基于大数据分析的流度预判及MDT优化

赵元良,樊兆亚,葛盛权,陈辑超

(1.中国石油塔里木油田分公司,新疆库尔勒841000;2.斯伦贝谢公司,北京100020)

0 引 言

库车山前区域白垩系巴什基奇克组模块化电缆地层测试器(MDT)作业取样成功率不足5%,既有低孔隙度特低渗透率储层致密性原因,也有MDT作业前仪器模块优化不当的原因。为了提高MDT在复杂环境下的取样成功率,需要从3个方面入手:①测前可行性分析,通过测前流度的定量预判,来分析作业的可行性;②基于流度预测模块优化组合,MDT应用模块多,不同的组合方式具有不同的适应条件及工作效率;③拟泵抽体积预判提高作业效率。

MDT所测流度受储层各向异性及工具面朝向影响,即使在同一深度,所测流度也可能有较大差异[1]。岩石物理测井受流体性质,钻井液、井筒环境及仪器自身刻度的影响,即使在相同岩石物理属性下,所测得结果也可能不同[2]。

传统储层渗透性评价方法是基于孔渗关系,不同的孔渗关系会产生不同的解释结果,且最终的结果校正要依赖于岩心实验结果。同时,渗透性的解释也有赖于测井解释方面的专业经验。

通过大数据分析的方法,旨在剥离异常样本点,寻求流度与测井结果间的本质相关性。通过大数据分析流程,直接建立流度与常规测井结果之间的相关性,可以及时有效预测流度,指导优化MDT作业。

1 基于大数据分析的流度预测

1.1 大数据流度预测

通过对所有MDT测压点样本进行致密与否的监督学习,形成决策树致密预测模型,可以在作业前对设计测试点进行致密性判断,分析作业成功率。对有效点的流度值和岩石物理测井结果进行单变量相关性分析,优选参数进行多元回归分析,同时采用神经网络的方法,形成流度预测模型(见图1)。

1.2 决策树致密性预测模型(DTA)

决策树是一种决策支持工具,它使用类似于树的决策模型及其可能的结果,包括机会事件结果、资源成本和效用。决策树通常用于运筹学研究,特别是决策分析,以便帮助确定最有可能实现目标的策略[3]。

图1 流度预测大数据分析流程图

把目标标量分为有效点与致密点,把自变量定义为岩石物理测井结果(见图2)。模型首先根据各变量卡方值的大小,选择补偿中子孔隙度作为第1级子节点进行分类,每1个叶节点就是1个分类结果。在补偿中子小于7.297%时,进一步选择体积密度进行分类,依次类推,最终形成了优化后的决策树分类训练模型。

1.3 单元回归分析(ULR)

为表述简单,进行如下定义:f(xi)为以流度为因变量,岩石物理测井结果为自变量的函数关系,mD/cP(1)非法定计量单位,1 cP=0.001 Pa·s;1 mD=9.87×10-4 μm2;1 ft=12 in=0.304 8 m,下同;x1为补偿中子孔隙度,%;x2为声波时差,μs/ft;x3为体积密度,g/cm3;x4为自然伽马,gAPI;x5为电阻率,Ω·m。

图2 不同测井结果与流度之间的关系图

流度与补偿中子孔隙度,声波时差和体积密度具有明显的相关性,回归公式见式(1)、式(2)和式(3)。流度与浅电阻具有一定程度相关,但不够明显。流度与自然伽马之间没有相关性。流度与深浅电阻比与没有明显相关性(见图2)。

f(x1)=0.0014e0.5489x1,R2=0.6732

(1)

f(x2)=1E-10e0.334x2,R2=0.5864

(2)

f(x3)=8E+10e-30.25x3,R2=0.7694

(3)

1.4 多元回归分析(MLR)

从单一流度因变量与测井自变量的相关关系可以看出,流度在对数坐标下与测井三孔隙结果呈现线性相关,因此可以进行多元线性相关性回归分析。通过建立流度与测井三孔隙综合相关式,建立起了简洁的流度表征式,或可以称之为建立在静态测井结果上的动态渗透率响应数。多元回归分析,可以一定程度消除但某一测井结果异常导致的误差。

多元回归分析结果

f(x1,x2)=0.000537e0.45x1+0.027x2,R2=0.63

(4)

f(x2,x3)=105.64e0.16x2-6.616x3,R2=0.58

(5)

f(x1,x3)=11.94e0.42x1-3.1x3,R2=0.66

(6)

f(x1,x2,x3)=e0.43x+0.0048x2-2.298x3,R2=0.67

(7)

实测流度与多元回归分析预测流度对比见图3。

图3 多元回归分析结果,实测流度与预测流度对比图

1.5 神经网络分析(NNA)

之所以可以使用多元回归分析,是因为在对数坐标下目标的因变量流度与独立的中子补偿孔隙度、声波时差和体密度变量呈线性相关。然而,自然伽马和电阻率与流度间并没有很强的线性关系,但这是否意味着它们与流度没有任何关系?在此,笔者讨论了与目标变量线性关系不强的自变量是否会在某些不可见维度上影响神经网络的结果。

人工神经网络(NN)或连接系统是构成动物大脑的生物神经网络模糊启发的计算系统。神经网络本身不是一种算法,而是许多不同机器学习算法共同工作和处理复杂数据输入的框架。通过这种思路,可以评价某些非线性关系[4]。

从图4(a)可见,NNA并不能很好通过预测自然伽马和浅层电阻率预测流度。与MLR结果相似,NNA通过中子孔隙度、声波时差和体积密度很好地预测了流度[见图4(b)]。图4(c)至图4(e)为输入不同变量的NNA。图4(f)是MLR与NNA的比较,表明在该数据集下,MLR的预测结果优于NNA的预测结果。

图4 神经网络分析结果

自然伽马与浅层电阻率的参与并没有改善实际流度与预测流度之间的相关性。

2 应用实例

近期完钻的ZQX井、BZX井与KS××井是塔里木库车山前区域的重点风险探井,储层埋深6 085～7 832 m,MDT作业前,根据设计点位的岩石物理测井结果,通过决策树预判,3口井致密点占比分别达到41%、85%和81%。对于BZX井和KS××井,虽然致密点占比超过了80%,但是也有20%概率获得有效流度点,MDT作业具备可行性。通过流度预判,优化了各井作业用MDT模块。

表1为ZQX井、BZX井与KSX井这3口井实测与预测流度对比结果。虽然不同的预测公式与方法之间预测结果有差异,但是整体流度预测率符合度很高,达到了流度预测的目的。这3口井MDT作业取样成功率100%,较之前的50%有显著提升。

表1 ZQX,BZX与KSX井实测流度与预测流度对比表

3 结 论

(1)首次提出了建立流度与测井结果的直接关系式,从而跳过了依赖孔隙度渗透率关系、岩心实验结果及解释经验的渗透率解释评价流程。

(2)流度预测是进行MDT仪器串作业优化的基础,准确的流度预测不仅可以节约MDT作业时间,也可以提高MDT取样成功率。

(3)采用决策树、神经网络及多元回归分析等大数据分析方法,建立了适用于库车山前区域的流度预测流程,简便易操作,具有很高的时效性。大数据分析处理过程有助于剥离异常点、异常测井响应,通过大数据样本形成规律性的相关关系式。

(4)在最新完钻的几口井的验证中,确认了该流度预测方法及公式的有效性。研究区域流度与岩石物理测井间的相关性分析,提供了MDT作业可行性依据,为提前优化仪器结构提供了可能。

(5)储层流度预测方法及流程不仅可以应用于库车山前区域,还可以推广到其他的高难度MDT作业区域。