CN112464587B - 一种预测储层毛管压力曲线的方法、装置及设备 - Google Patents

一种预测储层毛管压力曲线的方法、装置及设备 Download PDF

Info

Publication number
CN112464587B
CN112464587B CN202011311475.4A CN202011311475A CN112464587B CN 112464587 B CN112464587 B CN 112464587B CN 202011311475 A CN202011311475 A CN 202011311475A CN 112464587 B CN112464587 B CN 112464587B
Authority
CN
China
Prior art keywords
capillary pressure
pressure curve
laplace transform
prediction model
research area
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.)
Active
Application number
CN202011311475.4A
Other languages
English (en)
Other versions
CN112464587A (zh
Inventor
谢然红
金国文
肖立志
徐陈昱
卫弘媛
吴勃翰
王帅
刘继龙
王宵宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202011311475.4A priority Critical patent/CN112464587B/zh
Publication of CN112464587A publication Critical patent/CN112464587A/zh
Application granted granted Critical
Publication of CN112464587B publication Critical patent/CN112464587B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Fluid Mechanics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书实施例提供了一种预测储层毛管压力曲线的方法、装置及设备，包括：获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得；根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数；根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型；根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线。利用本说明书实施例可以有效提高非常规储层复杂岩石毛管压力曲线的预测精度。

Description

一种预测储层毛管压力曲线的方法、装置及设备
技术领域
本申请涉及石油勘探开发中测井数据处理技术领域，特别涉及一种预测储层毛管压力曲线的方法、装置及设备。
背景技术
毛管压力曲线是地球物理研究中探究多孔岩石的物理性质和孔隙结构特征的重要手段，其可以直观展示毛管压力随岩石孔隙中流体饱和度的变化特征。通常毛管压力曲线可以在实验室中通过对岩心样品进行压汞或者离心实验测量得到，然而这些实验测量耗费时间和成本、容易污染或破坏岩心样品，并且只能应用于有限的岩心样品，无法实现毛管压力曲线的连续测量，而且当地层非均质性较强时，实验室岩心样品尺度下的毛管压力曲线测量难以有效表征储层岩石特征。因此，建立更简单有效的储层岩石毛管压力曲线预测方法变得比较重要。
目前，由于核磁共振(Nuclear Magnetic Resonance，NMR)技术可以同时提供孔隙度、饱和度、渗透率、孔径分布等岩石物理参数和流体性质，同时，NMR不仅可以应用于实验室岩心样品测量，还可以应用于井下以提供随测井深度连续的测量结果，使得对于毛管压力曲线预测，NMR与其他实验测量技术相比具有独特优势。现有技术中，基于NMR测量数据预测毛管压力曲线的方法均是基于T2分布进行转换，然而T2分布需要通过对回波数据进行反演获得，在回波数据低信噪比情况下反演误差较大，这样就会使毛管压力曲线预测的准确度较低，从而无法有效应用于致密砂岩等非常规储层。
因此，业内亟需一种可以解决上述技术问题的技术方案。
发明内容
本说明书实施例提供了一种预测储层毛管压力曲线的方法、装置及设备，可以有效提高非常规储层复杂岩石毛管压力曲线的预测精度。
本说明书提供的一种预测储层毛管压力曲线的方法、装置及设备是包括以下方式实现的。
一种预测储层毛管压力曲线的方法，包括：获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得；根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数；根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型；根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线。
一种预测储层毛管压力曲线的装置，包括：获取模块，用于获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得；特征参数确定模块，用于根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数；预测模型确定模块，用于根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型；毛管压力曲线预测模块，用于根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线。
一种预测储层毛管压力曲线的设备，包括处理器及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中任意一个方法实施例的步骤。
一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现所述预测储层毛管压力曲线方法的步骤。
本说明书提供的一种预测储层毛管压力曲线的方法、装置及设备。一些实施例中通过预先构造拉普拉斯变换函数对，根据预先构造的拉普拉斯变换函数对直接从核磁共振回波数据中挖掘岩石物理信息，无需对核磁共振回波数据进行反演得到T2分布，可以使得求取的特征参数不受反演不确定性的影响，从而提高对目标储层毛管压力曲线的预测精度。通过构造不同的拉普拉斯变换函数对从回波数据中提取多个特征参数，可以对储层性质进行更充分表征，从而使建立毛管压力曲线预测模型更加精确，预测的毛管压力曲线更加准确。采用本说明书提供的实施方案，可以有效提高非常规储层复杂岩石毛管压力曲线的预测精度。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，并不构成对本说明书的限定。在附图中：
图1为本说明书实施例提供的一种预测储层毛管压力曲线的方法的流程示意图；
图2为本申请实施例提供的毛管压力曲线实验测量结果和利用毛管压力曲线预测模型预测的毛管压力曲线结果；
图3为本申请实施例提供的利用不同毛管压力曲线预测模型预测毛管压力曲线的均方根误差示意图；
图4为本说明书实施例提供的一种预测储层毛管压力曲线的装置的模块结构示意图；
图5为本说明书实施例提供的一种预测储层毛管压力曲线的服务器的硬件结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书中的一部分实施例，而不是全部的实施例。基于本说明书中的一个或多个实施例，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，都应当属于本说明书实施例保护的范围。
下面以一个具体的应用场景为例对本说明书实施方案进行说明。具体的，图1为本说明书实施例提供的一种预测储层毛管压力曲线的方法的流程示意图。虽然本说明书提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元。
本说明书提供的一种实施方案可以应用到客户端、服务器等中。所述客户端可以包括终端设备，如智能手机、平板电脑等。所述服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式系统的服务器结构等。
需要说明的是，下述实施例描述并不对基于本说明书的其他可扩展到的应用场景中的技术方案构成限制。具体的一种实施例如图1所示，本说明书提供的一种预测储层毛管压力曲线的方法的一种实施例中，所述方法可以包括以下步骤。
S0：获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得。
本说明书一些实施例中，岩心样品的核磁共振回波数据G(t)可以按照以下公式表示：
Figure BDA0002789947430000041
其中，G(t)为核磁共振回波数据，f(T2)为待反演的核磁共振T2分布，ε(t)为噪声，T2为核磁共振横向弛豫时间，t为时间。
本说明书一些实施例中，岩心样品的毛管压力曲线测量数据可以为进汞饱和度随进汞压力的变化曲线。毛管压力曲线测量数据可以包括每个毛管压力点对应的非润湿相饱和度。通常毛管压力和流体饱和度之间表现为复杂的非线性关系，曲线形状受界面张力、润湿性、孔隙度、渗透率等岩石和流体多种因素的综合影响。在油藏的物理模拟试验中，压汞实验可以用来绘制毛细管压力曲线，可以用来描述多项储层的特征。
一些实施场景中，可以先将研究区内岩心样品通过预设溶液进行饱和处理，然后进行NMR测量，得到岩心样品的核磁共振回波数据。其中，可以通过配置与地层水矿化度、成分等相同的溶液获得预设溶液，例如盐水。一些实施场景中，在对岩心样品进行NMR测量后，可以对岩心样品进行烘干抽真空处理，然后进行高压压汞实验，从而获得毛管压力曲线测量数据。具体的，利用高压将汞注入抽真空的岩心样品中，逐步增大注入压力，记录每一个压力点注入汞的体积进而得到对应岩样的非润湿相饱和度，最终得到岩心样品的毛管压力曲线测量数据。
S2：根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数。
本说明书实施例中，在获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据后，可以根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定研究区的毛管压力曲线特征参数。其中，毛管压力曲线特征参数可以表征岩石物理性质，用于预测目标储层的毛管压力曲线。毛管压力曲线特征参数可以包括孔隙度、饱和度、渗透率、孔径分布等岩石物理参数和流体性质参数。不同特征参数对应不同的岩石物理性质。
本说明书一些实施例中，所述预设拉普拉斯变换函数对可以包括时间域函数和T2域函数。时间域函数是以时间t为自变量的函数，T2域函数与时间域函数可以通过拉普拉斯变化转化获得。
一些实施场景中，所述预设拉普拉斯变换函数对中包括的时间域函数和T2域函数满足下述公式：
Figure BDA0002789947430000051
其中，y(t)为预设拉普拉斯变换函数对包括的时间域函数，Y(T2)为预设拉普拉斯变换函数对包括的T2域函数，T2为核磁共振横向弛豫时间，t为时间。需要说明的是，预设拉普拉斯变换函数对理论上可以有无数种。
一些实施场景中，所述根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数，可以包括：
按照以下公式确定所述研究区的毛管压力曲线特征参数：
Figure BDA0002789947430000052
其中，P为毛管压力曲线特征参数，y(t)为预设拉普拉斯变换函数对中时间域函数，G(t)为核磁共振回波数据。
一些实施场景中，为更好地表征储层岩石物理性质，可以预先构造7组拉普拉斯变换函数对，具体的，如表1所示为预先构造的拉普拉斯变换函数对，其中，Y(T2)列表示T2域函数形式，y(t)列表示时间域函数形式。
表1拉普拉斯变换函数对
Figure BDA0002789947430000053
Figure BDA0002789947430000061
当然，上述只是进行示例性说明，预先构造的拉普拉斯变换函数对不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
本说明书一些实施例中，所述预设拉普拉斯变换函数对可以包括至少两组不同的拉普拉斯变换函数对，相应的，所述根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数可以包括至少两个。表2中列出了分别根据上述七种预设拉普拉斯变换函数对包括的时间域函数和核磁共振回波数据，确定研究区毛管压力曲线特征参数的方式。其中，特征参数一列中P1、P2、P3、P4、P5、P6、P7表示不同毛管压力曲线特征参数，特征参数在时间域的求取方式表示每个毛管压力曲线特征参数的求取方式。
表2毛管压力曲线特征参数的求取方式
Figure BDA0002789947430000062
Figure BDA0002789947430000071
本说明书实施例，通过预先构造拉普拉斯变换函数对，利用预先构造的拉普拉斯变换函数对中包括的时间域函数与核磁共振回波数据在时间域进行积分，就可以快速准确的求取预测毛管压力曲线所需的特征参数。由于无需对核磁共振回波数据进行反演得到T2分布，可以使得求取的特征参数不受反演不确定性的影响，从而可以提高对目标储层毛管压力曲线的预测精度。
需要说明的是，一些实施场景中，求取研究区的毛管压力曲线特征参数时，通常可以先对核磁共振回波数据进行反演得到T2分布，然后根据预先构造的第一组拉普拉斯变换函数对中T2域函数得到第一特征参数。其中，第一特征参数可以理解为是研究区的毛管压力曲线的一个特征参数。具体可以根据下述公式求取第一特征参数：
Figure BDA0002789947430000072
进一步，可以结合
Figure BDA0002789947430000073
对上述第一特征参数在T2域的求取方式进行变形得到
Figure BDA0002789947430000074
结合核磁共振回波数据的表达式，可以得到第一特征参数在时间域的求取方式为
Figure BDA0002789947430000075
通过上面推导过程得到的最终结果，即得到的第一特征参数在时间域的求取方式
Figure BDA0002789947430000076
可知，原本只能从T2分布中求取的第一特征参数可以根据预先构造的第一组拉普拉斯变换函数对在时间域的函数直接从回波数据中求取，而不必反演得到T2分布。
一些实施场景中，对核磁共振回波数据进行反演得到T2分布后，可以根据预先构造的七组拉普拉斯变换函数对中T2域函数分别得到七个毛管压力曲线特征参数。
需要说明的是，上述实施方式是为了更好地说明本申请实施方式，仅以得到七个毛管压力曲线特征参数为例进行示意性说明，具体实施时，可以根据具体情况确定毛管压力曲线特征参数的个数。
S4：根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型。
本说明书实施例中，在确定研究区的毛管压力曲线特征参数后，可以根据毛管压力曲线特征参数和毛管压力曲线测量数据，确定研究区的毛管压力曲线预测模型。其中，毛管压力曲线预测模型可以用于预测研究区内目标储层的毛管压力曲线。
本说明书一些实施例中，所述根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型，可以包括：根据所述毛管压力曲线特征参数和所述每个毛管压力点对应的非润湿相饱和度，确定每个毛管压力点对应的非润湿相饱和度预测模型；基于所有每个毛管压力点对应的非润湿相饱和度预测模型，确定所述研究区的毛管压力曲线预测模型。
一些实施场景中，所述根据所述毛管压力曲线特征参数和所述每个毛管压力点对应的非润湿相饱和度，确定每个毛管压力点对应的非润湿相饱和度预测模型，可以包括：按照以下公式确定所述每个毛管压力点对应的非润湿相饱和度预测模型：
Snw,i＝Ri(P)
其中，Snw,i为第i个毛管压力点对应的非润湿相饱和度，i＝1,2,3…,k，k为毛管压力点总个数，Ri为第i个毛管压力点对应的非润湿相饱和度预测模型，P为毛管压力曲线特征参数。
例如一些实施场景中，在每一个毛管压力点处，可以根据确定的7个特征参数按照以下公式确定研究区非润湿相饱和度的预测模型：
Snw,i＝Ri(P1,P2,...,P7)
其中，Snw,i为第i个毛管压力点对应的非润湿相饱和度，i＝1,2,3…,k，k为研究区的毛管压力曲线包含的毛管压力点总个数，Ri为第i个毛管压力点对应的非润湿相饱和度预测模型，P1、P2、P3、P4、P5、P6、P7为一个毛管压力点对应的7个特征参数。
需要说明的是，在确定每个毛管压力点对应的非润湿相饱和度预测模型时，可以采用传统非线性拟合方法，也可以采用神经网络等机器学习方法，具体可以根据实际场景进行选择，对此本申请不做限制。
本说明书一些实施例中，在确定每个毛管压力点对应的非润湿相饱和度预测模型后，可以将所有毛管压力点对应的非润湿相饱和度预测模型组合放到一个集合中，获得研究区的毛管压力曲线预测模型。其中，研究区的毛管压力曲线预测模型可以包括多个毛管压力点对应的非润湿相饱和度预测模型，每个毛管压力点对应的非润湿相饱和度预测模型可以相同，也可以不同。
S6：根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线。
本说明书实施例中，在确定研究区的毛管压力曲线预测模型后，可以根据毛管压力曲线预测模型预测研究区内目标储层的毛管压力曲线。
一些实施场景中，可以根据毛管压力曲线预测模型和研究区内目标储层的非润湿相饱和度预测对应的毛管压力，进而获得毛管压力曲线。根据毛管压力曲线预测模型和研究区内目标储层的毛管压力预测对应的非润湿相饱和度，进而获得毛管压力曲线。
当然，上述只是进行示例性说明，本说明书实施例不限于上述举例，所属领域技术人员在本申请技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本申请相同或相似，均应涵盖于本申请保护范围内。
下面结合具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。本实施例中，选取致密砂岩为储层岩石，预先构造的拉普拉斯变换函数对为表1中七组拉普拉斯变换函数对，根据毛管压力曲线预测模型预测研究区内目标储层的毛管压力曲线。具体实施时包括以下步骤。
S101：获取研究区内致密砂岩样品，分别进行NMR实验和高压压汞实验，获得岩心样品的核磁共振回波数据和毛管压力曲线测量数据。
本实施例中，收集研究区18块致密砂岩样品，分别进行NMR实验和高压压汞实验。具体的，首先将研究区内岩心样品饱和盐水，进行NMR测量，得到岩心样品的核磁共振回波数据。然后，对岩心样品进行烘干抽真空处理，进行高压压汞实验。具体的，利用高压将汞注入抽真空的岩心样品中，逐步增大注入压力，记录每一个压力点注入汞的体积进而得到对应岩样的非润湿相饱和度，最终得到所述岩心样品的毛管压力曲线测量数据。
S102：分别根据特征参数在时间域的求取方式，利用积分变换方法根据实验测量的NMR回波数据得到预测毛管压力曲线所需特征参数。
本实施例中，可以分别根据表2所列特征参数在时间域的求取方式，利用积分变换方法根据实验测量NMR回波数据得到预测毛管压力曲线所需特征参数P1-P7。
S103：分别采用传统非线性拟合方法、神经网络方法建立毛管压力曲线预测模型。
本实施例中，由于岩心样品有限，为更好地验证每个方法的预测效果，可以采用留一法交叉验证，即每次选取一块样品作为测试集，剩下的17块样品作为训练集用于确定毛管压力曲线预测模型。
S104：将两种毛管压力曲线预测模型得到的毛管压力曲线预测结果进行对比，选取适用于研究区的最优储层毛管压力曲线预测模型。
如图2所示，图2为本申请实施例提供的毛管压力曲线实验测量结果和利用毛管压力曲线预测模型预测的毛管压力曲线结果。其中，实验测量表示毛管压力曲线实验测量结果，传统非线性拟合表示基于传统非线性拟合方法建立的毛管压力曲线预测模型预测的毛管压力曲线，神经网络表示基于神经网络方法建立的毛管压力曲线预测模型预测的毛管压力曲线，PC为进汞压力，Snw为进汞饱和度。由图2可知，基于神经网络方法建立的毛管压力曲线预测模型预测的毛管压力曲线与实验测量结果更接近。
如图3所示，图3为本申请实施例提供的利用不同毛管压力曲线预测模型预测毛管压力曲线的均方根误差示意图。横坐标表示样品编号，纵坐标表示均方根误差，传统非线性拟合表示基于传统非线性拟合方法建立的毛管压力曲线预测模型预测的毛管压力曲线的均方根误差，神经网络表示基于神经网络方法建立的毛管压力曲线预测模型预测的毛管压力曲线的均方根误差。由图3可知，基于神经网络方法建立的毛管压力曲线预测模型预测的毛管压力曲线的均方根误差小于基于传统非线性拟合方法建立的毛管压力曲线预测模型预测的毛管压力曲线的均方根误差。综上可知，本说明书实施例所述方法可以实现对储层岩石毛管压力曲线的准确预测。
需要说明的是，上述实施方式仅以致密砂岩为例进行示意性说明，本说明书实施例还可以应用于对其他类型储层，对此，本申请不作限定。
从以上的描述中，可以看出，本申请实施例可以实现如下技术效果：通过预先构造拉普拉斯变换函数对，根据预先构造的拉普拉斯变换函数对直接从核磁共振回波数据中挖掘岩石物理信息，无需对核磁共振回波数据进行反演得到T2分布，可以使得求取的特征参数不受反演不确定性的影响，从而提高对目标储层毛管压力曲线的预测精度。通过构造不同的拉普拉斯变换函数对从回波数据中提取多个特征参数，可以对储层性质进行更充分表征，从而使建立毛管压力曲线预测模型更加精确，预测的毛管压力曲线更加准确。
本说明书中上述方法的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参见方法实施例的部分说明即可。
基于上述所述一种预测储层毛管压力曲线的方法，本说明书一个或多个实施例还提供一种预测储层毛管压力曲线的装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图4为本说明书实施例提供的一种预测储层毛管压力曲线的装置的模块结构示意图，如图4所示，本说明书提供的一种预测储层毛管压力曲线的装置可以包括：获取模块120，特征参数确定模块122，预测模型确定模块124，毛管压力曲线预测模块126。
获取模块120，可以用于获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得；
特征参数确定模块122，可以用于根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数；
预测模型确定模块124，可以用于根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型；
毛管压力曲线预测模块126，可以用于根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线。
基于前述方法所述实施例的描述，本说明书所述装置的另一个实施例中，所述特征参数确定模块，可以包括：
按照以下公式确定所述研究区的毛管压力曲线特征参数：
Figure BDA0002789947430000121
其中，P为毛管压力曲线特征参数，y(t)为预设拉普拉斯变换函数对中时间域函数，G(t)为核磁共振回波数据。
需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书还提供一种预测储层毛管压力曲线的设备的实施例，包括处理器及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时可以实现上述任意一项方法实施例。例如，所述指令被所述处理器执行时实现包括以下步骤：获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得；根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数；根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型；根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线。
需要说明的，上述所述的设备根据方法或装置实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。
本说明书所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5为本说明书实施例提供的一种预测储层毛管压力曲线的服务器的硬件结构框图，该服务器可以是上述实施例中的预测储层毛管压力曲线的装置或预测储层毛管压力曲线的系统。如图5所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本领域普通技术人员可以理解，图5所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图5中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图5所示不同的配置。
存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的预测储层毛管压力曲线的方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、装置或设备。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。
以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (7)

1.一种预测储层毛管压力曲线的方法，其特征在于，包括：
获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得；
根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数；
根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型；
根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线；
其中，所述预设拉普拉斯变换函数对中包括的时间域函数和T2域函数满足下述公式：
Figure FDA0003781617990000011
其中，y(t)为预设拉普拉斯变换函数对包括的时间域函数，Y(T2)为预设拉普拉斯变换函数对包括的T2域函数，T2为核磁共振横向弛豫时间，t为时间；
其中，所述根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数，包括：
按照以下公式确定所述研究区的毛管压力曲线特征参数：
Figure FDA0003781617990000012
其中，P为毛管压力曲线特征参数，y(t)为预设拉普拉斯变换函数对包括的时间域函数，G(t)为核磁共振回波数据。
2.根据权利要求1所述的方法，其特征在于，所述预设拉普拉斯变换函数对包括至少两组不同的拉普拉斯变换函数对，相应的，所述根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数包括至少两个。
3.根据权利要求1所述的方法，其特征在于，所述毛管压力曲线测量数据包括每个毛管压力点对应的非润湿相饱和度；
所述根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型，包括：
根据所述毛管压力曲线特征参数和所述每个毛管压力点对应的非润湿相饱和度，确定每个毛管压力点对应的非润湿相饱和度预测模型；
基于所有每个毛管压力点对应的非润湿相饱和度预测模型，确定所述研究区的毛管压力曲线预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述毛管压力曲线特征参数和所述每个毛管压力点对应的非润湿相饱和度，确定每个毛管压力点对应的非润湿相饱和度预测模型，包括：
按照以下公式确定所述每个毛管压力点对应的非润湿相饱和度预测模型：
Snw,i＝Ri(P)
其中，Snw,i为第i个毛管压力点对应的非润湿相饱和度，i＝1,2,3…,k，k为毛管压力点总个数，Ri为第i个毛管压力点对应的非润湿相饱和度预测模型，P为毛管压力曲线特征参数。
5.一种预测储层毛管压力曲线的装置，其特征在于，包括：
获取模块，用于获取研究区内岩心样品的核磁共振回波数据和毛管压力曲线测量数据；所述毛管压力曲线测量数据基于压汞实验获得；
特征参数确定模块，用于根据预设拉普拉斯变换函数对和所述核磁共振回波数据，确定所述研究区的毛管压力曲线特征参数；其中，所述预设拉普拉斯变换函数对包括时间域函数和T2域函数；
预测模型确定模块，用于根据所述毛管压力曲线特征参数和所述毛管压力曲线测量数据，确定所述研究区的毛管压力曲线预测模型；
毛管压力曲线预测模块，用于根据所述毛管压力曲线预测模型预测所述研究区内目标储层的毛管压力曲线；
其中，所述预设拉普拉斯变换函数对中包括的时间域函数和T2域函数满足下述公式：
Figure FDA0003781617990000031
其中，y(t)为预设拉普拉斯变换函数对包括的时间域函数，Y(T2)为预设拉普拉斯变换函数对包括的T2域函数，T2为核磁共振横向弛豫时间，t为时间；
其中，所述特征参数确定模块，包括：
按照以下公式确定所述研究区的毛管压力曲线特征参数：
Figure FDA0003781617990000032
其中，P为毛管压力曲线特征参数，y(t)为预设拉普拉斯变换函数对包括的时间域函数，G(t)为核磁共振回波数据。
6.一种预测储层毛管压力曲线的设备，其特征在于，包括处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机指令，所述指令被执行时实现权利要求1至4中任一项所述方法的步骤。
CN202011311475.4A 2020-11-20 2020-11-20 一种预测储层毛管压力曲线的方法、装置及设备 Active CN112464587B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011311475.4A CN112464587B (zh) 2020-11-20 2020-11-20 一种预测储层毛管压力曲线的方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011311475.4A CN112464587B (zh) 2020-11-20 2020-11-20 一种预测储层毛管压力曲线的方法、装置及设备

Publications (2)

Publication Number Publication Date
CN112464587A CN112464587A (zh) 2021-03-09
CN112464587B true CN112464587B (zh) 2022-09-20

Family

ID=74799464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011311475.4A Active CN112464587B (zh) 2020-11-20 2020-11-20 一种预测储层毛管压力曲线的方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112464587B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117876727B (zh) * 2024-01-29 2024-08-09 成都北方石油勘探开发技术有限公司 一种压汞曲线自动聚类方法、系统及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353419A (zh) * 2015-11-25 2016-02-24 中国地质大学（北京） 一种基于储集层分类的核磁毛管压力曲线构造方法
CN108268712A (zh) * 2018-01-05 2018-07-10 中国石油大学(北京) 核磁共振确定孔隙介质毛管压力的方法和装置
CN108763648A (zh) * 2018-04-26 2018-11-06 中国石油大学(北京) 基于核磁共振t2分布获取毛管压力曲线的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353419A (zh) * 2015-11-25 2016-02-24 中国地质大学（北京） 一种基于储集层分类的核磁毛管压力曲线构造方法
CN108268712A (zh) * 2018-01-05 2018-07-10 中国石油大学(北京) 核磁共振确定孔隙介质毛管压力的方法和装置
CN108763648A (zh) * 2018-04-26 2018-11-06 中国石油大学(北京) 基于核磁共振t2分布获取毛管压力曲线的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
利用常规测井技术探究预测储层毛管压力曲线;杜小强等;《工业技术创新》;20190425(第02期);全文 *

Also Published As

Publication number Publication date
CN112464587A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN103760082B (zh) 页岩层系致密储层原油有效可动空间确定方法和装置
CN111624147A (zh) 岩心的相对渗透率测定方法及装置
CN109100812B (zh) 基于核磁共振的岩石孔隙分形维数评价方法及装置
CN112462438B (zh) 基于核磁共振测井定量评价地层流体的方法、装置及设备
CN105891089A (zh) 储层渗透率确定方法及装置
CN112464587B (zh) 一种预测储层毛管压力曲线的方法、装置及设备
US20240003839A1 (en) Method and system for determining geological models using spatial properties based on nuclear magnetic resonance data
FR3046479A1 (zh)
CA2921390A1 (en) Pseudo phase production simulation: a signal processing approach to assess quasi-multiphase flow production via successive analogous step-function relative permeability controlled models in reservoir flow simulation in order to rank multiple petro-physical realizations
CN109612900A (zh) 一种储层岩石渗透率预测方法、装置及存储介质
CN111485874A (zh) 确定水平井储层含水饱和度的方法及装置
CN112051292A (zh) 一种孔喉结构动态表征方法及装置
CN106908370B (zh) 砂岩孔渗参数的确定方法和装置
CN110160927B (zh) 一种确定束缚水饱和度的方法及装置
CN112049623B (zh) 一种中基性火山岩束缚水出水的判定方法和装置
CN109989743B (zh) 一种确定泥浆滤液侵入深度的方法及系统
Abbasi et al. Application of Physics-Informed Neural Networks for Estimation of Saturation Functions from Countercurrent Spontaneous Imbibition Tests
CN103675945B (zh) 一种测定孔洞型储层的饱和度的方法及设备
CN115201245A (zh) 基于核磁共振模拟的岩心分析方法和装置、设备及介质
CN106837318B (zh) 岩层稠油含量获取方法和装置
CN111999331B (zh) 基于核磁测试的毛管压力确定方法及装置
CN114153007B (zh) 水锁效应损害油气层的建模方法、损害程度时空演化4d定量与智能诊断方法及其系统
CN114460639B (zh) 页岩油储层渗透率的预测方法及装置
CN112147172B (zh) 基于核磁共振t2谱评估含水饱和度的方法和装置
Mejia et al. Estimation of three‐phase flow functions in porous media

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