魏玉梅,劉俊東,趙然,李海燕,邵陽,竇如勝,賈帆

(1.中國石油集團測井有限公司天津分公司,天津300280;2.中國石油集團海洋工程公司鉆井工程事業(yè)部,天津300280;3.中國石油集團渤海鉆探工程有限公司,天津300280)

0 引 言

隨著油田開發(fā)程度提高,對儲層構(gòu)型單元的研究成為復雜油藏剩余油挖潛研究的重要手段[1]。儲層構(gòu)型分析研究實質(zhì)上是描述儲層內(nèi)部的非均質(zhì)性,最終用于進一步挖潛剩余油,提高油氣采收率[2-3]。1985年,Maill首次完整地提出構(gòu)型的概念,將構(gòu)型劃分為12級[4]。早期對大港油田構(gòu)型級別的劃分,測井資料能夠識別6、7級,這主要是因為早期的測井曲線分辨率低,薄層的識別能力差。隨著測井儀器的發(fā)展,測井資料分辨率不斷提高,尤其是高分辨率陣列感應縱向分辨率達到了0.3 m,可以利用這些高精度測井資料,對儲層構(gòu)型中8級和9級單元進行劃分。

本文以官××井為例,利用高精度測井資料,實現(xiàn)對儲層7、8、9級構(gòu)型單元進行測井多參數(shù)自動識別。官××井所在斷塊在孔一段沉積時期形成辮狀水道,廣泛沉積了平行、板狀、槽狀交錯層理的砂礫巖體,即扇中辮狀河道沉積體[5]。該井進行了密閉取心,并且根據(jù)取心資料進行了儲層構(gòu)型級別的劃分。根據(jù)劃分結(jié)果,結(jié)合測井資料,進行了利用測井資料對儲層構(gòu)型單元的自動識別方法研究。在扇中辮狀河道構(gòu)型劃分中,分級方案為7～9級:7級為扇中辮流帶/扇中漫流帶;8級為心灘/辮狀河道/河漫灘;9級為垂積體、落淤層、溝道/河道主體、側(cè)翼、河道間/河漫灘砂、河漫灘泥。

1 儲層構(gòu)型單元測井定性識別

1.1 7級構(gòu)型單元的識別

對于7級構(gòu)型單元中沖積扇中辮流帶、扇中漫流帶,泥質(zhì)含量與電阻率能很好的進行識別(見圖1)。從圖1可見,泥質(zhì)含量大于60%為扇中漫流帶,小于60%為扇中辮流帶。

圖1 7級構(gòu)型單元測井識別圖

1.2 8級構(gòu)型單元的識別

對心灘與辮狀河道測井響應特征進行分析,電阻率與孔隙度曲線相結(jié)合能夠進行區(qū)分(見圖2),并且從泥質(zhì)含量直方圖看(見圖3),心灘的泥質(zhì)含量大部分集中在5%左右,而辮狀河道集中在10%左右。因此,結(jié)合電阻率、孔隙度、泥質(zhì)含量等曲線,能夠區(qū)分出心灘與辮狀河道。

圖2 8級構(gòu)型單元識別圖

圖3 8級構(gòu)型單元泥質(zhì)含量統(tǒng)計直方圖

1.3 9級構(gòu)型單元的識別

1.3.1垂積體、泥質(zhì)落淤層的測井識別

在心灘內(nèi)部的落淤層,測井曲線會根據(jù)厚度的大小有不同程度的回返,可以根據(jù)這一特征將落淤層劃分出來。如果落淤層厚度低于高分辨率陣列感應測井電阻率最大縱向分辨率(0.3 m),識別就比較困難。心灘中將落淤層扣除后的儲層為垂積體。

1.3.2河道主體、側(cè)翼及河道間的測井識別

辮狀河道構(gòu)型單元中,河道主體的巖性、物性好,電阻率為高值,厚度大;河道側(cè)翼的巖性細,厚度小,為河道主體之間的夾層;河道間就是河道主體間夾的泥巖層段,曲線特征為泥巖的表現(xiàn)。

通過對河道主體、側(cè)翼及河道間的識別圖版進行分析(見圖4),認為經(jīng)過自然伽馬和自然電位資料校正的電阻率與聲波時差圖版,能夠區(qū)分這3種構(gòu)型單元。

圖4 9級構(gòu)型單元識別圖

統(tǒng)計不同的構(gòu)型單元其測井資料的響應特征(見表1),根據(jù)這些特征,可以對不同的構(gòu)型單元進行定性識別。

表1 儲層構(gòu)型單元測井響應特征統(tǒng)計表

2 測井多參數(shù)自動識別儲層構(gòu)型單元

不同的構(gòu)型單元,在電阻率、聲波時差、密度、泥質(zhì)含量等測井曲線的反映是不一致的,并且構(gòu)型單元也與厚度等參數(shù)有一定的關(guān)系。

選取敏感性較強的常規(guī)測井曲線,進行聚類分析,確定判別類型及特征,然后根據(jù)Fisher判別法,對各構(gòu)型單元建立判別函數(shù)公式,確定判別結(jié)果,實現(xiàn)對7、8、9級構(gòu)型單元的測井多參數(shù)自動識別,具體判別流程見圖5。

圖5 判別流程圖

2.1 均值聚類分析確定判別類型及特征

在對構(gòu)型單元進行均值聚類分析時,為保證分類結(jié)果準確可靠,選擇評價樣品應盡可能滿足:樣品數(shù)據(jù)是最新的一手資料,保證樣品數(shù)據(jù)可靠;盡可能保證充足的樣品數(shù)量及隨機性,保證所選取樣品能全面反映各類構(gòu)型特征;選取的樣品數(shù)據(jù)類型全面而且匹配性高。根據(jù)不同級別構(gòu)型單元特點,最終選取了125個樣品組成此次研究的樣品集。對巖心描述的構(gòu)型單元樣本點進行分析,優(yōu)選出最佳特征參數(shù)進行聚類分析(見表2)。

2.2 Fisher判別法建立函數(shù)模型

經(jīng)過聚類分析確定構(gòu)型單元類型特征后,根據(jù)已知樣品類型,運用Fisher判別分析方法,建立了7、8、9級構(gòu)型單元的判別函數(shù)模型。

7級構(gòu)型單元:

辮流帶y1=1.913φ+0.469Vsh-22.208

(1)

漫流帶y2=1.719φ+0.355Vsh-14.008

(2)

8級構(gòu)型單元:

心灘y1=3.874Rt+0.685AC+9.563CN+629.75DEN-946.905

(3)

辮狀河道y2=4.103Rt+0.704AC+9.407CN+627.80DEN-945.274

(4)

9級構(gòu)型單元:

垂積體y1=2.909Rt+0.638AC+2.135CN+299.34DEN-475.646

(5)

落淤層y2=1.943Rt+0.625AC+1.991CN+300.36DEN-467.82

(6)

河道主體y1=6.269Rt+0.257AC-52.153

(7)

河道側(cè)翼y2=5.247Rt+0.253AC-46.675

(8)

河道間y3=5.455Rt+0.297AC-62.001

(9)

河漫灘泥y1=2.335Rt+0.192AC-38.229

(10)

河漫灘砂y2=4.405Rt+0.178AC-42.453

(11)

式中:φ為孔隙度,%;Vsh為泥質(zhì)含量,%;Rt為深電阻率,Ω·m;AC為聲波時差,μs/m;CN為補償中子,%;DEN為密度,g/cm3。

表2 聚類分析統(tǒng)計表

圖6 儲層構(gòu)型單元自動識別成果圖*非法定計量單位,1 ft=12 in=0.304 8 m,下同

2.3 效果分析

將判別函數(shù)模型軟件化,實現(xiàn)測井資料對儲層構(gòu)型單元的自動識別,結(jié)果見圖6。在7級界面,處理結(jié)果與利用巖心劃分結(jié)果基本一致,8級界面有些差異,差異主要表現(xiàn)在構(gòu)型單元界面及夾層上,還有層較薄的辮狀河道及河漫灘。對處理結(jié)果與巖心劃分構(gòu)型單元進行了符合率統(tǒng)計(見表3),符合率為88.1%。

表3 儲層構(gòu)型單元解釋符合率統(tǒng)計表

3 儲層構(gòu)型單元與剩余油的關(guān)系

由于不同的儲層構(gòu)型單元的滲流性能存在差異,因此會產(chǎn)生非均質(zhì)性,儲層的非均質(zhì)性降低了水洗程度,造成剩余油的富集[6],主要表現(xiàn)在以下方面:

(1)剩余油分布在心灘構(gòu)型中的薄層;

(2)在厚度上,如果河漫灘較厚,心灘薄,也能夠有效降低水洗程度;

(3)落淤層的存在,也就是心灘中存在隔夾層,是一種重要的影響剩余油的因素。

4 結(jié) 論

(1)通過對不同構(gòu)型單元在測井資料上的不同特征進行統(tǒng)計分析,進行定性識別。

(2)在測井定性識別的基礎(chǔ)上,利用聚類分析和Fisher判別分析方法,實現(xiàn)了測井資料對儲層構(gòu)型單元分級的多參數(shù)自動識別。

(3)識別結(jié)果與巖心劃分構(gòu)型單元進行對比,符合率88.1%,效果較好,能夠有效地解決測井資料劃分8、9級構(gòu)型單元的難題。