ASP三元復合驅對三類儲層物性特征的影響規律
——基于神經網絡模型*

張曉芹，舒 政，梁旭偉，葉仲斌

（1.中國石油大慶油田有限責任公司勘探開發研究院，黑龍江大慶 163000；2.油氣藏地質及開發工程國家重點實驗室（西南石油大學），四川成都 610500）

0 前言

堿-表面活性劑-聚合物（ASP）三元復合驅體系通過提高水相黏度、降低油水界面張力來擴大注入體系的波及體積和提高洗油效率，從而顯著提高原油采收率［1—4］。經過多年現場工業化運用，大慶油田三元復合驅取得良好效果，采收率增幅超過18%［5］。隨著開發程度的提高，為滿足大慶油田穩產上產的需求，ASP 三元復合驅技術的運用由主力儲層（一類儲層）逐漸推廣至非主力儲層（二類、三類儲層）［6—7］。為了準確認識各類儲層的開發潛力，指導開發方案的制定，大慶油田勘探開發研究院于2012年修訂了油田分類標準，根據沉積環境及砂體類型的不同，將三類儲層進一步劃分為ⅢA、ⅢB 和ⅢC儲層［8］。復合驅體系易與儲層礦物發生物理、化學反應，產生溶蝕-沉積，造成儲層滲透率降低，而三類儲層具有油層薄、滲透率低、孔喉半徑小等特征，開采難度更大，更容易發生儲層傷害［9—12］。目前通過室內實驗，對于三元復合驅體系對儲層的傷害作用機理已經有了初步認識［13—17］，但是對于細分的ⅢA、ⅢB 和ⅢC 儲層還缺少針對性的研究，同時ASP 三元驅過程中影響儲層物性變化的因素眾多，常規評價方法難以定量表征儲層物性參數的變化規律。因此，本文選取典型ⅢA、ⅢB 和ⅢC 儲層的巖心，利用孔滲聯測儀、全直徑巖心核磁共振儀研究三元復合驅對不同類型巖心物性參數的影響，結合人工神經網絡，建立了弱堿三元復合驅儲層物性變化預測模型。

1 實驗部分

1.1 材料與儀器

“高分”聚合物HPAM，相對分子質量700×104數950×104，固含量90%，水解度23%，大慶煉化公司；煉化石油磺酸鹽，有效含量40%，大慶煉化公司；Na2CO3，分析純，四川光亞聚合物化工有限公司。實驗用水為配制的模擬注入水，含5000 mg/L NaCl 和50 mg/L CaCl2。實驗用巖心為取自大慶油田喇、薩、杏油田三類儲層ⅢA、ⅢB和ⅢC的天然巖心，直徑2.5 cm、長度約7 cm。

260D型恒速微量泵，美國ISCO公司；HKY-300型全自動孔滲聯測儀，海安石油科研儀器廠；AniMR-150 型全直徑巖心核磁共振分析儀，上海紐邁電子科技有限公司。

1.2 實驗方法

弱堿三元復合驅體系由聚合物、石油磺酸鹽以及Na2CO33種藥劑母液按比例與模擬注入水混合而成，其中，聚合物濃度為2360 mg/L，石油磺酸鹽質量分數為0.3%，Na2CO3質量分數為1.2%。

驅替實驗具體步驟如下：（1）巖心抽真空飽和水，裝入巖心夾持器提供巖心周圍覆壓，出口回壓10 MPa 模擬地層壓力，恒溫烘箱溫度為地層溫度45℃；（2）以0.5 mL/min 的注入速率向巖心注入10數50 PV的弱堿三元復合驅溶液。巖心注入體系前后，使用全自動孔滲聯測儀檢測巖心孔隙度及滲透率，使用全直徑巖心核磁共振分析儀檢測巖心孔隙分布。

2 結果與討論

2.1 三類儲層巖心物性特征

使用全自動孔滲聯測儀檢測三類儲層巖心的孔隙度及滲透率，按照ⅢA、ⅢB和ⅢC類型整理，巖心孔隙度及滲透率分布結果見表1，巖心孔隙度及滲透率關系見圖1。由表1可以看到，巖心的孔隙度與滲透率平均值按照ⅢA、ⅢB、ⅢC 的順序逐漸減小；圖1 中ⅢA、ⅢB 和ⅢC 巖心的孔隙度及滲透率線性關系的擬合優度R2分別為0.786、0.721 和0.432，即巖心的孔隙度與滲透率相關性同樣按ⅢA、ⅢB、ⅢC 順序逐漸降低。這說明三類儲層巖心的非均質性較為顯著，整體物性按照ⅢA、ⅢB、ⅢC的順序逐漸變差。

表1 三類儲層巖心的孔隙度及滲透率分布

圖1 三類儲層巖心孔隙度與滲透率的相關性

通過核磁共振得到巖心孔隙半徑的頻率分布以及累計分布曲線見圖2，以ⅢA1 巖心為例，進一步按式（1）—（3）計算分選系數Sp、歪度Skp和峰態Kp，計算結果見表2。由表2 可以看到，三類儲層巖心的平均孔隙半徑按照ⅢA、ⅢB、ⅢC 的順序逐漸變小，孔隙結構變得更加細窄；分選系數較大且平均值接近，這表明三類巖心的分選性均較差，非均質性問題普遍存在。歪度大于0說明巖心孔隙以偏粗為主，歪度值按ⅢA、ⅢB、ⅢC 的順序逐漸變小，說明峰的位置逐漸向左偏移；峰態值也依照ⅢA、ⅢB、ⅢC 的順序逐漸變小，即峰的陡峭程度降低，孔隙半徑的分布范圍更廣。綜合來看，三類儲層的巖心物性按照ⅢA、ⅢB、ⅢC逐漸變差，且ⅢC巖心的物性與ⅢA、ⅢB巖心的差異較大。

圖2 A1巖心的孔隙半徑分布與累計分布曲線

表2 三類巖心孔隙半徑分布參數對比

2.2 三元復合驅對三類儲層巖心物性的影響

注入ASP三元復合驅體系后，三類儲層巖心的物性參數隨注入量的增加波動變化。這是因為三類儲層的非均質性較顯著，巖心之間物化性質存在較大差異，導致實驗前后物性參數變化存在波動性。因此，通過計算物性參數變化百分比的平均值來研究ASP 三元復合驅體系對儲層物性的影響規律，結果見表3。由表3可以看到，經ASP三元復合驅后，三類儲層巖心的孔隙度變化很小，而滲透率變化較為明顯：ⅢA和ⅢB巖心的滲透率增加，而ⅢC 巖心的滲透率降低。核磁共振檢測結果顯示，ⅢA和ⅢB巖心的平均孔隙半徑增大，歪度變粗，分選性變好；而ⅢC 巖心的平均孔隙半徑減小，歪度變細，分選性變差。

表3 驅替后三類儲層巖心的物性參數變化

分析認為，在儲層物性相對較好時，弱堿ASP三元復合體系對儲層礦物具有較弱的溶蝕作用，溶蝕脫落以及結垢產生微粒的粒徑較小，在ASP三元復合體系驅替運移的作用下，孔隙的半徑有所增大，因此孔隙度和滲透率有略微增大的趨勢，表現出物性改善。隨著黏土含量的增加和巖心本身物性的變差（ⅢA→ⅢC），一方面堿組分與黏土礦物的成垢趨勢增強，另一方面巖心孔隙結構更加細窄，微粒在運移過程中更容易在孔隙細窄處附著堆積，此時表現為巖心物性變差。

2.3 三元復合驅儲層物性變化預測模型

人工神經網絡是一種非線性的數據建模工具，由輸入層和輸出層、一個或者幾個隱藏層構成神經元，通過訓練學習算法，在迭代過程中調整神經元之間的權重，最終使得預測誤差最小化并給出預測精度［18—19］。三元復合驅對儲層的溶蝕過程十分復雜，受到三元體系組成、儲層物化性質、相互作用條件等多種因素影響，適合通過神經網絡模型來分析變化規律。因此基于36 組三類儲層巖心的弱堿三元復合驅實驗結果，通過統計分析軟件SPSS 內的多層感知器（MLP）模塊，建立了三元復合驅儲層物性變化預測模型。向模型輸入巖心孔隙度、滲透率、孔隙分布參數、礦物含量、驅替倍數等參數后便可以預測三類儲層在復合驅過程中的各項物性參數變化。如圖3給出了模型對驅替后巖心滲透率的預測值與實際值的關系，可以看到數據點大部分都落在y=x的參考線上，表明模型預測效果可靠，經統計模型對各項物性參數的平均預測精度達到92%以上。

圖3 驅替后巖心滲透率的預測值與實際值

使用建立的ASP 三元復合驅儲層物性變化預測模型，計算不同驅替倍數下儲層巖心的滲透率變化，結果見圖4，其中輸入的ⅢA、ⅢB、ⅢC巖心初始物性參數取平均值如表1、表2 所示。可以看到，對于ⅢA 與ⅢB 巖心，ASP 三元復合驅體系的驅替倍數小于60 PV 時，巖心滲透率改善且改善效果隨驅替倍數的增加先增強后減弱，而驅替倍數大于60 PV 時，巖心滲透率逐漸發生傷害。對于ⅢC 巖心，在ASP三元復合驅體系注入后，巖心滲透率很快就開始降低。

圖4 弱堿ASP三元復合驅替后三類儲層巖心的滲透率變化

模型計算結果與前文分析結果一致：對于物性相對較好的ⅢA、ⅢB儲層，ASP三元復合驅體系具有一定的增黏能力，可以攜帶溶蝕產物運移，導致小孔道數量減少，大孔道數量增加，因此物性發生改善；隨著注入時間的延長，溶蝕產物的量逐漸增加，黏土顆粒和溶蝕物附著在孔道，對巖心滲流產生不利影響，巖心的滲透率以及孔隙半徑逐漸低于初始值，此時已產生儲層傷害。而ⅢC儲層滲透率變化的計算結果印證了物性較差、孔隙結構偏細窄的儲層更易受到ASP三元復合驅體系產生的不利影響。

3 結論

三類儲層的巖心物性按照ⅢA、ⅢB、ⅢC 順序逐漸變差，且ⅢC 儲層的物性與ⅢA、ⅢB 儲層具有較大差異。

弱堿三元復合體系對儲層礦物具有較弱的溶蝕作用，在注入早期對于物性相對較好的ⅢA、ⅢB儲層物性具有一定的改善效果，對ⅢC 儲層會導致物性變差，物性越差的儲層在三元復合驅中越容易發生儲層傷害。

利用神經網絡模型建立的三元復合驅儲層物性變化預測模型，能夠定量表征三類儲層物性變化規律，對三元復合驅的推廣運用具有指導意義。