GJ地区阜二段滩坝砂体薄油层识别

蒋阿明，陈同飞，张 菲，陆梅娟

(中国石化江苏油田分公司勘探开发研究院，江苏 扬州 225009)

GJ地区阜二段滩坝砂体薄油层识别

蒋阿明，陈同飞，张 菲，陆梅娟

(中国石化江苏油田分公司勘探开发研究院，江苏 扬州 225009)

利用岩心和测井资料对GJ地区沉积相进行了深入分析，阜二段油层主要划分出坝砂和滩砂两类微相。针对坝砂、滩砂的不同沉积和测井响应特点，分别建立了油层、水层和干层的精细识别模型。结合油藏类型和油水分布特征，采用常规的短电极测井多参数图版划分有效储层，进而识别薄油层，并将神经网络法应用于薄油层识别。多种识别方法相互验证，提高了油层的识别精度，在老油田深度挖潜中取得了明显的效果。

坝砂滩砂 多参数 短电极 薄油层识别 阜二段 GJ地区 江苏油田

滩坝砂体是陆相断陷湖盆常见的砂体类型[1-5]。GJ地区位于苏北盆地金湖凹陷西部斜坡带中部[6]，先后发现了G6、G7等多个主力含油区块，阜二段(E1f2)主力含油层系属于滨浅湖亚相带，主要发育滩砂、坝砂两种微相类型，砂岩厚度为30～50 m，砂岩百分比为30%～40%。砂体在平面上呈现土豆或条状分布特征。主力层中一些薄层滩砂，由于常规测井资料解释的局限性[7-8]，一次解释均为干层。但近年来通过测井资料的重新分析和认识，这些薄砂体储层经有效改造后获得工业油流，展现了该地区良好的勘探开发深度挖潜前景。

1 沉积微相及展布特征

岩心观察和测井资料表明，GJ地区E1f2砂体的微相类型主要为坝砂、滩砂(图1)。这两类砂体的顶部或底部常发育有1～2 m鲕粒层或生物灰岩层，在垂向上总体表现为反韵律粒序[9]。坝砂由于受到波浪和岸流的改造，其碎屑沉积物的粒度较粗，且成分成熟度和结构成熟度也较高。岩性主要有细砂岩、粉砂岩、泥质粉砂岩、粉砂质泥岩和泥岩，由于滩坝体系处于高能环境，所以其中的粉砂岩、细砂岩十分发育，且常以大段出现，其厚度一般大于3 m。自然电位曲线形态以近漏斗形和箱形为主；而滩砂是在较平缓的地形上经受湖浪、湖流作用形成的砂体，伴生在砂坝周围，呈较宽的条状或席状分布，厚度相对薄，一般为1～3 m，岩性以粉砂岩为主，一般与浅水泥岩在垂向剖面上呈频繁互层，其顶底与深灰色泥岩过渡接触。在自然电位曲线上多呈指状、锯齿形特征。

平面上，坝砂常呈团块状、条形状沿湖岸线平行分布，滩砂呈较宽的条状或席状广泛发育分布在砂坝砂体四周。坝砂分布主要有四个中心：G7与G11断块结合处砂坝呈团块状，砂岩厚度为15～35.4 m，厚度高值区位于G7-17、G7-13、G7-14、G7-18、G11-1、G11-13等井区；G6断块坝砂呈不规则条状与岸线平行分布，砂岩厚度在15.0～33.1 m之间，以坝砂为主的厚度高值区分布于中部，厚度大于20 m；G11-17～G14-1～G15-2等井区连成的坝砂呈与岸线平行的长条状形态，主体部位G14-1砂体厚度为39.5 m，G1～G19井区形成的坝砂呈团块状，砂岩最厚为38.5 m。

图1 G14-4井岩心相柱状图

2 储层物性特征

根据物性资料统计分析，滩砂储层孔隙度分布区间13.1%～17.9%，均值为15.7%，渗透率(2.3～48.4)×10-3μm2，均值22.1×10-3μm2，含油饱和度53.2%～73.6%，均值66.2%，碳酸盐含量7.7%～15.4%，均值11.6%；而坝砂储层孔隙度在13.4%～20.7%之间，均值为17.1%，渗透率(8.5～156.6)×10-3μm2，均值53.7×10-3μm2，含油饱和度2.1%～75.6%，均值70.0%，碳酸盐含量6.6%～13.3%，均值为11.3%(表1)[10]；总体上看，坝砂与滩砂储层的孔隙度、饱和度和碳酸盐含量相当，但坝砂储层的渗透率高于滩砂。

表1 GJ地区E1f2坝砂与滩砂物性分析数据

3 油层识别

GJ地区E1f2坝砂和滩砂两种砂体由于沉积和储层特征方面的差异，其在测井响应特征方面也存在一定差异。坝砂厚度较大，测井响应受围岩、测井系列等测井条件影响甚微，其测井响应值基本能反映地层真实值。滩砂厚度一般小于1.5 m，因为层薄受纵向分辨率影响，常规用于判断油水层的电阻率(包括感应电导率、深感应电阻率、6 m底部梯度电阻率)测井响应值一般偏低[11]，滩砂薄油层与坝砂水层在电阻率上较难区分。通过岩心观察发现，一些厚度小于1.5 m的储层，尽管在电性特征上与坝砂油层差异明显，一次测井解释往往认为是干层，但其含油级别一般都在油浸、油斑以上，说明这类储层具有较好的含油性。

3.1 “藏—电结合”综合识别

一般而言，测井资料中诸如微电极等短电极测井曲线具有较高的纵向分辨率，常用来识别薄储层，但由于横向探测深度较浅，而无法反映原状地层中流体响应特征。通过尝试将其与油藏认识结合起来综合判别薄油层。分析GJ地区E1f2油藏特征得出如下结论：E1f2油藏均为层状构造油藏，仅局部受岩性、物性影响，虽然不具统一油水界面，但油藏充满程度较高，油井油下水特征明显，油层段油层集中、连续，不存在油水间互现象。对于明显水层以上的储集层，只存在油层和干层的差异。因此，基于上述认识，充分利用短电极测井纵向分辨率高的优势，选择较能指示渗透性的测井曲线，划分出薄层渗透性储层，即识别出薄油层。GJ地区测井资料时间跨度较长，为了消除井间的系统误差，需对所选曲线进行标准化处理，主要采用比值法进行校正。通过对测井资料进行筛选，本区微电极、自然电位以及声波时差曲线比较齐全，且对薄层渗透性储层较敏感。基于大量的取心及试油资料，建立多参数解释图版(图2、3)。

通过建立的微电极幅度差比值—声波时差—自然电位比值(ΔSP/SSP)曲线三参数判别图版，确定出渗透层(油层)电性标准：微电极幅度差比值大于0.25 Ω·m，自然电位比值大于0.2 mv/cm，声波时差大于235 μs/m。具体划分有效厚度时，采用最小误差原则，即三参数中有两个满足电性标准，就可以划分。该法可弥补层厚对电性的影响，避免了有效储油层的错失，提高了薄油层的识别精度。

图2 微电极幅度差比值与声波时差关系

图3 自然电位比值(ΔSP/SSP)与声波时差关系

3.2 “相—电结合”综合识别

依据坝砂和滩砂在测井响应值方面的差异，在沉积微相精细划分的基础上，分别建立坝砂与滩砂的测井电性解释图版。在反映地层电学特性的测井信息中，一般深探测电阻率能更好地反映地层真电阻率。GJ地区测井基本为电导率测井或双感应测井，通过对砂泥岩地层的四性关系研究，发现声波时差对渗透层和非渗透层有较好的反映，而深感应电阻率对于判断油、水层具有直观性，油、水层深感应电阻率差异较明显。因此，选择深感应电阻率与声波时差建立交会图。图4、图5分别为坝砂和滩砂沉积微相深感应电阻率与声波时差交会图版，油层与干层、水层存在明显的差异分布界限，利用这种分布特征区分油水层，准确率较高。坝砂微相砂体试油油层深感应电阻率大于11.0 Ω·m，多数试油水层的深感应电阻率为8～11 Ω·m；滩砂微相砂体试油油层深感应电阻率大于8.0 Ω·m，小于坝砂微相油层电阻率，其原因主要是滩砂较薄，电阻率曲线受层厚影响偏低。因此，若不分别建立图版，滩砂微相油层将被解释为干层或水层，会造成一定规模油层的识别漏失。

图4 E1f2坝砂深感应电阻率与声波时差关系

图5 E1f2滩砂深感应电阻率与声波时差关系

综合上述两种方法确定了GJ地区E1f2油藏有效的油、水、干层识别标准(表2)。

表2 GJ地区E1f2油、水、干层识别标准依据

3.3神经网络技术识别

人工神经网络技术是通过工程技术手段模拟人脑神经网络的结构和功能的一种技术[12]，广泛应用于信息处理、模式识别、智能控制等领域，目前在油田的地震储层横向预测、含油气检测、储层性质识别等方面应用也颇多。采用人工神经网络BP算法判别油、水、干层[10][13]，其模型采用的是人工神经网络中的前馈网络模型，即BP神经网络模型(图6)，具有较强的智能功能，与一般的统计识别方法相比，其更能解决较复杂的非线性映射问题，与常规的测井解释方法相互验证，预测精度较高，结果可靠。

BP网络分为3层：输入层、隐含层和输出层。输入层和输出层的维数是由问题所直接决定的。上一层的神经元只接受下一层神经元输出的信号，同层神经元之间没有反馈。BP算法在于利用输出层的误差估计输出层直接前导层的误差，再用这个误差估计更前一层的误差。网络的学习过程就是不断调整神经元之间的连接权，直到输出值与期望输出值间的误差达到足够小，从而使输入层与输出层之间建立联系。网络预测是通过输入上述建立的输入层与输出层之间的关系，从输入层输入一组数据，即可在输出层得到相关的值。

图6 BP神经网络的基本结构

实际工作过程中，选取对GJ地区油层特征反应敏感的微电极幅度差(△Rxo)、微电极幅度差与标准微电极幅度差的比值(△Rxo/△Rxo标准)、自然电位幅度差与标准自然电位幅度差的比值(△SP/△SP标准)以及自然伽马与标准自然伽马的比值(GR/GR标准)等8种测井参数作为解释的输入参数，然后将经过试油证实的16口井32层作为学习样本，其中油层26层，水层3层，干层3层。对样本进行训练，通过不断试算和反复调节隐含层节点个数、步长及加速因子，经过迭代以后，训练误差小于0.000 1，精度达到了误差要求。这表明所建模型达到预测要求，电性与含油性之间的关系已隐于神经元之间的连接权之中，可以进行油水层的识别，预测结果与用其他方法得到的认识基本一致(表3)。

表3 交会图版解释与神经网络法判别结果对比

图7 G20-12井E1f2测井曲线

4 应用效果

通过多种油层识别方法的应用和相互印证，提高了研究区油层的识别精度，并有效指导了GJ地区薄油层的重新认识，共补划有效厚度111层160.3 m，其中27层61.3 m已通过试油证实，在老油田深度挖潜中取得了明显的效果。如G20-12井2-7号层测井一次解释均为干层(图7)，后期在取得新认识的基础上通过重新精细解释，均判别为薄油层，划分有效厚度0.6～1.2 m，经试油并通过压裂改造，获得日产11.8 m3的工业油流，有效解放了一批薄油层。

[1] 朱筱敏,信荃麟,张晋仁.断陷湖盆滩坝储集体沉积特征及沉积模式[J].沉积学报,1994,12(2)：20-27.

[2] 操应长,王健,刘惠民,等.东营凹陷南坡沙四上亚段滩坝砂体的沉积特征及模式[J].中国石油大学学报,2009,33(6)：5-10.

[3] 李国斌,姜在兴,王升兰,等.薄互层滩坝砂体的定量预测——以东营凹陷古近系沙四上亚段(Es4上)为例[J].中国地质,2010,37(6)：1659-1670.

[4] Christopher H,Brian G.Hydrodynamics and sediment transport within the Inner Surf Zone of a lacustrine multiple -barred nearshore[J].Marine Geology,2005,218：37-63.

[5] Flores R M.Pictured Cliffs Sandstone Upper Cretaceous distributarychannel,delta -front,and beach -bar deposits,outhwestern San Juan Basin,New Mexico[J].AAPG Bulletin,1979,63(3)：451-452.

[6] 能源,漆家福，张春峰.金湖凹陷断裂特征及其石油地质意义[J].大地构造与成矿学.2012,36(1):16～23.

[7] 燕兴荣,柴细元,邵维志,等.滩坝砂岩性油气藏测井评价方法及应用[J].测井技术,2006,30(2)：161-163.

[8] 李燕.东营沙四段滩坝砂储层及流体测井识别方法[J].测井技术,2009,33(2)：143-147.

[9] 刘金华,唐建东,钟思瑛,等.金湖凹陷西斜坡阜二段物源方向再认识[J].复杂油气藏.2011,4(3):16～20.

[10] 陈同飞,蒋阿明,张菲,等.薄砂体油层常规测井精细识别技术及其应用[J].石油天然气学报.2014,36(12):117～120.

[11] 张菲，孙培安，张乐.高分辨率阵列感应测井在薄层评价中的应用[J].石油实验地质，2012.9,34(5):510～513.

[12] 杨庆军,邓春呈,王辰.利用人工神经网络求取产层的流动系数.新疆石油地质[J].2001,22(1):66～67.

[13] 杨庆军,邓春呈,杨永利,等.人工神经网络在低阻油层识别上的应用[J].特种油气藏.2001,8(2):8～10.

(编辑 曹征远)

Thin reservoir identification of beach bar sandbodies in GJ area

Jiang Aming，Chen Tongfei，Zhang Fei，Lu Meijuan

(ExplorationandDevelopmentResearchInstituteofJiangsuOilfieldCompany，SINOPEC，Yangzhou225009，China)

Using data of logging and core，sedimentary facies in GJ area were analyzed deeply.Thus the second member of Funing Formation was mainly divided into two types of bar sandbodies and beach sandbodies.According to characteristics of sedimentary and logging response of bar and beach sandbodies，fine identification models were established for oil layer，water layer，and dry layer，respectively.Combined with reservoir type and oil-water distribution feature，the effective reservoir was divided by adopting conventional multi-parameter chart of short electrode logging，to further identify thin oil pay.And then the neural network method was applied to identify thin oil pay.Various identification methods were used to improve the accuracy of reservoir identification and obtain significant effects for tapping the potential of matured oilfields.

the beach bar sandstone；multi-parameter；short electrode；identification of thin oil pay；GJ area；Jiangsu Oilfield

TE121.3

A

2015-03-09；改回日期2015-04-28。

蒋阿明(1967—)，高级工程师，现从事勘探及储量综合研究和管理工作，电话：0514-87761729，E-mail：jiangam.jsyt@sinopec.com。

江苏油田分公司“金湖凹陷非主力层油气层识别技术及增储潜力研究”(JS 11001)。

10.16181/j.cnki.fzyqc.2015.03.001