基于非电阻率的低阻致密砂岩气层含水饱和度预测

贺 斌，马立涛，蔡瑞豪，胡晓贤，杨铁梅，钢胡雅格.

(1.中海油能源发展股份有限公司工程技术分公司，天津 300452；2.中海油有限公司非常规油气分公司，北京 100016)

致密砂岩气是非常规天然气的主要类型，也是目前国际上开发规模最大的非常规天然气[1]。目前中海油在东海盆地、沁水盆地、鄂尔多斯盆地等多个区块开展致密砂岩油气勘探开发工作。随着各个探区勘探实践的不断深入，各勘探领域相继发现很多低电阻率油气藏。鄂尔多斯盆地XX地区同时发育常规致密砂岩储层和低阻致密砂岩储层，后者测井电阻率受岩石骨架中导电矿物、黏土及附加导电作用、束缚水、地层水矿化度及泥浆侵入等多种因素影响[2]，导致电阻率测井响应更具多解性。如果用传统的电阻率方程计算低阻气层含水饱和度，首先要研究不同的岩石导电规律，同时还要在定量分析区块纵向、横向不同储层的低阻主控因素的基础上，对视电阻率测井曲线进行相关校正，这一过程复杂且具有不确定性。因此，有必要尝试利用非电阻率方法对低阻气层含水饱和度进行定量预测。

1 低阻成因分析

国内外学者将低阻气层成因的研究主要分为两种因素：一为地质宏观因素，二为层内微观因素[3-4]。宏观因素是指低阻气层形成的地质背景以及沉积、成岩等作用；微观因素是指低阻气层的岩性、物性、储层孔隙结构、粘土矿物分布及类型、地层水矿化度等因素。同时，低阻成因包括内因、外因两方面[5-7]。内因包括储层自身的某些组分具有强的导电特性，岩石骨架含导电矿物、泥质含量高且附加导电作用强、含水饱和度高、地层水矿化度高或岩石强亲水等；外因主要包括低电阻率围岩、盐水泥浆深侵入、仪器井纵向分层能力有限等。针对不同成因的低阻储层，前人提出了多种解释方法。其中，三水导电模型能够改善低阻储层电阻率测井的评价效果[8]。该模型考虑自由水、微孔隙水以及粘土束缚水对岩石整体电导率的影响，既能解释粘土附加导电性对岩石电阻率的降低，又可以解释泥质使岩石电阻率升高的作用，既适用于正常储集层的解释，也可以解释富含微孔隙的低阻储层，但是模型中参数较多且不易确定，有待进一步研究。

通过岩心实验分析，总结XX地区低阻气层成因，初步归纳为以下几点因素：高铁质矿物、绿泥石薄膜、孔喉结构差、束缚水饱和度高。

(1)高铁质矿物型。

这类低阻储层主要受高含量的铁质矿物影响而形成，其主要的铁质矿物类型为黄铁矿、铁泥质(泥质被铁质侵染)、铁白云石和铁方解石，绝对含量占比1%～2%。此类储层由于金属矿物的存在，使地层中铁离子和亚铁离子数据明显增多，从而使地层的导电能力增强，电阻率自然降低。图1为XX-9井及XX-103井岩心薄片镜下显示。XX-9井盒4段储层孔隙度14%、渗透率3.85 mD，1 590.3 m岩心薄片25倍镜下显示铁质矿物含量高，该段测试日产气160 000方；XX-103井盒3段储层孔隙度10.93%，渗透率0.89 mD，1 294.07 m岩心薄片50倍镜下显示含有明显铁泥质，该段测试日产气13 000方。

图1 铁质矿物镜下特征Fig.1 Microscopic characteristics of iron-bearing minerals

(2)绿泥石薄膜。

这类低阻储层特征为低泥质含量(2%～5%)，低束缚水饱和度、岩石孔隙度在10%以上，绿泥石绝对含量0.01%～0.04%，多数颗粒表面被绿泥石呈薄膜状包裹着。此类储层因绿泥石薄膜优化了孔隙结构，增强了储层电荷连通性而形成低阻，且有一定产能。以XX-33井盒4段为例，储层泥质含量4%，孔隙度11%，岩心薄片(图2)显示绿泥石薄膜明显，测试日产气22 000方。

(3)孔喉结构差。

通过分析XX地区84块岩心样品的孔喉半径分布(图3)得出，干层的孔喉半径以小于0.05 um为主，绝大部分常规气层的孔喉半径均在0.35 um以上，而低阻气层的孔喉半径主要分布在0.1～0.35 um。

(4)相对高束缚水饱和度。

通过分析XX地区上石盒子束缚水饱和度与孔隙度关系发现(图4)，对于孔隙度高达15%以上的气层，当束缚水饱和度大于50%时气层显示为低阻。

图2 XX-33井绿泥石薄膜镜下特征Fig.2 Microscopic features of chlorite films of XX-33

图3 XX地区岩心样品孔喉半径分布图Fig.3 Distribution diagram of pore throat radius in XX area

图4 XX地区上石盒子组孔隙度与束缚水饱和度交会图Fig.4 Cross graph of porosity and bound water saturation of upper Shihezi Formation

综上所述，XX地区气层的低阻成因复杂多样，加之岩心实验资料较为有限，要研究清楚不同储层的低阻主控因素非常困难。为避免复杂的电阻率环境校正问题，需尝试综合利用各种测井参数来预测储层含水饱和度，从而为储层饱和度参数评估提供重要参考。

2 资料预处理

研究实验分析含水饱和度与测井响应之间的关系前，首先要对测井等资料进行质量检查、预处理[9]。

预处理一：由于钻井取心过程中钻具丈量、岩心收获率等影响，使得钻井取心的岩心深度与测井深度存在一定的偏差，为保证岩心分析数据与测井资料对比的可靠性，必须对岩心数据进行深度归位，使岩心分析数据与测井数据相匹配。利用岩心分析岩石密度与测井密度曲线进行对比，同时考虑岩性与测井曲线的匹配关系，按其最大相似度将岩心深度校正到测井深度。图5为XX-18井钻井取芯归位实例，该井取芯段1 626.3～1 631.9 m，取芯段岩心数据相对测井数据存在深度误差。通过岩心密度及岩心孔隙度与测井曲线对比，最终将该取芯段岩心数据上移0.6 m。利用该方法对XX地区的井进行了岩心数据深度归位，详见表1。

图5 XX-18井岩心深度归位图Fig.5 True depth determination of core of XX-18

预处理二：受测量精度影响，气测全烃(Tg)或多或少存在深度偏差。通过对比典型气层中测井曲线响应特征，对XX地区气测曲线存在深度偏差的井进行深度校正。如图6 所示，XX-1井测井综合解释三套气层顶深分别为1 689.3 m、1 696 m、1 709.7 m，而三套气层的气测曲线异常(左起第二曲线道内红色曲线)起始深度分别为1 691 m、1 697.6 m、1 711.4 m，气测曲线明显存在深度误差，因此将气测曲线上移1.6 m(左起第二曲线道内绿色曲线)，深度校正后的气测曲线与测井曲线对应性更合理。

表1 XX地区岩心深度校正量统计表Table 1 The calibration statistics of core depth in XX area

预处理三：前人研究认为，正常钻井条件下, 气测所测得的气体主要来自井眼的破碎气，破碎气的含量与单位时间内所破碎的岩石量有关，它主要受钻头大小、钻时及钻井液排量因素影响。钻井取芯必然会造成气测曲线不同程度降低，为对气测曲线进行取芯校正，引入了冲淡系数(D)。冲淡系数的物理意义是单位时间内钻井液排量与单位时间内破碎岩石体积之比，在钻井条件相似的情况下，它是钻时的函数。当非精确定量的情况下即不计抽气泵抽气速度、脱气器脱液量和脱气效率的影响，要修正钻头直径、钻时以及钻井液排量对气测值的影响，将原始气测值乘以冲淡系数，即可得到可用于比较的校正气测全烃[10]。

(1)

(2)

G取心校正=G实测[D取心/D标准]

(3)

式中D标准——取心前正常钻进时冲淡系数

D取心——取心钻进时冲淡系数

R标准——取心前钻进时钻头半径

R取心——取心钻进时钻头外半径

R岩心——岩心半径

Q标准——取心前钻进时钻井液出口排量

Q标准——取心钻进时钻井液出口排量

t取心——取心钻进时钻时

t标准——取心前钻进时钻时

G实测——实测气测值

G取芯校正——经过取心校正后的气测值

图6 XX-1井测井曲线组合图Fig.6 Logging curves composition chart of XX-1

图7为XX-2井测井曲线组合图，该井从1 608 m开始取芯，受钻井取芯影响，气测曲线(左起第二曲线道内红色曲线)在1 608 m附近突然降低，测得的取芯段气测平均值为1.12%。利用上述方法对该取芯段气测曲线进行校正，校正后的气测平均值为2.97%(左起第二曲线道内黑色曲线)。测井综合解释该层为气层，测试获得工业气流。

图7 XX-2井测井曲线组合图Fig.7 Logging curves composition chart of XX-2well

预处理四：不同井测井资料受测井年代、仪器刻度、操作等多种因素影响，存在一定的系统误差，需要对多井测井曲线进行标准化处理[9]，以提高测井信息在全油田范围内解决问题的能力。测井数据标准化处理的实质是依据一个区块的同一层段、具有相同的地球物理特征、具有自身的分布规律来完成的。本次研究中，选取井眼状况良好、测井系列相对完善、具有系统取芯的XX-8井作为标准井；选取沉积环境相同、具有近似的地球物理特征且易于识别的刘家沟组稳定发育的泥岩作为标志层；利用直方图的方法，分析研究区20口井测井数据的频率分布特征，检查其一致性，并确定校正值。图8为研究区20口井密度、中子曲线的校正前后对比直方图(不同颜色表示不同井)，从图中看出，标准化前各井的密度、中子孔隙度分布主频有所差异，标准化后各井的密度、中子分布主频更为一致，密度集中在2.62 g/cm3左右，中子孔隙度集中在10.5%左右(各井标准化校正量见表2)。

3 含水饱和度敏感性测井参数分析

对于气层而言，中子测井读数降低，称之为“挖掘效应”。挖掘效应使得密度和中子孔隙度测井曲线呈现明显的重叠区，利用这一特征可以定性识别气层[11]。通过计算中子、密度孔隙度差可定量表征挖掘效应[12]。在此基础上，引入校正因子，可进一步提高XX地区致密砂岩气层识别精度，具体计算公式如下。

(4)

(5)

(6)

(7)

ρ——密度测井值，g/cm3；

ρMA——岩石骨架密度，g/cm3；

图8 测井曲线校正前后对比图Fig.8 Logging curve correction before and after comparison

表2 测井曲线标准化校正量统计表Table 2 The calibration statistics of standardized logging curves

ρF——孔隙中流体密度，g/cm3；

Vsh——测井计算泥质含量，%；

ρsh——纯泥岩密度测井值，%；

A——常数。

图9为研究区部分井挖掘效应参数连井图，从图中可以看出，利用修正后的挖掘效应定量计算公式得到的挖掘效应参数POR_Exca能识别绝大多数气层，气层挖掘效应参数POR_Exca均大于5%。

图9 XX地区6口井挖掘效应参数连井对比图Fig.9 Even well comparison of POR_Exca in XX region

以研究区52块样品实验含水饱和度为研究对象，分析其与各种测井参数之间的相关性(图10—图14)。研究发现含水饱和度与气测全烃(Tg)、挖掘效应参数(POR_Exca)、可动孔隙度(PMF)有较好的负相关关系，相关系数分别为0.74、0.78、0.75，与密度(DEN)、补偿中子(CNL)呈正相关关系，相关系数分别为0.71、0.69。

图10 实验含水饱和度与气测全烃相关性分析Fig.10 Correlation analysis between core core SW and Tg

图11 实验含水饱和度与挖掘参数相关性分析Fig.11 Correlation analysis between core SW and POR_Exca

图12 实验含水饱和度与可动孔隙度相关性分析Fig.12 Correlation analysis between core SW and PMF

图13 实验含水饱和度与密度相关性分析Fig.13 Correlation analysis between core SW and DEN

图14 实验含水饱和度与中子孔隙度相关性分析Fig.14 Correlation analysis between core SW and CNCF

4 神经网络模型确定及精度分析

人工神经网络是由人工神经元(简称神经元)互联组成的网络，能通过自组织自适应能力，找出评价指标与主控因素之间的非线性关系，在理论上可以任意逼近任何非线性映射。目前应用较广的分层网络，可以根据实际输出和期望输出之差，对网络的各层连接权由后向前逐层进行误差校正的多层前馈网络，简称BP神经网络。该算法所采用的学习过程由正向传播和反向传播两部分组成。在正向传播过程中，输入模式从输入层经隐含层逐层处理并传向输出层，如果输出层不是期望的输出，则误差信号从输出层向输入层传播，即反向传播，在反向传播过程中调整个层间连接权及各层神经元的偏置值，以便误差逐渐减小。因此，该方法的实质是求误差函数的最小值，它通过多个样本的反复训练，将多个已知样本训练得到的各层连接权及各层神经元的偏置值等信息作为知识保存，以便对未训练样本值进行预测[13-17]。

鉴于本区含水饱和度敏感性测井参数分析结果，本次研究将密度、补偿中子、挖掘参数、可动孔隙度、气测全烃作为输入变量，以含水饱和度作为期望输出变量，通过反复训练的结果对比，最终设置隐含层1层，11个隐含层节点来构建含水饱和度的神经网络预测模型拓扑结构(图15)，即三层网络(5-11-1)。

图15 各参数与实验分析含水饱和度之间的神经网络拓扑图Fig.15 Neural network topology between logging parameters and core SW

表3为研究区含水饱和度BP神经网络训练样本，其中中子孔隙度、密度、挖掘参数、可动孔隙度、气测全烃为输入因子，含水饱和度为输出因子。通过计算收敛误差，反复循环迭代，最终确定迭代750次为最优化方案。表4为对一口验证井含水饱和度预测结果的误差统计，从表中看出相对误差较小，绝对误差基本在5%以内，可以为XX地区低阻致密砂岩气层含水饱和度测井解释提供可靠参考。

表3 BP神经网络训练样本集Table 3 Training sample set of BP neural network

续表

表4 验证井预测含水饱和度与岩心含水饱和度误差统计Table 4 Error analysis between calculate SW and core SW of the verification well

图16为研究区一口产气井测井解释成果图。该井1 458.4～1 466.7 m测井视电阻率较低，为10 Ω·m。结合气测等资料综合判断该层含气性较好，测试日产气18万方，为典型低阻气层。由于受低视电阻率影响，该段测井解释含气饱和度较低，平均为40%。利用神经网络方法预测该层含气饱和度平均值为60%，与研究区四性分析得到的高产层含气饱和度55%以上结果一致。

5 结论

(1)鄂尔多斯盆地XX地区致密砂岩气层低阻现象较为普遍，据初步分析，不同层位的低阻成因复杂多样，主要因素包括铁质矿物、绿泥石薄膜、孔喉结构差及束缚水含量高等。

(2)含水饱和度与挖掘效应参数(POR_Exca)、可动孔隙度(PMF)、气测全烃(Tg)有较好的负相关关系，相关系数均在0.75左右；与密度(DEN)、中子孔隙度(CNCF)呈正相关关系，相关系数在0.7左右。

(3)选择密度、中子、挖掘参数、可动孔隙度、气测全烃等五种参数作为输入变量，将岩心实验含水饱和度作为输出变量，设置1个隐含层，11个隐含层节点，建立三层网络(5-11-1)对储层含水饱和度进行预测。

(4)BP神经网络模型预测得到的含水饱和度与实验含水饱和度之间误差较小，基本误差基本在5%以内。

(5)利用该模型对XX区获得工业气流的典型低阻气层井进行含水饱和度预测，结果与测试结论一致性高，该方法可以为XX地区低阻气层含水饱和度测井预测提供重要参考。

图16 XX-9井测井综合解释成果图Fig.16 Logging interpretation result map of XX-9