考慮孔隙結構的礫巖儲層物性分類評價方法

劉詩瓊 劉向君* 孫楊沙 劉紅岐 孔玉華 李賢勝

(①西南石油大學油氣藏地質及開發工程國家重點實驗室，四川成都 610500；②六盤水市鐘山區應急管理局，貴州六盤水 553000；③新疆油田公司勘探開發研究院，新疆克拉瑪依 834000；④中國石油川慶鉆探地質勘探開發研究院，四川成都 610051)

0 引言

近年來，國內外發現了大量砂礫巖油氣藏，如西班牙新赤道格拉納達盆地、中國準噶爾盆地西北部和東部地區等[1]，其中準噶爾盆地二疊系烏爾禾組已成為新疆油田該類油氣藏勘探開發的重點層系。

礫巖儲層非均質性強，孔隙結構異常復雜，而礫巖儲層的綜合評價是進行高效勘探開發的關鍵。礫巖儲層影響因素復雜多樣，常規的統計分析方法很難奏效。只有結合多方面資料，對儲層孔隙結構和物性特征、生產動態特征進行綜合研究，才能為勘探開發方案的制定、開發動態分析、油藏工程研究、油藏數值模擬以及開發方案的調整，奠定可靠的地質基礎。在勘探開發的不同階段，儲層評價工作也應有所側重。

多位學者使用薄片、常規壓汞、恒速壓汞和微CT掃描等資料對儲層微觀孔隙結構特征進行分析，進而對儲層進行分類。王永詩等[2]利用聚類分析方法對10個孔喉結構參數進行分析，發現致密儲層具有微米級孔、納米—亞微米級孔、孔喉半徑比變化較大的喉道特征，根據分類結果和試油結果，建立了古近系致密儲層分類方案。運用孔隙結構參數對儲層進行分類的方法較多，其中以壓汞資料最為廣泛。盧雙舫等[3]利用高壓壓汞分析儲層孔隙結構特征，將儲層分為四種類型；Sun等[4]、葛東升等[5]、雷冠宇等[6]、熊亮[7]基于“高精度、跨尺度”微觀孔隙結構研究思路，利用氮氣吸附、高壓壓汞、掃描電鏡及礦物分析電鏡等實驗，對儲層微觀孔隙結構進行定量表征，建立了儲層分類評價標準。但是利用壓汞資料進行儲層評價也存在缺點，即不能連續進行儲層評價。因此，通過建立進汞飽和度與核磁共振回波參數之間的關系，預測出MICP(壓汞毛管壓力)曲線[8]。毛銳等[9]利用飽和水T2譜、壓汞聯測實驗數據，分儲層類型建立大、小孔隙的毛管壓力與T2分布的轉換關系，進而實現連續地對地層進行評價。

由于沉積相影響儲層參數，所以在某些區塊單獨使用以上方法，并不能完全反映儲層的特征。因此，眾多學者采用巖心、薄片、壓汞及常規測井等資料分析，結合沉積相、斷裂和微裂縫發育程度等多種資料和方法對儲層進行分類評價[10-11]。高雨等[12]認為，通過源區性質、邊界條件及沉積物搬運通道類型對源匯系統進行分類，結合沉積體系對儲層進行分類效果較好[13]。

儲層分類方法多樣，每種方法的原理、計算步驟及所需資料各不相同，除了從微觀孔隙結構角度進行儲層分類外，還應利用儲層含油氣量、生產動態資料、地震屬性并結合測井資料，進行儲層分類評價。郭建林等[14]采用地質工程一體化評價思路，選取含氣量表征頁巖儲層物質基礎，與孔隙度和有機質豐度正相關，將儲層分為三類；利用測井連續對儲層進行分類評價，王興龍等[15]利用C5.0決策樹算法計算儲層滲透率，在綜合孔隙結構和其他儲層參數的基礎上分類；Jin[16]、楊兵等[17]、汪新光等[18]、魏博等[19]、Xinyang等[20]、唐文軍等[21]、陳羅元等[22]利用模糊聚類理論、多元非線性回歸、地質統計學等數學方法，結合滲透率、孔隙度、儲量豐度、儲層深度、含油氣性等儲層參數，利用影響產能的測井特征參數建立儲層分類標準，對儲層進行評價。但對非均質性強的儲層，一些數學方法易受樣本影響導致應用效果較差，同時數學方法都需要巖石樣品及高精度的觀測數據，而樣品的選取、數據提取等都可能造成誤差，使得數學方法應用效果變差。因此Bayowa等[23]、劉君毅等[24]結合微觀孔隙結構特征、滲流性能、巖電規律將儲層分為不同的巖石物理相，分析儲層與不同的巖石物理參數的關系，降低非均質性的影響。Ashraf等[25]、祝禧艷等[26]、陳雪珍等[27]和Tong[28]針對非均質性極強的儲層，結合電相分析、歷史生產數據和巖心試驗資料等，對儲層沉積相進行了分析。從“甜點儲層”主控因素分析入手，利用三維地震屬性預測非均質儲集層“甜點”的空間分布，降低非均質性影響，再結合巖心觀測、測井資料對儲層進行有效性評價。

綜合分析上述研究成果，可發現研究人員主要從薄片、常規壓汞、恒速壓汞和微CT掃描、結合沉積相、儲層含油氣量、生產動態資料及地震屬性結合測井資料、微觀孔隙結構特征、滲流性能、巖電規律，結合巖石物理相進行分類，這些方法各有優劣。核磁共振測井作為一種對儲層孔隙結構和流體類型很有效的測井技術，在研究區測取了大量的數據，因此在該區的測井評價中至關重要，而前人的研究中，利用核磁共振T2譜參與儲層綜合分類評價的實例較少。本文利用T2譜蘊含豐富的儲層精細孔隙結構、物性特征和流體類型等信息，開展研究區儲層分類評價。

1 球管模型概述

巖石的孔隙結構非常復雜，幾乎不能使用解析方法進行表征。就可查閱到的研究報道而言，應用測井數據研究巖石孔隙結構的模型可分為兩類，分別是數據驅動的擬合經驗方程[29]和模型驅動的球管模型[30]。球管模型的研究方法，在對巖石孔隙結構進行抽象歸納的基礎上，按照巖石孔隙結構滲流能力和儲集能力的劃分方法，將巖石的孔隙結構歸結為管形和球形，采用球管模型對巖石的孔隙結構進行近似模擬。單個的球管模型由球形孔和管形孔組合而成(圖1)，用一定數量體積不同的管形孔與球形孔、不同匹配關系的球管模型組合成群，模擬巖石的孔隙結構(圖2)，球管模型的表面積等于該組等效球形孔的表面積(圖2)。按照一定的分組規則對球管模型分組進行劃分，在不同的分組之間，球管模型的數量和匹配關系都可不同；在同一分組的內部是具有一定數量的、大小和匹配關系一致的球管模型。

圖1 球管模型示意圖

圖2 劃分為N組的球管模型群

改變球形孔與管形孔的匹配關系，根據球形孔和管形孔體積和表面積的計算公式，可得孔隙分組中單個球管模型的橫向弛豫時間計算式[30]

(1)

式中：Vs、Vc分別是球形孔和管形孔的體積(μm3)；Ss、Sc是對應的表面積(μm2)；ρ2為孔隙表面的橫向弛豫率，通常取值2.5×10-3μm/ms。

每一次改變球形孔與管形孔之間的配置關系，都會計算得到一組不同的T2值，即橫向弛豫時間T2布點值與球形孔的配置關系是確定的，用該組T2布點值反演核磁回波信號。實際的計算結果表明，對于不同的T2布點值，核磁回波反演擬合方程與回波信號之間的擬合均方差都會改變。當核磁回波反演的擬合均方差達到最小時，該組T2布點值對應的球管模型幾何參數與巖石真實孔隙結構具有最好的相似性。

2 優化反演譜及形態參數提取

2.1 球管模型優化反演

常用的核磁測井回波反演算法包括奇異值分解(Singular Value Decomposition，SVD)、聯合迭代重建反演(Simultaneous Iterative Reconstruction Technique，SIRT)和模平滑反演等[31]。本次研究以SVD反演算法為基礎，用球管模型優化反演算法反演核磁測井回波。經過優化反演之后，可得到三種T2譜分布，分別是管形孔T2譜(T2c)、球形孔T2譜(T2s)和優化反演總T2譜(T2oit，圖3)。

圖3 球管模型優化譜

2.2 譜形參數提取

儲層分類方法眾多，基于核磁T2譜計算儲層參數分類的難點在于T2譜截止值的確定。該截止值只能用試驗或經驗方法求取。如孔隙結構復雜、非均質性很強，即便有巖心也難以用試驗精確求取。由于反演得到的T2譜是儲層物性信息的響應，其形態變化表征了儲層的孔隙空間及結構。優化反演得到的T2譜也是如此。

圖形的形態可用波峰、波谷、波峰寬度、波谷寬度及斜率等參數來進行刻畫[32]。將核磁T2譜分布也看成一幅圖(圖4)，同樣可用圖形參數進行刻畫。T2譜形態參數的定義及計算方法

圖4 圖形形態參數示意圖

(2)

式中：P1為圖形幅度(Yi)在全部采樣點的平均值；P2為圖形幅度在全部采樣點的最大值；P3為最大值(Pmax)在圖形上的相對位置,Xm為Ymax對應的橫向弛豫時間；P4為最大值(Pmax)與平均值之差；P5為左右拐點的對稱度；P6、P7分別表征左、右跳躍幅度，YminL、YminR對應為Ymax左、右側極小值；P8為左右跳躍平衡度；P9為峰寬，即最大值兩邊半幅點在橫軸上的長度；P10為測井曲線的方差，該參數描述曲線是否光滑，其中Yi為T2譜幅度的當前值；P11為T2譜的峰值點個數，將T2譜(球型譜，管型譜)每三點做一組，進行自動識別；若每組三點數值的中間點大于兩邊數據，即計數一個峰值點；P12為最大峰谷比值，即最大值與最小值的比值(此處需增加一個判斷，若Ymin=0，則不做計算，給P12賦一個很大值，如106；N是確定窗口的曲線點數；Xi是當前測井數據值；Ymax、Ymin、Yi分別是T2譜幅度的最大值、最小值和當前值(無量綱)；YminR、YminL分別是T2譜最大幅度右極小值和左極小值(無量綱)；X1、X2、Xi分別是主峰左、右兩邊半幅點對應的橫向弛豫時間和當前弛豫時間(ms)；Xm是T2譜最大值對應的橫向弛豫時間；X50L、X50R分別是T2譜左、右邊界上半幅點對應的橫向弛豫時間；d1、d2是選定窗長曲線在兩端的斜率(圖4)。

為了確定T2譜中峰值點的個數，首先按照氣泡法，逐點將全部的采樣點數據按“三點一組”方式進行分組；然后進行峰點判斷，若滿足fi-1fi+1，則計入一個峰點數，依此類推。

確定谷點的方法，與此類似。

考慮到喉孔比(管孔比，PTR)對儲層物性影響較大，在提取T2譜形態參數基礎上，還增加了PTR作為預測向量的元素，以增強預測向量對于儲層類型的識別能力，其表達式為

(3)

此時的Vc、Vs分別是T2譜均值管半徑和均值球半徑計算的管形孔體積和球形孔的體積，由球管模型優化算法得到[31]。

針對優化T2譜，提取12個譜形態參數[32]。用譜形態參數、或結合喉孔比(PTR)形成儲層物性識別向量。在此基礎上進行儲層分類，可繞開T2譜截止值難以確定的問題。

3 基于SVM算法的預測模型訓練

3.1 SVM算法簡介

為得到預測模型，本文用支持向量機(Support Vector Machine，SVM)完成。SVM實際上是一種感知機模型，也屬于一種分類算法，根據已經形成分類的樣本數據和分類指標，可建立對于未知樣本的分類模型。在感知機模型中，能找到多個可分類的超平面將數據分開，且在優化時希望所有的數據點都最大限度遠離超平面。但實際上離超平面很遠的點已經被正確分類，設計算法讓它們進一步遠離超平面并無實際意義。另一方面，需關注的是那些離超平面很近的點，這些點很容易被誤分類。在設計算法模型時，可讓離超平面比較近的數據點盡可能地遠離超平面，則該算法模型就會對未知樣本具有更好的分類效果，這就是SVM算法的核心思想。如圖5所示，分離超平面為

WTx+b=0

(4)

式中：W、b分別是超平面的法向矢量和截距；x是分類矢量，其元素即是分類指標。

如果所有的樣本不只可被超平面分開，還與超平面保持一定的函數距離(圖5函數距離為1)，那么這樣的分類超平面就是感知機的最優分類超平面，且可證明這樣的超平面只有一個。與超平面平行且保持一定距離的這兩個平面對應的向量，即定義為支持向量(圖5)。

圖5 支持向量機原理概念圖

3.2 SVM預測模型訓練

3.2.1 預測向量的構成

本文應用球管模型優化反演核磁測井回波，分別得到優化T2譜(T2oit)、管形孔T2譜(T2c)、球形孔T2譜(T2s)，共生成三種T2譜分布。針對每種T2譜提取相應的譜形態參數(式(2))，包括P1，P2，…，P12共12個。同時還計算相應的譜特征參數：如孔隙度、T2幾何均值和喉孔比(式(3))等參數。分別用譜形態參數組成譜形態參數預測向量、聯合預測向量(譜形態參數結合譜特征值組成)。

在與T2譜對應的深度上，根據常規測井結果、巖心分析物性數據及生產測試數據，按物性好差將儲層分成不同類別，并對每個類別賦值。本次針對準噶爾盆地HM工區的上烏爾禾組巖石，將儲層分為5個類別，分別用0～1之間數據數值表示，賦值含義如表1所示。基于預測向量，用SVM進行訓練，建立以上2個預測向量與儲層分類參數之間的預測模型。

表1 礫巖儲層類別賦值

3.2.2 預測模型優選

優化反演核磁測井回波得到3種不同類型的T2譜分布，即管形孔T2c譜、球形孔T2s譜和優化反演T2oit譜。其中，T2c譜主要反映儲層的滲流能力，T2s譜主要反映儲層的儲集能力，T2oit譜主要與儲層總孔隙度有關。通過圖形形態參數提取和特征值計算，三種T2譜可形成譜形態參數預測向量和聯合預測向量，分別采用SVM算法建立譜形態參數預測向量、聯合預測向量與儲層分類參數之間的預測模型(圖6、圖7)，針對所選樣本的T2c、T2s、T2oit三種譜，共計訓練生成6個預測模型。

圖6 CIFLLog解釋軟件的SVM預測插件調用界面

圖7 基于譜形態參數的儲層分類方法

對比研究這6個預測模型，發現用SVM算法建立T2譜圖形參數向量對于儲層分類參數的預測具有一定的預測精度，即對于儲層類型具有一定的識別能力，但預測模型的總體符合率偏低，預測精度范圍是60%～71%(表2)。通過分析，以T2譜的譜形態參數為主，引入T2譜特征參數，如T2譜幾何均值、孔隙度、喉孔比(式(3))，組成聯合預測向量，用SVM算法建立聯合預測向量與儲層分類參數之間的預測模型。

表2 優化譜預測模型總符合率

在訓練過程中發現，將T2譜形態參數與不同的特征參數進行組合，形成不同的聯合預測量，其預測模型對儲層分類參數的預測精度是不斷變化的。

當引入喉孔比后的優化總譜形態參數向量，建立的預測模型對儲層分類參數的預測精度得到顯著提高，其預測總符合率從64.54%提高到92.2%(圖8)，而管形孔T2c譜引入喉孔比后預測模型的總符合率最高(圖9)，此預測模型為最優模型。用SVM算法建立聯合預測向量與儲層物性分類參數之間的預測模型，對于141個訓練樣本，其模型預測符合率也高達93.62%。選取已知的、但未參與模型訓練的27個樣本數，對儲層物性分類參數預測模型進行檢驗。其中，符合的有19個，占70.4%；部分符合的有7個，占25.9%；完全不符合的只有1個，占3.7%(圖10，表3)。

圖8 優化反演T2譜形參數總符合率

圖9 優化反演T2c譜形參數總符合率

表3 儲層物性分類參數模型(引入喉孔比)檢測樣本的預測精度

圖10 儲層物性分類參數模型識別效果分析

4 SVM模型識別效果分析

4.1 不同類型譜的預測模型精度對比分析

以上的研究結果表明，采用球管模型優化反演，可以得到3種不同類型T2譜分布。針對每個T2譜分布，分別提取譜形態參數，計算譜特征值，分別形成譜形態預測向量和聯合預測向量(譜形態參數+譜特征值)。應用SVM訓練預測模型，共計生成6個預測模型。逐個對比這6個模型的預測精度，發現T2c在使用聯合預測向量建立儲層物性分類參數的預測模型效果最好，綜合預測精度達到93.62%(圖9)。其中的物理機制是：球管模型優化反演算法采用球形孔與管形孔的組合形態確定核磁回波的反演策略。優化反演得到的T2c主要反映巖石中的滲流能力，而巖石的滲流能力與儲層物性密切相關[33]。采用對數均勻布點的方式，對橫向弛豫時間的組分進行劃分，其本質是假設巖石內部的孔隙均為球形孔[34]。

同理，采用T2s及對應的聯合預測向量，建立儲層物性分類參數預測模型，其預測精度也不高。這是因為T2s主要反演巖石內部球形孔的發育程度和空間分布。球形孔反映巖石內部的儲集能力，與巖石的滲流能力無很強相關性。因此，用T2s建立儲層物性分類參數的預測模型精度不高。用T2oit建立儲層物性預測模型精度僅低于T2c的預測模型。由于T2oit包含了管形孔和球形孔的發育特征，其模型預測精度降低與球形孔譜的干擾有關。

4.2 實際測井處理預測結果分析

研究結果證明，T2c譜形態參數結合喉孔比參數構成的預測向量，用SVM算法訓練建立的儲層物性分類參數預測模型，該預測模型具有最高預測精度。應用此模型處理了HM工區上烏爾禾組10口核磁測井數據。將儲層物性分類參數預測模型的預測結果與巖心測試、產層等數據進行對比分析，發現兩者之間具有很好的一致性(圖11～圖13)。

圖13 J4井SVM模型實際預測成果圖(試油段3167～3175m)

圖11的測試井段位于2856～2866m。該井段顯示較強的球形孔譜、較長的橫向弛豫時間，說明具有較多、且半徑較大的球形孔分布，即該段儲層具有較好的儲集孔隙；分析圖還發現，該井段的管形孔譜很弱(譜峰很低)，說明滲流性欠佳，預測儲層分類值位于0.6～1.0之間，屬于儲集孔隙良好但滲流性不好的儲集層。該井段壓裂前幾乎不具產液能力，而壓裂后油、氣、水的日抽吸產量分別達到34.14t、10.85m3、159.66m3。該產量與儲層物性分類參數的預測結果一致。

圖11 J2井SVM模型實際預測成果圖(試油段2856～2866m)

圖12的測試井段位于3033～3049m。該圖在整個井段都具有較強(譜分布具有較強峰值)的球形譜，但只在部分井段具有較強的管形譜，也即該井段的整體儲集物性較好，但只在部分井段具有較強滲流能力。在測試井段，物性分類預測模型在其間預測的物性分類值大多在0.8～1.0之間，分別屬于優質儲層和良好儲層。該井段壓裂抽吸產量為：日產油17.71t、氣0.76m3、水166.51m3。據T2c譜的顯示特征，3045～3050m井段具有相對強的T2c譜，儲層滲流區間主要集中于此段，即測試中流體的主要來源。該井段測試油氣產量不高，卻具有較高產水量(達166.51m3)。其油氣產量不高的原因，可能是油源限制和油井構造位置不利；而較高產水量則表明該層段具有較強滲流能力。

圖12 J1井SVM模型實際預測成果圖(試油段3033～3049m)

圖13的測試井段位于3167～3175m。該井段上半部幾乎未見管形孔，下半部卻具有較發育的管形孔。上半段儲層物性分類值處于0.2～0.6之間，基本屬于干層和差儲層；下半段儲層物性分類值主要在0.6～0.8之間，屬于良好儲層和較差儲層。測試該井段，壓裂抽吸后日產水52.27m3。根據管形孔譜的發育特征即儲層物性分類值預測結果，認為產水主要來自下半段。

5 結論

基于優化反演的T2譜提取了譜形態參數、計算了譜的特征值，用SVM算法訓練預測向量，建立了儲層物性分類參數預測模型，并對其進行了檢驗和應用。通過研究，得到以下認識和結論：

(1)應用球管模型優化反演得到優化T2總譜、管形孔T2譜和球形孔T2譜，基于提取的譜形態參數建立了儲層參數預測模型，以此對儲層做分類評價。

(2)分析不同向量建立預測模型的預測精度，發現用聯合預測向量(管形孔T2譜的譜形態參數與喉孔比組成)建立預測模型的精度最高，綜合預測精度為93.62%。

(3)儲層物性分類參數預測結果與測試數據具有較好一致性。基于儲層物性分類參數模型預測的高分類值(0.8～1.0)，與測試井段高產流體量具有很好對應關系。將儲層物性分類參數的預測值與T2c譜、T2s譜進行綜合對比分析，還能確定測試層段內部的非均質性，進一步精細劃定產液層段。