西湖凹陷X 氣田致密氣儲層測井評價及產(chǎn)能預測

王安龍，翁冬子，任培罡，呂 鵬，潘 潞，呂艾新，魏 鋒

（1.中國石油化工股份有限公司上海海洋油氣分公司勘探開發(fā)研究院，上海 200120；2.中石化華東石油工程有限公司科技發(fā)展分公司，江蘇南京 210011）

研究區(qū)位于東海陸架盆地西湖凹陷，致密氣藏埋深主體位于3 000～4 800 m，沉積亞相為三角洲平原、三角洲前緣和潮坪相。儲集層巖性以中-細砂巖為主，含少量粉砂巖及含礫砂巖。儲層孔隙度主要分布在7%～15%，滲透率主要分布在（0.3～50）×10?3μm2，整體屬于低孔、中-低滲儲層[1]。

研究區(qū)儲層在測井識別時主要的難點：一是孔滲飽等定量解釋參數(shù)精度偏低，不能滿足研究和生產(chǎn)對參數(shù)的高精度要求，例如對滲透率的誤差要控制在半個數(shù)量級內(nèi)，這在致密及巖性復雜條件下常規(guī)方法很難達到；二是致密儲層流體性質(zhì)判斷難。致密儲層的巖性信號強，流體信號弱，很多高阻層出水，低電阻層產(chǎn)氣，常造成測井解釋與生產(chǎn)不符的問題；三是海上油氣田單井產(chǎn)量要求較高，測井不僅要解釋出氣層，還要對儲層有效性及產(chǎn)能做出判斷。針對上述疑難問題，本文從研究區(qū)儲層特點出發(fā)，從沉積相建模、神經(jīng)網(wǎng)絡預測流體性質(zhì)及測井參數(shù)預測產(chǎn)能三個方面提供解決方法。

1 沉積相約束的測井模型

不同沉積相下的砂體由于沉積水動力條件不同，造成砂體的巖性、礦物成分、分選、粒度、孔喉結(jié)構等方面存在差異。例如，三角洲沉積體系中由陸向海巖性逐漸變細，潮坪相也表現(xiàn)為從中砂巖到細砂巖、到粉細砂巖變化（表1），不同巖性會有不同的孔滲關系（圖1），不同的巖性也會導致油氣充滿度存在差異，進而影響飽和度參數(shù)；不同沉積相條件下的砂體巖性礦物成分不同（圖2），造成巖石骨架密度變化，影響孔隙度；不同沉積相的砂巖分選性也不同（圖3），分選性的好壞會影響儲層的均質(zhì)性，也間接影響儲層的膠結(jié)程度[3]，進而影響有效孔隙度及滲透率。

圖1 不同巖性孔隙度與滲透率關系圖Fig.1 Relationship between porosity and permeability of different litholog

圖3 不同沉積相的砂巖分選直方圖Fig.3 Sandstone sorting histograms of different sedimentary facies

表1 不同沉積相的巖心及測井相特征表[2]Table 1 Core and logging facies characteristics of different sedimentary facies [2]

從上述分析可以得出，砂體的沉積環(huán)境不同會導致孔隙度、滲透率和飽和度參數(shù)存在較大差異。因此通過分沉積相類型方式建立測井解釋模型和解釋參數(shù)是一種反映儲層特征、提高測井解釋精度的途徑[4-5]。

1.1 相控多元孔隙度模型

曲線敏感性分析表明研究區(qū)的聲波時差、補償密度及補償中子測井曲線與孔隙度關系密切，其中聲波時差相關性最高，其次是補償密度曲線和補償中子曲線（表2），可以采用三條曲線計算孔隙度。

表2 三孔隙度測井公式表Table 2 Three porosity logging formula table

為進一步提高孔隙度解釋精度，采用多元回歸結(jié)合分沉積相的方式建立孔隙度模型。研究區(qū)目標層段砂體沉積亞相為三角洲平原相、前緣相、潮坪相，因不同沉積亞相的砂巖孔隙特征存在差異，分沉積亞相建立多參數(shù)模型進一步提高了模型的相關性[6]（表3）。

表3 不同沉積相條件下多參數(shù)孔隙度測井公式Table 3 Multi-parameter porosity logging formula under different sedimentary facies conditions

1.2 相控覆壓滲透率模型

本次利用巖心物性實驗資料結(jié)合覆壓孔滲校正滲透率的方式建立精細解釋模型。儲層滲透率主要與儲層孔隙度大小有直接關系，用其計算滲透率是業(yè)內(nèi)通用做法。根據(jù)現(xiàn)有孔滲實驗數(shù)據(jù)結(jié)合不同沉積亞相下孔滲相關性的差異，細分不同沉積亞相建立滲透率解釋模型（表4）。

表4 不同沉積相下的滲透率公式Table 4 Permeability formulas for different sedimentary facies

上述巖心滲透率數(shù)據(jù)是在常溫常壓條件下實驗所測，不能代表實際儲層高溫高壓條件下的真實滲透率，壓實作用越強，地下滲透率與地面滲透率差別越大。研究區(qū)埋深3 000～4 800 m，常壓和超壓層均有分布，地層壓力在35～52 MPa 區(qū)間，根據(jù)相關統(tǒng)計表明，研究區(qū)儲層滲透率如果不進行覆壓校正，滲透率平均絕對誤差5.26×10?3μm2，平均相對誤差345%。

因此在上述沉積亞相計算滲透率的基礎上開展覆壓校正，能更好反應地下儲層的滲流能力。從圖4 及表5 可以看出，常壓滲透率校正到覆壓條件的校正模型是分段的，大體可以分中高孔滲、中低孔滲及特低孔滲三種，孔滲性差的儲層需要校正的量相對越大，這也反應出壓實作用對滲透率影響大[7]。

圖4 滲透率三段式覆壓校正圖Fig.4 Three-stage overburden pressure correction diagram of permeability

表5 常壓與覆壓滲透率公式表Table 5 Permeability formulas of normal pressure and overburden pressure

測井計算時根據(jù)表4 中分沉積相計算得到的常壓滲透率K常壓，再按照表5 不同K常壓區(qū)間開展?jié)B透率的覆壓校正，得到校正后的覆壓滲透率。

1.3 相控含水飽和度模型

從本區(qū)已有儲層巖石礦物成分資料來看，8 口井105 個砂巖樣品的黏土分布范圍1.2%～32.8%。平均7.6%； 8 口井94 個黏土樣品中伊/蒙混層分布范圍1.0%～92.0%。平均22%，導電黏土成分較高，因此在計算含水飽和度時需要考慮泥質(zhì)附加導電性的影響。

西門杜公式是流體加泥質(zhì)導電的雙導電模型，當泥質(zhì)的礦物成分伊蒙混層比例高導致泥質(zhì)導電能力較強時，西門杜公式更適用。

式中：Sw，含水飽和度，小數(shù)； φ，地層孔隙度，小數(shù)；Rw，地層水電阻率，Ω·m；Rt，地層電阻率，Ω·m；Vsh，泥質(zhì)含量，小數(shù)；Rsh，泥質(zhì)電阻率，Ω·m；m，膠結(jié)指數(shù)，常數(shù)；n，飽和度指數(shù)，常數(shù)。

在選擇合適的飽和度解釋模型基礎上，在巖電參數(shù)上開展精細分類，依照不同沉積相細分巖電參數(shù)（表6）。從巖電參數(shù)可以看出，不同沉積相下的砂體巖電參數(shù)存在明顯差異，分沉積相建立巖電參數(shù)能更好地反應不同砂巖的特性。

表6 不同沉積相條件下巖電參數(shù)統(tǒng)計Table 6 Statistical of rock electrical parameters under different sedimentary facies conditions

1.4 相控束縛水飽和度模型

束縛水飽和度是流體-巖石之間綜合特性的反映，主要取決于巖石孔隙毛細管力的大小與巖石對流體的潤濕性?？紫抖群蜐B透率是能間接反映束縛水飽和度大小的巖石物性參數(shù)，孔隙度小的巖石，其孔隙度結(jié)構一般較為復雜，孔隙度空間小，喉道細，因而能束縛較多的水，形成高束縛水飽和度。采用6 口井的核磁共振實驗資料，建立束縛水飽和度模型。

核磁共振實驗表明，束縛水飽和度與滲透率和孔隙度關系密切，其中與滲透率相關性最好，與孔隙度相關性其次。 通過上述影響束縛水的因素分析，采用滲孔比建立束縛水飽和度模型。同時根據(jù)沉積相差異，采用分沉積相建立砂巖束縛水飽和度模型（表7）。

表7 不同沉積相束縛水飽和度模型統(tǒng)計表Table 7 Statistical table of bound water saturation models of different sedimentary facies

1.5 精度驗證

以X 井為例，從圖5 中可以看出利用文中的方法計算的孔隙度、滲透率和含水飽和度與巖心孔隙度、滲透率和密閉取心含水飽和度吻合性很好，證明文中的方法能有效反應儲層，提高儲層參數(shù)的精度。

圖5 X 井測井解釋孔滲飽與巖心分析值對比圖Fig.5 The comparison between well logging interpretation porosity, permeability and saturation and core analysis value in well X

2 神經(jīng)網(wǎng)絡法判別流體性質(zhì)

人工神經(jīng)網(wǎng)絡有較強的抗干擾能力和非線性表達能力，其網(wǎng)絡由神經(jīng)元及神經(jīng)元之間的連接權組成，它包括了輸入層、隱藏層和輸出層，屬于由正向傳播和反向傳播組成的有導師的學習算法(誤差反向傳播算法)，它通過修改神經(jīng)元之間的連接權得到期望的輸出。神經(jīng)網(wǎng)絡技術對于已知存在某種潛質(zhì)的聯(lián)系但又無法用確切方程或算法表達的求解問題，有其獨到之處。利用神經(jīng)網(wǎng)絡進行油氣層定性預測，只要能建立一個良好的具有典型特征的測井學習樣本，就可以用來處理一個測井問題。它可以避免在建立測井解釋中模型所帶來的復雜性，直接通過學習樣本，建立測井信息和所求目標之間的關系[8-9]。

以標準化和歸一化的自然伽馬、聲波、中子、密度及深電阻率曲線數(shù)據(jù)作為神經(jīng)網(wǎng)絡輸入層，隱藏層采用3 層、12 節(jié)點模式（圖6），輸出層分為1 類（油氣層）、2 類（氣水同層）、3 類（水層）、4 類（干層）及5 類（泥巖）5 類的模式，利用經(jīng)測試的、典型且具有廣泛性的油氣層、氣水層、水層、干層及泥巖層數(shù)據(jù)構建的樣本虛擬井作為神經(jīng)網(wǎng)絡學習樣本（圖7），利用建立起的學習結(jié)果對未知的儲層進行預測識別。以Z 井為例，利用神經(jīng)網(wǎng)絡預測，從圖8第4 道預測結(jié)果看，首先對儲層與非儲層的劃分，砂泥巖儲層的劃分與常規(guī)測井曲線保持一致，劃分結(jié)果較為準確（泥巖層為綠色區(qū)域）；對儲層的流體類型預測，砂巖層段（GR 曲線黃色段）神經(jīng)網(wǎng)絡預測結(jié)果為1 類氣層（第4 道藍色區(qū)域），試油結(jié)果為日產(chǎn)氣36.9×104m3/d，油121.8 m3/d，預測結(jié)果與試油吻合。

圖6 神經(jīng)網(wǎng)絡結(jié)構模式圖Fig.6 Neural network structure pattern diagram

圖7 利用神經(jīng)網(wǎng)絡建立虛擬井圖Fig.7 Virtual well diagram established using neural network

圖8 Z 井神經(jīng)網(wǎng)絡預測流體性質(zhì)成果圖Fig.8 Neural network prediction results of fluid properties of Well Z

3 產(chǎn)能預測

在油田開發(fā)過程中，油氣儲層的生產(chǎn)能力主要受儲層因素及工程因素影響，在同一區(qū)塊可認為工程因素是相對不變的，因此決定產(chǎn)能的主要因素是儲層因素。本研究通過產(chǎn)能指數(shù)反應儲層產(chǎn)能大小。根據(jù)試油資料，獲取了生產(chǎn)壓差、油氣層厚度和產(chǎn)量，進而計算了油氣層產(chǎn)能指數(shù)PI（單位生產(chǎn)壓差、單位油氣層厚度和單位時間的油氣層產(chǎn)量）[10-11]，見式（2）。

式中：PI為油氣層產(chǎn)能指數(shù)，104m3/（m·MPa·d）；Q為日產(chǎn)量，104m3/d；h為有效厚度，m；Ps為生產(chǎn)壓差，MPa。

根據(jù)6 口探井9 個試油層位統(tǒng)計，每米采油指數(shù)變化為0.01～4.35，結(jié)合儲層分類，把油氣儲層產(chǎn)能的大小分為高、中-高、低產(chǎn)和無產(chǎn)能4 個等級（表8）。

表8 壓汞儲層分類表Table 8 Classification of reservoirs using mercury intrusion method

經(jīng)過分析，氣層產(chǎn)能指數(shù)與儲層孔隙度、滲透率及含氣飽和度具有相關性，通過建立綜合物性指數(shù)（K/ φ）與飽和度（So）乘積建立產(chǎn)能預測模型（式（3）），擬合后相關性得到明顯提高。本區(qū)視產(chǎn)能指數(shù)的計算公式為：

式中：K為空氣滲透率，10?3μm2；φ為孔隙度，%；PI視為視產(chǎn)能指數(shù)，104m3/（m·MPa·d）；So為含油氣飽和度，%。

以Y 井為例，通過計算儲層段平均視產(chǎn)能指數(shù)1.1×104m3/(m·MPa·d)，根據(jù)本井實際測試資料，該層測試厚度3.6 m，生產(chǎn)壓差為6.07 MPa，利用視產(chǎn)能指數(shù)預測產(chǎn)能為24.0×104m3/d，實際測試日產(chǎn)氣量25.4×104m3/d，兩者吻合性高；對11 口井預測與實際產(chǎn)能對比，平均相對誤差小于15%（表9），表明建立的產(chǎn)能指數(shù)預測模型在本區(qū)有較好的適用性，能夠起到預測產(chǎn)能的作用。

表9 11 口井預測產(chǎn)能與實際產(chǎn)能對比表Table 9 Comparison of predicted production capacity and actual production capacity of 11 wells

4 結(jié)論

（1）在缺少特殊測井資料的情況下，通過常規(guī)測井資料精細評價致密儲層難度大，但通過地球物理測井與沉積相結(jié)合，可以精細地刻畫儲層，建立合理解釋參數(shù)。

（2）致密儲層流體性質(zhì)的準確判別受巖性影響很大，通過對流體敏感曲線的有效利用，結(jié)合神經(jīng)網(wǎng)絡算法，能夠為一些疑難層及儲層有效性的判斷提供依據(jù)。

（3）海上油氣田對經(jīng)濟性要求較高，在射孔層選擇上更加慎重，測井不僅能給出解釋結(jié)論，還能提供產(chǎn)能估算結(jié)果，既拓寬了測井資料的應用范圍，也提升了測井資料的價值。