重构电阻率曲线识别水淹层的方法及应用

石玉江, 周金昱, 钟吉彬, 王长胜, 钟晓勤, 张少华

(1.中国石油长庆油田公司勘探开发研究院, 陕西 西安 710018; 2.低渗透油气田勘探开发国家工程实验室, 陕西 西安 710018)

0　引　言

长期以来形成了许多定性定量解释水淹层方法,如自然电位基线偏移法、激发极化电位法、径向电阻率比值法等定性识别法。裸眼井中可以用介电测井计算剩余油饱和度,核磁共振测井评价水淹程度。套管井中可以利用中子寿命测井、注硼中子寿命测井碳氧比能谱测井计算含油饱和度;此外,还有脉冲中子衰减测井、氯能谱测井等技术[1]。20世纪90年代,利用神经网络技术、模糊聚类、灰色系统等机器学习技术在水淹层识别中的应用进行了大量研究[2-10],利用其定性分类的特点,通过一定数据量的训练,可以用于识别水淹层。本文在水驱油岩电实验的基础上,利用神经网络定量计算特点构建油层水淹前的电阻率曲线,通过和实测电阻率曲线之间的差异比较,结合地区经验,识别储层水淹并评价水淹程度。在长庆油田老区水淹层解释的实际应用中,能够准确识别淡水水淹层,为剩余油分布评价及老区挖潜奠定了基础。

1　储层水淹后特征变化

超低渗透油藏受储层非均质性影响,油藏水淹程度差异大,剩余油分布不清。注水前后,储层的测井响应特征变化大,受仪器分辨率的限制,测井曲线无法准确反映某些微观的物理性质变化,主要受注入水影响较大的电阻率变化区域特性明显,导致水淹层识别难。

1.1　水淹后储层岩性、物性的变化特征

鄂尔多斯盆地安塞油田WY地区C6储层岩石以细粒长石质岩屑砂岩为主,长石占50.2%,石英占20.3%,岩屑约8.6%,云母约7.3%;黏土矿物主要为绿泥石、伊利石及少量的伊蒙混层。当水淹程度逐渐升高,长石含量有所降低,石英增加,碎屑增加,黏土矿物含量降低。黏土矿物中,伊利石含量有少量增加,伊蒙混层和绿泥石少量减小。储层水淹后,注入水将导致地层水中离子浓度变化,酸碱度随之改变,长石慢慢被溶蚀并发生水解,石英发生次生加大。注水过程中水敏性强的黏土矿物吸水膨胀,破坏矿物结构,脱落的黏土呈团堵塞喉道,新的方解石等矿物附在孔隙和喉道上导致油层渗透率降低、孔隙度变小。在低渗透储层中,这些矿物、泥质并未带走,只是存在形式变了,地层的放射性没有变化,因此,自然伽马值基本没有变化,只有当渗透率较高时,自然伽马值才稍有变小[11]。

岩性纯、物性好的储量条件下,自然电位曲线幅度的变化,通常可以直接反应储层水淹情况,由导电离子的扩散—吸附作用可知,水淹后地层水矿化度、自然电位曲线幅度也发生相应变化。但是,WY地区C6储层属于低渗透岩性油藏,储层岩性不纯,以泥质砂岩为主,粒度为细粒、粉砂为主。顶、底的泥岩盖层岩性同样不是纯泥岩,而是以砂质泥岩为主。因此,有效储层的自然电位幅度受水淹程度影响小,不能直接利用自然电位幅度变化或泥岩基线的偏移识别水淹层。

储层水淹后,储层微观孔隙结构发生改变,中长石的溶解,增加了储层有效孔隙,但是黏土颗粒及新生矿物又堵塞了部分孔隙和喉道,同时绿泥石膜吸附的有机质同样起到了阻塞喉道的作用。这些变化对声波时差曲线的影响较弱,前期研究认为水淹前后声速曲线无明显变化[11]。

不同岩石声波特性实验表明,岩石的声波时差值随含水饱和度变化较小,而且与水的矿化度没有明显关系。不同矿化度水驱油的声波特性实验显示,随着注入水饱和度的增加声波时差值基本保持不变,注入水饱和度达到40%时,稍有降低。

1.2　水淹后储层电阻率变化特征

电阻率受水淹程度的影响大,对电阻率变化的认识是识别水淹层的关键。由于注入水物理化学性质不同,各油田、各区域的水淹层解释方法、标准也不尽相同。

WY地区C6油藏经长期注水开发已经进入中—高含水期。油藏原生地层水型为CaCl2型,矿化度为40 000～70 000 mg/L,电阻率为0.178～0.074 Ω·m;油层电阻率较低,一般为15～40 Ω·m之间[见图1(a)],为中—低电阻率油藏,主要以油水同层为主。该区注入水为下白垩系储层的淡水,距地面深度平均400～800 m左右,水型为CaCl2型,矿化度为600～1 000 mg/L,注入水电阻率平均为8.12 Ω·m。注入的淡水进入地层后,必将导致混合地层水电阻率值升高,同时随着注入水对石油的驱替,储层总含水饱和度增加,这将导致电阻率降低,混合地层水电阻率与总含水饱和度形成一个动态变化过程,这将导致电阻率曲线失去反映储层含油性的能力。研究区注入水电阻率是原生地层水电阻率的50多倍,有利于水淹层识别。

图1　WY地区C6储层淡水水淹前、后声波时差—电阻率交会图

统计WY地区C6储层淡水水淹层电阻率与声波时差[见图1(b)],水淹后的油水同层主要包括中水淹层和低水淹层,水淹后的水层主要为高水淹层且试油产水率大于90%的层。可见,物性较好的储层(AC>235 μs/m),更容易被水淹,随着储层水淹程度增大,电阻率曲线逐渐变大,高水淹层电阻率明显大于水淹之前的电阻率。依靠常规解释图版很难将部分高水淹层和中水淹层区分开,同时与水淹前的油层和油水同层不易区分。

2块孔隙度相近、渗透率差异大的岩心,通过淡水驱油岩电实验(注入水为600 mg/L,地层水矿化度为74 590 mg/L)获得的电阻率增大系数I与含水饱和度Sw间的关系图。在岩心含油饱和度较高时开始水驱。随着含水饱和度增加,电阻率降低,使得电阻率增大系数I变小,当含水饱和度增加到65%左右时,I降低到最低点,之后随着淡水不断淡化和驱替原状地层水,又使电阻率升高,I又逐渐变大,整体呈现为U型变化,反映了淡水驱油时,混合地层水电阻率与总含水饱和度动态变化的过程。常规解释认为I≥3时储层含油,应该解释为油层,但是储层水淹后,当I=4时,Sw既可以等于54.5%,也可以等于80%,既可以解释为油水同层,也可以解释为水层,存在多解性。因此,单井解释时,利用电阻率纵向对比识别水淹层容易得到错误的解释结论。WY地区C6油藏在经历了20多年的持续开发后,剩余油饱和度只有40%～50%左右,为中—高含水期,随着进一步注水开发,含水饱和度增大,使得电阻率增大系数I从最低点逐渐变大,即随着注入水饱和度增加,电阻率升高。

成熟开发区一般采用较简单的测井系列,除了部分重点井、检查井加测补偿密度和补偿中子测井外,大部分井只有岩性(自然伽马、自然电位)及声-感组合测井,仅能满足岩性识别及简单的储层参数计算。在研究区,利用这些简单的资料,通过水淹井与邻井未水淹井横向对比,发现淡水水淹后储层电阻率值升高,与前述实验分析吻合。因此,利用新老井电阻率对比的方法,能够识别一些水淹程度较高的水淹层。但是,由于井间差异及测井系列不同(老井通常为双感应—八侧向电阻率,新井主要为高分辨率阵列感应),新老井电阻率之间本身存在一定差异,难于找到相对可靠的油层电阻率作为参考值,导致这种解释方法符合率较低,不能满足生产需求。据此,提出了以该井实测的非电阻率曲线,重构油层被淡水水淹之前的电阻率,作为参考曲线与实测曲线对比,由于淡水水淹后电阻率曲线升高,所以水淹层通常表现为实测电阻率曲线Rt大于重构的油层电阻率Rt,c,反之Rt小于或等于Rt,c。

2　基于神经网络的电阻率曲线重构方法

利用神经网络能够准确模拟输入与输出之间复杂的非线性映射关系的特点,重构储层水淹前油层的电阻率曲线可以有效降低拟合误差,利用二者的差异识别和评价水淹层。

神经网络技术在测井领域的应用主要包括2个方面:①在复杂井眼条件下,构造声波曲线用于约束地震反演及储层渗透率的估算等,这属于参数定量计算的应用[12-16];②神经网络也直接应用于油、气、水层的识别,这属于模式识别的范畴[3-7]。

基于神经网络在“参数”和“识别”等非线性映射中的独特优势[1]。在前人研究成果的基础上,利用神经网络通过常规曲线重构水淹前的电阻率曲线。

2.1　神经网络的输入参数及结构

2.1.1输入参数变化特征及预处理

由于研究区为淡水水淹,水淹后储层电阻率绝对值变大,需要重构水淹之前油层的电阻率曲线作为参考曲线。因此,选择WY地区同一油藏中,开发初期试油获纯油的储层作为学习样本。

图2　WY地区C6段储层水淹前后测井曲线对比图

由岩石物理实验可知,油层水淹后常规测井曲线随着水淹程度的不同表现出不同程度的变化。图2所示各曲线为2口相邻井,红色曲线是该区域水淹前完钻的井(D209井),蓝色曲线是该区域水淹后完钻的井(Q181井)。在高水淹层段,自然伽马值较水淹前明显变小,低水淹层段变化不明显,或者有微弱升高,表明水淹后部分泥质赋存形式发生了改变或发生了位移;储层水淹后,注入淡水严重改变了地层水导电离子浓度,使得自然电位曲线幅度变化小,基线偏移不明显;声波时差曲线水淹前后变化不明显,在储层顶部受到泥质变化影响稍有升高;补偿密度曲线在储层底部水淹前后基本一致,顶部水淹后,密度值稍有减小趋势;水淹后的补偿中子曲线稍有偏大;电阻率曲线在高水淹层段明显升高。由此可见,可用于重构电阻率的非电阻率曲线中,除了自然电位曲线变化明显以外,其他曲线的变化量非常小,同时这种变化受到井间差异的影响使得解释人员难以把握。通过神经网络用该井曲线的微弱变化构建电阻率曲线,可以有效消除井间差异,从而为解释人员提供可靠的参考电阻率曲线。

为使自然电位曲线能够参与定量计算,在将其输入到神经网络前,将泥岩基线校正到0刻度线(见图4),则自然电位曲线的绝对值可当作自然电位幅度值。另一方面,输入曲线均为线性刻度曲线,而电阻率曲线一般为对数刻度,实践表明如果直接使用电阻率值作为学习目标,重构的电阻率曲线将会有较大的误差,因此,通过对电阻率曲线值取对数(lgRt)将其变换为等效线性刻度参与定量计算,可以降低误差。

2.1.2神经网络结构的优选

要构建一个适用的神经网络,关键在于输入参数的性质及个数。基于5条输入曲线设计2个隐藏层的神经网络。根据输入、隐藏层、神经元、输出个数将其命名为5-10-10-1网络。同理可以设计5-10-1网络和5-10-10-10-1网络。依据输入、输出映射关系的复杂程度选择不同的网络结构。

实际资料显示(见图3),3种网络结构采用相同训练数据通过相近次数的自主学习,都可以较好地反映电阻率曲线变化特征。随着网络复杂程度的增加,重构曲线的锯齿化程度增加,表明网络对曲线细微的变化变得更加敏感。综合认为,5-10-10-1网络更加适合研究区电阻率曲线与其他曲线之间的映射关系,(AT90_5-10-10-1,蓝色曲线),在泥岩和砂岩中均与实测曲线(AT90,红色曲线)重合度高。5-10-1网络重构的电阻率(AT90_5-10-1,黑色曲线)在有效储层里,局部较实测曲线偏高;5-10-10-10-1网络重构的电阻率(AT90_5-10-10-10-1,黑色曲线)在曲线顶部砂岩处,重构电阻率明显大于实测电阻率。因此,神经网络隐藏层选择2层即可。

图3　重构电阻率曲线质量控制对比图

图4　W5-251井C6段测井解释成果图

输入参数决定网络结构的复杂程度,当自然伽马、自然电位、声波时差、补偿密度、补偿中子5条曲线作为输入,则网络结构可确定为5-10-10-1型。当没有补偿中子或补偿密度曲线时,可以设计4-8-8-1型或3-6-6-1型网络,随着输入参数减少,重构的电阻率曲线分辨率有所降低(见图3),但是曲线平均值与实测电阻率基本一致。当输入曲线只有自然伽马、声波时差和自然电位时,由3-6-6-1网络重构的电阻率曲线(AT90_3-6-6-1,蓝色曲线)较平直,但仍能够反应电阻率曲线的整体变化。

3　水淹层识别及分类评价

重构曲线(Rt,c)与实测电阻率曲线(Rt)绝大部分值重合较好,仅在局部高、低尖峰处稍有差异,且这种差异通过神经网络结构优选和适当提高学习次数可以得到优化。大量实例证明,水淹造成的电阻率值变化明显大于以上误差。因此,当Rt>Rt,c时可以定性为水淹层,并且Rt比Rt,c大得越多,水淹程度越高。

W5-251井为WY地区1口普通开发井,测井系列简单,仅有自然伽马、自然电位和声波时差3条非电阻率曲线,依据常规四性关系分析几乎无法判断是否水淹。采用3-6-6-1型神经网络重构油层电阻率曲线(见图4)。在储层段中的XX92～XX03 m段,Rt明显大于Rt,c,可确定为中水淹层;XX86～XX89 m段、XX03 m～XX11 m段、XX12～XX20 m段中Rt约等于Rt,c,表明这些层段几乎没有被水淹,解释为低水淹层。在XX92～XX96 m中水淹和XX02～XX05 m低水淹2处射孔并试油,获工业油流7.65 t/d,水9.3 m3/d,投产后日产油2.48 t,产水率为39.7%。水分析总矿化度为27 510 mg/L,与该区原生地层水矿化度(40 000～70 000 mg/L)相比较明显淡化。虽然该油层被水淹,但投产效果依然较好。因此,中水淹层+低水淹层组合是水淹层试油投产的主要目的层。

图6　WJ16-156井C6段水淹程度分级评价

Rt与Rt,c相差越大说明储层中注入淡水量占流体总量比例越大。用水淹指数Iwf[Iwf=(Rt-Rt,c)/Rt]定量表征储层水淹程度,根据WY地区水淹井统计得到Rt-Iwf交会图(见图5)。

图5　WY地区C6段水淹指数—电阻率交会图

以《SY/T6178—2011水淹层测井资料处理与解释规范》为依据,结合以上参数标准,参考WY地区C6段水淹层投产初期的产水率可得到Iwf与产水率之间的对应关系(见表1)。表1明确了产水率与水淹指数Iwf之间的对应关系,以Iwf作为水淹层划分标准,可以简单、快捷、有效地划分水淹级别。

表1　水淹级别划分标准

WJ16-156井是1口检查井,钻井目的在于调查该区域注水波及范围和确定水驱优势方向,以优化油藏注采井网。通过重构曲线对比(见图6),有效储层顶部和底部Rt略大于Rt,c;在XX41～XX47 m段Rt明显大于Rt,c,计算的水淹指数Iwf指示出了不同层段水淹程度的差异。2号层Iwf大部分值大于0.7,解释为高水淹层;1、3、5、6号层Iwf介于0.4和0.7之间,解释为中水淹层;4号层Iwf介于0.1和0.4之间,解释为低水淹层。结合钻井目的,选择高水淹层段XX42～XX46 m处射孔、试油,获油3.0 t/d,水14.7 m3/d,投产后日产油0.26 t,产水率94.4%,采出水总矿化度为12 411 mg/L,与该区原生地层水矿化度(40 000～70 000 mg/L)相比淡化严重。同时证明高水淹层+中水淹层的组合,在水淹层开发时往往效果较差,物性好的层段容易被水淹形成高水淹层,同样高水淹层的水也特别容易采出,而低水淹的油层,由于物性稍差,同等开采条件下很难再次动用。

4　结　论

(1) 通过安塞油田WY地区水驱油岩石物理实验,储层淡水水淹前、后,岩性、物性均有微弱变化,当油层中随着淡水含量的增加,导致储层的电阻率将会显著增大,实验和实践证明可以通过水淹前后电阻率变化大小定性识别水淹层。

(2) 神经网络可以反映输入与输出之间复杂的非线性映射关系,但是神经网络结构随输入参数数量的变化不同,依据输入参数不同可以针对性地设计5-10-10-1型、4-8-8-1型和3-6-6-1型网络对水淹前油层电阻率曲线进行重构。

(3) 依据重构电阻率曲线和实测电阻率曲线可以有效识别淡水水淹油层,并进行水淹层分级评价。可以有效规避行业标准中以静态资料计算动态产水率的弊端,尤其适合于测井系列简单的老开发区水淹层解释,可有效提高水淹层解释符合率。

(4) 在高水淹层+中、低水淹层的解释序列中,水淹层试油选择射孔段时,应尽量远离高水淹层,通常高水淹层中的水比中、低水淹层中的油更容易被采出。

参考文献:

[1]赵培华. 油田开发水淹层测井技术 [M]. 北京: 石油工业出版社, 2003.

[2]许少华, 刘扬, 何新贵. 基于过程神经网络的水淹层自动识别系统 [J]. 石油学报, 2004, 25(4): 54-57.

[3]梅红, 张厚福, 孙红军, 等. 神经网络技术在测井相分析及水淹层判别中的应用 [J]. 石油大学学报(自然科学版), 1997, 21(3): 24-28.

[4]张学磊, 沈楠, 樊茹, 等. 神经网络技术在复杂断块油藏水淹层评价中的应用 [J]. 复杂油气藏, 2015, 8(3): 55-70.

[5]张玎, 梅红, 冉文琼. 应用人工神经网络识别水淹层 [J]. 测井技术, 1996, 20(3): 210-214.

[6]刘治国. 人工神经网络在薄差水淹层解释中的应用研究 [D]. 长春: 吉林大学, 2009.

[7]刘瑞林, 华运隆, 张超谟, 等. 延迟神经网络测井资料评价水淹层的方法及应用 [J]. 石油学报, 1997, 18(4): 76-81.

[8]郑庆伟, 王祝文, 欧希阳, 等. 聚类分析方法在测井曲线重构中的应用 [J]. 世界地质, 2015, 34(3): 807-812.

[9]宋子齐, 谭成仟, 吴少波, 等. 灰色系统与神经网络技术在水淹层测井评价中的应用 [J]. 石油勘探与开发, 1999, 26(3): 90-92.

[10] 赵军, 程鹏飞, 刘地渊, 等. 支持向量机在水淹层测井识别中的应用 [J]. 物探与化探, 2008, 32(6): 652-655.

[11] 周荣安. 马岭油田水淹层测井解释 [J]. 石油勘探与开发, 1997, 24(3): 70-73.

[12] 董建萍, 王建民, 勾永峰, 等. 测井曲线重构软件系统研制 [J]. 石油工业计算机应用, 2011, 72(4): 31-33.

[13] 陈钢花, 王永刚. Faust公式在声波曲线重构中的应用 [J]. 勘探地球物理进展, 2005, 28(2): 125-128.

[14] 杨志力, 周路, 彭文利, 等. BP神经网络技术在声波曲线重构中的运用 [J]. 西南石油大学学报(自然科学版), 2008, 30(1): 63-66.

[15] 贺懿, 刘怀山, 毛传龙, 等. 多曲线声波重构技术在储层预测中的应用研究 [J]. 石油地球物理勘探, 2008, 43(5): 549-556.

[16] 杨斌, 匡立春, 施泽进, 等. 一种基于核学习的储集层渗透率预测新方法 [J]. 物探化探计算技术, 2005, 27(2): 119-123.

[17] 刘传平, 杨青山, 杨景强, 等. 薄差层水淹层测井解释技术研究 [J]. 大庆石油地质与开发, 2004, 23(5): 118-120.

[18] 路云峰, 秦民君, 罗雄民, 等. 储层水淹后的电阻率特征研究 [J]. 国外测井技术, 2009, 174(6): 38-40.

[19] 范宜仁, 邓少贵, 刘兵开. 淡水驱替过程中的岩石电阻率实验研究 [J]. 测井技术, 1998, 22(3): 153-155.

[20] 白建平. 高含水期水淹层解释方法及储存剩余油分布规律预测研究 [D]. 北京: 中国地质大学, 2006.

[21] 杨金花. 埕岛油田馆上段水淹层测井解释方法研究 [D]. 青岛: 中国石油大学, 2008.

[22] 刘江, 柳光辉, 苗清, 等. 水淹层测井解释中的数学思想及其延拓 [J]. 大庆石油地质与开发, 2014, 33(6): 134-139.

[23] 宋梅远. 测井曲线重构在哈山地区油气水层判识中的综合应用 [J]. 科学技术与工程, 2014, 14(19): 211-216.

[24] 刘淑华, 张宗和. 储层特征曲线重构反演技术 [J]. 勘探地球物理进展, 2008, 31(1): 53-58.

[25] 万金彬. 声波测井曲线重构技术在费尔干纳盆地中的应用 [J]. 石油天然气学报(江汉石油学院学报), 2011, 33(10): 105-117.