基于大数据的页岩油区块产量差异分析方法研究

肖 阳， 王家豪， 李志刚， 杨金元， 刘守昱

1成都理工大学能源学院 2成都理工阳光能源科技有限公司

0 引言

A83和X233均为鄂尔多斯盆地的页岩油区块，非均质性较强，无明显油水界面，且都以长7层为主力产层。两区块岩性相近、物性类似，均使用了压裂参数相似的水平井分段压裂工艺。虽然X233的水平段长度为A83的近2倍(图1a)，但当使用百米动态储量[1]进行对比时，X233的百米动态储量仍是A83的2倍(图1b)，故二者单井产量差异性不单来自于水平段长度的影响。

图1 A83和X233区块水平段长度和百米动态储量对比

常规方法是利用传统的递减曲线，结合产量数值模拟的方法来进行影响因素分析[2]，但是这种方法存在诸多问题。数值模拟方法在机理模型中适用性较好，但当加入多因素分析研究，如生产特征数据、地质力学数据，其模拟描述方法假设性条件太多，仅是理论上的可行性研究，实际达不到其模拟条件[3]。目前较为普遍的分析方法大致有几种：运用一元或多元线性回归分析(LRA)来分析泄流范围、储层特征、改造强度和产量影响因素[4]，或将其与插值方法结合来研究最终采收率(EUR)与生产参数之间的相关性[5]；运用灰色关联法(GRA)和线性回归分析相结合的方法来研究产量主控因素[6]；使用BP神经网络[7]、综合人工神经网络(ANN)、Sobol全局敏感性分析[8]、正交实验[9]、模糊集合理论[10]和灰色关联等方法建立产量预测和影响因素分析模型，研究其主控因素。

目前的研究方法存在考虑因素不全面、建立模型较复杂、分析结果不直观等弊端。针对A83和X233这两个页岩油区块，首先进行了大数据相关性分析，从地质参数、地质力学参数、工程参数、生产特征数据和高压物性参数入手，明确产量主控因素；再结合相关性分析的结果，对两区块的5类参数作差异性研究；最后基于相关性分析和差异性研究提出针对性的改造措施。

1 产量主控因素分析

1.1 产量主控因素的参数选择

大数据相关性分析选用了A83区块和X233区块2011年至2020年共197口井的241组数据，完成了106口井的动态储量计算，34口井、79段的单井压后综合解释，最终形成了337组大数据分析。

针对A83区块和X233区块，短期产量选取了近3个月和近6个月的产量数据作为对比，长期产量选取了24个月、36个月和累积产量作为对比。为了消除实际生产时油嘴的影响，考虑压力和产量的共同作用，引入动态储量更能综合评估相关性和主控因素，同时为了消除水平段长度的影响，采用百米动态储量进行对比研究更具科学性。

研究的参数包括5类:①地质参数主要以测井解释数据为基础，包括伽马、声波时差、自然电位、电阻率、泥质含量等岩性参数，以及孔隙度、渗透率、饱和度、储层厚度等物性参数；②地质力学参数在单轴、三轴岩石力学实验的基础上，综合运用偶极声波测井资料、单井岩石力学动静态参数校正，同时结合压裂施工特征曲线和动静态拟合方法，来建立包括杨氏模量、泊松比、各向应力在内的一维岩石力学剖面数据，同时还结合了压后解释的最小水平主应力、闭合压力和脆性指数等参数；③工程参数包括井轨迹、钻遇率、水平段长等钻完井数据，以及排量、液量、砂量、分段分簇数等压裂施工数据；④生产特征数据主要是含水率；⑤高压物性参数包括饱和压力、溶解气油比和饱和压力下地层油密度。

1.2 大数据相关性分析方法

基于大数据相关性分析方法研究，采用了皮尔逊积矩相关系数(PCC)和斯皮尔曼等级相关系数(SRC)来研究不同类型参数对产量的影响。

皮尔逊积矩相关系数(PCC)是一种统计学方法，可以定量地衡量变量之间的相关性。皮尔逊积矩相关系数的特点为线性变化不会影响其结果，所以对横坐标或者纵坐标进行单位的变化不会改变r的值，这样不同单位的数据其r值也具有可比性。皮尔逊积矩相关系数r的计算公式如下[11]：

(1)

式中：∑X—所有x点坐标的集合；∑Y—所有y点坐标集合;N—样本点的总个数。

斯皮尔曼等级相关系数(SRC)用来估计两个变量之间的相关性，其优势是无需考虑变量的总体分布形态和样本容量的大小，具有快捷、稳定的特点[12]。设(x1，x2，…，xn)、(y1，y2，…，yn)分别为来自总体X、Y的样本，令R(xj)、R(yj)分别表示xj、yj在(x1，x2，…，xn)、(y1，y2，…，yn)中的秩，则X和Y的斯皮尔曼秩相关系数定义为[13]：

(2)

式中:dj=R(xj)-R(yj)，j=1，2，…，n。

当对样本进行计算时，相关系数由r值决定，它反映了两个变量线性相关的程度，r的值域范围从-1到+1。相关系数的标准见表1。

表1 相关系数的标准[14]

1.3 产量主控因素确定

综合以上方法，完成了A83区块地质、工程、地质力学参数、生产特征数据和高压物性参数大数据的相关性分析，分析结果见表2。分析结果中相关性较高的是：地质参数中的厚度、孔隙度、含油饱和度，地质力学参数中的最小水平主应力，生产特征数据中的含水率，高压物性参数中的饱和压力、溶解气油比、饱和压力下地层油密度。X233区块的相关性分析与A83区块总体差别不大，但其地质力学参数、生产特征数据和高压物性参数的相关性更高，说明这三类参数对其产量的影响较A83区块更明显。

表2 A83区块产量主控因素大数据相关性分析

2 A83区块和X233区块产量主控因素差异分析

从地质参数、工程参数、地质力学参数、生产特征数据和高压物性参数五个方面，对比A83区块和X233区块产量主控因素，分析其产量差异性原因。

2.1 地质参数和工程参数差异分析

从物性参数对比图中可以看出(图2)，X233区块和A83区块的储层厚度、孔隙度、渗透率和含油饱和度差别不大，两个区块的储层物性基本相同，产量差异不受地质参数控制。

图2 A83和X233区块地质参数对比图

A83和X233区块采用相同的体积改造方式进行生产，排量、液量、砂比、簇数和段数等施工参数基本相同，所以差异性不大，在此不作研究。故A83和X233区块产量的差异性跟地质参数和工程参数的关系不大。

2.2 地质力学参数差异分析

从地质力学参数对比图中可以看出(图3)，两个区块的脆性指数、水平应力和闭合压力有一定差异。X233区块的脆性指数优于A83区块，体积改造更容易形成复杂裂缝网络体系，具有更大的缝网支撑面积和改造体积，改造后产量更高。X233区块的最小水平应力和闭合压力小于A83区块，其压开储层和形成有效缝网的难度更小。综合评判X233区块可压性更好。

图3 A83和X233区块地质力学参数对比图

X233区块和A83区块地质力学参数有一定的差异性，但二者脆性指数仅相差0.9，最小水平应力仅相差1.7 MPa，闭合压力仅相差3.1 MPa，其差异性并不足以使两个区块的百米动态储量相差两倍以上。故还需对X233区块和A83区块的生产特征数据和高压物性参数进行差异性分析，综合研究两区块产量差异的原因。

2.3 生产特征数据和高压物性参数差异分析

生产特征数据主要研究区块含水率的变化，由图4可以看出A83区块的含水率明显高于X233区块，较高的含水率会使产油量下降。

图4 A83和X233区块含水率对比

高压物性参数主要分析了饱和压力、溶解气油比和饱和压力下地层油密度。根据表3可以发现，A83区块饱和压力和溶解气油比下降明显，致使地层能量不足，原油中轻质组分大量产出，造成原油密度增大和含水率上升，抑制了产油量。

表3 X233和A83区块原油高压物性对比

综上所述，X233区块的最小水平主应力较小，闭合压力较小，脆性指数较高，所以可压性更好，体积改造后裂缝网络体系也更好。同时X233区块的溶解气油比更高，地层能量足，且含水率也较低，所以X233区块的产量更高。故A83区块的开发需要更加优化压裂施工参数，同时开发过程中需注气吞吐保持地层能量，抑制含水率的上升，从而提高产量。

3 结论

(1)X233区块和A83区块同为鄂尔多斯盆地页岩油长7储层，在相同的体积改造方式下，其产量差异较大，故对两个区块的差异进行皮尔逊和斯皮尔曼大数据相关性分析，明确影响产量的主要因素是地质力学参数中的可压性、生产特征数据中的含水率和高压物性参数中的溶解气油比。

(2)X233区块和A83区块的地质情况和物性基本相似，开发方式基本相同，但X233区块地质力学参数、生产特征数据、高压物性参数明显优于A83区块，因此X233区块的产量更高。

(3)建议A83区块改造工艺采用压驱一体化，在压裂后采用注气吞吐方式保持地层能量，防止轻质组分大量产出和含水率的迅速上升。

(4)该方法可用于长庆页岩油区块的产量差异性及产量主控因素分析，可推广应用于非常规油气的产量影响因素分析，具有一定的借鉴意义。