CN117372737A - 一种基于电成像资料的砂砾岩储层基质产能分类方法、系统、设备及存储介质 - Google Patents
一种基于电成像资料的砂砾岩储层基质产能分类方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117372737A CN117372737A CN202210763509.6A CN202210763509A CN117372737A CN 117372737 A CN117372737 A CN 117372737A CN 202210763509 A CN202210763509 A CN 202210763509A CN 117372737 A CN117372737 A CN 117372737A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- index
- matrix
- oil
- sandiness
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 title claims abstract description 44
- 238000003384 imaging method Methods 0.000 title claims abstract description 40
- 238000003860 storage Methods 0.000 title claims description 12
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 239000007788 liquid Substances 0.000 claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 241000209094 Oryza Species 0.000 claims abstract description 34
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 34
- 235000009566 rice Nutrition 0.000 claims abstract description 34
- 230000000704 physical effect Effects 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 14
- 239000011435 rock Substances 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000003921 oil Substances 0.000 claims description 48
- 239000011148 porous material Substances 0.000 claims description 16
- 239000004927 clay Substances 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000010779 crude oil Substances 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 239000004568 cement Substances 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 239000004576 sand Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于电成像资料的砂砾岩储层基质产能分类方法，包括步骤：根据砂砾岩储层基质电成像测井数据，在图像的形态学梯度的基础上通过分水岭分割算法提取砂砾岩储层中的砾石含量；根据试油资料确定出试油层段的米产液，对影响储层米产液的各种参数进行分析，优选出主控的关键参数；根据主控关键参数，构建指示储层物性的综合品质指数和指示岩性变化的砂质指数；利用米产液将试油储层划分为三类，通过建立储层综合品质指数、砂质指数和三类储层的二维坐标关系图版，得到储层综合品质指数、砂质指数的对应关系，实现砂砾岩储层基质产能分类。
Description
技术领域
本发明属于砂砾岩油气藏测井评价技术领域，具体涉及一种基于电成像资料的砂砾岩储层基质产能分类方法、系统及存储介质。
背景技术
砂砾岩储层因其内部沉积特征、构造都存在差异，导致储层的地质特征、流体性质、孔隙结构复杂多样，受多方面影响单井产液能力差异明显。产能影响因素的确定是砂砾岩储层基质产能分类评价的重点，在明确影响因素的基础上对储层产能进行分类，为砂砾岩储层的测井解释和施工投产提供重要的技术支持。
近年来，复杂岩性储层已逐渐成为勘探开发的重点，与常规砂岩储层相比，砂砾岩储层具有非均质性强、砂泥砾混杂、粘土含量高、孔隙结构复杂、物性差、测井曲线响应特征不明显等特点，各类因素同时影响着储层的产液能力。目前已有多种储层产能分类方法，其主要以常规测井曲线建模为基础，利用宏观参数和实验分析微观参数对储层产能进行分类，这些方法主要以常规测井资料和实验分析数据为基准，参数不易于提取，以定性识别为主，在孔隙度较大、非均值性弱、岩性单一的储层中有一定分类效果。随着勘探开发的不断深入，面对岩性复杂、产能影响因素多样的砂砾岩储层，以往以常规测井资料为基础、单因素评价储层产能的方法已不适用于当下油田砂砾岩储层的勘探开发。因此需要从多方面因素分析建立通用的砂砾岩储层基质产能分类方法。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于电成像资料的砂砾岩储层基质产能分类方法、系统及存储介质，以解决以常规测井资料为基础，难以准确的评价岩性复杂、产能影响因素多样的砂砾岩储层基质的产能情况问题。
为了达到上述目的，本发明采用以下技术方案予以实现：
本发明公开了一种基于电成像资料的砂砾岩储层基质产能分类方法，包括以下步骤：
1)根据砂砾岩储层基质电成像测井数据，在图像的形态学梯度的基础上通过分水岭分割算法提取砂砾岩储层中的砾石含量；
2)根据试油资料确定出试油储层的米产液，对影响储层米产液的各种参数进行分析，优选出主控的关键参数；
3)根据主控关键参数，构建指示储层物性的综合品质指数和指示岩性变化的砂质指数；
4)利用米产液将试油储层划分为三类，通过建立储层综合品质指数、砂质指数和三类储层的二维坐标关系图版，得到储层综合品质指数、砂质指数的对应关系，实现砂砾岩储层基质产能分类。
优选地，步骤1)中，根据电成像测井数据，在电成像灰度图像上通过式(1)得到图像的形态学梯度：
式中，表示图像的形态学梯度，δ(I)表示利用结构元素对图像I进行膨胀操作；ε(I)表示利用结构元素对图像I进行腐蚀操作。
优选地，步骤1)中，通过分水岭分割算法式(2)在图像梯度的基础上进行分割处理得到砂砾岩砾石个数，最终通过式(3)计算图像整体的砾石含量Vls：
式中，Vls为砾石含量，单位％，A为电成像图像处理窗口的面积；N为电成像图像处理窗口内的砾石个数；Bi为电成像图像处理窗口内第i个砾石的面积。
优选地，步骤2)中，根据试油资料通过式(4)确定出试油层段的米产液：
式中，Y为米产液，单位m3/m；V油为试油层段原油体积，单位m3；ρ油为地区原油密度，单位g/m3；ρ水为地区地层水密度，单位g/m3；V水为试油层段地层水体积，单位m3；H为试油段砂砾岩厚度，单位m。
优选地，优选出主控的关键参数为声波孔隙度、中子孔隙度、平均毛管半径、黏土含量、砾石含量、泥质含量和胶结类型。
优选地，步骤3)中，根据主控关键参数，通过式(5)构建孔隙品质因子，通过式(6)构建指示储层物性的综合品质指数J，通过式(7)构建指示岩性变化的砂质指数Z:
Z＝100-Vsh-Vls (7)
式中，a为胶结类型系数；Be为孔隙品质因子，小数；φA为声波孔隙度，单位％；φC中子孔隙度，单位％；r为平均毛管半径，单位μm，由实验分析数据计算；Vcl为黏土含量，单位％，由地区经验公式计算；Vls为砾石含量，单位％；Vsh为泥质含量，单位％，由自然伽马常规计算。
优选地，步骤4)中，利用米产液将试油储层划分为三类，日产量大于8m3/m的为一类储层，日产量在2～8m3/m的为二类储层，日产量小于2m3/m的为三类储层；
储层综合品质指数、砂质指数的对应关系为：当J>13、Z>74时为一类储层；当0.62≤J≤13、40≤Z≤74时为二类储层；当J<0.62、Z<40时为三类储层。
本发明还公开了一种基于电成像资料的砂砾岩储层基质产能分类系统，包括：
1)建立砂砾岩储层中的砾石含量模块：用于根据砂砾岩储层基质电成像测井数据，在图像的形态学梯度的基础上，通过分水岭分割算法提取砂砾岩储层中的砾石含量；
2)建立主控的关键参数模块：用于根据试油资料确定出试油储层的米产液，对影响储层米产液的各种参数进行分析，优选出主控的关键参数；
3)建立指示储层物性的综合品质指数和指示岩性变化的砂质指数模块：用于根据主控关键参数，构建指示储层物性的综合品质指数和指示岩性变化的砂质指数；
4)建立储层综合品质指数、砂质指数的对应关系模块：用于利用米产液将试油储层划分为三类，通过建立储层综合品质指数、砂质指数和三类储层的二维坐标关系图版，得到储层综合品质指数、砂质指数的对应关系，实现砂砾岩储层基质产能分类。
本发明还公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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任一项所述的分类方法。
本发明还公开了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计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的分类方法。
与现有技术相比，本发明具有以下有益效果：
本发明提供了一种基于电成像资料的砂砾岩储层基质产能分类方法，通过分析电成像资料、常规曲线及实验数据，确定储层产能敏感参数，构建指示储层岩性变化的砂质指数和指示储层物性的综合品质指数，建立砂质指数和综合物性品质指数与三类储层的二维直角坐标系图版，进而定量确定砂质指数和综合品质指数与储层产能的对应关系，对于砂砾岩储层，通过关系式，可快速、定量准确的实现砂砾岩储层基质的产能分类，解决了传统方法依靠单一影响因素评价岩性复杂、产能影响因素多样的砂砾岩储层基质产能的不准确、通用性差和定性识别的弊端，对未试油井可根据储层图版落点，提高解释评价的准确性，优化投产方案，具有更好的应用价值。
进一步地，通过式(1)得到图像的形态学梯度，梯度图像能将电成像图像中不同岩石成分的轮廓更好的突出出来，清晰的反应出图像的变化趋势。
进一步地，在图像梯度的基础上进行分割处理得到砂砾岩砾石个数，最终通过式(3)计算图像整体的砾石含量，从利用电成像资料定性识别砾石多少，到现在定量准确计算储层砾石含量，可以为储层评价提供准确参数。
进一步地，根据试油资料通过式(4)确定出试油储层段的米产液，为分析储层各类参数与实际产液情况做准备，并且由于储层大段试油会存在砂砾岩和泥岩同时存在的现象，而泥岩是非储层，所以利用砂砾岩厚度计算米产液，更能真实体现储层的产液能力。
进一步地，构建指示储层物性的综合品质指数，构建指示岩性变化的砂质指数，综合品质指数越大说明储层整体基质物性越好，砂质指数越大说明储层含砂量越高，两个指数将胶结类型、孔隙结构、岩性等方面存在差异的不同砂砾岩储层基本涵盖，定量表征了不同沉积环境下各类砂砾岩储层基质情况，最终形成储层产能综合分类方法，克服了砂砾岩储层非均质性强、孔隙结构复杂、岩性变化大等因素对储层产能干扰大而导致的产能不易判别的难题。
附图说明
图1为本发明的基于电成像资料的砂砾岩储层基质产能分类方法的流程图；
图2为本发明提取砾石含量成果图；其中，(a)为原始电成像砂砾岩储层图像，白色的为砾石，(b)为通过处理后提取的储层砾石成分展示图，黑色的为砾石；
图3为本发明储层参数与米产液能力的相关系数图；
图4为本发明砂质指数与综合品质指数的坐标图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，一种基于电成像资料的砂砾岩储层基质产能分类方法，包括以下步骤：
S101：根据砂砾岩储层基质电成像测井数据，在图像梯度的基础上通过分水岭分割算法提取砂砾岩储层中的砾石含量；
S102：根据试油资料确定出试油储层段的米产液，对影响储层米产液的各种参数进行分析，优选出主控的关键参数；
S103：根据主控关键参数，构建指示储层物性的综合品质指数和指示岩性变化的砂质指数；
S104：利用米产液将试油储层划分为三类，通过建立储层综合品质指数、砂质指数和三类储层的二维坐标关系图版，得到储层综合品质指数、砂质指数的对应关系，实现砂砾岩储层基质产能分类。
第一步：选取某一区域砂砾岩储层基质的电成像测井资料，在电成像灰度图像上通过多尺度形态学梯度变换：
式中，表示电成像图像I的形态学梯度，δ(I)表示利用结构元素对图像I进行膨胀操作；ε(I)表示利用结构元素对图像I进行腐蚀操作。
在图像梯度的基础上，通过分水岭分割算法进行分割处理，能够很好的区分电成像图像上砾石与其他矿物，将亮白色的砾石成分定量提取出来，得到电成像窗口内的砂砾岩砾石个数，参见图2，最终计算图像整体的砾石含量Vls：
式中，Vls为砾石含量，单位％，A为电成像图像处理窗口的面积；N为电成像图像处理窗口内的砾石个数；Bi为电成像图像处理窗口内第i个砾石的面积。
第二步：根据单井试油资料将储层原油产量根据区域的油水密度，转化为水的体积，结合储层产水量，计算出储层整体产液量，最终结合试油砂砾岩储层厚度计算出试油层段的米产液，从储层岩性、泥质含量、砾石含量、胶结类型、微观孔隙结构等方面入手，对影响储层米产液的各类敏感参数进行分析，参见图3，图中为各类参数与米产液的分析结果，数字代表相关系数，根据相关系数的大小，优选出声波孔隙度、中子孔隙度、平均毛管半径、黏土含量、砾石含量、泥质含量、胶结类型作为主控的关键参数：
式中，Y为米产液，单位m3/m；V油为试油层段原油体积，单位m3；ρ油为地区原油密度，单位g/m3；ρ水为地区地层水密度，单位g/m3；V水为试油层段地层水体积，单位m3；H为试油段砂砾岩厚度，单位m。
第三步：根据产能主控关键参数，通过声波基质孔隙度和中子总孔隙度这两个参数建立孔隙品质因子，代表储层基质孔发育情况；平均毛管半径代表储层孔隙结构；黏土和砾石含量代表储层孔隙发育环境；胶结类型的不同也反映储层物性好坏，最终构建一个指示储层物性的综合品质指数J。砂砾岩岩石成分主要分为，泥岩、砾石与砂岩，这三类岩性的占比也直接影响着储层产能好坏，结合泥质含量和电成像提取的砾石含量，构建一个指示岩性变化的砂质指数Z:
Z＝100-Vsh-Vls (7)
式中，a为胶结类型系数，储层泥质胶结为1.5，钙质胶结为0.5；Be为孔隙品质因子，单位小数；φA为声波孔隙度，单位％；φC中子孔隙度，单位％；为平均毛管半径，单位μm，由实验分析数据计算；Vcl为黏土含量，单位％，由地区经验公式计算；Vls为砾石含量，单位％；Vsh为泥质含量，单位％，由自然伽马常规计算。
第四步：利用米产液将试油储层划分为三类，圆形为日产量大于8m3/m的一类储层，方形为日产量2～8m3/m二类储层，菱形为日产量小于2m3/m的三类储层，建立储层综合品质指数、砂质指数和三类储层建立的二维坐标关系图版，参见图4，图中小数为米产液量，纵坐标砂质指数，代表储层的岩性变换，砂质指数越高，说明含砂量越高；横坐标综合品质指数代表储层基质物性的好坏，部分储层砂质含量高，但受孔隙结构、胶结类型的影响整体产能并不好。最终形成储层综合品质指数、砂质指数的对应关系，一类储层：J>13，Z>74；二类储层：0.62≤J≤13，40≤Z≤74；三类储层：J<0.62，Z<40，最终形成砂砾岩储层基质产能分类方法。
本发明还提供了一种基于电成像资料的砂砾岩储层基质产能分类系统，包括：
1)建立砂砾岩储层中的砾石含量模块：用于根据砂砾岩储层基质电成像测井数据，在图像的形态学梯度的基础上，通过分水岭分割算法提取砂砾岩储层中的砾石含量；
2)建立主控的关键参数模块：用于根据试油资料确定出试油储层的米产液，对影响储层米产液的各种参数进行分析，优选出主控的关键参数；
3)建立指示储层物性的综合品质指数和指示岩性变化的砂质指数模块：用于根据主控关键参数，构建指示储层物性的综合品质指数和指示岩性变化的砂质指数；
4)建立储层综合品质指数、砂质指数的对应关系模块：用于利用米产液将试油储层划分为三类，通过建立储层综合品质指数、砂质指数和三类储层的二维坐标关系图版，得到储层综合品质指数、砂质指数的对应关系，实现砂砾岩储层基质产能分类。
本申请还提供了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计算机程序，所述计算机程序被处理器执行时实现上述分类方法的步骤。其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本申请还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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分类方法的步骤。处理器可以是中央处理单元(Central Processing Unit,CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种基于电成像资料的砂砾岩储层基质产能分类方法，其特征在于，包括以下步骤：
1)根据砂砾岩储层基质电成像测井数据，在图像的形态学梯度的基础上，通过分水岭分割算法提取砂砾岩储层中的砾石含量；
2)根据试油资料确定出试油储层的米产液，对影响储层米产液的各种参数进行分析，优选出主控的关键参数；
3)根据主控关键参数，构建指示储层物性的综合品质指数和指示岩性变化的砂质指数；
4)利用米产液将试油储层划分为三类，通过建立储层综合品质指数、砂质指数和三类储层的二维坐标关系图版，得到储层综合品质指数、砂质指数的对应关系，实现砂砾岩储层基质产能分类。
2.根据权利要求1所述的基于电成像资料的砂砾岩储层基质产能分类方法，其特征在于，步骤1)中，根据电成像测井数据，通过式(1)得到图像的形态学梯度：
式中，表示图像的形态学梯度，δ(I)表示利用结构元素对图像I进行膨胀操作；ε(I)表示利用结构元素对图像I进行腐蚀操作。
3.根据权利要求1所述的基于电成像资料的砂砾岩储层基质产能分类方法，其特征在于，步骤1)中，通过分水岭分割算法式(2)在图像的形态学梯度的基础上，进行分割处理得到砂砾岩砾石个数，最终通过式(3)计算砾石含量Vls：
式中，Vls为砾石含量，单位％，A为电成像图像处理窗口的面积；N为电成像图像处理窗口内的砾石个数；Bi为电成像图像处理窗口内第i个砾石的面积。
4.根据权利要求1所述的基于电成像资料的砂砾岩储层基质产能分类方法，其特征在于，步骤2)中，根据试油资料通过式(4)确定出试油储层的米产液：
式中，Y为米产液，单位m3/m；V油为试油层段原油体积，单位m3；ρ油为地区原油密度，单位g/m3；ρ水为地区地层水密度，单位g/m3；V水为试油层段地层水体积，单位m3；H为试油段砂砾岩厚度，单位m。
5.根据权利要求1所述的基于电成像资料的砂砾岩储层基质产能分类方法，其特征在于，优选出主控的关键参数为声波孔隙度、中子孔隙度、平均毛管半径、黏土含量、砾石含量、泥质含量和胶结类型。
6.根据权利要求1所述的基于电成像资料的砂砾岩储层基质产能分类方法，其特征在于，步骤3)中，根据主控关键参数，通过式(5)构建孔隙品质因子，通过式(6)构建指示储层物性的综合品质指数J，通过式(7)构建指示岩性变化的砂质指数Z:
Z＝100-Vsh-Vls (7)
式中，a为胶结类型系数；Be为孔隙品质因子，小数；φA为声波孔隙度，单位％；φC中子孔隙度，单位％；为平均毛管半径，单位μm，由实验分析数据计算；Vcl为黏土含量，单位％，由地区经验公式计算；Vls为砾石含量，单位％；Vsh为泥质含量，单位％，由自然伽马常规计算。
7.根据权利要求1所述的基于电成像资料的砂砾岩储层基质产能分类方法，其特征在于，步骤4)中，利用米产液将试油储层划分为三类，日产量大于8m3/m的为一类储层，日产量在2～8m3/m的为二类储层，日产量小于2m3/m的为三类储层；
储层综合品质指数、砂质指数的对应关系为：当J>13、Z>74时为一类储层；当0.62≤J≤13、40≤Z≤74时为二类储层；当J<0.62、Z<40时为三类储层。
8.一种基于电成像资料的砂砾岩储层基质产能分类系统，其特征在于，包括：
1)建立砂砾岩储层中的砾石含量模块：用于根据砂砾岩储层基质电成像测井数据，在图像的形态学梯度的基础上，通过分水岭分割算法提取砂砾岩储层中的砾石含量；
2)建立主控的关键参数模块：用于根据试油资料确定出试油储层的米产液，对影响储层米产液的各种参数进行分析，优选出主控的关键参数；
3)建立指示储层物性的综合品质指数和指示岩性变化的砂质指数模块：用于根据主控关键参数，构建指示储层物性的综合品质指数和指示岩性变化的砂质指数；
4)建立储层综合品质指数、砂质指数的对应关系模块：用于利用米产液将试油储层划分为三类，通过建立储层综合品质指数、砂质指数和三类储层的二维坐标关系图版，得到储层综合品质指数、砂质指数的对应关系，实现砂砾岩储层基质产能分类。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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权利要求1至7任一项所述的分类方法。
10.一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计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的分类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210763509.6A CN117372737A (zh) | 2022-06-30 | 2022-06-30 | 一种基于电成像资料的砂砾岩储层基质产能分类方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210763509.6A CN117372737A (zh) | 2022-06-30 | 2022-06-30 | 一种基于电成像资料的砂砾岩储层基质产能分类方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117372737A true CN117372737A (zh) | 2024-01-09 |
Family
ID=89397068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210763509.6A Pending CN117372737A (zh) | 2022-06-30 | 2022-06-30 | 一种基于电成像资料的砂砾岩储层基质产能分类方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372737A (zh) |
-
2022
- 2022-06-30 CN CN202210763509.6A patent/CN117372737A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8583410B2 (en) | Method for obtaining consistent and integrated physical properties of porous media | |
| Chehrazi et al. | Pore-facies as a tool for incorporation of small-scale dynamic information in integrated reservoir studies | |
| US20230137288A1 (en) | Method for estimating fluid saturation of a rock | |
| Ramakrishnan et al. | A model-based interpretation methodology for evaluating carbonate reservoirs | |
| CN111458767A (zh) | 一种基于交汇图法快速识别岩性的方法及系统 | |
| CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
| CN115358285B (zh) | 待勘测区块关键地质参数的选取方法、装置、及设备 | |
| 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 | |
| CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
| CN109298464A (zh) | 致密砂岩储层成岩相测井识别方法及装置 | |
| CN112963145B (zh) | 一种碳酸盐岩储层气井产能的预测方法 | |
| AU2020101583A4 (en) | A Method for Shale Gas Reservoirs Exploration and its System | |
| Jamalian et al. | Toward the standardization of heterogeneity evaluation in carbonate reservoirs: a case study of the central Persian Gulf | |
| CN117372737A (zh) | 一种基于电成像资料的砂砾岩储层基质产能分类方法、系统、设备及存储介质 | |
| CN113047830B (zh) | 储层的流动单元识别方法、装置、计算机及存储介质 | |
| Feng et al. | A new method for logging identification of fluid properties in tight sandstone gas reservoirs based on gray correlation weight analysis—A case study of the Middle Jurassic Shaximiao Formation on the eastern slope of the Western Sichuan Depression, China | |
| Noufal et al. | New Borehole Image Log Based Technique for Pore System Characterization Predicts Productive Intervals in a Tight Carbonate Reservoir in Abu Dhabi | |
| Chen et al. | Multifractal estimation of NMR T2 cut-off value in low-permeability rocks considering spectrum kurtosis: SMOTE-based oversampling integrated with machine learning | |
| CN111123362A (zh) | 裂缝性砂砾岩储层品质分类方法、装置及可读存储介质 | |
| CN117665960A (zh) | 一种盆地含油气规模预测方法和模型建立方法及相关装置 | |
| Tian et al. | Relationship between normalized permeability and resistivity index in hydrate-bearing sediments: fractal model and numerical simulation | |
| Galli et al. | Smart Processing and Analysis of Image Log Data: A Digital Approach for A Robust Facies Modelling in Heterogeneous Carbonate Reservoirs | |
| Shakir et al. | Estimation of probabilistic CPT-based soil profile using an unsupervised Gaussian mixture model | |
| Japperi et al. | A New Method for Quantitative Diagenesis via Digital Rock Tools | |
| Chen et al. | Identification, characterization, and up-scaling of pore structure facies in the low permeability reservoirs: Insight into reservoir quality evaluation and sweet-spots analysis |
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 |