一种基于变骨架参数的孔隙度预测新方法

doi:10.11743/ogg20220319

石油与天然气地质 ›› 2022, Vol. 43 ›› Issue (3): 711-716.doi: 10.11743/ogg20220319

一种基于变骨架参数的孔隙度预测新方法

申波^1,²(), 王刚³, 樊海涛³, 张金风⁴, 李彦普⁵

^1.长江大学油气资源与勘探技术教育部重点实验室，湖北武汉 430010
^2.长江大学地球物理与石油资源学院，湖北武汉 430010
^3.中国石油新疆油田分公司勘探开发研究院，新疆克拉玛依 834000
^4.中国石油新疆油田分公司吉庆油田作业区，新疆吉木萨尔 8317002
^5.中国石油大港油田分公司第一采油厂，天津 300280

收稿日期:2021-01-06 修回日期:2022-03-08 出版日期:2022-06-01 发布日期:2022-05-06
作者简介:申波（1981—），男，博士、讲师，复杂储层测井评价与解释。E?mail： shhd151@126.com。
基金资助:
国家自然科学基金项目(41504103)

A new method for porosity prediction based on variable matrix parameters

Bo Shen^1,²(), Gang Wang³, Haitang Fan³, Jinfeng Zhang⁴, Yanpu Li⁵

^1.Key Laboratory of Exploration Technologies for Oil and Gas Resources，Ministry of Education/Yangtze University，Wuhan，Hubei 430010，China
^2.Geophysics and Oil Resource Institute，Yangtze University，Wuhan，Hubei 430010，China
^3.Research Institute of Exploration and Development，Xinjiang Oilfield Company，CNPC，Karamay，Xinjiang 834000，China
^4.Jiqing Oilblock Operation Department，Xinjiang Oilfield Company，Jimsar，Xinjiang 8317002，China
^5.NO. 1 Oil Production Plant，Dagang Oilfield Company，PetroChina，TianJin 300280，China.

Received:2021-01-06 Revised:2022-03-08 Online:2022-06-01 Published:2022-05-06

摘要/Abstract

摘要：

利用测井资料计算储层孔隙度是测井定量评价的基础内容，储层孔隙度计算是否准确直接影响到后续的储层评价可靠性。对于岩矿组分复杂地层，如何快速、准确地开展孔隙度测井评价是复杂储层解释与评价的首要问题。A凹陷L组发育凝灰质砂岩储层，由于砂质成分复杂多变，且受后期成岩作用影响，导致不同层位骨架测井响应规律存在明显差异，进而导致基于岩心刻度测井的单孔隙度模型以及基于多元统计方法的孔隙度解释结果存在一定的适用性问题。以体积物理模型为基础，以主成分分析为手段，根据岩石骨架参数降维结果提出一种基于变骨架参数的孔隙度预测方法。实际资料处理结果表明，该方法预测结果与岩心分析结果吻合较好，且简化了分层段处理的解释流程，对复杂岩石组分的孔隙度预测具有一定借鉴意义。

关键词: 主成分分析, 变骨架参数, 复杂岩石组分, 凝灰质砂岩, 孔隙度预测, 储层评价

Abstract:

Porosity prediction from logging data is a common practice of quantitative evaluation of hydrocarbon reservoirs. The accuracy of reservoir porosity calculation directly affects the reliability of subsequent reservoir evaluation. For evaluating reservoirs with complex mineral components， the main challenge is how to quickly and accurately predict the porosity with logging data. One such example is the tuffaceous sandstone reservoir developed in L Formation of A Sag. Its complex and changeable sandy composition and late diagenesis result in logging responses varying significantly from one layer to another， making the applicability of the single-porosity model built based core-calibrated logging data and multivariate statistical method to porosity calculation of these layers rather questionable. To tackle the issue， this study proposes a porosity prediction method based on variable matrix parameters by using a volume physical model and through principal component analysis. Porosity prediction by using the method with actual logging data fits well with core analysis results and the workflow for separate-layer porosity interpretation is simplified. The method may serve as a certain reference for the prediction of porosity of rocks with complex components.

Key words: principal component analysis, variable matrix parameter, complex rock component, tuffaceous sandstone, porosity prediction, reservoir evaluation

中图分类号:

TE122.2

申波,王刚,樊海涛,等. 一种基于变骨架参数的孔隙度预测新方法[J]. 石油与天然气地质, 2022, 43(3): 711-716. doi: 10.11743/ogg20220319 Bo Shen,Gang Wang,Haitang Fan,et al. A new method for porosity prediction based on variable matrix parameters[J]. Oil & Gas Geology, 2022, 43(3): 711-716. doi: 10.11743/ogg20220319

图/表 9

图1

图2

表1

表2

图3

图4

图5

图6

表3

参考文献 27

1	李军，路菁，李争，等.页岩气储层"四孔隙"模型建立及测井定量表征方法［J］.石油与天然气地质，2014，35（2）：266-271.
	Li Jun， Lu Jing， Li Zheng， et al. ‘Four‑pore’ modeling and its quantitative logging description of shale gas reservoir［J］.Oil & Gas Geology，2014，35（2）：266-271.
2	李军，武清钊，路菁，等.页岩气储层总孔隙度与有效孔隙度测量及测井评价-以四川盆地龙马溪组页岩气储层为例［J］.石油与天然气地质， 2017，38（3）：602-609.
	Li Jun， Wu Qingzhao， Lu Jing， et al. Measurement and logging evaluation of total porosity and effective porosity of shale gas reservoirs： A case from the Silurian Longmaxi Formation shale in the Sichuan Basin［J］.Oil & Gas Geology， 2017，38（3）：602-609.
3	李军，金武军，王亮，等.利用核磁共振技术确定有机孔与无机孔孔径分布-以涪陵地区志留系页岩气储层为例［J］.石油与天然气地质，2016，37（1）：129-134.
	Li Jun， Jin Wujun， Wang Liang， et al. Quantitative evaluation of organic and inorganic pore size distribution by NMR‑Taking the Fuling Silurian shale gas as an example［J］.Oil & Gas Geology，2016，37（1）：129-134.
4	Sondergeld C H， Newsham K E， Comisky J T， et al. Petrophysical considerations in evaluation and producing shale gas resources［J］.SPE， 2010，131768：1-29.
5	曲岩涛，戴志坚，李桂梅，等. 岩心分析方法［S］.北京：石油工业出版社，2007：71-84.
	Qu Yantao， Dai Zhijian， Li Guimei， et al. Practices for core ana⁃lysis，［S］. Beijing： Petroleum Industry Press，2007： 71-84.
6	张岩，黄晓莹.岩心孔隙结构的空间分辨核磁表征［J］. 中国石油大学学报（自然科学版），2021，45（4）： 49-58.
	Zhang Yan， Huang Xiaoying. Spatially resolved NMR for rock core analysis ［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021， 45（4）： 49-58.
7	郭龙龙，陈洪德，黄晓波，等.富长石粗碎屑砂岩孔隙演化定量分析——以渤海湾盆地辽东凸起北段沙河街组二段为例［J］.石油与天然气地质，2020，41（4）：874-883.
	Guo Longlong， Cheng Hongde， Huang Xiaobo，et al.Quantitative analysis on pore evolution in feldspar‑rich coarse clastic sandstone：A case study of Es2 in the north part of Liaodong Uplift［J］.Oil & Gas Geology，2020，41（4）：874-883.
8	余秋均．多井测井资料的标准化处理方法［J］．石油地质与工程，2020，34（6）：118-122．
	Yu Qiujun. Research on standardized processing method of multi⁃well logging data［J］. Petroleum Geology & Engineering， 2020， 34（6）： 118-122．
9	魏赫鑫，赖枫鹏，蒋志宇，等.延长致密气储层微观孔隙结构及流体分布特征［J］.断块油气田，2020，27（2）：182-187.
	Wei Hexin， Lai Fengpeng， Jiang Zhiyu，et al.Micropore structure and fluid distribution characteristics of Yanchang tight gas reservoir［J］.Fault‑Block Oil and Gas Field，2020，27（2）：182-187.
10	李兆亮，柳金城，王琳，等.基于神经网络的复杂储层流体分级识别［J］.断块油气田，2020，27（4）：498-500.
	Li Zhaoliang， Liu Jincheng， Wang Lin，et al.Fluid hierarchical identification of complex reservoir based on neural network method［J］.Fault‑Block Oil and Gas Field，2020，27（4）：498-500.
11	魏峰，李跃林.12基于测录井资料的复杂流体性质识别技术［J］.断块油气田，2020，27（6）：760-765.
	Wei Feng， Li Yuelin.Identification technology of complex fluid properties based onlogging and mud logging data［J］.Fault‑Block Oil and Gas Field，2020，27（6）：760-765.
12	白龙辉，柳波，迟亚奥等.二维核磁共振技术表征页岩所含流体特征的应用［J］.石油与天然气地质，2021，42（6）：1389-1400.
	Bai Longhui， Liu Bo， Chi Yaao，et al.2D NMR studies of fluids in organic⁃rich shale from the Qingshankou Formation， Songliao Basin［J］. Oil & Gas Geology，2021，42（6）：1389-1400.
13	钟红利，张凤奇，赵振宇，等. 致密砂岩储层微观孔喉分布特征及对可动流体的控制作用［J］. 石油实验地质， 2021， 43（1）： 77-85.
	Zhong Hongli， Zhang Fengqi， Zhao Zhenyu， et al. Micro‑scale pore‑throat distributions in tight sandstone reservoirs and its constrain to movable fluid［J］.Petroleum Geology & Experiment，2021， 43（1）： 77-85.
14	Wise B M， Ricker N L， Velt D J， et al. A theoretical basis for the use of principal components models for monitoring multivariate processes ［S］. Process Control and Quality， 1990， 1（1）： 41-51.
15	周游，张广智，高刚，等.核主成分分析法在测井浊积岩岩性识别中的应用［J］.石油地球物理勘探，2019，54（3）：667-675，490.
	Zhou You， Zhang Guangzhi， Gao Gang， et al. Application of kernel principal component analysis in well logging turbidite lithology identification［J］.Oil Geophysical Prospecting. 2019， 54（3）：667-675，490
16	Draper B A， Baek K， Bartlett M S， et al. Recognizing faces with PCA and ICA［J］.Computer Vision Image Understanding，2003，91（1）：115-137.
17	Chattopadhyay A K， Mondal S， Chattopadhyay T. Independent component analysis for the objective classification of globular clusters of the galaxy NGC 5128［J］.Computational Statistics & Data Analysis，2013，57（1）：17-32.
18	刘爱疆，左烈，李景景，等.主成分分析法在碳酸盐岩岩性识别中的应用-以YH地区寒武系碳酸盐岩储层为例［J］.石油与天然气地质，2013，34（2）：192-196.
	Liu Aijiang， Zuo Lie， Li Jingjing， Application of principal component analysis in carbonate lithology identification： A case study of the Cambrian carbonate reservoir in YH field［J］. Oil & Gas Geo⁃logy， 2013，34（2）：192-196.
19	Sharma P， Jyoti B P. Water quality assessment using water quality index and principal component analysis： A case study of historically important lakes of Guwahati City， North‑East India［J］. Applied Ecology and Environmental Sciences， 2020， 8（5）：207-217.
20	胡红，曾恒英，梁海波，等.基于主成分分析和学习矢量化的神经网络岩性识别方法［J］.测井技术，2015，39（5）：586-590.
	Hu Hong， Zeng Hengying， Liang Haibo， et al. Lithology identification based on principal component analysis and learning vector quantization neural network［J］. Well Logging Technology， 2015， 39（5）：586-590.
21	祝鹏，林承焰，吴鹏，等.基于主成分分析法的成岩相测井定量识别——以五号桩油田桩62-66块沙三下Ⅰ油组储层为例［J］.地球物理学进展，2015，30（5）：2360-2365.
	Zhu Peng， Lin Chengyan， Wu Peng， et al. Logging quantitative identification of diagenetic facies by using principal component analysis： A case of Es3x1 in Zhuang 62-66 area， Wu Hao zhuang Oilfield［J］. Progress in Geophysics， 2015，30（5）：2360-2365.
22	葛新民，范卓颖，范宜仁，等.基于核主成分-小波能谱分析的复杂储层油水界面预测［J］.中南大学学报（自然科学版），2015，46（5）：1747-1753.
	Ge Xinmin， Fan Zhuoying， Fan Yiren， et al. Oil water contact prediction of complex reservoir using kernel principal component analysis and wavelet power spectrum analysis［J］. Journal of Central South University （Natural Science edition）， 2015， 46（5）：1747-1753.
23	陈修，徐守余，等. 基于支持向量机和主成分分析的辫状河储层夹层识别［J］. 中国石油大学学报（自然科学版），2021，45（4）： 22-31.
	Chen Xiu， Xu Shouyu， Li Shunming，et al.Identification of interlayers in braided river reservoir based on support vector machine and principal component analysis ［J］.Journal of China University of Petroleum（Edition of Natural Science）， 2021， 45（4）： 22-31.
24	张继伟.基于主成分分析的页岩油有利区评价——以仪陇—平昌地区大安寨段为例［J］.断块油气田，2021，（1）：28-32.
	Zhang Jiwei.Evaluation of favorable areas of shale oil based on principal component analysis： Taking Daanzhai member of Yilong⁃Pingchang area as an example［J］.Fault‑Block Oil and Gas Field，2021，（1）：28-32.
25	林海明.对主成分分析法运用中十个问题的解析［J］.统计与决策，2007， 8：16-18.
	Lin Haiming. Analysis of ten problems in the application of principal component analysis［J］. Statistics and Decision， 2007， 8：16-18.
26	斯伦贝谢公司. 测井解释常用岩石矿物手册［M］.吴庆岩，张爱军译.北京：石油工业出版社， 1998.
	Schlumberger. Well logging handbook of rocks and mineral［M］. Wu Qingyuan， Zhang Aijun， Trans. Beijing： Petroleum Industry Press， 1988.
27	谭廷栋.岩性和孔隙流体性质的弹性模量识别法［J］.天然气工业， 1986，6（1）：33-38.
	Tan Tingdong. Identifying lithological characteristics and the type of pore fluid in line of elastic moduli［J］. Natural Gas Industry， 1986，6（1）：33-38.

岩性	密度/（g·cm^-3）	中子测井值/（v·v^-1）	声波时差/（μs·ft^-1）
砂岩	2.65	-0.02	58
碳酸盐岩	2.68	0.05	59
火山岩	2.59	0.12	56

主成分	初始特征值			主成分矩阵
主成分	特征值	方差	累计方差	M	N	P
F₁	1.981	66.025	66.025	1.000	0.778	-0.613
F₂	1.019	33.961	99.985	-0.004	0.628	0.790

解释方法	孔隙度预测值/%	孔隙度分析值/%	平均绝对误差/%
声波时差	16.01	15.72	1.23
多元统计	14.98	15.72	1.59
变骨架参数	15.59	15.72	0.95

[1]	王国亭, 贾爱林, 闫海军, 郭智, 孟德伟, 程立华. 苏里格致密砂岩气田潜力储层特征及可动用性评价[J]. 石油与天然气地质, 2017, 38(5): 896-904.
[2]	李军, 路菁, 李争, 武清钊, 南泽宇. 页岩气储层“四孔隙”模型建立及测井定量表征方法[J]. 石油与天然气地质, 2014, 35(2): 266-271.
[3]	郑磊, 金之钧, 张哨楠. 中东鲁卜哈利盆地古生界致密砂岩储层特征及评价[J]. 石油与天然气地质, 2013, 34(4): 475-482.
[4]	朱伟, 顾韶秋, 曹子剑, 张国一. 基于模糊数学的滨里海盆地东南油气储层评价[J]. 石油与天然气地质, 2013, 34(3): 357-362.
[5]	刘爱疆, 左烈, 李景景, 李瑞, 张玮. 主成分分析法在碳酸盐岩岩性识别中的应用——以YH地区寒武系碳酸盐岩储层为例[J]. 石油与天然气地质, 2013, 34(2): 192-196.
[6]	侯瑞云. 大牛地气田盒一段低孔渗砂岩储层特征[J]. 石油与天然气地质, 2012, 33(3): 467-478.
[7]	侯瑞云, 刘忠群. 鄂尔多斯盆地大牛地气田致密低渗储层评价与开发对策[J]. 石油与天然气地质, 2012, 33(1): 118-128.
[8]	樊政军, 柳建华, 张卫峰. 塔河油田奥陶系碳酸盐岩储层测井识别与评价[J]. 石油与天然气地质, 2008, 29(1): 61-65.
[9]	张大伟, 陈发景, 程刚. 松辽盆地大情字井地区高台子油层储集层孔隙结构的微观特征[J]. 石油与天然气地质, 2006, 27(5): 668-674.
[10]	王志高, 靳彦欣. 动态法划分流动单元—以现河庄油田为例[J]. 石油与天然气地质, 2005, 26(1): 125-129.
[11]	杨少春, 信荃麟. 断块油藏的测井储层评价[J]. 石油与天然气地质, 1999, 20(1): 85-89.
[12]	李红雯, 邹红. 测井分析软件系统及其在储层评价中的应用[J]. 石油与天然气地质, 1997, 18(1): 45-49.
[13]	赵跃华. 双河油田北块两个层系的储层孔隙结构特征[J]. 石油与天然气地质, 1994, 15(4): 341-349.
[14]	张厚福. 石油地质学新进展[J]. 石油与天然气地质, 1992, 13(3): 351-354.

一种基于变骨架参数的孔隙度预测新方法

A new method for porosity prediction based on variable matrix parameters

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 27

相关文章 14

编辑推荐

Metrics