氣藏產能測井預測方法研究綜述

王成旺, 李曙光, 王玉斌, 謝正龍, 劉之的

(1.中石油煤層氣有限責任公司, 北京 100020; 2.中聯煤層氣國家工程研究中心有限責任公司, 北京 100951;3.中石油煤層氣有限責任公司工程技術研究院, 西安 710082; 4.西安石油大學地球科學與工程學院, 西安 710065)

當前,中國對天然氣的需求持續增長,生產的天然氣遠遠滿足不了國民經濟發展的需求。中高滲大型整裝氣藏已經進入開發晚期,據此各大氣田企業將勘探開發的視角轉至致密氣、頁巖氣等非常規氣藏上[1]。氣藏一旦發現,產能大小便是油氣企業關注的焦點。氣藏產能預測是氣田勘探開發中不可或缺的一環,精準的產能評價不僅關系到氣田前期評價,而且可以檢驗天然氣勘探開發的成果,對編撰氣田開發方案和采取適宜的施工工藝也具有很大的幫助[2-5]。

地球物理測井可反映地下地層的巖性、物性、電性及含氣性等特性,是氣藏產能預測的重要手段之一。中外學者利用地球物理測井手段相繼開展過氣藏產能預測方法研究[6-9],取得了較好的應用效果。氣藏產能測井預測的方法眾多,每種方法均具有一定的適用范圍,尤其是一些傳統方法已不再適用于非常規氣藏[10-11]。鑒于此,調研中外氣藏產能測井預測方法,在對其方法進行梳理歸納的基礎上,闡述其方法的適用性,為今后產能測井預測方法優選提供技術依據。

1 氣藏產能主控因素剖析

明確氣藏產能主控因素,是構建產能預測模型的關鍵。影響氣藏產能的因素較多,按其類別主要分為:地質因素、工程因素和生產因素。其中,地質因素包括:孔隙度、滲透率、含氣飽和度及氣層厚度等;工程因素包括:射開程度、加砂量、加液量等;生產因素包括:井底流壓等[12-15]。氣藏產能是由儲層自身條件、外界環境及油氣特性等共同決定的,對某一特定氣藏而言,外界環境和油氣特性相對變化不大,因此產能大小很大程度上取決于油氣儲層本身的性質[16-17]。

反映油氣儲集空間的孔隙度、反映油氣滲流通道和能力的滲透率、反映天然氣充注度的含氣飽和度,都會影響氣藏的產能。孔隙度、滲透率及含氣飽和度是評價氣藏產能的重要參數。一般情況下,儲層孔隙度大,滲流能力也較強,相同物源距離和生烴壓力等條件下更易于充注成藏形成高含氣飽和度。井筒附近孔隙度、滲透率及含氣飽和度越大,氣藏初期開發效果越好,產量增加越明顯[18]。鑒于儲層的滲透率對氣藏的初期產能影響更大,氣田開發工程師更關注滲透率對油氣產能的影響[19-21]。圖1[22]為某氣田不同滲透率的日產氣量,可以看出,當儲層滲透率變大時,平均日產氣量逐漸增大,而且是非線性增大的。盡管地層滲透率在地下儲層成巖后已基本固定,但氣田開發工程師為了提高氣藏產能常用人工壓裂改造儲層的滲流通道。

圖1 某氣田不同滲透率與產氣量關系[22]Fig.1 Relationship between different permeability and gas production in an gas field[22]

對同一氣藏而言,不同井的氣層有效厚度不同。儲層孔隙度、滲透率及含氣飽和度相同的儲層,由于氣層有效厚度不同,產能也存在較大的差異。一般情況下,氣層有效厚度越大,油氣的產能越大,但是部分井的實際油氣產能情況不遵循此規律。因此,直接利用氣層有效厚度來預測氣藏產能將會引起較大的誤差[23]。

實際生產過程中,射開程度對氣藏產能的影響較大。隨著射開程度的增加,日產量逐漸增加,但增加幅度逐漸減小(圖2[24])。近年來,為了提高開發效果,絕大多數井采用壓裂改造工藝。儲層經過壓裂改造后,加砂量、加液量的多少決定著裂縫的流通能力,加砂量、加液量偏少,會導致裂縫無法充分的擴張;加砂量、加液量偏多,會導致裂縫的流通能力降低,平均單井日產氣量下降(圖3[25])。

圖2 射開程度與產量的關系[24]Fig.2 Relationship between degree of shot opening and yield[24]

圖3 加砂強度與產氣量關系[25]Fig.3 Relationship between sand addition strength and gas production[25]

井底壓力是測試和開采過程中的重要參數,其對氣藏產能的影響也不容忽視。隨著井底壓力的增加,油氣產量不斷降低[26]。圖4[27]為不同井底流壓下天然氣產量與生產時間的關系圖。可以看出,生產初期井底流壓對天然氣的產量影響相對較小,但產量遞減很快,直至2月產量才趨于穩定。總體表現為井底流壓升高,產量下降幅度較大的態勢。

圖4 滇東老廠區塊某井井底流壓與產氣量關系圖[27]Fig.4 Flow pressure versus gas production at the bottom of a well in the old plant block, east Yunnan[27]

2 產能預測方法

氣藏的產能是體現儲層動態特征的一個綜合性指標,映射了儲層的生產能力和各種影響因素之間通過相互影響、相互權衡、相互制約而達到的一種動態平衡特征[28-30]。

2.1 測井曲線特征法

2.1.1 形態組合法

測井資料蘊藏著豐富的儲層地質信息,巖性和孔隙結構相同的儲層,天然氣的賦存狀態和充注程度對測井響應特征的影響較大,尤其是測井曲線的形態。自然伽馬和自然電位測井是儲層巖性特征的指示器,聲波時差、補償密度和補償中子測井能反映儲層的物性特征,不同徑向探測深度的電阻率測井能夠反映儲層的含氣性[31]。據此,有機結合常規九條測井曲線,對比分析試氣試采的產量與曲線的形態組合,便可獲得一套定性分析研究區氣藏產能的測井曲線形態組合模式。基于此模式,可實現利用測井曲線形態定性分析儲層的產能。如自然伽馬曲線呈箱形,高電阻率、聲波時差、密度,表明儲層物性好,結合含氣性評價可判斷該儲層的產氣能力大,產量高[32]。鑒于目的層巖性、孔隙結構等比較復雜,測井產能分析應更注重將儲層進行分類,再依據測井響應特征和曲線形態組合來定性分析產能[32]。

2.1.2 包絡面積法

包絡面積法是根據氣層在不同測井曲線上的響應特征,將各條測井曲線相互組合,結合測井分析軟件而形成的一類方法[33]。該法將干層或致密層的測井曲線作為基線,儲層的測井曲線與基線間圍成的面積大小即為“包絡面積”(圖5[34])。根據包絡面積的大小,便可實現儲層的產能預測。

業界常用補償密度、聲波時差、電阻率來建立面積包絡法產能預測模型[33]。其技術思路為,將反映含氣性的補償密度與聲波時差比值Z,反映含氣性的電阻率曲線進行重疊,根據其重疊面積來預測儲層的產能。

X3井3323-3252米層段(圖5),預測投產前3個月平均產氣量為12 060.5 m3/d,實際投產產量為9 226.4 m3/d,產氣誤差率為7.65%。應用結果表明,該法的預測精度較產能指數法好。

2.2 數理統計法

鑒于氣藏的產能由諸多主控因素影響,在構建產能預測模型時,需要將表征儲層特征、工程因素的諸多參數按照重要級別排序,并給予各參數權重,進而利用數理統計方法構建其產能預測模型,由此架起每個影響因素與產能間的橋梁[35]。值得注意的是,在構建模型前需要準確的統計出各氣層的產氣量,以確保產能預測模型的可靠性[36]。

2.2.1 綜合指數法

綜合指數法的主要思路是,將產能主控因素相乘或相除,所得的積/商取對數或者賦予一個指數來計算出綜合指數。根據儲層及工程因素等情況,利用數學方法優選產能主控因素并準確賦予權重是構建其模型的關鍵。

圖6系統分析了影響儲層產能的地質參數、氣藏參數、工程參數、儲層參數等多種參數,構建了產能綜合指數,并與產氣量進行交會分析,進而分析產能的等級。鄧健[37]利用孔隙度、滲透率、飽和度等參數,建立了產能綜合指數模型,預測的產氣量與生產初期的日產氣量較為吻合。曾靜波等[38]在儲層品質評價的基礎上,建立了綜合評價指數與米產液指數關系的產能預測方法,取得了良好的效果。陳浩等[39]采用灰色關聯方法對影響縫網壓裂直井初期產能的主控因素進行了篩選和評價,優選出射開含氣砂巖厚度、含氣飽和度、砂液比和加砂量等參數,構建了產能綜合指數,進而對氣藏的產能進行了預測。

圖6 綜合指數與產氣量關系Fig.6 Relationship between composite index and gas production

2.2.2 圖版法

地球物理測井領域,圖版法多用于儲層“四性”關系研究。近年來,將試氣試采等動態生產數據與儲層參數統計分析,制作產氣量-滲透率/孔隙度/含氣飽和度、產氣量-電阻率/聲波時差等圖版[40],并利用相關性分析等方式對產能進行預測,如圖7[41]所示。

圖7 地層滲透率、電阻率與試氣產量關系[41]Fig.7 Relationship between formation permeability, resistivity and test gas production[41]

鑒于電阻率測井能夠較好的反映儲層的含氣性,聲波時差和補償密度測井能夠反映儲層的孔隙度,相關領域的學者先后利用電阻率、聲波時差、補償密度與日產氣量、米產氣量的交會圖版[42-46],均在各自的研究區塊取得了較好的應用效果)。

2.2.3 加權儲能系數法

基于測井資料精細解釋,對同一砂體的儲層進行精細分類,利用各分類儲層的厚度、孔隙度、飽和度及滲透率等關鍵參數,確定每類小層的儲能系數,與試氣產量結合求取每類小層對儲層產能的貢獻值,由此建立加權儲能系數產能預測模型[47-48]。

(1)

(2)

式中:S′為同一砂體各單元儲層儲能系數和;Pi為同一砂體第i單元儲層參數特征值;Hi為同一砂體第i單元儲層的有效厚度,m;Q為儲層預測產能,t/d;Aj

為第j類砂體儲能系數的加權值;Sj為第j類砂體儲層儲能系數和。

構建加權儲能系數產能預測模型前,依據儲層孔隙結構等對其分類尤為關鍵[49-50]。程玉梅等[51]優選含氣孔隙體積、可動流體飽和度、峰點喉道半徑、氣相滲透率建立了超低滲透儲層分類標準,分儲層類型建立了超低滲透儲層加權儲能系數產能預測方法,實現了超低滲透儲層試氣產能的測井快速預測。萬金彬等[52]利用儲層孔隙結構進行儲層品質分類的基礎上,采用不同的特征產能系數圖版建立了產能預測模型。

2.2.4 多元回歸法

多元回歸法的思路是,將試氣試采的產量(通常指產能)視為因變量,影響產能的主控因素視為自變量,建立多個變量間線性或非線性數學模型,即為油氣藏產能多元回歸預測模型。孫鵬[53]、黎澤剛等[54]利用孔隙度、滲透率、含氣飽和度及油層厚度等參數,利用多元回歸分析建立了氣藏產能預測模型,取得了較好的應用效果。梁榜[55]依據儲層類型厚度加權處理了地質、工程參數,采用正交試驗進行了產能敏感性參數分析,確定了研究區產能的主控參數,并利用多元線性回歸建立了產能預測模型,提高了頁巖氣井產能的預測精度。

2.3 采氣指數法

滲流力學理論是利用采油指數法進行氣藏產能定量預測的基礎[56]。一般來說,地下流體在地層介質中滲流的方式有:平面徑向流、平面單向流、球形流。在油田實際生產中,平面徑向流更符合井中真實的流動狀態。從滲流理論出發,根據達西定律,平面徑向流滲流流量公式可表示為

(3)

式(3)中:Qf為流量,m3;K為地層有效滲透率,μm2;H為儲層厚度,m;Pe為供油處壓力,MPa;Pw為井內壓力,MPa;B為體積系數;μ為原油黏度,10-3Pa·s;Re為供油半徑,m;Rw為井眼半徑,m;S為表皮系數,無量綱;PI為生產指數;ΔP為生產壓差,MPa。

實際生產中,將測試獲得的米產氣指數代入上述產能預測模型,便可較有效地進行氣藏產能預測[57-58]。基于生產測試數據和油-水兩相滲流理論,深入分析了儲層物性、原油黏度及飽和度、地層壓力等對產能的影響,建立了基于采油指數的產能測井預測方法[59]。充分利用DST(drill stem test)地層測試等資料,根據流度、有效滲透率擬合獲得的米采油指數預測氣藏產能,可取得良好的應用效果[60]。利用測井資料,結合巖心物性測試數據,通過計算相對滲透率和采油指數,進而來預測氣藏的產能,在葡北地區也取得了較好的預測效果[61]。

2.4 人工智能法

機器學習方法作為一項具有強大預測能力的工具,在油氣田產能預測方面備受關注。機器學習方法模型將復雜的儲層氣藏特征、壓裂開采等工程條件進行量化分析,快速預測氣藏的產能。為弱化人為因素對氣藏產能預測模型構建精度的影響,文獻[62-70]先后針對研究區的儲層特征和工程因素,利用BP(Back Propagation)神經網絡、模糊神經網絡、小波分析與神經網絡有機結合等方法開展過氣藏產能預測模型研究,均取得了良好的應用效果。文獻[71-74]在對傳統的卷積神經網絡模型改進基礎上,實現對煤層氣井產量、剩余含氣量的預測。劉凱等[75]系統分析了油氣地球化學性質與油氣產能的關系,并用神經網絡算法預測了含油氣的概率,進而編繪了油氣資源預測。

近年來,預測氣藏產能的機器學習算法百花齊放,除常用的神經網絡算法外,支持向量機、多元逐步回歸、隨機森林等均用于氣藏產能預測模型的構建。無論各種算法,均需通過一部分產能主控參數訓練樣本來構建產能預測模型,并對訓練集之外具有相同結構的參數做出產能預測[76-78]。

3 產能預測方法適用性分析

3.1 測井曲線特征法

測井曲線特征法建立在儲層四性特征認識的基礎上,形態組合法是根據各測井曲線的形態變化來分析產能級別,僅能從定性角度對儲層產能進行分析;包絡面積法雖能根據其包絡的面積進行定量預測,但其預測精度受制于儲層巖性、物性等影響,尤其是儲層孔隙結構的復雜性導致電阻率增大,而并非是含氣性引起電阻率增大,致使孔隙結構復雜的儲層,該法的預測精度非常有限。因此,精準劃分小層、巖性、儲層類型是應用該套方法的基礎。

3.2 數理統計法

數理統計法應用試氣試采等動態生產資料、儲層孔隙度、滲透率、飽和度及測井參數等靜態數據,通過構建綜合指數、圖版、加權儲能系數或利用多元回歸等方法來構建產能預測模型。

綜合指數法需要系統分析影響產能的主控因素,并將其反映產能主控因素的各參數有機融合,通過數學手段創建一個參數,進而利用該參數來預測儲層的產能。該法需要確定反映產能主控因素的參數,因此綜合指數與產能的相關性是預測精度的關鍵。圖版法多采用單變量與產氣量進行交會分析,由于產能主控因素多,單變量預測產能的精度難以保障。據此,將諸多反映產能的參數通過數學手段組合一個綜合指數,進而構建綜合指數與產氣量的交會圖版,將會提高氣藏產能的預測精度。

加權儲能系數法不僅考慮了各細分儲層對產能的貢獻,而且構建加權儲層系數產能預測模型前進行了儲層分類,因此該法的預測效果得到了業界的認可,廣泛應用于各類氣藏產能的預測中。然而,應用該法時,需要注意試氣試采產量劈分的問題。多元回歸法直接根據反映儲層產能的參數與試氣試采產量來建立擬合方程。該法簡便易用,但應用效果不僅受制于參數敏感性的影響,而且受各小層對產量的貢獻量等影響。

3.3 采氣指數法

采氣指數法有機融合測試、測井等獲取的諸多儲層信息,更能反映儲層的生產動態特性,因此得到了業界廣泛的關注。然而,該法中的諸多參數需要通過動態測試獲取,實際生產中并非每口井都進行動態測試資料,在一定程度上限制了該法的應用。

3.4 人工智能法

以機器學習為代表的人工智能法在氣藏產能預測方面得到了普遍認同,該法能解決氣藏產能預測等復雜非線性問題,表現出極大的容錯性、自適應性、穩定性和靈活性,能夠較準確地對氣藏的產能進行預測,但該法的預測精度受制于參與學習訓練的樣本數量和代表性。

4 結論與展望

基于上述氣藏產能測井預測方法的系統梳理和深入剖析,緊跟非常規天然氣勘探開發背景下氣藏產能預測難度加大的形勢可知,現有方法正面臨著新的挑戰。針對非常規氣藏產能測井預測提出的新需求,今后工作中需在如下方面獲得突破。

(1)水平井和大規模體積壓裂為非常規氣藏開發的兩大利器。壓裂改造后,復雜的裂縫形態、多變的滲流模式是產能預測模型研究面臨的主要問題。現有產能預測模型在裂縫形態上沒有考慮到裂縫改造區域不均勻、裂縫網絡分布不均勻等問題。尤其對于致密儲層而言,自然狀態下幾乎不產油氣,人工裂縫的表征對能否準確預測產能起關鍵性作用。目前,沒有專門針對水平井條件下大規模體積壓裂后的氣藏產能預測方法。據此,頗需研發水平井體積壓裂下的非常規氣藏產能預測方法。

(2)地球物理測井采集的是氣藏開發前的儲層信息,預測的產量為氣藏試氣試采初期的自然產能。當前,天然能量驅動下絕大多數氣藏難以生產,需要通過各種增產措施來提高氣藏的產量。據此,頗需有機結合工程因素和生產動態資料,開展氣藏產能預測方法研究。

(3)重視人工智能方法在氣藏產能預測模型構建中的應用。氣藏產能影響因素多,現有產能預測方法多用主控因素分析篩選出的個別參數,難以全面反映氣藏的產能特征。將反映儲層靜態特征、工程因素及開發動態特征的資料進行大數據分析處理,進而來構建氣藏產能人工智能模型是未來該領域的一大發展趨勢。未來可通過建立氣藏大數據庫,不斷優化機器學習算法,同時與經驗算法進行有機結合,以提高產能模型的適用性和預測精度。