基于岩屑定量数字化分析的吉木萨尔页岩油储层表征方法

姚树新 程浩然 熊钊 王冠群 徐东升 龙威

1. 中海油信息科技有限公司；2. 深圳清华大学研究院；3. 清能艾科(深圳)能源技术有限公司；4. 新疆油田公司勘探开发研究院

近年来，面向砂岩储层的分析技术日渐成熟［1-2］，但针对复杂的碳酸盐岩储层、泥页岩、火成岩储层等的表征与评价仍存在着诸多难点，如岩石孔隙结构复杂、岩石物性变化大、岩石非均质性强等，给储层表征带来很大困难［3-5］。

分析储层的物理性质对于认识、评价储层具有重要意义。对储层岩石参数的测量和计算是获取储层物性的重要手段［6-8］。尽管分析研究储层岩石参数的重要性已得到公认，但它既没有一个标准，也没有一个通用的定义。正如Rebelle等(2014年)指出［9］，不同的研究人员会以自己的方式解决这个问题，这取决于他们的研究重点。例如，储层岩石参数可根据地质特征(沉积相)或岩石物理分区(根据岩石物理性质，如孔隙度渗透性)进行分类，也可以通过测井数据和实验室测量数据等获得。其中，实验室中对岩心样品进行测量是一种较为直接和准确获取储层岩石参数的方法，但该方法依然存在不足，首先传统面向岩心研究分析不仅成本很高，并且实验测试往往需要消耗大量的时间，可达几个月甚至几年时间，导致无法有效地对勘探开发进行指导。钻井岩屑中含有丰富的油层物理信息［10］，但采用传统岩屑录井方法对致密页岩储层微观结构刻画不足，很多微观层次上的机理无法考虑，从而无法判断页岩油可动用的尺寸下限。要想更深入地研究油气储集和运移机理，就必须从微观角度出发，研究储层岩石内部的本质问题，如孔隙半径对油气运移的影响、流体在其中的分布以及相互作用的机理等。因此，笔者提出一种基于岩屑定量数字化分析方法，定量分析页岩油储层可动用油的孔隙半径下限。通过对储层岩石进行详细的描述和刻画，为储层评价和油气田开发提供精确的参数。

1 实验方法

1.1 实验材料

准噶尔盆地吉木萨尔凹陷发育大规模页岩储层，该储层结构致密，孔隙结构以亚微米-纳米级孔隙为主。受连通性影响，常规孔隙结构分析实验存在岩心成本高、实验时间长、连通性实验难以有效开展的特点。本文选用吉木萨尔凹陷典型井吉174井芦草沟组上下甜点(3112～3228 m)50份岩屑样品(图1)，开展以扫描电子显微镜(SEM)为手段的多级高精度扫描，刻画其孔隙结构。

图1 吉174井芦草沟组典型岩屑样品Fig. 1 Typical cuttings samples from Well Ji 174 in Lucaogou formation

1.2 基于页岩微纳米成像及图像处理的孔隙结构分析方法

孔隙结构分析一直是油气储层微观物理研究的热点。传统的孔隙结构分析方法包括常规压汞、铸体薄片图像分析、核磁测井分析等。近年来，扫描电子显微镜(SEM)成为孔隙结构分析不可缺少的有力工具。为更好地呈现岩屑面孔率和微观孔隙结构，需要对岩屑样品进行较精细的前处理，主要包括机械粗磨、机械精磨和氩离子抛光3个步骤，图2为表面抛光处理后的样品。

图2 包埋、表面磨抛后的页岩岩屑样品Fig. 2 Shale cuttings samples after embedding and surface grinding

图3分别为相同深度的岩屑样品，用扫描分辨率为1 μm的CT成像、SEM放大500倍和5000倍成像结果，可以看出，CT在刻画以纳米级孔隙为主的页岩样品上存在分辨率不足的缺陷，SEM可以获得比传统CT更高质量的图像，在纳米级尺度刻画页岩岩屑中的微观结构。

图3 吉木萨尔芦草沟组页岩微纳米孔隙结构Fig. 3 Micro-nano pore structure of shale in Lucaogou formation in Jimsar

针对高精度灰度图像，需要通过分割将每一个像素归为某一类物质(本实验中为孔隙和骨架)，能否精准的分割会对之后的建模及定量分析带来非常大的影响［11］。传统的图像分割方法如Global、Otsu、Watershed等，由于依赖人眼识别和主观判断，识别的准确性欠佳［12］。人工智能图像分割技术通过对目标岩心样本典型孔隙、油相和岩石骨架图像的灰度特征进行学习，建立数学模型，从而实现通过机器自动识别各相，提高了图像分割的准确性。人工智能算法识别岩心图像的步骤为：(1)获取岩心扫描图像，通过岩心扫描图像得到岩心所映射平面上每个像素点的灰度值；(2)根据所述灰度值的变化提取特征量，通过神经网络算法识别岩心所含物质，得到平面物质分布；(3)取若干像素点作为样本，并对样本进行物质识别，所得样本数据用于训练神经网络算法，通过神经网络检测上述根据灰度值的变化所提取的特征量，对像素点进行自动识别，从而大幅提高识别的精度［13］。通过结合基于深度学习的图像分割技术，对SEM图片进行二值化处理，刻画出孔隙形态，利用图像分析技术，定量计算样品平面孔隙分布特征及平均孔隙半径。

对所选岩屑样品进行逐一分析，即可获得吉174井上下甜点各样品深度的孔隙半径参数剖面。将该孔隙半径参数剖面与核磁测井可动孔隙度对比，即可对比获得可动孔隙半径下限。

1.3 J函数分析方法

储层非均质性导致各岩心毛管压力曲线受到渗透率、孔隙度的影响而各不相同，每块岩样只能代表油气藏中一点的特征。对于同一储层，得到一条具有代表性的毛管压力曲线对储层研究具有工程应用价值。Leverett认为，具有相同岩性但孔隙度和渗透率不同的岩石可以用一个函数来描述，该方法将同一个储层的多条毛细管压力曲线归一化，得到一条平均毛管压力曲线，称为J函数法(式(1))，用以对整个储层进行评价［14］。

式中，pc为毛管压力，Pa；σ为界面张力，mPa·s；θ为接触角，°；k为渗透率，10−3μm2；φ为孔隙率，%。

该方法结合区间孔隙对渗透率的贡献率，可以求取储层有效孔隙半径下限值。归一化的毛管压力曲线单个区间的进汞量代表了互相连通性较好、孔隙大小相近的一系列孔隙组合。可以求取不同区间孔隙对渗透率的贡献值，对于常规储层，通常将渗透率累积贡献率达到99%时对应的孔隙半径作为储层的可动下限［15］。

2 实验结果及数据分析

2.1 基于SEM的数字化孔隙结构分析结果

使用扫描电镜刻画了吉木萨尔芦草沟组下甜点典型储层云质粉砂岩纳米级孔隙。图4展示了吉174井下甜点3160 m白云质粉砂岩屑样品SEM图像电镜图像，其中上图为SEM图像，下图为对应的孔隙分割图，孔隙分割图中白色部分为岩石骨架，红色部分为孔隙。电镜扫描时，用500倍和5000倍各扫描3个位置，图像处理后，对孔隙结构进行了统计分析，求取两个尺度孔隙分布特征，构建数字化孔隙结构分布图，求取平均孔隙半径。

图4 吉174下甜点岩屑离子打磨后电镜扫描的孔隙图像Fig. 4 Pore image scanned by electron microscope after ion grinding of the cuttings from lower sweet spot in Well Ji 174

由图5可看出，3160 m处样品10 nm～10 μm孔隙半径均有发育，其中半径大于1 μm的孔隙占比低于20%，纳米孔隙占80%以上；纳米孔隙中100～1000 nm约占25%。

图5 岩屑数字化孔隙结构分布(3160 m，吉174)Fig. 5 Digital pore structure distribution of cuttings (3,160 m, Well Ji 174)

2.2 结合核磁测井曲线分析可动孔隙半径

核磁测井T2谱隐含了地层中不同大小的孔隙体积占总孔隙的比例，解释孔隙分布的关键是找到弛豫时间T2与孔隙半径r的对应关系和转换方法。由已知的岩心压汞数据和T2谱实验数据可以确定转换系数，从而通过核磁测井T2谱转换获得地层孔隙半径分布，并根据T2谱截止值，确定储层可动孔隙下限。前期对比研究将本区T2谱截止值据上述方法确定为35 ms，即T2谱弛豫时间大于35 ms视为可动孔隙。

将50个岩块高精度、多尺度扫描并通过图像分析计算得到平均孔隙半径，连接成平均微米孔隙半径、平均纳米孔隙半径曲线，如图6所示。

图6 岩屑数字化孔隙结构分布与核磁测井可动孔隙度对应关系Fig. 6 Corresponding relationship between the digital pore structure distribution of cuttings and the movable porosity measured by nuclear magnetic logging

由图6可看出，上下甜点区白云质粉砂岩层段孔隙半径均处于相对高值，上下甜点之间的泥岩段平均微米孔半径、平均纳米孔半径均较低。微米孔隙度占比较低，平均约占总孔隙度的20%，储集空间以纳米结构为主。对比核磁测井，TCMR，CPOR和核磁35 ms截止值分别对应核磁总孔隙度，除黏土束缚水外的核磁有效孔隙度，进一步除毛细管束缚水的核磁可动孔隙度。从可动孔隙度特征看，当纳米级孔隙半径大于60 nm时，对应深度的可动孔隙度均较高。因此可将吉木萨尔芦草沟组岩屑数字化孔隙半径大于60 nm的储层定为甜点。当孔隙半径高于该值，孔内流体基本属于自由流体，对应位置原油相对易于开发。

2.3 基于J函数的可动半径分析

以吉174井上下甜点共26个柱塞样品的高压压汞曲线为基础，应用J函数法求取归一化储层毛管压力曲线(图7、图8)。26个岩心样品的中值孔渗分别为13.15%、0.04×10−3μm2，属于低孔特低渗储层。为探究储层纳米级孔隙，区别于常规储层压汞上限压力20 MPa，汞驱替压力上限为160 MPa。

图7 芦草沟组岩样高压进汞及J函数关系Fig. 7 Relationship between high-pressure mercury injection and J function for rock samples from Lucaogou formation

图8 芦草沟组岩样归一化储层毛管压力曲线Fig. 8 Normalized reservoir capillary pressure curve for rock samples from Lucaogou formation

在平均毛管压力曲线的基础上，计算各区间孔隙对渗透率的贡献度(表1)，截取累积贡献率99%对应的孔隙半径作为芦草沟组可动孔隙下限，对应孔隙半径约为9 nm。

上述方法确定的最低可动孔隙半径明显低于基于核磁与高精度图像分析法对比确定的60 nm。主要原因在于J函数主要应用于常规碎屑岩压汞曲线的均一化处理，该类岩心压汞实验时最高进汞压力通常为20 MPa，低于页岩高压压汞的160 MPa最大进汞压力，后者探测的最小孔隙半径相对更小，如采用与常规储层同样的渗透率贡献度99%对应的半径值作为可动孔隙半径下限，将对可动孔隙产生高估，在与常规储层相当的生产压差下，页岩中相当一部分纳米孔隙结构并不具备可动性。从表1可见，进汞压力19.86 MPa时(与常规储层岩心最高进汞压力20 MPa相近)，对应孔隙半径约40 nm，与核磁测井和图像分析法共同确定的60 nm最低可动孔隙半径相比，两种方法分别确定的最低孔半径已具有可对比性，侧面表明基于电镜图像定量评价页岩储层具有较好的准确性。多种手段综合考虑，研究区目的储层的最低可动孔隙半径约40～60 nm之间。

表1 J函数法计算不同半径区间孔隙对渗透率贡献度Table 1 J-function method to calculate the contribution of pores in different radius intervals to permeability

3 结论

随着以纳米孔隙为主的页岩储层的大规模开发，因页岩储层连通性差，基于常规储层的实验手段显示出测试周期长、甚至难以完成测试等问题。基于高分辨率图像的分析手段如扫描电子显微镜(SEM/MAPS)、聚焦离子束显微镜(FIB-SEM)等在微纳米孔隙刻画上具有独特的优势，然而，先进设备、测试方法及其产生的数据需要和其他评价手段产生联系、可对比性，才能逐步获得业界的认可。本文以二维电镜图像为基础的孔隙结构分析方法认为，研究区目的储层的最低可动孔隙半径约60 nm，与J函数确定的40 nm最低可动半径相近，表明基于图像的孔隙结构分析具有较高的准确性，有望为页岩的储层表征如孔隙度、连通性、有机质含量、渗透率模拟、岩电模拟等定量分析提供更多价值。