準噶爾盆地永進油田特低孔隙度超低滲透率儲層分類評價

孫曉霞

（中國石油化工股份有限公司勝利油田分公司地質科學研究院，山東 東營 257015）

0 引 言

永進油田位于準噶爾盆地腹部的負向構造區，屬于中央坳陷昌吉凹陷西段，構造為呈西南傾的單斜，圈閉類型主要有地層、地層－巖性和巖性圈閉。其目的地層為白堊系清水河組和侏羅系西山窯組地層。研究區儲層埋藏深（5800～6000m），壓力大（靜壓97.45MPa），巖心分析平均孔隙度6%，平均滲透率0.33×10－3μm2，屬于特低孔隙度、超低滲透率的儲集層。主要儲集空間以微孔、殘余粒間孔及粒間溶孔為主，孔隙結構以特小孔、微細喉型為主，喉道以管狀和片狀的細喉道為主，容易形成油層的低含油飽和度和高束縛水飽和度。特低孔隙度、超低滲透率砂巖儲層具有不同于其他類型油藏的地質特點和測井響應特征，孔隙度變化范圍不是很大，而滲透率變化范圍卻很大[1]。因此，開展對這類儲層分類方法研究就十分迫切和必要。

目前，研究儲層分類的學者很多。汪新光[2]應用壓汞資料求取排驅壓力、中值壓力、最大孔喉半徑、孔喉半徑均值、分選系數等5類孔隙結構參數進行儲層分類研究。王瑞飛[3]提出以退汞飽和度與退汞效率的乘積評價特低滲透率儲層的微觀孔隙結構，進而對儲層分類。朱建華[4]應用核磁共振測井處理解釋的毛細管壓力曲線、孔隙度和束縛流體飽和度建立儲層分類標準。楊秋蓮[5]、張建龍[6]等也都做了這方面的研究。陳振標等[7]將基于NMR T2譜分形幾何學應用于低滲透率儲層巖石孔隙結構研究中。焦翠華等[8]將分形幾何學應用于測井微相的識別。賀偉等[9]利用壓汞資料計算的孔隙分形維數分析孔壁的粗糙度和孔徑分布的不均勻程度，取得了較好的效果?？梢钥闯?，已有的儲層分類方法多是根據毛細管壓力曲線求取的特征參數對儲層分類，對分形幾何學的應用也是僅僅應用它進行測井及儲層微觀結構特征評價，研究儲層分類的學者和研究分形幾何學的學者沒有將二者結合起來進行儲層評價。本文通過毛細管壓力實驗數據，求取各個樣品點的分形維，以排驅壓力和分形維為主要標準，參考歪度和毛細管壓力形態對儲層進行分類，然后應用BP神經網絡方法實現測井數據與巖心數據的轉換，進而得到連續的儲層分類。

1 儲層孔喉結構特征

對于超深層特低滲儲層，為從微觀機理方面深入了解巖石物性特征，以侏羅系西山窯組與白堊系清水河組的常規壓汞樣品、恒速壓汞樣品、鑄體薄片資料、掃描電鏡資料為基礎，對孔隙結構進行了細致研究。根據壓汞樣品分別對西山窯組和清水河組進行了孔隙度和滲透率的統計，分別繪制了分布直方圖（見圖1、圖2）。其中，西山窯組孔隙度最小值4%，最大值8.1%，均值為5.6%；滲透率變化較大，最小值0.03×10－3μm2，最大值1.73×10－3μm2，均值為0.29×10－3μm2，綜合評價為特低孔隙度、超低滲透率儲層。清水河組孔隙度最小值4.2%，最大值10.2%，均值為7.5%，比西山窯組要高；滲透率最小值0.12×10－3μm2，最大值0.73×10－3μm2，均值為0.34×10－3μm2，亦為特低孔隙度、超低滲透率儲層。

根據該區毛細管壓力數據，求取了反映孔喉結構特征的排驅壓力、孔喉半徑均值、中值孔喉半徑、孔喉均質系數等（見表1）[10]。毛細管壓力樣品的普遍特點是孔滲均為低值，曲線形態比較相近，多數樣品平臺區較明顯，反映了喉道分布較集中，但退汞效率普遍很小，多數是細歪度。參考中國石化的儲層分類評價標準（見表2），該區儲層普遍屬于特低孔隙度、超低滲透率、特小孔、微細喉的類型。

表1 永進油田毛細管壓力數據分析

表2 中國石化儲層綜合評價標準表

針對特低孔隙度超低滲透率的儲層情況，由傳統的孔隙度滲透率參數已無法進行儲層的詳細劃分。因此，從孔隙結構特征出發，應用毛細管壓力實驗數據排驅壓力和毛細管曲線分形維對于儲層進行進一步詳細劃分。

2 毛細管曲線分形維法儲層精細分類

2.1 孔隙結構分形維數

毛細管曲線分形維基于分形幾何原理，可以定量描述孔喉結構的復雜程度和非均質性。對于砂巖儲層，其值越大，孔隙結構越復雜，儲層性質越差。

Katz等及Krohn用掃描電鏡觀察巖石斷面，發現各種砂巖從0.2～50μm的孔隙尺寸范圍內具有良好的分形性質，分形維數在2.27～2.89之間變動。儲層毛細管壓力曲線的分形幾何公式[11]

式中，pmin為排驅壓力；S為毛細管壓力pc時儲層中潤濕相飽和度。即

在雙對數坐標系下，計算函數pc與S關系曲線的斜率，該斜率的絕對值即為D－3，由此便得到分形維數（見圖3）。通過上述求取孔隙結構分形維的方法，依次計算所有樣品的分形維數（見圖4）。

毛細管曲線分形維計算結果表明，樣品的分形維在2.47～2.84的分布范圍內，可以分成幾個明顯的區間，分形維數越大，孔喉分布及配置關系越復雜。分成的幾個區間（見圖5）：①2.47～2.59，共6塊樣品，毛細管壓力曲線表現為粗歪度，座椅式，喉道分布較集中；②2.59～2.71，共7塊樣品，毛細管壓力曲線表現為較細歪度，緩坡式，喉道分布較集中；③2.71～2.84，共16塊樣品，毛細管壓力曲線表現為極細歪度，高斜坡式，喉道較小，進汞平臺不明顯，這是一類基本無產能的孔喉最復雜的儲層。

2.2 特低孔隙度特低滲透率儲層綜合分類

圖3 2號和22號壓汞樣品的分形維擬合圖

分析多種毛細管壓力參數，發現排驅壓力明顯分為幾個區間，而排驅壓力是反映儲層滲透性的重要參數，分形維的界限也比較明顯，并且分形維的大小是反映儲層孔喉結構的重要參數，因此以排驅壓力和分形維為主要標準，參考歪度和毛細管壓力形態將儲層區分為3類（見表3）。

表3 超深層特低孔隙度超低滲透率儲層綜合評價標準表（永進油田）

3 BP神經網絡法實現分形維曲線

毛細管壓力實驗數據由巖心分析得到，但它只是一些離散點的數據，而且不可能每口井都測毛細管壓力曲線。為了實現對全井段儲層分類，引入了BP神經網絡方法，利用測井信息對完鉆井進行儲層分類[12－13]。

應用人工神經網絡[14－15]BP模型建立的解釋模型來對地質參數進行解釋是地質研究的一種較為成功的方法。利用分形維參數和測井響應值，提取神經網絡訓練樣品，經網絡設計、網絡學習和訓練就可以得到分形維參數的神經網絡模型[8]。

計算采用三層BP神經網絡（見圖6），輸入分形維數及4條測井曲線系列（自然伽馬、聲波時差、深側向和淺側向電阻率），輸出1條深度連續的分形維曲線。圖7所示是分形維實驗值與神經網絡實驗結果對比，除了在值比較小的區域有一定誤差外，大部分區域吻合得較好，總體分布在45°直線上。

按照上述方法，處理得到了工區內7口井儲層連續的分形維曲線。圖8是其中3口井的神經網絡方法處理得到的毛細管分形維曲線，與試油試采資料相吻合。I類儲層永1井含油井段5873.4～5888.1m，2005年5月試油，初期日油36.9t，含水14.78%，2005年6月轉入試采。根據儲層綜合分類標準，Ⅰ類分形維值2.47～2.59，Ⅱ類分形維值2.59～2.71，Ⅲ類分形維值2.71～2.84，實現了儲層連續分類，更好地指導了該區儲層的有效性評價。通過對完鉆井7口井分形維曲線解釋結果統計表明，該區儲層以Ⅲ類儲層為主，占到整個儲層厚度的56.7%，Ⅰ類儲層僅占儲層厚度的5.5%（見表4）。

表4 完鉆井分形維曲線解釋結果統計表

4 結 論

（1）準噶爾盆地永進油田特低孔隙度、超低滲透率透率儲層泥質含量高，黏土礦物類型多樣，巖性細，以細砂巖和極細砂巖為主，還有少量長石砂巖。巖石孔隙以殘余粒間孔、粒內溶孔為主，黏土孔隙和微毛細孔隙十分發育。

（2）該類儲層往往孔隙度變化范圍不很大，而滲透率變化范圍卻很大。特低滲透儲層的滲透性主要受喉道控制，喉道大小決定了儲層性質的好壞，進而影響了開發效果。

（3）傳統的根據孔隙度和滲透率對儲層進行分類的方法適用性差，本文利用毛細管壓力分形維研究該類儲層的微觀孔隙結構特征，并綜合排驅壓力、孔隙度、滲透率、毛細管壓力曲線形態等儲層特征參數對儲層分類，使儲層分類更加合理。

（4）將根據毛細管壓力分形維得到的孔隙結構分類和BP神經網絡方法結合起來，不需要連續的鉆井取心數據就可以得到連續的儲層分類，而且評價方法也符合特低孔隙度、超低滲透率儲層的特點。實際應用也證明了該方法的有效性。

[1]張麗華，潘保芝，李寧，等.基于三水模型的儲層分類方法評價低孔隙度低滲透率儲層[J].測井技術，2011，35（1）：31-35.

[2]汪新光，李茂，覃利娟，等.利用壓汞資料進行低滲儲層孔隙結構特征分析[J].海洋石油，2011，31（1）：42－47.

[3]王瑞飛，陳明強，孫衛.特低滲透砂巖儲層微觀孔隙結構分類評價[J].地球學報，2008，29（2）：213-220.

[4]朱建華.核磁測井在海拉爾地區儲層分類中的應用[J].大慶石油地質與開發，2008，27（3）：136－140.

[5]楊秋蓮，李愛琴，孫燕妮，等.超低滲透率儲層分類方法探討[J].巖性油氣藏，2007，19（4）：51－56.

[6]張建龍，刁國新，胡茹文，等.南陽黑龍廟地區低孔隙度低滲透率儲層分類標準研究[J].石油地質與工程，2009，23（1）：22－25.

[7]陳振標，張超謨，張占松，等.利用NMR T2譜分布研究儲層巖石孔隙分形結構[J].巖性油氣藏，2008，20（1）：105－110.

[8]焦翠華，張福明，李洪奇，等.神經網絡和分形幾何方法在識別測井沉積微相中的應用[J].沉積學報，1997，15（3）：62－66.

[9]賀偉，鐘孚勛，賀承祖，等.儲層巖石孔隙的分形結構研究和應用[J].天然氣工業，2000，20（2）：67－70.

[10]田美榮.東營凹陷西部沙四段上亞段灘壩砂體儲集空間特征[J].油氣地質與采收率，2008，15（2）：31－33.

[11]賀承祖，華明琪.儲層孔隙結構的分形幾何描述[J].石油與天然氣地質，1998，19（1）：15－23.

[12]蔡毅，刁玉民.利用測井信息求取儲層微觀孔隙結構特征參數[J].測井技術，1998，22（4）：261－263.

[13]李道倫，盧德唐，孔祥言，等.BP神經網絡隱式法在測井數據處理中的應用[J].石油學報，2007，28（3）：105－108.

[14]Mohaghegh，Shahab，Arefi，et al.A Methodological Approach for Reservoir Heterogeneity Characterization Using Artificial Neural Networks[C]∥SPE 28394，1994：337－346.

[15]謝叢姣，關振良，馬正.低滲油藏油層產出能力的神經網絡預測方法[J].成都理工學院學報，1998，25（3）：89－91.