流体识别 篇1
1 大安地区葡萄花油层储层特征
本区葡萄花油层埋藏深度差异较大, 埋藏深度在1450米到1800米之间。从岩心资料分析, 孔隙度主要分布在8-20%之间, 平均孔隙度为13.5%, 渗透率主要分布在<0.08、0.1-0.4及1-8毫达西之间, 平均渗透率为3.3毫达西。在不同深度段, 孔隙度、渗透率有一定区别, 其中1550-1650米井段孔隙度、渗透率变化范围大, 1550米以下、1750米以上深度段孔隙度、渗透率变化范围变小, 孔隙度、渗透率最大值降低, 最小值升高。原因是1550米以下井段平均泥质含量偏高引起的;1750米以上地层压实作用引起的。储层原油密度在0.8350-0.8724g/cm3, 原油粘度在5.2-251ms之间, 大多数原油粘度小于30ms, 地层水水型为Na Hco3, 地层水矿化度变化较大, 在11000ppm到36000ppm之间, 平均21000ppm。从粒度资料分析, 该区平均泥质含量为18.96%。
2 低阻成因
根据岩心及测井资料分析, 该区葡萄花油层低阻成因主要有两个, 一个是泥质含量高, 岩性细导致不动水饱和度增加。不动水与束缚水有一定区别, 所谓不动水是指在一定的生产压差条件下储层孔隙度不可流动的水, 它是一个相对的概念, 随着生产和工艺条件的变化不动水饱和度是变化的。一般情况下, 不动水由岩石颗粒表面被吸附的薄膜滞水和毛管孔隙中的毛管滞水两部分组成。即束缚水是不动水的一部分, 薄膜滞水就是严格意义上的束缚水, 不能为一般外力作用而流动。毛管滞水能否流动取决与作用在毛管两端的外界压力差, 当外界压差不能克服毛管力时, 毛管滞水不可流动, 此时的毛管滞水与薄膜之水一起组成不动水。当外界压差能够克服毛管力时, 毛管滞水将与以游离状存在于孔隙和吼道内的自由水一起组成可动水。该区葡萄花细岩性储层中, 颗粒表面吸附水含量就高, 导致储层中有较高的束缚水含量。另外由于岩石颗粒细, 泥质含量高导致储层孔隙结构复杂, 使储层平均孔喉半径变小、毛管半径小、弯曲度大, 从而造成毛管滞水增加, 不动水饱和度增加。造成该区低阻另一个原因是该区地层水矿化度较高, 根据该区试油资料分析, 地层水的平均矿化度为21000ppm。
3 流体性质判别
低阻油层解释, 首先判断储层是否低阻, 及低阻成因, 再此基础上判断流体性质。葡萄花油层低阻成因主要是泥质含量重、岩性细使储层中不动水含量增加, 同时储层地层水矿化度高也使储层电阻率降低。对该区低阻油层流体性质判别主要采用以下方法, 一是利用常规曲线结合电成像及地质录井资料进行判断, 二应用图板法进行半定量判断, 三是利用核磁曲线进行判断。
3.1 常规曲线结合成像及录井资料
利用常规曲线主要是利用岩性、电性及物性曲线之间对应关系, 参考地质录井资料, 同时结合电成像资料来判断储层流体性质。录井资料是钻井过程中取得的第一手资料, 比较直观;电成像资料虽不如录井资料直观, 但是其可以连续地反映储层内部结构及沉积构造特征, 可以定性判断储层裂缝、泥质含量、岩石颗粒大小等。电成像测井数据经适当的处理可刻度为彩色或灰度等级图像, 反映地层微电阻率的变化 (浅色代表高电阻率, 深色代表低电阻率) 。图像的几何形态、图像的连续性、图像之间的关系代表不同的地质意义。利用成像测井结合常规测井资料, 可以判断储层岩性。
3.2 利用核磁谱判断储层流体性质
利用核磁共振测井判断储层流体性质原理主要是根据油气与水在孔隙中常常处于不同的位置, 而且, 尤其大多存在于大孔隙中。各种流体在粘度、扩散系数以及其他特性上存在差异。如束缚流体的扩散较慢, 自由水的扩散系数中等。烃类如天然气、轻质油、中等粘度油和重质粘度油也具有不同的特性, 如轻质油T2分布呈高陡对称单峰形态, 水层T2分别呈高陡对称单峰形态, 但展布比轻质油的更窄。粘度高的油T2分布表现为双峰形态, 展布更宽。利用这些差别, 可以对岩石孔隙中的流体进行识别。
4 结语
大安地区葡萄花油层大部分储层为低阻油层, 引起低阻的主要原因是泥质含量重, 岩性细, 双孔隙介质及地层水矿化度偏高等。而前几种因素是互为关联的, 这几种因素共同作用的结果使不动水饱和度升高, 使储层电阻率降低。根据常规及核磁资料可以对低阻油层的成因及流体性质进行判别, 最有效的方法是核磁资料法。
参考文献
[1]中国石油勘探与生产分公司, 低阻油气藏测井评价技术及应用, 石油工业出版社, 2009年11月.
流体识别 篇2
BP神经网络是一种多层前馈神经网络, 该网络的主要特点是信号前向传递, 误差反向传播。在前向传递中, 输入信号从输入层经隐含层逐层处理, 直到输出层。每一层的神经元状态只影响下一层神经元状态[1]。如果输出层得不到期望输出, 则转入反传播, 将误差信号沿原来的连通路返回, 根据预测误差调整网络权值和阈值, 从而合BP神经网络预测输出不断逼近期望输出。这种神经网络算法的实质是求误差函数的最小值, 它经过具有自身特征的样品反复进行有监督的训练, 权值沿误差函数负梯度的快速方向来改变, 使得最终收敛值最小。
1.1 BP神经网络算法
(1) 计算隐含层输出。根据输入向量X, 输入层和隐含层间的权值Wij, 以及隐含层阈值a计算隐含层输出H:
式中, l为隐含层节点数;f为隐含层激励函数, 文章中该函数采用的激励函数为:
(2) 输出层计算。根据隐含层输出H, 连接权值Wjk、阈值b得出预测输出O:
(3) 针对神经网络算法的缺点, 提出了相应的改进算法, 改进方法如下:
BP神经网络采用梯度修正法作为权值和阈值的学习算法, 没有考虑以前经验的积累, 学习过程收敛缓慢, 对于这个问题采用附加运量方法来解决, 公式如下:
式中w (k) 、w (k-1) 、w (k-2) 分别是k、k-1、k-2时刻的权值
1.2 BP神经网络构造
根据与储层特征相关的测井响应值本文采用4-10-5的神经网络结构, 即输入层采用4个节点对应的是4种测井响应值, 单隐含层采用10个节点, 输出层为4个节点对应的是4种储层类别, 分别对应是油层、油水同层、水层、干层并且依次表示为1类、2类、3类、4类, 用数字0与1代表其属性, 油层表示为[1, 0, 0, 0], 油水同层表示为[0, 1, 0, 0], 水层表示为[0, 0, 1, 0], 干层表示为[0, 0, 0, 1]。随机初始化神经网络权值和阈值, 然后根据误差反馈不断的调整权值阈值。其中隐含层节点数和迭代资料的选择是在Matlab中用数据反复演练, 直到得出能够满足实际储层解释判断正确率后得出的准确值。本文中采用附加动量方法算法网络进行网络收敛弥补神经网络算法的不足, 使其学习过程收敛加快。网络实际输出是一个四维向量, 其数值在0和1之间, 我们取向量中最接近1所在的数组编号作为类别的输出。
2 BP神经网络实际应用
2.1 建立模型
网络训练样本设计的好坏, 是直接关系到网络识别储层准确率的一个关键环节。训练样本由输入值和期望输出值两部分构成, 如果训练样本任何一部分存在问题, 首先会导致网络不易收敛, 计算精度较低, 从而影响识别储层的准确率。有时训练样本设置和实际情况相矛盾, 如对同一输入值, 可能给出不同的期望输出值。如何合理的确定训练样本的输入值和期望输出值就显得尤为重要。
储层类型与含油性、孔隙度有密切的关系。因此可选择对流体性质敏感并且在交会图上具有比较明显区分度的与物性相关的密度值 (DEN) 、孔隙度 (POR) 、与含油性相关的电阻率值 (RT) 和含水饱和度值 (SW) 4个参数将其归一化后作为输入神经元;以储层类型决策向量作为输出神经元。
对三工河组6口井43个试油样点取其层段平均值, 将取值向量作为输入向量。首先对输入变量统一进行归一化处理, 在此基础上对样本采用随机选样, 用43个样本建立模型进行回判, 网络输入变量为密度相对值 (DEN) 、孔隙度相对值 (POR) 、电阻率值相对值 (RT) ;输出变量为油层、油水同层、水层、干层。采用1个隐含层, 隐含层节点单元有10个, 在训练过程中, 取网络学习率0.3, 误差0.0001, 网络迭代次数1000。
些网络模型效果较好, 油层, 油水同层、水层、干层识别正确率分别为0.86, 0.90, 0.87, 0.82, 满足油田需要。
2.2 储层预测验证
根据训练得出的权值、阀值编写Forrtan程序, 并将此程序加载到Forward软件中分层段处理井。将其处理其它未知层位的井, 然后将处理结果与该井中的试油结果相对比查看其运用效果的好坏 (表1) 。
从 (表1) 中可以看出用神经网络预测储层流体性质基本与试油结果基本符合, A4井4270~4273.2 (m) 中试油结果为油水同层, 神经网络判别结果与试油结果相同, 而测井解释结果为油层;其它几个井中神经网络判别结果与试油结果基本相符合, 从中可见上述数学方法在油水层判别中运用效果较好。
3 结语
三工河组储层为中、细砂岩为主的低孔低渗砂岩, 流体性质的识别是测井解释中不可缺少的一部分。测井曲线值对不同类型流体变化波动微小, 常规方法在测井解释中不能起到理想的预期效果, 所以本文提出了Bp神经网络这种模式识别的方法运用在流体识别中。
Bp神经网络方法是以自身特有的样本学习能力获得识别模式。它具有自组织、自学习、自适应容错及搞干扰能力;具有自动学习的特点, 不需要事先建立任何理论模型, 只需要骑过对已有的样本学习, 自适应地建立测井响应与储层参数的映射关系[5], 它在石油测井解释中的应用说明了不同领域知识的融合、交叉。
在实际运用中, 对其它待处理的井经过该方法处理后与这些井的试油结果相对比, 我们发现经过Bp神经网络流体判别后的结果与试油结果基本相符合, 这也证明了该方法在实际运用中的可靠、准确性。
摘要：莫北地区侏罗纪三工河组, 岩性主要是中、细砂岩, 属低孔低渗储层, 所以储层流体性质的识别是该地区急需解决的问题。针对常规测井储层识别准确率不佳的情况, 提出了Bp神经网络这种数学方法进行储层的油、气、水、干层的识别。提出43个试油层段的测井曲线特征值, 以对流体性质敏感并且在交会图上具有比较明显区分度的密度值 (DEN) 、孔隙度 (POR) 、电阻率值 (RT) 和含水饱和度值 (SW) 作为输入向量, 经程序训练判别准确率达到满足的要求后根据得到的权值、阈值编写神经网络预测的程序挂接在测井解释软件中, 从而实现了Bp神经网络在储层中的自动化识别。
关键词：Bp神经网络,流体识别,测井解释
参考文献
[1]史峰, 王小川, 郁磊.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社, 2010:1-30.
[2]焦李成.神经网络的应用与实现[M].哈尔滨:哈尔滨工业大学出版社, 1998:50-111.
[3]雍世和, 张超谟.测井数据与处理与综合解释[M].北京:石油大学出版社, 1996.
[4]杨斌, 肖慈询.基于神经模糊系统的领导参数反演[J].石油与天然气地质, 2000, 21 (2) :173-175.
流体识别 篇3
应用声学岩石物理模型进行储层流体性质识别
介绍了利用常规测井资料与声学岩石物理模型相结合进行复杂岩性储层的流体识别的方法.建立了双重孔隙各向异性岩石物理模型.利用测井曲线计算孔隙度、泥质含量、石英颗粒的体积模量与剪切模量等岩石物理模型所需的.输入参数.应用该模型估算岩石在含水饱和、含油饱和条件下的纵、横波时差曲线,然后计算相应的纵横波速度比、泊松比等弹性参数.对比实测的弹性参数与模型估算的弹性参数,根据其大小关系识别储层流体.2口井的实际测井资料处理表明,利用岩石物理模型识别储层流体结论与常规测井解释结论、试油结论均相符,这为复杂岩件储层的流体识别提供了一种新方法.
作 者：赵立新 刘学锋 孙建孟 李召成 作者单位：赵立新(中国石油大学,资源与信息学院,北京,102249;中国海洋石油有限公司勘探部,北京,100010)刘学锋,孙建孟,李召成(中国石油大学地球资源与信息学院,山东,东营,257061)
刊 名：测井技术 ISTIC PKU英文刊名：WELL LOGGING TECHNOLOGY 年，卷(期)： 33(5) 分类号：P631.84 关键词：测井解释 岩石物理模型 复杂岩性储层 纵波 横波 声波时差 流休识别