CN117005860A - 复杂地层条件与井筒结构下的气水识别方法、介质及设备 - Google Patents

复杂地层条件与井筒结构下的气水识别方法、介质及设备 Download PDF

Info

Publication number
CN117005860A
CN117005860A CN202310915747.9A CN202310915747A CN117005860A CN 117005860 A CN117005860 A CN 117005860A CN 202310915747 A CN202310915747 A CN 202310915747A CN 117005860 A CN117005860 A CN 117005860A
Authority
CN
China
Prior art keywords
gas
water
identification
stratum
logging
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
CN202310915747.9A
Other languages
English (en)
Inventor
李可赛
邓虎成
相泽厚
刘岩
王付斌
何贤宏
杨玉霏
孙佳琦
王攀
王杰
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202310915747.9A priority Critical patent/CN117005860A/zh
Publication of CN117005860A publication Critical patent/CN117005860A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
    • 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
    • E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
    • E21B2200/22—Fuzzy logic, artificial intelligence, neural networks or the like
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Geology (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mining & Mineral Resources (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于油气藏流体识别技术领域，公开了一种复杂地层条件与井筒结构下的气水识别方法、介质及设备，基于矿化度和地层温度进行地质区域分层，利用优选出的智能算法对电阻率进行校正；分别对非严重扩径和严重扩径层段，采用神经网络法和多元回归法进行孔隙度的校正。结合神经网络实现流体性质的快速判别，对分区分层后的地层建立气水识别精细图版，形成一套流体综合智能识别技术。本发明在综合考虑含地层水矿化度和地层温度的复杂地层条件以及存在井眼扩径和泥浆侵入的复杂井筒条件基础之上，创建出一套针对复杂地质因素及井筒环境的气水识别技术，实现了自动化气水识别流程并提高了最终解释结论的精确度。

Description

复杂地层条件与井筒结构下的气水识别方法、介质及设备
技术领域
本发明属于油气藏储层气水识别技术领域，尤其涉及一种复杂地层条件与井筒结构下的气水识别方法、介质及设备。
背景技术
目前，在传统的油气藏气水识别方法中，主要根据不同区域的不同地质条件采取最为适合的测井响应系列进行气水识别研究，最终通过相关测井资料的处理与解释得到研究区域的气水识别结果，但该方法采用单独的测井响应系列，在实际的油气开发过程中所应用的效果一般。随着技术的发展，近年已有专利通过对区域建立多测井曲线合集建立公式及流体识别模板进行气水识别。该方法在之前的方法上增加了数据支撑，但未考虑地层水矿化度及地层温度的复杂地层条件及含有井径扩张和泥浆侵入因素的复杂井筒结构给模型带来的误差，导致最终的模型效果难以适用于多井评估。张海祖(2021)等叙述了地层水矿化度对储层中油气响应的特点；张世懋(2020)等利用核磁共振技术对储层气水关系进行评价；杨华(2021)等利用多测井资料建立交会图版进行气水识别；李定军(2021)等利用MDT测试确定了研究区域气水界面；张艺(2019)等利用交会图版对火成岩进行储层的气水识别；熊晓军(2019)等利用数值模拟法对测井资料进行反演实现气水识别；但已有文章都未将地层水矿化度及地层温度因素综合分析来进行测井曲线的处理及解释完成气层评价。现有相关专利：专利1一种气水层识别方法(CN201910462888.3)，根据所获取到的待分析深度处的声波数据，拾取得到待分析深度处的横波到时和横波振幅；根据横波到时和振幅确定待分析深度处的气水层识别参数；根据气水层识别参数判断待分析深度处为水层还是气层。此专利气水层识别过程中，数据单一，不能为解释提供可靠的数据支撑；只能识别气层与水层，对于气水层无法解释；未考虑真实井筒及地层条件，原始测井数据未经校正处理。专利2一种针对致密砂岩储层气层与气水同层的识别方法(CN201910152004.4)，确定研究区域的相关性最好的测井曲线；根据曲线集合进行气强因子和水强化因子，分别确定X轴和Y轴的计算公式。绘制流体识别图版，根据流体识别模板进行流体的识别。此专利对致密砂岩储层气层与气水同层的识别过程中未考虑实际地层中的环境因素对测井数据的影响，依赖人工的测井数据解释，未实现自动化识别流体过程。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有气水层识别过程中，采用单一的数据类型，不能对储层段的流体特征进行全面的刻画；且只能识别气层与水层，缺乏对于气水同层段的判断，储层的气水识别缺少精细的解释与评价技术。
(2)现有对致密砂岩储层气层与气水同层的识别过程中，未考虑实际地层中的井筒环境因素对测井数据的影响，往往测井数据不能反映出真实的地层信息，原始的测井数据未经校正处理，其精度不能保证。
(3)在复杂地层条件下，利用不同类型的测井数据综合判断流体类型时，缺少综合统一的气水识别标准，通畅需要依赖人为经验对测井数据进行解释，未实现自动化的流体识别过程。
发明内容
针对现有技术存在的问题，本发明提供了一种复杂地层条件与井筒结构下的气水识别方法、介质及设备。本发明综合多种测井实测曲线数据进行数值分析，在综合考虑含地层水矿化度和地层温度的复杂地层条件以及存在井眼扩径和泥浆侵入的复杂井筒条件基础之上，建立了一套针对复杂地层条件及井筒环境因素影响下的气水识别技术，实现了自动化气水识别流程并提高了最终解释结论的精确度。
本发明是这样实现的，一种复杂地层条件与井筒结构下的气水识别方法，所述复杂地层条件与井筒结构下的气水识别方法包括：
步骤一，基于地层水矿化度和地层温度影响机理进行地质分区分层，建立井筒环境的井眼扩径及泥浆侵入分析，利用优选出的智能算法对电阻率测井曲线及孔隙度测井曲线进行校正；
步骤二，基于电阻率与孔隙度参数校正，建立气水识别的智能算法方案；
步骤三，优选测井校正后的电阻率与孔隙度参数，建立分层分区的气水精细识别交会图版；
步骤四：综合利用神经网络法与分区分层气水精细识别图版，进行流体智能识别。
进一步，所述气水识别方法具体包括：
综合利用地层水矿化度与地层温度两种地层地质内因，井筒环境中的泥浆侵入及井眼扩径多种井筒环境外因，提出储层评价分区分层原则；
基于地质内因及井筒环境的影响机理分析，对电阻率测井曲线及孔隙度测井曲线进行校正；
基于校正后的电阻率及孔隙度值，结合地质分区分层原则，建立气水识别多测井系列交会图版；
同时结合考虑动态生产流体样本约束下的神经网络算法实现先定性后精细定量的流体识别图版制作，建立一套流体智能识别系统；
最终综合两套识别图版，进行实际钻井的流体性质判别。
进一步，所述步骤一中，基于矿化度和地层温度进行地质区域分层具体过程为：
基于矿化度和地层温度的分区分层技术，确定矿化度阈值及地层温度变化值，建立测井解释地质边界的分区分层界限，为图版的分区分层图版的建立提供最基础的标准。
进一步，所述步骤一中，对测井电阻率进行校正具体过程为：
电阻率测井曲线校正，基于储层岩性、电性特征，分别建立扩径、层厚-围岩、侵入的三维校正图版，通过随机森林的反演算法计算电阻率校正系数，提取出准确的目的层电阻率值。
进一步，所述步骤一中，对测井孔隙度进行校正具体过程为：
孔隙度的校正，在非严重扩径条件下采用神经网络计算孔隙度；在严重扩径条件下密度及中子测井曲线严重失真，采用多元回归模型。
进一步，所述步骤二中，结合神经网络实现定性识别以及精准识别的图版制作，建立一套流体智能识别模板，具体过程为：
建立BP神经网络流体识别模型，只分层不分区块，在研究区储层数量较多的情况下快速完成流体类型的自动判别，得出储层流体性质的基本定性结论，依据图版对部分可能存在偏差的层段进行精细判别。
进一步，所述步骤三中，对分区分层后的地层建立气水精细识别图版，具体过程为：
基于测井解释地质边界，分区分层段建立气水识别图版，选取5个参数：校正后POR、DEN、校正后LLD、感应电阻率HT12(ILD)、(DEN×AC)/CNL，建立5幅表征气水识别特征最明显的图版。
进一步，所述5幅表征气水识别特征最明显的图版具体为：POR-LLD、(DEN×CNL)/AC-LLD、(DEN×CNL)/AC-HT12(ILD)/LLD、POR-HT12(ILD)/LLD、POR-HT12(ILD)/LLD。
本发明的另一目的在于提供一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述复杂地层条件与井筒结构下的气水识别方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述复杂地层条件与井筒结构下的气水识别方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现复杂地层条件与井筒结构下的气水识别方法。
结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：
第一、本发明通过分析地层矿化度和地层水温度因素为创建地质边界模型提供合理化的理论依据，得出研究区域的测井电阻率值校正方法为综合储层岩性、电性等特征通过随机森林算法构建参数建立交会图版校正；得出非严重扩径情况下最好的校正算法为BP神经网络智能算法，在严重扩径情况下最好的井径校正方法为多元回归方法；分层建立BP神经网络流体识别模型完成流体的自动识别；筛选得出研究区中最适合的电阻率及孔隙度参数建立气水精细识别交会图版。
本发明通过数理统计及图形观察得出矿化度分界值；通过井筒环境的理论研究，基于随机森林法校正电阻率值；通过多种算法实验优选得出非严重扩径情况下最好的井径校正算法为BP神经网络算法，严重扩径情况下最好的井径校正方法为多元回归方法，校正孔隙度值；通过多图版建立、分析比较得出最优的5幅交会图版；通过神经网络法，建立智能气水识别图版。本发明综合了现有技术未考虑的复杂地层因素，结合多测井数据绘制得出了多个交会图版，并分类进行最佳校正方法的选取，绘制多图版分析得出最优图版，同时采用神经网络与精细识别图版，能够先快速定性判别流体性质，对结论可能存疑的层段，在以分区分层图版进行识别，保证了气水识别的高效化、精确化。
与现有技术相比，综合了复杂地层条件与井筒结构进行气水识别。本发明确定了哪些地层因素以及井筒因素对测井数据有影响，基于主要影响因素进行了分区分层处理参数优选及测井曲线校正，保证用于气水识别中的参数准确可靠；在数据处理的过程中引入了智能算法实现了气水层的自动识别，较于其他传统方法提高了数据处理的效率，为其他井数据处理建立了可高效快速处理的技术；同时考虑地质因素的影响，构建气水精细识别交会图版，进一步提高了识别的准确性。
第二，本发明在结合井筒环境因素影响分析后，利用智能技术完成电阻率及孔隙度校正，在鄂北某研究区致密储层段内，测井电阻率及孔隙度值对比实验值相对误差降低了8％。综合神经网络和精细图版法识别技术对158个不同气水层进行识别，识别的层段正确个数为135，正确率为85.44％；其中，气层个数71个，正确个数为61，正确率为85.92％；气水层个数37个，正确个数为31，正确率为83.78％；水层个数50个，正确个数为43，正确率为86％；总的流体类型判别正确率和气层判别率均达到了85％以上。复杂地层条件与井筒结构下的气水识别方法与技术能够对储层段的流体性质作出快速且精确的判断，为后续实际开发及选取开采层段提供了技术支撑。
第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：
(1)本发明的技术方案转化后的预期收益和商业价值为：
流体智能识别法与精细图版法联用，既能满足快速定性识别流体性质，又能利用分区分层图版精确识别。两种图版同时采用，使气水识别更加高效化，精确化。在未来油气的开发中起到了至关重要的作用，创造巨大产值。
(2)本发明的技术方案是否解决了人们一直渴望解决、但始终未能获得成功的技术难题：致密储层气水识别的系统化、流程化。气水识别是油气行业内很复杂的一个难题，但我们考虑了地质内因与井筒环境因素，将地层水、地层温度、层位背景等内因与分区分层结合，将井眼扩径、泥浆侵入等环境因素与电阻率、孔隙度校正结合，充分考虑了智能识别方法与精细图版法两种方法的共性与特点，形成了一套完整的复杂地层条件与井筒结构下的气水识别方法、介质及设备。
附图说明
图1是本发明实施例提供的复杂地层条件与井筒结构下的气水识别方法流程图。
图2是本发明实施例提供的测井解释地质边界分区图。
图3(a)是本发明实施例提供的新双侧向井眼-深侧向数据校正图版；图3(b)是本发明实施例提供的新双侧向井眼-浅侧向数据校正图版。
图4是本发明实施例提供的神经网络预测模型结构示意图。
图5(a)是本发明实施例提供的锦72-77井区下石盒子组非严重扩径段神经网络模型数据回代曲线图；图5(b)是本发明实施例提供的锦72-77井区下石盒子组非严重扩径段神经网络模型数据检验精度曲线图。
图6是本发明实施例提供的研究区流体识别神经网络模型结构示意图。
图7(a)本发明实施例提供的锦72-77井区石盒子组孔隙度-校正后深侧向数据交会图；图7(b)本发明实施例提供的锦72-77井区石盒子组(DEN*CNL)/AC系列数据-校正后深侧向系列数据交会图；图7(c)本发明实施例提供的锦72-77井区石盒子组(DEN×CNL)/AC系列数据-HT12(ILD)/LLD系列数据交会图；图7(d)本发明实施例提供的锦72-77井区石盒子组孔隙度-HT12(ILD)系列数据交会图；图7(e)本发明实施例提供的锦72-77井区石盒子组孔隙度-HT12(ILD)/LLD系列数据交会图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供的复杂地层条件与井筒结构下的气水识别方法，具体方案如下：
1)地质分区分层：基于地层水矿化度和地层温度影响机理进行地质分区分层，有助于更好地理解不同地层的特点以及地质条件对气水识别的影响。
2)井筒环境分析：建立井筒环境的井眼扩径及泥浆侵入分析，有助于更准确地评估井筒结构对气水识别的影响。
3)智能算法校正：利用优选出的智能算法对电阻率测井曲线及孔隙度测井曲线进行校正，提高测井数据的准确性和可靠性。
4)建立气水识别智能算法：基于校正后的电阻率与孔隙度参数，建立气水识别的智能算法方案，提高气水识别的精度和效率。
5)分层分区气水精细识别：优选测井校正后的电阻率与孔隙度参数，建立分层分区的气水精细识别交会图版，有助于在不同地层和地质条件下实现高精度的气水识别。
6)流体智能识别方法与技术：综合神经网络法与分区分层气水精细识别图版，建立一套流体智能识别的方法与技术，进一步提高气水识别的准确性和实用性。
如图1所示，本发明实施例提供的复杂地层条件与井筒结构下的气水识别方法包括：
S101：基于地层水矿化度和地层温度影响机理进行地质分区分层，建立井筒环境的井眼扩径及泥浆侵入分析，利用优选出的智能算法对电阻率测井曲线及孔隙度测井曲线进行校正；
S102：基于电阻率与孔隙度参数校正，建立气水识别的智能算法方案；
S103：优选测井校正后的电阻率与孔隙度参数，建立分层分区的气水精细识别交会图版。
S104：综合神经网络法与分区分层气水精细识别图版，建立一套流体智能识别的方法与技术。
以下是复杂地层条件与井筒结构下的气水识别方法的具体实现过程：
步骤一：地质分区分层及井筒环境分析
收集地层水矿化度、地层温度等地质参数数据；
根据地层水矿化度和地层温度影响机理，进行地质分区分层，划分不同的地层类型和地质条件；
分析井筒环境，包括井眼扩径、泥浆侵入等因素，了解井筒结构对气水识别的影响。
步骤二：智能算法校正
利用优选出的智能算法，如神经网络、支持向量机等，对电阻率测井曲线和孔隙度测井曲线进行校正；
通过校正后的测井数据，消除井筒环境、地层水矿化度和地层温度等因素的影响，提高数据的准确性。
步骤三：建立气水识别智能算法方案
基于校正后的电阻率与孔隙度参数，研究不同地层类型和地质条件下的气水响应特征；
利用机器学习方法，如神经网络、决策树等，建立气水识别的智能算法方案。
步骤四：气水精细识别交会图版
优选测井校正后的电阻率与孔隙度参数，针对不同地层类型和地质条件，建立分层分区的气水精细识别交会图版；
通过交会图版，实现快速、高精度地识别不同地层和地质条件下的气水分布。
步骤五：流体智能识别
综合利用神经网络法与分区分层气水精细识别图版，对目标地层进行流体智能识别；
根据识别结果，指导油气藏开发和管理，优化开发方案，提高油气产量。
通过以上实现过程，本发明能够有效地识别复杂地层条件与井筒结构下的气水分布，提高气水识别的准确性和实用性。
本发明实施例提供的S101中，基于矿化度和地层温度影响机理进行地质分区分层具体过程为：
分层段分析研究区的矿化度及地层温度值，确定矿化度阈值及地层温度变化值，确定当大于某个阈值或变化值时，以此建立测井解释地质边界的分区分层界限，为图版的分区分层图版的建立提供最基础的标准。
本发明实施例提供的S101中，建立井筒环境的井眼扩径及泥浆侵入分析具体过程为：
井筒环境分析，主要是针对井眼扩径时，将扩径量的大小分别定义为未扩径、微弱扩径、中等扩径和严重扩径四类；根据泥浆侵入地层的径向范围，划分为未侵入、弱侵入、中侵入、深侵入四类，根据扩径和侵入的不同类型，归纳对应的电阻率及孔隙度测井曲线特征。
本发明实施例提供的S101中，利用优选出的智能算法对测井电阻率及孔隙度资料进行校正具体过程为：
测井曲线的电阻率校正，基于储层岩性、电性等特征，通过随机森林的反演算法计算校正参数，分别建立扩径、层厚-围岩、侵入的校正图版，提取出准确的目的层电阻率值。孔隙度的校正，在非严重扩径条件下采用BP神经网络计算孔隙度；在严重扩径条件下密度曲线严重失真，采用多元回归模型。
本发明实施例提供的S102中，基于电阻率与孔隙度校正，建立气水识别的智能算法方案：
建立BP神经网络流体识别模型，只分层不分区块，在研究区储层数量较多的情况下快速完成流体类型的自动判别，得出储层流体性质的基本定性结论，依据图版对部分可能存在偏差的层段进行精细判别。
本发明实施例提供的S103中，优选测井校正后的电阻率与孔隙度参数，建立分层分区的气水精细识别交会图版，具体过程为：
基于测井解释地质边界，分区分层段建立气水识别图版，选取5个参数：校正后POR、DEN、校正后LLD、感应电阻率HT12(ILD)、(DEN×AC)/CNL，建立5幅表征气水识别特征最明显的图版：
POR-LLD、(DEN×CNL)/AC-LLD、(DEN×CNL)/AC-HT12(ILD)/LLD、POR-HT12(ILD)/LLD、POR-HT12(ILD)/LLD。
在本发明实施例中，S101的作用为：明确测井气水识别的地质内因分析，为后续的电阻率孔隙度校正提供基础，也是提出为分区分层原则的关键，而分区分层是后续建立气水精细识别图版建立的基础；分析井筒的井眼扩径及泥浆侵入影响因素，明确测井响应值不准确或不能反映真实地层信息的原因，便于对测井孔隙度、电阻率的校正。
S102的作用为：建立气水识别的智能算法方案，快速初步判断储层段的流体类型，能够快速完成对于整个研究区内多个新钻井的气水识别。
S103的作用为：分区分层图版制作相对更加复杂，且需要根据不同研究区的实际数据进行调整，气水识别更为精准且效果更好，能对神经网络法识别后的流体类型认为不准或需要再精细评价与解释的层段进行修正。
S104的作用为：神经网络流体智能识别法更高效快速的判别流体性质，分区分层图版进行更为准确的修正，结合智能算法与考虑实际地质背景下的分区分层图版法实现了气水层的综合判别，准确率更高，且形成一套完整的致密储层气水识别技术与方法，创新性的提出了一种新的气水识别评价的流程及相关思路。
综合多种测井实验数据进行数值分析，在综合考虑含地层水矿化度和地层温度的复杂地层条件以及存在井眼扩径和泥浆侵入的复杂井筒条件基础之上，本发明创建出一套针对该环境因素的气水识别技术：测井曲线环境校正->孔隙度校正->神经网络流体识别模型建立->使用图版对识别结论进行检验和修正->结合含气饱和评价标准修正，具体过程如图1所示。
测井曲线环境校正：
对地层矿化度数据以及地层温度数据采取数学统计并绘制相关图表，分别筛选出矿化度阈值以及得出地层温度影响因素主要为埋深。综合两因素分析结论得出之后的实验数据处理需要进行分区分层进行，测井解释地质边界分区图，如图2所示。
考虑含有井眼扩径、泥浆侵入的复杂井筒结构，在已有资料调研下，利用双侧向测井数据作为输出值，含侵入影响数据作为输入值通过优选算法——随机森林得到输入与输出的关系映射。在此映射下对含侵入因素影响的数据进行校正得到校正后的测井电阻率值。对于井径扩张对测井电阻率值带来的影响采用双侧向测井数值结合FEM(有限元法)进行校正得到井眼校正值，新双侧向井眼校正图版，如图3中的图a和图b所示。
孔隙度校正：考虑扩径因素带来的影响，将测井区域的孔隙度值分为非严重扩径和严重扩径两个部分进行计算。
在非严重扩径的情况下，选择GR(自然伽马测井)、AC(声波测井)、CNL(补偿中子测井)、DEN(密度测井)和LLD(双侧向测井)这5条曲线作为输入数据，已有孔隙度值作为输出值，采用BP神经网络方法建立输入的5因素与孔隙度之间的计算模型对其余带有误差数据进行校正，如图4所示。
在严重扩径情况下，使用AC(声波测井)和校正后的LLD(校正后的双侧向测井)中的深侧向电阻率采用多元回归分析方法建立校正模型，对各区块各层段的严重扩径段孔隙度进行计算，非严重扩径段神经网络模型回代和检验精度，如图5中的图a和图b所示。
神经网络法流体类型的自动识别：
利用相关性分析结果在绘制图版中发现对流体类型具有较好区分性的属性为POR(孔隙度)、DEN(密度测井值)、校正后LLD(校正后的双侧向测井值)、感应电阻率HT12(ILD)和(DEN×AC)/CNL((密度测井值×声波测井值)/补偿中子测井值)，区流体识别神经网络模型结构，如图6所示。
采用BP神经网络算法，将上述5个属性作为输入值，建立属性与气层、气水层、水层之间的关系映射，利用建立模型可以通过上述相关性最好的5属性进行气水层的识别及分类。
使用图版对识别结论进行检验和修正：结合含气饱和评价标准与POR(孔隙度)、DEN(密度测井值)、校正后LLD(校正后的双侧向测井值)、感应电阻率HT12(ILD)和(DEN×AC)/CNL这5个属性两两结合绘制的不同图版对神经网络法流体类型的自动识别过程中出现的问题进行人工干预修正，由此完成整个含气评价流程，流体识别神经网络模型样本集测井属性流体类型交会图，如图7中的图a-图e所示。
本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
以研究区域杭锦旗地区为例，在结合地层矿化度以及地层温度因素后利用智能技术完成孔隙度校正后，研究区典型井段校正前孔隙度均值为13.3％，校正后孔隙度均值为10.8％，相对误差降低了6％。锦30山2段校正前孔隙度均值为8.85％，校正后孔隙度均值为6.89％，相对误差降低了30.35％。最后的神经网络和图版法智能流体识别模型对158个不同气水层进行识别，识别的层段正确个数为135，正确率为85.44％；其中，气层个数71个，正确个数为61，正确率为85.92％；气水层个数37个，正确个数为31，正确率为83.78％；水层个数50个，正确个数为43，正确率为86％；总的流体类型判别正确率和气层判别率均达到了85％以上。
以下是六个具体的实施例，展示了本发明在复杂地层条件与井筒结构下的气水识别方法的应用：
实施例1：针对含有高矿化度地层水的地区，利用地层水矿化度数据建立地质分区分层模型，通过优选的智能算法对电阻率测井曲线和孔隙度测井曲线进行校正，提高气水识别的准确性。
实施例2：对于具有高地温的深层地质结构，根据地层温度影响机理进行地质分区分层，并结合井筒环境的井眼扩径及泥浆侵入分析，优化电阻率和孔隙度参数的校正，从而提高气水识别的可靠性。
实施例3：在具有多岩性地层的区域，利用神经网络法建立气水识别智能算法，结合分区分层的气水精细识别图版，实现不同岩性地层的气水识别。
实施例4：针对复杂地质构造区，通过井筒环境的井眼扩径及泥浆侵入分析，优化地质分区分层模型，结合神经网络法和气水精细识别图版，提高复杂地质构造区的气水识别精度。
实施例5：在具有低孔隙度、低渗透性地层的区域，优选测井校正后的电阻率与孔隙度参数，建立分层分区的气水精细识别交会图版，提高低孔隙度、低渗透性地层的气水识别效果。
实施例6：在油气藏开发过程中，利用本发明提供的流体智能识别方法与技术，实时监测井筒环境的变化，动态调整地质分区分层模型和气水识别智能算法，有效指导油气藏的开发和管理。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种复杂地层条件与井筒结构下的气水识别方法，其特征在于，包括：
步骤一，基于地层水矿化度和地层温度影响机理进行地质分区分层，建立井筒环境的井眼扩径及泥浆侵入分析，利用优选出的智能算法对电阻率测井曲线及孔隙度测井曲线进行校正；
步骤二，基于电阻率与孔隙度参数校正，建立气水识别的智能算法方案；
步骤三，优选测井校正后的电阻率与孔隙度参数，建立分层分区的气水精细识别交会图版；
步骤四：综合利用神经网络法与分区分层气水精细识别图版，进行流体智能识别。
2.如权利要求1所述复杂地层条件与井筒结构下的气水识别方法，其特征在于，所述步骤一中，基于矿化度和地层温度进行地质区域分层具体过程为：
基于矿化度和地层温度的分区分层技术，确定矿化度阈值及地层温度变化值，建立测井解释地质边界的分区分层界限，为图版的分区分层图版的建立提供最基础的标准。
3.如权利要求1所述复杂地层条件与井筒结构下的气水识别方法，其特征在于，所述步骤一中，对测井孔隙度进行校正具体过程为：
孔隙度的校正，在非严重扩径条件下采用BP神经网络计算孔隙度；在严重扩径条件下密度曲线严重失真，采用多元回归模型。
4.如权利要求1所述复杂地层条件与井筒结构下的气水识别方法，其特征在于，所述步骤一中，对测井电阻率进行校正具体过程为：
电阻率测井曲线校正，基于储层岩性、电性特征，分别建立扩径、层厚-围岩、侵入的三维校正图版，通过随机森林反演算法计算电阻率校正系数，提取出准确的目的层电阻率值。
5.如权利要求1所述复杂地层条件与井筒结构下的气水识别方法，其特征在于，步骤二中，所述气水识别方法具体包括：
综合利用地层水矿化度与地层温度两种地层地质内因，井筒环境中的泥浆侵入及井眼扩径多种井筒环境外因，提出储层评价分区分层原则；
基于地质内因及井筒环境的影响机理分析，对电阻率测井曲线及孔隙度测井曲线进行校正；
基于校正后的电阻率及孔隙度值，结合地质分区分层原则，建立气水识别多测井系列交会图版；
同时结合考虑动态生产流体样本约束下的神经网络算法实现先定性后精细定量的流体识别图版制作，建立一套流体智能识别系统；
最终综合两套识别图版，进行实际钻井的流体性质判别。
6.如权利要求1所述复杂地层条件与井筒结构下的气水识别方法，其特征在于，所述步骤二中，结合神经网络实现定性识别以及精准识别的图版制作，建立一套流体智能识别模板，具体过程为：
建立BP神经网络流体识别模型，只分层不分区块，在研究区储层数量较多的情况下快速完成流体类型的自动判别，得出储层流体性质的基本定性结论，依据图版对部分可能存在偏差的层段进行精细判别。
7.如权利要求1所述复杂地层条件与井筒结构下的气水识别方法，其特征在于，所述步骤三中，对分层后的地层建立气水精细识别图版具体过程为：
基于测井解释地质边界，分区分层段建立气水识别图版，选取5个参数：校正后POR、DEN、校正后LLD、感应电阻率HT12(ILD)、(DEN×AC)/CNL，建立5幅表征气水识别特征最明显的多测井系列交会图版。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～7任意一项所述的复杂地层条件与井筒结构下的气水识别方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～7任意一项所述的复杂地层条件与井筒结构下的气水识别方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1～7任意一项所述的复杂地层条件与井筒结构下的气水识别方法。
CN202310915747.9A 2023-07-25 2023-07-25 复杂地层条件与井筒结构下的气水识别方法、介质及设备 Pending CN117005860A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310915747.9A CN117005860A (zh) 2023-07-25 2023-07-25 复杂地层条件与井筒结构下的气水识别方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310915747.9A CN117005860A (zh) 2023-07-25 2023-07-25 复杂地层条件与井筒结构下的气水识别方法、介质及设备

Publications (1)

Publication Number Publication Date
CN117005860A true CN117005860A (zh) 2023-11-07

Family

ID=88573851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310915747.9A Pending CN117005860A (zh) 2023-07-25 2023-07-25 复杂地层条件与井筒结构下的气水识别方法、介质及设备

Country Status (1)

Country Link
CN (1) CN117005860A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117759150A (zh) * 2023-12-22 2024-03-26 陕西地矿九0八环境地质有限公司 一种在水质复杂区勘查找水的技术方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117759150A (zh) * 2023-12-22 2024-03-26 陕西地矿九0八环境地质有限公司 一种在水质复杂区勘查找水的技术方法

Similar Documents

Publication Publication Date Title
CN112505778B (zh) 一种页岩生储性能非均质性的三维原位表征方法
CN102041995B (zh) 复杂油藏水淹状况监测系统
US20130046524A1 (en) Method for modeling a reservoir basin
CN106842301B (zh) 一种凝灰质砂岩有利储层的定量识别与预测方法
CN104047598A (zh) 非均质古岩溶碳酸盐岩储层产能预测方法
CN113792936A (zh) 一种随钻岩性智能识别方法、系统、设备和存储介质
CN117005860A (zh) 复杂地层条件与井筒结构下的气水识别方法、介质及设备
CN117744362B (zh) 致密砂岩储层可压裂性定量评价方法、系统、设备及终端
WO2022011015A1 (en) Optimization of discrete fracture network (dfn) using streamlines and machine learning
CN114529110A (zh) 一种基于深度神经网络模型的岩相反演方法及系统
CN116168224A (zh) 基于成像砾石含量的机器学习岩相自动识别方法
CN117251802B (zh) 一种基于迁移学习的非均质储层参数预测方法及系统
CN117852416A (zh) 基于数字化地质模型的多模态注浆预控分析方法及系统
CN110988997A (zh) 一种基于机器学习的烃源岩三维空间展布定量预测技术
CN114065909A (zh) 一种基于CNN_AB_Bi-LSTM的测井曲线补全方法
CN115434696A (zh) 一种岩性识别数据库构建方法及岩性识别方法
CN116930023A (zh) 致密砂岩相控分类孔隙度测井精细解释方法和装置
CN114397711A (zh) 一种基于机器学习的非常规致密砂岩储层孔隙度预测方法
CN114153002A (zh) 储层天然裂缝三维地质建模方法、装置、电子设备及介质
CN117005846B (zh) 致密砂岩油气藏条件下电阻率测井侵入校正方法及系统
CN105528732B (zh) 一种试气井产能预测方法
Maity et al. Fracture spacing design for multistage hydraulic fracturing completions for improved productivity
CN115932968B (zh) 一种基于地震振幅比值属性的碳酸盐岩薄储层预测方法
Sun Fracture Identification and Porosity Prediction of Carbonate Reservoirs Based on Neural Network Simulation
Panesso et al. Integrated Petrophysical Characterization of Hydrocarbon Shale Unconventional Reservoirs Using a Rock Typing Approach, Case Study, Vaca Muerta Play, Neuquén Basin, Argentina

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