CN114757446A - 陆相页岩油综合甜点的预测方法、装置及计算机存储介质 - Google Patents

陆相页岩油综合甜点的预测方法、装置及计算机存储介质 Download PDF

Info

Publication number
CN114757446A
CN114757446A CN202210539291.6A CN202210539291A CN114757446A CN 114757446 A CN114757446 A CN 114757446A CN 202210539291 A CN202210539291 A CN 202210539291A CN 114757446 A CN114757446 A CN 114757446A
Authority
CN
China
Prior art keywords
dessert
sample
comprehensive
index
shale oil
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.)
Pending
Application number
CN202210539291.6A
Other languages
English (en)
Inventor
刘小平
孙彪
刘杰
刘国勇
舒红林
王高成
官全胜
韩文中
罗瑀峰
刘欢
侯佳凯
刘天
化祖献
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202210539291.6A priority Critical patent/CN114757446A/zh
Publication of CN114757446A publication Critical patent/CN114757446A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Fluid Mechanics (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

本发明涉及一种陆相页岩油综合甜点的预测方法，包括：获取待确定区域的综合甜点评价指标，综合甜点评价指标包括地质甜点评价指标和工程甜点评价指标，对综合甜点评价指标进行实验标定，获取各综合甜点评价指标参数，并确定各综合甜点评价指数，综合甜点评价指数为归一化地质甜点指数与工程甜点指数的乘积；根据综合甜点评价指数，确定陆相页岩油甜点预测结果，并通过改进的测井方法分析陆相页岩油甜点纵向分布特征；根据陆相页岩油甜点纵向分布特征与页岩油产量的关系，确定综合甜点指数的下限值，将下限值应用到其他所述待确定区域，确定其油气资源的勘探潜力。

Description

陆相页岩油综合甜点的预测方法、装置及计算机存储介质
技术领域
本发明涉及石油勘探技术领域，具体是关于一种陆相页岩油综合甜点的预测方法、装置及计算机存储介质。
背景技术
随着全球油气需求量的迅速增加以及油气储量的逐渐减少，非常规油气巨大的资源潜力引起了许多石油地质专家的关注。页岩油是非常规油气的重要组成部分，其全球技术可采资源量为4.73×1010t。我国页岩油主要赋存在湖相泥页岩层系，湖相页岩油构造较复杂，非均质性强，埋藏深，面积小，对研究陆相页岩油甜点分布特征提出了新一轮挑战。
页岩油“甜点区”是指在源储共生页岩层系规模发育区，目前经济技术条件下可优先勘探开发的非常规石油富集高产的目标区。但不同学者对页岩油甜点指标与分级标准具有较大差异，根据甜点评价内容差异将其划分为以下三类：第一是以地质甜点评价为核心的评价体系，地质甜点是页岩油气形成的基础与前提，其主要对页岩油生烃品质与储层品质进行评价。评价指标主要集中在矿物组成、有机质丰度、有机质演化程度、页岩厚度、孔渗以及含油性等指标，但分级标准存在较大差异，是由于不同地区页岩油形成地质条件差异性较大，并不能建立有机统一标准；第二是以工程甜点评价为核心的评价体系，该甜点评价体系主要储层质量为前提，主要对工程品质进行评价，主要是由于工程品质决定其经济性，效益是衡量甜点的关键指标，其关键评价参数重点考虑完井质量与以可压裂性评价相关的地质力学参数。但这种评价体系由于评价指标单一，造成应用效果相对较差；第三是，以地质甜点与工程甜点为核心的综合甜点评价体系，该甜点评价体系评价包括地质点与工程甜点，将二者进行综合评价。页岩油甜点是地质甜点和工程甜点的综合反映，“地质甜点区”评价的核心是优选烃源品质高、热演化程度适宜、储集性能好、含油性好、可动性强、微裂缝(包括层理缝、页理缝)相对发育，封盖条件优越的区带；“工程甜点区”关注岩石可压性、地应力各向异性等综合评价。但是由于各类甜点之间的不统一性，并非参数越多甜点区优选效果就越好。
国内外学者采用不同方法对页岩油甜点区进行评价，如综合信息叠加法、井震法、综合评价指数法。其中，综合信息叠加法是考虑不同地区地质条件的差异选取有机质丰度、有机质成熟度、含油量、有利岩相、裂缝发育范围、可动性、脆性矿物含量(可压性)、地层天然能量(地层压力)、页岩厚度等参数中的几种，进行多地质参数有利区的叠合，进而圈定最终的页岩油甜点区。该种方法适用于页岩油勘探初期，可以在范围上优选勘探远景区，但是由于其评价指标较多，各参数之间互相影响，且纵向上无法评价有利层系，只是定性评价甜点区，精度不高，难以优中选优井震结合法通常包括多测井曲线约束的总有机碳含量反演预测、基于沉积参数的页岩岩相预测、基于叠后地震属性的缓倾角裂缝密度定量表征和基于叠前弹性参数的页岩脆性表征四大类地震预测技术，该方法通过构建甜点地震表征模型，预测页岩油甜点储层展布，但纵向精度不高。综合评价指数法是考虑各参数所占权重进行量化赋值加和，但是页岩油富集区往往粘土矿物、有机质等含量较高，导致泥页岩脆性较低，压裂效果不好，造成地质甜点和工程甜点不能形成最佳匹配。
因此，传统的预测方法难以准确预测陆相页岩油甜点，陆相页岩油甜点预测的准确性差。
发明内容
针对上述问题，本发明的目的是提供一种陆相页岩油综合甜点的预测方法、装置及计算机存储介质，能够解决传统的预测方法难以准确预测陆相页岩油甜点，陆相页岩油甜点预测的准确性差的技术问题。
为实现上述目的，本发明采取以下技术方案：
本发明所述的陆相页岩油综合甜点的预测方法，包括如下步骤：
获取待确定区域的综合甜点评价指标，所述综合甜点评价指标包括地质甜点评价指标和工程甜点评价指标，所述地质甜点评价指标包括总有机碳、镜质体反射率、游离油量和孔隙度；所述工程甜点评价指标包括脆性指数和断裂韧性；
对综合甜点评价指标进行实验标定，获取各综合甜点评价指标参数，并确定各综合甜点评价指数，所述综合甜点评价指数为归一化地质甜点指数与工程甜点指数的乘积；
根据所述综合甜点评价指数，确定陆相页岩油甜点预测结果，并通过改进的测井方法分析陆相页岩油甜点纵向分布特征；
根据陆相页岩油甜点评价指数与页岩油产量的关系，确定综合甜点指数的下限值，将所述下限值应用到其他所述待确定区域，确定其油气资源的勘探潜力。
所述的预测方法，优选地，所述对综合甜点评价指标进行实验标定的方法包括：
确定第一样品和第二样品，所述第一样品和第二样品均为取下的岩心用蒸馏水冲洗干净，除去钻取的泥浆和灰尘，然后在预设温度下干燥；
对所述第一样品进行有机碳测定实验、常规热解实验、镜质体反射率实验和核磁共振实验，得到第一样品中有机碳含量参数、游离油参数、镜质体反射率参数和孔隙度参数；
对所述第二样品进行应力-应变关系测试和动态声波测试，得到第二样品中的脆性指数和断裂韧性参数。
所述的预测方法，优选地，所述有机碳测定实验包括如下步骤：
将第一样品磨碎至粒径小于0.2mm，并缓慢加入预设浓度的盐酸溶液，并将酸化的样品加热；
对酸处理后的样品用蒸馏水水洗至中性后烘干；
对烘干后的样品进行加热至预设温度后通入空气，通过热导检测器检测，将其浓度转化为电信号处理，进而得到样品中有机碳含量。
所述的预测方法，优选地，所述常规热解实验包括如下步骤：
将第一样品加热至预设温度，经氦气吹预设时间,获得气态烃量；
使第一样品送入热解炉后在预设温度下恒温3min，所挥发的液态烃含量为残留烃含量S1；
使第一样品在热解炉内由预设温度升温至预设温度过程中测定的重烃、胶质和沥青质的含量为裂解烃含量S2；
将第一样品转送至预设温度的氧化炉内通过氧化燃烧测定残余有机CO2的含量S3。
所述的预测方法，优选地，所述镜质体反射率实验包括如下步骤：
将第一样品在磨制光片后，放置在载物台上，缓慢旋转载物台，在偏光及常温下，在波长为546±5nm的绿色光下进行测定，记录镜质体反射率。
所述的预测方法，优选地，所述核磁共振实验包括如下步骤：
将第一样品烘干，去除孔隙流体；
对去除空隙流体后的第一样品进行抽真空处理，然后加入蒸馏水进行饱和水24h；
饱和水后用拧干的湿布吸去样品表面的水，立即放入聚四氟乙烯试管里进行核磁共振弛豫测量；得到孔隙度变化曲线。
所述的预测方法，优选地，所述应力-应变关系测试具体为：
对第二样品的横向施加液体围压，然后逐渐增大轴向载荷，测出岩石破坏时的轴向应力，并绘出应力—应变关系曲线；
所述动态声波测试具体为：
将第二样品两端车平、磨光，基面偏差在2.5％范围内，编辑实验加载方式，运行控制模块，加载轴压，测试声波。
所述的预测方法，优选地，所述改进的测井方法为页岩油综合甜点指数模型方法，所述改进的页岩油综合甜点指数模型方法的计算模型为：
Figure BDA0003649605450000031
式中,CSI为综合甜点指数；TOC为有机碳含量；S1为游离油量；R0为有机质成熟度；
Figure BDA0003649605450000041
为孔隙度；BI为脆性指数；KIC为断裂韧性指数；C为常数。
本发明还提供一种陆相页岩油综合甜点的预测装置，包括：
第一处理单元，用于获取待确定区域的综合甜点评价指标，所述综合甜点评价指标包括地质甜点评价指标和工程甜点评价指标，所述地质甜点评价指标包括总有机碳、镜质体反射率、游离油量和孔隙度；所述工程甜点评价指标包括脆性指数和断裂韧性；
第二处理单元，用于对综合甜点评价指标进行实验标定，获取各综合甜点评价指标参数，并确定各综合甜点评价指数，所述综合甜点评价指数为归一化地质甜点指数与工程甜点指数的乘积；
第三处理单元，用于根据所述综合甜点评价指数，确定陆相页岩油甜点状预测结果，并通过改进的测井方法分析陆相页岩油甜点纵向分布特征；
第四处理单元，用于根据陆相页岩油甜点纵向分布特征与页岩油产量的关系，确定综合甜点指数的下限值，将所述下限值应用到其他所述待确定区域，确定其油气资源的勘探潜力。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的陆相页岩油综合甜点的预测方法步骤。
本发明由于采取以上技术方案，其具有以下优点：
本发明通过全烃含量、试油试采等实际生产资料对地质甜点、工程甜点评价等相关参数指标进行筛选，为精确预测综合甜点分布奠定基础。
本发明基于页岩油地质甜点与工程甜点提出一种利用测井方法对页岩油甜点评价的新方法，并将其应用于陆相页岩油甜点的预测，通过甜点预测结果与页岩油产量的关系，确定了综合甜点指数的下限值，并将其应用到其余井，测试综合甜点评价模型的有效性，对湖相页岩油藏的成功改造及高效开发具有一定的指导意义。
附图说明
图1为页岩样品矿物组成图；
图2为页岩矿物组成三元图解；
图3为页岩样品核磁共振T2谱；
图4为页岩样品累积孔隙度图；
图5为页岩样品应力-应变曲线；
图6为页岩试样应力-应变损伤后的照片；
图7为各个参数的和全烃、产量的关系示意图；
图8为利用本发明所述的方法预测甜点分布的结果图；
图9为神经网络模型示意图；
图10为MLP神经网络结构示意图。
具体实施方式
以下将结合附图对本发明的具体实施例进行详细说明，以便更清楚理解本发明的目的、特点和优点。应理解的是，附图所示的实施例并不是对本发明范围的限制，而只是为了说明本发明技术方案的实质内涵。
本发明提供一种陆相页岩油综合甜点的测井预测方法，基于页岩油实验分析测试，提出一种利用测井方法对页岩油综合甜点评价的新方法，并将其应用于陆相页岩油甜点的评价预测，通过甜点评价结果与页岩油产量的关系，确定了综合甜点指数的下限值，并将其应用到其余井，测试综合甜点评价模型的有效性，对湖相页岩油藏的成功改造及高效开发具有一定的借鉴意义。
本发明的陆相页岩油甜点的预测方法，包括如下步骤：
步骤1：获取待确定区域的综合甜点评价指标，所述综合甜点评价指标包括地质甜点评价指标和工程甜点评价指标，所述地质甜点评价指标包括总有机碳、镜质体反射率、游离油量和孔隙度；所述工程甜点评价指标包括脆性指数和断裂韧性；
步骤2：对综合甜点评价指标进行实验标定，获取各综合甜点评价指标参数，并确定各综合甜点评价指数，所述综合甜点评价指数为归一化地质甜点指数与工程甜点指数的乘积；
步骤3：根据所述综合甜点评价指数，确定陆相页岩油甜点预测结果，并通过改进的测井方法分析陆相页岩油甜点纵向分布特征；
步骤4：根据陆相页岩油甜点纵向分布特征与页岩油产量的关系，确定综合甜点指数的下限值，将所述下限值应用到其他所述待确定区域，确定其油气资源的勘探潜力。
在上述实施例中，优选地，所述对综合甜点评价指标进行实验标定的方法包括：
步骤2.1：确定第一样品和第二样品，所述第一样品和第二样品均为取下的岩心用蒸馏水冲洗干净，除去钻取的泥浆和灰尘，然后在40℃下干燥；
步骤2.2：对所述第一样品进行有机碳测定实验、常规热解实验、镜质体反射率实验和核磁共振实验，得到第一样品中有机碳含量参数、游离油参数、镜质体反射率参数和孔隙度参数；
步骤2.3：对所述第二样品进行应力-应变关系测试和动态声波测试，得到第二样品中的脆性指数和断裂韧性参数。
在上述实施例中，优选地，所述有机碳测定实验包括如下步骤：
A1：将第一样品磨碎至粒径小于0.2mm，并缓慢加入20％浓度的盐酸溶液，并将酸化的样品加热；
A2：对酸处理后的样品用蒸馏水水洗至中性后烘干；
A3：对烘干后的样品进行加热至600℃后通入空气，通过热导检测器检测，将其浓度转化为电信号处理，进而得到样品中有机碳含量。
在上述实施例中，优选地，所述常规热解实验包括如下步骤：
B1：将第一样品加热至90℃，经氦气吹预设时间,获得气态烃量；
B2：使第一样品送入热解炉后在300℃下恒温3min，所挥发的液态烃含量为残留烃含量S1，其中S1也可称为游离油量。
B3；使第一样品在热解炉内由300℃升温至600℃过程中测定的重烃、胶质和沥青质的含量为裂解烃含量S2；
B4；将第一样品转送至600℃的氧化炉内通过氧化燃烧测定残余有机CO2的含量S3。
在上述实施例中，优选地，所述镜质体反射率实验包括如下步骤：
将第一样品在磨制光片后，放置在载物台上，缓慢旋转载物台，在偏光及常温下，在波长为546±5nm的绿色光下进行测定，记录镜质体反射率。
在上述实施例中，优选地，所述核磁共振实验包括如下步骤：
C1：将第一样品烘干，去除孔隙流体；
C2：对去除孔隙流体后的第一样品进行抽真空处理，然后加入蒸馏水进行饱和水24h；
C3：饱和水后用拧干的湿布吸去样品表面的水，立即放入聚四氟乙烯试管里进行核磁共振弛豫测量；得到孔隙度变化曲线。
在上述实施例中，优选地，所述应力-应变关系测试具体为：对第二样品的横向施加液体围压，然后逐渐增大轴向载荷，测出岩石破坏时的轴向应力，并绘出应力—应变关系曲线。
所述动态声波测试具体为：将第二样品两端车平、磨光，基面偏差在2.5％范围内，编辑实验加载方式，运行控制模块，加载轴压，测试声波。
在上述实施例中，优选地，所述改进的测井方法为页岩油综合甜点指数模型方法，所述页岩油综合甜点指数模型方法的计算模型为：
Figure BDA0003649605450000061
式中,CSI为综合甜点指数；TOC为有机碳含量；S1为游离油量；R0为有机质成熟度；
Figure BDA0003649605450000062
为孔隙度；BI为脆性指数；KIC为断裂韧性指数；C为常数。
其中，TOC的预测方法为：
Figure BDA0003649605450000071
TOC＝0.629×logR+0.401
式中，Rbaseline和△tbaseline分别代表电阻率测井和声波测井的基线值；R和△t是电阻率测井和声波测井边缘深度的值；
其中，S1预测主要利用神经网络方法进行计算的，也是利用测井曲线，其方法如图9所示和图10所示。
其中，需要说明的是：神经网络模型是对人类大脑思维方式研究的衍生，实际上是对人工智能的研究，它利用计算机强大的计算能力模拟动物的神经网络的信息传递过程。神经元由输入层，输出层和一个甚至多个隐藏层组成(图9)。神经元之间的连接赋予相关的权重，训练学习算法在迭代过程中不断调整这些权重，从而使得预测误差最小化，具有自组织、自适应、自学习的能力。与传统统计学方法比较：没有任何对变量的假设要求；通过模拟人的智能行为处理一些复杂的、不确定的、非线性问题；具有一定的容错性；为处理模糊的、数据不完全的、不精确的模式识别提供了一个全新的途径：类似于一个灰箱系统，用户只需要给出输入信息，不需要关心内部的具体设置和操作，即可得到相应的输出。
(1)输入节点：输入节点提供来自外界的信息，称为输入层。在输入节点上不进行计算操作，只起到运送信息的作用，将其运送到隐藏节点。
(2)隐藏节点：隐藏节点和外界之间无直接连接。这些节点进行计算，并将信息从输入节点传递到输出节点。隐藏节点统称为隐藏层。直接连接的神经网络只有一个输入层和一个输出层，但是网络中没有或有多个隐藏层。
(3)输出节点：输出节点统称为输出层，负责计算和使用网络发送信息。
多层感知器MLP是一种前向结构的人工神经网络，它将输入向量集映射到输出向量集，MLP至少包含一个隐藏层(一个输入层和一个输出层除外)。多层比单层感知器具有很多优点，比如多层既能研究线性函数也能计算非线性函数，而单层的仅仅可研究线性函数。在本次模型建立过程中，选取已有实验数据，利用多种测井曲线计算所有含油量S1，输入层即为各种测井曲线，输出层即为预测含油量S1。具体步骤如下：
(1)优选测井参数
对所有参数进行分区训练，依据自变量重要性优选出重要自变量作为训练参数，共利用样品点进行分区训练优选出关联性较高的测井曲线。
同时，通过建立散点图分析MLP神经网络优选出的四条曲线是否与样品数据S1具有较好相关性。
深侧向测井曲线RLLD、微球聚焦MSFL测井曲线和声波AC测井曲线与S1成正相关，密度DEN测井曲线与S1成负相关，仅以单条测井曲线也可以建立出较好的相关性，进一步增强了MLP神经网络模型预测含油性可信度。
(2)建立预测模型
测井参数确定后，通过MLP神经网络反复训练，就可以进一步确定这四种测井曲线与S1的相关性，生成灰箱预测模型(图10)。
(3)利用模型确定
S1该预测模型为不可见灰箱预测模型，隐层内容不显示，输出层可见，由此预测含油量S1，神经网络预测模型。
其中，Ro具体为：
Ro＝2650.9*e0.33*x
式中，X为深度。
其中，
Figure BDA0003649605450000081
是利用核磁共振测井方法计算获得的参数；
需要说明的是：对致密油储层而言，常规的岩石物性实验(氦孔隙度仪器)测试不到孤立的孔隙，氦测孔隙度代表储层有效孔隙体积。核磁共振实验测量的孔隙度是泥页岩内的水占的孔隙，大部分泥页岩吸水，即粘土、小孔隙充满水，造成核磁孔隙度大于氦孔隙度，其测量的孔隙度代表总孔隙度。
总孔隙度参数的定量评价采用岩心刻度测井的方法。从核磁孔隙度与常规孔隙度测井资料(声波时差、补偿密度、补偿中子)匹配关系表明，补偿中子曲线与核磁孔隙度匹配关系最好。因此，本次选取与核磁孔隙度匹配关系最好的补偿中子曲线，建立了核磁孔隙度与补偿中子关系图版，根据其回归方程确定孔隙度测井解释模型：
Φ总＝0.1778*CNL+0.4178 R2＝0.5221
式中，Φ总为总孔隙度；CNL为补偿中子；
从岩心分析总孔隙度与测井计算总孔隙度对比可知，岩心分析总孔隙度杆状与测井计算总孔隙度基本重合，由此说明本次总孔隙度解释模型具有较高的精度。
其中，BI为：
Figure BDA0003649605450000082
式中，Si是长英质组分；Car是碳酸盐质组分，Clay是粘土质组分。
其中，KIC为：
KIC＝-0.00023DTp-0.0036DTg+2.3431
式中，DTp为纵波时差；DTs为横波时差。
实施例1：
本实施例中取12个样品，12个样品取自于深湖-半深湖相，岩性包括云质泥岩、泥岩、泥质云岩等3种类型，取下的样品岩心用蒸馏水冲洗干净，除去钻取的泥浆和灰尘，然后在40℃下干燥，然后作为实验使用。对样品1-6进行了有机碳测定实验、分布热解实验、镜质体反射率实验、核磁共振实验、全岩分析实验。对样品7-12进行了动态声波测试、应力-应变关系等实验。其中，研究样品具体信息如表1所示。
表1样本信息
Figure BDA0003649605450000091
从实验结果可以得知：所取泥页岩样品矿物组分以石英、长石、粘土、方解石、白云石为主；其中，页岩样品矿物含量如表2所示；样品粘土含量高，主体矿物占比近似一致，上下岩性差异小，主要为发育泥岩、云质泥岩和泥质云岩等3种岩性。其中图1为页岩样品矿物组成图。
表2页岩样品矿物含量
Figure BDA0003649605450000092
Figure BDA0003649605450000101
矿物组成反映了岩石学特征，根据前人对陆相页岩相的划分方案，将其矿物分为长英质(石英+长石)、粘土矿物和碳酸盐矿物(方解石+白云石)三类。以三种矿物为边法制作三角图，其中，三角图如图2所示，以50％含量为边界，划分4种岩相类型，分别为长英质页岩(Ⅰ)、碳酸盐质页岩(Ⅱ)、粘土质页岩(Ⅲ)和混合质页岩(IV)。根据岩相分类，研究区页岩样品以混合页岩相为主，少量碳酸盐相。
对1-6样品进行有有机地球化学分析结果如表3所示，由表3可知：有机碳含量分布范围较大，为0.78％-2.41％，有机碳含量较高。镜质体反射率Ro的分布范围为0.88％-1.25％，成熟度较高。岩石热解结果表明，S1+S2产油潜力较大，产油潜力介于1.33mg/g-3.27mg/g。游离烃含量(S1)和裂解烃含量(S2)表明该区生烃潜力较高。
表3湖相泥页岩样品信息
Figure BDA0003649605450000102
对1-6样品进行核磁共振试验，核磁共振使用之间的关系的横向弛豫时间1h核在岩石裂隙水和孔隙半径成比例,所以通过获得横向弛豫时间(T2)孔隙流体的频谱,气孔的分布具有不同孔隙直径可以间接获得。信号强度也与孔隙比成正比。如图3所示，从T2谱可以看出，样本4为三峰分布，而其他样本为双峰分布；6个样品的第一个峰在0ms-10ms之间，主峰多为0.7ms；相应的样品上有小孔；样品4在10ms-100ms和10ms-1000ms之间有一个峰值，在10ms-100ms之间形成了试样中、大孔隙，在100ms-1000ms之间形成了裂纹；其余试样在10ms-100ms范围内有一个峰值，且峰值主要在100ms以下，说明孔隙以中、大孔隙为主，裂缝不发育，其中，图3为页岩样品核磁共振T2谱图。其中，微孔连通性较差，离心后孔隙峰的光谱变化不大，而微裂缝的连通性较好，因此离心后第二个峰基本消失。因此，随着深度的增加，同一间距内的峰值信号强度增大，说明同一层段孔隙的连通性变好，但峰值间的不连续表明不同层段孔隙的连通性较差。经核磁共振检测，孔隙度分布为2.60％-5.50％，平均值为3.68％。可以看出，样品为超低孔隙度，其中，图4为页岩样品累积孔隙度图。
基于三轴应力试验的后6个试样结果如表4所示。围压为40Mpa时，不同类型页岩的应力-应变曲线如图5所示。从图5可以看出，在相同的加载条件下，页岩试样的变形特征和力学参数存在明显差异。结果表明：页岩试样的全应力-应变曲线形态主要体现在弹塑性变形类型上，试验试样的破坏模式均为剪切破坏模式，如图6所示，试样均表现为弹塑性变形。破坏前的变形曲线由近似直线的弹性变形阶段和较小的塑性变形阶段组成。部分试样在破坏后仍具有一定的残余强度，但试样9表现出较强的弹性变形和曲线，岩石变形近似为直线，以弹性变形为主，比其他试样更具弹性。
表4页岩三轴压缩力学数据及动态声波测试结果
Figure BDA0003649605450000111
另外，需要说明的是，所述改进的测井方法为页岩油综合指数模型方法，所述页岩油综合指数模型方法的计算模型为：
Figure BDA0003649605450000112
式中,CSI为综合甜点指数；TOC为有机碳含量；S1为游离油量；R0为有机质成熟度；
Figure BDA0003649605450000113
为孔隙度；BI为脆性指数；KIC为断裂韧性指数；C为常数。
其中，图7为各个参数的和全烃、产量的关系示意图；a为累产油与TOC关系图；b为全烃含量与TOC关系图；c为累产油与Ro关系图；d为全烃含量与Ro关系图；e为累产油与S1关系图；f为全烃含量与S1关系图；g为累产油与孔隙度关系图；h为全烃含量与孔隙度关系图；i为累产油与脆性指数关系图；j为全烃含量与脆性指数关系图；k为累产油与断裂韧性关系图；l为全烃含量与断裂韧性关系图。
图8为利用本发明所述的方法预测甜点分布的结果图。
本发明还提供一种陆相页岩油综合甜点的预测装置，包括：
第一处理单元，用于获取待确定区域的综合甜点评价指标，所述综合甜点评价指标包括地质甜点评价指标和工程甜点评价指标，所述地质甜点评价指标包括总有机碳、镜质体反射率、游离油量和孔隙度；所述工程甜点评价指标包括脆性指数和断裂韧性；
第二处理单元，用于对综合甜点评价指标进行实验标定，获取各综合甜点评价指标参数，并确定各综合甜点评价指数，所述综合甜点评价指数为归一化地质甜点指数与工程甜点指数的乘积；
第三处理单元，用于根据所述综合甜点评价指数，确定陆相页岩油甜点预测结果，并通过改进的测井方法分析陆相页岩油甜点纵向分布特征；
第四处理单元，用于根据陆相页岩油甜点评价指数与页岩油产量的关系，确定综合甜点指数的下限值，将所述下限值应用到其他所述待确定区域，确定其油气资源的勘探潜力。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的陆相页岩油甜点的预测方法步骤。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种陆相页岩油综合甜点的预测方法，其特征在于，包括如下步骤：
获取待确定区域的综合甜点评价指标，所述综合甜点评价指标包括地质甜点评价指标和工程甜点评价指标，所述地质甜点评价指标包括总有机碳、镜质体反射率、游离油量和孔隙度；所述工程甜点评价指标包括脆性指数和断裂韧性；
对综合甜点评价指标进行实验标定，获取各综合甜点评价指标参数，并确定各综合甜点评价指数，所述综合甜点评价指数为归一化地质甜点指数与工程甜点指数的乘积；
根据所述综合甜点评价指数，确定陆相页岩油甜点预测结果，并通过改进的测井方法分析陆相页岩油甜点纵向分布特征；
根据陆相页岩油甜点评价指数与页岩油产量的关系，确定综合甜点指数的下限值，将所述下限值应用到其他所述待确定区域，确定其油气资源的勘探潜力。
2.根据权利要求1所述的预测方法，其特征在于，所述对综合甜点评价指标进行实验标定的方法包括：
确定第一样品和第二样品，所述第一样品和第二样品均为取下的岩心用蒸馏水冲洗干净，除去钻取的泥浆和灰尘，然后在预设温度下干燥；
对所述第一样品进行有机碳测定实验、常规热解实验、镜质体反射率实验和核磁共振实验，得到第一样品中有机碳含量参数、游离油参数、镜质体反射率参数和孔隙度参数；
对所述第二样品进行应力-应变关系测试和动态声波测试，得到第二样品中的脆性指数和断裂韧性参数。
3.根据权利要求2所述的预测方法，其特征在于，所述有机碳测定实验包括如下步骤：
将第一样品磨碎至粒径小于0.2mm，并缓慢加入预设浓度的盐酸溶液，并将酸化的样品加热；
对酸处理后的样品用蒸馏水水洗至中性后烘干；
对烘干后的样品进行加热至预设温度后通入空气，通过热导检测器检测，将其浓度转化为电信号处理，进而得到样品中有机碳含量。
4.根据权利要求2所述的预测方法，其特征在于，所述常规热解实验包括如下步骤：
将第一样品加热至预设温度，经氦气吹预设时间,获得气态烃量；
使第一样品送入热解炉后在预设温度下恒温3min，所挥发的液态烃含量为残留烃含量S1；
使第一样品在热解炉内由预设温度升温至预设温度过程中测定的重烃、胶质和沥青质的含量为裂解烃含量S2；
将第一样品转送至预设温度的氧化炉内通过氧化燃烧测定残余有机CO2的含量S3。
5.根据权利要求2所述的预测方法，其特征在于，所述镜质体反射率实验包括如下步骤：
将第一样品在磨制光片后，放置在载物台上，缓慢旋转载物台，在偏光及常温下，在波长为546±5nm的绿色光下进行测定，记录镜质体反射率。
6.根据权利要求2所述的预测方法，其特征在于，所述核磁共振实验包括如下步骤：
将第一样品烘干，去除孔隙流体；
对去除空隙流体后的第一样品进行抽真空处理，然后加入蒸馏水进行饱和水24h；
饱和水后用拧干的湿布吸去样品表面的水，立即放入聚四氟乙烯试管里进行核磁共振弛豫测量；得到孔隙度变化曲线。
7.根据权利要求2所述的预测方法，其特征在于，所述应力-应变关系测试具体为：
对第二样品的横向施加液体围压，然后逐渐增大轴向载荷，测出岩石破坏时的轴向应力，并绘出应力—应变关系曲线；
所述动态声波测试具体为：
将第二样品两端车平、磨光，基面偏差在2.5％范围内，编辑实验加载方式，运行控制模块，加载轴压，测试声波。
8.根据权利要求2所述的预测方法，其特征在于，所述改进的测井方法为页岩油综合指数模型方法，所述页岩油综合指数模型方法的计算模型为：
Figure FDA0003649605440000021
式中,CSI为综合甜点指数；TOC为有机碳含量；S1为游离油量；R0为有机质成熟度；
Figure FDA0003649605440000022
为孔隙度；BI为脆性指数；KIC为断裂韧性指数；C为常数。
9.一种陆相页岩油综合甜点的预测装置，其特征在于，包括：
第一处理单元，用于获取待确定区域的综合甜点评价指标，所述综合甜点评价指标包括地质甜点评价指标和工程甜点评价指标，所述地质甜点评价指标包括总有机碳、镜质体反射率、游离油量和孔隙度；所述工程甜点评价指标包括脆性指数和断裂韧性；
第二处理单元，用于对综合甜点评价指标进行实验标定，获取各综合甜点评价指标参数，并确定各综合甜点评价指数，所述综合甜点评价指数为归一化地质甜点指数与工程甜点指数的乘积；
第三处理单元，用于根据所述综合甜点评价指数，确定陆相页岩油甜点状预测结果，并通过改进的测井方法分析陆相页岩油甜点纵向分布特征；
第四处理单元，用于根据陆相页岩油甜点纵向分布特征与页岩油产量的关系，确定综合甜点指数的下限值，将所述下限值应用到其他所述待确定区域，确定其油气资源的勘探潜力。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的陆相页岩油综合甜点的预测方法步骤。
CN202210539291.6A 2022-05-18 2022-05-18 陆相页岩油综合甜点的预测方法、装置及计算机存储介质 Pending CN114757446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210539291.6A CN114757446A (zh) 2022-05-18 2022-05-18 陆相页岩油综合甜点的预测方法、装置及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210539291.6A CN114757446A (zh) 2022-05-18 2022-05-18 陆相页岩油综合甜点的预测方法、装置及计算机存储介质

Publications (1)

Publication Number Publication Date
CN114757446A true CN114757446A (zh) 2022-07-15

Family

ID=82335830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210539291.6A Pending CN114757446A (zh) 2022-05-18 2022-05-18 陆相页岩油综合甜点的预测方法、装置及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114757446A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856267A (zh) * 2023-02-23 2023-03-28 中国石油天然气股份有限公司 一种页岩不同连通性孔隙中页岩油的性质分析方法和应用
CN116168172A (zh) * 2023-04-19 2023-05-26 武汉中旺亿能科技发展有限公司 页岩油气甜点预测方法、装置、设备及存储介质
CN116976143A (zh) * 2023-09-15 2023-10-31 北京汇达丰科技有限公司 一种考虑弱面的储层“双甜点”评价方法
CN117272841A (zh) * 2023-11-21 2023-12-22 西南石油大学 一种基于混合神经网络的页岩气甜点预测方法
CN117328852A (zh) * 2023-07-26 2024-01-02 中国地质大学（北京） 海陆过渡相页岩气有利区确定方法、终端及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115856267A (zh) * 2023-02-23 2023-03-28 中国石油天然气股份有限公司 一种页岩不同连通性孔隙中页岩油的性质分析方法和应用
CN116168172A (zh) * 2023-04-19 2023-05-26 武汉中旺亿能科技发展有限公司 页岩油气甜点预测方法、装置、设备及存储介质
CN117328852A (zh) * 2023-07-26 2024-01-02 中国地质大学（北京） 海陆过渡相页岩气有利区确定方法、终端及介质
CN117328852B (zh) * 2023-07-26 2024-03-08 中国地质大学（北京） 海陆过渡相页岩气有利区确定方法、终端及介质
CN116976143A (zh) * 2023-09-15 2023-10-31 北京汇达丰科技有限公司 一种考虑弱面的储层“双甜点”评价方法
CN116976143B (zh) * 2023-09-15 2024-04-02 成都理工大学 一种考虑弱面的储层“双甜点”评价方法
CN117272841A (zh) * 2023-11-21 2023-12-22 西南石油大学 一种基于混合神经网络的页岩气甜点预测方法
CN117272841B (zh) * 2023-11-21 2024-01-26 西南石油大学 一种基于混合神经网络的页岩气甜点预测方法

Similar Documents

Publication Publication Date Title
CN114757446A (zh) 陆相页岩油综合甜点的预测方法、装置及计算机存储介质
US11352879B2 (en) Collaborative sensing and prediction of source rock properties
Zhu et al. Key factors of marine shale conductivity in southern China—Part II: The influence of pore system and the development direction of shale gas saturation models
RU2474847C2 (ru) Применения широкополосных электромагнитных измерений для определения свойств пласта-коллектора
WO2017024700A1 (zh) 一种计算烃源岩中有机碳含量的装置
CN111007230B (zh) 定量评价陆相湖盆低孔隙度致密油储层含油量的方法
BR112013015288A2 (pt) método de escalonamento ascendente com um sistema de processamento dados de modelagem de rocha digitais de escala de poro representando rocha
CN110954944A (zh) 一种断层圈闭含油高度地震预测方法
Liu et al. Numerical simulation to determine the fracture aperture in a typical basin of China
Vafaie et al. An investigation on the effect of thermal maturity and rock composition on the mechanical behavior of carbonaceous shale formations
Norbisrath et al. Complex resistivity spectra and pore geometry for predictions of reservoir properties in carbonate rocks
Yasin et al. Study on brittleness templates for shale gas reservoirs-A case study of Longmaxi shale in Sichuan Basin, southern China
CN116168224A (zh) 基于成像砾石含量的机器学习岩相自动识别方法
Ortiz et al. Reservoir properties: Mineralogy, porosity, and fluid types
Faraji et al. Integration of core data, well logs and seismic attributes for identification of the low reservoir quality units with unswept gas in the carbonate rocks of the world’s largest gas field
Sharifi Multi-pore rock physics model: An intelligent approach for carbonate rocks
Chen et al. A new approach to calculate gas saturation in shale reservoirs
Wang et al. Prediction of organic carbon content in oil shale based on logging: a case study in the Songliao Basin, Northeast China
CN110529106B (zh) 一种利用测井资料确定煤层显微组分含量的方法
Franquet et al. State-of-the-art openhole shale gas logging
Mahmoud et al. Novel empirical correlation for estimation of the total organic carbon in Devonian shale from the spectral gamma-ray and based on the artificial neural networks
CN106568918B (zh) 页岩有机碳含量toc预测方法
CN110118994B (zh) 一种基于地震反演和机器学习的陆相烃源岩定量预测方法
CN113311502B (zh) 一种识别泥页岩层系中常规油层与页岩油层的方法及装置
Heidari Advances in formation evaluation of shale systems

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