CN116413187B - 一种基于毛管压力资料的储层渗透率预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于毛管压力资料的储层渗透率预测方法及系统，涉及多孔介质特征对地层流体渗流影响的理论技术领域。包括：获取储层毛管压力资料；利用毛管压力资料计算有效流动喉道面积；分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测。本发明将有效流动喉道面积、孔隙度与渗透率进行二元回归分析，从微观上结合渗流实验研究喉道结构对渗透率的影响，提高了储层渗透率预测的准确性。该方法所需毛管压力资料获取相对容易，所建立的渗透率模型比单一回归模型准确性更高，能作为油藏开发可行且有效的工具。

Description

一种基于毛管压力资料的储层渗透率预测方法及系统

技术领域

本发明涉及多孔介质特征对地层流体渗流影响的理论技术领域，更具体的说是涉及一种基于毛管压力资料的储层渗透率预测方法及系统。

背景技术

岩石微观孔喉结构形态决定了复杂结构储层的物性和流体渗流特征，储层渗透率是影响油气产量、采收率等指标的关键参数。目前主流的孔隙度—渗透率模型在复杂结构储层、非常规储层中解释效果不甚理想，在一些特定储层中孔隙度与渗透率的相关性不明显。毛管压力资料能在微观上更好地阐明渗透率的变化规律，根据现有理论，以毛管压力资料为基础计算得出有效流动喉道面积与渗透率之间具有更强的相关性。

因此，如何提供一种基于毛管压力资料的储层渗透率预测方法及系统，根据有效流动喉道面积、孔隙度与渗透率提高储层渗透率预测准确性是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于毛管压力资料的储层渗透率预测方法及系统，本发明方法所建立的渗透率预测模型比单一的有效流动喉道面积模型或孔隙度模型在各项评价指标上更加优秀，结合毛管压力资料的基础上能更准确地预测储层渗透率，为有效评估油藏奠定基础。

为了实现上述目的，本发明采用如下技术方案：一种基于毛管压力资料的储层渗透率预测方法，具体包括以下步骤：

获取储层毛管压力资料；

利用所述毛管压力资料计算有效流动喉道面积；

分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；

利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测。

优选的，所述获取储层毛管压力资料具体包括：对岩心样品进行高压压汞实验，获取储层毛管压力资料；所述毛管压力资料包括进汞压力和/或退汞压力、累计饱和度、喉道半径。用于后续计算有效流动喉道面积。

优选的，所述利用毛管压力资料计算有效流动喉道面积具体包括：

利用公式计算频率值；

式中，n表示汞注入的次数，F_n表示频率值，S_n表示累计汞饱和度，S_n-1表示n-1次汞注入的累计汞饱和度，S_max表示最大累计汞饱和度；

根据所述频率值，利用公式计算喉道半径对渗透率权重值；

式中，C_K表示某喉道半径的渗透率权重值，R_n表示喉道半径，F_n表示频率值；

将每个喉道半径的渗透率权重值与其之前所有计算所得的权重值进行累加，令喉道半径与对应的累计权重值进行交会，通过二项式关系拟合，得到关系式C_LK＝n*R²+m*R+l；

式中，C_LK表示某喉道半径对应的累计渗透率权重值，R表示喉道半径，n、m、l均为常数；

从所述累计渗透率权重值中筛选出最小有效喉道半径R_min，将喉道半径大于R_min的喉道半径均视表示有效喉道半径R_An，利用公式S_A＝π*[∑(R_An-R_min)*F_n]²计算有效流动喉道面积；

式中，S_A表示有效流动喉道面积，R_An表示有效喉道半径，F_n表示频率值。

对同一地区多块岩心进行上述计算，得到多组数据；

优选的，所述有效流动喉道面积—渗透率模型的建立包括：将岩心对应的有效流动喉道面积与渗透率进行交会，使用乘幂关系拟合，得到关系式为

式中，K_i表示岩心测量渗透率，S_A表示有效流动喉道面积，a、b为常数。

优选的，所述孔隙度—渗透率模型的建立包括：将岩心对应的孔隙度与渗透率进行交会，使用指数关系拟合，得到关系式为K_i＝a*e^bφ；

式中，K_i表示岩心测量渗透率，φ表示岩心测量孔隙度，a、b为常数。

优选的，所述利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型包括：根据所述有效流动喉道面积—渗透率模型与所述孔隙度—渗透率模型构建最优化二元回归模型，由有效流动喉道面积与渗透率拟合关系最优为乘幂，孔隙度与渗透率拟合关系最优为指数，且常数为0，得到最优化二元回归模型的关系式为ln K_i＝a*lnS_A+b*φ；

式中，K_i表示岩心测量渗透率，S_A表示有效流动喉道面积，φ表示岩心测量孔隙度，a、b为常数。

优选的，一种基于毛管压力资料的储层渗透率预测系统，其特征在于，包括：

获取模块，用于获取储层毛管压力资料；

计算模块，用于利用所述毛管压力资料计算有效流动喉道面积；

模型建立模块，用于根据所述有效流动喉道面积和孔隙度分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；

预测模块，用于根据所述有效流动喉道面积—渗透率模型和所述孔隙度—渗透率模型确定有效流动喉道面积、孔隙度分别与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于毛管压力资料的储层渗透率预测方法及系统，包括：获取储层毛管压力资料；利用所述毛管压力资料计算有效流动喉道面积；分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测。

本发明具有以下有益效果：本发明将有效流动喉道面积、孔隙度与渗透率进行二元回归分析，从微观上结合渗流实验研究喉道结构对渗透率的影响。针对目前常用的孔隙度—渗透率模型不能很好地适用于复杂结构储层、非常规储层的问题，引入有效流动喉道面积，建立更适合复杂结构储层、非常规储层的渗透率模型，以提高储层渗透率预测的准确性。该方法所需毛管压力资料获取相对容易，所建立的渗透率模型比单一回归模型准确性更高，能作为油藏开发可行且有效的工具。

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，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种基于毛管压力资料的储层渗透率预测方法流程图；

图2为本发明实施例提供的1号岩心累积贡献率与喉道半径的关系图；

图3为本发明实施例提供的有效流动喉道面积与测量渗透率拟合图；

图4为本发明实施例提供的孔隙度与测量渗透率拟合图；

图5为本发明实施例提供的有效流动喉道面积拟合渗透率与测量渗透率关系图；

图6为本发明实施例提供的孔隙度拟合渗透率与测量渗透率关系图；

图7为本发明实施例提供的最优化二元回归模型拟合渗透率与测量渗透率关系图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于毛管压力资料的储层渗透率预测方法，具体包括以下步骤：

获取储层毛管压力资料；

利用所述毛管压力资料计算有效流动喉道面积；

分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；

利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测。

具体的，所述获取储层毛管压力资料具体包括：对岩心样品进行高压压汞实验，获取储层毛管压力资料；所述毛管压力资料包括进汞压力和/或退汞压力、累计饱和度、喉道半径等，用于后续计算有效流动喉道面积。

具体的，所述利用毛管压力资料计算有效流动喉道面积具体包括：

利用公式计算频率值；

式中，n表示汞注入的次数，F_n表示频率值，S_n表示累计汞饱和度，S_n-1表示n-1次汞注入的累计汞饱和度，S_max表示最大累计汞饱和度；

根据所述频率值，利用公式计算喉道半径对渗透率权重值；

式中，C_K表示某喉道半径的渗透率权重值，为百分数；R_n表示喉道半径，单位为μm；F_n表示频率值；

将每个喉道半径的渗透率权重值与其之前所有计算所得的权重值进行累加，令喉道半径与对应的累计权重值进行交会，通过二项式关系拟合，得到关系式C_LK＝n*R²+m*R+l；

式中，C_LK表示某喉道半径对应的累计渗透率权重值，为百分数；R表示喉道半径，单位为μm；n、m、l均为常数；

从所述累计渗透率权重值中筛选出最小有效喉道半径R_min，将喉道半径大于R_min的喉道半径均视表示有效喉道半径R_An，利用公式S_A＝π*[∑(R_An-R_min)*F_n]²计算有效流动喉道面积；

式中，S_A表示有效流动喉道面积，单位为μm²；R_An表示有效喉道半径，单位为μm；F_n表示频率值。其中，所述最小有效喉道半径R_min为将累计渗透率权重值为98％对应的喉道半径。

对同一地区多块岩心进行上述计算，得到多组数据。

具体的，所述有效流动喉道面积—渗透率模型的建立包括：将岩心对应的有效流动喉道面积与渗透率进行交会，使用乘幂关系拟合，得到关系式为

式中，K_i表示岩心测量渗透率，为小数；S_A表示有效流动喉道面积，a、b为常数。

具体的，所述孔隙度—渗透率模型的建立包括：将岩心对应的孔隙度与渗透率进行交会，使用指数关系拟合，得到关系式为K_i＝a*e^bφ；

式中，K_i表示岩心测量渗透率，为小数；φ表示岩心测量孔隙度，为小数；a、b为常数。

具体的，所述利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型包括：根据所述有效流动喉道面积—渗透率模型与所述孔隙度—渗透率模型构建最优化二元回归模型，由有效流动喉道面积与渗透率拟合关系最优为乘幂，孔隙度与渗透率拟合关系最优为指数，且常数为0，得到最优化二元回归模型的关系式为ln K_i＝a*lnS_A+b*φ；

式中，K_i表示岩心测量渗透率，S_A表示有效流动喉道面积，φ表示岩心测量孔隙度，a、b为常数。

一种基于毛管压力资料的储层渗透率预测系统，其特征在于，包括：

获取模块，用于获取储层毛管压力资料；

计算模块，用于利用所述毛管压力资料计算有效流动喉道面积；

模型建立模块，用于根据所述有效流动喉道面积和孔隙度分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；

预测模块，用于根据所述有效流动喉道面积—渗透率模型和所述孔隙度—渗透率模型确定有效流动喉道面积、孔隙度分别与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测。

在本发明的一个具体实施例中，以塔里木油田某地区15块岩心样品的岩石毛管压力曲线测试资料为例来说明本发明的技术方案，具体步骤如下：

步骤一、通过对岩心样品进行高压压汞实验，获取一系列毛管压力资料，如表1所示为获得的毛管压力试验1号岩心数据，含有23组数据，每组数据分别包括进汞压力、累计汞饱和度和喉道半径。

表1

步骤二，频率值计算如公式(1)所示：

其中，n表示汞注入的次数，F_n表示频率值，S_n表示累计汞饱和度，S_n-1表示n-1次汞注入的累计汞饱和度，S_max表示最大累计汞饱和度。

某半径喉道对渗透率权重值计算如公式(2)所示：

其中，C_K为某半径喉道的渗透率权重值，百分数；R_n为喉道半径，μm；F_n为频率值，百分数。

如表2所示为喉道半径对渗透率权重值1号岩心计算过程。

表2

将每个喉道半径的权重值与其之前所有计算所得的权重值进行累计，令喉道半径与对应的累计权重值进行交会，如图2所示，使用二项式关系拟合，得到公式(3)：

C_LK＝-0.0706*R²-0.1249*R+1.0016 (3)

其中，C_LK为某半径喉道对应的累计渗透率权重值，百分数；R为喉道半径，μm；利用公式(3)求得C_LK＝98％时对应的喉道半径下限值为0.1587μm。

有效流动喉道面积计算如公式(4)所示：

S_A＝π*[∑(R_An-R_min)*F_n]² (4)

其中，S_A为有效流动喉道面积，μm²；R_An为有效喉道半径，μm；F_n为频率值，百分数。

如表3所示为15组岩心的有效流动喉道面积计算结果及其孔隙度、渗透率测量数据。

表3

步骤三，将岩心对应的有效流动喉道面积与渗透率进行交会，使用乘幂关系拟合，如图3所示，得到公式(5)：

其中，K_i为岩心测量渗透率，小数；S_A为有效流动喉道面积，μm²，公式(5)即为有效流动喉道面积—渗透率模型。

将岩心对应的孔隙度与渗透率进行交会，使用指数关系拟合，如图4所示，得到公式(6)：

K_i＝0.0096*e^0.5257φ (6)

其中，K_i为岩心测量渗透率，小数；φ为岩心测量孔隙度，小数，公式(6)即为孔隙度—渗透率模型。

步骤四，利用有效流动喉道面积—渗透率模型与孔隙度—渗透率模型，研究最优化二元回归模型。

根据公式(5)和公式(6)，设置常数为零，通过回归分析得到公式(7)：

ln K_i＝0.821*ln S_A+0.0623*φ (7)

其中，K_i为岩心测量渗透率，小数；S_A为有效流动喉道面积，μm²；φ为岩心测量孔隙度，小数；公式(7)即为最优化二元回归模型。用于预测储层渗透率，引入有效流动喉道面积，建立更适合复杂结构储层、非常规储层的二元回归模型，提高了储层渗透率预测的准确性。

图5为本发明实施例提供的有效流动喉道面积拟合渗透率与测量渗透率关系图；图6为本发明实施例提供的孔隙度拟合渗透率与测量渗透率关系图；图7为本发明实施例提供的最优化二元回归模型拟合渗透率与测量渗透率关系图。通过图5，图6，图7可以比较有效流动喉道面积-渗透率模型，孔隙度-渗透率模型，最优化二元回归模型三种模型对渗透率进行预测的优劣，图7中拟合渗透率与测量渗透率吻合度最高，其次为图5，再次为图6。因此，本发明提供的最优化二元回归模型拟合渗透率的效果最佳，提高了储层渗透率预测的准确性。

除了这种直观的比较方法，还可以从方差分析的角度来进行分析，如表4所示为最优化二元回归模型的方差分析，表5为有效流动喉道面积-渗透率模型的方差分析，表6为孔隙度-渗透率模型的方差分析。

表4

	df	SS	MS	F	Significance F
						回归分析	1	4368.035	4368.035	885.3421	2.41338E-13
残差	14	69.07216	4.933726
						总计	15	4437.107

表5

表6

	df	SS	MS	F	Significance F
						回归分析	1	3561.31	3561.31	103.0819	1.50831E-07
残差	13	449.1286	34.54835
						总计	14	4010.438

由以上方差分析结果亦可得知，三种模型均具有统计学意义，而最优化二元回归模型的拟合渗透率F值最高，误差更小，拟合结果更可靠，有效流动喉道面积—渗透率模型拟合渗透率效果次之，孔隙度—渗透率模型拟合渗透率效果再次之。

本发明将有效流动喉道面积、孔隙度与渗透率进行最优化二元回归分析，从微观上结合渗流实验研究喉道结构对渗透率的影响。针对目前常用的孔隙度—渗透率模型不能很好地适用于复杂结构储层、非常规储层的问题，引入有效流动喉道面积，建立更适合复杂结构储层、非常规储层的渗透率模型，以提高储层渗透率预测的准确性。该方法所需毛管压力资料获取相对容易，所建立的渗透率模型比单一回归模型准确性更高，能作为油藏开发可行且有效的工具。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种基于毛管压力资料的储层渗透率预测方法，其特征在于，具体包括以下步骤：

获取储层毛管压力资料；

利用所述毛管压力资料计算有效流动喉道面积；

分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；

利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测；

其中，利用所述毛管压力资料计算有效流动喉道面积包括：

利用公式计算频率值；

式中，n表示汞注入的次数，F_n表示频率值，S_n表示累计汞饱和度，S_n-1表示n-1次汞注入的累计汞饱和度，S_max表示最大累计汞饱和度；

根据所述频率值，利用公式计算喉道半径对渗透率权重值；

式中，C_K表示某喉道半径的渗透率权重值，R_n表示喉道半径，F_n表示频率值；

将每个喉道半径的渗透率权重值与其之前所有计算所得的权重值进行累加，令喉道半径与对应的累计权重值进行交会，通过二项式关系拟合，得到关系式C_LK＝n*R²+m*R+l；

式中，C_LK表示某喉道半径对应的累计渗透率权重值，R表示喉道半径，n、m、l均为常数；

从所述累计渗透率权重值中筛选出最小有效喉道半径R_min，将喉道半径大于R_min的喉道半径均视表示有效喉道半径R_An，利用公式S_A＝π*[∑(R_An-R_min)*F_n]²计算有效流动喉道面积；

式中，S_A表示有效流动喉道面积，R_An表示有效喉道半径，F_n表示频率值；

所述利用有效流动喉道面积、孔隙度与渗透率的拟合关系，建立最优化二元回归模型包括：根据所述有效流动喉道面积—渗透率模型与所述孔隙度—渗透率模型构建最优化二元回归模型，由有效流动喉道面积与渗透率拟合关系最优为乘幂，孔隙度与渗透率拟合关系最优为指数，且常数为0，得到最优化二元回归模型的关系式为ln K_i＝a*ln S_A+b*φ；

式中，K_i表示岩心测量渗透率，S_A表示有效流动喉道面积，φ表示岩心测量孔隙度，a、b为常数。

2.根据权利要求1所述的一种基于毛管压力资料的储层渗透率预测方法，其特征在于，所述获取储层毛管压力资料具体包括：对岩心样品进行高压压汞实验，获取储层毛管压力资料；所述毛管压力资料包括进汞压力和/或退汞压力、累计饱和度、喉道半径。

3.根据权利要求1所述的一种基于毛管压力资料的储层渗透率预测方法，其特征在于，所述有效流动喉道面积—渗透率模型的建立包括：将岩心对应的有效流动喉道面积与渗透率进行交会，使用乘幂关系拟合，得到关系式为

式中，K_i表示岩心测量渗透率，S_A表示有效流动喉道面积，a、b为常数。

4.根据权利要求1所述的一种基于毛管压力资料的储层渗透率预测方法，其特征在于，所述孔隙度—渗透率模型的建立包括：将岩心对应的孔隙度与渗透率进行交会，使用指数关系拟合，得到关系式为K_i＝a*e^bφ；

式中，K_i表示岩心测量渗透率，φ表示岩心测量孔隙度，a、b为常数。

5.一种基于毛管压力资料的储层渗透率预测系统，其特征在于，包括：

获取模块，用于获取储层毛管压力资料；

计算模块，用于利用所述毛管压力资料计算有效流动喉道面积；

模型建立模块，用于根据所述有效流动喉道面积和孔隙度分别建立有效流动喉道面积—渗透率模型和孔隙度—渗透率模型；

预测模块，用于根据所述有效流动喉道面积—渗透率模型和所述孔隙度—渗透率模型确定有效流动喉道面积、孔隙度分别与渗透率的拟合关系，建立最优化二元回归模型，对渗透率进行预测；

由有效流动喉道面积与渗透率拟合关系最优为乘幂，孔隙度与渗透率拟合关系最优为指数，且常数为0，得到最优化二元回归模型的关系式为ln K_i＝a*ln S_A+b*φ；

式中，K_i表示岩心测量渗透率，S_A表示有效流动喉道面积，φ表示岩心测量孔隙度，a、b为常数；

其中，利用所述毛管压力资料计算有效流动喉道面积包括：

利用公式计算频率值；

式中，n表示汞注入的次数，F_n表示频率值，S_n表示累计汞饱和度，S_n-1表示n-1次汞注入的累计汞饱和度，S_max表示最大累计汞饱和度；

根据所述频率值，利用公式计算喉道半径对渗透率权重值；

式中，C_K表示某喉道半径的渗透率权重值，R_n表示喉道半径，F_n表示频率值；

将每个喉道半径的渗透率权重值与其之前所有计算所得的权重值进行累加，令喉道半径与对应的累计权重值进行交会，通过二项式关系拟合，得到关系式C_LK＝n*R²+m*R+l；

式中，C_LK表示某喉道半径对应的累计渗透率权重值，R表示喉道半径，n、m、l均为常数；

从所述累计渗透率权重值中筛选出最小有效喉道半径R_min，将喉道半径大于R_min的喉道半径均视表示有效喉道半径R_An，利用公式S_A＝π*[∑(R_An-R_min)*F_n]²计算有效流动喉道面积；

式中，S_A表示有效流动喉道面积，R_An表示有效喉道半径，F_n表示频率值。