CN113027433A - 计算强非均质性砂砾岩储层渗透率的方法和装置 - Google Patents
计算强非均质性砂砾岩储层渗透率的方法和装置 Download PDFInfo
- Publication number
- CN113027433A CN113027433A CN202110314974.7A CN202110314974A CN113027433A CN 113027433 A CN113027433 A CN 113027433A CN 202110314974 A CN202110314974 A CN 202110314974A CN 113027433 A CN113027433 A CN 113027433A
- Authority
- CN
- China
- Prior art keywords
- sample data
- porosity
- flow
- discrete
- permeability
- 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
- 230000035699 permeability Effects 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000004458 analytical method Methods 0.000 claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 9
- 230000000704 physical effect Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 12
- 239000011148 porous material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000008901 benefit Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 3
- 229910052753 mercury Inorganic materials 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005325 percolation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B49/00—Testing the nature of borehole walls; Formation testing; Methods or apparatus for obtaining samples of soil or well fluids, specially adapted to earth drilling or wells
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Fluid Mechanics (AREA)
- Environmental & Geological Engineering (AREA)
- Geochemistry & Mineralogy (AREA)
- Theoretical Computer Science (AREA)
- Geophysics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了计算强非均质性砂砾岩储层渗透率的方法和装置，该方法包括：常规测井曲线标准化处理及岩心分析数据质量校正，确定标准化常规测井曲线和离散样本数据；根据离散样本数据，确定流动单元评价分类标准和确定孔隙度连续样本数据；根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
Description
技术领域
本发明涉及石油勘探评价技术领域，尤其涉及一种计算强非均质性砂砾岩储层渗透率的方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
渗透率是储层物性评价、产能评价及储层非均质性研究的关键因素之一，其大小主要取决于岩石的孔隙体积、孔喉大小及连通程度等。精确求准渗透率一直是储层测井评价技术的难点之一，是测井资料定量解释的关键。渗透率估算目前至少存在三个层次差异。(1)实验室测定的岩心渗透率，这是一种岩石物理概念，是对储集层采样岩心样品，以空气为渗滤流体对岩样进行实验测定的结果。(2)由测井方法估算的渗透率，是一种地球物理概念，根据测井参数与储集层渗透率(岩心分析离散样品结果)的统计关系估算出来的结果，这种概念的几何尺度是用测井方法探测范围以内的空间。(3)根据试井时关井压力恢复曲线估算的渗透率，是一种油藏工程(产能)的概念。这种概念的几何尺度是一口井在控油面积内，一个大层段上的所有储集层。总之，各种不同分析方法所获得的渗透率，只是储集层渗透率的某种近似值。
目前在石油勘探与评价领域内，行业主要采用测井方法分层建立渗透率模型，估算渗透率。该方法的核心是基于预测区内的岩心分析获取的储层参数(孔隙度与渗透率离散样品数据)，按照统计关系，建立依据孔隙度估算渗透率的模型，利用岩心标定三孔隙度测井资料，建立孔隙度模型，获取孔隙度连续样本数据，进而通过模型获取渗透率连续样本数据。该方法适用于相对均值的砂岩储集层，储集空间以孔隙型为主，且储层渗透率为对数正态分布。
对于强非均质性的低渗透砂砾岩储集层，利用常规分层建立渗透率模型的评估方法，经岩心分析结果验证，渗透率解释精度低下。主要原因在于：(1)砂砾岩储集层孔隙结构复杂，同一孔隙度的储层，其孔隙类型、毛细管半径、岩石比面等孔隙结构可能存在较大差异；(2)沉积作用复杂，储层宏观与微观非均质性强；(3)储层物性差，成岩作用加剧储层参数的变化规律；(4)砂砾岩取样难，样品代表性较差。因此，常规的分层建立渗透率模型的评估方法，难以适用于低渗透砂砾岩储集层渗透率测井评价，影响解释精度。
因此，如何提供一种新的方案，其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种计算强非均质性砂砾岩储层渗透率的方法，通过将预测区划分为地质结构相似的流动单元，分类建立不同流动单元渗透率模型，可有效提高强非均质性砂砾岩储层渗透率预测精度，该方法包括：
对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
本发明实施例还提供一种计算强非均质性砂砾岩储层渗透率的装置，包括：
标准化常规测井曲线确定模块，用于对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
离散样本数据确定模块，用于对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
流动单元划分模块，用于根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
孔隙度连续样本数据确定模块，用于根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
流动层带指数连续样本数据确定模块，用于根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
预测区目的层渗透率连续样本数据确定模块，用于根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种计算强非均质性砂砾岩储层渗透率的方法。
本发明实施例还提供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执行上述一种计算强非均质性砂砾岩储层渗透率的方法的计算机程序。
本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法和装置，包括：首先对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；然后对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；接着根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；继续根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；下一步根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；最后根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。本发明实施例通过将预测区储层划分为地质结构相似的流动单元，对不同类型流动单元分类建立不同的储层渗透率模型，可有效提高强非均质性砂砾岩储层渗透率预测精度；基于离散样本数据与连续的常规测井数据，通过流动单元判别模型，最终实现对不同类型流动单元分类建立渗透率模型并求取渗透率连续样本数据。本发明实施例适应于强非均质性砂砾岩储层，并能有效改善强非均质性砂砾岩储层渗透率计算精确度；与现有技术相比，本发明提供的技术方案具有较高的判别精度，流程便捷，易于实现自动识别，降本增效，应用前景广阔。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法示意图。
图2为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的技术流程图。
图3为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的模糊聚类法建立的流动单元评价分类标准图。
图4(a)为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的各流动单元储层品质系数与流动层带指数交会图。
图4(b)为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的各流动单元孔隙度与储层品质系数交会图。
图5为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的孔隙度模型示意图。
图6为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的渗透率模型示意图。
图7为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的流动层带指数与孔渗测井解释图。
图8为运行本发明实施的一种计算强非均质性砂砾岩储层渗透率的方法的计算机装置示意图。
图9为本发明实施例一种计算强非均质性砂砾岩储层渗透率的装置示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
图1为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法示意图，如图1所示，本发明实施例提供一种计算强非均质性砂砾岩储层渗透率的方法，通过将预测区划分为地质结构相似的流动单元，分类建立不同流动单元渗透率模型，可有效提高强非均质性砂砾岩储层渗透率预测精度，该方法包括：
步骤101：对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
步骤102：对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
步骤103：根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
步骤104：根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
步骤105：根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
步骤106：根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法，包括：首先对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；然后对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；接着根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；继续根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；下一步根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；最后根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。本发明实施例通过将预测区储层划分为地质结构相似的流动单元，对不同类型流动单元分类建立不同的储层渗透率模型，可有效提高强非均质性砂砾岩储层渗透率预测精度；基于离散样本数据与连续的常规测井数据，通过流动单元判别模型，最终实现对不同类型流动单元分类建立渗透率模型并求取渗透率连续样本数据。本发明实施例适应于强非均质性砂砾岩储层，并能有效改善强非均质性砂砾岩储层渗透率计算精确度；与现有技术相比，本发明提供的技术方案具有较高的判别精度，流程便捷，易于实现自动识别，降本增效，应用前景广阔。
在本发明涉及的技术领域中，已有学者提出储层流动单元(Flow unit)的概念，随后很多学者应用这一概念开展了储层表征与评价的研究，并对流动单元的概念和划分方法进行了补充和完善。后续还有学者提出应用修正的Kozeney-Carman方程，推导出划分流动单元的指标—流动层带指数(FZI)，并为地质学界普遍接受。目前基于流动单元分类评估储层渗透率的计算方法，较少应用于低渗透的砂砾岩储层，该发明专利技术流程及应用效果，值得深入探索。
基于上述情况，亟需一种能准确、经济地评价砂砾岩储层渗透率的方法，开展有效地储层评价，为油藏描述、油藏治理提供更为准确的地质依据。
为解决上述问题，本发明提供了一种准确、经济地评价砂砾岩储层渗透率的计算方法，主要是基于流动单元分类计算强非均质性砂砾岩储层渗透率模型的过程。图2为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的技术流程图，待预测区为柴达木盆地昆北油田切12区下干柴沟组下段Ⅳ砂组；如图2所示，具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法时，可以包括：
对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法时，在一个实施例中，对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线，包括：
对于预测区目的层的常规测井曲线开展预处理、品质分析及标准化处理，消除井眼扩径、异常值及不同测井系列产生的系统偏差，确定标准化常规测井曲线。
实施例中，开展预测区目的层常规测井曲线预处理、标准化处理，包括：针对预测区目的层段，开展测井曲线预处理、品质分析及标准化处理，消除井眼扩径、异常值及不同测井系列产生的系统偏差。需标准化的测井曲线包括井径(CAL)、自然伽马(GR)、补偿中子孔隙度(CNL)、声波时差(AC)、深侧向电阻率(RD)。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法时，在一个实施例中，对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据，包括：
对预测区目的层进行岩心分析，获取预测区目的层的岩心分析数据；其中，预测区目的层的岩心分析数据，包括：预测区目的层的孔隙度、预测区目的层的渗透率、预测区目的层的压汞；
对预测区目的层的岩心分析数据进行质量评估，去除取样不标准的样本数据，确定离散样本数据。
实施例中，开展预测区目的层岩心分析得到的孔隙度、渗透率、压汞等离散样本数据质量分析，可以确保渗透率模型的可靠性，包括：针对预测区目的层段岩心分析获取的孔隙度、渗透率、压汞等离散样本数据，进行质量评估，去除取样不标准的样本数据，确保孔隙度与渗透率模型的可靠性。离散样本数据是散点分布的，进行渗透率预测时，需要连续样本数据，因此离散样本数据可以作为计算孔隙度连续样本数据和流动层带指数连续样本数据的基础。通过计算得到的孔隙度连续样本数据和流动层带指数连续样本数据均为连续样本数据，样本连续性好，可以实现目的层渗透率的准确连续求取。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法时，在一个实施例中，根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准，包括：
根据离散样本数据中的离散孔隙度和离散渗透率，计算流动层带指数离散样本数据；
从流动层带指数离散样本数据中选取与流动层带指数相关性高于预设阈值的储层品质系数和标准化孔隙度指数，利用Ward系统聚类法，将预测区流动单元划分为四类，通过聚类分析SOM模型，开展流动单元分类评价，建立流动单元评价分类标准。
前述从流动层带指数离散样本数据中的选取与流动层带指数相关性高于预设阈值的储层品质系数和标准化孔隙度指数中，其中预设阈值可以分为四档：25％、50％、75％、100％，当相关性高于50％时，可以认定为相关性较好，反之则相关性不好。本实施例不以上述限定的四档预设阈值为限定，具体实施时可以采用其他的方式，也属于本发明实施例的保护范围。
实施例中，基于前述得到的离散样本数据进行分析提取，获得离散孔隙度和离散渗透率，其中，离散孔隙度可以数据化为离散孔隙度样本数据，离散渗透率可以数据化为离散渗透率样本数据；然后，将离散孔隙度和离散渗透率进行计算得到流动层带指数离散样本数据，其中，流动层带指数离散样本数据是离散化的散点数据；接着，选取与流动层带指数(FZI)相关性较好的储层品质系数(RQI)、标准化孔隙度指数(φz)，利用Ward系统聚类法划分为四类流动单元，继而通过聚类分析SOM模型，开展流动单元分类评价，建立如图3所示的流动单元评价分类标准。
本发明实施例中利用储层参数分析法划分流动单元继而进行流动单元分类评价建立流动单元评价分类标准，原理是基于修正的Kozeny-Carman方程：
由(1)式变换，可得到
其中，在(2)式中，K为渗透率，mD；Fs为形状系数；τ为孔隙介质迂曲度，小数；Sgv为单位体积颗粒的表面积，m2；φe为有效孔隙度离散样本数据，％。若K单位采用(mD)，定义下列参数：
储层品质系数(单位：μm)：
标准化孔隙度指数(即孔隙体积与颗粒体积之比，单位：小数)：
流动层带指数(单位：μm)：
结合上述三式，(2)式可表达为
RQI＝φz·FZI (3)
对(3)式两边取对数：
lgRQI＝lgFZI+lgφz (4)
由式(4)可知：在RQI与φz双对数坐标图上，二者表现为斜率为1的双对数直线关系，截距为FZI。对强非均质性油藏，具相似流动条件的样品近似落在一条直线上，他们具有相近的储层孔隙结构特征，属于同一类型流动单元，而具不同储层孔隙结构特征的样品将落在相互平行的直线上，属不同类型流动单元，依据上述分类方法，将预测区流动单元划分为四类。
研究结果表明，沉积环境及成岩作用共同控制了储层孔隙结构和流动单元指数。对于结构成熟度差、粒细的砂岩储层，普遍具有高的颗粒表面积和弯曲度，其流动层带指数较低；而结构成熟度高、粒粗的砂岩储层，多具低的颗粒表面积和弯曲度，其流动层带指数较高。对于预测区具双重水动力作用机制下的冲积扇砂砾岩沉积，具有异常复杂的流动条件，因此迫切需要分类研究不同流动层带指数储层，建立不同流动单元测井解释模型。
具体的，可以是基于质量分析后获取的离散样本数据，选取与流动层带指数(FZI)相关性较好的储层品质系数(RQI)、标准化孔隙度指数(φz)，利用Ward系统聚类法，将预测区流动单元划分为四类，继而通过聚类分析SOM模型，开展流动单元分类评价，建立如图3所示流动单元评价分类标准。
通过交会图法分析流动单元评价分类参数的相关关系。如图4(a)所示为不同流动单元储层品质系数与流动层带指数的关系图，图4(a)中显示了4类流动单元的储层品质系数与流动层带指数的相关关系曲线斜率不同，可较好区分流动单元。如图4(b)所示为不同流动单元孔隙度与储层品质系数的关系图，图4(b)中显示孔隙度与储层品质系数呈正相关，具有不同储层品质系数的样品落在相互平行的直线上，在同一孔隙度下，储层品质系数越高，对应的流动层带指数越好，流动单元越趋于一类。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法时，在一个实施例中，根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据，包括：
根据离散样本数据，获取离散孔隙度样本数据；
从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，确定声波时差曲线和补偿中子孔隙度测井曲线；
分别将离散孔隙度样本数据与声波时差曲线对应的数据、离散孔隙度样本数据与补偿中子孔隙度测井曲线对应的数据建立关系，选择相关性好的声波时差建立储层孔隙度模型；
根据储层孔隙度模型，计算得到孔隙度连续样本数据。
实施例中，基于校正后的离散样本数据获取离散孔隙度样本数据与遴选得到的对孔隙度敏感的常规测井曲线，开展储层孔隙度与电性关系分析，建立储层孔隙度模型，进而计算得到孔隙度连续样本数据。
具体的，基于离散孔隙度样本数据与遴选得到的声波时差曲线、补偿中子孔隙度测井曲线，分别将离散孔隙度样本数据与声波时差对应的数据、离散孔隙度样本数据与补偿中子孔隙度测井曲线对应的数据建立关系，选择相关性好的声波时差建立储层孔隙度模型，公式如下：
Por＝0.1557×AC-26.038 R2＝0.8188 (5)
其中，R2是拟合程度的指标，它的数值大小可以反映趋势线的估计值与对应的实际数据之间的拟合程度，拟合程度越高，R2越接近1。
图5为本发明实施例一种计算强非均质性砂砾岩储层渗透率的方法的孔隙度模型示意图，图5显示了预测区的岩心孔隙度与声波时差关系。图中显示了岩心孔隙度与声波时差呈正相关性，相关系数达0.8188。利用公式(5)，求得预测区的孔隙度连续样本数据。
前述提到的建立储层孔隙度模型计算得到孔隙度连续样本数据的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法时，在一个实施例中，根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据，包括：
根据离散样本数据进行岩心标定测井，开展储层物性与电性关系交汇分析，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线；其中，遴选得到的对流动层带指数敏感的常规测井曲线，包括：自然伽马曲线，深侧向电阻率曲线；
根据遴选得到的自然伽马曲线和深侧向电阻率曲线，计算自然伽马相对值和深侧向电阻率相对值；
根据自然伽马相对值和深侧向电阻率相对值，结合有效孔隙度离散样本数据和流动层带指数离散样本数据进行多元回归分析，拟合建立流动单元判别模型；
将孔隙度连续样本数据导入流动单元判别模型，计算得到流动层带指数连续样本数据。
实施例中，基于校正后的离散样本数据进行岩心标定测井，开展储层物性与电性关系交汇分析，遴选对流动层带指数敏感的自然伽马曲线、深侧向电阻率曲线等标准化常规测井曲线，计算自然伽马相对值和深侧向电阻率相对值，结合有效孔隙度离散样本数据、流动层带指数离散样本数据进行多元回归分析，拟合建立流动单元判别模型，将孔隙度连续样本数据导入流动单元判别模型，计算求得流动层带指数连续样本数据。流动层带指数是用于评价流动单元，进行分类的指标。流动层带指数连续样本的获得，可以获取连续的流动单元分类数据，即流动层带指数连续样本数据。
具体的，通过离散样本数据进行岩心标定测井，遴选对流动层带指数敏感的自然伽马、深侧向电阻率等常规测井曲线，进行流动层带指数预测。基于前述校正后得到的离散样本数据，表明自然伽马相对值(△GR)、深侧向电阻率相对值(△RD)、有效孔隙度离散样本数据(φe)在单井及总样本中均呈现较好的相关性。
其中，△GR、△RD的计算公式，分别是：
ΔGR＝(GR-GRmin)/(GRmax-GRmin) (6)
ΔRD＝(RD-RDmin)/(RDmax-RDmin) (7)
选择上述自然伽马相对值、深侧向电阻率相对值和有效孔隙度离散样本数据和这3个参数进行多元回归分析，拟合建立流动单元判别模型，公式如下：
利用公式(8)，将孔隙度连续样本数据进行导入，求得预测区流动层带指数的连续样本数据。基于前述的流动单元评价分类标准，将预测区内储层流动单元进行分类。有效孔隙度连续样本数据为储层孔隙度模型计算得到的孔隙度连续样本数据。
前述提到的建立流动单元判别模型计算得到流动层带指数连续样本数据的过程中涉及的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法时，在一个实施例中，根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据，包括：
基于前述得到的离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，依据流动单元评价分类标准，划分流动单元类型，分类建立不同类型流动单元建立渗透率模型，求得预测区目的层渗透率连续样本数据。具体的，基于前述得到的离散孔隙度样本数据和对应的离散渗透率样本数据，分不同流动单元类型，拟合孔隙度与渗透率关系，建立不同流动单元类型的渗透率计算模型。然后依据流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，选择不同流动单元的渗透率计算模型，求取渗透率连续样本数据。如图6所示为不同类型流动单元的离散孔隙度与离散渗透率关系，对应每一个流动单元得到的不同渗透率模型及对应的相关系数。其公式分别为：
第一类流动单元的渗透率模型为：
第二类流动单元的渗透率模型为：
第三类流动单元的渗透率模型为：
第四类流动单元的渗透率模型为：
式中K为渗透率，mD；R2是拟合程度的指标，无量纲；φe为有效孔隙度，％；利用公式(9)、(10)、(11)、(12)，求得预测区渗透率连续样本数据。
前述提到的不同流动单元的渗透率模型的表达式为举例说明，本领域技术人员可以理解，在实施时还可以根据需要对上述公式进行一定形式的变形和添加其它的参数或数据，或者提供其它的具体公式，这些变化例均应落入本发明的保护范围。
本发明提供了一种基于流动单元分类计算强非均质性砂砾岩储层渗透率模型的方法。目的在于基于离散的岩心孔隙度、岩心渗透率样本数据，建立流动单元分类标准，基于常规测井数据，求得流动层带指数连续样本数据，实现储层流动单元分类，最终实现对不同流动单元分类建立渗透率模型并求取渗透率连续样本数据。本发明专利适应于强非均质性砂砾岩储层，并能有效改善强非均质性砂砾岩储层渗透率计算精确度。
与现有技术相比，本发明提供的技术方案具有以下优势：
1)本发明提供的技术方法具有较高的判别精度；2)本发明提供的技术流程便捷，易于实现自动识别，降本增效，应用前景广阔。
本发明应用于预测区柴达木盆地昆北油田切12区下干柴沟组下段Ⅳ砂组的砂砾岩渗透率计算。计算结果经岩心实验分析标定，证明本发明能有效预测强非均质性砂砾岩储层的渗透率，且预测效果好，能为复杂砂砾岩油藏描述、油藏治理提供更为准确的地质依据。如图7第五道所示，通过对比分析，岩心实验分析渗透率与计算的渗透率吻合度较高，印证本发明专利的可靠性与准确性。
本发明实施例还提供一种计算强非均质性砂砾岩储层渗透率的方法的流程，如图2所示，包括：
步骤1，对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
步骤2，对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
步骤3，根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
步骤4，根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
步骤5，根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合有效孔隙度离散样本数据和流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
步骤6，根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
在步骤1中，对于预测区目的层的常规测井曲线开展预处理、品质分析及标准化处理，消除井眼扩径、异常值及不同测井系列产生的系统偏差，确定标准化常规测井曲线。
在步骤2中，对预测区目的层进行岩心分析，获取预测区目的层的岩心分析数据；
对预测区目的层的岩心分析数据进行质量评估，去除取样不标准的样本数据，确定离散样本数据。
在步骤3中，根据离散样本数据中的离散孔隙度和离散渗透率，计算流动层带指数离散样本数据；
从流动层带指数离散样本数据中选取与流动层带指数相关性高于预设阈值的储层品质系数和标准化孔隙度指数，利用Ward系统聚类法，将预测区流动单元划分为四类，通过聚类分析SOM模型，开展流动单元分类评价，建立流动单元评价分类标准。
在步骤4中，根据离散样本数据，获取离散孔隙度样本数据；
从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，确定声波时差曲线和补偿中子孔隙度测井曲线；
分别将离散孔隙度样本数据与声波时差对应的数据、离散孔隙度样本数据与补偿中子孔隙度测井曲线对应的数据建立关系，选择相关性好的声波时差建立储层孔隙度模型；
根据储层孔隙度模型，计算得到孔隙度连续样本数据。
在步骤5中，根据离散样本数据进行岩心标定测井，开展储层物性与电性关系交汇分析，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线；其中，遴选得到的对流动层带指数敏感的常规测井曲线，包括：自然伽马曲线，深侧向电阻率曲线；
根据遴选得到的自然伽马曲线和深侧向电阻率曲线，计算自然伽马相对值和深侧向电阻率相对值；
根据自然伽马相对值和深侧向电阻率相对值，结合有效孔隙度离散样本数据和流动层带指数离散样本数据进行多元回归分析，拟合建立流动单元判别模型；
将孔隙度连续样本数据导入流动单元判别模型，计算得到流动层带指数连续样本数据。
本发明实施例的主要过程，包括：1、依据离散样本数据划分流动单元，建立流动单元分类标准(主要是依据流动层带指数划分流动单元)；2、求取流动层带指数连续样本数据。方法：岩心标定测井，利用自然伽马相对值、深侧向电阻率相对值、有效孔隙度三个离散样本数据，拟合建立流动层带判别模型。模型建立后，利用连续的自然伽马、深侧向电阻率测井数据，以及孔隙度连续样本数据，求取流动层带指数连续样本数据；3、求取孔隙度连续样本数据。方法：利用离散孔隙度与声波时差相关性好，建立储层孔隙度测井解释模型，求取孔隙度连续样本数据；4、利用离散孔隙度与渗透率样本数据，对不同流动单元分类建立渗透率模型，利用流动层带指数连续样本数据和孔隙度连续样本数据，求得不同流动单元渗透率连续样本数据。
本发明提供了一种基于流动单元分类计算强非均质性砂砾岩储层渗透率模型的方法。该方法包括以下步骤：1)基于研究区岩心分析的孔隙度、渗透率等离散样本数据，建立流动单元评价分类标准；2)分析孔隙度与常规测井曲线关系，建立储层孔隙度模型，确定孔隙度连续样本数据；3)选取对流动层带指数敏感的自然伽马、深侧向电阻率等常规测井曲线，进行多元回归分析，建立流动单元判别模型，依据孔隙度连续样本数据，确定流动层带指数连续样本数据；4)根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，求取渗透率连续样本数据。本方法通过将预测区储层划分为地质结构相似的流动单元，对不同流动单元分类建立储层渗透率模型，可有效提高强非均质性砂砾岩储层渗透率预测精度。
图8为运行本发明实施的一种计算强非均质性砂砾岩储层渗透率的方法的计算机装置示意图，如图8所示，本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种计算强非均质性砂砾岩储层渗透率的方法。
本发明实施例还提供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执行实现上述一种计算强非均质性砂砾岩储层渗透率的方法的计算机程序。
本发明实施例中还提供了一种计算强非均质性砂砾岩储层渗透率的装置，如下面的实施例所述。由于该装置解决问题的原理与一种计算强非均质性砂砾岩储层渗透率的方法相似，因此该装置的实施可以参见一种计算强非均质性砂砾岩储层渗透率的方法的实施，重复之处不再赘述。
图9为本发明实施例一种计算强非均质性砂砾岩储层渗透率的装置示意图，如图9所示，本发明实施例还提供一种计算强非均质性砂砾岩储层渗透率的装置包括：
标准化常规测井曲线确定模块901，用于对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
离散样本数据确定模块902，用于对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
流动单元划分模块903，用于根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
孔隙度连续样本数据确定模块904，用于根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
流动层带指数连续样本数据确定模块905，用于根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
预测区目的层渗透率连续样本数据确定模块906，用于根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的装置时，在一个实施例中，标准化常规测井曲线确定模块，具体用于：
对于预测区目的层的常规测井曲线开展预处理、品质分析及标准化处理，消除井眼扩径、异常值及不同测井系列产生的系统偏差，确定标准化常规测井曲线。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的装置时，在一个实施例中，离散样本数据确定模块，具体用于：
对预测区目的层进行岩心分析，获取预测区目的层的岩心分析数据；
对预测区目的层的岩心分析数据进行质量评估，去除取样不标准的样本数据，确定离散样本数据。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的装置时，在一个实施例中，流动单元划分模块，具体用于：
根据离散样本数据中的离散孔隙度和离散渗透率，计算流动层带指数离散样本数据；
从流动层带指数离散样本数据中选取与流动层带指数相关性高于预设阈值的储层品质系数和标准化孔隙度指数，利用Ward系统聚类法，将预测区流动单元划分为四类，通过聚类分析SOM模型，开展流动单元分类评价，建立流动单元评价分类标准。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的装置时，在一个实施例中，孔隙度连续样本数据确定模块，具体用于：
根据离散样本数据，获取离散孔隙度样本数据；
从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，确定声波时差曲线和补偿中子孔隙度测井曲线；
分别将离散孔隙度样本数据与声波时差对应的数据、离散孔隙度样本数据与补偿中子孔隙度测井曲线对应的数据建立关系，选择相关性好的声波时差建立储层孔隙度模型；
根据储层孔隙度模型，计算得到孔隙度连续样本数据。
具体实施本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的装置时，在一个实施例中，流动层带指数连续样本数据确定模块，具体用于：
根据离散样本数据进行岩心标定测井，开展储层物性与电性关系交汇分析，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线；其中，遴选得到的对流动层带指数敏感的常规测井曲线，包括：自然伽马曲线，深侧向电阻率曲线；
根据遴选得到的自然伽马曲线和深侧向电阻率曲线，计算自然伽马相对值和深侧向电阻率相对值；
根据自然伽马相对值和深侧向电阻率相对值，结合有效孔隙度离散样本数据和流动层带指数离散样本数据进行多元回归分析，拟合建立流动单元判别模型；
将孔隙度连续样本数据导入流动单元判别模型，计算得到流动层带指数连续样本数据。
综上，本发明实施例提供的一种计算强非均质性砂砾岩储层渗透率的方法和装置，包括：首先对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；然后对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；接着根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；继续根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；下一步根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合有效孔隙度离散样本数据和流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；最后根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。本发明实施例通过将预测区储层划分为地质结构相似的流动单元，对不同类型流动单元分类建立不同的储层渗透率模型，可有效提高强非均质性砂砾岩储层渗透率预测精度；基于离散样本数据与连续的常规测井数据，通过流动单元判别模型，最终实现对不同类型流动单元分类建立渗透率模型并求取渗透率连续样本数据。本发明实施例适应于强非均质性砂砾岩储层，并能有效改善强非均质性砂砾岩储层渗透率计算精确度；与现有技术相比，本发明提供的技术方案具有较高的判别精度，流程便捷，易于实现自动识别，降本增效，应用前景广阔。
本发明提供了一种基于流动单元分类计算强非均质性砂砾岩储层渗透率模型的方法。该方法包括以下步骤：1)基于研究区岩心分析的孔隙度、渗透率等离散样本数据，建立流动单元评价分类标准；2)分析孔隙度与常规测井曲线关系，建立储层孔隙度模型，确定孔隙度连续样本数据；3)选取对流动层带指数敏感的自然伽马、深侧向电阻率等常规测井曲线，进行多元回归分析，建立流动单元判别模型，依据孔隙度连续样本数据，确定流动层带指数连续样本数据；4)根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，求取渗透率连续样本数据。本方法通过将预测区储层划分为地质结构相似的流动单元，对不同流动单元分类建立储层渗透率模型，可有效提高强非均质性砂砾岩储层渗透率预测精度。
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。
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 (14)
1.一种计算强非均质性砂砾岩储层渗透率的方法，其特征在于，包括：
对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
2.如权利要求1所述的方法，其特征在于，对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线，包括：
对于预测区目的层的常规测井曲线开展预处理、品质分析及标准化处理，消除井眼扩径、异常值及不同测井系列产生的系统偏差，确定标准化常规测井曲线。
3.如权利要求1所述的方法，其特征在于，对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据，包括：
对预测区目的层进行岩心分析，获取预测区目的层的岩心分析数据；
对预测区目的层的岩心分析数据进行质量评估，去除取样不标准的样本数据，确定离散样本数据。
4.如权利要求1所述的方法，其特征在于，根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准，包括：
根据离散样本数据中的离散孔隙度和离散渗透率，计算流动层带指数离散样本数据；
从流动层带指数离散样本数据中选取与流动层带指数相关性高于预设阈值的储层品质系数和标准化孔隙度指数，利用Ward系统聚类法，将预测区流动单元划分为四类，通过聚类分析SOM模型，开展流动单元分类评价，建立流动单元评价分类标准。
5.如权利要求1所述的方法，其特征在于，根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据，包括：
根据离散样本数据，获取离散孔隙度样本数据；
从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，确定声波时差曲线和补偿中子孔隙度测井曲线；
分别将离散孔隙度样本数据与声波时差曲线对应的数据、离散孔隙度样本数据与补偿中子孔隙度测井曲线对应的数据建立关系，选择相关性好的声波时差建立储层孔隙度模型；
根据储层孔隙度模型，计算得到孔隙度连续样本数据。
6.如权利要求1所述的方法，其特征在于，根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据，包括：
根据离散样本数据进行岩心标定测井，开展储层物性与电性关系交汇分析，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线；其中，遴选得到的对流动层带指数敏感的常规测井曲线，包括：自然伽马曲线，深侧向电阻率曲线；
根据遴选得到的自然伽马曲线和深侧向电阻率曲线，计算自然伽马相对值和深侧向电阻率相对值；
根据自然伽马相对值和深侧向电阻率相对值，结合有效孔隙度离散样本数据和流动层带指数离散样本数据进行多元回归分析，拟合建立流动单元判别模型；
将孔隙度连续样本数据导入流动单元判别模型，计算得到流动层带指数连续样本数据。
7.一种计算强非均质性砂砾岩储层渗透率的装置，其特征在于，包括：
标准化常规测井曲线确定模块，用于对预测区目的层的常规测井曲线进行预处理和标准化处理，确定标准化常规测井曲线；
离散样本数据确定模块，用于对预测区目的层的岩心分析数据进行质量分析，确定离散样本数据；
流动单元划分模块，用于根据离散样本数据，计算流动层带指数离散样本数据，划分流动单元，建立流动单元评价分类标准；
孔隙度连续样本数据确定模块，用于根据离散样本数据，从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，建立储层孔隙度模型，确定孔隙度连续样本数据；
流动层带指数连续样本数据确定模块，用于根据离散样本数据进行岩心标定测井，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线，结合有效孔隙度离散样本数据、流动层带指数离散样本数据进行多元回归拟合，建立流动单元判别模型，利用孔隙度连续样本数据，确定流动层带指数连续样本数据；
预测区目的层渗透率连续样本数据确定模块，用于根据离散样本数据、流动单元评价分类标准、流动层带指数连续样本数据和孔隙度连续样本数据，对不同类型流动单元分类建立渗透率模型，确定预测区目的层渗透率连续样本数据。
8.如权利要求7所述的装置，其特征在于，标准化常规测井曲线确定模块，具体用于：
对于预测区目的层的常规测井曲线开展预处理、品质分析及标准化处理，消除井眼扩径、异常值及不同测井系列产生的系统偏差，确定标准化常规测井曲线。
9.如权利要求7所述的装置，其特征在于，离散样本数据确定模块，具体用于：
对预测区目的层进行岩心分析，获取预测区目的层的岩心分析数据；
对预测区目的层的岩心分析数据进行质量评估，去除取样不标准的样本数据，确定离散样本数据。
10.如权利要求7所述的装置，其特征在于，流动单元划分模块，具体用于：
根据离散样本数据中的离散孔隙度和离散渗透率，计算流动层带指数离散样本数据；
从流动层带指数离散样本数据中选取与流动层带指数相关性高于预设阈值的储层品质系数和标准化孔隙度指数，利用Ward系统聚类法，将预测区流动单元划分为四类，通过聚类分析SOM模型，开展流动单元分类评价，建立流动单元评价分类标准。
11.如权利要求7所述的装置，其特征在于，孔隙度连续样本数据确定模块，具体用于：
根据离散样本数据，获取离散孔隙度样本数据；
从标准化常规测井曲线中遴选对孔隙度敏感的常规测井曲线，确定声波时差曲线和补偿中子孔隙度测井曲线；
分别将离散孔隙度样本数据与声波时差曲线对应的数据、离散孔隙度样本数据与补偿中子孔隙度测井曲线对应的数据建立关系，选择相关性好的声波时差建立储层孔隙度模型；
根据储层孔隙度模型，计算得到孔隙度连续样本数据。
12.如权利要求7所述的装置，其特征在于，流动层带指数连续样本数据确定模块，具体用于：
根据离散样本数据进行岩心标定测井，开展储层物性与电性关系交汇分析，从标准化常规测井曲线中遴选对流动层带指数敏感的常规测井曲线；其中，遴选得到的对流动层带指数敏感的常规测井曲线，包括：自然伽马曲线，深侧向电阻率曲线；
根据遴选得到的自然伽马曲线和深侧向电阻率曲线，计算自然伽马相对值和深侧向电阻率相对值；
根据自然伽马相对值和深侧向电阻率相对值，结合有效孔隙度离散样本数据和流动层带指数离散样本数据进行多元回归分析，拟合建立流动单元判别模型；
将孔隙度连续样本数据导入流动单元判别模型，计算得到流动层带指数连续样本数据。
13.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行实现权利要求1至6任一项所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314974.7A CN113027433B (zh) | 2021-03-24 | 2021-03-24 | 计算强非均质性砂砾岩储层渗透率的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110314974.7A CN113027433B (zh) | 2021-03-24 | 2021-03-24 | 计算强非均质性砂砾岩储层渗透率的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113027433A true CN113027433A (zh) | 2021-06-25 |
| CN113027433B CN113027433B (zh) | 2023-08-22 |
Family
ID=76473902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110314974.7A Active CN113027433B (zh) | 2021-03-24 | 2021-03-24 | 计算强非均质性砂砾岩储层渗透率的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113027433B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935531A (zh) * | 2022-05-24 | 2022-08-23 | 成都理工大学 | 一种断陷湖盆陡坡致密砂岩储层古孔隙结构恢复方法 |
| CN117418831A (zh) * | 2023-12-18 | 2024-01-19 | 西安石油大学 | 砂砾岩储层多测井参数岩性识别方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140037379A1 (en) * | 2012-08-06 | 2014-02-06 | The Hong Kong University Of Science And Technology | All-weather landfill soil cover system for preventing water infiltration and landfill gas emission |
| CN106156456A (zh) * | 2015-03-27 | 2016-11-23 | 中国石油化工股份有限公司 | 砂砾岩体无效储层扣除方法 |
| CN108999608A (zh) * | 2018-06-14 | 2018-12-14 | 中国石油天然气股份有限公司 | 一种低渗透砂砾岩储层优势通道识别方法及系统 |
| CN109165375A (zh) * | 2018-08-03 | 2019-01-08 | 中国石油天然气集团有限公司 | 基岩岩性识别和物性计算方法及装置 |
| CN109184615A (zh) * | 2018-08-15 | 2019-01-11 | 中国石油天然气股份有限公司 | 一种砂砾岩油藏油井选择性堵水方法及应用 |
| US20190056527A1 (en) * | 2017-08-17 | 2019-02-21 | China University Of Geosciences (Beijing) | Method and Device of Predicting Reservoir Sand Bodies Based on a Wind Field-Provenance-Basin System |
-
2021
- 2021-03-24 CN CN202110314974.7A patent/CN113027433B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140037379A1 (en) * | 2012-08-06 | 2014-02-06 | The Hong Kong University Of Science And Technology | All-weather landfill soil cover system for preventing water infiltration and landfill gas emission |
| CN106156456A (zh) * | 2015-03-27 | 2016-11-23 | 中国石油化工股份有限公司 | 砂砾岩体无效储层扣除方法 |
| US20190056527A1 (en) * | 2017-08-17 | 2019-02-21 | China University Of Geosciences (Beijing) | Method and Device of Predicting Reservoir Sand Bodies Based on a Wind Field-Provenance-Basin System |
| CN108999608A (zh) * | 2018-06-14 | 2018-12-14 | 中国石油天然气股份有限公司 | 一种低渗透砂砾岩储层优势通道识别方法及系统 |
| CN109165375A (zh) * | 2018-08-03 | 2019-01-08 | 中国石油天然气集团有限公司 | 基岩岩性识别和物性计算方法及装置 |
| CN109184615A (zh) * | 2018-08-15 | 2019-01-11 | 中国石油天然气股份有限公司 | 一种砂砾岩油藏油井选择性堵水方法及应用 |
Non-Patent Citations (3)
| Title |
|---|
| 张冲;: "基于海上砂砾岩低渗透率成因分析及测井评价", 测井技术, no. 05 * |
| 曾静波;缑艳红;郭笑铠;张宇昆;杨舵;黄显华;: "深层低孔低渗复杂砂砾岩储层岩性及渗透性表征规律研究――以J油田为例", 长江大学学报(自然科学版), no. 03 * |
| 李亚锋;王国民;唐文生;: "基于粒序控制的砂砾岩渗透率解释模型及应用", 中国石油和化工标准与质量, no. 14 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935531A (zh) * | 2022-05-24 | 2022-08-23 | 成都理工大学 | 一种断陷湖盆陡坡致密砂岩储层古孔隙结构恢复方法 |
| CN114935531B (zh) * | 2022-05-24 | 2023-11-24 | 成都理工大学 | 一种断陷湖盆陡坡致密砂岩储层古孔隙结构恢复方法 |
| CN117418831A (zh) * | 2023-12-18 | 2024-01-19 | 西安石油大学 | 砂砾岩储层多测井参数岩性识别方法及装置 |
| CN117418831B (zh) * | 2023-12-18 | 2024-03-22 | 西安石油大学 | 砂砾岩储层多测井参数岩性识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113027433B (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110318745B (zh) | 一种沉积微相约束下粒径岩性测井评价方法 | |
| US10969323B2 (en) | Systems and methods for special core analysis sample selection and assessment | |
| CN110717301B (zh) | 一种基于支持向量机算法的流动单元信息分类识别方法 | |
| CN113027433B (zh) | 计算强非均质性砂砾岩储层渗透率的方法和装置 | |
| WO2013158873A2 (en) | System and method for calibrating permeability for use in reservoir modeling | |
| CN107831540A (zh) | 储层物性参数直接提取新方法 | |
| CN116641702A (zh) | 一种页岩气藏甜点区识别方法 | |
| Wang et al. | Quantification and prediction of pore structures in tight oil reservoirs based on multifractal dimensions from integrated pressure-and rate-controlled porosimetry for the upper Triassic Yanchang formation, Ordos Basin, China | |
| Li et al. | Quantitative evaluation of the carbonate reservoir heterogeneity based on production dynamic data: A case study from Cretaceous Mishrif formation in Halfaya oilfield, Iraq | |
| CN112963145B (zh) | 一种碳酸盐岩储层气井产能的预测方法 | |
| CN108805158B (zh) | 一种致密油储层成岩相划分方法 | |
| CN112689778A (zh) | 使用混合线性和非线性算法的反演地层建模 | |
| AU2020101583A4 (en) | A Method for Shale Gas Reservoirs Exploration and its System | |
| CN115390155A (zh) | 针对非均质储层的测井解释方法、装置、电子设备及介质 | |
| CN115905917A (zh) | 综合静动态数据构建海域低渗气层分类曲线的方法 | |
| CN116658148A (zh) | 岩性识别方法 | |
| CN112505761B (zh) | 一种储层含气性检测方法和装置 | |
| CN116930023A (zh) | 致密砂岩相控分类孔隙度测井精细解释方法和装置 | |
| CN114565116A (zh) | 一种低渗储层物性参数的预测方法和装置 | |
| CN114086938A (zh) | 一种非均质性砂岩储层的含气饱和度预测方法 | |
| Jin et al. | Quantitative Interpretation of Water Sensitivity Based on Well Log Data: A Case of a Conglomerate Reservoir in the Karamay Oil Field | |
| Soleymanzadeh et al. | Correlating rock packing index, tortuosity, and effective cross-sectional area with electrical quality index | |
| CN113627640A (zh) | 一种针对缝洞型油藏油气井的产能试井预测方法及系统 | |
| CN117784244B (zh) | 基于变纵波速度的细粒混积岩孔隙压力预测方法及系统 | |
| US20240093592A1 (en) | Quantification of pore-filling dolomite and calcite cement in carbonate reservoirs in post hydrocarbon charge stage |
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 |