RU2774819C1 - Способ определения удельного электрического сопротивления терригенных нефтяных коллекторов по данным электрокаротажа субвертикальных скважин с использованием искусственных нейронных сетей - Google Patents
Способ определения удельного электрического сопротивления терригенных нефтяных коллекторов по данным электрокаротажа субвертикальных скважин с использованием искусственных нейронных сетей Download PDFInfo
- Publication number
- RU2774819C1 RU2774819C1 RU2021130228A RU2021130228A RU2774819C1 RU 2774819 C1 RU2774819 C1 RU 2774819C1 RU 2021130228 A RU2021130228 A RU 2021130228A RU 2021130228 A RU2021130228 A RU 2021130228A RU 2774819 C1 RU2774819 C1 RU 2774819C1
- Authority
- RU
- Russia
- Prior art keywords
- model
- data
- logging
- electric logging
- geoelectric
- Prior art date
Links
- 230000001537 neural Effects 0.000 title claims abstract description 25
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 21
- 239000011435 rock Substances 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 9
- 238000005755 formation reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000875 corresponding Effects 0.000 claims description 5
- 230000001131 transforming Effects 0.000 claims description 4
- 230000001965 increased Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 12
- 230000035515 penetration Effects 0.000 description 4
- 239000004927 clay Substances 0.000 description 2
- 229910052570 clay Inorganic materials 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 102100002078 DACH1 Human genes 0.000 description 1
- 101700026669 DACH1 Proteins 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- SSJXIUAHEKJCMH-UHFFFAOYSA-N cyclohexane-1,2-diamine Chemical compound NC1CCCCC1N SSJXIUAHEKJCMH-UHFFFAOYSA-N 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000706 filtrate Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000008398 formation water Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Abstract
Изобретение относится к области скважинной электрометрии и может быть использовано для поиска пропущенных нефтесодержащих пластов по данным электрокаротажа субвертикальных и слабонаклонных скважин. Технический результат: повышение достоверности результатов интерпретации данных электрокаротажа, измеренных на интервалах терригенных отложений, содержащих пласты-коллекторы, в том числе малой толщины, и улучшение на этой основе качества прогноза нефтесодержания. Сущность: определение удельного электрического сопротивления среды толщи горных пород проводят поэтапно. На первом этапе строят начальное приближение модели околоскважинного пространства с применением нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования. На втором этапе полученную модель околоскважинного пространства уточняют путем численной инверсии набора данных электрокаротажа с применением нейросетевых алгоритмов моделирования. 7 ил.
Description
Изобретение относится к области скважинной электрометрии и может быть использовано для поиска пропущенных нефтесодержащих пластов путем построения геоэлектрических моделей околоскважинного пространства с определением удельного электрического сопротивления (УЭС) терригенных нефтяных коллекторов, в том числе малой толщины (менее 1.5 метров), по данным электрокаротажа субвертикальных и слабонаклонных скважин.
Одной из проблем при изучении электрофизических свойств терригенных нефтяных коллекторов малой толщины является необходимость учета влияния вмещающих их пород на сигналы электрокаротажа, так как оно искажает измерения напротив целевого пласта, не позволяя в рамках традиционных методик интерпретации достоверно оценить его УЭС - свойство, используемое для оценки нефтесодержания. Недостоверные оценки нефтенасыщения приводят к пропуску части потенциально нефтеперспективных пластов.
Традиционно для определения УЭС пласта используют палетки или автоматизированную инверсию данных в рамках одномерной радиально-слоистой модели околоскважинного пространства (см. Эпов М.И., Никитенко М.Н. Система одномерной интерпретации данных высокочастотных индукционных каротажных зондирований // Геология и геофизика. - 1993. - №2. - С. 124-130). Такой способ интерпретации данных электрокаротажа основаны на предположении о том, что каждое измерение проведено напротив пласта бесконечной толщины, то есть не подвержено влиянию вмещающих пород. Данное техническое решение хотя и решает задачу определения УЭС пластов-коллекторов, но только в случае их большой толщины, когда влиянием вмещающих пород можно пренебречь, в результате чего не обеспечивается точность определения УЭС пластов малой толщины.
Известен способ определения УЭС нефтяных коллекторов с учетом влияния вмещающих пород путем коррекции сигналов электрокаротажа по палеткам (см. Дахнов В.Я., Нейман Е.Л. Палетки ПКМ - МНИ для определения УЭС пластов конечной толщины высокого сопротивления // М: Гостоптехиздат, 1958), однако такая интерпретация данных выполняется в предположении о том, что пласт конечной толщины находится в однородных изотропных вмещающих породах, что не позволяет применить способ для определения УЭС отложений на интервалах с переслаиванием пластов малой толщины.
Точное определение УЭС коллектора обеспечивают подбором двумерной геоэлектрической модели пачки пластов, формирующих отклик электрокаротажных зондов на интервале профиля измерений. В рамках решения обратной задачи в такой постановке моделирование сигналов электрокаротажа проводят конечно-разностными или конечно-элементными численными алгоритмами двумерного моделирования, (см. Кнеллер Л.Е., Потапов А.П. Определение УЭС пластов при радиальной и вертикальной неоднородности разреза скважин // Геофизика. - 2010. - №1. - С. 52-64; Ulugergerli E.U. Two-dimensional combined inversion of short- and long- normal DC resistivity well log data // Journal of Applied Geophysics. - 2011. - Vol.73. - P. 130-138). Однако применение реализующих двумерный подход программных средств осложняется значительной ресурсоемкостью алгоритмов моделирования сигналов. Большие временные затраты не позволяют полноценно применять эти алгоритмы при решении практических задач.
Обеспечение достаточной скорости построения геоэлектрических моделей околоскважинного пространства при обработке данных электрокаротажа возможно за счет применения способа на основе линеаризации (см. Глинских В.Н., Никитенко М.Н., Эпов МИ. Линеаризованные решения прямых и обратных двумерных задач высокочастотного электромагнитного каротажа в проводящих средах с учетом токов смещения // Геология и геофизика. - 2013. - Т. 54. - №12. - С. 1942-1951). Однако такой способ не обеспечивает необходимой точности расчета сигналов в детальных моделях контрастных по электрофизическим свойствам отложений.
Еще одним способом повышения производительности решения обратной задачи электрокаротажа является применение методов машинного обучения для моделирования сигналов. Известны способы расчета сигналов электрокаротажных зондов в одномерных моделях околоскважинного пространства с применением искусственных нейронных сетей (ИНС) (см. Агбаш И.А., Соболев А.Ю. Построение быстрых аналогов прямых и обратных задач бокового электрического зондирования скважин с использованием технологии нейронных сетей // XII Международный научный конгресс ГЕО-Сибирь-2016. Новосибирск, 18-22 апреля 2016 г. Сб. материалов, Т. 1, С. 196-200). Однако, отсутствие учета влияния вмещающих пород делает невозможным применение этих способ для определения УЭС пластов малой толщины.
Известен также способ быстрого моделирования сигналов азимутального электромагнитного каротажа в двумерных моделях среды с применением ИНС (см. Kushnir D., Velker N., Bondarenko A., Dyatlov G., Dashevsky Y. Real-time simulation of deep azimuthal resistivity tool in 2D fault model using neural networks // SPE Annual Caspian Technical Conference and Exhibition, 31 October - 2 November, 2018. - Astana, Kazakhstan, -Paper SPE-192573-MS, прототип). Сравнение сигналов, рассчитанных методом граничных интегральных уравнений и с помощью нейросетевых алгоритмов, показывает их хорошее совпадение, при этом для большинства точек относительная невязка составляет менее паспортной погрешности измерения зонда. Достигнутое ускорение ~106 открывает широкие возможности для моделирования и инверсии каротажных данных. Однако способ ориентирован на интерпретацию данных в наклонно-направленных скважинах и не подходит для интерпретации данных в субвертикальных скважинах.
Таким образом, известные способы не обеспечивают в полной мере учета влияния на электрокаротажные сигналы вмещающих пород для точного определения УЭС пластов-коллекторов малой толщины при достаточном для решения практических задач уровне производительности вычислений.
Задачей, на решение которой направлено изобретение, является повышение достоверности результатов интерпретации данных электрокаротажа, измеренных на интервалах терригенных отложений, содержащих пласты-коллекторы, в том числе малой толщины, за счет более углубленной интерпретации.
Технический результат изобретения выражается в получении геоэлектрической модели изучаемых терригенных отложений с определением УЭС пластов-коллекторов, в том числе малой толщины, и улучшении на этой основе качества прогноза нефтесодержания.
Заявленный технический результат достигается тем, что в способе определения удельного электрического сопротивления терригенных нефтяных коллекторов по данным электрокаротажа субвертикальных скважин с использованием искусственных нейронных сетей, согласно изобретению, определение удельного электрического сопротивления среды (УЭС) толщи горных пород проводят поэтапно, на первом этапе строят начальное приближение модели околоскважинного пространства с применением нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования, на втором этапе модель околоскважинного пространства уточняют путем численной инверсии набора данных электрокаротажа с применением нейросетевых алгоритмов моделирования, при этом
на первом этапе
- по комплексу имеющихся данных ГИС, измеренных в исследуемой скважине, выделяют интервалы распространения проницаемых пород и каждой точке профиля измерений присваивают числовое значение, кодирующее, являются ли отложения напротив этой точки измерений проницаемыми;
- данные кавернометрии, резистивиметрии и электрокаротажного зондирования предобрабатывают для согласования динамических диапазонов изменения числовых значений;
- полученные данные объединяют, формируя входные данные для нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования;
- далее с применением нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования выполняют нелинейное преобразование входных данных в параметры детальной двумерной осесимметричной геоэлектрической модели с оценкой электрофизических свойств среды на каждой глубине измерений и частичным учетом влияния вмещающих пород в приближении плавного изменения свойств по вертикали, искажающим сигналы напротив пластов малой толщины;
- формируют геоэлектрическую модель в дискретном виде с постоянным шагом по глубине скважины, соответствующим шагу дискретизации практических данных электрокаротажного зондирования;
на втором этапе
- полученную на первом этапе геоэлектрическую модель, характеризующуюся плавным изменением свойств по глубине, преобразуют в кусочно-постоянную модель блочного строения, выделяя в разрезе отдельные вертикально-однородные пласты путем анализа комплекса имеющихся данных ГИС с учетом литологической классификации, получают кусочно-постоянную геоэлектрическую модель блочного строения;
- далее проводят настройку алгоритма инверсии для учета априорной информации о разрезе, при этом априорную информацию вводят в инверсию в виде интервалов изменения параметров геоэлектрической модели и в виде функциональной связи между некоторыми из них;
- геоэлектрическую модель блочного строения уточняют численной инверсией набора электрокаротажных данных, варьируя ее параметры с учетом введенной априорной информации до достижения наилучшего совпадения практических и рассчитанных в модели данных электрокаротажа путем минимизации невязки между ними;
- в процессе инверсии для каждого промежуточного состояния модели околоскважинного пространства рассчитывают сигналы электрокаротажа, используя нейросетевые алгоритмы моделирования, учитывающие влияние на измерения в каждой точке профиля всех параметров геоэлектрической модели, попадающих в область формирования каротажного сигнала для его точного расчета в моделях с малыми толщинами пластов;
- формируют и визуализируют итоговую уточненную геоэлектрическую модель, описывающую распределение УЭС в исследуемом околоскважинном пространстве, в том числе в пластах малой толщины.
Для лучшего понимания настоящего изобретения к нему приложены чертежи:
- на фиг. 1 - блок-схема процесса построения начального приближения геоэлектрической модели околоскважинного пространства;
- на фиг. 2 - блок-схема процесса уточнения параметров кусочно-постоянной геоэлектрической модели околоскважинного пространства;
- на фиг. 3 - базовая блочная двумерная осесимметричная модель околоскважинного пространства, используемая в рамках способа;
- на фиг. 4 - пример выделения интервалов распространения проницаемых отложений в терригенном разрезе;
- на фиг. 5 - пример формирования начального приближения геоэлектрической модели околоскважинного пространства с применением авторской программы NeuroBKZ_inv;
- на фиг. 6 - пример преобразования начального приближения геоэлектрической модели околоскважинного пространства в кусочно-постоянную модель блочного строения;
- на фиг. 7 - пример формирования итоговой геоэлектрической модели околоскважинного пространства с использованием авторской программы AlondraWL.
Способ, согласно изобретению, осуществляется следующим образом.
Определение УЭС толщи горных пород проводят поэтапно. На первом этапе строят начальное приближение модели околоскважинного пространства с применением нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования. На втором этапе модель уточняют путем численной инверсии набора данных электрокаротажа с применением нейросетевых алгоритмов моделирования.
Этап 1. Построение начального приближения геоэлектрической модели околоскважинного пространства осуществляют в последовательности операций как это показано на фиг. 1.
По комплексу имеющихся данных геофизических исследований в скважинах (ГИС), измеренных в исследуемой скважине с учетом априорной информации (фиг. 1, поз. 1-2), выделяют интервалы распространения проницаемых пород. Каждой точке профиля измерений ставят в соответствие числовое значение, кодирующее, являются ли отложения напротив этой точки измерений проницаемыми или непроницаемыми (например, значения "0" и "1", выбор конкретного способа кодирования не является принципиальным). Тем самым получают набор числовых значений, который представляют в виде таблицы, содержащей информацию об интервалах распространения проницаемых пород (фиг. 1, поз. 3).
Из комплекса имеющихся данных ГИС берут данные кавернометрии, резистивиметрии и электрокаротажного зондирования, тем самым формируя набор числовых значений, который представляют в виде таблицы, содержащей данные по каждой глубине измерений (фиг. 1, поз. 4).
Полученные таблицы объединяют в одну, тем самым формируют входные данные для нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования. Данные предобрабатывают (фиг. 1, поз. 5) для согласования динамических диапазонов изменения их числовых значений (например, преобразуя значения в диапазон от 0 до 1, выбор конкретного способа нормировки не является принципиальным). С помощью алгоритма на основе нейронной сети (фиг. 1, поз. 6) выполняют нелинейное преобразование входных данных в нормированные числовые значения, соответствующие параметрам детальной двумерной осесимметричной геоэлектрической модели с оценкой электрофизических свойств среды на каждой глубине измерений и частичным учетом влияния вмещающих пород в приближении плавного изменения свойств по вертикали. Выходные данные преобразовывают для восстановления их истинных динамических диапазонов (фиг. 1, поз. 7). УЭС непроницаемых отложений считают неизменным в радиальном направлении, а проницаемые отложения характеризуют двумя радиальными зонами с различным УЭС: зоной проникновения фильтрата бурового раствора и неизмененной частью пласта. Выходные данные нейронной сети представляют собой закодированные параметры модели околоскважинного пространства, которые трансформируют в значения УЭС и ширины зон проникновения и УЭС неизмененных частей пластов на этапе постобработки. Результатом является геоэлектрическая модель (фиг. 1, поз. 8) в дискретном виде с постоянным шагом по глубине скважины, соответствующим шагу дискретизации практических данных электрокаротажного зондирования.
Полученную геоэлектрическую модель проверяют на соответствие практическим данным. Для этого рассчитанные в модели данные электрокаротажа (фиг. 1, поз. 9) и практические данные (фиг. 1, поз. 10) сравнивают (фиг. 1, поз. 11). В случае неудовлетворительного совпадения выполняют коррекцию входных данных ГИС с учетом их возможной недостоверности (фиг. 1, поз. 12).
Полученную в результате геоэлектрическую модель (фиг. 1, поз. 13) используют на втором этапе осуществления способа.
Этап 2. Уточнение геоэлектрической модели околоскважинного пространства осуществляют в последовательности операций как это показано на фиг. 2.
Полученную на предыдущем этапе детальную геоэлектрическую модель, характеризующуюся плавным изменением электрофизических свойств по глубине, преобразуют в кусочно-постоянную модель блочного строения, выделяя в разрезе отдельные вертикально-однородные пласты путем анализа комплекса имеющихся данных ГИС с учетом литологической классификации.
Результатом процедуры является стартовая кусочно-постоянная модель блочного строения (фиг. 2, поз. 14). Каждый пласт состоит из одного или более радиальных блоков, считающихся однородными по электрофизическим свойствам. В центральной части модели находится скважина, характеризующаяся постоянным радиусом в пределах каждого пласта (фиг. 3).
После построения указанной стартовой модели исследуемого интервала ее принимают в качестве текущей (фиг. 2, поз. 15) и проводят настройку алгоритма инверсии для учета априорной информации о разрезе. Априорную информацию (фиг. 2, поз. 16) вводят в инверсию в виде набора интервальных ограничений на подбираемые параметры и в виде функциональной связи между некоторыми из них. Для достижения наиболее точного и непротиворечивого результата инверсии обобщают имеющуюся информацию о свойствах исследуемых отложений и выражают ее в виде интервалов изменения параметров геоэлектрической модели (фиг. 2, поз. 17). Введенная таким образом априорная информация сужает область эквивалентных решений обратной задачи, тем самым, повышая точность определения электрофизических свойств исследуемой среды.
Геоэлектрическую модель уточняют, варьируя ее параметры для достижения наилучшего совпадения набора практических и рассчитанных в модели сигналов электрокаротажа путем минимизации невязки между ними. Постепенное уточнение параметров модели околоскважинного пространства требует в процессе инверсии расчета сигналов электрокаротажа для каждого промежуточного состояния модели. Для достижения приемлемого времени решения обратной задачи, при расчете электрокаротажных сигналов используют нейросетевые алгоритмы моделирования (фиг. 2, поз. 18-20), обеспечивающие высокую производительность вычислений при незначительных потерях точности в геоэлектрических условиях, характерных для терригенного разреза и учитывающие влияние на измерения в каждой точке профиля всех параметров геоэлектрической модели, попадающих в область формирования электрокаротажного сигнала, что обеспечивает наиболее точный расчет сигналов на интервалах с переслаиванием пластов малой толщины.
Для поиска параметров модели, соответствующих минимуму невязки, используют метод покоординатного спуска несколькими итерационными циклами. Остановка алгоритма осуществляется при достижении невязки между рассчитанными в текущей модели (фиг. 2, поз. 21) и представленном в имеющемся комплексе ГИС (фиг. 2, поз. 22) практическими данными электрокаротажа (фиг. 2, поз. 23) заданного порогового значения (фиг. 2, поз. 24).
В результате перечисленных процедур получают уточненную геоэлектрическую модель исследуемых отложений, достоверно описывающую распределение УЭС в околоскважинном пространстве, в том числе в пластах малой толщины (фиг. 2, поз. 25).
В случае недостижения критерия остановки за заданное время, пересматривают геоэлектрическую интерпретацию априорной информации и выполняют коррекцию входных данных с учетом их возможной недостоверности. После коррекции входных данных выполняют повторный запуск алгоритма.
Пример практической реализации способа
Практическая реализация способа продемонстрирована на примере интерпретации измеренных на интервале терригенных отложений данных БКЗ и БК с применением авторских программ NeuroBKZ inv и AlondraWL (см. Петров A.M., Нечаев О.В., Сухорукова К.В. Быстрая совместная двумерная инверсия данных электромагнитных и гальванических каротажных зондирований с определением вертикального сопротивления // XIV Международный научный конгресс ГЕО-Сибирь-2018. Новосибирск, 23 - 27 апреля 2018 г. Сб. материалов, Т. 4, С. 90-98).
На фиг. 4 показан планшет данных ГИС, измеренных в скважине и выделенные по комплексу имеющихся данных ГИС интервалы распространения проницаемых отложений (фиг. 4, синие прямоугольники). Интервалы проницаемых пород выделены по совокупности признаков на диаграммах ГИС: по низким значениям сигналов гамма-каротажа (ГК) и потенциала самополяризации (ПС) при невысоких значениях сигналов нейтронного каротажа (НК), а также по расхождению значений кажущегося сопротивления зондов БК и низкочастотного индукционного каротажа (ИК).
На фиг. 5 показана геоэлектрическая модель, полученная с применением программы NeuroBKZ_inv и сравнение измеренных данных БКЗ и БК (БКЗИЗМ, БКИЗМ) с рассчитанными в ней (БКЗРАСЧ, БКРАСЧ). Алгоритм характеризует выделенные интерпретатором проницаемые интервалы параметрами измененной фильтрацией зоны (толщиной hЗП и УЭС ρЗП) и УЭС неизмененной части пласта в изотропном приближении (ρГ) на каждой точке по глубине. На интервалах непроницаемых отложений оценены величины горизонтального (ρГ) и вертикального (ρВ) УЭС отложений. В случае применения способа для обработки другого набора сигналов электрокаротажа перечень оцениваемых параметров среды может варьироваться в соответствии с особенностями конкретных геофизических методов.
Из представленных на фиг. 5 диаграмм видно, что полученная модель обеспечивает хорошее совпадение рассчитанных и измеренных данных БК (средняя относительная невязка по представленному интервалу составляет 6.1%). В условиях относительно неглубокого проникновения бурового раствора в пласт полученное распределение горизонтального УЭС неизмененных частей пластов согласуется с измерениями ИК. Тем не менее, на отдельных интервалах профиля модель недостаточно достоверна, что проявляется в рассогласовании рассчитанных и измеренных данных БКЗ (средняя относительная невязка по представленному интервалу 12%).
На фиг. 6 показан результат преобразования полученной геоэлектрической модели (УЭС ЗП, Верт. УЭС, Гор. УЭС, h ЗП, пунктирные линии), характеризующейся плавным изменением свойств по глубине, в кусочно-постоянную модель блочного строения (УЭС ЗП, Верт. УЭС, Гор. УЭС, h ЗП, сплошные линии) путем осреднения параметров в рамках отдельно взятых пластов. Попластовая разбивка (горизонтальные серые линии) выполнена путем анализа комплекса имеющихся данных ГИС (ГК, НКТ, ПС, БК изм.).
На фиг. 7 показан результат уточнения геоэлектрической модели совместной численной инверсией данных БКЗ (A04M01N, A1M01N, A2M05N, N05M2A, A4M05N, A8M1N) и БК (БК изм.) с помощью авторской программы AlondraWL. Уточнены параметры стартовой модели, достигнуты значения средних относительных невязок 5.4% и 3.5% для данных БКЗ и БК соответственно. Наибольшему изменению в процессе уточнения подверглись параметры зоны проникновения (h ЗП и УЭС ЗП), что связано с широкой областью их эквивалентности.
Итоговая геоэлектрическая модель (фиг. 7, УЭС ЗП, Верт. УЭС, Гор. УЭС, h ЗП, сплошные линии) использована в петрофизической интерпретации данных ГИС и исследований керна для оценки коэффициента нефтенасыщенности пластов-коллекторов. По данным ГИС интервал глубин хх50.6-хх74.6 представлен пластами песчаника, местами уплотненного. Применение способа, согласно изобретению, позволило определить электрофизические свойства пластов (включая пласты малой толщины) с учетом влияния вмещающих пород, что было бы невозможно при использовании стандартной методики интерпретации данных электрокаротажа.
Полученная геоэлектрическая модель интервала соответствует гравитационной дифференциации пластовых флюидов:
• в интервале хх50.6-хх61.6 м отложения нефтеводонасыщены, содержание нефти 44.6-63.1%, УЭС пластов составляет 4.5-19 Ом⋅м, пористость 20.0-23.5% (за исключением уплотненных прослоев), проницаемость 5.4-58.0 мД, глинистость 12.1-17.3%. На глубине хх59-хх61 м выделяются пласты с содержанием нефти более 60%. Повышенное нефтесодержание обуславливается наличием изолирующего карбонатизированного прослоя выше;
• в интервале хх63.0-хх74.6 м отложения водонасыщены, УЭС 3.0-4.5 Ом⋅м, пористость 21.7-23.8%, проницаемость 17.0-73.0 мД, глинистость 11.6-13.1%.
При испытании в интервале перфорации хх50-хх74 м получен приток нефти 21 м3/сут и приток пластовой воды 117 м3/сут, что соответствует полученным характеристикам исследуемых отложений.
Таким образом, способ, согласно изобретению, позволяет повысить достоверность интерпретации данных электрокаротажа за счет учета влияния вмещающих пород, искажающего оценки электрофизических свойств пластов малой толщины. Применение способа, в целом, позволяет значительно улучшить качество прогноза нефтесодержания пластов-коллекторов малой толщины в терригенных разрезах.
Достоверность способа, согласно изобретению, проверена авторами на многочисленных моделях.
Claims (12)
- Способ определения удельного электрического сопротивления терригенных нефтяных коллекторов по данным электрокаротажа субвертикальных скважин с использованием искусственных нейронных сетей, характеризующийся тем, что определение удельного электрического сопротивления среды (УЭС) толщи горных пород проводят поэтапно, на первом этапе строят начальное приближение модели околоскважинного пространства с применением нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования, на втором этапе модель околоскважинного пространства уточняют путем численной инверсии набора данных электрокаротажа с применением нейросетевых алгоритмов моделирования, при этом на первом этапе
- - по комплексу имеющихся данных ГИС, измеренных в исследуемой скважине, выделяют интервалы распространения проницаемых пород и каждой точке профиля измерений присваивают числовое значение, кодирующее, являются ли отложения напротив этой точки измерений проницаемыми,
- - данные кавернометрии, резистивиметрии и электрокаротажного зондирования предобрабатывают для согласования динамических диапазонов изменения числовых значений,
- - полученные данные объединяют, формируя входные данные для нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования,
- - далее с применением нейросетевого алгоритма приближенного решения обратной задачи электрокаротажного зондирования выполняют нелинейное преобразование входных данных в параметры детальной двумерной осесимметричной геоэлектрической модели с оценкой электрофизических свойств среды на каждой глубине измерений и частичным учетом влияния вмещающих пород в приближении плавного изменения свойств по вертикали, искажающим сигналы напротив пластов малой толщины,
- - формируют геоэлектрическую модель в дискретном виде с постоянным шагом по глубине скважины, соответствующим шагу дискретизации практических данных электрокаротажного зондирования,
- на втором этапе
- - полученную геоэлектрическую модель, характеризующуюся плавным изменением свойств по глубине, преобразуют в кусочно-постоянную модель блочного строения, выделяя в разрезе отдельные вертикально-однородные пласты путем анализа комплекса имеющихся данных ГИС с учетом литологической классификации, получают кусочно-постоянную геоэлектрическую модель блочного строения,
- - далее проводят настройку алгоритма инверсии для учета априорной информации о разрезе, при этом априорную информацию вводят в инверсию в виде интервалов изменения параметров геоэлектрической модели и в виде функциональной связи между некоторыми из них,
- - геоэлектрическую модель блочного строения уточняют численной инверсией набора электрокаротажных данных, варьируя ее параметры с учетом введенной априорной информации до достижения наилучшего совпадения практических и рассчитанных в модели данных электрокаротажа путем минимизации невязки между ними,
- - в процессе инверсии для каждого промежуточного состояния модели околоскважинного пространства рассчитывают сигналы электрокаротажа, используя нейросетевые алгоритмы моделирования, учитывающие влияние на измерения в каждой точке профиля всех параметров геоэлектрической модели, попадающих в область формирования каротажного сигнала для его точного расчета в моделях с малыми толщинами пластов
- - формируют и визуализируют итоговую уточненную геоэлектрическую модель, описывающую распределение УЭС в исследуемом околоскважинном пространстве, в том числе в пластах малой толщины.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2774819C1 true RU2774819C1 (ru) | 2022-06-23 |
Family
ID=
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5862513A (en) * | 1996-11-01 | 1999-01-19 | Western Atlas International, Inc. | Systems and methods for forward modeling of well logging tool responses |
| RU2380727C2 (ru) * | 2003-10-27 | 2010-01-27 | Шлюмбергер Текнолоджи Бв | Устройство и способ определения удельного сопротивления изотропного и анизотропного пласта при наличии проникновения |
| US7814036B2 (en) * | 2003-06-19 | 2010-10-12 | Haliburton Energy Services, Inc. | Processing well logging data with neural network |
| RU2696669C1 (ru) * | 2018-08-15 | 2019-08-05 | Федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук | Способ прогноза открытой пористости на глубины ниже забоя скважин |
| GB2576593A (en) * | 2018-08-24 | 2020-02-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5862513A (en) * | 1996-11-01 | 1999-01-19 | Western Atlas International, Inc. | Systems and methods for forward modeling of well logging tool responses |
| US7814036B2 (en) * | 2003-06-19 | 2010-10-12 | Haliburton Energy Services, Inc. | Processing well logging data with neural network |
| RU2380727C2 (ru) * | 2003-10-27 | 2010-01-27 | Шлюмбергер Текнолоджи Бв | Устройство и способ определения удельного сопротивления изотропного и анизотропного пласта при наличии проникновения |
| RU2696669C1 (ru) * | 2018-08-15 | 2019-08-05 | Федеральное государственное бюджетное учреждение науки Институт физики Земли им. О.Ю. Шмидта Российской академии наук | Способ прогноза открытой пористости на глубины ниже забоя скважин |
| GB2576593A (en) * | 2018-08-24 | 2020-02-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
Non-Patent Citations (1)
| Title |
|---|
| KUSHNIR D.et al, Real-time simulation of deep azimuthal resistivity tool in 2D fault model using neural networks, SPE Annual Caspian Technical Conference and Exhibition, 31 October - 2 November, 2018. Astana, Kazakhstan. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106468172B (zh) | 一种超低渗砂岩油藏低阻储层测井解释方法 | |
| CN110847901B (zh) | 一种变矿化度地层水下的致密砂岩储层流体识别方法 | |
| US7363164B2 (en) | Method of evaluating fluid saturation characteristics in a geological formation | |
| de Jesus et al. | Permeability estimation using ultrasonic borehole image logs in dual-porosity carbonate reservoirs | |
| WO2016134443A1 (en) | Methods, systems and devices for predicting reservoir properties | |
| US8005619B2 (en) | Method of determining reservoir parameters | |
| CN105911592B (zh) | 一种实钻约束的三维地震资料长波长静校正方法 | |
| Askari et al. | A fully integrated method for dynamic rock type characterization development in one of Iranian off-shore oil reservoir | |
| CN112145165B (zh) | 一种微裂缝-孔隙型储层动静态渗透率转换方法 | |
| CN106468171B (zh) | 多信息耦合的递进式砂砾岩岩相判别方法 | |
| Lai et al. | Typical misinterpretations and scientific concepts in well-logging geologic studies | |
| RU2700836C1 (ru) | Способ прогноза насыщения коллекторов на основе комплексного анализа данных СРР, 3СБ, ГИС | |
| RU2774819C1 (ru) | Способ определения удельного электрического сопротивления терригенных нефтяных коллекторов по данным электрокаротажа субвертикальных скважин с использованием искусственных нейронных сетей | |
| CN111239809B (zh) | 一种基于属性融合原理的优势储层确定方法及系统 | |
| CN107939385B (zh) | 定量计算极化值及应用的方法 | |
| Michelena et al. | Seismic, geologic, geomechanics, and dynamic constraints in flow models of unconventional fractured reservoirs: Example from a south Texas field | |
| US11719851B2 (en) | Method and system for predicting formation top depths | |
| CN110795513B (zh) | 河流相源储异位型致密油气甜点区分布的预测方法 | |
| Wang et al. | Hydraulic Tomography Estimates Improved by Zonal Information From the Clustering of Geophysical Survey Data | |
| US10996357B2 (en) | Downhole interpretation techniques using borehole dips | |
| González et al. | Petrophysical evaluation of thinly-laminated depositional sequences using statistical matching procedures | |
| Masoud et al. | Reservoir Characterization and Geostatistical Model of the Cretaceous and Cambrian-Ordovician Reservoir Intervals, Meghil Field, Sirte Basin, Libya | |
| CN113409460B (zh) | 一种碎屑岩储层夹层机器学习型三维定量表征方法 | |
| CN112147698B (zh) | 裂缝发育带识别与特征确定的方法及系统 | |
| CN117174203B (zh) | 用于砂岩铀矿的测井曲线响应分析方法 |