CN112698399B - 一种砂砾岩井测震联动约束高效储层定量预测方法与系统 - Google Patents
一种砂砾岩井测震联动约束高效储层定量预测方法与系统 Download PDFInfo
- Publication number
- CN112698399B CN112698399B CN202011387531.2A CN202011387531A CN112698399B CN 112698399 B CN112698399 B CN 112698399B CN 202011387531 A CN202011387531 A CN 202011387531A CN 112698399 B CN112698399 B CN 112698399B
- Authority
- CN
- China
- Prior art keywords
- quality factor
- well
- work area
- reservoir
- oil layer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 169
- 238000005259 measurement Methods 0.000 title claims description 27
- 238000012937 correction Methods 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 107
- 239000011148 porous material Substances 0.000 claims description 96
- 230000035699 permeability Effects 0.000 claims description 44
- 239000004927 clay Substances 0.000 claims description 42
- 238000012795 verification Methods 0.000 claims description 39
- 238000013210 evaluation model Methods 0.000 claims description 35
- 239000011435 rock Substances 0.000 claims description 32
- 230000015572 biosynthetic process Effects 0.000 claims description 28
- 238000012512 characterization method Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 12
- 239000008398 formation water Substances 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 11
- 239000004576 sand Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000035515 penetration Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 241
- 238000010586 diagram Methods 0.000 description 17
- 230000002452 interceptive effect Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 238000005070 sampling Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000035939 shock Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000000704 physical effect Effects 0.000 description 6
- 229920006395 saturated elastomer Polymers 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 238000013213 extrapolation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 235000000421 Lepidium meyenii Nutrition 0.000 description 4
- 240000000759 Lepidium meyenii Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 235000012902 lepidium meyenii Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 4
- 229910052753 mercury Inorganic materials 0.000 description 4
- 238000003825 pressing Methods 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 241000634997 Leucon Species 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- UQVDQSWZQXDUJB-UHFFFAOYSA-N hydron;7h-purin-6-amine;chloride Chemical compound Cl.NC1=NC=NC2=C1NC=N2 UQVDQSWZQXDUJB-UHFFFAOYSA-N 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 229910021536 Zeolite Inorganic materials 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 238000005056 compaction Methods 0.000 description 2
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001151 other effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000010457 zeolite Substances 0.000 description 2
- 235000003826 Artemisia Nutrition 0.000 description 1
- 235000003261 Artemisia vulgaris Nutrition 0.000 description 1
- 240000006891 Artemisia vulgaris Species 0.000 description 1
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 235000009052 artemisia Nutrition 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
- G01V1/306—Analysis for determining physical properties of the subsurface, e.g. impedance, porosity or attenuation profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/282—Application of seismic models, synthetic seismograms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
- G01V1/362—Effecting static or dynamic corrections; Stacking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/40—Seismology; Seismic or acoustic prospecting or detecting specially adapted for well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/50—Corrections or adjustments related to wave propagation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6161—Seismic or acoustic, e.g. land or sea measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6169—Data from specific type of measurement using well-logging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/62—Physical property of subsurface
- G01V2210/624—Reservoir parameters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种砂砾岩井测震联动约束高效储层定量预测方法与系统。该方法包括:获取工区已钻井测井数据;基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;获取工区经频率矫正后的优选地震属性组合数据体;其中,所述优选地震属性组合为适合模拟砂砾岩油层品质因子的地震属性组合;其中,所述频率矫正基于测井构建的工区已钻井油层品质因子进行;用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;基于工区地震油层品质因子,预测砂砾岩高效储层分布。
Description
技术领域
本发明属于油气勘探复杂砂砾岩储层预测技术领域,特别涉及一种砂砾岩井测震联动约束高效储层定量预测方法、系统、装置及存储介质。
背景技术
西部挤压盆地背景下,砂砾岩储层多属低孔低渗储层,储层内部非均质性较强,以准噶尔盆地玛湖凹陷百口泉组为代表(如图4A、图4B所示),在生油岩、盖层、圈闭、运移、保存等其它成藏条件相同背景下,砂砾岩体内部油气的富集程度差异较大。单一的常规测井曲线和纵波波阻抗曲线只能大致区分泥岩和砂砾岩,对砂砾岩内部储层和非储层的响应不敏感(如图4C所示)。
在现有公开的专利技术中,CN109459788A公开了一种地层品质因子计算方法:根据衰减子波的振幅谱计算出功率谱;对功率谱进行积分运算获取地层品质因子;该方法理论计算精度较高。CN108957540A公开了一种提取储层中衰减品质因子的方法:利用广义S变换把地震记录从时间域变换成时频域得到时频图;基于时频图计算质心频率;利用质心频移法估算目的层Q值序列;该方法估算的精度较高。CN111337977A公开了一种品质因子的确定方法:从垂直地震剖面中获取井中数据,从叠后地震数据中获取地震数据;根据井中数据和地震数据,确定工区的目标因子场;该方法实现了Q值盲区问题得到改进。以上述方法为代表的现有专利技术多基于三维地震资料进行分析,欠缺地质主因分析-测井定量评价。井-震未有效衔接,预测结果的可靠性有待提高。
现有文献的多曲线拟合的储层评价因子技术(孟祥超,苏静,刘午牛等.基于储层质量主控因素分析的CZ因子构建及优质储层预测-以玛湖凹陷西斜坡区三叠系百口泉组为例.东北石油大学学报,2015,Vol(39)No(4):1-9),对砂砾岩储层质量(储集空间、渗流性能)进行了半定量评价,但对砂砾岩内高效储层(油浸-饱含油)的定量预测缺乏足够手段。因此,目前以测井相、地震相、波阻抗反演等为代表的地球物理手段多用于识别砂砾岩体内部的岩相特征,刻画砂砾岩体卸载范围,指导沉积相带边界刻画,对砂砾岩储层(尤其是高效油层)的可靠识别目前尚缺乏有效的定量预测手段。
发明内容
本发明的目的在于提供一种能够有效实现复杂砂砾岩体内部高效储层(油浸-饱含油)定量预测的方法;该方法能够很好的适用于内部非均质性强、油气富集程度差异较大的低孔低渗砂砾岩体储层。
为了实现上述目的,本发明提供了一种砂砾岩井测震联动约束高效储层定量预测方法,其中,该方法包括:
获取工区已钻井测井数据;
基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
获取工区经频率矫正后的优选地震属性组合数据体;其中,所述优选地震属性组合为适合模拟砂砾岩油层品质因子的地震属性组合;其中,所述频率矫正基于测井构建的工区已钻井油层品质因子进行;
用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;
基于工区地震油层品质因子,预测砂砾岩高效储层分布。
在上述砂砾岩井测震联动约束高效储层定量预测方法中,优选地,所述基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子包括:
构建砂砾岩油层品质因子计算模型;
基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
其中,所述构建砂砾岩油层品质因子计算模型为:
Vsh=c·(D-C)+d
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;其中,D、C归一化至同一区间内;c、d为系数;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;/>为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;
其中,a、b、m、n可以采用实验室岩电分析结果;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值。
在上述砂砾岩井测震联动约束高效储层定量预测方法中,优选地,所述基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子包括:
确定砂砾岩储层质量量化表征主控因素;
确定砂砾岩储层质量量化表征主控因素和含油饱和度中的至少一个基于测井数据的计算模型,记为第一模型;
构建砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型,即为第二模型;其中,所述砂砾岩油层品质因子既能反映砂砾岩储层品质又能反应砂砾岩储层含油性;
基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
更优选地,所述第二模型包括:确定至少一个所述主控因素基于测井数据的计算模型和含油饱和度基于测井数据的计算模型;
在一具体实施方式中,基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子包括:
基于第一模型和第二模型,确定砂砾岩油层品质因子基于测井数据的计算模型作为砂砾岩油层品质因子计算模型;
基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
在一具体实施方式中,基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子包括:
基于第一模型,利用工区已钻井测井数据,确定工区已钻井的至少一个主控因素数据和/或含油饱和度数据;
基于第二模型,利用确定的所述工区已钻井的至少一个主控因素数据和/或含油饱和度数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在上述砂砾岩井测震联动约束高效储层定量预测方法中,优选地,所述砂砾岩储层质量量化表征主控因素包括泥质含量和孔喉结构;其中,所述孔喉结构优选用渗孔比进行表征;
更优选地,确定的至少一个所述主控因素基于测井数据的计算模型包括泥质含量基于密度测井数据和中子测井数据的计算模型;其中,所述泥质含量基于密度测井数据和中子测井数据的计算模型优选为:
Vsh=c·(D-C)+d
式中,Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;a、b为系数;
其中,D、C归一化至同一区间内;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值;
更优选地,确定的含油饱和度中基于测井数据的计算模型为含油饱和度基于电阻率测井数据的计算模型;其中,含油饱和度基于电阻率测井数据的计算模型优选基于阿尔奇公式确定,具体为:
式中,So为含油饱和度,%;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;其中,a、b、m、n可以采用实验室岩电分析结果;
更优选地,构建的砂砾岩油层品质因子基于主控因素的计算模型为:
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;
其中,渗孔比优选可以通过下述公式确定:
式中,为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲。
在上述砂砾岩井测震联动约束高效储层定量预测方法中,优选地,所述获取工区经频率矫正后的优选地震属性组合数据体包括:
提取工区地震属性数据体;
基于测井构建的工区已钻井油层品质因子,采用褶积算子,对工区地震属性数据体进行频率校正,得到经频率校正后的工区地震属性数据体;
采用逐步回归法实现经频率校正后的工区地震属性数据体中属性组合优选;
基于优选的属性组合,采用误差交互验证法确定最佳属性组合,记为工区经频率矫正后的优选地震属性组合数据体。
在上述砂砾岩井测震联动约束高效储层定量预测方法中,优选地,所述工区经频率矫正后的优选地震属性组合数据体中的地震属性包括正交道属性(可以由波阻抗反演数据获得)、35/40-45/50HZ频带滤波属性、视极性属性(即在振幅包络峰值处地震道的属性)、优势频率属性、25/30-35/40HZ频带滤波属性和平均频率属性(可以由波阻抗反演数据获得)。
在上述砂砾岩井测震联动约束高效储层定量预测方法中,优选地,所述基于工区地震油层品质因子,预测砂砾岩高效储层分布包括:
构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;
基于工区地震油层品质因子,利用砂砾岩储层有效性评价模型,预测砂砾岩高效储层分布。
更优选地,所述构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型通过下述方式实现:
基于测井构建的工区已钻井油层品质因子,结合工区已钻井的储层有效性,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型。
本发明还提供了一种砂砾岩井测震联动约束高效储层定量预测系统,其中,该系统包括:
测井数据获取模块:用于获取工区已钻井测井数据;
测井油层品质因子获取模块:用于基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
地震属性组合数据体获取模块:用于获取工区经频率矫正后的优选地震属性组合数据体;其中,所述优选地震属性组合为适合模拟砂砾岩油层品质因子的地震属性组合;其中,所述频率矫正基于测井构建的工区已钻井油层品质因子进行;
地震油层品质因子获取模块:用于用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;
砂砾岩高效储层分布获取模块:用于基于工区地震油层品质因子,预测砂砾岩高效储层分布。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,测井油层品质因子获取模块包括:
油层品质因子计算模型构建子模块:用于构建砂砾岩油层品质因子计算模型;
测井油层品质因子第一确定子模块:用于基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
其中,所述构建砂砾岩油层品质因子计算模型为:
其中,
Vsh=c·(D-C)+d,
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;其中,D、C归一化至同一区间内;c、d为系数;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;/>为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;
其中,a、b、m、n可以采用实验室岩电分析结果;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,测井油层品质因子获取模块包括:
主控因素确定子模块:用于确定砂砾岩储层质量量化表征主控因素;
第一模型确定子模块:用于确定砂砾岩储层质量量化表征主控因素和含油饱和度中的至少一个基于测井数据的计算模型,记为第一模型;
第二模型确定子模块:用于构建砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型,即为第二模型;其中,所述砂砾岩油层品质因子既能反映砂砾岩储层品质又能反应砂砾岩储层含油性;
测井油层品质因子第二确定子模块:用于基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,测井油层品质因子确定第二子模块包括:
砂砾岩油层品质因子计算模型确定单元:用于基于第一模型和第二模型,确定砂砾岩油层品质因子基于测井数据的计算模型作为砂砾岩油层品质因子计算模型;
测井油层品质因子第一确定单元:用于基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,测井油层品质因子确定第二子模块包括:
主控因素数据和/或含油饱和度数据确定单元:用于基于第一模型,利用工区已钻井测井数据,确定工区已钻井的至少一个主控因素数据和/或含油饱和度数据;
测井油层品质因子第二确定单元:用于基于第二模型,利用确定的所述工区已钻井的至少一个主控因素数据和/或含油饱和度数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,主控因素确定子模块确定的砂砾岩储层质量量化表征主控因素包括泥质含量和孔喉结构;其中,所述孔喉结构优选用渗孔比进行表征;
更优选地,第一模型确定子模块确定的至少一个所述主控因素基于测井数据的计算模型包括泥质含量基于密度测井数据和中子测井数据的计算模型;其中,所述泥质含量基于密度测井数据和中子测井数据的计算模型优选为:
Vsh=c·(D-C)+d
式中,Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;a、b为系数;
其中,D、C归一化至同一区间内;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值;
更优选地,第一模型确定子模块确定的含油饱和度中基于测井数据的计算模型为含油饱和度基于电阻率测井数据的计算模型;其中,含油饱和度基于电阻率测井数据的计算模型优选基于阿尔奇公式确定,具体为:
式中,So为含油饱和度,%;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;其中,a、b、m、n可以采用实验室岩电分析结果;
更优选地,第二模型确定子模块构建的砂砾岩油层品质因子基于主控因素的计算模型为:
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;
其中,渗孔比优选可以通过下述公式确定:
式中,为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,地震属性组合数据体获取模块包括:
工区地震属性提取子模块:用于提取工区地震属性数据体;
频率校正子模块:用于基于测井构建的工区已钻井油层品质因子,采用褶积算子,对工区地震属性数据体进行频率校正,得到经频率校正后的工区地震属性数据体;
地震属性优化子模块:用于采用逐步回归法实现经频率校正后的工区地震属性数据体中属性组合优选;
误差交互验证确定最佳属性组合子模块:用于基于优选的属性组合,采用误差交互验证法确定最佳属性组合,记为工区经频率矫正后的优选地震属性组合数据体。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,所述工区经频率矫正后的优选地震属性组合数据体中的地震属性包括正交道属性(可以由波阻抗反演数据获得)、35/40-45/50HZ频带滤波属性、视极性属性(即在振幅包络峰值处地震道的属性)、优势频率属性、25/30-35/40HZ频带滤波属性和平均频率属性(可以由波阻抗反演数据获得)。
在上述砂砾岩井测震联动约束高效储层定量预测系统中,优选地,砂砾岩高效储层分布获取模块包括:
砂砾岩储层有效性评价模型构建子模块:用于构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;
砂砾岩高效储层分布确定子模块:用于基于工区地震油层品质因子,利用砂砾岩储层有效性评价模型,预测砂砾岩高效储层分布。
更优选地,砂砾岩储层有效性评价模型构建子模块通过下述方式构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型:
基于测井构建的工区已钻井油层品质因子,结合工区已钻井的储层有效性,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型。
本发明还提供了一种砂砾岩井测震联动约束高效储层定量预测装置,包括处理器及存储器;其中,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述砂砾岩井测震联动约束高效储层定量预测方法的步骤。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述砂砾岩井测震联动约束高效储层定量预测方法的步骤。
本发明提供的技术方案,基于测井定量评价进行地震外推拓展,形成“油层品质因子+多属性非线性模拟”砂砾岩高效油层预测技术实现复杂砂砾岩体内部高效储层(油浸-饱含油)的定量预测,该方法通过逐级约束,提高预测结果的可靠性。该方法将地震资料横向分辨率高、测井资料垂向分辨率高的特点充分结合,用测井构建的油层品质因子与地震属性组合进行多属性非线性模拟,获得地震油层品质因子数据体,进而开展砂砾岩高效储层分类表征及定量预测,更全面客观的反映高效油层分布情况。
附图说明
图1为本发明一实施例提供的砂砾岩井测震联动约束高效储层定量预测方法的流程示意图。
图2为本发明一实施例提供的砂砾岩井测震联动约束高效储层定量预测系统的结构示意图。
图3为本发明一实施例提供的砂砾岩井测震联动约束高效储层定量预测装置的结构示意图。
图4A为准噶尔盆地玛湖凹陷玛18井区区域位置图。
图4B为准噶尔盆地玛湖凹陷玛18井区区域构造图。
图4C为百口泉组综合柱状图。
图5A为砂砾岩储层不同岩相孔隙度-热成熟度(TTI)关系图。
图5B为泥质含量-孔隙度关系散点图。
图5C为泥质含量-渗透率关系散点图。
图5D为渗孔比-平均孔喉半径关系散点图。
图6为指定岩石体积模型下Δ(D-C)对泥质含量响应效果示意图。
图7为本发明实施例1中砂砾岩井测震联动约束高效储层定量预测方法技术流程示意图。
图8为本发明实施例1中百口泉组储层Δ(D-C)与泥质含量Vsh交汇图版。
图9为本发明实施例1中百口泉组油层品质因子-纵波波阻抗-含油性关系交汇图。
图10A为本发明实施例1中测井参数与地震属性样点对应关系图。
图10B为本发明实施例1中测井参数与地震属性样点对应关系图。
图11为本发明实施例1中地震属性组合及对应的预测误差、校验误差对比图。
图12A为多属性线性模拟算法效果图。
图12B为多属性线性模拟算法效果图。
图13A为本发明实施例1中多属性非线性模拟算法效果图。
图13B为本发明实施例1中多属性非线性模拟算法效果图。
图14A为本发明实施例1中百二油层段地震油层品质因子分布图。
图14B为本发明实施例1中百一油层段地震油层品质因子分布图。
图14C为本发明实施例1中百口泉组地震油层品质因子剖面图。
图15A为本发明实施例1中百口泉组艾湖5岩性剖面及测井曲线图。
图15B为本发明实施例1中百口泉组艾湖5地震纵波阻抗剖面图。
图15C为本发明实施例1中百口泉组艾湖5地震油层品质因子剖面图。
图16为本发明实施例1中百口泉组地震油层品质因子-日产油量交汇图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述。显然,所描述的实施例是本发明的一部分实施例,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它实施例,都属于本发明的保护范围。
下面参考本发明的若干代表性实施方式,详细阐述本发明的原理和精神。
参见图1,本发明一实施例提供了一种砂砾岩井测震联动约束高效储层定量预测方法,其中,该方法包括:
步骤S1:获取工区已钻井测井数据;
步骤S2:基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
步骤S3:获取工区经频率矫正后的优选地震属性组合数据体;其中,所述优选地震属性组合为适合模拟砂砾岩油层品质因子的地震属性组合;其中,所述频率矫正基于测井构建的工区已钻井油层品质因子进行;
步骤S4:用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;
步骤S5:基于工区地震油层品质因子,预测砂砾岩高效储层分布。
地震资料横向分辨率较高,借助地震反演及地震属性分析进行储层预测是目前油气勘探评价中常用的手段;单纯借助地震资料的储层反演是根据在地表获得的地震资料,反推地下介质物性参数的过程,多解性较强;同样,单纯的地震属性包含的地球物理信息十分丰富,种类繁多,并且与储层特征对应关系复杂,亦难以确保储层预测的可靠性;因此本发明提供的砂砾岩井测震联动约束高效储层定量预测方法基于测井定量评价进行地震外推拓展,形成“油层品质因子+多属性非线性模拟”砂砾岩高效油层预测技术实现复杂砂砾岩体内部高效储层(油浸-饱含油)的定量预测,该方法通过逐级约束,提高预测结果的可靠性。
由于地震数据和测井数据之间的内在的分辨率差异,测井数据对研究区大套砂砾岩内部厚度约0.20-2.5m砂质小砾岩-含砾粗砂岩薄层响应较敏感,而地震数据对该类薄层的响应程度相对较差,进而导致地震属性和测井属性之间的关系并不一定是线性的;在测井标定地震过程中,常规的基于线性或拟线性理论的模拟算法往往导致测井构建的油层品质因子与地震模拟的油层品质因子之间相关系数较低,模拟结果的可靠性较差;因此本发明提供的技术方案舍弃通常的线性模拟方案而是将测井构建的油层品质因子与地震属性组合进行多属性非线性模拟(该非线性模拟算法充分考虑了研究区前述因薄层导致的地震属性与测井属性较强的非线性关系)得出地震油层品质因子数据体,进而进行砂砾岩高效储层分布预测,从而提高了预测结果的可靠性。
在一实施方式中,用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子通过下述方式实现:
基于确定的测井构建的工区已钻井油层品质因子,建立测井构建的工区已钻井油层品质因子曲线和地震属性的统计学关系(该统计学关系为非线性映射关系),然后用这个非线性映射关系完成整个地震工区的储层品质因子的模拟。
在一实施方式中,基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子包括:
构建砂砾岩油层品质因子计算模型;
基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
其中,所述构建砂砾岩油层品质因子计算模型为:
Vsh=c·(D-C)+d
/>
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;其中,D、C归一化至同一区间内;c、d为系数;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;/>为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;
其中,a、b、m、n可以采用实验室岩电分析结果;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值;
在一实施方式中,基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子包括:
确定砂砾岩储层质量量化表征主控因素;
确定砂砾岩储层质量量化表征主控因素和含油饱和度中的至少一个基于测井数据的计算模型,记为第一模型;
构建砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型,即为第二模型;其中,所述砂砾岩油层品质因子既能反映砂砾岩储层品质又能反应砂砾岩储层含油性;
基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
在该优选方案中,遵循“地质主因约束-测井定量评价-地震外推拓展”模式,通过逐级约束,交互印证来确保数据来源及预测结果的可靠性;该优选技术方案遵循“地质主因约束,岩心刻度测井,测井标定地震”思路,形成“油层品质因子+多属性非线性模拟”砂砾岩高效油层预测技术,将地震资料横向分辨率高、地质意义多解性强及测井资料垂向分辨率高、地质意义较明确的特点充分结合,用测井构建的油层品质因子与优选的最佳地震属性组合进行多属性非线性模拟,获得地震油层品质因子数据体,进而开展砂砾岩高效储层分类表征及定量预测。
进一步地,所述第二模型包括:确定至少一个所述主控因素基于测井数据的计算模型和含油饱和度基于测井数据的计算模型。
在一实施方式中,基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子包括:
基于第一模型和第二模型,确定砂砾岩油层品质因子基于测井数据的计算模型作为砂砾岩油层品质因子计算模型;
基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在一实施方式中,基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子包括:
基于第一模型,利用工区已钻井测井数据,确定工区已钻井的至少一个主控因素数据和/或含油饱和度数据;
基于第二模型,利用确定的所述工区已钻井的至少一个主控因素数据和/或含油饱和度数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在一实施方式中,所述砂砾岩储层质量量化表征主控因素包括泥质含量和孔喉结构;其中,所述孔喉结构优选用渗孔比进行表征;
砂砾岩储层质量的表征参数可分为宏观物性参数和微观孔喉结构参数两方面,宏观物性参数包括孔隙度、渗透率及以渗孔比为代表的孔隙度、渗透率参数的多种组合;微观孔喉结构参数主要包括压汞毛管压力法间接测得的平均孔喉半径、最大孔喉半径、排驱压力、中值压力、分选系数、均质系数等岩心压汞参数;研究区属近物源粗碎屑沉积,砂砾岩储层质量受沉积(主要表现为储层泥质含量的差异)、成岩(主要表现为热压实减孔效应导致的储层微观孔喉结构的变化)等作用综合控制;其中,泥质含量为造成储层质量差异的物质基础,并间接影响储层孔隙度、渗透率及孔喉结构等参数;故砂砾岩储层质量量化表征优选考虑泥质含量、孔喉结构两类参数;
衡量储层质量的优劣主要包括储集空间、渗流能力两方面;孔隙度主要表征储层储集空间的大小;以玛18井区百口泉组胃里进行说明:玛18井区百口泉组整体属低孔低渗储层,颗粒之间的细粒泥质杂基填隙物内存在许多无效微孔,基本不具储集油气的能力,但会导致岩心样品分析的孔隙度值较高而渗透率值较低;渗透率则主要反映储层渗流能力的强弱,由于微裂缝或局部浊沸石等胶结物的存在(浊沸石矿物双向节理发育,主要存在于粒间,岩心出筒或样品磨片过程中易破碎,形成粒缘缝)而造成岩心分析的渗透率值偏大失真;故单一的孔隙度、渗透率参数均不能客观反映研究区砂砾岩储层质量;因此,在本发明的优选方案中,选用渗孔比表征孔喉结构。
在一实施方式中,确定的至少一个所述主控因素基于测井数据的计算模型包括泥质含量基于密度测井数据和中子测井数据的计算模型;其中,所述泥质含量基于密度测井数据和中子测井数据的计算模型优选为:
Vsh=c·(D-C)+d
式中,Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;a、b为系数;
其中,D、C归一化至同一区间内;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值;
在明确泥质含量为控制该区砂砾岩储层质量的关键因素基础上(如图5A-图5D所示),泥质含量的量化计算成为制约砂砾岩高效储层预测的难点;以玛18井区百口泉组为例进行说明:玛18井区百口泉组物源主要来自下伏二叠系中酸性火山岩,砂砾岩沉积物中放射性元素含量较高,导致自然伽马(GR)曲线对砂砾岩、泥岩的测井响应不明显;电阻率(RT)曲线受储层含油性影响较大;自然电位(SP)曲线对砂-泥岩地层响应较好,而对于大套砂砾岩层内部泥质含量的高低没有明显响应,故目前常用的基于GR、RT、SP等单一测井数据的泥质含量计算公式在研究区应用效果较差。基于此,本发明提出了一种全新的泥质含量确定方法,基于密度测井数据和中子测井数据确定泥质含量;以玛18井区百口泉组为例进行说明:玛18井区百口泉组储层整体属黄羊泉扇体沉积,母岩类型(中酸性火山岩母岩为主)及储层段粒度(砂质细砾岩为主)变化不大、胶结物含量低(0%-1.5%),粒间填隙物主要为泥质杂基(0.5%-14%);岩石物理体积模型可设定为“骨架+流体+泥质”三端元模式,且骨架端元的体积、密度恒定;在此条件下,影响测井响应变化的地质参数主要是流体和泥质相对含量,随着孔隙中泥质含量的增高,流体所占体积减小,此时DEN测井值将升高(水体积密度1.0g/cm3,泥岩体积密度2.2-2.7g/cm3),CNL测井值将有一定幅度的降低(含H指数:水1.0;油0.96;泥0.3-0.4);孔隙空间内每增加1%的泥质,在指定上下限刻度范围的图道内,DEN测井值将向右移动(增大),CNL测井值将向右移动(减小);随着泥质含量的增加,DEN测井将比CNL测井产生更大的变化幅度。泥质含量变化越大,二者幅度变化差值越大(如图6所示)。
在一实施方式中,确定的含油饱和度中基于测井数据的计算模型为含油饱和度基于电阻率测井数据的计算模型;其中,含油饱和度基于电阻率测井数据的计算模型优选基于阿尔奇公式确定,具体为:
式中,So为含油饱和度,%;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;其中,a、b、m、n可以采用实验室岩电分析结果。
在一实施方式中,渗孔比通过下述公式确定:
式中,为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;
低孔低渗储层内部渗流系统比较复杂,其充注油气的能力受储层内部孔隙、喉道的大小、空间配置关系即孔喉结构影响较大;储层孔喉结构主要受控于两方面因素影响,一是孔隙、喉道形态不规则,弯曲度(τ)增加,导致储层孔喉结构变差;二是当毛管半径(r)减小、储集空间变小时,导致储层孔喉结构变差;据Kozeny-Carmon方程给出的渗透率的经典表达式推导得出渗孔比/>/>
式中,K为渗透率,×10-3μm2;Φ为有效孔隙度,%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;Sgv为单位骨架体积的孔隙表面积,μm-1;
由上式看出,渗孔比参数与孔隙结构之间呈单调函数关系,当孔喉弯曲度τ增大或孔喉半径r减小时,储层微观孔隙结构变差,渗孔比/>减小;反之,当孔喉弯曲度τ减小或孔喉半径r增大时,储层微观孔隙结构变好,渗孔比/>增大;
综上所述,渗孔比参数(地质涵义为单位孔隙度下的渗透率)可以很好地反映储层微观孔隙结构,与平均孔喉半径、排驱压力、中值压力等常用的储层微观孔隙结构表征参数间相关性较强(如图5D所示)。
在一实施方式中,构建的砂砾岩油层品质因子基于主控因素的计算模型为:
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;
在该优选实施方案中,将储层质量的宏观物质基础(泥质含量Vsh)、微观孔喉结构(渗孔比)参数相结合,并考虑含油饱和度指标,构建砂砾岩油层品质因子OQ。
在一实施方式中,所述获取工区经频率矫正后的优选地震属性组合数据体包括:
提取工区地震属性数据体;
基于测井构建的工区已钻井油层品质因子,采用褶积算子,对工区地震属性数据体进行频率校正,得到经频率校正后的工区地震属性数据体;
采用逐步回归法实现经频率校正后的工区地震属性数据体中属性组合优选;
基于优选的属性组合,采用误差交互验证法确定最佳属性组合,记为工区经频率矫正后的优选地震属性组合数据体。
地震属性的提取有多种方式,例如可以采用基于采样点的属性提取方法,先由振幅数据体计算出多个地震属性体,再从井旁地震道提取一系列基于采样点的地震属性作为内部属性集,并从纵波波阻抗反演结果提取波阻抗曲线作为外部属性。由于测井参数的频率远高于地震属性的频率,由测井参数得出的油层品质因子曲线与地震属性基于同一时刻的样点的对应关系多存在频率差异,为降低二者的频率差异,用油层品质因子某一样点与同一时刻邻近的一组地震属性样点进行相关,即采用褶积算子;随着褶积算子长度的增加,得到的预测误差与交互校验误差会越来越小,但达到一定长度时,其校验误差反而会增大;通过反复试验,可以确定褶积算子的长度(校验误差达到最小时的褶积算子长度);进而可以利用该褶积算子完成对工区地震属性数据体的频率校正。
地震属性参数非常多,减少地震属性的冗余度是降低属性分析盲目性和提高计算效率的主要途径;每一种地震属性都是从不同侧面反映储层特征,它们以非常复杂的形式与储层岩性、物性、孔隙流体性质相关联,同一种属性在不同的地区、针对不同的储层,对所预测对象的敏感性或有效性不完全相同;本发明一优选实施方案采用逐步回归法实现最优地震属性选取;该方法假设:如果M个属性的最佳组合已知,则M+1个最佳属性组合一定包括前面那M个属性,过程如下:
①通过计算每个属性与油层品质因子的相关性和预测误差,用穷举搜索法寻找单个最优属性,称为A1;
②利用A1与其它属性形成一系列双属性组合。对每个双属性组合,计算与油层品质因子的相关性和预测误差,选取预测误差最小者为最佳双属性组合,记为(A1,A2);
③利用(A1,A2)与剩余的其它属性组成一系列三属性组合。对每个三属性组合,计算与油层品质因子的相关性和预测误差,选取预测误差最小者为最佳三属性组合,记为(A1,A2,A3);
④依次类推,直至得到期望的属性个数对;
最终得到的属性组合中,越靠前的属性越重要。
由于可能存在过度拟合的风险,因此并非属性越多越好,本发明一优选实施方案进一步采用交互验证法来确定最佳属性组合。所谓交互验证法,即把之前构建的全部井的油层品质因子曲线分成两部分:训练数据集和校验数据集。训练数据集由来自某些指定的隐藏井之外的所有井的训练样点构成,校验数据集则是由那些隐藏井的样点构成。训练数据集用于导出关系式,其产生的误差称为预测误差;校验数据集则用于评估上述预测误差,该误差称为校验误差。在交互校验过程中,每次剔除一口不同的井进行模拟,计算其它每口井误差均方根的平均值,即为该口剔除井的校验误差。最后得出所有井的校验误差之和作为总校验误差。因校验过程所使用的训练样本比预测时少,通常校验误差大于预测误差。校验误差并非单调减少,而有极小值,当其达到极小值时那一点的属性个数即是最优属性组合。
在一实施方式中,所述工区经频率矫正后的优选地震属性组合数据体中的地震属性包括正交道属性(可以由波阻抗反演数据获得)、35/40-45/50HZ频带滤波属性、视极性属性(即在振幅包络峰值处地震道的属性)、优势频率属性、25/30-35/40HZ频带滤波属性和平均频率属性(可以由波阻抗反演数据获得)。
在一实施方式中,基于工区地震油层品质因子,预测砂砾岩高效储层分布包括:
构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;
基于工区地震油层品质因子,利用砂砾岩储层有效性评价模型,预测砂砾岩高效储层分布;
进一步地,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型通过下述方式实现:
基于测井构建的工区已钻井油层品质因子,结合工区已钻井的储层有效性,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;
例如,在某一具体实施方式中,构建得到的基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型参见表1:
表1
实施例1
本发明的又一实施例提供了一种砂砾岩井测震联动约束高效储层定量预测方法,对研究区百口泉组百一段和百二段的砂砾岩油层进行高效储层定量预测。
参见图7,该方法具体包括如下步骤:
1)确定砂砾岩储层质量主控因素(即砂砾岩储层质量量化表征主控因素)—泥质含量、孔喉结构
砂砾岩储层质量的表征参数可分为宏观物性参数和微观孔喉结构参数两方面,宏观物性参数包括孔隙度、渗透率及以渗孔比为代表的孔隙度、渗透率参数的多种组合;微观孔喉结构参数主要包括压汞毛管压力法间接测得的平均孔喉半径、最大孔喉半径、排驱压力、中值压力、分选系数、均质系数等岩心压汞参数;研究区属近物源粗碎屑沉积,砂砾岩储层质量受沉积(主要表现为储层泥质含量的差异)、成岩(主要表现为热压实减孔效应导致的储层微观孔喉结构的变化)等作用综合控制;其中,泥质含量为造成储层质量差异的物质基础,并间接影响储层孔隙度、渗透率及孔喉结构等参数;故选用泥质含量、孔喉结构两类参数进行砂砾岩储层质量量化表征,其中,孔喉结构用渗孔比进行表征。
2)构建砂砾岩储层质量主控因素和含油饱和度计算模型;
2.1构建泥质含量计算模型
根据研究区7口典型井87个样品点铸体薄片泥质含量分析数据与测井数据,建立起建立归一化后的密度测井值同归一化后的中子测井值的差值△(D-C)与泥质含量Vsh交汇图版(如图8所示),得出泥质含量Vsh计算模型:
Vsh=28.0899·Δ(D-C)+6.7752
式中,Δ(D-C)为归一化后的密度测井值同归一化后的中子测井值的差值(考虑到密度测井、中子测井的刻度区间不同(密度测井值DEN刻度范围1.95-2.95,区间幅差1;中子测井值CNL刻度范围0.45--0.15,区间幅差0.6),将密度测井值DEN、中子测井值CNL归一到相同幅度区间0-1内,再进行差值);Vsh为泥质含量,%。
2.2构建渗孔比计算模型
构建的渗孔比计算模型为:
/>
式中,为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲。
2.3构建含油饱和度计算模型
含油饱和度基于电阻率测井数据的计算模型优选基于阿尔奇公式确定,具体为:
式中,So为含油饱和度,%;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;其中,a、b、m、n可以采用实验室岩电分析结果。
3)确定测井构建的工区已钻井油层品质因子,构建砂砾岩储层有效性评价模型
将储层质量的宏观物质基础(泥质含量Vsh)、微观孔喉结构(渗孔比)参数相结合,并考虑含油饱和度指标,构建砂砾岩油层品质因子OQ:
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;
基于测井构建的工区已钻井油层品质因子,结合工区已钻井的储层有效性,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;具体而言:
据玛18、艾湖1等188样品点/11井对应的储层品质因子、纵波波阻抗、岩心含油性数据交汇分析(如图9)表明,纵波波阻抗数据只能大致区分出砂砾岩(含砾粗砂岩、砂质细砾岩、中砾岩)、泥质岩,对储层(砂质细砾岩、含砾粗砂岩)和非储层(泥质岩、中砾岩)、储层内部含油性差异识别难度较大;而本次研究构建的油层品质因子OQ不仅可以明显区分出油层-非油层(非油层:OQ<0.2),更可以有效区分油层内部的含油性差异;依据油层品质因子OQ确定研究区砂砾岩油层分类标准即砂砾岩储层有效性评价模型,结果如表2所示。
表2
分类 | OQ区间 | 含油级别 | 岩性 | 下文统称 |
一类油层 | OQ≥3.8 | 含油-饱含油 | 砂质细(小)砾岩、含砾粗砂岩 | 高效油层 |
二类油层 | 1.5≤OQ<3.8 | 油浸 | 砂质细砾岩 | 较高效油层 |
三类油层 | 0.2≤OQ<1.5 | 油斑-荧光 | (含中砾)砂质细砾岩 | 低效油层 |
非油层 | OQ<0.2 | \ | 中砾岩 | 非油层 |
4)“油层品质因子+多属性非线性模拟”砂砾岩高效油层预测
4.1地震属性提取,包括:
提取工区地震属性数据体;基于测井构建的工区已钻井油层品质因子,采用褶积算子,对工区地震属性数据体进行频率校正,得到经频率校正后的工区地震属性数据体;具体而言:
采用基于采样点的属性提取方法,先由振幅数据体计算出多个地震属性体,再从井旁地震道提取一系列基于采样点的地震属性作为内部属性集,并从纵波波阻抗反演结果提取波阻抗曲线作为外部属性。由于测井参数的频率远高于地震属性的频率,由测井参数得出的油层品质因子曲线与地震属性基于同一时刻的样点的对应关系多存在频率差异,为降低二者的频率差异,用油层品质因子某一样点与同一时刻邻近的一组地震属性样点进行相关,即采用褶积算子;随着褶积算子长度的增加,得到的预测误差与交互校验误差会越来越小,但达到一定长度时,其校验误差反而会增大;通过反复试验,确定当褶积算子为5时,其校验误差达到最小(如图10A、图10B所示);利用该褶积算子实现测井属性与地震属性的最佳匹配。。
4.2地震属性优化
采用逐步回归法实现经频率校正后的工区地震属性数据体中属性组合优选;具体而言:
地震属性参数非常多,减少地震属性的冗余度是降低属性分析盲目性和提高计算效率的主要途径;每一种地震属性都是从不同侧面反映储层特征,它们以非常复杂的形式与储层岩性、物性、孔隙流体性质相关联,同一种属性在不同的地区、针对不同的储层,对所预测对象的敏感性或有效性不完全相同;本实施例中采用逐步回归法实现最优地震属性选取;该方法假设:如果M个属性的最佳组合已知,则M+1个最佳属性组合一定包括前面那M个属性,过程如下:
①通过计算每个属性与油层品质因子的相关性和预测误差,用穷举搜索法寻找单个最优属性,称为A1;
②利用A1与其它属性形成一系列双属性组合。对每个双属性组合,计算与油层品质因子的相关性和预测误差,选取预测误差最小者为最佳双属性组合,记为(A1,A2);
③利用(A1,A2)与剩余的其它属性组成一系列三属性组合。对每个三属性组合,计算与油层品质因子的相关性和预测误差,选取预测误差最小者为最佳三属性组合,记为(A1,A2,A3);
④依次类推,直至得到期望的属性个数对;
最终得到的属性组合中,越靠前的属性越重要。
4.3误差交互验证确定最佳属性组合
基于优选的属性组合,采用误差交互验证法确定最佳属性组合,记为工区经频率矫正后的优选地震属性组合数据体;具体而言:
由于可能存在过度拟合的风险,因此并非属性越多越好,本发明一优选实施方案进一步采用交互验证法来确定最佳属性组合。所谓交互验证法,即把之前构建的全部井的油层品质因子曲线分成两部分:训练数据集和校验数据集。训练数据集由来自某些指定的隐藏井之外的所有井的训练样点构成,校验数据集则是由那些隐藏井的样点构成。训练数据集用于导出关系式,其产生的误差称为预测误差;校验数据集则用于评估上述预测误差,该误差称为校验误差。在交互校验过程中,每次剔除一口不同的井进行模拟,计算其它每口井误差均方根的平均值,即为该口剔除井的校验误差。最后得出所有井的校验误差之和作为总校验误差。因校验过程所使用的训练样本比预测时少,通常校验误差大于预测误差。校验误差并非单调减少,而有极小值,当其达到极小值时那一点的属性个数即是最优属性组合。此次用交互验证法最终确定六个地震属性为最优属性组合(如图11、表3所示)。
表3
4.4“油层品质因子+多属性非线性模拟”开展砂砾岩高效储层分类刻画,包括:
用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;基于工区地震油层品质因子,利用砂砾岩储层有效性评价模型,预测砂砾岩高效储层分布;
将地震资料横向分辨率高、地质意义多解性强及测井资料垂向分辨率高、地质意义较明确的特点充分结合,用测井构建的油层品质因子与上述优选出六个的最佳地震属性组合进行多属性非线性模拟,较之于前述的线性模拟算法(如图12A-图12B所示,二者相关系数仅0.44),本次多属性非线性模拟算法的模拟结果的可靠性明显增强,最终模拟得出的地震油层品质因子与测井构建的油层品质因子之间的相关系数达0.83(如图13A-图13B所示)。用该地震油层品质因子数据体开展砂砾岩油层分类刻画。
结果如图14A-图14C所示,可以清楚分辨3>OQ≥1.5的高效-较高效油层(OQ≥3.8的高效油层主要呈厚度0.20m-2.5m的薄夹层存在,测井可识别,地震识别难度大,故此处统称为高效-较高效油层),0.2≤OQ<1.5的低效油层,OQ<0.2的非油层。
研究区砂砾岩为典型的低孔低渗储层,储层非均质性较强,油层品质因子OQ的大小与储层厚度总体呈线性负相关,OQ值高,油层品质好,但厚度薄。OQ≥3.8的高效油层(含油/饱含油的砂质小砾岩-含砾粗砂岩)多包裹在大套厚层中砾岩/中砾细砾岩中,主要呈厚度0.20m-2.5m的薄夹层存在。测井构建的OQ曲线垂向分辨率较高,可以清晰地识别出该类高效薄油层,而地震模拟的OQ曲线受地震资料垂向分辨率限制,对该类高效薄油层的识别稍显笼统,地震模拟的OQ值整体低于测井构建的OQ值,OQ值越高,这种差异表现的尤为明显,测井OQ≥3.8对应的地震OQ≥2.6(如图13A、图13B所示)。在油层厚度、压裂规摸等参数大致相同条件下,百口泉组地震模拟的油层品质因子-日产油量呈明显的正相关(如图16所示),且表现为明显的两段式,当OQ≥2.6时,油层品质因子的微小改善会引起日产油量的大幅提升,分析认为,高效油层所占厚度比例的提高(经岩心-测井-地震综合标定,地震OQ≥2.6层段内,测井OQ≥3.8的高效薄油层厚度占比达15-25%,最高达40%)是导致上述日产油量大幅提升的主要原因。
对比分析表明,本发明提供的技术方案对油层-非油层的展布及油层内部高效-较高效储层的预测效果明显优于常规的纵波波阻抗反演。常规的纵波波阻抗反演在建立低频模型时,受井间插值及外推方法的制约,单井点对其周边地区的影响程度相对较大。如工区西南部的艾湖5井主要为泥质粉砂岩夹泥质岩沉积,储层不发育(如图15A所示),受该井影响,纵波波阻抗反演剖面显示艾湖5井周边出现低纵波波阻抗的泥质岩区(如图15B所示)。而通过“油层品质因子+多属性非线性模拟”技术得出的地震油层品质因子数据体,可大大减小单井点对其周边地区的影响,对高效油层的反映更全面更客观(如图15C所示)。
本实施例形成的“油层品质因子+多属性非线性模拟”砂砾岩高效储层预测技术,遵循“地质主因约束-测井定量评价-地震外推拓展”模式,通过逐级约束,交互印证来确保数据来源及预测结果的可靠性。在明确泥质含量为该区砂砾岩储层质量关键控制因素基础上,以“骨架+流体+泥质”三端元岩石体积模型为前提,应用归一化后的密度(DEN)-中子(CNL)测井差值Δ(D-C)计算泥质含量,弥补自然伽马、自然电位测井计算砂砾岩储层泥质含量不够准确的问题。在此基础上,构建既能有效反映砂砾岩储层品质(泥质含量、孔喉结构),又能考虑含油性(含油饱和度)的油层品质因子OQ测井曲线,实现砂砾岩油层品质的测井垂向连续表征,明确砂砾岩高效储层界定标准。进而遵循“地质主因约束,岩心刻度测井,测井标定地震”思路,形成“油层品质因子+多属性非线性模拟”砂砾岩高效油层预测技术,将地震资料横向分辨率高、地质意义多解性强及测井资料垂向分辨率高、地质意义较明确的特点充分结合,用测井构建的油层品质因子与优选的最佳地震属性组合进行多属性非线性模拟,获得地震油层品质因子数据体,进而开展砂砾岩高效储层分类表征及定量预测。本实施例提供的砂砾岩高效油层预测方法的主要优点体现在二方面:1)借助地震资料横向分辨率高的特点,充分集成地震资料隐含的各种属性信息,从井旁地震道提取地震属性作为内部属性集,从纵波波阻抗反演结果提取波阻抗曲线作为外部属性。利用多属性逐步回归和交互验证,对地震属性进行优化排序,优选出最佳地震属性组合。2)结合测井资料垂向分辨率高、地质意义明确的特点,测井标定地震。将测井构建的油层品质因子与上述优选出的最佳地震属性组合进行多属性非线性模拟(该非线性模拟算法充分考虑了研究区前述因薄层导致的地震属性与测井属性较强的非线性关系),用多属性非线性模拟得出地震油层品质因子数据体开展砂砾岩高效油层预测。
为进一步验证本实施例提供的砂砾岩井测震联动约束高效储层定量预测方法的结果的可靠性,特优选典型高效油层发育井艾湖011井(百一段,储层岩性为砂质小砾岩,日产油43.17t/d;日产气7000m3/d)作为后续校验井,未参与此次模拟。模拟结果揭示,艾湖011井百一段OQ均值1.8,高效-较高效油层发育,模拟效果与校验井实际钻井及试油情况吻合良好(如图14C)。日产油大于10t/d的高产井主要发育OQ≥1.5的高效-较高效油层,吻合率达88%(如图16,日产油大于10t/d共18层/样品点,其中低效油层(1.5>OQ≥0.2)共2层,高效-较高效油层(OQ≥1.5)共16层)。
百一段油层的发育范围及高效-较高效油层的发育规模明显优于百二段(如图14A-图14C所示)。在已提交探明储量的玛18主油藏区之外,预测出东侧的玛中平台区(如图14A-图14C区块①所示)、西侧的艾湖2井区(如图14A-图14C区块②④所示)、南部艾湖5井区以南(如图14A-图14C区块③⑤所示)共三块高效-较高效油层发育区,以百一段为例,高效-较高效油层发育区OQ值主体区间1.6-1.9,均值1.82,百一段、百二段叠合高效-较高效油层发育区面积约148km2。
图14A、图14B中黑色虚线指示已提交探明面积,①②③④⑤区块黑色实线指示预测高效油层发育区;图14C剖面位置见图14A、图14B中P-M线。
本发明实施例还提供了一种砂砾岩井测震联动约束高效储层定量预测系统,该系统用于实现上述的方法实施例。
图2是根据本发明实施例的砂砾岩井测震联动约束高效储层定量预测系统的结构框图,如图2所示,该系统包括:
测井数据获取模块21:用于获取工区已钻井测井数据;
测井油层品质因子获取模块22:用于基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
地震属性组合数据体获取模块23:用于获取工区经频率矫正后的优选地震属性组合数据体;其中,所述优选地震属性组合为适合模拟砂砾岩油层品质因子的地震属性组合;其中,所述频率矫正基于测井构建的工区已钻井油层品质因子进行;
地震油层品质因子获取模块24:用于用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;
砂砾岩高效储层分布获取模块25:用于基于工区地震油层品质因子,预测砂砾岩高效储层分布。
在一实施方式中,测井油层品质因子获取模块22包括:
油层品质因子计算模型构建子模块:用于构建砂砾岩油层品质因子计算模型;
测井油层品质因子第一确定子模块:用于基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
其中,所述构建砂砾岩油层品质因子计算模型为:
其中,
Vsh=c·(D-C)+d,
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;其中,D、C归一化至同一区间内;c、d为系数;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;/>为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;
其中,a、b、m、n可以采用实验室岩电分析结果;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值。
在一实施方式中,测井油层品质因子获取模块22包括:
主控因素确定子模块:用于确定砂砾岩储层质量量化表征主控因素;
第一模型确定子模块:用于确定砂砾岩储层质量量化表征主控因素和含油饱和度中的至少一个基于测井数据的计算模型,记为第一模型;
第二模型确定子模块:用于构建砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型,即为第二模型;其中,所述砂砾岩油层品质因子既能反映砂砾岩储层品质又能反应砂砾岩储层含油性;
测井油层品质因子第二确定子模块:用于基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在一实施方式中,测井油层品质因子确定第二子模块包括:
砂砾岩油层品质因子计算模型确定单元:用于基于第一模型和第二模型,确定砂砾岩油层品质因子基于测井数据的计算模型作为砂砾岩油层品质因子计算模型;
测井油层品质因子第一确定单元:用于基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在一实施方式中,测井油层品质因子确定第二子模块包括:
主控因素数据和/或含油饱和度数据确定单元:用于基于第一模型,利用工区已钻井测井数据,确定工区已钻井的至少一个主控因素数据和/或含油饱和度数据;
测井油层品质因子第二确定单元:用于基于第二模型,利用确定的所述工区已钻井的至少一个主控因素数据和/或含油饱和度数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
在一具体实施方式中,主控因素确定子模块确定的砂砾岩储层质量量化表征主控因素包括泥质含量和孔喉结构;其中,所述孔喉结构优选用渗孔比进行表征;
进一步地,第一模型确定子模块确定的至少一个所述主控因素基于测井数据的计算模型包括泥质含量基于密度测井数据和中子测井数据的计算模型;其中,所述泥质含量基于密度测井数据和中子测井数据的计算模型优选为:
Vsh=c·(D-C)+d
式中,Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;a、b为系数;
其中,D、C归一化至同一区间内;c、d可以通过已知泥质含量、已知密度测井数据并且已知中子测井数据的地层拟合得到,例如,针对已知泥质含量、已知密度测井数据并且已知中子测井数据的地层,建立归一化后的密度测井值同归一化后的中子测井值的差值(D-C)与泥质含量Vsh交汇图版,进而拟合得到c、d值;
进一步地,第一模型确定子模块确定的含油饱和度中基于测井数据的计算模型为含油饱和度基于电阻率测井数据的计算模型;其中,含油饱和度基于电阻率测井数据的计算模型优选基于阿尔奇公式确定,具体为:
式中,So为含油饱和度,%;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;其中,a、b、m、n可以采用实验室岩电分析结果;
进一步地,第二模型确定子模块构建的砂砾岩油层品质因子基于主控因素的计算模型为:
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;
其中,渗孔比优选可以通过下述公式确定:
式中,为渗孔比(地质涵义为单位孔隙度下的渗透率),×10-3μm2/%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲。
在一实施方式中,地震属性组合数据体获取模块23包括:
工区地震属性提取子模块:用于提取工区地震属性数据体;
频率校正子模块:用于基于测井构建的工区已钻井油层品质因子,采用褶积算子,对工区地震属性数据体进行频率校正,得到经频率校正后的工区地震属性数据体;
地震属性优化子模块:用于采用逐步回归法实现经频率校正后的工区地震属性数据体中属性组合优选;
误差交互验证确定最佳属性组合子模块:用于基于优选的属性组合,采用误差交互验证法确定最佳属性组合,记为工区经频率矫正后的优选地震属性组合数据体。
在一实施方式中,工区经频率矫正后的优选地震属性组合数据体中的地震属性包括正交道属性(可以由波阻抗反演数据获得)、35/40-45/50HZ频带滤波属性、视极性属性(即在振幅包络峰值处地震道的属性)、优势频率属性、25/30-35/40HZ频带滤波属性和平均频率属性(可以由波阻抗反演数据获得)。
在一实施方式中,砂砾岩高效储层分布获取模块25包括:
砂砾岩储层有效性评价模型构建子模块:用于构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;
砂砾岩高效储层分布确定子模块:用于基于工区地震油层品质因子,利用砂砾岩储层有效性评价模型,预测砂砾岩高效储层分布。
进一步地,砂砾岩储层有效性评价模型构建子模块通过下述方式构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型:
基于测井构建的工区已钻井油层品质因子,结合工区已钻井的储层有效性,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型。
图3是根据本发明实施例的砂砾岩井测震联动约束高效储层定量预测装置的示意图。图3所示的砂砾岩井测震联动约束高效储层定量预测装置为通用数据处理装置,其包含通用的计算机硬件结构,其至少包含处理器1000、存储器1111;处理器1000用于执行存储器中存储的砂砾岩井测震联动约束高效储层定量预测程序,以实现各方法实施例的砂砾岩井测震联动约束高效储层定量预测方法(具体方法参见上述方法实施例的描述,在此不再赘述)。
本发明实施例还提供了一种计算机可读存储介质,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现各方法实施例的砂砾岩井测震联动约束高效储层定量预测方法(具体方法参见上述方法实施例的描述,在此不再赘述)。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的,因此权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (13)
1.一种砂砾岩井测震联动约束高效储层定量预测方法,其中,该方法包括:
获取工区已钻井测井数据;
基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
获取工区经频率矫正后的优选地震属性组合数据体;其中,所述优选地震属性组合为适合模拟砂砾岩油层品质因子的地震属性组合;其中,所述频率矫正基于测井构建的工区已钻井油层品质因子进行;
用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;
基于工区地震油层品质因子,预测砂砾岩高效储层分布;
其中,所述基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子包括:
确定砂砾岩储层质量量化表征主控因素;
确定砂砾岩储层质量量化表征主控因素和含油饱和度中的每一个基于测井数据的计算模型,记为第一模型;所述砂砾岩储层质量量化表征主控因素为泥质含量和孔喉结构;所述孔喉结构用渗孔比进行表征;
构建砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型,记为第二模型;其中,所述砂砾岩油层品质因子既能反映砂砾岩储层品质又能反映砂砾岩储层含油性;
基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
其中,确定的主控因素基于测井数据的计算模型包括泥质含量基于密度测井数据和中子测井数据的计算模型;确定的含油饱和度基于测井数据的计算模型为含油饱和度基于电阻率测井数据的计算模型;
其中,泥质含量基于密度测井数据和中子测井数据的计算模型为:
;
式中,Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;c、d为系数;其中,D、C归一化至同一区间内;
其中,含油饱和度基于电阻率测井数据的计算模型基于阿尔奇公式确定,所述含油饱和度基于电阻率测井数据的计算模型为:
;
式中,So为含油饱和度,%;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;Φ为孔隙度,%;
其中,渗孔比通过下述公式确定:
;
式中,为渗孔比,×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;
构建的砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型为:
;
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比,×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;
其中,所述获取工区经频率矫正后的优选地震属性组合数据体包括:
提取工区地震属性数据体;
基于测井构建的工区已钻井油层品质因子,采用褶积算子,对工区地震属性数据体进行频率校正,得到经频率校正后的工区地震属性数据体;
采用逐步回归法实现经频率校正后的工区地震属性数据体中属性组合优选;
基于优选的属性组合,采用误差交互验证法确定最佳属性组合,记为工区经频率矫正后的优选地震属性组合数据体。
2.根据权利要求1所述的预测方法,其中,基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子包括:
基于第一模型和第二模型,确定砂砾岩油层品质因子基于测井数据的计算模型作为砂砾岩油层品质因子计算模型;
基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
3.根据权利要求1所述的预测方法,其中,基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子包括:
基于第一模型,利用工区已钻井测井数据,确定工区已钻井的主控因素数据和含油饱和度数据;
基于第二模型,利用确定的所述工区已钻井的主控因素数据和含油饱和度数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
4.根据权利要求1所述的预测方法,其中,所述工区经频率矫正后的优选地震属性组合数据体中的地震属性包括正交道属性、35/40-45/50HZ频带滤波属性、视极性属性、优势频率属性、25/30-35/40HZ频带滤波属性和平均频率属性。
5.根据权利要求1所述的预测方法,其中,所述基于工区地震油层品质因子,预测砂砾岩高效储层分布包括:
构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;
基于工区地震油层品质因子,利用砂砾岩储层有效性评价模型,预测砂砾岩高效储层分布。
6.根据权利要求5所述的预测方法,其中,所述构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型通过下述方式实现:
基于测井构建的工区已钻井油层品质因子,结合工区已钻井的储层有效性,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型。
7.一种砂砾岩井测震联动约束高效储层定量预测系统,其中,该系统包括:
测井数据获取模块:用于获取工区已钻井测井数据;
测井油层品质因子获取模块:用于基于工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
地震属性组合数据体获取模块:用于获取工区经频率矫正后的优选地震属性组合数据体;其中,所述优选地震属性组合为适合模拟砂砾岩油层品质因子的地震属性组合;其中,所述频率矫正基于测井构建的工区已钻井油层品质因子进行;
地震油层品质因子获取模块:用于用测井构建的工区已钻井油层品质因子与获取的工区经频率矫正后的优选地震属性组合数据体进行多属性非线性模拟,得到基于地震属性确定的工区油层品质因子,记为工区地震油层品质因子;
砂砾岩高效储层分布获取模块:用于基于工区地震油层品质因子,预测砂砾岩高效储层分布;
其中,测井油层品质因子获取模块包括:
主控因素确定子模块:用于确定砂砾岩储层质量量化表征主控因素;
第一模型确定子模块:用于确定砂砾岩储层质量量化表征主控因素和含油饱和度中的每一个基于测井数据的计算模型,记为第一模型;所述砂砾岩储层质量量化表征主控因素为泥质含量和孔喉结构;孔喉结构用渗孔比进行表征;
第二模型确定子模块:用于构建砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型,记为第二模型;其中,所述砂砾岩油层品质因子既能反映砂砾岩储层品质又能反映砂砾岩储层含油性;
测井油层品质因子确定子模块:用于基于第一模型和第二模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子;
其中,第一模型确定子模块确定的主控因素基于测井数据的计算模型包括泥质含量基于密度测井数据和中子测井数据的计算模型;泥质含量基于密度测井数据和中子测井数据的计算模型为:
;
式中,Vsh为泥质含量,%;D为归一化的密度测井值;C为归一化的中子测井值;c、d为系数;其中,D、C归一化至同一区间内;
其中,渗孔比通过下述公式确定:
;
式中,为渗孔比,×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;r为平均孔喉半径,μm;Fs为形状因子,无量纲;τ为弯曲度,无量纲;
其中,第一模型确定子模块确定的含油饱和度基于测井数据的计算模型为含油饱和度基于电阻率测井数据的计算模型;含油饱和度基于电阻率测井数据的计算模型基于阿尔奇公式确定,具体为:
;
式中,So为含油饱和度,%;Sw为含水饱和度,%;Rw为地层水电阻率,Ω·m;Rt为地层电阻率,Ω·m;a为阿尔奇公式中与岩性有关的岩性系数;b为阿尔奇公式中与岩性有关的常数;m为阿尔奇公式中胶结指数;n为阿尔奇公式中饱和度指数;Φ为孔隙度,%;
其中,第二模型确定子模块构建的砂砾岩油层品质因子基于主控因素和含油饱和度的计算模型为:
;
式中,OQ为砂砾岩油层品质因子,×10-3μm2/%;为渗孔比,×10-3μm2/%;K为渗透率,×10-3μm2;Φ为孔隙度,%;So为含油饱和度,%;Vsh为泥质含量,%;
其中,地震属性组合数据体获取模块包括:
工区地震属性提取子模块:用于提取工区地震属性数据体;
频率校正子模块:用于基于测井构建的工区已钻井油层品质因子,采用褶积算子,对工区地震属性数据体进行频率校正,得到经频率校正后的工区地震属性数据体;
地震属性优化子模块:用于采用逐步回归法实现经频率校正后的工区地震属性数据体中属性组合优选;
误差交互验证确定最佳属性组合子模块:用于基于优选的属性组合,采用误差交互验证法确定最佳属性组合,记为工区经频率矫正后的优选地震属性组合数据体。
8.根据权利要求7所述的预测系统,其中,测井油层品质因子确定子模块包括:
砂砾岩油层品质因子计算模型确定单元:用于基于第一模型和第二模型,确定砂砾岩油层品质因子基于测井数据的计算模型作为砂砾岩油层品质因子计算模型;
测井油层品质因子第一确定单元:用于基于砂砾岩油层品质因子计算模型,利用工区已钻井测井数据,确定工区已钻井砂砾岩油层品质因子,记为测井构建的工区已钻井油层品质因子。
9.根据权利要求7所述的预测系统,其中,所述工区经频率矫正后的优选地震属性组合数据体中的地震属性包括正交道属性、35/40-45/50HZ频带滤波属性、视极性属性、优势频率属性、25/30-35/40HZ频带滤波属性和平均频率属性。
10.根据权利要求7所述的预测系统,其中,砂砾岩高效储层分布获取模块包括:
砂砾岩储层有效性评价模型构建子模块:用于构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型;
砂砾岩高效储层分布确定子模块:用于基于工区地震油层品质因子,利用砂砾岩储层有效性评价模型,预测砂砾岩高效储层分布。
11.根据权利要求10所述的预测系统,其中,砂砾岩储层有效性评价模型构建子模块通过下述方式构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型:
基于测井构建的工区已钻井油层品质因子,结合工区已钻井的储层有效性,构建基于砂砾岩油层品质因子的砂砾岩储层有效性评价模型。
12.一种砂砾岩井测震联动约束高效储层定量预测装置,包括处理器及存储器;其中,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一项所述的砂砾岩井测震联动约束高效储层定量预测方法的步骤。
13.一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1-6任一项所述的砂砾岩井测震联动约束高效储层定量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011387531.2A CN112698399B (zh) | 2020-12-02 | 2020-12-02 | 一种砂砾岩井测震联动约束高效储层定量预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011387531.2A CN112698399B (zh) | 2020-12-02 | 2020-12-02 | 一种砂砾岩井测震联动约束高效储层定量预测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112698399A CN112698399A (zh) | 2021-04-23 |
CN112698399B true CN112698399B (zh) | 2023-08-22 |
Family
ID=75507104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011387531.2A Active CN112698399B (zh) | 2020-12-02 | 2020-12-02 | 一种砂砾岩井测震联动约束高效储层定量预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112698399B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113550747B (zh) * | 2021-08-31 | 2023-02-07 | 中国地质大学(北京) | 一种浊沸石胶结砂砾岩储层测井识别方法及装置 |
CN114152985B (zh) * | 2021-12-14 | 2022-10-28 | 中国地质大学(北京) | 一种确定地下古河道边界及其内部薄砂体厚度的方法 |
CN114861563B (zh) * | 2022-04-27 | 2022-12-13 | 中国石油大学(华东) | 物理嵌入深度学习地层压力预测方法、装置、介质及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887132A (zh) * | 2009-05-15 | 2010-11-17 | 中国石油天然气股份有限公司 | 一种井震结合定量预测砂岩储层流体饱和度的方法 |
CN105334535A (zh) * | 2015-11-13 | 2016-02-17 | 中国石油化工股份有限公司 | 一种识别薄储层隐蔽岩性油气藏的方法 |
CN110412660A (zh) * | 2018-04-26 | 2019-11-05 | 中国石油大学(北京) | 储层分类方法和装置 |
CN111679318A (zh) * | 2019-03-11 | 2020-09-18 | 中国石油天然气股份有限公司 | 储层中断裂系统的识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7088639B2 (en) * | 2004-11-17 | 2006-08-08 | Rdsp I L.P. | Method for determining formation quality factor from well log data and its application to seismic reservoir characterization |
-
2020
- 2020-12-02 CN CN202011387531.2A patent/CN112698399B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887132A (zh) * | 2009-05-15 | 2010-11-17 | 中国石油天然气股份有限公司 | 一种井震结合定量预测砂岩储层流体饱和度的方法 |
CN105334535A (zh) * | 2015-11-13 | 2016-02-17 | 中国石油化工股份有限公司 | 一种识别薄储层隐蔽岩性油气藏的方法 |
CN110412660A (zh) * | 2018-04-26 | 2019-11-05 | 中国石油大学(北京) | 储层分类方法和装置 |
CN111679318A (zh) * | 2019-03-11 | 2020-09-18 | 中国石油天然气股份有限公司 | 储层中断裂系统的识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
操应长 等.陆一相湖盆致密油气储层研究中的几个关键问题.《中国石油大学学报( 自然科学版)》.2019,第43卷(第5期),第11-20页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112698399A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112698399B (zh) | 一种砂砾岩井测震联动约束高效储层定量预测方法与系统 | |
AU2010332157B2 (en) | Workflow for petrophysical and geophysical formation evaluation of wireline and LWD log data | |
Chehrazi et al. | Pore-facies as a tool for incorporation of small-scale dynamic information in integrated reservoir studies | |
CN106468172A (zh) | 一种超低渗砂岩油藏低阻储层测井解释方法 | |
CN106154351A (zh) | 一种低孔渗储层渗透率的估算方法 | |
Cluff et al. | Petrophysics of the Lance sandstone reservoirs in Jonah field, Sublette County, Wyoming | |
Jakobsen et al. | Characterization and zonation of a marly chalk reservoir: the Lower Cretaceous Valdemar Field of the Danish Central Graben | |
CN112796738A (zh) | 一种阵列声波测井和常规测井结合的地层渗透率计算方法 | |
CN112443322A (zh) | 一种基于等效饱和度的烃源岩测井评价方法 | |
Emujakporue | Petrophysical properties distribution modelling of an onshore field, Niger Delta, Nigeria | |
CN113945992B (zh) | 泥岩、油页岩识别方法、装置、电子设备及介质 | |
CN116930023A (zh) | 致密砂岩相控分类孔隙度测井精细解释方法和装置 | |
CN112228050A (zh) | 一种定量评价致密油储层宏观非均质性的方法及其应用 | |
CN114086938A (zh) | 一种非均质性砂岩储层的含气饱和度预测方法 | |
Byrnes | Issues with gas relative permeability in low-permeability sandstones | |
Stohler et al. | 3D numerical modelling and simulation of the impact of fault zones on fluid flow in sandstones of the Rio do Peixe Basin, NE Brazil | |
Atchley et al. | Geologic and resource assessment of the Upper Devonian Grosmont and upper Ireton Formations, central Grosmont shelf complex, Alberta, Canada | |
Abdollahian et al. | A new approach to reduce uncertainty in reservoir characterization using saturation height modeling, Mesaverde tight gas sandstones, western US basins | |
CN105528732B (zh) | 一种试气井产能预测方法 | |
Onuh et al. | Genetic units-based permeability prediction for clastic reservoirs using normalised pore throat radius (Niger Delta as case study) | |
Gandhi et al. | Low resistivity petrophysical mapping expands the terry (sussex) play in wattenberg field, Colorado | |
Apaydin et al. | Critical Parameters in Static and Dynamic Modeling of Tight Fluvial Sandstones | |
Robert et al. | Multi-Field Integrated Rock Type Framework Optimisation in Thrusted Carbonates of The Thamama Group to Reduce Modelling Uncertainty and Improve Reservoir Characterisation | |
Manchuk et al. | Advances in micromodeling using resistivity borehole images | |
Biniwale et al. | An improved approach for modelling geological depositional characteristics and fluid saturation by using hydraulic units: Australian offshore fields |
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 |