微孔隙度的存在的识别，并且基于所述井芯描述数据、所述数字岩芯描述和识别的所述地表下岩相中的大孔隙度和微孔隙度的存在来形成所述储层的岩石物理结构的模型。
附图说明
图1是根据本发明的在数据处理系统中执行的用于地表下地层的储层地质建模的一组数据处理步骤的功能框图。
图2是根据本发明的用于地表下地层的储层地质建模的图1的功能框图的数据处理步骤的一部分的进一步的功能框图。
图2A是从图2的处理步骤中的一个得到的数据的显示。
图2B是从图2的处理步骤中的另一个得到的数据的显示。
图2C是在图2的处理步骤期间得到的各结果的地质统计学变量图。
图2D是在图2的处理步骤期间得到的具有相分布的3D地质模型的示例显示。
图3是从图1的数字岩芯描述处理步骤得到的数据的显示。
图3A、图3B、图3C和图3D是图3的数据显示的多个部分的放大显示。
图4是在根据本发明的处理中在对含水饱和度进行尺度扩展时使用的各输入的示意图。
图4A是来自于根据本发明的处理的示例建模数据的钻井记录格式的图表的显示。
图4B是来自于根据本发明的处理的示例建模数据的三维数据图表的显示。
图5是来自于根据本发明的处理的示例建模数据的钻井记录格式的图表的与图4A的显示相似的显示。
图5A是图5的数据显示的部分的放大显示。
图6A、图6B、图6C和图6D是来自根据本发明的处理的示例建模数据的进一步显示。
图7是示出实际大孔隙和微孔隙结构的岩芯样本的一部分的放大的薄切片图像。
图8是用于对大孔隙度和微孔隙度的相关存在进行调查的井芯栓的来自实验室的测量值的毛细管压力曲线显示。
图9是根据本发明的用于三维多模式岩芯和地质建模的数据处理系统的示意框图。
具体实施方式
利用本发明，对地表下储层的岩石物理性质和属性进行了确定和建模。岩石物理性质提供了地表下储层中的岩层的本质和结构的累积表示。如此形成的模型基于从岩石的井芯描述和详细研究推导出的相关地质相、以及从岩芯材料和钻井记录数据的实验室分析得到的流体和孔性质(完整孔系统，Full Pore System)。这些数据区分了各种重要的孔喉道和孔主体区域以及相关关系，即，大孔隙度以及类型1、类型2和类型3的微孔隙度。
本发明由此提供了对各种孔类型组中的油气体积的理解，这允许通过关注的实验室研究制定适当的开采技术。这导致了能够显著增大源于储层的油气开采的油田开发策略。
如将被阐明的那样，本发明开始于具有岩相和完整孔系统属性的巨型储层的三维地理元胞模型。随后使用源于数字地描述的达到亚微米级的岩芯和岩芯栓的孔系统类型指引、以及大孔隙度和多个微孔隙度类型的识别和分类来作出确定。然后可以使用多模式三维建模程序来形成地表下储层的岩石物理性质和属性的输出模型。本发明的处理结果为最佳大-微孔隙度储层开采策略作出了贡献，并且能够潜在地在改善储层开采方面带来数十亿桶的产量。
属性可以是例如含水饱和度、多孔性和渗透性，并且可对地表下油气储层的三维网格的每个单元直接确定。针对各个单元来产生基于原始数据的输入参数，原始数据来自储层的岩石物理测量值和其他属性以及储层的地表下特征。通过适当的数据处理系统来实现岩石物理性质和属性的处理输入。数据处理系统可以是任何传统类型的适当处理能力的大型计算机，或者是适当数量的处理器节点的集群计算机。这种数据处理系统的一个示例是商业可得的Linux集群布局。不过，也可以使用其他数字处理器，比如膝上型计算机或任意其他适当的处理设备。因此，应当理解，可以将许多商业可得的数据处理系统用于该目的。
流程图F(图1)表示本发明的基本计算机处理序列以及根据本发明的针对储层性质或属性进行的集群计算。针对正被建模的储层中的感兴趣的地层的每个储层岩石物理性质或属性单独地执行流程图F的处理序列。
3D地质模型(步骤100)：通过组合已有的地质模型以用于根据本发明的处理来执行步骤100。在步骤100期间读入的一般参数初始地包括下列参数：岩石类型，岩石类型的多孔性，井孔入口大小，各个单元在x、y和z方向上的尺寸和位置；来自岩芯样本数据的参数和属性的岩石物理测量值和已知数据值；以及从已经获得实际数据的储层的区域中的钻井记录可得到的数据。根据储层的尺寸和体积将储层数据组织成单元的三维(x,y,z)网格。取决于储层的大小，模型中单元的数量可以为十亿或更大。一旦数据建模开始，并且从储层中的较新的井和其他数据源得到额外数据，则已有的三维岩石物理模型数据得到额外数据的补充，额外数据随后包括在已有地质模型中并用作其一部分。
地质控制的地质统计学(步骤102)：在步骤102期间，执行地质统计学建模。该处理的关注点是：基于从步骤100的地质模型中的取芯井(cored well)得到的已有的岩相数据，提供整个储层的岩相存在的假设空间分布的地质统计学模型。步骤102期间的处理使用已有的岩相数据，并形成地质统计学模型。在地质统计学处理中使用了由地质学家或分析人员从已有岩相数据中选择的感兴趣的地质特征的所选值。对于储层中的不同地质相，地质学家可以应用不同的地质统计学建模标准或者不同的处理方案。通过这种方式，地质学家可以基于地质方面的考量而不是使处理仅由统计或分析方法学掌控来控制建模。对此，存在多个目前商业可得的用于地质统计学建模的方法。一个示例是通过圣路易斯市的艾默生过程控制有限公司(Emerson Process Management)从挪威的斯塔万格市的Roxar ASA可得的Roxar基于对象的建模(Roxar Object-based Modeling)。
岩相建模(步骤104)：在步骤104期间，开发出基于实际测量值和观测值(其从岩芯样本得到并且被称为地面真值)的关于岩相的信息。图2中示出了步骤102期间的处理的详情。在图2所示的步骤104A中，处理开始于从储层中的已有井的岩芯描述数据得到的比如图2A的显示中示出的那些之类的集合岩石物理测井数据。在步骤104B期间，来自步骤104A的取芯井岩石物理测井描述数据经过适当类型的神经网络或类似的处理，以假设尚未从中取得岩芯样本的井的岩相数据。图2B是在步骤104B的模型建立处理中开发的示例的地质统计学变量图。步骤104C中的岩相记录由步骤104B中的神经网络处理结果来形成。图2C是来自于在步骤104B的处理期间得到的未取芯井的从步骤104C得出的岩相记录的显示。在步骤104D期间，将步骤104B期间开发的岩相记录从钻井记录尺度向储层的三维模型尺度进行尺度扩展。在步骤104E期间，形成从步骤104D期间的尺度扩展得到的岩相模型。图2D是具有在步骤104E期间形成的岩相分布的三维地质模型的可视化图。
步骤106为数字岩芯描述：在步骤106(图1)期间，根据作为共同发明人的申请人之一共同共有的在2012年9月14日提交的序列号为No.13/616,493的共同未决美国专利申请“Core Plugs to Giga-Cells Lithological Modeling”中描述的过程，来执行该处理。该共同未决申请的主题通过引用并入本文。在步骤106的处理期间，步骤102和104期间开发的储层特征和解释被结合到数字数据描述中。
图3是作为步骤106期间的数字岩芯描述处理的结果形成的示例显示。图3中的左边七列(缝合岩面&断面，孔类型，成分&多孔性，沉积结构，纹理，旋回/顺序层次(cycle/sequence hierarchy)，化石)是地层岩性的数字岩芯描述。图3A是图3的显示中表示指定区域的数值的放大部分。图3B是图3中的表示在表示区域处的地表下岩性的示意性沉积结构的部分的放大部分。图3C是图3中的以图表表示在表示区域中的地表下岩性的碳酸盐纹理和粒度的部分的放大部分。图3D是图3中的表示根据从正被建模的储层中的井的表示区域取得的岩芯样本而得到的示例的薄切片图像的部分的放大部分。
图5是来自岩相记录的岩石物理数据的记录图表的一部分，岩相记录是作为步骤104B(图2)期间的处理的结果而形成的，以及图5A是在图5的图表中的5A处表示的部分的放大图表。下面的表I是在图5和图5A的顶部示出的用于对这些记录图表中表示的岩相进行识别的图例的复制图。应当理解，还可以使用或包括其它岩相标记。
| 表I |
| 环境岩相 |
| Fluv Ch(河道) |
| Fluv Bar(河滩) |
| Shaly SS Bar(页岩质沙石滩) |
| 冲积平原 |
| 煤沼 |
| 湖泥 |
| 清洁的海岸潮汐沙 |
| 海岸/潮汐沙石＜15％泥 |
| 异质边缘海洋/三角洲沙 |
| 异质海洋泥 |
| 前三角洲泥 |
| 海湾/近海泥-页岩 |
| 铁矿石 |
| 海绿石沙 |
| 碳酸盐沙 |
图6A、图6B、图6C和图6D是来自作为步骤104B期间的处理结果而形成的水平井的作为属性的渗透性的钻井记录图表。这些图表是经过本发明测量和验证过的线流和流体流量计记录。根据本发明的这种属性的图表对于分析人员和地质学家而言在用于储层的改进的油气开采的计划方面是非常有用和有帮助的信息。
大孔隙度和微孔隙度识别(步骤108)：在步骤108期间，基于通过岩芯样本的测试而得到的数据来分析和识别三维地质模型的孔系统架构。例如可以根据在Society ofPetroleum Engineers的公开“Permeability,Relative Permeability,MicroscopicDisplacement Efficiency and Pore Geometry of M_1Bimodal Pore Systems in ArabD Limestone”Society of Petroleum Engineers Journal,SPE J.105259(2009)(Clerke)和“Application of Thomeer Hyperbolas to Decode the Pore Systems,Facies,andReservoir Properties of the Upper Jurassic Arab D Limestone,Ghawar Field,Saudi Arabia:A‘Rosetta Stone’Approach”，GeoArabia 2008,Vol.13,No.4,(Clerke等)中描述的技术来执行识别和分析。根据提供了与地质模型的孔几何参数有关的信息的这些技术的调查和分析被引入到亚微米级。执行的孔系统架构分析产生了关于地质模型中的岩相的大孔隙度(类型M)和微孔隙度(1、2和3)性质的数据。
在图7中，箭头70表示岩性样本的薄切片图像中的类型M的大孔隙形式的大孔隙度，而箭头72和74表示该样本中类型1的微孔隙形式的微孔隙度。放大的箭头76示意性地表示经由大孔隙进入该样本的孔空间的水的进入和进入微孔隙的水的路径。箭头78表示从微孔隙到大孔隙的油气移动。图8示出了上面识别的在由Clerke等人在GeoArabia 2008,Vol.13,No.4中描述的类型的标准毛细管压力曲线显示。在该显示的左边部分一般地以80A表示的多条线是来自储层中多个井芯栓的实验室测量值。图8中的显示的右边部分示出了识别在80(大孔隙M)以及在82、84和86(各个微孔隙1、2和3)属性的出现频率统计显示。
多模式三维岩石物理建模(步骤110)：储层的岩石物理建模基于输入数据、数字岩芯描述数据和所识别的储层的各单元中的大孔隙度和微孔隙度的出现。采用的建模方法优选为多模式岩石物理算法。采用的建模的选择部分基于感兴趣的属性。例如可以根据如下技术来执行建模：作为共同发明人的申请人之一在2011年7月28日提交的序列号为No.13/913,086且标题为“Cluster Petrophysical Uncertainty Modeling”的共同未决美国专利申请中描述的类型的三维建模方法。
步骤110期间形成的岩石物理模型可以具有多种形式。这些模型可以是岩石物理结构的模型，比如图5和图5A中示出的类型的岩相记录、以及图2D中示出的类型的岩相模型。岩石物理性质的模型还可以是储层属性的，可以具有记录图表的形式(包括图6A至图6D在内)或者具有如下文所述的图4B中示出的三维形式。
图4示意性示出了根据本发明的用于确定作为储层属性的尺度扩展的(upscale)含水饱和度SWUP的值的一个示例过程。输入参数包括：在110A处表示的原油、盐水和现场岩石性质；多孔性架构110B；与历史无关的水位和残留油数据110C；润湿性改变110D；以及表示尺度扩展的本质性的参数110E；和多个地层孔系统的本质性和出现110F，这些输入参数与用于确定高标度的含水饱和度的岩石物理处理算法一起被提供到数据处理器。随后形成了诸如高标度的含水饱和度SWUP之类的储层属性的建模结果的显示。
图4A是在单独的井处对根据图4的处理的结果进行建模的显示。图4A是根据作为这种处理的结果而得到的井深度数据的示例记录图表显示。如所示，多孔性、建模的渗透性、岩石物理岩石类型(PRT)和盖压(cap pressure，Pc)属性被显示为参数。图4B是在三维模型级别上对根据图4的处理的结果进行建模的示例显示。如所示，多孔性φ、入口盖压Pd和孔大小变异性曲率G被显示为属性。图4中的SWUP确定表示在本发明的计算中使用的各种输入数据类型。图4A示出在单个井处的输入的钻井记录和输出的计算出的记录可视化图。图4B示出相同的输入和输出，但是视觉化为三维地质模型形式。
修改和调整油田开发策略(步骤112)：这个步骤涉及地质学家和分析人员为了修改和调整油田开发策略的目的基于从步骤100至110产生的最佳表示模型来评价处理结果。通过进行这种最优化，潜在地增加数十亿桶油气储量的最终开采成为可能。
如图1所示的根据本发明的处理可以被认为是连续的循环或环。“环”意思是将会被重复，并且是连续的过程。以初始地质模型作为开始，执行各个处理步骤以产生新的地质模型。油田开发策略形式的油田开发是基于钻额外的井以用于生产的模型。随着新的井被钻出，获取新的钻井记录和岩芯。由于掌握了新的信息，当前最佳三维地质模型被持续更新。连续的油田开发为正在形成的模型中的储层的进一步开发提供了发展蓝图。新的数据和解释被并入已有模型中，并且如图1示意性地示出的那样，处理循环回到步骤100以更新该模型并重复该处理。
如图9所示，根据本发明的数据处理系统D包括计算机150，计算机150具有处理器152以及耦接到处理器152以在其中存储操作指令、控制信息和数据库记录的存储器154。根据需要，计算机150可以是便携式数字处理器，比如膝上型计算机、笔记本电脑、或者其他适当地编程或可编程的数字数据处理设备(如台式机)等形式的个人计算机。还应当理解，计算机150可以是具有节点的多核处理器(比如Intel公司或Advanced Micro Devices(AMD)公司的处理器)、HPC Linux集群计算机或任何传统类型的具有适当处理能力的大型计算机(比如可从纽约Armonk的International Business Machines(IBM)或其他源得到的计算机)。
计算机150具有用户接口156以及输出数据或图形用户显示158以用于显示根据本发明的岩相和储层属性的输出数据或记录。输出显示158包括能够以图形、数据表、图形图像、数据图表等形式将打印的输出信息或可视显示提供为输出记录或图像的诸如打印机和输出显示屏之类的部分。
计算机150的用户接口156还包括适合的用户输入装置或者输入/输出控制单元160以用于向用户提供对信息和数据库记录进行控制或访问并操作计算机150的入口。数据处理系统D还包括存储在计算机存储器中的数据库162，其可以是内部存储器154，或者是相关联数据库服务器168中的以166表示的外部存储器、网络存储器或非网络存储器。
数据处理系统D包括存储在计算机150的存储器154中的程序代码170。根据本发明，程序代码170为非暂时的计算机可操作指令的形式，其使得数据处理器152以上文描述的方式来执行本发明的计算机实施的方法。
应当注意，程序代码170可以为微代码、程序、例程或符号式计算机可操作语言(其提供了对数据处理系统D的功能进行控制并指示其操作的特定的一组有序的操作)的形式。程序代码170的指令可以以非暂时形式存储在计算机150的存储器154中，或者存储在计算机磁盘、磁带、传统硬盘驱动、电子只读存储器、光学存储装置或其上容纳非暂时计算机可用介质的其他适当的数据存储装置上。程序代码170还可以以非暂时形式包含在诸如作为计算机可读介质的服务器168之类的数据存储装置上。
在计算机150中执行的本发明的方法可以利用存储在存储器154中的图1、图2和图4的计算机程序步骤来实现，并且可由计算机150的系统处理器152执行。对处理系统D的输入数据是上述类型的输入参数和储层数据。
由此可知，本发明提供了这样的一套循环处理方法：其用于基于来自井芯的地质相指引来确定数十亿储层单元的地质模型属性，随后将相关联的孔系统数字地描述到亚微米级，识别相关孔类型(例如大孔隙度和多个微孔隙度类型)，并且随后将多模式岩石物理算法并入三维建模应用中。随后可以通过基于岩相的开采处理来将这些三维静态模型合并以建立适当的开采策略，通过最佳开采实践，这可以带来潜在的数十亿桶产量的增加。
本发明由此将传统的各个独立的处理结合为一体，并创建了新的应用和工作流以用于将不同的部分联系起来并数字地核准从而产生合理的、科学的且可商业化的解决方案。没有分配如渗透性和相对渗透性之类的地质模型属性，而是使用对孔系统参数起作用的变换方程针对每个地理单元来计算这些地质模型属性。储层属性与它们的岩石类型的相关性远远强过与它们的空间位置分布的相关性。处理确定还合并了在每个模型单元位置处解释的各种地质相。
因此，地质相在确定模型计算算法中扮演了一个重要角色。地质相是从钻井记录数据和包含了地面真值的岩芯描述导出的。该处理需要将要完全数字式的所有数据。通常以手工绘图的方式进行岩芯描述。尽管精确，然而其缺乏该新处理需要的数字格式。来自岩芯栓分析或特定钻井记录分析的大孔隙度和微孔隙度数据被数字地获取以用于输入。包含在大孔隙度和微孔隙度中的油气在渗透性、相对渗透性和流率方面具有独立的流动行为。通常会发现，在大孔隙多孔性的油气的近旁的一些微孔隙性(类型1)中包含相当大的油气体积。大多数开采实际仅关注大孔隙度，因为其具有大体积并且流得快，尤其是在储层生产的早期阶段。缺乏理解和缺乏适当分析已经限制了根据微孔隙度导出特定的生产特性算法的能力。
本发明由此将多模式岩石物理算法完全并入了三维地质建模应用中。该处理的价值在于，对微孔隙度中的油气的静态和动态方面的适当建模带来了改进的最优化储层开采策略，其能够带来数十亿桶的附加开采量。
已经充分描述了本发明，因此本领域的普通技术人员可以再现并获得本文所述的本发明的结果。尽管如此，本发明主题所属的技术领域中的任何技术人员均可执行本文中未描述的修改以将这些修改应用于确定方法，或者以相同性能得到所附权利要求所要求的主题；这些技术和程序应当包含于本发明的范围之内。
应当注意和理解的是，还可以对上文详述的本发明作出改进和修改而不会脱离由所附权利要求限定的本发明的精神或范围。
Claims (8)
1.一种计算机实现方法，其用于利用计算机系统来形成表示地表下储层的岩相的本质和结构的岩石物理性质、和地表下储层的岩相的微孔隙度与大孔隙度的相关存在的静态地质模型，根据所述地表下储层的尺寸和体积将所述静态地质模型组织成多个单元，所述多个单元设置在单元的经组织的三维网络中，所述静态地质模型基于从所述地表下储层中的井得到的钻井记录、地表下岩石地层的岩石类型、以及井芯描述数据形成，所述井芯描述数据包括从已经得到岩芯样本的所述地表下储层中与所述井的取芯井相邻的岩石地层的井芯样本的分析而得到的岩石物理测量值，所述方法包括如下计算机处理步骤：
(a)基于所述静态地质模型中的取芯井的现有的岩相数据来形成整个所述地表下储层的岩相存在的地质统计学模型；
(b)基于所述地表下储层的取芯井的所述井芯样本中的岩石物理测量值来形成尚未得到岩芯样本的所述地表下储层中的井的假设岩相记录的岩相模型；
(c)基于所述静态地质模型得到井孔处的地表下储层的所述岩相的数字岩芯描述；
(d)基于所述井芯样本的测试来接收所述静态地质模型的单元的三维网络中的所述地表下储层的所述岩相中的大孔隙度和微孔隙度的存在的识别；
(e)基于从所述地表下储层中的井得到的钻井记录、所述地表下岩石地层的岩石类型、从所述井芯样本的分析中得到的所述井芯描述数据、和识别的所述地表下储层的所述岩相中的大孔隙度和微孔隙度的存在通过多模式三维岩石物理建模来形成表示所述地表下储层的所述岩相的本质和结构的所述储层的岩石物理性质、和所述地表下储层的所述岩相的微孔隙度与大孔隙度的相关存在的静态地质模型；以及
(f)形成在用于所述地表下储层开发的地表下储层模型的岩相的单元中的表示本质和结构的岩石物理性质、和微孔隙度与大孔隙度的相关存在的静态地质模型的输出显示。
2.如权利要求1所述的计算机实现方法，其中形成静态地质模型的步骤包括步骤：对所述井的岩石物理记录描述数据进行处理以确定所述井的假设的岩相数据。
3.如权利要求2所述的计算机实现方法，其中形成岩相模型的步骤进一步包括步骤：将针对尚未得到岩芯样本的所述地表下储层中的各井的所述假设的岩相记录尺度扩展到所述地表下储层的所述岩相的三维模型。
4.如权利要求3所述的计算机实现方法，其中形成岩相模型的步骤包括步骤：形成对所述岩相记录进行尺度扩展而得到的结果的岩相模型。
5.一种数据处理系统，其用于表示地表下储层的岩相的本质和结构的岩石物理性质、和地表下储层的岩相的微孔隙度与大孔隙度的相关存在的静态地质模型的计算机化仿真，根据所述地表下储层的尺寸和体积将所述静态地质模型组织成多个单元，所述多个单元设置在单元的经组织的三维网络中，所述静态地质模型基于从所述地表下储层中的井得到的钻井记录、地表下岩石地层的岩石类型、以及井芯描述数据形成，所述井芯描述数据包括从已经得到岩芯样本的所述地表下储层中与所述井的取芯井相邻的岩石地层的井芯样本的分析而得到的岩石物理测量值，所述数据处理系统包括：
(a)处理器，其执行如下步骤：
(1)基于所述静态地质模型中的取芯井的现有的岩相数据来形成整个所述地表下储层的岩相存在的地质统计学模型；
(2)基于所述地表下储层的取芯井的所述井芯样本中的岩石物理测量值来形成假设岩相记录的岩相模型；
(3)基于所述静态地质模型得到井孔处的地表下储层的所述岩相的数字岩芯描述；
(4)基于所述井芯样本的测试来接收所述静态地质模型的单元的三维网络中的所述地表下储层的所述岩相中的大孔隙度和微孔隙度的存在的识别；
(5)基于从所述地表下储层中的井得到的钻井记录、所述地表下岩石地层的岩石类型、从井芯样本的分析中得到的所述井芯描述数据、和识别的所述地表下岩相中的大孔隙度和微孔隙度的存在来通过多模式三维岩石物理建模形成表示所述地表下储层的所述岩相的本质和结构的所述地表下储层的岩石物理性质、和所述地表下储层的所述岩相的微孔隙度与大孔隙度的相关存在的静态地质模型；以及
(b)显示器，其用于形成表示所述地表下储层开发的地表下储层模型的岩相的单元中本质和结构、和微孔隙度与大孔隙度的相关存在的岩石物理性质的静态地质模型的输出显示。
6.如权利要求5所述的数据处理系统，其中所述处理器在形成静态地质模型时包括步骤：对所述井的岩石物理记录描述数据进行处理以确定所述井的假设的岩相数据。
7.如权利要求6所述的数据处理系统，其中所述处理器在形成岩相模型时进一步将针对尚未得到岩芯样本的所述地表下储层中的各井的所述岩相记录尺度扩展到所述地表下储层的所述岩相的三维模型。
8.如权利要求6所述的数据处理系统，其中所述处理器在形成岩相模型时形成尺度扩展后的岩相记录的岩相模型。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/IB2013/000978 WO2013164685A2 (en) | 2012-05-01 | 2013-05-13 | Three-dimensional multi-modal core and geological modeling for optimal field development |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104380144A CN104380144A (zh) | 2015-02-25 |
| CN104380144B true CN104380144B (zh) | 2018-01-16 |
Family
ID=51932135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201380023176.2A Expired - Fee Related CN104380144B (zh) | 2013-05-13 | 2013-05-13 | 用于最佳油田开发的三维多模式岩芯及地质建模 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN104380144B (zh) |
| CA (1) | CA2869825C (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9939548B2 (en) | 2014-02-24 | 2018-04-10 | Saudi Arabian Oil Company | Systems, methods, and computer medium to produce efficient, consistent, and high-confidence image-based electrofacies analysis in stratigraphic interpretations across multiple wells |
| WO2017019718A1 (en) * | 2015-07-28 | 2017-02-02 | Schlumberger Technology Corporation | Method and system for generating a virtual core |
| WO2019118656A1 (en) * | 2017-12-14 | 2019-06-20 | Schlumberger Technology Corporation | System and method for simulating reservoir models |
| CN109215029B (zh) * | 2018-08-29 | 2021-10-15 | 电子科技大学 | 一种基于卷积神经网络的三维地质异常体的分割提取方法 |
| CN111260791B (zh) * | 2018-11-30 | 2023-06-09 | 中国石油化工股份有限公司 | 一种更新地质导向模型的方法 |
| CN111259508B (zh) * | 2018-11-30 | 2023-04-11 | 中国石油化工股份有限公司 | 一种钻井过程仿真方法以及系统 |
| CN112147680A (zh) * | 2019-06-27 | 2020-12-29 | 中国石油化工股份有限公司 | 岩石内部微裂缝提取和刻画方法及系统 |
| CN112287532B (zh) * | 2020-10-20 | 2024-03-05 | 中海石油(中国)有限公司 | 一种缘控地震驱动建模方法 |
| CN113047830B (zh) * | 2021-04-22 | 2022-05-03 | 中国石油大学(北京) | 储层的流动单元识别方法、装置、计算机及存储介质 |
| CN117784737B (zh) * | 2024-02-23 | 2024-05-10 | 西安众望能源科技有限公司 | 一种油田井场智能rtu控制系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2389136A1 (en) * | 1999-11-02 | 2001-05-10 | Schlumberger Canada Limited | Method and apparatus for generating a cross plot in attribute space from a plurality of attribute data sets and generating a class data set from the cross plot |
| CA2690991A1 (en) * | 2007-08-24 | 2009-03-05 | Exxonmobil Upstream Research Company | Method for multi-scale geomechanical model analysis by computer simulation |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9134457B2 (en) * | 2009-04-08 | 2015-09-15 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
| CA2847693C (en) * | 2011-09-15 | 2020-09-15 | Saudi Arabian Oil Company | Core-plug to giga-cells lithological modeling |
-
2013
- 2013-05-13 CN CN201380023176.2A patent/CN104380144B/zh not_active Expired - Fee Related
- 2013-05-13 CA CA2869825A patent/CA2869825C/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2389136A1 (en) * | 1999-11-02 | 2001-05-10 | Schlumberger Canada Limited | Method and apparatus for generating a cross plot in attribute space from a plurality of attribute data sets and generating a class data set from the cross plot |
| CA2690991A1 (en) * | 2007-08-24 | 2009-03-05 | Exxonmobil Upstream Research Company | Method for multi-scale geomechanical model analysis by computer simulation |
Non-Patent Citations (1)
| Title |
|---|
| Estimation of lithologies and depositional facies from wire-line logs;Saggaf and Nebrija;《AAPG BULLETIN》;20001031;第84卷(第10期);1633-1646 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104380144A (zh) | 2015-02-25 |
| CA2869825C (en) | 2018-07-24 |
| CA2869825A1 (en) | 2013-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104380144B (zh) | 用于最佳油田开发的三维多模式岩芯及地质建模 | |
| US9684084B2 (en) | Three-dimensional multi-modal core and geological modeling for optimal field development | |
| Ringrose et al. | Reservoir model design | |
| Cannon | Reservoir modelling: A practical guide | |
| EP2599023B1 (en) | Methods and systems for machine-learning based simulation of flow | |
| AU2009314461B2 (en) | Forming a model of a subsurface region | |
| CA2692425C (en) | Method, program and computer system for scaling hydrocarbon reservoir model data | |
| US20130046524A1 (en) | Method for modeling a reservoir basin | |
| US20130080133A1 (en) | Core-plug to giga-cells lithological modeling | |
| Tahmasebi et al. | Geostatistical simulation and reconstruction of porous media by a cross-correlation function and integration of hard and soft data | |
| AU2014357650B2 (en) | Tuning digital core analysis to laboratory results | |
| Hajizadeh et al. | An algorithm for 3D pore space reconstruction from a 2D image using sequential simulation and gradual deformation with the probability perturbation sampler | |
| US20110208499A1 (en) | Method for history matching of a geological model comprising a sub-seismic fault network | |
| Benetatos et al. | Fully integrated hydrocarbon reservoir studies: myth or reality? | |
| Tahmasebi et al. | Geologic modeling of eagle ford facies continuity based on outcrop images and depositional processes | |
| Strebelle | Sequential simulation for modeling geological structures from training images | |
| Katterbauer et al. | A Deep Learning Wag Injection Method for Co2 Recovery Optimization | |
| Hosseinzadeh et al. | Rock type based-estimation of pore throat size distribution in carbonate reservoirs using integrated analysis of well logs and seismic attributes | |
| Yudin et al. | Development of approach to modelling complex structure carbonate reservoirs using example of the central khoreyver uplift fields | |
| Oliveira | Well Representation in Simulation Models of Naturally Fractured Reservoir Considering the Impact of DFN Upscaling | |
| Mangione et al. | Estimation of pre-dolomitisation porosity and permeability of a nummulitic carbonate reservoir rock using the Multi-Component Architecture Method (MCAM) | |
| Uland et al. | 3-D reservoir characterization for improved reservoir management | |
| WO2023230838A1 (en) | A method and system for modeling carbonate cementation in forward depositional models | |
| Donoso | A Contribution to Improve Facies Object Modeling of Meandering Rivers Depositional Systems | |
| Podnebesnykh et al. | New approach to the evaluation of the structure of initial reserves in Ozhginskoe gas-oil field |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180116 |