如何使地質數據更具代表性

李少華,劉厚龍,李 琴

(長江大學 地球科學學院剩余資源研究組,湖北荊州 434023)

0 前言

油氣儲層是由一系列復雜的地質過程相互作用所形成的,通常具有很強的非均質性。特別是我國油藏以陸相碎屑巖沉積儲層為主,具有沉積相變快,儲層非均質性嚴重的特點[1]。這種儲層分布不均,非均質性嚴重的特點,導致了井位設計的不規則性,因有利儲層是優先考慮的目標,這樣也就導致了獲取的地質數據在分布上的不規則性[2]。在有利區的部位,開發井會很密集,從而可以獲取大量數據。而在非有利區的分布范圍內,由于儲層預測的不準確等原因,會有少量的開發井及個別探井存在,從而獲取的地質數據十分有限。這種地質數據分布的不均勻如果不加以重視,會導致統計的結果無法真正代表實際數據分布的情況。例如,儲層隨機建模技術目前在國內已經得到越來越廣泛的應用[3～6],建立相模型很重要的一個輸入參數,就是各種沉積微相所占的比例。由于井位分布的不規則性,多數井會集中分布在有利相帶上,從而導致了在統計結果中,形成好儲層的微相比例偏大,進而會導致模擬結果過于樂觀,計算的地質儲量偏大。為了解決這一問題,必須對數據分配不同的權值,讓密集的數據獲得較小的權值,而稀疏的數據獲得較大的權值。作者在本文介紹了二種方法來實現這一目的,即網格去叢聚方法和多邊形去叢聚方法[7、8],并通過實例分析了應該注意的問題。目前,去叢聚的方法在國外的應用較多,加拿大學者還針對建模軟件Petrel開發了相應的去叢聚插件[9]。但在國內這方面的研究還剛剛處于起步階段。

1 網格去叢聚方法

網格去叢聚方法(Cell Delustering)是最常見的一種降低地質數據叢聚效應的方法,能夠讓不規則分布的數據更合理地反映數據真實的分布。其核心就是給叢聚在一起的地質數據分配較小的權值,給稀疏分布的數據分配較大的權值。該方法具有一定的適用條件,就是首先要知道叢聚的數據是分布在高值區還是低值區。如果叢聚的數據與沒有叢聚的數據之間沒有明顯的差別,那么利用本方法的意義就不大。

網格去叢聚方法具體的做法是:把研究區劃分為L個網格。統計有數據點的網格,記為Lo(Lo≤L)。并且,統計每個有數據的網格內有多少個數據點,記為nlo,lo=1、…、Lo,它的和等于所有數據點的個數。每個數據點分配的權值與在網格內數據的個數成反比。為了便于統計,把所有數據點的權值之和設為1,那么每個數據點的權值大小為例如研究區共劃分36個網格,其中有33個有數據,那么Lo=33。在網格i中有2個數據點,因此每個數據點的權值就是1除以33,然后再除以2,等于0.015 2,其它的數據點的權值依次類推。

在這個方法中,網格的大小是關鍵。在不同的網格大小條件下,數據就會有不同的權值。網格大小一般從數據最小的間距開始,然后逐步增加。程序會計算出在每種網格劃分情況下,數據的加權平均值。一般來說,井都是在好儲層的地方密集,因此通常都是選擇加權平均最小值所對應的網格大小。把在此網格條件下計算得到的各個數據點的權值,作為該數據點的權值,然后統計均值、直方圖分布等,作為模擬的約束條件。

2 多邊形去叢聚方法

多邊形去叢聚法,類似于儲量計算中的面積加權平均法,即密的數據點控制的面積小,權值就小,而稀疏的數據點控制的面積大,因此權值就大。該方法非常直觀,易于理解(見圖1)。需要注意的是邊界問題,當數據點正好位于邊界上的時候,可能得不到正確的權值,通常可以采用把邊界適當外擴的方法來解決。

該方法具體的做法是:

(1)找到數據點二點之間最短的距離。

(2)根據這個最短距離,建立密網格,例如選擇最短距離平方根的一半,作為密網格大小。

(3)把每個密網格分配給距離它最近的那個數據點,然后統計每個數據點有多少個密網格,該數據點的權值與分配到的密網格個數成正比,大小等于分配到的密網格數除以總的密網格數。

3 實例研究

石南油氣田X井區的目的層段,是白堊系清水河組的清一段,主要為辮狀河三角洲前緣沉積。該研究區有十八口鉆井,在工區的左上角是3×3的試驗開發井網,相對密集,井距250 m。其它井位分布不均,井距多在1 000 m以上(見下頁圖2)。為了精細計算油氣儲量,以及為油藏數值模擬提供地質模型,作者開展了儲層地質模型研究。

3.1 離散型變量的處理

在地質研究的基礎上,首先建立沉積相模型。如圖2(見下頁)所示,沉積微相類型主要為分流河道與席狀砂,編碼分別為1、3。合理統計各種微相所占比例是保證模擬結果正確的前提。由于井位分布的不均,如果直接按常規算術平均方法統計,在整個研究區中河道占的比例會偏大(如下頁表1所示)。

圖1 多邊形去叢聚法原理Fig.1 Principle of polygon declustering method

圖2 井位分布圖Fig.2 Wells location

采用上述二種方法分別對數據進行了處理,統計的微相類型所占比例見表1。在本例中,由于密集的微相類型分流河道的編碼為1,而相對稀疏的席狀砂編碼為3,因此利用網格去叢聚方法時,需要尋找加權平均最大值及其對應的網格大小。

圖3中的圓點為不同網格大小所對應的加權平均值,在本例中需要尋找最大值。如圖3中黑圓點所示,對應的加權平均值為1.908,相應的網格大小為3 600 m。以該網格大小對各個數據點進行權值的分配,然后加權統計各個微相所占的比例,統計結果見表1。應用多邊形去叢聚方法得到的加權平均值為1.83,對應微相比例見表1。通過表1可以看出,如果不考慮數據分布位置的影響,河道比例可高達83%;而考慮了井位的分布后,采用去叢聚方法得到河道的比例大幅下降,這就更接近真實情況。

表1 微相比例Tab.1 Proportion ofmicrofacies

3.2 連續型變量的處理

圖3 離散變量Fig.3 Example of discrete variable

在相模型的基礎上,采用相控建模技術建立物性參數模型。采用相控技術,能夠根據各個微相物性參數各自的分布特征進行模擬,更好地描述物性參數的空間分布。在模擬前,需要統計參數的諸如直方圖分布等。現以孔隙度為例,分析井位對數據統計結果的影響。

在本例中,對河道及席狀砂的孔隙度分布分別進行統計。由于河道數據點的分布非常不均勻,因此需要采用去叢聚的方法進行處理。由于本例中密集的九口井分布在最有利儲層的部位,因此相應的孔隙度也是最好的。而分布在河道末端及邊部的井點,其孔隙度相對差一些。因此,在采用網格去叢聚方法時,需要尋找加權平均最小值,及其對應的網格大小。

在圖4中,黑圓點對應是最小加權平均值,為0.184,相應的網格大小為1 700 m。采用多邊形去叢聚方法得到的孔隙度加權平均值,與網格去叢聚方法得到的結果十分接近,采用算術平均得到的結果為0.201。分別以二種去叢聚方法得到的權值對數據進行加權統計直方圖,并且與不加權的直方圖進行對比。

見圖5,在不加權的孔隙度直方圖中,大于20%的孔隙度占有很大比例,其原因是密集的九口井的孔隙度都大于20%。在考慮井位分布的情況下,通過處理后得到的孔隙度直方圖中,孔隙度大于20%的部份明顯減少了,而相應的小余20%的部份增加了。通過去叢聚處理,得到的孔隙度分布更加具有代表性,更能反映孔隙度真實的分布特點。

圖4 連續變量Fig.4 Example of continuous variable

圖5 孔隙度直方圖Fig.5 Porosity histogram

4 結論

針對地質數據采樣不均勻的特點,采用網格去叢聚方法和多邊形去叢聚方法對數據進行處理,為密集分布和稀疏分布的數據點賦予不同的權值,然后再進行加權統計的方法能夠得到更合理的統計結果。在石南油田的應用表明,這二種方法不僅能夠適用于離散型變量,也適用于連續型變量。二種方法得到的結果相似,在最終應用時,可以采用二種結果平均的方法。采用去叢聚方法后進行的儲層建模更加接近儲層的實際情況。在應用網格去叢聚方法時,需要注意密集的數據是高值還是低值,從而確定是選加權最大值還是加權最小值。對微相而言,需要特別注意的是,當存在多種微相類型時,需要把密集的微相類型編碼為最大值或是最小值,然后選擇相應的加權最小值或加權最大值。

這二種方法有著廣泛的應用前景,例如可以應用到統計砂體厚度、凈毛比、石油儲量等多個方面,也可應用到其它涉及空間數據的行業。

[1] 裘懌楠,薛叔浩,應鳳祥.中國陸相油氣儲層[M].北京:石油工業出版社,1997.

[2] 劉吉余,李艷杰,于潤濤.儲層綜合定量評價系統開發與應用[J].物探化探計算技術,2004,26(1):33.

[3] 呂曉光,張永慶,陳兵.深度開發油田確定性與隨機建模結合的相控建模[J].石油學報,2004,25(5):60.

[4] 賈愛林,郭建林,何東博.精細油藏描述技術與發展方向[J].石油勘探與開發,2007,34(6):691.

[5] 于興河.油氣儲層表征與隨機建模的發展歷程及展望[J].地學前緣,2008,15(1):1.

[6] 李霞,王銅山,王建新.儲層隨機建模方法研究進展[J].物探化探計算技術,2009,31(5):454.

[7] DEUTSCH C V,JOURNEL A G.Gslib:Geostatistical Software Library:and User's Guide[M].Oxford University Press,New York,2nd Ed,1998.

[8] DEUTSCH C V.Geostatistical ReservoirModeling[M].Oxford University Press,New York,2002.

[9] JOHN MANCHUK,CHAD NEUFELD,C V DEUTSCH.Petrel Plugins for Declustering and Debiasing[J].In Centre for Computational Geostatistics,2007,9:403.