黄骅坳陷埕海二区沙二段低渗透储层分类方法

摘 要 ：黄骅坳陷滩海地区井点稀疏,井网不规则,以常规测井资料为主,急需基于常规测井资料的低渗透储层分类评价方法.以黄骅坳陷埕海油田沙二段低渗透储层为例,综合岩心、测井及试油资料,建立了基于统计分析的测井储层分类方法与误差逆传播神经网络判别方法相结合的低渗透储层测井分类评价方法.进而实现沙二段低渗透储层的分类评价,解决了非取心段低渗透储层分类评价难题.对寻找相对优质储层、实现油藏高效开发具有重要意义.

关 键 词 ：黄骅坳陷；埕海二区；低渗透储层；储层分类；

随着油藏开发的不断深入,低渗透油藏成为我国油气增储上产的研究热点,如何通过储层分类来寻找相对优质储层是低渗透油藏勘探开发的关键.陆上老油田密井网区的低渗透储层分类评价方法已比较成熟 ,但对于井网和资料条件特殊的滩海及海上油田,基于常规测井资料的低渗透储层分类评价方法还相对匮乏.笔者旨在探讨如何利用神经网络方法实现基于常规测井资料的低渗透储层分类评价,为寻找低渗透油藏中的相对优质储层、实现高效开发提供支持.

1.研究区地质概况

埕海油田二区地处河北省黄骅市滩涂海域,构造上位于埕宁隆起北坡埕北断阶带,北邻歧口凹陷,南邻羊二庄油田和赵东开发区,西侧以张北断层为界,东侧以一浅鞍与张东东开发区相连,构造面积75km2.钻井揭示多套地层,其中沙河街组是主力的含油层段,也是典型的低渗透储层发育段.该研究选取沙河街组二段低渗透储层为例.发育三角洲前缘席状砂和水下分流间湾沉积,砂泥岩交互,薄互层发育.主要岩石类型为岩屑长石砂岩,粒度整体偏细.由于长石易碎和易溶性,岩石中较高的长石含量反映了矿物成熟度低的特点,对低渗透储层的形成具有重要的意义.储层孔隙度为5% ～20% ,渗透率为0.01～5mD,为中低孔低渗储层.

2.低渗透储层分类方法

在滩海地区特殊的地理环境下,以“大斜度井为主、井点稀疏、井网不规则” 的特点限制了资料的录取,成为制约滩海地区储层测井评价的重要因素.陆上油田建立的低渗透储层分类方法是基于大量井点取样分析数据统计规律的.笔者根据滩海地区的实际资料情况,在基于统计的单因素评价和多因素评价的基础上,采用误差逆传播神经网络算法,结合多学科、多信息开展研究区的储层分类评价.

2.1 基于岩性识别的储层分类评价标准

研究区细砂岩、粉砂岩和泥岩交互沉积的薄互层对储层物性影响较大,因此开展储层岩性识别是研究区储层测井综合评价的基础.以岩心分析资料为基础,利用声波时差和补偿中子进行交会分析发现,上述几种岩性的测井响应特征存在差别,不同岩性的数据点分布在交会图的不同区域,这为利用测井响应特征识别岩性提供了可能.

2.2储层岩性一物性分类评价标准

岩性和物性是研究区储层含油性的主要影响因素,可以将其作为储层分类评价的重要指标 .在岩性测井识别的基础上,以试油资料为基础,结合储层评价规范,选取储层砂岩的厚度、岩性和物性等参数,建立研究区低渗透储层的岩性一物性分类标准.这种标准简单易操作,而且可以直接应用于生产.但是,该方法只适用于有试油资料的层段和井,对大部分井和井段不能用该方法进行储层分类评价.为此,笔者在上述储层分类的试油标准基础上,对典型试油井段储层的岩性、物性及有效厚度进行统计,并结合储层评价规范,建立了适用性更强的储层分类标准.

该方法建立的低渗透储层岩性-物性分类标准实现了非取芯井断的储层分类,但由于测井解释误差较大,准确度不高,会对储层的分类结果产生影响.

2.3基于神经网络的储层分类方法

传统的基于统计的储层分类方法虽然简单、快捷,但也是一种线性判别,很难准确描述低渗透储层中多种复杂因素的影响.与之相比BP神经网络利用试油资料判别的典型的一类、二类和三类储层信息,建立储层分类训练数据,利用训练后的神经网络对储层进行分类识别.

2.3.1BP神经网络储层分类的原理

BP神经网络是一种多层的阶层型神经网络,该神经网络的特点是不同层之间的神经元垂向连接,而在同一层内的神经元之间不进行连接.在学习数据输入神经网络后,神经元的激活值按照“输入层-中间层-输出层”的顺序传播,最后再回到输入层.在这一过程中,神经网络对输入学习数据所反映的模式响应正确率逐渐提高,最终使误差稳定在一个可以接受的足够小的值.

基于BP神经网络的储层分类流程包括训练数据的准备、神经网络的建立和全井段的储层神经网络分类三步.研究区低渗透储层分类主要采用测井数据,分类计算的复杂程度较低,已有的研究证实,三层的网络模型可以分割成任意复杂的平面,能够满研究的需要.在进行训练之前,对神经网络进行初始化,利用0～1内分布均匀的随机数对连接权重和阈值赋初值,得到初始神经网络模型.

2.3.2 研究区储层分类

神经网络训练数据的准备是储层分类的第一步.笔者以取心段和试油井段的储层岩性一物性分类为基础,综合考虑试油结果、岩性、物性和电性特征,利用已建立的储层岩性一物性储层分类标准, 制作了三类典型储层的训练样本.根据该区岩性控制低渗透储层发育的特点,选取反映储层岩性、物性及含油性的声波时差、自然伽马、深浅侧向电阻率及测井解释孔隙度等测井参数作为储层分类判别参数.从神经网络训练情况来看,以上述测井参数为判别参数建立的神经网络在经过5次迭代之后快速收敛；经过32次迭代后,误差已经降至1O-2；在迭代41次后,误差已经逼近预期设定的最小值；之后继续迭代收敛速度减缓.因此,笔者建立的神经网络具有迭代次数少,收敛快的特点,这说明选取的储层分类评价参数能够全面反映研究区低渗透储层特征.进而利用训练数据对神经网络进行自检验.检验结果显示,神经网络的判别结果与训练数据的储层分类结果一致性好,说明建立的神经网络稳定性好,能够用于研究区的低渗透储层分类评价.为下一步寻找相对优质储层和Esz油藏开发调整提供了储层评价方法和调整地质依据.

3.结论

利用取心段岩性及物性分析资料建立了研究区低渗透储层的分类标准,并针对研究区取心资料少,井点稀疏,而低渗透储层电性特征不明显、成因控制因素复杂的特点,考虑储层岩性、电性、物性等因素,采用误差逆传播神经网络,综合反映上述因素的测井参数,实现了低渗透储层的多因素综合分类评价.