基于巖屑定量數字化分析的吉木薩爾頁巖油儲層表征方法

姚樹新 程浩然 熊釗 王冠群 徐東升 龍威

1. 中海油信息科技有限公司；2. 深圳清華大學研究院；3. 清能艾科(深圳)能源技術有限公司；4. 新疆油田公司勘探開發研究院

近年來，面向砂巖儲層的分析技術日漸成熟［1-2］，但針對復雜的碳酸鹽巖儲層、泥頁巖、火成巖儲層等的表征與評價仍存在著諸多難點，如巖石孔隙結構復雜、巖石物性變化大、巖石非均質性強等，給儲層表征帶來很大困難［3-5］。

分析儲層的物理性質對于認識、評價儲層具有重要意義。對儲層巖石參數的測量和計算是獲取儲層物性的重要手段［6-8］。盡管分析研究儲層巖石參數的重要性已得到公認，但它既沒有一個標準，也沒有一個通用的定義。正如Rebelle等(2014年)指出［9］，不同的研究人員會以自己的方式解決這個問題，這取決于他們的研究重點。例如，儲層巖石參數可根據地質特征(沉積相)或巖石物理分區(根據巖石物理性質，如孔隙度滲透性)進行分類，也可以通過測井數據和實驗室測量數據等獲得。其中，實驗室中對巖心樣品進行測量是一種較為直接和準確獲取儲層巖石參數的方法，但該方法依然存在不足，首先傳統面向巖心研究分析不僅成本很高，并且實驗測試往往需要消耗大量的時間，可達幾個月甚至幾年時間，導致無法有效地對勘探開發進行指導。鉆井巖屑中含有豐富的油層物理信息［10］，但采用傳統巖屑錄井方法對致密頁巖儲層微觀結構刻畫不足，很多微觀層次上的機理無法考慮，從而無法判斷頁巖油可動用的尺寸下限。要想更深入地研究油氣儲集和運移機理，就必須從微觀角度出發，研究儲層巖石內部的本質問題，如孔隙半徑對油氣運移的影響、流體在其中的分布以及相互作用的機理等。因此，筆者提出一種基于巖屑定量數字化分析方法，定量分析頁巖油儲層可動用油的孔隙半徑下限。通過對儲層巖石進行詳細的描述和刻畫，為儲層評價和油氣田開發提供精確的參數。

1 實驗方法

1.1 實驗材料

準噶爾盆地吉木薩爾凹陷發育大規模頁巖儲層，該儲層結構致密，孔隙結構以亞微米-納米級孔隙為主。受連通性影響，常規孔隙結構分析實驗存在巖心成本高、實驗時間長、連通性實驗難以有效開展的特點。本文選用吉木薩爾凹陷典型井吉174井蘆草溝組上下甜點(3112～3228 m)50份巖屑樣品(圖1)，開展以掃描電子顯微鏡(SEM)為手段的多級高精度掃描，刻畫其孔隙結構。

圖1 吉174井蘆草溝組典型巖屑樣品Fig. 1 Typical cuttings samples from Well Ji 174 in Lucaogou formation

1.2 基于頁巖微納米成像及圖像處理的孔隙結構分析方法

孔隙結構分析一直是油氣儲層微觀物理研究的熱點。傳統的孔隙結構分析方法包括常規壓汞、鑄體薄片圖像分析、核磁測井分析等。近年來，掃描電子顯微鏡(SEM)成為孔隙結構分析不可缺少的有力工具。為更好地呈現巖屑面孔率和微觀孔隙結構，需要對巖屑樣品進行較精細的前處理，主要包括機械粗磨、機械精磨和氬離子拋光3個步驟，圖2為表面拋光處理后的樣品。

圖2 包埋、表面磨拋后的頁巖巖屑樣品Fig. 2 Shale cuttings samples after embedding and surface grinding

圖3分別為相同深度的巖屑樣品，用掃描分辨率為1 μm的CT成像、SEM放大500倍和5000倍成像結果，可以看出，CT在刻畫以納米級孔隙為主的頁巖樣品上存在分辨率不足的缺陷，SEM可以獲得比傳統CT更高質量的圖像，在納米級尺度刻畫頁巖巖屑中的微觀結構。

圖3 吉木薩爾蘆草溝組頁巖微納米孔隙結構Fig. 3 Micro-nano pore structure of shale in Lucaogou formation in Jimsar

針對高精度灰度圖像，需要通過分割將每一個像素歸為某一類物質(本實驗中為孔隙和骨架)，能否精準的分割會對之后的建模及定量分析帶來非常大的影響［11］。傳統的圖像分割方法如Global、Otsu、Watershed等，由于依賴人眼識別和主觀判斷，識別的準確性欠佳［12］。人工智能圖像分割技術通過對目標巖心樣本典型孔隙、油相和巖石骨架圖像的灰度特征進行學習，建立數學模型，從而實現通過機器自動識別各相，提高了圖像分割的準確性。人工智能算法識別巖心圖像的步驟為：(1)獲取巖心掃描圖像，通過巖心掃描圖像得到巖心所映射平面上每個像素點的灰度值；(2)根據所述灰度值的變化提取特征量，通過神經網絡算法識別巖心所含物質，得到平面物質分布；(3)取若干像素點作為樣本，并對樣本進行物質識別，所得樣本數據用于訓練神經網絡算法，通過神經網絡檢測上述根據灰度值的變化所提取的特征量，對像素點進行自動識別，從而大幅提高識別的精度［13］。通過結合基于深度學習的圖像分割技術，對SEM圖片進行二值化處理，刻畫出孔隙形態，利用圖像分析技術，定量計算樣品平面孔隙分布特征及平均孔隙半徑。

對所選巖屑樣品進行逐一分析，即可獲得吉174井上下甜點各樣品深度的孔隙半徑參數剖面。將該孔隙半徑參數剖面與核磁測井可動孔隙度對比，即可對比獲得可動孔隙半徑下限。

1.3 J函數分析方法

儲層非均質性導致各巖心毛管壓力曲線受到滲透率、孔隙度的影響而各不相同，每塊巖樣只能代表油氣藏中一點的特征。對于同一儲層，得到一條具有代表性的毛管壓力曲線對儲層研究具有工程應用價值。Leverett認為，具有相同巖性但孔隙度和滲透率不同的巖石可以用一個函數來描述，該方法將同一個儲層的多條毛細管壓力曲線歸一化，得到一條平均毛管壓力曲線，稱為J函數法(式(1))，用以對整個儲層進行評價［14］。

式中，pc為毛管壓力，Pa；σ為界面張力，mPa·s；θ為接觸角，°；k為滲透率，10?3μm2；φ為孔隙率，%。

該方法結合區間孔隙對滲透率的貢獻率，可以求取儲層有效孔隙半徑下限值。歸一化的毛管壓力曲線單個區間的進汞量代表了互相連通性較好、孔隙大小相近的一系列孔隙組合。可以求取不同區間孔隙對滲透率的貢獻值，對于常規儲層，通常將滲透率累積貢獻率達到99%時對應的孔隙半徑作為儲層的可動下限［15］。

2 實驗結果及數據分析

2.1 基于SEM的數字化孔隙結構分析結果

使用掃描電鏡刻畫了吉木薩爾蘆草溝組下甜點典型儲層云質粉砂巖納米級孔隙。圖4展示了吉174井下甜點3160 m白云質粉砂巖屑樣品SEM圖像電鏡圖像，其中上圖為SEM圖像，下圖為對應的孔隙分割圖，孔隙分割圖中白色部分為巖石骨架，紅色部分為孔隙。電鏡掃描時，用500倍和5000倍各掃描3個位置，圖像處理后，對孔隙結構進行了統計分析，求取兩個尺度孔隙分布特征，構建數字化孔隙結構分布圖，求取平均孔隙半徑。

圖4 吉174下甜點巖屑離子打磨后電鏡掃描的孔隙圖像Fig. 4 Pore image scanned by electron microscope after ion grinding of the cuttings from lower sweet spot in Well Ji 174

由圖5可看出，3160 m處樣品10 nm～10 μm孔隙半徑均有發育，其中半徑大于1 μm的孔隙占比低于20%，納米孔隙占80%以上；納米孔隙中100～1000 nm約占25%。

圖5 巖屑數字化孔隙結構分布(3160 m，吉174)Fig. 5 Digital pore structure distribution of cuttings (3,160 m, Well Ji 174)

2.2 結合核磁測井曲線分析可動孔隙半徑

核磁測井T2譜隱含了地層中不同大小的孔隙體積占總孔隙的比例，解釋孔隙分布的關鍵是找到弛豫時間T2與孔隙半徑r的對應關系和轉換方法。由已知的巖心壓汞數據和T2譜實驗數據可以確定轉換系數，從而通過核磁測井T2譜轉換獲得地層孔隙半徑分布，并根據T2譜截止值，確定儲層可動孔隙下限。前期對比研究將本區T2譜截止值據上述方法確定為35 ms，即T2譜弛豫時間大于35 ms視為可動孔隙。

將50個巖塊高精度、多尺度掃描并通過圖像分析計算得到平均孔隙半徑，連接成平均微米孔隙半徑、平均納米孔隙半徑曲線，如圖6所示。

圖6 巖屑數字化孔隙結構分布與核磁測井可動孔隙度對應關系Fig. 6 Corresponding relationship between the digital pore structure distribution of cuttings and the movable porosity measured by nuclear magnetic logging

由圖6可看出，上下甜點區白云質粉砂巖層段孔隙半徑均處于相對高值，上下甜點之間的泥巖段平均微米孔半徑、平均納米孔半徑均較低。微米孔隙度占比較低，平均約占總孔隙度的20%，儲集空間以納米結構為主。對比核磁測井，TCMR，CPOR和核磁35 ms截止值分別對應核磁總孔隙度，除黏土束縛水外的核磁有效孔隙度，進一步除毛細管束縛水的核磁可動孔隙度。從可動孔隙度特征看，當納米級孔隙半徑大于60 nm時，對應深度的可動孔隙度均較高。因此可將吉木薩爾蘆草溝組巖屑數字化孔隙半徑大于60 nm的儲層定為甜點。當孔隙半徑高于該值，孔內流體基本屬于自由流體，對應位置原油相對易于開發。

2.3 基于J函數的可動半徑分析

以吉174井上下甜點共26個柱塞樣品的高壓壓汞曲線為基礎，應用J函數法求取歸一化儲層毛管壓力曲線(圖7、圖8)。26個巖心樣品的中值孔滲分別為13.15%、0.04×10?3μm2，屬于低孔特低滲儲層。為探究儲層納米級孔隙，區別于常規儲層壓汞上限壓力20 MPa，汞驅替壓力上限為160 MPa。

圖7 蘆草溝組巖樣高壓進汞及J函數關系Fig. 7 Relationship between high-pressure mercury injection and J function for rock samples from Lucaogou formation

圖8 蘆草溝組巖樣歸一化儲層毛管壓力曲線Fig. 8 Normalized reservoir capillary pressure curve for rock samples from Lucaogou formation

在平均毛管壓力曲線的基礎上，計算各區間孔隙對滲透率的貢獻度(表1)，截取累積貢獻率99%對應的孔隙半徑作為蘆草溝組可動孔隙下限，對應孔隙半徑約為9 nm。

上述方法確定的最低可動孔隙半徑明顯低于基于核磁與高精度圖像分析法對比確定的60 nm。主要原因在于J函數主要應用于常規碎屑巖壓汞曲線的均一化處理，該類巖心壓汞實驗時最高進汞壓力通常為20 MPa，低于頁巖高壓壓汞的160 MPa最大進汞壓力，后者探測的最小孔隙半徑相對更小，如采用與常規儲層同樣的滲透率貢獻度99%對應的半徑值作為可動孔隙半徑下限，將對可動孔隙產生高估，在與常規儲層相當的生產壓差下，頁巖中相當一部分納米孔隙結構并不具備可動性。從表1可見，進汞壓力19.86 MPa時(與常規儲層巖心最高進汞壓力20 MPa相近)，對應孔隙半徑約40 nm，與核磁測井和圖像分析法共同確定的60 nm最低可動孔隙半徑相比，兩種方法分別確定的最低孔半徑已具有可對比性，側面表明基于電鏡圖像定量評價頁巖儲層具有較好的準確性。多種手段綜合考慮，研究區目的儲層的最低可動孔隙半徑約40～60 nm之間。

表1 J函數法計算不同半徑區間孔隙對滲透率貢獻度Table 1 J-function method to calculate the contribution of pores in different radius intervals to permeability

3 結論

隨著以納米孔隙為主的頁巖儲層的大規模開發，因頁巖儲層連通性差，基于常規儲層的實驗手段顯示出測試周期長、甚至難以完成測試等問題。基于高分辨率圖像的分析手段如掃描電子顯微鏡(SEM/MAPS)、聚焦離子束顯微鏡(FIB-SEM)等在微納米孔隙刻畫上具有獨特的優勢，然而，先進設備、測試方法及其產生的數據需要和其他評價手段產生聯系、可對比性，才能逐步獲得業界的認可。本文以二維電鏡圖像為基礎的孔隙結構分析方法認為，研究區目的儲層的最低可動孔隙半徑約60 nm，與J函數確定的40 nm最低可動半徑相近，表明基于圖像的孔隙結構分析具有較高的準確性，有望為頁巖的儲層表征如孔隙度、連通性、有機質含量、滲透率模擬、巖電模擬等定量分析提供更多價值。