火山岩岩石孔隙结构分类与储层分类评价-吉林大学

火山岩岩石孔隙结构分类与储层分类评价 潘保芝李宁张晓峰张冰吉林大学 提纲 一 绪论二 压汞毛管压力曲线研究孔隙结构三 应用毛管压力曲线储层分类四 神经网络识别孔隙结构五 核磁T2谱转换伪毛管压力曲线六 分类效果验证和分类储层参数评价 一 绪论 1 孔隙结构特征 岩石的孔隙系统由孔隙和喉道两部分组成 储集层的孔隙结构是指岩石所具有的孔隙和喉道的几何形状 大小 分布及其连通关系 孔隙结构直接影响到油气的储集量和油气的产能 孔隙结构是研究岩石的孔隙度和渗透率的基础 也是导电机理研究的基础 裂缝性储层 结晶质火山岩 最初形成于冷却的熔岩的未改变的火山岩 这些岩石不含有原生的骨架孔隙度 由于存在易碎性 这些岩石比其他岩石类型更可能发育裂缝 火山岩岩石孔隙结构特征 孔隙 裂缝性储层 角砾岩 显示出多种孔隙类型 在火山活动中的裂缝发育期间 这些角砾岩中的孔隙发育可能更好 在这一时期 地下水流动可能导致溶解作用以及淋溶不稳定的矿物颗粒 导致形成空穴孔隙 进一步提高这些岩石中孔隙网络几何形状的复杂程度 火山岩岩石孔隙结构特征 孔隙性储层 凝灰岩 通过火山喷发以及随后的火山岩碎片和火山灰的堆积作用形成它们具有低孔隙度 并且以微孔性的孔隙网格为主 具有很低的生产能力 由于凝灰岩的存在的总量较大 是构成储量的重要部分 火山岩岩石孔隙结构特征 火山岩岩石孔隙度 渗透率交会图 岩性 孔隙度与渗透率关系 一 绪论 2 储层分类的意义不同储集空间及孔隙结构类型组合 形成了不同性质 不同产能的储集体 即使同一岩性 同一成因类型的储集体 也由好 中 差之分 火山岩储集性 渗透性 储集有效性以及孔隙结构的差异客观存在 对于火山岩储集层 其孔隙结构复杂 非均质性强烈 对火成岩储集层进行先分类再评价是有必要的 常规整体评价方法难以准确进行储层评价 因此储层分类评价十分必要 提纲 一 绪论二 压汞毛管压力曲线研究孔隙结构三 应用毛管压力曲线储层分类四 神经网络识别孔隙结构五 核磁T2谱转换伪毛管压力曲线六 分类效果验证和分类储层参数评价 二 压汞毛管压力曲线研究孔隙结构 毛管压力曲线是湿相流体饱和度与毛管力之间的关系曲线 不仅是孔喉半径分布和孔隙体积的函数 也是孔喉连接方式的函数 是研究岩石孔隙结构特征最重要的资料 毛管压力曲线的定量特征 二 压汞毛管压力曲线研究孔隙结构 排驱压力是指非湿相进入多孔介质孔道驱替润湿相 使润湿相离开孔道产生流动所需要的最小压力 即非润湿相开始进入岩样最大喉道的压力 将毛管压力曲线中间的平缓段延长至零非润湿相饱和度 与纵坐标轴相交 其交点所对应的压力即为PT 与PT相对应的喉道半径是连通岩样表面孔隙的最大喉道半径rmax 二 压汞毛管压力曲线研究孔隙结构 饱和度中值压力Pc50排驱毛管压力曲线上50 饱和度对应的毛管压力 反应饱和度中值喉道半径r50 简称中值半径 最小湿相饱和度Smin 束缚水饱和度 当驱替压力达到最高时 未被非湿相浸入的孔隙体积百分数 束缚湿相饱和度反应了润湿相在多孔介质中不可驱替的最小饱和度 岩石孔隙结构研究方法 毛管压力曲线 提纲 一 绪论二 压汞毛管压力曲线研究孔隙结构三 应用毛管压力曲线储层分类四 神经网络识别孔隙结构五 核磁T2谱转换伪毛管压力曲线六 分类效果验证和分类储层参数评价 三 应用毛管压力曲线储层分类 本文的研究目的层为松辽盆地深层营城组火成岩储层 火成岩岩样的孔隙结构相当复杂 毛管压力曲线形态各异 而且大部分都表现出强烈的非均质性 排驱压力最低为0 035Mpa 最高为34 500Mpa 孔隙半径峰值最高为20 837 m 最低为0 021 m 平均孔隙半径最大为6 038 m 最小为0 009 m 毛管压力曲线反映孔隙结构特征 根据压汞曲线形态和排驱压力强烈的非均质性 分为7类 低孔低渗砂岩储层 火山岩储层 根据压汞曲线形态和排驱压力将岩样分为五大类 三 应用毛管压力曲线储层分类 进汞曲线总图 排驱压力最低为0 035Mpa 最高为34 500Mpa 孔隙半径峰值最高为20 837 m 最低为0 021 m 平均孔隙半径最大为6 038 m 最小为0 009 m 三 应用毛管压力曲线储层分类 第一类 孔隙度分布14 20 峰值位于18 左右 渗透率全部在10 100 10 3 m2 排驱压力全部在0 01Mpa 0 1Mpa 储集性很好高渗透率低排驱压力 三 应用毛管压力曲线储层分类 第二类 孔隙度集中14 20 大孔隙部分较多 渗透率在10 10 3 m2左右出现峰值 排驱压力分布在1MPa左右出现峰值 储层的储集性较好 三 应用毛管压力曲线储层分类 第三类 储层非均质性强烈 渗透率在1 10 3 m2 排驱压力全部在0 1 1Mpa 最大孔隙半径分布峰值在6 m左右 平均孔隙半径2 3 m 三 应用毛管压力曲线储层分类 第四类 孔隙度在2 12 峰值出现在6 渗透率峰值在1 10 3 m2 排驱压力在1Mpa 10Mpa之间 三 应用毛管压力曲线储层分类 第五类 孔隙度4 20 峰值在8 左右 渗透率峰值在0 1 10 3 m2 排驱压力在1 10Mpa 峰值在10Mpa附近 三 应用毛管压力曲线储层分类 第六类 孔隙度2 10 峰值4 8 渗透率峰值在0 1 10 3 m2 排驱压力十分大 在10Mpa 100Mpa 三 应用毛管压力曲线储层分类 第七类 储集性非常差 孔隙度极低 峰值在2 4 渗透率极低 在0 01 0 1 10 3 m2 排驱压力很高 吼道半径很小 应用毛管曲线结构分类 结构 一 绪论二 压汞毛管压力曲线研究孔隙结构三 应用毛管压力曲线储层分类四 神经网络识别孔隙结构五 核磁T2谱转换伪毛管压力曲线六 分类效果验证和分类储层参数评价 四 神经网络识别孔隙结构 人工神经网络 ArtificialNeuralNetwork 简称神经网络 ANN 是在模拟人脑处理问题的过程中发展起来的一种智能信息处理理论 自组织神经网络是一种无监督学习的神经网络模型 这种模型大都采用了竞争学习机制 竞争学习是指 同一层的神经元层次上的各个神经相互之间进行竞争 然后竞争胜利的神经元才能修改与其相连的连接权值 这种机制可以用来进行模式分类 竞争学习网络 四 神经网络识别孔隙结构 神经网络参数选取为 竞争层为30 30 迭代次数1800次 学习速率0 9 对样本进行回判 以证明自组织神经网络对孔隙结构分类识别的可靠性 效果验证 对样本回判的正确率为96 1 上述样本随机抽取出10个作为验证数据 用剩余的作为样本 经过判断 准确率为80 四 神经网络识别孔隙结构 应用自组织神经网络处理测井曲线 取芯层段的岩心孔隙度和渗透率与其相应类别的孔渗范围吻合很好 这也证明了这种分类方法的正确性 提纲 一 绪论二 压汞毛管压力曲线研究孔隙结构三 应用毛管压力曲线储层分类四 神经网络识别孔隙结构五 核磁T2谱转换伪毛管压力曲线六 分类效果验证和分类储层参数评价 五 核磁T2谱转换伪毛管压力曲线 核磁T2谱和毛管压力曲线转换的基础岩石孔隙中氢核的横向弛豫时间公式为 当孔隙中只包含水时 水的体积弛豫时间T2B较大 一般为约3000ms 当磁场均匀时 其对应磁场梯度G很小 同时回波间隔TE也足够短时 扩散弛豫项也可以忽略 于是上式变成 五 核磁T2谱转换伪毛管压力曲线 S V为孔隙的表面积和孔隙体积之比 这个值与孔隙半径有关 所以孔隙内流体的横向弛豫时间与孔隙空间的大小及形状有关 孔隙尺寸越小 表面作用越强烈 横向弛豫时间越短 在这种表面弛豫起主导作用的情况下 可以利用T2分布来评价孔隙大小及其分布 毛管压力公式为 上两式左右两端相除 得到 五 核磁T2谱转换伪毛管压力曲线 设 于是上式简化为 这里的C即为转换系数 T2谱转换毛管压力曲线的过程其实是寻找转换系数C 相似对比法求转换系数 将C T2 Am和PC SHg放在同一张图上 如果改变C值 则C T2 Am曲线位置相应的会改变 可以找到一个C值 使两条分布曲线重合度达到最高 这时的C值就是最佳转换系数 五 核磁T2谱转换伪毛管压力曲线 核磁T2谱分布和毛管压力分布图 C T2 Am的数据点数有N个 PC SHg的数据点数有N1个 很明显N N1 这就产生了数据点的个数不对应的问题 五 核磁T2谱转换伪毛管压力曲线 解决方法如下 首先 根据横轴C T2和PC的相关性 对于每个PC值 根据下式 从同为横轴的T2数据中挑选出一个与PC最接近的T2值 即dfj最小时的T2值 要注意的是 因为T2数据在横轴的排列顺序是从小到大 所以C T2的顺序必须要倒转 所以这里对于T2的下标做了N Kj这样的处理 以保持数据顺序一致 五 核磁T2谱转换伪毛管压力曲线 找到N1个T2值后 用下标Kj来标识 同时也就找到了与这组T2相对应的一组Am值 然后根据下面的公式 计算两条曲线的相关系数R 五 核磁T2谱转换伪毛管压力曲线 C 1 2时对比分布图形状 最佳 C 0 2时对比分布图形状 五 核磁T2谱转换伪毛管压力曲线 获得连续的伪毛管压力曲线将转换系数应用到全井 对于每一个深度点上 对C T2 Am进行一次最小二乘拟合 得到C T2和Am的连续函数 于是伪毛管压力曲线下的有效孔隙体积为 五 核磁T2谱转换伪毛管压力曲线 对于C T2i对应的孔隙半径所占总有效孔隙体积的比例为 这里的C T2 也就是转换后的PC 与S的关系曲线就是所转换的伪毛管压力曲线 从岩石的实验室结果 应用到井中 对应每一个深度重复这个过程 就得到了一系列全井分布的连续伪毛管压力曲线 核磁测井T2谱 伪毛管压力曲线 第一道为核磁T2谱所转换的伪毛管压力曲线 第二道为T2谱 值得注意的是 连续伪毛管压力曲线这一道将压力 C作为横轴 进汞饱和度作为竖轴 这样做避免了大量的曲线重叠导致图像模糊 五 核磁T2谱转换伪毛管压力曲线 对已经分类的岩心毛管压力数据 固定数个 C抽取出其进汞饱和度数据 相当于将这条曲线的形状提取了出来 并且毛管压力曲线由二维数据变成了一维的饱和度数据 本文中固定30个压力 通过插值得到其对应的饱和度数据 分别从0 007Mpa到41 250Mpa 这样足以表示各种类型毛管压力曲线的所有数据 五 核磁T2谱转换伪毛管压力曲线 样本示例 神经网络参数选取为 竞争层为12 12 迭代次数1200次 学习速率0 9 对样本进行回判 以证明自组织神经网络对孔隙结构分类识别的可靠性 最终回判正确率为95 45 五 核磁T2谱转换伪毛管压力曲线 回判结果 将上述样本随机提取出22个作为验证数据 用剩余的作为样本 经过判断 准确率为81 8 a T2谱转化毛管压力曲线b 自组织网络进行储层分类 综合处理成果 全井自动分类 基于三孔隙储层分类 一旦小 中 大孔隙部分被确定出 可以使用一种三元图表八个等级将孔隙分类 核磁分析不同孔隙类型 结构 一 绪论二 压汞毛管压力曲线研究孔隙结构三 应用毛管压力曲线储层分类四 神经网络识别孔隙结构五 核磁T2谱转换伪毛管压力曲线六 分类效果验证和分类储层参数评价 六 分类效果验证和分类储层参数评价 分类储层参数评价以孔隙度为基础 使用分类拟合的孔渗关系计算渗透率 自动分类 经过将岩心孔隙度和声波 密度 中子这三种孔隙度曲线计算孔隙度 六 分类效果验证和分类储层参数评价 储层分类后的储层参数计算精度提高 六 分类效果验证和分类储层参数评价 总体拟合得到孔渗的关系公式为 K 0 0213e0 2688 R2 0 4757 第一类储层孔渗关系式为 K 0 012e0 4349 R2 0 8888 第二类储层孔渗关系式为 K 0 0207e0 2633 R2 0 7202 第三类储层孔渗关系式为 K 0 011e0 4103 R2 0 8811 第四类储层孔渗关系式为 K 0 1016e0 2227 R2 0 5673 第五类储层孔渗关系式为 K 0 0125e0 2567 R2 0 5652 第六类储层孔渗关系式为 K 0 0122e0 2331 R2 0 2358 第七类储层孔渗关系式为 K 0 0071e0 7009 R2 0 6422 火山岩岩电参数 六 分类效果验证和分类储层参数评价 为了确定出准确的岩电参数 将高孔高渗的第一类和第二类储层岩电资料合并 统一确定a b m n 将中孔中渗的第三类 第四类储层岩电资料合并 统一确定a b m n 将中低孔低渗的第五类 第六类和第七类储层岩电资料合并 统一确定a b m n 这三类岩电参数分别是 a 0 7980 m 2 2901 b 1 031 n 1 7543 a 1 2434 m 1 8140 b 1 016 n 1 8656 a 0 5679 m 2 1818 b 1 n 1 798 应用效果 岩心分析的含水饱和度为56 83 六 分类效果验证和分类储层参数评价 计算出的渗透率和岩心渗透率吻合很好 说明这种储层分类的方法对于计算渗透率是有效果的 X深X井渗透率计算与岩心对比图 六 分类效果验证和分类储层参数评价 X井C段饱和度计算与试油成果对比图 四个试油层段与计算所得