CN113742655A - 一种含油饱和度的确定方法及装置 - Google Patents
一种含油饱和度的确定方法及装置 Download PDFInfo
- Publication number
- CN113742655A CN113742655A CN202111098067.XA CN202111098067A CN113742655A CN 113742655 A CN113742655 A CN 113742655A CN 202111098067 A CN202111098067 A CN 202111098067A CN 113742655 A CN113742655 A CN 113742655A
- Authority
- CN
- China
- Prior art keywords
- curve
- target well
- logging
- dielectric constant
- resistivity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 83
- 230000004044 response Effects 0.000 claims abstract description 65
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 230000006698 induction Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 239000011435 rock Substances 0.000 claims description 48
- 230000033558 biomineral tissue development Effects 0.000 claims description 24
- 239000006185 dispersion Substances 0.000 claims description 24
- 238000011010 flushing procedure Methods 0.000 claims description 15
- 239000008398 formation water Substances 0.000 claims description 15
- 230000015572 biosynthetic process Effects 0.000 claims description 14
- 239000012530 fluid Substances 0.000 claims description 9
- 238000003973 irrigation Methods 0.000 claims description 6
- 230000002262 irrigation Effects 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 43
- 239000012071 phase Substances 0.000 description 22
- 238000004364 calculation method Methods 0.000 description 15
- 239000004927 clay Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 239000011148 porous material Substances 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 101000718497 Homo sapiens Protein AF-10 Proteins 0.000 description 3
- 102100026286 Protein AF-10 Human genes 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000020681 well water Nutrition 0.000 description 2
- 239000002349 well water Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 239000008346 aqueous phase Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
Abstract
本说明书实施例提供了一种含油饱和度的确定方法及装置，其中，该方法包括：获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；利用多种响应方程构建最小平方目标函数；基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。在本说明书实施例中，可以利用多种响应模型构建目标函数，从而实现准确反演得到含油饱和度的目的。
Description
技术领域
本说明书实施例涉及地质勘探技术领域，特别涉及一种含油饱和度的确定方法及装置。
背景技术
含油饱和度是致密砂岩储层表征和储量计算的重要参数之一。在地层水矿化度变化较大、孔隙结构复杂、泥质含量较高等特征的储层，仅利用电阻率测井评价含油饱和度较为困难。除电阻率测井之外，介电测井资料也用于计算储层含油饱和度。介电测井测量地层兆赫兹频段复介电常数，特别是斯伦贝谢公司的阵列介电测井(ADT)可提供兆赫兹频段介电频散曲线，因而蕴含丰富的地层信息。
现有技术中常基于介电测井资料利用正演模型评价含油饱和度，正演模型可以包括CRIM模型、泥质砂岩模型等，但这些正演模型有固定的假设条件，使得正演结果与实际情况会存在差异。并且利用介电测井评价储层的含油饱和度时，储层的泥质含量、地层水矿化度、矿物类型、孔隙结构等因素会影响模型性能，进而会影响确定的含油饱和度的精确度。因此，采用现有技术中的技术方案无法准确的确定储层含油饱和度。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本说明书实施例提供了一种含油饱和度的确定方法及装置，以解决现有技术中无法准确的确定储层含油饱和度的问题。
本说明书实施例提供了一种含油饱和度的确定方法，包括：获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；利用多种响应方程构建最小平方目标函数；基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。
本说明书实施例还提供了一种含油饱和度的确定装置，包括：获取模块，用于获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；构建模块，用于利用多种响应方程构建最小平方目标函数；反演模块，用于基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；确定模块，用于根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。
本说明书实施例提供了一种含油饱和度的确定方法，可以获取目标井的阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线。由于测井资料集中包含多种测井曲线，而不同的测井曲线适用的响应方程会存在差异，因此，可以利用多种响应方程构建最小平方目标函数，并基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线。进一步的，可以根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。利用多种响应模型可以综合考虑储层的泥质含量、地层水矿化度、岩石孔隙结构等因素的影响，进而可以利用构建得到的最小平方目标函数实现准确反演得到含油饱和度的目的。
附图说明
此处所说明的附图用来提供对本说明书实施例的进一步理解，构成本说明书实施例的一部分，并不构成对本说明书实施例的限定。在附图中：
图1是根据本说明书实施例提供的含油饱和度的确定方法的步骤示意图；
图2是根据本说明书实施例提供的L1井中目标层段理论测井响应和实际测井响应的对比示意图；
图3是根据本说明书实施例提供的L1井的常规测井曲线、介电测井曲线和储层参数计算结果的示意图；
图4是根据本说明书实施例提供的L2井中目标层段常规测井、介电测井及其反演结果的示意图；
图5是根据本说明书实施例提供的含油饱和度的确定装置的结构示意图；
图6是根据本说明书实施例提供的含油饱和度的确定设备的结构示意图。
具体实施方式
下面将参考若干示例性实施方式来描述本说明书实施例的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本说明书实施例，而并非以任何方式限制本说明书实施例的范围。相反，提供这些实施方式是为了使本说明书实施例公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域的技术人员知道，本说明书实施例的实施方式可以实现为一种系统、装置设备、方法或计算机程序产品。因此，本说明书实施例公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
虽然下文描述流程包括以特定顺序出现的多个操作，但是应该清楚了解，这些过程可以包括更多或更少的操作，这些操作可以顺序执行或并行执行(例如使用并行处理器或多线程环境)。
请参阅图1，本实施方式可以提供一种含油饱和度的确定方法，可以应用于致密砂岩等非常规油气储层。该含油饱和度的确定方法可以用于利用构建得到的最小平方目标函数准确的反演得到含油饱和度。上述含油饱和度的确定方法可以包括以下步骤。
S101：获取目标井的测井资料集；其中，测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线。
在本实施方式中，为了定量评估目标井的地层情况，可以获取目标井的测井资料集，上述测井资料集可以为目标井预先测井得到的资料。由于致密砂岩等非常规油气储层岩石致密，大多数情况下泥浆侵入较浅，因此，相对于常规油气储层而言，介电测井在非常规油气储层饱和度评价中具有较大优势。基于此，上述测井资料集中可以包含常规测井资料和介电测井资料。
在本实施方式中，上述阵列感应测井电阻率曲线可以是基于常规测井资料获取的，上述阵列感应测井电阻率曲线可以为阵列感应测井10in(0.25m)的探测深度电阻率测井响应。当然可以理解的是，在一些实施例中还可以为其它探测深度的电阻率测井响应，例如：0.5米等，具体的可以根据实际情况确定，本说明书实施例对此不作限定。
在本实施方式中，上述四种频率所属的频段范围可以为20MHz(兆赫兹)～1GHz(千兆赫兹)之间，或者1GHz左右以及20MHz～500MHz。当然，四种频率所属的频段范围不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。
S102：利用多种响应方程构建最小平方目标函数。
在本实施方式中，由于测井资料集中包含多种测井曲线，而不同的测井曲线适用的响应方程会存在差异，因此，可以利用多种响应方程构建最小平方目标函数。
在本实施方式中，上述响应方程可以包含复折射率(CRIM)模型、泥质砂岩(SHSD)模型、西门杜方程(一种泥质砂岩电导模型)、Stroud–Milton–De(SMD，一种考虑介电频散的纯岩石饱和流体响应方程)模型、Waxman-Smith方程(W-S方程，一种泥质砂岩电导率方程)等。当然可以理解的是，上述响应方程还可以包含更多或者更少的模型方程，具体的可以根据实际需求进行选择，本说明书实施例对此不作限定。
在本实施方式中，利用多种响应模型可以综合考虑储层的泥质含量、地层水矿化度、岩石孔隙结构等因素的影响，进而可以利用构建得到的最小平方目标函数实现准确评价致密砂岩储层含油饱和度的目的。
在本实施方式中，最小平方目标函数可以为利用最小二乘法构建的函数，最小二乘法(又称最小平方方法)是一种数学优化技术，通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。其中，上述实际数据在本实施例中可以是指测井资料集中的实测数据。
S103：基于目标井的测井资料集，利用粒子群优化算法对目标函数进行寻优反演，得到目标井的含水饱和度曲线。
在本实施方式中，可以基于目标井的测井资料集，利用粒子群优化算法对目标函数进行寻优反演，得到目标井的含水饱和度曲线。其中，上述目标井的测井资料集可以作为粒子群优化算法的输入数据。
在本实施方式中，粒子群算法是一种经典的仿生全局随机搜索算法，它的基本思路是将优化问题的每一个解视为一个代表人工鸟的粒子，每个粒子都有自己的位置和速度并根据一定的法则调整位置和速度，整体飞向最优目标。粒子的速度变化主要由粒子前一次迭代的速度、个体最佳适应值位置和种群最佳适应值位置三方面所决定。
粒子的速度和位置迭代公式分别如下所示：
其中，
是第i个粒子在第r次迭代的速度；ω是指数衰减的惯性权重系数；
是第i个粒子在第r次迭代的位置；
为寻优过程中迭代至第r次为止第i个粒子最佳适应值的位置；gBestr为粒子群迭代至第r次最优适应值的位置；r1、r2是两个随机函数，取0～1间的随机数来增加寻优过程的随机性；c1、c2是学习因子。
在本实施方式中，粒子群优化算法的实现步骤如下所示：
①将含水饱和度Sw、水相曲折度指数MN、冲洗带矿化度Sal以及泥质频散项体积含量pd四个反演参数设置为粒子，随机初始化位置和速度，设置迭代次数、粒子个数、迭代终止条件等参数；
②根据粒子的初始位置，利用目标函数、四组不同频率的相对介电常数和电导率、阵列感应测井电阻率曲线计算每个粒子的适应度值；
③更新每个粒子个体在寻优过程中的pBesti r和gBestr；
④根据速度迭代公式(1)赋予粒子新的速度；
⑤根据位置迭代公式(2)更新粒子的位置；
⑥重复步骤②至步骤⑤，直至满足迭代终止条件，输出四个反演参数的最优值。由于测井曲线是连续的点构成的曲线，在对测井曲线进行反演计算时，得到一系列的最优点构成的最优曲线。
在本实施方式中，可以假设MN＝m＝n，m和n分别为胶结指数和饱和度指数。由于在含水纯砂岩或碳酸盐岩中，MN相当于Archie公式(阿尔奇公式)中的m，因此，为了方便计算，可以假设MN＝m＝n。
在本实施方式中，输入参数除了包含四组不同频率的相对介电常数和电导率、阵列感应测井电阻率曲线外，还可以包含孔隙度曲线、油气的相对介电常数、地层温度和岩石骨架相对介电常数等参数。具体的可以根据实际情况确定，本说明书实施例对此不作限定。
S104：根据目标井的含水饱和度曲线，确定目标井的含油饱和度曲线。
在本实施方式中，由于同一深度地层的含水饱和度与含油饱和度之和为1，因此，可以根据目标井的含水饱和度曲线，确定目标井的含油饱和度曲线。
从以上的描述中，可以看出，本说明书实施例实现了如下技术效果：可以获取目标井的阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线。由于测井资料集中包含多种测井曲线，而不同的测井曲线适用的响应方程会存在差异，因此，可以利用多种响应方程构建最小平方目标函数，并基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线。进一步的，可以根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。利用多种响应模型可以综合考虑储层的泥质含量、地层水矿化度、岩石孔隙结构等因素的影响，进而可以利用构建得到的最小平方目标函数实现准确反演得到含油饱和度的目的。
在一个实施方式中，所述多种响应方程包括：复折射率模型、泥质砂岩响应模型、西门杜方程。
在本实施方式中，上述响应方程可以包含复折射率(CRIM)模型、泥质砂岩(SHSD)模型、西门杜方程(一种泥质砂岩电导模型)等。当然可以理解的是，上述响应方程还可以包含更多或者更少的模型方程，例如：Stroud–Milton–De(SMD，一种考虑介电频散的纯岩石饱和流体响应方程)模型、Waxman-Smith方程(W-S方程，一种泥质砂岩电导率方程)等，具体的可以根据实际需求进行选择，本说明书实施例对此不作限定。
在本实施方式中，CRIM模型是解释1GHz左右介电常数的常用模型。由于在1GHz附近的界面极化效应可以忽略不计，而界面极化与岩石结构相关，因此，CRIM模型不包括岩石结构的变化。对于一个包含三种介质的CRIM模型，其表达式如下所示：
其中，ε*是岩石复介电常数；φ是岩石孔隙度；Sw是含水饱和度；εm和εh分别是岩石骨架和油气的相对介电常数；εw *是地层水的复介电常数。
在本实施方式中，地层水的复介电常数εw *由实部和虚部组成，其表达式为：
其中，εrw为水的相对介电常数；ε0是自由空间的介电常数；σw为水的直流电导率，S/m；ω为角频率。
在本实施方式中，相对介电常数εrw和电导率σw均为储层温度和地层水矿化度的函数，采用如下公式计算：
εrw(0,T)＝94.88-0.2317T+0.000217T2 (5)
其中，εrw(S,T)为在矿化度为S，地层温度为T时的相对介电常数；σw(S,T)为在矿化度为S，地层温度为T时的电导率；T为地层温度，°F(华氏度)；S为矿化度，kppm(1000体积浓度)。上述公式(7)是根据斯伦贝谢公司的地层水电阻率与矿化度关系图版获得的。
在一个实施方式中，泥质砂岩响应模型的表达式为：
其中，ε*为岩石复介电常数；φ为岩石孔隙度；Sw为含水饱和度；pd为泥质频散项体积含量；MN为水相曲折度指数；
为复合导电相；εrm为岩石骨架和油气的混合介电常数；Γ为伽马函数。
在本实施方式中，泥质砂岩响应(SHSD)模型是在考虑介电频散的纯岩石饱和流体SMD模型的基础上，将湿粘土对介电频散增加的影响考虑进来。SMD模型利用岩石孔隙度、流体饱和度、岩石骨架相对介电常数及岩石结构指数等计算饱和流体岩石兆赫兹频段复介电常数及其频散曲线，反过来可根据岩石复介电常数及频散曲线反演岩石流体饱和度。SMD模型的表达式如下：
其中，ε*是岩石复介电常数；
是地层水的复介电常数；φ为岩石孔隙度；Sw为含水饱和度；MN是水相曲折度指数；Γ是伽马函数；εrm是岩石骨架和油气的混合介电常数。
在本实施方式中，εrm按照以下公式计算：
其中，εrm是岩石骨架和油气的混合介电常数；εm和εh分别是岩石骨架和油气的相对介电常数；φ为岩石孔隙度；Sw为含水饱和度。
在本实施方式中，SHSD模型在SMD模型的充水孔隙中引入一种代表粘土诱发分散的频散相，粘土频散相
按照以下公式计算：
其中，εs是频散相的低频介电常数，它应该足够高，以表征粘土表面效应的频散性质；ε∞是频散项的高频介电常数，定义为干粘土介电常数；σd是粘土束缚水的电导率；fc是临界频率，大约200MHz；ω为角频率。
在本实施方式中，粘土相与游离水相混合，复合导电相
被定义为：
其中，φw是含水孔隙度；
是地层水的复介电常数；
是粘土频散相；pd是量化频散相的分数，即泥质频散项体积含量，它表征额外的粘土诱导效应对总频散的贡献。
最后，将复合导电相
代入SMD模型中，可以得到一种新的SHSD模型：
其中，ε*为岩石复介电常数；φ为岩石孔隙度；Sw为含水饱和度；pd为泥质频散项体积含量；MN为水相曲折度指数；
为复合导电相；εrm为岩石骨架和油气的混合介电常数；Γ为伽马函数。
在一个实施方式中，西门杜方程的表达式为：
其中，Rxo为冲洗带电阻率；Sxo为冲洗带含水饱和度；Vsh为泥质含量；Rsh为泥岩电阻率；Rmf为冲洗带流体电阻率；φ为岩石孔隙度；m为胶结指数；n为饱和度指数。
在本实施方式中，经典西门杜方程是一种泥质砂岩电导模型，采用的是深电阻率Rt，其不考虑泥质的分布形式，具有较好的应用效果，表达式如下：
其中，Rt为深电阻率，Ω·m(电阻率)；Vsh为泥质含量，v/v(体积比)；Rsh为泥岩电阻率，Ω·m；Rw为地层水电阻率，Ω·m；a为阿尔奇公式指数，通常为1；m为胶结指数；n为饱和度指数。
在本实施方式中，由于介电测井探测深度相对较浅，为了配合CRIM模型和SHSD模型，需要利用冲洗带电阻率Rxo代替深电阻率Rt，这样反演计算得到的是冲洗带含水饱和度，与CRIM模型和SHSD模型反演计算得到的冲洗带含水饱和度一致。因此，采用探测深度较浅的电阻率曲线与其匹配，得到的表达式为：
其中，Rxo为冲洗带电阻率，Ω·m；Sxo为冲洗带含水饱和度；Vsh为泥质含量；Rsh为泥岩电阻率；Rmf为冲洗带流体电阻率，Ω·m，与公式(7)中电导率互为倒数；φ为岩石孔隙度；m为胶结指数；n为饱和度指数。
在一个实施方式中，按照以下公式，利用多种响应方程构建最小平方目标函数：
其中，minF为最小平方目标函数值；j为变量，j＝1,2,3,4分别表示四种不同的频率；εlogj为介电测井实际测量的相对介电常数；εcalj为利用响应方程计算得到的相对介电常数的理论值；σlogj为介电测井实际测量的电导率值；σcalj为利用响应方程计算得到的电导率的理论值；Rlog为电阻率测井实测值；Rcal为利用响应方程计算得到的电阻率的理论值。
在本实施方式中，εcalj、σcalj和Rcal表示在对含水饱和度、水相曲折度指数、冲洗带矿化度以及泥质频散项体积含量这四个参数进行寻优过程中利用响应方程(3)、(12)、(14)计算的理论测井值。具体的，εcalj为反演参数带入公式(3)、(12)，基于四种频率计算得到的相对介电常数；σcalj为反演参数带入公式(3)、(12)，基于四种频率计算得到的电导率值；Rcal为反演参数带入公式(14)，计算得到的冲洗带电阻率值。
在一个实施例中，在粒子群算法的每次迭代中，均会得到四个反演参数。将冲洗带含水饱和度和冲洗带矿化度代入公式(3)可计算出960MHz测量的相对介电常数和电导率，即εcalj和σcalj；将冲洗带含水饱和度、冲洗带矿化度、水相曲折度指数、和泥质频散项体积含量代入公式(12)可计算出其它三个频段下的相对介电常数和电导率，即εcalj和σcalj；将冲洗带含水饱和度和水相曲折度指数(MN＝m＝n)代入公式(14)可以计算出冲洗带电阻率Rxo，即Rcal。
在本实施例中，根据计算出的εcalj、σcalj和Rcal分别与其测井实测值进行最小平方计算(公式15)，可以得到最小平方目标函数的值。其中，上述εlogj、σlogj和Rlog可以是根据测井资料集中的各个测井曲线确定的实测值。
在本实施方式中，在利用多种响应方程构建最小平方目标函数之前，还可以包括：基于所述目标井的测井资料集选择多个响应方程；其中，阵列感应测井电阻率曲线对应西门杜方程，1GHz测量的介电常数曲线和电导率曲线对应复折射率模型，20MHz至500MHz频段的介电常数曲线和电导率曲线对应泥质砂岩响应模型。
在本实施方式中，由于不同的测井曲线适用的响应方程不同，因此，可以基于所述目标井的测井资料集选择多个响应方程。响应方程和测井曲线之间的对应关系可以包括：阵列感应测井电阻率曲线对应西门杜方程，1GHz测量的介电常数曲线和电导率曲线对应复折射率模型，20MHz至500MHz频段的介电常数曲线和电导率曲线对应泥质砂岩响应模型等。当然，响应方程和测井曲线之间的对应关系不限于上述举例，所属领域技术人员在本说明书实施例技术精髓的启示下，还可能做出其它变更，但只要其实现的功能和效果与本说明书实施例相同或相似，均应涵盖于本说明书实施例保护范围内。
在本实施方式中，20MHz至500MHz之间的频段，优选的可以为：22MHz、100MHz和350MHz频段等，具体的可以根据实际情况确定，本说明书实施例对此不作限定。
在一个实施方式中，基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线，可以包括：将含水饱和度、水相曲折度指数、冲洗带矿化度、泥质频散项体积含量作为反演参数，并获取所述目标井的特征信息集；其中，所述特征信息集中包含所述目标井的孔隙度曲线、油气的相对介电常数、地层温度和岩石骨架相对介电常数。进一步的，可以根据所述目标井的测井资料集和特征信息集，利用粒子群优化算法对所述目标函数进行寻优反演，得到各个反演参数的最优值，从而可以基于所述各个反演参数的最优值确定所述目标井的含水饱和度曲线。
在本实施方式中，在进行寻优反演之前可以获取目标井的孔隙度曲线、油气的相对介电常数、地层温度和岩石骨架相对介电常数，这些特征参数可以用于公式(3)、(12)、(14)的计算。其中，孔隙度曲线利用常规测井测量得到的曲线基于经验公式计算得到的；油气的相对介电常数、地层温度和岩石骨架相对介电常数均为经验值，在一些实施例中可以分别为：2.2、160华氏度、5.0。
在本实施方式中，利用粒子群优化算法对所述目标函数进行寻优反演的步骤可以包括：
①将含水饱和度Sw、水相曲折度指数MN、冲洗带矿化度Sal以及泥质频散项体积含量pd四个反演参数设置为粒子，随机初始化位置和速度，设置迭代次数、粒子个数、迭代终止条件等参数；
②根据粒子的初始位置，根据四组不同频率的相对介电常数和电导率、阵列感应测井电阻率曲线和特征信息集，利用公式(15)计算每个粒子的适应度值；
③更新每个粒子个体在寻优过程中的
和gBestr；
④根据速度迭代公式(1)赋予粒子新的速度；
⑤根据位置迭代公式(2)更新粒子的位置；
⑥重复步骤②至步骤⑤，直至满足迭代终止条件(适应度小于预设阈值)，输出四个反演参数的最优值。由于测井曲线是连续的点构成的曲线，在对测井曲线进行反演计算时，得到一系列的最优点构成的最优曲线，从而可以得到含水饱和度曲线。
在本实施方式中，可以假设MN＝m＝n，m和n分别为胶结指数和饱和度指数。由于在含水纯砂岩或碳酸盐岩中，MN相当于Archie公式中的m，因此，为了方便计算，可以假设MN＝m＝n。
在本实施方式中，输入参数除了包含四组不同频率的相对介电常数和电导率、阵列感应测井电阻率曲线外，还可以包含孔隙度曲线、油气的相对介电常数、地层温度和岩石骨架相对介电常数等特征参数。
在本实施方式中，寻优反演得到的水相曲折度指数MN、冲洗带矿化度Sal以及泥质频散项体积含量pd这三个参数，均具有一定的岩石物理含义，可用于辅助评估储层，水相曲折度指数表征岩石孔隙结构，与Archie公式中的胶结指数m有关；冲洗带矿化度表征地层水矿化度的分布；泥质频散项体积含量与储层粘土含量有关。这三个参数是模型中的参数，与含水饱和度是同时输出的。
在一个实施方式中，根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线，可以包括：将1与所述目标井的含水饱和度曲线的差值作为所述目标井的含油饱和度曲线。
在本实施方式中，由于同一深度地层的含水饱和度与含油饱和度之和为1，因此，可以将1与所述目标井的含水饱和度曲线的差值作为所述目标井的含油饱和度曲线。
在一个实施例中，可以将反演得到的最优参数的理论介电常数和电导率测井曲线响应值与实际测井作误差分析。电阻率测井曲线的相对误差定义为：
其中，Errres为电阻率测井曲线的相对误差；Rxo为冲洗带电阻率；meas和sys分别表示实际测量的测井响应和理论计算的测井响应。
介电测井每种频率的平均相对误差定义为：
其中，Errdielec为介电测井每种频率的平均相对误差；Perm为相对介电常数；Cond为电导率；meas和sys分别表示实际测量的测井响应和理论计算的测井响应。
在本实施例中，图2为L1井中目标层段理论测井响应和实际测井响应的对比示意图。图2中第一道为自然伽马测井曲线(GR)和井径曲线(CAL)，第2道至第9道显示理论和现场测量的介电常数和电导率测井响应的对比。其中，EPSI_XO_F0、EPSI_XO_F1、EPSI_XO_F2和EPSI_XO_F3分别代表介电测井仪器在22MHZ、100MHZ、350MHZ和960MHZ频率测量的相对介电常数；EPSI0、EPSI1、EPSI2和EPSI3是合成的对应频率的理论介电常数。类似地，COND_XO_F0、COND_XO_F1、COND_XO_F2和COND_XO_F3分别代表在22MHZ、100MHZ、350MHZ和960MHZ频率测量的电导率；COND0、COND1、COND2和COND3是合成的相应的电导率测井响应。第10道为阵列感应测井AF10(表示探测深度10in)和合成的理论电阻率曲线Rxos的对比，第11道和第12道中ERR_F0、ERR_F1、ERR_F2和ERR_F3分别是在22MHZ、100MHZ、350MHZ和960MHZ频率下正演合成测井值和实际测井值的平均相对误差，ERR_RXO表示计算的和实际测量的冲洗带电阻率相对误差。从第2-10道可以看出，合成的测井曲线和实际测量的曲线吻合良好，二者数值接近，变化趋势也相同。最后两道中，定量计算的相对误差仅XX55m处较大，该深度段可能的原因是泥质含量较重，孔隙度较小(如图3所示)。其它深度段相对误差均较小，大多数数值小于10％，而少部分高于10％的数值也基本小于20％，这验证了本说明书实施方式中提出的致密砂岩含油饱和度介电测井和电阻率曲线处理方法的准确性和可靠性。
在本实施例中，图3为L1井的常规测井曲线、介电测井曲线和储层参数计算结果的示意图。图3中第1道包括为自然伽马测井曲线(GR)、自然电位(SP)和井径曲线(CAL)。第2道为阵列感应电阻率测井曲线AF90、AF60、AF30、AF10，其中，AF90是探测深度最深的电阻率，AF10是探测深度最浅的电阻率。第3道为孔隙度测井曲线，包括密度(DEN)、声波(AC)和中子(CNL)测井曲线。第4道中COND_XO_F0、COND_XO_F1、COND_XO_F2和COND_XO_F3分别代表介电测井仪器在22MHZ、100MHZ、350MHZ和960MHZ频率测量的电导率，第5道中EPSI_XO_F0、EPSI_XO_F1、EPSI_XO_F2和EPSI_XO_F3分别代表介电测井仪器在22MHZ、100MHZ、350MHZ和960MHZ频率测量的相对介电常数。第6道为利用常规经验公式计算出的泥质含量(SH)和孔隙度(POR)，sand为砂岩含量。计算出的孔隙度(POR)和岩心分析的孔隙度(PORC)如第7道所示，二者吻合较好。第8道为反演计算的含水饱和度(SXO)，以及岩心分析含水饱和度(SWC)和岩心分析含油饱和度(SHC)，第9道包含反演计算得到的参数泥质频散项体积含量pd、水相曲折度指数MN和冲洗带矿化度SAL。
在本实施例中，图3中的目标层段试油测试为水层，岩心分析含油饱和度也表明该层含油性较差。从图3中第8道中可以看到，计算的整个目标层段冲洗带含水饱和度大多为1，只有两个小层有一定的含油性显示。第9道计算的MN基本上等于2，频散项体积含量pd值介于0.06～0.09之间；冲洗带矿化度分布于15～40kppm，该值并不代表地层水矿化度，而是介于地层水矿化度和泥浆滤液矿化度间，进而验证了本说明书实施例中技术方案的有效性和可靠性。
在本实施例中，图4为L2井中目标层段常规测井、介电测井及其反演结果的示意图，图4中所有曲线道与图3中对应，重复之处不再赘述。其中，L1井中目标层段试油测试为水层，L2井中目标层段试油测试为油层，图4中第8道岩心分析的含油饱和度也表明其含油性较好。图4中第2道显示原状地层电阻率(AF90)高于冲洗带电阻率，因此，实际原状地层含油饱和度应高于该值，说明目标层段为油层。而反演计算结果显示，冲洗带含水饱和度除XX90m外，介于60％～70％之间，显示较好的含油性；计算的pd和冲洗带矿化度与L1井水层的计算值相近；MN值介于2～2.4之间，略大于L1井水层MN值，说明油层中水的导电路径比水层的复杂，这也与实际情况相符合。
基于同一发明构思，本说明书实施例中还提供了一种含油饱和度的确定装置，如下面的实施例所述。由于含油饱和度的确定装置解决问题的原理与含油饱和度的确定方法相似，因此含油饱和度的确定装置的实施可以参见含油饱和度的确定方法的实施，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。图5是本说明书实施例的含油饱和度的确定装置的一种结构框图，如图5所示，可以包括：获取模块501、构建模块502、反演模块503、确定模块504，下面对该结构进行说明。
获取模块501，可以用于获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；
构建模块502，可以用于利用多种响应方程构建最小平方目标函数；
反演模块503，可以用于基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；
确定模块504，可以用于根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。
本说明书实施例实施方式还提供了一种电子设备，具体可以参阅图6所示的基于本说明书实施例提供的含油饱和度的确定方法的电子设备组成结构示意图，所述电子设备具体可以包括输入设备61、处理器62、存储器63。其中，所述输入设备61具体可以用于输入目标井的测井资料集。所述处理器62具体可以用于获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；利用多种响应方程构建最小平方目标函数；基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。所述存储器63具体可以用于存储含油饱和度曲线等数据。
在本实施方式中，所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等；输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次，在数字系统中，只要能保存二进制数据的都可以是存储器；在集成电路中，一个没有实物形式的具有存储功能的电路也叫存储器，如RAM、FIFO等；在系统中，具有实物形式的存储设备也叫存储器，如内存条、TF卡等。
在本实施方式中，该电子设备具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
本说明书实施例实施方式中还提供了一种基于含油饱和度的确定方法的计算机存储介质，所述计算机存储介质存储有计算机程序指令，在所述计算机程序指令被执行时可以实现：获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；利用多种响应方程构建最小平方目标函数；基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。
在本实施方式中，上述存储介质包括但不限于随机存取存储器(Random AccessMemory，RAM)、只读存储器(Read-Only Memory，ROM)、缓存(Cache)、硬盘(Hard DiskDrive，HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的，用于进行网络连接通信的接口。
在本实施方式中，该计算机存储介质存储的程序指令具体实现的功能和效果，可以与其它实施方式对照解释，在此不再赘述。
显然，本领域的技术人员应该明白，上述的本说明书实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本说明书实施例不限制于任何特定的硬件和软件结合。
虽然本说明书实施例提供了如上述实施例或流程图所述的方法操作步骤，但基于常规或者无需创造性的劳动在所述方法中可以包括更多或者更少的操作步骤。在逻辑性上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本说明书实施例提供的执行顺序。所述的方法的在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
应该理解，以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述，在所提供的示例之外的许多实施方式和许多应用对本领域技术人员来说都将是显而易见的。因此，本说明书实施例的范围不应该参照上述描述来确定，而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。
以上所述仅为本说明书实施例的优选实施例而已，并不用于限制本说明书实施例，对于本领域的技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的保护范围之内。
Claims (10)
1.一种含油饱和度的确定方法，其特征在于，包括：
获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；
利用多种响应方程构建最小平方目标函数；
基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；
根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。
2.根据权利要求1所述的方法，其特征在于，所述多种响应方程包括：复折射率模型、泥质砂岩响应模型、西门杜方程。
3.根据权利要求2所述的方法，其特征在于，所述复折射率模型的表达式为：
其中，ε*为岩石复介电常数；φ为岩石孔隙度；Sw为含水饱和度；εm为岩石骨架的相对介电常数；εh为油气的相对介电常数；
为地层水复介电常数。
4.根据权利要求2所述的方法，其特征在于，所述泥质砂岩响应模型的表达式为：
其中，ε*为岩石复介电常数；φ为岩石孔隙度；Sw为含水饱和度；pd为泥质频散项体积含量；MN为水相曲折度指数；
为复合导电相；εrm为岩石骨架和油气的混合介电常数；Γ为伽马函数。
5.根据权利要求2所述的方法，其特征在于，所述西门杜方程的表达式为：
其中，Rxo为冲洗带电阻率；Sxo为冲洗带含水饱和度；Vsh为泥质含量；Rsh为泥岩电阻率；Rmf为冲洗带流体电阻率；φ为岩石孔隙度；m为胶结指数；n为饱和度指数。
6.根据权利要求1所述的方法，其特征在于，按照以下公式，利用多种响应方程构建最小平方目标函数：
其中，minF为最小平方目标函数值；j为变量，j＝1,2,3,4分别表示四种不同的频率；εlogj为介电测井实际测量的相对介电常数；εcalj为利用响应方程计算得到的相对介电常数的理论值；σlogj为介电测井实际测量的电导率值；σcalj为利用响应方程计算得到的电导率的理论值；Rlog为电阻率测井实测值；Rcal为利用响应方程计算得到的电阻率的理论值。
7.根据权利要求1所述的方法，其特征在于，在利用多种响应方程构建最小平方目标函数之前，还包括：
基于所述目标井的测井资料集选择多个响应方程；其中，阵列感应测井电阻率曲线对应西门杜方程，1GHz测量的介电常数曲线和电导率曲线对应复折射率模型，20MHz至500MHz频段的介电常数曲线和电导率曲线对应泥质砂岩响应模型。
8.根据权利要求1所述的方法，其特征在于，基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线，包括：
将含水饱和度、水相曲折度指数、冲洗带矿化度、泥质频散项体积含量作为反演参数；
获取所述目标井的特征信息集；其中，所述特征信息集中包含所述目标井的孔隙度曲线、油气的相对介电常数、地层温度和岩石骨架相对介电常数；
根据所述目标井的测井资料集和特征信息集，利用粒子群优化算法对所述目标函数进行寻优反演，得到各个反演参数的最优值；
基于所述各个反演参数的最优值确定所述目标井的含水饱和度曲线。
9.根据权利要求1所述的方法，其特征在于，根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线，包括：
将1与所述目标井的含水饱和度曲线的差值作为所述目标井的含油饱和度曲线。
10.一种含油饱和度的确定装置，其特征在于，包括：
获取模块，用于获取目标井的测井资料集；其中，所述测井资料集中包括：阵列感应测井电阻率曲线、介电测井资料中四种频率的介电常数曲线和电导率曲线；
构建模块，用于利用多种响应方程构建最小平方目标函数；
反演模块，用于基于所述目标井的测井资料集，利用粒子群优化算法对所述目标函数进行寻优反演，得到所述目标井的含水饱和度曲线；
确定模块，用于根据所述目标井的含水饱和度曲线，确定所述目标井的含油饱和度曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111098067.XA CN113742655B (zh) | 2021-09-18 | 2021-09-18 | 一种含油饱和度的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111098067.XA CN113742655B (zh) | 2021-09-18 | 2021-09-18 | 一种含油饱和度的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113742655A true CN113742655A (zh) | 2021-12-03 |
| CN113742655B CN113742655B (zh) | 2023-06-06 |
Family
ID=78739892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111098067.XA Active CN113742655B (zh) | 2021-09-18 | 2021-09-18 | 一种含油饱和度的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742655B (zh) |
Citations (8)
| 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 |
| US20130103319A1 (en) * | 2011-10-21 | 2013-04-25 | Saudi Arabian Oil Company | Methods for determining well characteristics and pore architecture utilizing conventional well logs |
| CN103424772A (zh) * | 2012-05-24 | 2013-12-04 | 中国石油化工股份有限公司 | 一种基于岩石物理的储层横波速度预测方法 |
| CN106842301A (zh) * | 2016-12-22 | 2017-06-13 | 中国石油天然气股份有限公司 | 一种凝灰质砂岩有利储层的定量识别与预测方法 |
| US20170371072A1 (en) * | 2015-01-26 | 2017-12-28 | Schlumberger Technology Corporation | Method for determining formation properties by inversion of multisensor wellbore logging data |
| US20180275303A1 (en) * | 2017-03-24 | 2018-09-27 | Xin ZHAN | 4D Time Shift and Amplitude Joint Inversion for Obtaining Quantitative Saturation and Pressure Separation |
| CN112459776A (zh) * | 2020-11-30 | 2021-03-09 | 中国石油大学(北京) | 一种深层、超深层碳酸盐岩古油藏的定量评价方法及装置 |
| US20210207473A1 (en) * | 2020-01-03 | 2021-07-08 | Manzar Fawad | Fluid identification and saturation estimation using CSEM and seismic data |
-
2021
- 2021-09-18 CN CN202111098067.XA patent/CN113742655B/zh active Active
Patent Citations (8)
| 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 |
| US20130103319A1 (en) * | 2011-10-21 | 2013-04-25 | Saudi Arabian Oil Company | Methods for determining well characteristics and pore architecture utilizing conventional well logs |
| CN103424772A (zh) * | 2012-05-24 | 2013-12-04 | 中国石油化工股份有限公司 | 一种基于岩石物理的储层横波速度预测方法 |
| US20170371072A1 (en) * | 2015-01-26 | 2017-12-28 | Schlumberger Technology Corporation | Method for determining formation properties by inversion of multisensor wellbore logging data |
| CN106842301A (zh) * | 2016-12-22 | 2017-06-13 | 中国石油天然气股份有限公司 | 一种凝灰质砂岩有利储层的定量识别与预测方法 |
| US20180275303A1 (en) * | 2017-03-24 | 2018-09-27 | Xin ZHAN | 4D Time Shift and Amplitude Joint Inversion for Obtaining Quantitative Saturation and Pressure Separation |
| US20210207473A1 (en) * | 2020-01-03 | 2021-07-08 | Manzar Fawad | Fluid identification and saturation estimation using CSEM and seismic data |
| CN112459776A (zh) * | 2020-11-30 | 2021-03-09 | 中国石油大学(北京) | 一种深层、超深层碳酸盐岩古油藏的定量评价方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| J. ROBERT BIRCHAK等: "High Dielectric Constant Microwave Probesfor Sensing Soil Moisture", 《PROCEEDINGS OF THE IEEE》 * |
| PEIQIANG ZHAO等: "Hydrocarbon saturation in shale oil reservoirs by inversion of dielectric dispersion logs", 《FUEL》 * |
| 赵培强等: "基于介电测井和电阻率测井的致密砂岩储层饱和度联合反演方法", 《测井技术》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113742655B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111551992B (zh) | 岩石储层构造表征方法、装置、计算机可读存储介质及电子设备 | |
| Manzocchi | The connectivity of two‐dimensional networks of spatially correlated fractures | |
| Lee et al. | Electrofacies characterization and permeability predictions in complex reservoirs | |
| Zhang et al. | Pattern visualization and understanding of machine learning models for permeability prediction in tight sandstone reservoirs | |
| US9892366B2 (en) | Facies definition using unsupervised classification procedures | |
| Elkatatny | A self-adaptive artificial neural network technique to predict total organic carbon (TOC) based on well logs | |
| Anand et al. | Unlocking the Potential of Unconventional Reservoirs Through New Generation NMR T 1/T 2 Logging Measurements Integrated with Advanced Wireline Logs | |
| Szabó et al. | Cluster analysis of core measurements using heterogeneous data sources: An application to complex Miocene reservoirs | |
| CN106324674B (zh) | 一种页岩气toc叠前地震反演预测方法 | |
| Shi et al. | Brittleness index prediction in shale gas reservoirs based on efficient network models | |
| Ojha et al. | Sediment classification using neural networks: an example from the site-U1344A of IODP Expedition 323 in the Bering Sea | |
| CN111077568A (zh) | 致密油气储层流体因子检测油气储层的方法及设备 | |
| Grana et al. | Statistical facies classification from multiple seismic attributes: comparison between Bayesian classification and expectation–maximization method and application in petrophysical inversion | |
| He et al. | Comparative study of shallow learning models for generating compressional and shear traveltime logs | |
| Sun et al. | A new method for predicting formation lithology while drilling at horizontal well bit | |
| Abdallah et al. | Rock type and permeability prediction using flow-zone indicator with an application to Berkine Basin (Algerian Sahara) | |
| CN112965103A (zh) | 一种多重孔隙储层叠前地震概率化多道反演方法 | |
| Abdel Azim et al. | Novel correlation for calculating water saturation in shaly sandstone reservoirs using artificial intelligence: Case study from Egyptian oil fields | |
| Hernandez-Martinez et al. | A DFA approach in well-logs for the identification of facies associations | |
| CN113742655B (zh) | 一种含油饱和度的确定方法及装置 | |
| Hamzehpour et al. | Generation of long-range correlations in large systems as an optimization problem | |
| Shahvar et al. | Applying flow zone index approach and artificial neural networks modeling technique for characterizing a heterogeneous carbonate reservoir using dynamic data: Case study of an Iranian reservoir | |
| Al-Bulushi et al. | Predicting water saturation using artificial neural networks (ANNS) | |
| CN116927771A (zh) | 一种预测页岩储层总有机碳数据的方法、装置、设备及介质 | |
| Sarkheil et al. | The fracture network modeling in naturally fractured reservoirs using artificial neural network based on image loges and core measurements |
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 |