RU2717740C1 - Способ прогноза открытой пористости в пространстве между скважинами - Google Patents
Способ прогноза открытой пористости в пространстве между скважинами Download PDFInfo
- Publication number
- RU2717740C1 RU2717740C1 RU2019116388A RU2019116388A RU2717740C1 RU 2717740 C1 RU2717740 C1 RU 2717740C1 RU 2019116388 A RU2019116388 A RU 2019116388A RU 2019116388 A RU2019116388 A RU 2019116388A RU 2717740 C1 RU2717740 C1 RU 2717740C1
- Authority
- RU
- Russia
- Prior art keywords
- forecast
- porosity
- logging
- electromagnetic
- data
- Prior art date
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 области разведочной геофизики и может быть применено для оценки потенциала месторождений углеводородов. Сущность: по данным электромагнитного зондирования в пункте прогноза строят одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины. Интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости и электрокаротажа в имеющейся скважине, а также удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в ее окрестности. На втором этапе обучают первую искусственную нейросеть на соответствии удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования, на входе первой нейросети и данных электрокаротажа на ее выходе. С использованием обученной первой искусственной нейросети составляют прогноз электромагнитного каротажа сопротивления в точке прогноза от поверхности до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в окрестности скважины. На третьем этапе вторую искусственную нейросеть обучают на соответствии значений удельного электрического сопротивления электрокаротажа на ее входе и каротажа пористости на ее выходе. С использованием второй обученной искусственной нейросети составляют прогноз пористости в точке прогноза от поверхности до целевой глубины по значениям электромагнитного каротажа сопротивления, построенного на первом этапе. Технический результат состоит в построении прогнозного профиля пористости в заданной точке на глубинах от поверхности до целевой глубины. 2 з.п. ф-лы, 1 табл. , 6 ил.
Description
Изобретение относится к области технической физики, а именно - к разведочной геофизике, и может быть применено для уточненной оценки потенциала месторождений углеводородов и геотермальной энергии.
Известен способ определения коэффициента эффективной пористости на образцах керна (RU, патент 2483291 опубл. 27.05.2013), 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 способ прогнозирования фильтрационных свойств нижнемеловых отложений в межскважинном пространстве по данным сейсморазведки (Копилевич Е.А., Сурова Н.Д. Методика прогнозирования фильтрационно-емкостных свойств коллекторов по данным сейсморазведки. Геофизика. 2012. №1. С. 20-26) на примере Ванкорского месторождения. Методика основана на установлении регрессионной зависимости между сейсмическими атрибутами и коэффициентом пористости в пробуренных скважинах и последующем использовании нейросетевого подхода для обучения сети и прогнозирования искомой пористости по данным сейсморазведки.
Оба эти подхода имеют ряд недостатков, которые могут приводить в потере точности оценок и, как следствие, к ошибкам в определении потенциала запасов.
К недостаткам 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.
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 результатам электромагнитных зондирований на этих глубинах. В то же время, разработанный способ позволяет делать прогноз пористости только на глубины ниже забоя скважин и не позволяет ее оценивать в пространстве между скважинами.
Техническая проблема, для решения которой предназначен разработанный способ, состоит в создании прогноза пористости в пространстве между скважинами по данным каротажа пористости и электрокаротажа в пробуренных скважинах, а также результатам электромагнитного зондирования в их окрестности и в точке прогноза.
Технический результат, достигаемый при реализации разработанного способа, состоит в построении прогнозного профиля пористости в заданной точке на глубинах от поверхности до целевой глубины.
Для достижения указанного технического результата предложено использовать разработанный способ прогноза открытой пористости в пространстве между скважинами. Согласно разработанному способу на первом этапе по данным электромагнитного зондирования в пункте прогноза строят одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины; интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости и электрокаротажа в имеющейся скважине, а также удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в ее окрестности, на втором этапе обучают первую искусственную нейросеть на соответствии удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования на входе первой нейросети и данных электрокаротажа на ее выходе с использованием обученной первой искусственной нейросети, составляют прогноз электромагнитного каротажа сопротивления в точке прогноза от поверхности до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в окрестности скважины, на третьем этапе вторую искусственную нейросеть обучают на соответствии значений удельного электрического сопротивления электрокаротажа на ее входе и каротажа пористости на ее выходе с использованием второй обученной искусственной нейросети составляют прогноз пористости в точке прогноза от поверхности до целевой глубины по значениям электромагнитного каротажа сопротивления, построенного на первом этапе.
При реализации разработанного способа используют данные магнитотеллурического зондировании или данные электромагнитного зондирования, полученные методом переходных процессов.
Техническая проблема решена с использованием нейросетевого алгоритма построения прогнозного профиля пористости в заданном пункте между скважинами по данным геофизического исследования скважин и результатам одномерной инверсии данных электромагнитного зондирования в их окрестности и точке прогноза.
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: RMT - результаты одномерной инверсии магнитотеллурических данных в окрестности скважины; Rw - электрокаротаж; 
- электромагнитный каротаж сопротивления, на фиг. 4 - зависимость удельного электрического сопротивления от глубины в скважине 2: RMT - результаты одномерной инверсии магнитотеллурических данных в окрестности скважины; Rw - электрокаротаж; 
- электромагнитный каротаж сопротивления, на фиг. 5 - прогноз пористости (ϕ) в месте расположения скважины 1 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (RMT); 2 - прогноз только по результатам инверсии магнитотеллурических данных (RMT) с использованием формулы Арчи; 3 - прогноз по предлагаемому алгоритму; 4 - прогноз по данным электромагнитного каротажа 
с использованием формулы Арчи; 5 - прогноз по данным электрокаротажа (Rw); на фиг. 6 - прогноз пористости (ϕ) в месте расположения скважины 1 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (RMT); 2 - прогноз только по результатам инверсии магнитотеллурических данных (RMT) с использованием формулы Арчи; 3 - прогноз по предлагаемому алгоритму; 4 - прогноз по данным электромагнитного каротажа сопротивления с использованием формулы Арчи; 5 - прогноз по данным электрокаротажа (Rw)
В Табл. 1 приведены относительные ошибки (в %) прогноза пористости (ϕ) в местах расположения скважин 1 и 2 (в %) в зависимости от способа расчета.
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. Вильямс», 2006. - 1104 с.)
Разработанный способ реализуют следующим образом.
1. По данным электромагнитных (в частности, магнитотеллурических) зондирований в ближайшей окрестности пробуренной скважины строится одномерный профиль удельного электрического сопротивления (УЭС) до заданной прогнозной глубины (методы одномерной инверсии электромагнитных 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 RMT(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 электромагнитного каротажа сопротивления 
в точке прогноза от поверхности до целевой глубины Zцели (на входе - z и RMT (z), на выходе - 
(z)).
5. Вторая искусственная нейросеть (ИНС-2) обучается на соответствии глубин z и соответствующих УЭС электрокаротажа Rw. (z) в пробуренной скважине (на входе) и каротажа пористости ϕ(z) (на выходе).
6. С помощью обученной ИНС-2 делается прогноз пористости в точке прогноза от поверхности до целевой глубины Zцели (на входе z, 
(z), на выходе ϕ(z)).
На Фиг. 5-6 и в Таблице 1 приведены результаты прогноза пористости в местах расположения скважин 1 и 2. Для тестирования алгоритма прогноз выполнялся по данным одной скважины в месте расположения другой и наоборот, а результаты сравнивались с исходными кривыми пористости во второй скважине. При этом прогноз по предложенному алгоритму (способ 3) дополнительно сравнивался со способами прогноза по данным электрического сопротивления, полученного по результатам электромагнитного зондирования в окрестности скважины (способ 1); электрического каротажа в самой скважине (способ 5), а также 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) к данным электрического сопротивления, полученному способами 1 и 5 (способами 2 и 4, соответственно).
Полученные результаты моделирования прогноза пористости позволяют заключить, что предварительный прогноз электрокаротажа в целевой точке ("псевдоэлектрокаротаж сопротивления") позволяет существенно повысить точность прогноза пористости по сравнению со всеми другими способами.
Claims (3)
1. Способ прогноза открытой пористости в пространстве между скважинами, отличающийся тем, что на первом этапе по данным электромагнитного зондирования в пункте прогноза строят одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины, интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости и электрокаротажа в имеющейся скважине, а также удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в ее окрестности, на втором этапе обучают первую искусственную нейросеть на соответствии удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования на входе первой нейросети и данных электрокаротажа на ее выходе, с использованием обученной первой искусственной нейросети составляют прогноз электромагнитного каротажа сопротивления в точке прогноза от поверхности до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных электромагнитного зондирования в окрестности скважины, на третьем этапе вторую искусственную нейросеть обучают на соответствии значений удельного электрического сопротивления электрокаротажа на ее входе и каротажа пористости на ее выходе, с использованием второй обученной искусственной нейросети составляют прогноз пористости в точке прогноза от поверхности до целевой глубины по значениям электромагнитного каротажа сопротивления, построенного на первом этапе.
2. Способ по п. 1, отличающийся тем, что используют данные магнитотеллурического зондирования.
3. Способ по п. 1, отличающийся тем, что используют данные электромагнитного зондирования, полученные методом переходных процессов.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019116388A RU2717740C1 (ru) | 2019-05-28 | 2019-05-28 | Способ прогноза открытой пористости в пространстве между скважинами |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019116388A RU2717740C1 (ru) | 2019-05-28 | 2019-05-28 | Способ прогноза открытой пористости в пространстве между скважинами |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2717740C1 true RU2717740C1 (ru) | 2020-03-25 |
Family
ID=69943255
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019116388A RU2717740C1 (ru) | 2019-05-28 | 2019-05-28 | Способ прогноза открытой пористости в пространстве между скважинами |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2717740C1 (ru) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589363A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
| CN114109352A (zh) * | 2021-06-17 | 2022-03-01 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
| CN116859478A (zh) * | 2023-09-05 | 2023-10-10 | 中国地质大学（武汉） | 一种基于瞬变电磁法成像的地下水模拟方法及系统 |
Citations (5)
| 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 |
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| RU2159849C2 (ru) * | 1998-12-08 | 2000-11-27 | Общество с ограниченной ответственностью "Уфимский научно-исследовательский и проектно-инженерный центр "Нефтегаз-2" | Способ оценки проницаемости пород и дебитов нефтегазовых скважин |
| 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 |
-
2019
- 2019-05-28 RU RU2019116388A patent/RU2717740C1/ru active
Patent Citations (5)
| 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 |
| US5251286A (en) * | 1992-03-16 | 1993-10-05 | Texaco, Inc. | Method for estimating formation permeability from wireline logs using neural networks |
| RU2159849C2 (ru) * | 1998-12-08 | 2000-11-27 | Общество с ограниченной ответственностью "Уфимский научно-исследовательский и проектно-инженерный центр "Нефтегаз-2" | Способ оценки проницаемости пород и дебитов нефтегазовых скважин |
| 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 (3)
| Title |
|---|
| Н.И. МАСТЕПАНОВ и др. Пространственный прогноз ФЕС по данным электромагнитных зондирований и ГИС, Сфера. Нефть и газ. 2018, N 2(64), с.14-18. * |
| 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. 43-48. * |
| 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. 43-48. Н.И. МАСТЕПАНОВ и др. Пространственный прогноз ФЕС по данным электромагнитных зондирований и ГИС, Сфера. Нефть и газ. 2018, N 2(64), с.14-18. * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589363A (zh) * | 2020-04-30 | 2021-11-02 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
| CN113589363B (zh) * | 2020-04-30 | 2024-03-19 | 中国石油化工股份有限公司 | 融合人工神经网络与地质统计学的油气预测新方法 |
| CN114109352A (zh) * | 2021-06-17 | 2022-03-01 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
| CN114109352B (zh) * | 2021-06-17 | 2023-11-10 | 中国海洋石油集团有限公司 | 一种基于曲线相似度预测孔隙度的方法 |
| CN116859478A (zh) * | 2023-09-05 | 2023-10-10 | 中国地质大学（武汉） | 一种基于瞬变电磁法成像的地下水模拟方法及系统 |
| CN116859478B (zh) * | 2023-09-05 | 2023-11-28 | 中国地质大学（武汉） | 一种基于瞬变电磁法成像的地下水模拟方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2717740C1 (ru) | Способ прогноза открытой пористости в пространстве между скважинами | |
| CN109753755B (zh) | 一种确定储层含水饱和度的方法 | |
| US8515721B2 (en) | Method for integrated inversion determination of rock and fluid properties of earth formations | |
| CN1811413B (zh) | 评估地质层中流体饱和度特性的方法 | |
| BRPI1001536A2 (pt) | mÉtodo para determinar permeabilidades eficazes de formaÇÕes terrestres | |
| Cardiff et al. | Information content of slug tests for estimating hydraulic properties in realistic, high-conductivity aquifer scenarios | |
| Alpak et al. | Simplified modeling of turbidite channel reservoirs | |
| CN109117505A (zh) | 一种基于介电实验的孔隙结构储层冲洗带含水饱和度计算方法 | |
| CN106154343A (zh) | 计算致密油储层的含油饱和度的方法 | |
| Nielsen et al. | Comparison of transmissivities from MRS and pumping tests in Denmark | |
| Feng et al. | Accurate determination of water saturation in tight sandstone gas reservoirs based on optimized Gaussian process regression | |
| Akhmetov et al. | Range of application of the Brooks-Corey model for approximation of capillary curves in reservoirs of Western Siberia | |
| US11703612B2 (en) | Methods and systems for characterizing a hydrocarbon-bearing rock formation using electromagnetic measurements | |
| 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 | |
| RU2696669C1 (ru) | Способ прогноза открытой пористости на глубины ниже забоя скважин | |
| RU2700836C1 (ru) | Способ прогноза насыщения коллекторов на основе комплексного анализа данных СРР, 3СБ, ГИС | |
| 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 | |
| Deng et al. | A new index used to characterize the near-wellbore fracture network in naturally fractured gas reservoirs | |
| RU2717685C1 (ru) | Способ прогноза температуры на глубинах ниже забоя скважин | |
| CN111236934B (zh) | 水淹级别确定方法和装置 | |
| RU2736446C2 (ru) | Способ электрического мониторинга характеристик пласт-коллектора при разработке залежей нефти с использованием закачки пара | |
| Ma et al. | Hydrofacies simulation based on transition probability geostatistics using electrical resistivity tomography and borehole data | |
| CN107290791A (zh) | 一种可变介质孔中雷达试验装置 | |
| Duchkov et al. | The study of the relationship between thermal conductivity and porosity, permeability, humidity of sedimentary rocks of the West Siberian Plate |