RU2696669C1 - Способ прогноза открытой пористости на глубины ниже забоя скважин - Google Patents

Способ прогноза открытой пористости на глубины ниже забоя скважин Download PDF

Info

Publication number
RU2696669C1
RU2696669C1 RU2018129671A RU2018129671A RU2696669C1 RU 2696669 C1 RU2696669 C1 RU 2696669C1 RU 2018129671 A RU2018129671 A RU 2018129671A RU 2018129671 A RU2018129671 A RU 2018129671A RU 2696669 C1 RU2696669 C1 RU 2696669C1
Authority
RU
Russia
Prior art keywords
depth
depths
data
logging
porosity
Prior art date
Application number
RU2018129671A
Other languages
English (en)
Inventor
Вячеслав Валентинович Спичак
Ольга Константиновна Захарова
Original Assignee
Федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук
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 Федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук filed Critical Федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук
Priority to RU2018129671A priority Critical patent/RU2696669C1/ru
Application granted granted Critical
Publication of RU2696669C1 publication Critical patent/RU2696669C1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Geophysics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

Изобретение относится к разведочной геофизике и может быть применено при поиске и определении перспективности залежи углеводородов. Сущность: строят по данным магнитотеллурического зондирования в ближайшей окрестности скважины одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины. Интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости, электрокаротажа и удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования. Обучают первую искусственную нейросеть на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, на входе и данных электрокаротажа на выходе. С использованием первой обученной искусственной нейросети делают прогноз псевдо-элетрокаротажа от глубины забоя до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования на этих глубинах. Вторую искусственную нейросеть обучают на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления электрокаротажа на входе и каротажа пористости на выходе. С использованием второй обученной искусственной нейросети делают прогноз пористости на глубинах от глубины забоя до целевой глубины по значениям псевдо-электрокаротажа на этих глубинах. Технический результат: возможность построения прогнозного профиля пористости на глубинах от забоя скважины до целевой глубины. 1 табл., 6 ил.

Description

Изобретение относится к области технической физики, а именно - к разведочной геофизике, и может быть применено при поиске и определении перспективности залежи углеводородов.
Известен (RU, патент 2483291 опубл. 27.05.2013) способ определения коэффициента эффективной пористости на образцах керна, включающий высушивание образца до постоянной массы, насыщение под вакуумом моделью пластовой воды, создание в образце остаточной водонасыщенности путем вытеснения воды вытесняющим флюидом (воздухом, газом, керосином, моделью нефти) до прекращения выхода воды за счет центрифугирования при максимальных оборотах или за счет создания максимального давления в капилляриметре с полупроницаемой мембраной, причем используют для измерений образец после экстракции растворителями или после экстракции неагрессивным агентом или промытый неэкстрагированный образец, полностью насыщенный моделью пластовой воды образец взвешивают в модели пластовой воды и в вытесняющем флюиде, после создания остаточной водонасыщенности образец взвешивают в вытесняющем флюиде и определяют коэффициент эффективной пористости по соотношению разницы веса образца, полностью насыщенного моделью пластовой воды в вытесняющем флюиде, и веса образца, насыщенного вытесняющим флюидом и остаточной водой, к разнице веса полностью насыщенного образца в вытесняющем флюиде и веса полностью насыщенного образца в пластовой воде.
Известен также (Копилевич Е.А., Сурова Н.Д. Методика прогнозирования фильтрационно-емкостных свойств коллекторов по данным сейсморазведки. Геофизика. 2012. №1. С. 20-26) способ прогнозирования фильтрационных свойств нижнемеловых отложений в межскважинном пространстве по данным сейсморазведки на примере Ванкорского месторождения. Методика представляет собой адаптацию универсальной инновационной технологии комплексного спектрально-скоростного прогнозирования типов геологического разреза и фильтрационно-емкостных свойств коллекторов для конкретных сейсмогеологических условий Болышехетского вала. Применение методики позволило впервые в практике сейсморазведочных работ построить куб коэффициента проницаемости, точность прогноза которого определена путем прямого сопоставления прогнозных и фактических значений коэффициента проницаемости по данным последующего бурения.
Оба эти подхода имеют ряд недостатков, которые могут приводить в потере точности оценок и, как следствие, к ошибкам в определении потенциала запасов.
К недостакам первого подхода относится то, что при этом оценка пористости производится только по глубине самой скважины и, следовательно, сама по себе не может быть использована для ее надежного прогноза вне скважин.
К недостаткам второго подхода следует отнести то, что, во-первых, результаты сейсмотомографии усреднены по объему и, в целом, имеют плохое разрешение по вертикали, во-вторых, точность оценок резко падает, если разрез имеет сложную геометрию, в-третьих, использование сейсмических атрибутов, максимально коррелирующих с немногочисленными скважинными данными по пористости, может приводить к ошибкам прогноза в других геолого-геофизических условиях вне скважин, наконец, речь идет только об интерполяции значений пористости на межскважинное пространство, а не о прогнозе на глубину.
Между тем, прогноз тенденций поведения фильтрационно-емкостных свойств пород на глубинах ниже забоя во время бурения разведочных скважин позволил бы вовремя корректировать стратегию бурения, что, в свою очередь, повысило бы эффективность геологоразведочных работ при поиске углеводородов, а также резервуаров геотермальной энергии (Spichak V.V. A new strategy for geothermal exploration drilling based on using of an electromagnetic sounding data // Expanded Abstr. Int. Workshop on High Entalphy Geothermal Systems. San-Bernardino, California. 2013, Spichak V.V. Reduce geothermal exploration drilling costs: pourquoi pas?! // Expanded Abstr. D-GEO-D Conference, Paris, France. 2014).
Наиболее близким аналогом разработанного технического решения можно признать (Спичак В.В. и Захарова О.К. Прогноз пористости на глубину ниже забоя скважин по данным электромагнитных зондирований и электрокаротажа. Физика Земли, 2015, №6, с. 57-63), где исследовали принципиальную возможность прогноза коэффициента открытой пористости на глубины ниже забоя скважин по данным электрокаротажа и результатов инверсии магнитотеллурических данных в районе Сульц-су-Форе (Франция).
Было показано, что применение нейросетевого подхода теоретически позволяет делать достаточно точный прогноз пористости на глубинах, превосходящих глубину скважин, по значениям удельного сопротивления электрокаротажа на этих глубинах (относительная ошибка при прогнозе на удвоенную глубину составляла бы, в среднем, 3-5%).
Но поскольку на практике данные каротажа ниже забоя скважины отсутствуют, то прогноз пористости на этих глубинах было предложено делать по значениям удельного сопротивления, определенным с помощью инверсии данных магнитотеллурического зондирования в окрестности скважины. Относительная ошибка такого прогноза возрастает и составляет, в среднем, 10%.
Эти результаты легли в основу нового способа прогноза пористости, сочетающего точность прогноза по данным электрокаротажа и глубинность по данным наземных электромагнитных зондирований.
Техническая проблема, для решения которой предназначен разработанный способ, состоит в создании прогноза пористости ниже забоя скважины по данным каротажа пористости и электрокаротажа в самой скважине, а также результатам магнитотеллурического зондирования в ее окрестности.
Технический результат, достигаемый при реализации разработанного способа, состоит в построении прогнозного профиля пористости на глубинах от забоя скважины до целевой глубины.
Для достижения указанного технического результата предложено использовать разработанный способ прогноза открытой пористости на глубины ниже забоя скважин. Согласно разработанному способу строят по данным, по меньшей мере, одного магнитотеллурического зондирования в ближайшей окрестности скважины одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины, интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости, электрокаротажа и удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, обучают первую искусственную нейросеть на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, на входе и данных электрокаротажа на выходе, с использованием первой обученной искусственной нейросети делают прогноз псевдо-элетрокаротажа от глубины забоя до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования на этих глубинах, вторую искусственную нейросеть обучают на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления электрокаротажа на входе и каротажа пористости на выходе, с использованием второй обученной искусственной нейросети делают прогноз пористости на глубинах от глубины забоя до целевой глубины по значениям псевдо-электрокаротажа на этих глубинах.
Техническая проблема решена с использованием нейросетевого алгоритма построения прогнозного профиля пористости на глубинах ниже забоя скважин по данным геофизического исследования скважин и результатам одномерной инверсии данных магнитотеллурического зондирования в их окрестности.
В дальнейшем сущность разработанного способа будет раскрыта на примере двух сважин, пробуренных на разных участках Бишкекского геодинамического полигона, с использованием графического материала, где на фиг. 1 приведены данные пористости для скважины 1, измеренные на кернах (ломаная линия), и синтезированные путем их аппроксимации (жирная линия), на фиг. 2 - данные пористости для скважины 2, измеренные на кернах (ломаная линия) и синтезированные путем их аппроксимации (жирная линия), на фиг. 3 - зависимость удельного электрического сопротивления от глубины в скважине 1: RMТ - результаты одномерной инверсии магнитотеллурических данных в окрестности скважины, Rw - электрокаротаж,
Figure 00000001
- псевдо-электрокаротаж, на фиг. 4 - зависимость удельного электрического сопротивления от глубины в скважине 2: RМТ _ результаты одномерной инверсии магнитотеллурических данных в окрестности скважины, Rw - электрокаротаж,
Figure 00000002
- псевдо-электрокаротаж, на фиг. 5 - прогноз пористости (ϕ) для нижней половины скважины 1 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (RМТ), 2 - прогноз только по результатам инверсии магнитотеллурических данных (RМТ) с использованием формулы Арчи, 3 - прогноз по предлагаемому алгоритму, 4 - прогноз только по данным электрокаротажа (Rw) с использованием формулы Арчи, на фиг. 6 - прогноз пористости (ϕ) для нижней половины скважины 2 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (RМТ), 2 - прогноз только по результатам инверсии магнитотеллурических данных (RМТ) с использованием формулы Арчи, 3 - прогноз по предлагаемому алгоритму, 4 - прогноз только по данным электрокаротажа (Rw) с использованием формулы Арчи.
В Табл. 1 приведены относительные ошибки (ε) прогноза пористости (ϕ) в % в зависимости от способа рассчета.
Figure 00000003
Figure 00000004
Поставленная проблема решена с использованием алгоритма, основанного на использовании искусственных нейросетей "с учителем" (Хайкин С. Нейронные сети. 2-е изд., испр.: Пер. с англ. -М.: ООО «И.Д. Вильяме», 2006. - 1104 с.).
Разработанный способ реализуют следующим образом.
1. По данным магнитотеллурических зондирований (минимум одного) в ближайшей окрестности скважины строится одномерный профиль удельного электрического сопротивления (УЭС) до заданной прогнозной глубины (методы одномерной инверсии магнитотеллурических данных см. в (Жданов М.С. Теория обратных задач и регуляризации в геофизике. М.: Наука. 1992. - 710 с.)).
2. Данные каротажа пористости ϕ (z) (Фиг. 1-2), электрокаротажа Rw(z) и удельного электрического сопротивления RМТ(z) (Фиг. 3-4) предварительно интерполируются на одну и ту же сетку до глубины забоя (Zзабоя).
3. Искусственная нейросеть (ИНС-1) обучается на соответствии глубин z (< Zзабоя) и соответствующих УЭС RMT.(z) (на входе) и данных электрокаротажа Rw (z) (на выходе).
4. С помощью обученной ИНС-1 делается прогноз "псевдо-элетрокаротажа"
Figure 00000005
от глубины забоя Zзабоя до целевой глубины Zцели (на входе - z и RMT (z), на выходе -
Figure 00000006
(z)).
5. Вторая искусственная нейросеть (ИНС-2) обучается на соответствии глубин z (<Zзабоя) и соответствующих УЭС электрокаротажа Rw. (z) (на входе) и каротажа пористости ϕ(z) (на выходе).
6. С помощью обученной ИНС-2 делается прогноз пористости на глубинах от Zзабоя до Zцели (на входе z,
Figure 00000007
(z), на выходе ϕ (z)).
На Фиг. 5-6 и в Таблице 1 приведены результаты прогноза пористости для этих двух скважин. Для тестирования прогноз делали на нижние половины скважин, а результаты сравнивали с истинными кривыми. При этом прогноз по предложенному алгоритму (способ 3) дополнительно сравнивали со способами прогноза без использования электрокаротажа (1 и 2) и с применением формулы Арчи (Archie G.E. The electrical resistivity log as an aid in determining some reservoir characteristics // Amer. Inst. Mining Metall. Eng. Trans. 1942. V. 146. P. 54-62) (способы 2 и 4).
Полученные результаты моделирования прогноза пористости на глубины ниже забоя скважин позволяют заключить, что предварительный прогноз электрокаротажа на глубины ниже забоя ("псевдо-каротаж") позволяет в несколько раз повысить точность прогноза пористости по сравнению со всеми другими способами (согласно Таблице 1 соответствующие относительные ошибки уменьшаются, минимум, в 4 раза).

Claims (1)

  1. Способ прогноза открытой пористости на глубины ниже забоя скважин, отличающийся тем, что строят по данным, по меньшей мере, одного магнитотеллурического зондирования в ближайшей окрестности скважины одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины, интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости, электрокаротажа и удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, обучают первую искусственную нейросеть на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, на входе и данных электрокаротажа на выходе, с использованием первой обученной искусственной нейросети делают прогноз псевдо-элетрокаротажа от глубины забоя до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования на этих глубинах, вторую искусственную нейросеть обучают на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления электрокаротажа на входе и каротажа пористости на выходе, с использованием второй обученной искусственной нейросети делают прогноз пористости на глубинах от глубины забоя до целевой глубины по значениям псевдо-электрокаротажа на этих глубинах.
RU2018129671A 2018-08-15 2018-08-15 Способ прогноза открытой пористости на глубины ниже забоя скважин RU2696669C1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2018129671A RU2696669C1 (ru) 2018-08-15 2018-08-15 Способ прогноза открытой пористости на глубины ниже забоя скважин

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2018129671A RU2696669C1 (ru) 2018-08-15 2018-08-15 Способ прогноза открытой пористости на глубины ниже забоя скважин

Publications (1)

Publication Number Publication Date
RU2696669C1 true RU2696669C1 (ru) 2019-08-05

Family

ID=67586601

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018129671A RU2696669C1 (ru) 2018-08-15 2018-08-15 Способ прогноза открытой пористости на глубины ниже забоя скважин

Country Status (1)

Country Link
RU (1) RU2696669C1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2774819C1 (ru) * 2021-10-15 2022-06-23 Акционерное общество "Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья" Способ определения удельного электрического сопротивления терригенных нефтяных коллекторов по данным электрокаротажа субвертикальных скважин с использованием искусственных нейронных сетей

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1226221A1 (ru) * 1984-11-14 1986-04-23 Южное Отделение Всесоюзного Научно-Исследовательского Института Геофизических Методов Разведки Способ изучени разрезов скважин
SU1795095A1 (en) * 1990-05-28 1993-02-15 Yurochko Aleksandr Method to determine coefficients of open porosity and oil and gas saturation of pay bed
CA2218209A1 (en) * 1996-10-23 1998-04-23 Lanny L. Dunham Method for determining resistivity derived porosity and porosity derived resistivity
RU2483291C1 (ru) * 2011-11-07 2013-05-27 Учреждение Российской академии наук Институт проблем нефти и газа РАН Способ определения коэффициента эффективной пористости на образцах керна

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1226221A1 (ru) * 1984-11-14 1986-04-23 Южное Отделение Всесоюзного Научно-Исследовательского Института Геофизических Методов Разведки Способ изучени разрезов скважин
SU1795095A1 (en) * 1990-05-28 1993-02-15 Yurochko Aleksandr Method to determine coefficients of open porosity and oil and gas saturation of pay bed
CA2218209A1 (en) * 1996-10-23 1998-04-23 Lanny L. Dunham Method for determining resistivity derived porosity and porosity derived resistivity
RU2483291C1 (ru) * 2011-11-07 2013-05-27 Учреждение Российской академии наук Институт проблем нефти и газа РАН Способ определения коэффициента эффективной пористости на образцах керна

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
СПИЧАК В.В., ЗАХАРОВА О.К., Прогноз пористости на глубину ниже забоя скважин по данным электромагнитных зондирований и электрокаротажа, Физика Земли, 2015, N 6, с. 57-63. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2774819C1 (ru) * 2021-10-15 2022-06-23 Акционерное общество "Сибирский научно-исследовательский институт геологии, геофизики и минерального сырья" Способ определения удельного электрического сопротивления терригенных нефтяных коллекторов по данным электрокаротажа субвертикальных скважин с использованием искусственных нейронных сетей

Similar Documents

Publication Publication Date Title
US8688425B2 (en) Transport property data calculated from derivative seismic rock property data for transport modeling
RU2717740C1 (ru) Способ прогноза открытой пористости в пространстве между скважинами
BRPI1001536A2 (pt) mÉtodo para determinar permeabilidades eficazes de formaÇÕes terrestres
Landa et al. Reservoir characterization constrained to well-test data: a field example
Cardiff et al. Information content of slug tests for estimating hydraulic properties in realistic, high-conductivity aquifer scenarios
CN109138975A (zh) 一种基于时移测井数据的求解相渗特征曲线的新方法
Feng et al. Accurate determination of water saturation in tight sandstone gas reservoirs based on optimized Gaussian process regression
Labourdette et al. Three-dimensional modelling of stacked turbidite channels inWest Africa: impact on dynamic reservoir simulations
Pan et al. Integration of pressure-transient data in Modeling Tengiz Field, Kazakhstan—A new way to characterize fractured reservoirs
Kuchuk et al. Estimating permeability distribution from 3D interval pressure transient tests
CN107526117B (zh) 基于自动编码和超限学习联合网络的声波速度预测方法
RU2700836C1 (ru) Способ прогноза насыщения коллекторов на основе комплексного анализа данных СРР, 3СБ, ГИС
RU2696669C1 (ru) Способ прогноза открытой пористости на глубины ниже забоя скважин
Abdelaal et al. Empirical correlation for formation resistivity prediction using machine learning
CN109655394B (zh) 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法
Al-Bulushi et al. Predicting water saturation using artificial neural networks (ANNS)
Alpak et al. A multiplicative regularized Gauss-Newton algorithm and its application to the joint inversion of induction logging and near-borehole pressure measurements
Cheng et al. Statistical analysis of aquifer hydraulic properties by a continuous pumping tomography test: Application to the Boise Hydrogeophysical Research Site
US11703612B2 (en) Methods and systems for characterizing a hydrocarbon-bearing rock formation using electromagnetic measurements
Szabó et al. Cluster analysis assisted float-encoded genetic algorithm for a more automated characterization of hydrocarbon reservoirs
RU2717685C1 (ru) Способ прогноза температуры на глубинах ниже забоя скважин
RU2736446C2 (ru) Способ электрического мониторинга характеристик пласт-коллектора при разработке залежей нефти с использованием закачки пара
Saliés Study on the feasibility of using electromagnetic methods for fracture diagnostics
Archer Heterogeneity of permeability in oil reservoirs
Hou et al. Estimation of reservoir porosity using probabilistic neural network and seismic attributes

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20200816