CN111428321A - 一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 - Google Patents
一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 Download PDFInfo
- Publication number
- CN111428321A CN111428321A CN202010261409.4A CN202010261409A CN111428321A CN 111428321 A CN111428321 A CN 111428321A CN 202010261409 A CN202010261409 A CN 202010261409A CN 111428321 A CN111428321 A CN 111428321A
- Authority
- CN
- China
- Prior art keywords
- network model
- pore network
- resolution
- scale
- pore
- 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.)
- Granted
Links
- 239000011148 porous material Substances 0.000 title claims abstract description 294
- 238000000034 method Methods 0.000 title claims abstract description 51
- 239000011435 rock Substances 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 12
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims abstract description 8
- 229910052753 mercury Inorganic materials 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 238000002474 experimental method Methods 0.000 claims description 18
- 239000000203 mixture Substances 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 9
- 239000007924 injection Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 8
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 15
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 15
- 238000002591 computed tomography Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 8
- 239000012530 fluid Substances 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Radiology & Medical Imaging (AREA)
- Pulmonology (AREA)
- Computer Graphics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Dispersion Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法,包括:基于岩心的压汞测试和CT测试结果,首先建立多尺度孔隙网络模型,目的是既保留高分辨率孔隙网络模型的精度,又使模型表征较大尺寸孔喉的能力更强;然后根据关键参数的统计一致性,建立介观尺度孔隙网络模型,该模型不但可以开展孔隙级别的数字渗流模拟,还可大大降低数字渗流模拟计算量;最后通过将砾石特征参数加入宏观尺度砂岩基础模型,建立宏观尺度砾岩模型。相比于现有技术,本发明解决了缺少厘米尺度孔隙网络建模方法,数字岩心技术对砾岩复模态结构表征不准确的问题,拓展了数字岩心技术在指导砾岩油藏开发中的应用。
Description
技术领域
本发明涉及砾岩油藏数字岩心技术领域,具体地,涉及一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法。
背景技术
储层的许多宏观性质(如渗透率、毛管压力等)均取决于它的微观结构和组成它的固体及其孔隙空间中流体的物理性质,即岩石的微观结构、岩石及流体性质是根本,宏观性质、现象是表象。因此,要实现大幅度提高原油采收率的开发目标,其理论研究和技术开发不能仅停留在宏观层次上,而必须深入石油的储集、运移空间—多孔介质内部,从微观层面上开展研究。
为了从微观尺度上对渗流问题进行定量描述,近年来国内外学者开展了大量的研究,归结而言,研究思路主要有以下两类:一是以数字岩心为基础;二是以简化处理后的孔隙网络模型为基础,根据所研究的问题定义具体的流动规则进行流动模拟。
迄今,数字岩心的构建方法可分两大类:物理实验方法和数值重建方法。物理实验方法首先借助高倍光学显微镜、CT成像仪或核磁共振成像仪来获取岩心的微观结构图像,之后对图像迸行三维重建得到数字岩心。数值重建方法以少量的岩心平面图像为基本资料,通过一定的数值方法构建数字岩心,其中应用效果较好的主要有高斯场法、模拟退火法和过程模拟法。
孔隙网络模型大致分为两大类,即规则拓扑孔隙网络模型和真实拓扑孔隙网络模型。规则拓扑孔隙网络模型是指孔隙网络模型的基本单元(孔隙、喉道)在平面(二维网络模型)上或空间(三维网络模型)中具有十分规整的排布形式。尽管真实拓扑孔隙网络模型同真实多孔介质的空间网络仍有不小差距,但是由于其在孔隙空间的拓扑性质方面较前类模型有较大改进,故将它们统称为真实拓扑孔隙网络模型。
目前微观渗流理论研究都是在储层孔隙空间三维模型(数字岩心或孔隙网络模型)这一平台上开展的。然而,砂砾岩储层孔隙类型复杂,原生孔、次生孔并存,孔隙和裂缝并存,粗、细、微孔并存,孔具有似多重介质的某些特征。孔喉严重不均质,孔喉比较大,分选差(分选系数在3左右),孔喉配位数低,渗流能力峰区与孔隙体积峰区不一致。国内岩心微尺度到介观尺度,基于岩心刻画的室内岩心驱替实验“近真实”仿真模拟、宏观和微观渗流一体化衔接方面近空白。
本发明针对砾岩油藏,利用数字岩心技术,形成静态合理的砾岩储层孔隙网络建模方法,为油藏生产动态的模拟、预测以及油田开发技术政策制定提供合理依据,同时,可以有效支撑数字岩心技术在国内类似油藏开发中的应用,为砾岩油藏提高原油采收率提供支持,应用前景广阔。
发明内容
为了解决以上技术问题,本发明提供了一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法,以解决缺少厘米尺度孔隙网络建模方法,数字岩心技术对砾岩复模态结构表征不准确的问题,拓展了数字岩心技术在指导砾岩油藏开发中的应用。
为了实现上述目的,本发明采用以下技术方案:一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法,包括以下步骤:S1、对岩心进行取样,开展压汞测试和N种分辨率的CT测试,获取孔喉分布曲线和N种分辨率的岩心CT图像;其中,N种分辨率按分辨率高低排序,分别为1,2,3,…,N-1、N;S2、利用步骤S1得到的N种分辨率的岩心CT图像,构建N种分辨率的孔隙网络模型;S3、根据步骤S2得到的第N-1种和第N种分辨率的孔隙网络模型,构建第N-1种分辨率对应的多尺度孔隙网络模型;S4、根据步骤S2得到的第N-2种分辨率的孔隙网络模型及步骤S3得到的第N-1种分辨率对应的多尺度孔隙网络模型,采用和步骤S3相同的方法,构建第N-2种分辨率对应的多尺度孔隙网络模型;S5、重复步骤S3和S4,直至生成第1种分辨率对应的多尺度孔隙网络模型;S6、根据关键参数的统计一致性,对步骤S5得到的第1种分辨率对应的多尺度孔隙网络模型进行尺度升级,得到介观尺度孔隙网络模型;的关键参数为描述步骤S3、S4和S5中的多尺度孔隙网络模型特征的参数,具体包括孔喉半径,配位数和孔喉长度;S7、对步骤S6得到的介观尺度孔隙网络模型进行随机组合和筛选,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型;S8、将砾石特征参数加入步骤S7得到的宏观尺度砂岩基础模型,构建宏观尺度砾岩模型。
进一步地,步骤S2中的孔隙网络模型中具有孔隙相、岩石相和混合相;孔隙相指孔隙网络模型中孔隙度为1的体素;岩石相指孔隙网络模型中孔隙度为0的体素;混合相指孔隙网络模型中孔隙度介于0与1之间的体素。
进一步地,步骤S3中第N-1种分辨率对应的多尺度孔隙网络模型的构建方法为:S31:计算第N-1种分辨率对应的多尺度孔隙网络模型的孔隙度:根据步骤S2得到的N种分辨率的孔隙网络模型,统计第N-1种分辨率的孔隙网络模型的孔隙度PN-1和混合相体积系数Vmix,根据步骤S1得到的孔喉分布曲线计算第N种分辨率的孔隙网络模型中大于第N种分辨率的孔隙的孔隙度PN,然后采用以下公式,计算第N-1种分辨率对应的多尺度孔隙网络模型的孔隙度φN-1=PN+VmixPN-1,其中,为第N-1种分辨率对应的多尺度孔隙网络模型的孔隙度;PN为第N种分辨率的孔隙网络模型中大于第N种分辨率的孔隙的孔隙度;PN-1为第N-1种分辨率的孔隙网络模型孔隙度;Vmix为第N-1种分辨率的孔隙网络模型混合相体积比例;S32:计算第N-1种分辨率对应的多尺度孔隙网络模型的相分布;根据步骤S2得到的N种分辨率的孔隙网络模型,分割第N种分辨率的孔隙网络模型,使得其与第N-1种分辨率的孔隙网络模型具有相同的体素分布,然后根据规则确定第N-1种分辨率对应的多尺度孔隙网络模型的相分布。
进一步地,根据规则确定第N-1种分辨率对应的多尺度孔隙网络模型的相分布的具体方法为:若某体素是第N种分辨率的孔隙网络模型的孔隙相或岩石相,则第N-1种分辨率对应的多尺度孔隙网络模型中该体素仍为孔隙相或岩石相;若某体素是第N种分辨率的孔隙网络模型的混合相,则第N-1种分辨率对应的多尺度孔隙网络模型中该体素的相和第N种分辨率的孔隙网络模型中该体素的相一致。
进一步地,步骤S5中第1种分辨率对应的多尺度孔隙网络模型的构建方法为:针对第N-2、N-3、…、2、1种分辨率,重复步骤S3和S4,即可得到第1种分辨率对应的多尺度孔隙网络模型。
进一步地,步骤S6中的孔喉半径服从双峰分布,其概率密度函数为:
其中,f1(r)为孔喉半径概率密度函数;r为孔喉半径;α、μ1、μ2、β为系数;配位数服从对数正态分布,其概率密度函数为:
其中,f2(m)为配位数概率密度函数;m为配位数;γ、μ3为系数;的孔喉长度服从正态分布,其概率密度函数为:
其中,f3(l)为孔喉长度概率密度函数;l为孔喉长度;δ、μ4为系数。
进一步地,步骤S7中误差最小的宏观尺度孔隙网络模型的筛选方法,具体为:S71:对步骤S6得到的介观尺度孔隙网络模型进行随机组合,得到M种宏观尺度孔隙网络模型;S72:根据砂岩岩心孔隙度、动态参数对宏观尺度孔隙网络模型进行筛选,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型;S73:计算M个宏观尺度孔隙网络模型的孔隙度,与砂岩岩心实测孔隙度进行对比,选取误差最小的[M/4]+1个宏观尺度孔隙网络模型;S74:对真实岩心和[M/4]+1个宏观尺度孔隙网络模型开展水驱水、油驱水和水驱油实验,分别对比动态参数,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型。
进一步地,步骤S71中随机组合的方法为:S711:根据实际需求,设计宏观尺度孔隙网络模型尺寸及基本单元数目;宏观尺度孔隙网络模型尺寸指宏观尺度孔隙网络模型的长宽高:X、Y、Z;宏观尺度孔隙网络模型基本单元数目指用于随机组合的介观尺度孔隙网络模型的个数m;S712:随机选取介观尺度孔隙网络模型,将其作为宏观尺度孔隙网络模型的基本单元;S713:执行步骤S712共m·M次,共生成M个宏观尺度孔隙网络模型。
进一步地,骤S72中水驱水实验的动态参数为注入压力;油驱水实验的动态参数为注入压力、含油率和束缚水饱和度;水驱油实验的动态参数为注入压力、含水率和残余油饱和度。
进一步地,步骤S8中宏观尺度砾岩模型的构建方法具体为:S81:根据现场取心资料确定砾石特征参数R和ρ;其中,R为砾石半径,ρ为砾石在岩心中的密度;若岩心中砾石半径差距较大,可按下式拟合砾石半径,得到概率密度函数中系数;
其中,f4(R)为砾石半径概率密度函数;η、μ4为系数;S82:将步骤S81得到的砾石特征参数加入步骤S7得到的宏观尺度砂岩基础模型,构建宏观尺度砾岩模型;S83:确定要加入模型中的砾石个数n,具体如下式所示:
n=[X Y Z ρ]+1
其中,n为要加入宏观尺度孔隙网络模型的砾岩个数;X、Y、Z分别为宏观尺度孔隙网络模型的长宽高;S84:将宏观尺度孔隙网络模型划分n个单元,将n个砾石置于n个单元的中心;S85:若体素中有空间被砾石占据,则体素转变为岩石相;若体素中无空间被砾石占据,则体素的相不变;S86:沿砾石边缘设置砾缘缝,即在砾石边缘两个体素的压力梯度大于λ1时,砾石边缘出现裂缝,且开度b符合下式所示:
其中,b为砾缘缝开度,λ为砾石边缘两个体素的压力梯度;λ1为砾缘缝从闭合至张开状态的临界压力梯度;a1、a2、a3为系数。
本发明基于岩心的压汞测试和CT测试结果,首先建立了多尺度孔隙网络模型,该模型既保留了高分辨率孔隙网络模型的精度,又具有相对较大的尺寸,表征较大尺寸孔喉的能力更强;然后根据关键参数的统计一致性,建立了介观尺度孔隙网络模型,该模型不但可以开展孔隙级别的数字渗流模拟,还可大大降低数字渗流模拟计算量;最后通过将砾石特征参数加入宏观尺度砂岩基础模型,建立宏观尺度砾岩模型。相比于现有技术,本发明解决了缺少厘米尺度孔隙网络建模方法,数字岩心技术对砾岩复模态结构表征不准确的问题,拓展了数字岩心技术在指导砾岩油藏开发中的应用。
附图说明
图1为根据本发明提供的一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法的流程示意图。
图2为压汞测试得到的孔喉分布曲线。
图3为20μmCT扫描图像。
图4为2μmCT扫描图像。
图5为建立的多尺度孔隙网络模型。
图6为宏观尺度砾岩模型的水驱油模拟结果。
图7为砾岩岩心水驱油实验结果。
具体实施方式
下面将结合本发明实施例中的附图1-7,对本发明实施例中的技术方案进行清楚、完整地描述,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在进一步描述本发明具体实施方式之前,应理解,本发明的保护范围不局限于下述特定的具体实施方案;还应当理解,本发明实施例中使用的术语是为了描述特定的具体实施方案,而不是为了限制本发明的保护范围。
一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法,包括以下步骤:
S1、对岩心进行取样,开展压汞测试和N种分辨率的CT测试,获取孔喉分布曲线和N种分辨率的岩心CT图像;其中,N种分辨率按分辨率高低排序,分别为1,2,3,…,N-1、N;
S2、利用步骤S1得到的N种分辨率的岩心CT图像,构建N种分辨率的孔隙网络模型;
本发明对孔隙网络模型的构建方法不作任何限制,采用本领域的常规技术手段即可。
所述的孔隙网络模型中具有孔隙相、岩石相和混合相;
所述孔隙相指孔隙网络模型中孔隙度为1的体素;
所述岩石相指孔隙网络模型中孔隙度为0的体素;
所述混合相指孔隙网络模型中孔隙度介于0与1之间的体素。
S3、根据步骤S2得到的第N-1种和第N种分辨率的孔隙网络模型,构建第N-1种分辨率对应的多尺度孔隙网络模型;所述的多尺度孔隙网络模型同时具有第N种和第N-1种分辨率的孔隙网络模型的信息;
S31:计算第N-1种分辨率对应的多尺度孔隙网络模型的孔隙度:
根据步骤S2得到的N种分辨率的孔隙网络模型,统计第N-1种分辨率的孔隙网络模型的孔隙度PN-1和混合相体积系数Vmix,根据步骤S1得到的孔喉分布曲线计算第N种分辨率的孔隙网络模型中大于第N种分辨率的孔隙的孔隙度PN,然后采用以下公式,计算第N-1种分辨率对应的多尺度孔隙网络模型的孔隙度
φN-1=PN+VmixPN-1 (1)
其中,
PN为第N种分辨率的孔隙网络模型中大于第N种分辨率的孔隙的孔隙度,通过查询步骤S1中所述的孔喉分布曲线得到;
PN-1为第N-1种分辨率的孔隙网络模型孔隙度;
Vmix为第N-1种分辨率的孔隙网络模型混合相体积比例,即混合相体积与孔隙网络模型体积之比;
S32:计算第N-1种分辨率对应的多尺度孔隙网络模型的相分布;
根据步骤S2得到的N种分辨率的孔隙网络模型,分割第N种分辨率的孔隙网络模型,使得其与第N-1种分辨率孔隙网络模型具有相同的体素分布,即三维方向上体素数目完全相同,然后根据规则确定第N-1种分辨率对应的多尺度孔隙网络模型的相分布。
具体采用采用如下规则生成第N-1种分辨率对应的多尺度孔隙网络模型的相分布:
①若某体素是第N种分辨率的孔隙网络模型的孔隙相或岩石相,则第N-1种分辨率对应的多尺度孔隙网络模型中该体素仍为孔隙相或岩石相;
②若某体素是第N种分辨率的孔隙网络模型的混合相,则第N-1种分辨率对应的多尺度孔隙网络模型中该体素的相和第N种分辨率的孔隙网络模型中该体素的相一致。
S4、根据步骤S2得到的第N-2种分辨率的孔隙网络模型及步骤S3得到的第N-1种分辨率对应的多尺度孔隙网络模型,采用和步骤S3相同的方法,构建第N-2种分辨率对应的多尺度孔隙网络模型;
S5、重复步骤S3和S4,直至生成第1种分辨率对应的多尺度孔隙网络模型;
针对第N-2、N-3、…、2、1种分辨率,重复步骤S3和S4,即可得到第1种分辨率对应的多尺度孔隙网络模型。
应用步骤(1)-(5)建立的多尺度孔隙网络模型既保留了高分辨率孔隙网络模型的精度,又具有相对较大的尺寸,表征较大尺寸孔喉的能力更强。一般多尺度孔隙网络模型的大小在200μm×200μm×200μm,属于微米尺度孔隙网络模型,直接采用该模型仍无法实现岩心尺度的模拟。因此需要将建立的多尺度孔隙网络模型升尺度至介观尺度孔隙网络模型,并建立可用于室内实验数字渗流模拟的宏观孔隙网络模型。
S6、根据关键参数的统计一致性,对步骤S5得到的第1种分辨率对应的多尺度孔隙网络模型进行尺度升级,得到介观尺度孔隙网络模型;所述的关键参数为描述步骤S3、S4和S5中所述的多尺度孔隙网络模型特征的参数,具体包括孔喉半径,配位数和孔喉长度;
所述统计一致性指关键参数在微米尺度和介观尺度上具有相同概率密度函数的性质;
所述介观尺度指介于微观尺度与宏观尺度之间的尺度,一般取微米尺度的10~100倍;
所述尺度升级指用微米尺度孔隙网络模型关键参数概率密度函数描述介观尺度孔隙网络模型关键参数概率密度函数的过程。
砾岩储层数字岩心研究结果显示,孔喉半径服从双峰分布,其概率密度函数为:
其中,f1(r)为孔喉半径概率密度函数;r为孔喉半径;α、μ1、μ2、β为系数,通过拟合第1种分辨率对应的多尺度孔隙网络模型的孔喉半径分布实验数据得到。
砾岩储层数字岩心研究结果显示,配位数服从对数正态分布,其概率密度函数为:
其中,f2(m)为配位数概率密度函数;m为配位数;γ、μ3为系数,通过拟合第1种分辨率对应的多尺度孔隙网络模型的配位数分布实验数据得到。
砾岩储层数字岩心研究结果显示,孔喉长度服从正态分布,其概率密度函数为:
其中,f3(l)为孔喉长度概率密度函数;l为孔喉长度;δ、μ4为系数,通过拟合第1种分辨率对应的多尺度孔隙网络模型的孔喉长度分布实验数据得到。
S7、对步骤S6得到的介观尺度孔隙网络模型进行随机组合和筛选,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型;
步骤71:对步骤S6得到的介观尺度孔隙网络模型进行随机组合,得到M种宏观尺度孔隙网络模型;
所述随机组合方法可采用Sherwood、Las Vegas、Monte Carlo等常规方法,也可采用如下方法:
①根据实际需求,设计宏观尺度孔隙网络模型尺寸及基本单元数目。
所述宏观尺度孔隙网络模型尺寸指宏观尺度孔隙网络模型的长宽高:X、Y、Z。
所述宏观尺度孔隙网络模型基本单元数目指用于随机组合的介观尺度孔隙网络模型的个数m。
②随机选取介观尺度孔隙网络模型,将其作为宏观尺度孔隙网络模型的基本单元。
③执行步骤②共m·M次,共生成M个宏观尺度孔隙网络模型。
步骤72:根据砂岩岩心孔隙度、动态参数对宏观尺度孔隙网络模型进行筛选,确定宏观尺度砂岩基础模型;
①计算M个宏观尺度孔隙网络模型的孔隙度,与砂岩岩心实测孔隙度进行对比,选取误差最小的[M/4]+1个宏观尺度孔隙网络模型。
②对真实岩心和[M/4]+1个宏观尺度孔隙网络模型开展水驱水、油驱水和水驱油实验,分别对比动态参数,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型。
所述水驱水实验动态参数为注入压力。
所述油驱水实验动态参数为注入压力、含油率和束缚水饱和度。
所述水驱油实验动态参数为注入压力、含水率和残余油饱和度。
根据岩心CT图像和压汞实验数据,采用步骤(1)-(7)即可得到可用于室内实验模拟的宏观尺度砂岩基础模型。该模型不但可以开展孔隙级别的数字渗流模拟,展示不同孔喉中流体运移过程;还因进行了尺度升级,通过和多尺度流动模拟方法配合,可大大降低数字渗流模拟计算量。然而将宏观砂岩模型用于砾岩储层时,仍存在没有考虑砾石影响的缺陷,因此需要建立考虑砾石特征参数的宏观尺度砾岩模型。
S8、将砾石特征参数加入步骤S7得到的宏观尺度砂岩基础模型,构建宏观尺度砾岩模型;
所述砾石特征参数指砾石典型尺寸、砾石分布函数,根据现场取心资料确定。
步骤81:根据现场取心资料确定砾石特征参数R,ρ;
其中,R为砾石半径;ρ为砾石在岩心中的密度,即单位体积上砾石个数。上述两参数皆通过统计取心中的砾石分布得到。
若岩心中砾石半径差距较大,可按下式拟合砾石半径,得到概率密度函数中系数。
其中,f4(R)为砾石半径概率密度函数;η、μ4为系数,通过拟合取心资料得到。
步骤82:按照如下规则将将步骤S81得到的砾石特征参数加入步骤S7得到的宏观尺度砂岩基础模型,构建宏观尺度砾岩模型:①确定要加入模型中的砾石个数n,具体如下式所示:
n=[X Y Z ρ]+1 (6)
其中,n为要加入宏观尺度砂岩基础模型的砾岩个数;X、Y、Z分别为宏观尺度孔隙网络模型的长宽高;
②将宏观尺度砂岩基础模型划分n个单元,将n个砾石置于n个单元的中心;
③若体素中有空间被砾石占据,则体素转变为岩石相;若体素中无空间被砾石占据,则体素的相不变;
④沿砾石边缘设置砾缘缝,即在砾石边缘两个体素的压力梯度大于λ1时,砾石边缘出现裂缝,且开度b符合下式:
其中,b为砾缘缝开度,λ为砾石边缘两个体素的压力梯度;λ1为砾缘缝从闭合至张开状态的临界压力梯度;a1、a2、a3为系数,通过拟合砾岩驱替实验数据得到。
图2为压汞测试得到的孔喉分布曲线;图3为20μmCT扫描图像;图4为2μmCT扫描图像;图5为建立的多尺度孔隙网络模型;图6和图7分别为宏观尺度砾岩模型的水驱油模拟结果和砾岩岩心水驱油实验结果。
通过图6和图7可以看出,建立的宏观尺度砾岩模型得到的产液速度、产油速度和含水率与砾岩驱替实验结果接近,证明了本发明的可行性和准确性。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法,其特征在于,包括以下步骤:
S1、对岩心进行取样,开展压汞测试和N种分辨率的CT测试,获取孔喉分布曲线和N种分辨率的岩心CT图像;其中,N种分辨率按分辨率高低排序,分别为1,2,3,…,N-1、N;
S2、利用步骤S1得到的N种分辨率的岩心CT图像,构建N种分辨率的孔隙网络模型;
S3、根据步骤S2得到的第N-1种和第N种分辨率的孔隙网络模型,构建第N-1种分辨率对应的多尺度孔隙网络模型;
S4、根据步骤S2得到的第N-2种分辨率的孔隙网络模型及步骤S3得到的第N-1种分辨率对应的多尺度孔隙网络模型,采用和步骤S3相同的方法,构建第N-2种分辨率对应的多尺度孔隙网络模型;
S5、重复步骤S3和S4,直至生成第1种分辨率对应的多尺度孔隙网络模型;
S6、根据关键参数的统计一致性,对步骤S5得到的第1种分辨率对应的多尺度孔隙网络模型进行尺度升级,得到介观尺度孔隙网络模型;所述的关键参数为描述步骤S3、S4和S5中所述的多尺度孔隙网络模型特征的参数,具体包括孔喉半径,配位数和孔喉长度;
S7、对步骤S6得到的介观尺度孔隙网络模型进行随机组合和筛选,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型;
S8、将砾石特征参数加入步骤S7得到的宏观尺度砂岩基础模型,构建宏观尺度砾岩模型。
2.根据权利要求1所述的砾岩储层孔隙网络模型建模方法,其特征在于,步骤S2中所述的孔隙网络模型中具有孔隙相、岩石相和混合相;
所述孔隙相指孔隙网络模型中孔隙度为1的体素;
所述岩石相指孔隙网络模型中孔隙度为0的体素;
所述混合相指孔隙网络模型中孔隙度介于0与1之间的体素。
3.根据权利要求1所述的砾岩储层孔隙网络模型建模方法,其特征在于,步骤S3中所述第N-1种分辨率对应的多尺度孔隙网络模型的构建方法为:
S31:计算第N-1种分辨率对应的多尺度孔隙网络模型的孔隙度:
根据步骤S2得到的N种分辨率的孔隙网络模型,统计第N-1种分辨率的孔隙网络模型的孔隙度PN-1和混合相体积系数Vmix,根据步骤S1得到的孔喉分布曲线计算第N种分辨率的孔隙网络模型中大于第N种分辨率的孔隙的孔隙度PN,然后采用以下公式,计算第N-1种分辨率对应的多尺度孔隙网络模型的孔隙度
φN-1=PN+VmixPN-1
其中,
PN为第N种分辨率的孔隙网络模型中大于第N种分辨率的孔隙的孔隙度;
PN-1为第N-1种分辨率的孔隙网络模型孔隙度;
Vmix为第N-1种分辨率的孔隙网络模型混合相体积比例;
S32:计算第N-1种分辨率对应的多尺度孔隙网络模型的相分布;
根据步骤S2得到的N种分辨率的孔隙网络模型,分割第N种分辨率的孔隙网络模型,使得其与第N-1种分辨率的孔隙网络模型具有相同的体素分布,然后根据规则确定第N-1种分辨率对应的多尺度孔隙网络模型的相分布。
4.根据权利要求3所述的砾岩储层孔隙网络模型建模方法,其特征在于,根据规则确定第N-1种分辨率对应的多尺度孔隙网络模型的相分布的具体方法为:
若某体素是第N种分辨率的孔隙网络模型的孔隙相或岩石相,则第N-1种分辨率对应的多尺度孔隙网络模型中该体素仍为孔隙相或岩石相;
若某体素是第N种分辨率的孔隙网络模型的混合相,则第N-1种分辨率对应的多尺度孔隙网络模型中该体素的相和第N种分辨率的孔隙网络模型中该体素的相一致。
5.根据权利要求1所述的砾岩储层孔隙网络模型建模方法,其特征在于,步骤S5中所述第1种分辨率对应的多尺度孔隙网络模型的构建方法为:针对第N-2、N-3、…、2、1种分辨率,重复步骤S3和S4,即可得到第1种分辨率对应的多尺度孔隙网络模型。
7.根据权利要求1所述的砾岩储层孔隙网络模型建模方法,其特征在于,步骤S7中所述误差最小的宏观尺度孔隙网络模型的筛选方法,具体为:
S71:对步骤S6得到的介观尺度孔隙网络模型进行随机组合,得到M种宏观尺度孔隙网络模型;
S72:根据砂岩岩心孔隙度、动态参数对宏观尺度孔隙网络模型进行筛选,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型;
S73:计算M个宏观尺度孔隙网络模型的孔隙度,与砂岩岩心实测孔隙度进行对比,选取误差最小的[M/4]+1个宏观尺度孔隙网络模型;
S74:对真实岩心和[M/4]+1个宏观尺度孔隙网络模型开展水驱水、油驱水和水驱油实验,分别对比动态参数,选取误差最小的宏观尺度孔隙网络模型作为宏观尺度砂岩基础模型。
8.根据权利要求7所述的砾岩储层孔隙网络模型建模方法,其特征在于,步骤S71中所述随机组合的方法为:
S711:根据实际需求,设计宏观尺度孔隙网络模型尺寸及基本单元数目;
所述宏观尺度孔隙网络模型尺寸指宏观尺度孔隙网络模型的长宽高:X、Y、Z;
所述宏观尺度孔隙网络模型基本单元数目指用于随机组合的介观尺度孔隙网络模型的个数m;
S712:随机选取介观尺度孔隙网络模型,将其作为宏观尺度孔隙网络模型的基本单元;
S713:执行步骤S712共m·M次,共生成M个宏观尺度孔隙网络模型。
9.根据权利要求7所述的砾岩储层孔隙网络模型建模方法,其特征在于,步骤S72中所述水驱水实验的动态参数为注入压力;所述油驱水实验的动态参数为注入压力、含油率和束缚水饱和度;所述水驱油实验的动态参数为注入压力、含水率和残余油饱和度。
10.根据权利要求1所述的砾岩储层孔隙网络模型建模方法,其特征在于,步骤S8中所述宏观尺度砾岩模型的构建方法具体为:
S81:根据现场取心资料确定砾石特征参数R和ρ;
其中,R为砾石半径,ρ为砾石在岩心中的密度;
若岩心中砾石半径差距较大,可按下式拟合砾石半径,得到概率密度函数中系数;
其中,
f4(R)为砾石半径概率密度函数;
η、μ4为系数;
S82:将步骤S81得到的砾石特征参数加入步骤S7得到的宏观尺度砂岩基础模型,构建宏观尺度砾岩模型;
S83:确定要加入模型中的砾石个数n,具体如下式所示:
n=[XYZρ]+1
其中,
n为要加入宏观尺度孔隙网络模型的砾岩个数;
X、Y、Z分别为宏观尺度孔隙网络模型的长宽高;
S84:将宏观尺度孔隙网络模型划分n个单元,将n个砾石置于n个单元的中心;
S85:若体素中有空间被砾石占据,则体素转变为岩石相;若体素中无空间被砾石占据,则体素的相不变;
S86:沿砾石边缘设置砾缘缝,即在砾石边缘两个体素的压力梯度大于λ1时,砾石边缘出现裂缝,且开度b符合下式所示:
其中,
b为砾缘缝开度,
λ为砾石边缘两个体素的压力梯度;
λ1为砾缘缝从闭合至张开状态的临界压力梯度;
a1、a2、a3为系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261409.4A CN111428321B (zh) | 2020-04-03 | 2020-04-03 | 一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261409.4A CN111428321B (zh) | 2020-04-03 | 2020-04-03 | 一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428321A true CN111428321A (zh) | 2020-07-17 |
CN111428321B CN111428321B (zh) | 2022-10-04 |
Family
ID=71555911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010261409.4A Active CN111428321B (zh) | 2020-04-03 | 2020-04-03 | 一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428321B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179815A (zh) * | 2020-09-21 | 2021-01-05 | 西南石油大学 | 一种基于孔隙网络模型的单相非稳态渗流模型建立方法 |
CN112610205A (zh) * | 2021-03-05 | 2021-04-06 | 西南石油大学 | 一种强非均质储层气井早期产能评价方法 |
CN113029908A (zh) * | 2021-03-16 | 2021-06-25 | 中国石油大学(华东) | 一种致密储层饱和度指数的实验室测量方法 |
CN113255247A (zh) * | 2021-06-04 | 2021-08-13 | 中国石油大学(华东) | 一种高含水期油藏多尺度数值模拟方法 |
CN113250685A (zh) * | 2021-05-24 | 2021-08-13 | 中国石油大学(华东) | 一种页岩油藏全尺度升级方法 |
CN113310877A (zh) * | 2021-06-07 | 2021-08-27 | 中国石油大学(华东) | 一种区域结构差异化的岩石多尺度孔隙网络模型构建方法 |
CN113702257A (zh) * | 2021-08-09 | 2021-11-26 | 西南石油大学 | 一种基于ct三维数据体的砾岩孔隙结构表征方法 |
CN114357797A (zh) * | 2022-01-13 | 2022-04-15 | 东北石油大学 | 用于致密储层数值模拟的多孔介质等效简化模型构建方法 |
CN115993376A (zh) * | 2022-12-06 | 2023-04-21 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
CN117152373A (zh) * | 2023-11-01 | 2023-12-01 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822865A (zh) * | 2014-03-20 | 2014-05-28 | 中国石油大学(华东) | 一种高分辨率三维数字岩心建模方法 |
CN104573198A (zh) * | 2014-12-23 | 2015-04-29 | 长江大学 | 基于随机分形理论的数字岩心及孔隙网络模型重构方法 |
CN106780744A (zh) * | 2016-12-27 | 2017-05-31 | 中国石油天然气集团公司 | 利用不同分辨率ct图像构建多尺度三维数字岩心的方法 |
CN107817199A (zh) * | 2016-09-14 | 2018-03-20 | 中国石油化工股份有限公司 | 一种致密砂岩多尺度孔隙模型的构建方法和应用 |
CN110320137A (zh) * | 2018-03-29 | 2019-10-11 | 中国石油化工股份有限公司 | 一种基于数字岩心的多尺度融合方法 |
-
2020
- 2020-04-03 CN CN202010261409.4A patent/CN111428321B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103822865A (zh) * | 2014-03-20 | 2014-05-28 | 中国石油大学(华东) | 一种高分辨率三维数字岩心建模方法 |
CN104573198A (zh) * | 2014-12-23 | 2015-04-29 | 长江大学 | 基于随机分形理论的数字岩心及孔隙网络模型重构方法 |
CN107817199A (zh) * | 2016-09-14 | 2018-03-20 | 中国石油化工股份有限公司 | 一种致密砂岩多尺度孔隙模型的构建方法和应用 |
CN106780744A (zh) * | 2016-12-27 | 2017-05-31 | 中国石油天然气集团公司 | 利用不同分辨率ct图像构建多尺度三维数字岩心的方法 |
CN110320137A (zh) * | 2018-03-29 | 2019-10-11 | 中国石油化工股份有限公司 | 一种基于数字岩心的多尺度融合方法 |
Non-Patent Citations (2)
Title |
---|
盛军等: "数字岩心技术在致密储层微观渗流特征研究中的应用", 《西安石油大学学报(自然科学版)》 * |
鲁国明: "基于孔隙网络模型的砂砾岩微观水驱油驱替特征", 《特种油气藏》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112179815A (zh) * | 2020-09-21 | 2021-01-05 | 西南石油大学 | 一种基于孔隙网络模型的单相非稳态渗流模型建立方法 |
CN112179815B (zh) * | 2020-09-21 | 2022-04-05 | 西南石油大学 | 一种基于孔隙网络模型的单相非稳态渗流模型建立方法 |
CN112610205A (zh) * | 2021-03-05 | 2021-04-06 | 西南石油大学 | 一种强非均质储层气井早期产能评价方法 |
CN112610205B (zh) * | 2021-03-05 | 2021-06-04 | 西南石油大学 | 一种强非均质储层气井早期产能评价方法 |
CN113029908A (zh) * | 2021-03-16 | 2021-06-25 | 中国石油大学(华东) | 一种致密储层饱和度指数的实验室测量方法 |
CN113029908B (zh) * | 2021-03-16 | 2021-11-26 | 中国石油大学(华东) | 一种致密储层饱和度指数的实验室测量方法 |
CN113250685A (zh) * | 2021-05-24 | 2021-08-13 | 中国石油大学(华东) | 一种页岩油藏全尺度升级方法 |
CN113255247A (zh) * | 2021-06-04 | 2021-08-13 | 中国石油大学(华东) | 一种高含水期油藏多尺度数值模拟方法 |
CN113255247B (zh) * | 2021-06-04 | 2022-03-25 | 中国石油大学(华东) | 一种高含水期油藏多尺度数值模拟方法 |
CN113310877B (zh) * | 2021-06-07 | 2022-12-06 | 中国石油大学(华东) | 一种区域结构差异化的岩石多尺度孔隙网络模型构建方法 |
CN113310877A (zh) * | 2021-06-07 | 2021-08-27 | 中国石油大学(华东) | 一种区域结构差异化的岩石多尺度孔隙网络模型构建方法 |
CN113702257A (zh) * | 2021-08-09 | 2021-11-26 | 西南石油大学 | 一种基于ct三维数据体的砾岩孔隙结构表征方法 |
CN114357797B (zh) * | 2022-01-13 | 2022-06-17 | 东北石油大学 | 用于致密储层数值模拟的多孔介质等效简化模型构建方法 |
CN114357797A (zh) * | 2022-01-13 | 2022-04-15 | 东北石油大学 | 用于致密储层数值模拟的多孔介质等效简化模型构建方法 |
CN115993376A (zh) * | 2022-12-06 | 2023-04-21 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
CN115993376B (zh) * | 2022-12-06 | 2023-09-15 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
CN117152373A (zh) * | 2023-11-01 | 2023-12-01 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
CN117152373B (zh) * | 2023-11-01 | 2024-02-02 | 中国石油大学(华东) | 一种考虑裂缝的岩心级孔隙网络模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111428321B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428321B (zh) | 一种基于简化数字岩心的砾岩储层孔隙网络模型建模方法 | |
CN104533370B (zh) | 压裂水平井油藏、裂缝、井筒全耦合模拟方法 | |
CN104750896B (zh) | 一种缝洞型碳酸盐岩油藏数值模拟方法 | |
CN105551004A (zh) | 一种基于岩心ct图像处理的剩余油微观赋存表示方法 | |
CN105160134B (zh) | 致密储层多重介质中油气流动的混合介质模拟方法及装置 | |
CN106837315B (zh) | 裂缝性碳酸盐岩基质与裂缝耦合作用表征方法 | |
CN104833789A (zh) | 利用致密砂岩微观孔隙结构确定气水关系的方法 | |
CN107145671B (zh) | 一种油藏数值模拟方法及系统 | |
CN110441209B (zh) | 一种基于致密储层数字岩心计算岩石渗透率的方法 | |
CN106285664A (zh) | 基于逾渗网络模拟的双重介质储层岩石含水饱和度计算法 | |
Bian et al. | Pore structure fractal characterization and permeability simulation of natural gas hydrate reservoir based on CT images | |
Zhao et al. | Effect of interlayer heterogeneity on multi-seam coalbed methane production: A numerical study using a gray lattice Boltzmann model | |
CN113486567B (zh) | 一种吹填土沉降预测方法 | |
Liu et al. | A simplified and efficient method for water flooding production index calculations in low permeable fractured reservoir | |
CN117408191B (zh) | 一种裂隙岩体渗透-流动注浆模拟方法及系统 | |
CN112069654B (zh) | 一种碳酸盐岩酸化数值模拟方法 | |
CN105676309A (zh) | 裂缝性油藏逆向渗吸采收率预测方法 | |
Hu et al. | The influence of inhomogeneous hydrate formation on permeability anisotropy of porous media | |
Huang et al. | A review of flow mechanism and inversion methods of fracture network in shale gas reservoirs | |
CN113960288B (zh) | 一种源-汇系统定量评价方法 | |
CN110441204B (zh) | 一种基于数字岩心模拟的致密储层压裂液伤害数字化评价方法 | |
Sun et al. | A novel model for predicting tight sandstone reservoir permeability | |
CN114036774A (zh) | 一种半充填缝洞型储层拟相对渗透率的确定方法、计算方法及其确定系统 | |
CN111852461B (zh) | 一种模拟致密油藏基岩与裂缝间非稳态窜流的方法 | |
Gao et al. | Application of dilation-recompaction model in fracturing optimisation in tight oil reservoir |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |