杏七區東部Ⅲ塊微觀孔隙結構宏觀表征方法探討

王海艷

（大慶油田勘探開發研究院 黑龍江大慶 163712）

1 引言

在油氣田開發過程中，儲層的孔隙結構是影響油藏流體的儲集能力，影響油氣開采的主要因素。目前代表儲層孔隙結構的各類參數（最大孔喉半徑、孔喉半徑中值、分選系數等）主要通過實驗室測量所得。常規的研究方法包括毛管壓力曲線法、核磁共振法、鑄體薄片法、掃描電鏡法、CT掃描法、三維重構法和測井等，但常規研究方法價格昂貴，僅限于實驗室，無法對每口井每個層都進行研究。

大慶油田采油四廠從1982年開始設計密閉取心井，至今共有22口密閉取心井巖心資料。通過這些巖心樣品的室內實驗數據統計，顯示孔隙結構各項參數與滲透率具有好的相關性。因此結合滲透率分級，將孔隙結構類型初步劃分為五類（表1）。

表1 中石化石油行業滲透率分級標準表(SY/T6285-1997)

這種分類是依據滲透率解釋結果建立的。滲透率解釋過程中會存在一定誤差，影響孔隙結構的判斷精度。并且滲透率解釋只針對有效砂巖，對于不含有效砂巖的表外儲層是不解釋滲透率的，這也導致表外儲層的微觀孔隙結構類型無法判斷。而通過杏六區東部取心井巖心資料顯示，表外儲層中發育大量厚度小于0.2米測井曲線無法識別的中高滲砂巖，這種中高滲砂巖除了厚度較有效砂巖薄之外，其物性（滲透率、孔隙度等）與有效砂巖沒有差別。為了實現單井單層（含表內及表外儲層）微觀孔隙結構的精細劃分，選取杏七區東部Ⅲ塊作為研究對象，采用神經網絡算法探討了通過測井曲線表征微觀孔隙結構的可行性。

2 測井曲線優選及孔隙結構特征響應

2.1 測井系列優選

杏北開發區自1966年投入開發以來，測井資料數據采集經歷了4個測井系列，目前采用的是DLS-1測井系列，主要應用于三次加密井網和三次采油井網。杏北開發區22口密閉取心井采用了五種不同的測井系列，其中DLS-1為主要的測井系列。因此選取杏七區東部Ⅲ塊DLS-1測井系列的三次加密及三次采油井網共374口井進行研究。

2.2 測井曲線優選

標準DLS-1測井系列包括微梯度（RMG）、微電位（RMN）、淺側向（RLLS）、深三側向（RLLD）、密度（DEN）、井徑（CAL）、自然伽馬（GR）等14條測井曲線，將各測井曲線與各類孔隙結構繪制直方圖顯示，自然電位、自然伽馬、聲波、深淺側向、微電極、密度及微電極幅度差對孔隙結構類型都有一定敏感性，但是任何單一曲線都不能完全區分。

采用兩種曲線交匯圖法，也很難區分各類孔隙結構，只能把一類和五類孔隙結構分開，二、三、四類數據點重疊，很難將其分開。因此，考慮應用神經網絡多維空間非線性映射能力來區分孔隙結構類型。

3 神經網絡法識別孔隙結構

神經網絡（Neural Networks，NN）是由大量簡單的處理單元（稱為神經元）廣泛地互相連接而形成的復雜網絡結構，具有大規模并行、分布式存儲和處理、自組織、自適應和自學能力，特別適合處理需要同時考慮許多因素和條件的、不精確和模糊的信息處理問題。此次采用的BP算法是目前應用最廣泛、研究最深入的一種多層前饋神經網絡，稱為BP神經網絡。根據BP神經網絡的原理，結合測井曲線與微觀孔隙結構類型的對應關系，建立學習樣本，形成微觀孔隙結構模型，最終應用程序來識別研究區微觀孔隙結構類型。

表2 不同孔隙結構的測井響應范圍

3.1 微觀孔隙結構測井響應特征

由于杏七區東部沒有密閉取心井，因此選取鄰區杏六區東部的5口密閉取心井，研究不同孔隙結構類型儲層的測井響應特征。將測井曲線和巖心分析結果進行對比，顯示五類孔隙結構在九條測井曲線上均有不同的響應（表2）。

3.2 建立學習樣本

神經網絡算法是在學習樣本準確的基礎上再進行識別的，所以樣本的準確度直接影響最終結果的準確度。大慶油田采油四廠22口密閉取心井分布零散，并非全廠均勻分布，部分區塊沒有密閉取心井。主要分布在杏一～二區、杏一～三區西部中塊、杏四～五區中部及杏六區東部。對小區塊進行孔隙結構類型識別時，學習樣本最好選取本區或相近的區域，這樣能保證準確率。此次研究的杏七區東部Ⅲ塊沒有取心井，而距離研究區塊最近的是杏六區東部的五口密閉取心井，因此選取這五口取心井巖樣建立學習樣本。在這五口取心井1600個巖樣中，選取了測井曲線與孔隙結構對應較好的300個樣品，并選取55個樣點作為預測樣本驗證精度，正確52個，識別結果符合率為94.5%。

圖1 識別微觀孔隙結構類型軟件“導出數據庫”界面

3.3 識別微觀孔隙結構類型

根據研究區測井資料的豐富程度，以SPnor、GR、HAC、RLLD、RLLS、RMG、RMN、RXO、幅度差九條曲線作為神經網絡輸入，孔隙結構類型作為輸出，對杏七區東部Ⅲ塊三次加密井和三元復合驅井進行孔隙結構識別，識別出來的孔隙結構類型以每0.05米一個數據的格式保存（圖1）。

由于Daa074數據庫的數據是以砂體厚度的形式保存，為了能夠將神經網絡算法識別出的孔隙結構類型應用到數據庫中，根據074數據的格式將砂體厚度內的數個孔隙結構類型取平均值，并將結果輸出到074數據庫。

3.4 繪制微觀孔隙結構類型平面圖

為了能在平面上表征出不同砂體孔隙結構類型的差異，需要將多個砂巖段的孔隙結構類型處理為一個沉積單元的孔隙結構類型。采用的具體方法是將砂巖段的數據運用GPTMap軟件計算，選取各砂巖段的優勢類型，將這個孔隙結構的優勢類型賦值為沉積單元的孔隙結構類型。例如一個沉積單元內部有三個砂巖段，這三個砂巖段的孔隙結構類型分別為一類、二類及三類，那么選取一類代表這個沉積單元的孔隙結構類型。運用這種方法，最終形成了杏七區東部各個沉積單元的孔隙結構類型數據庫。

圖2 葡Ⅰ12沉積相帶圖

圖3 葡Ⅰ12孔隙類型等值圖

圖4 葡Ⅰ12孔隙類型分布圖

利用GPTMap繪圖功能繪制了研究區主力油層孔隙結構類型平面圖，有兩種繪圖方式，一種是將孔隙結構類型當作數值繪制等值分布圖（圖3），一種是按照沉積相方式處理來繪制分布圖（圖4）。將平面孔隙結構類型與沉積相帶圖結合（圖2），顯示相同微相砂體，其孔隙結構類型存在差異。

杏七區東部Ⅲ塊孔隙結構類型識別結果顯示，河道砂和廢棄河道砂發育最好，以Ⅰ-Ⅱ組合為主，河間砂以Ⅱ-Ⅲ組合為主，表外以Ⅳ類為主（表3）。

4 結論

（1）采用神經網絡算法，優選運用最廣泛的DLS-1測井系列中的九條曲線，結合取心井巖心資料，可以建立精度較高的識別模型，并編制識別軟件，實現研究區單井單層五類微觀孔隙結構識別。

表3 杏七區東部Ⅲ塊各類砂體孔隙結構類型統計

（2）利用GPTMap軟件對識別結果進行優勢處理，可以將孔隙結構識別結果直觀反映在區塊平面圖，并從微觀上實現注采井組間連通關系的精細刻畫。

（3）杏七區東部Ⅲ塊孔隙結構識別結果顯示，不同類型砂體孔隙結構存在差異。河道砂和廢棄河道砂發育最好，以Ⅰ-Ⅱ組合為主，河間砂以Ⅱ-Ⅲ組合為主，表外以Ⅳ類為主。