气藏产能测井预测方法研究综述

王成旺, 李曙光, 王玉斌, 谢正龙, 刘之的

(1.中石油煤层气有限责任公司, 北京 100020; 2.中联煤层气国家工程研究中心有限责任公司, 北京 100951;3.中石油煤层气有限责任公司工程技术研究院, 西安 710082; 4.西安石油大学地球科学与工程学院, 西安 710065)

当前,中国对天然气的需求持续增长,生产的天然气远远满足不了国民经济发展的需求。中高渗大型整装气藏已经进入开发晚期,据此各大气田企业将勘探开发的视角转至致密气、页岩气等非常规气藏上[1]。气藏一旦发现,产能大小便是油气企业关注的焦点。气藏产能预测是气田勘探开发中不可或缺的一环,精准的产能评价不仅关系到气田前期评价,而且可以检验天然气勘探开发的成果,对编撰气田开发方案和采取适宜的施工工艺也具有很大的帮助[2-5]。

地球物理测井可反映地下地层的岩性、物性、电性及含气性等特性,是气藏产能预测的重要手段之一。中外学者利用地球物理测井手段相继开展过气藏产能预测方法研究[6-9],取得了较好的应用效果。气藏产能测井预测的方法众多,每种方法均具有一定的适用范围,尤其是一些传统方法已不再适用于非常规气藏[10-11]。鉴于此,调研中外气藏产能测井预测方法,在对其方法进行梳理归纳的基础上,阐述其方法的适用性,为今后产能测井预测方法优选提供技术依据。

1 气藏产能主控因素剖析

明确气藏产能主控因素,是构建产能预测模型的关键。影响气藏产能的因素较多,按其类别主要分为:地质因素、工程因素和生产因素。其中,地质因素包括:孔隙度、渗透率、含气饱和度及气层厚度等;工程因素包括:射开程度、加砂量、加液量等;生产因素包括:井底流压等[12-15]。气藏产能是由储层自身条件、外界环境及油气特性等共同决定的,对某一特定气藏而言,外界环境和油气特性相对变化不大,因此产能大小很大程度上取决于油气储层本身的性质[16-17]。

反映油气储集空间的孔隙度、反映油气渗流通道和能力的渗透率、反映天然气充注度的含气饱和度,都会影响气藏的产能。孔隙度、渗透率及含气饱和度是评价气藏产能的重要参数。一般情况下,储层孔隙度大,渗流能力也较强,相同物源距离和生烃压力等条件下更易于充注成藏形成高含气饱和度。井筒附近孔隙度、渗透率及含气饱和度越大,气藏初期开发效果越好,产量增加越明显[18]。鉴于储层的渗透率对气藏的初期产能影响更大,气田开发工程师更关注渗透率对油气产能的影响[19-21]。图1[22]为某气田不同渗透率的日产气量,可以看出,当储层渗透率变大时,平均日产气量逐渐增大,而且是非线性增大的。尽管地层渗透率在地下储层成岩后已基本固定,但气田开发工程师为了提高气藏产能常用人工压裂改造储层的渗流通道。

图1 某气田不同渗透率与产气量关系[22]Fig.1 Relationship between different permeability and gas production in an gas field[22]

对同一气藏而言,不同井的气层有效厚度不同。储层孔隙度、渗透率及含气饱和度相同的储层,由于气层有效厚度不同,产能也存在较大的差异。一般情况下,气层有效厚度越大,油气的产能越大,但是部分井的实际油气产能情况不遵循此规律。因此,直接利用气层有效厚度来预测气藏产能将会引起较大的误差[23]。

实际生产过程中,射开程度对气藏产能的影响较大。随着射开程度的增加,日产量逐渐增加,但增加幅度逐渐减小(图2[24])。近年来,为了提高开发效果,绝大多数井采用压裂改造工艺。储层经过压裂改造后,加砂量、加液量的多少决定着裂缝的流通能力,加砂量、加液量偏少,会导致裂缝无法充分的扩张;加砂量、加液量偏多,会导致裂缝的流通能力降低,平均单井日产气量下降(图3[25])。

图2 射开程度与产量的关系[24]Fig.2 Relationship between degree of shot opening and yield[24]

图3 加砂强度与产气量关系[25]Fig.3 Relationship between sand addition strength and gas production[25]

井底压力是测试和开采过程中的重要参数,其对气藏产能的影响也不容忽视。随着井底压力的增加,油气产量不断降低[26]。图4[27]为不同井底流压下天然气产量与生产时间的关系图。可以看出,生产初期井底流压对天然气的产量影响相对较小,但产量递减很快,直至2月产量才趋于稳定。总体表现为井底流压升高,产量下降幅度较大的态势。

图4 滇东老厂区块某井井底流压与产气量关系图[27]Fig.4 Flow pressure versus gas production at the bottom of a well in the old plant block, east Yunnan[27]

2 产能预测方法

气藏的产能是体现储层动态特征的一个综合性指标,映射了储层的生产能力和各种影响因素之间通过相互影响、相互权衡、相互制约而达到的一种动态平衡特征[28-30]。

2.1 测井曲线特征法

2.1.1 形态组合法

测井资料蕴藏着丰富的储层地质信息,岩性和孔隙结构相同的储层,天然气的赋存状态和充注程度对测井响应特征的影响较大,尤其是测井曲线的形态。自然伽马和自然电位测井是储层岩性特征的指示器,声波时差、补偿密度和补偿中子测井能反映储层的物性特征,不同径向探测深度的电阻率测井能够反映储层的含气性[31]。据此,有机结合常规九条测井曲线,对比分析试气试采的产量与曲线的形态组合,便可获得一套定性分析研究区气藏产能的测井曲线形态组合模式。基于此模式,可实现利用测井曲线形态定性分析储层的产能。如自然伽马曲线呈箱形,高电阻率、声波时差、密度,表明储层物性好,结合含气性评价可判断该储层的产气能力大,产量高[32]。鉴于目的层岩性、孔隙结构等比较复杂,测井产能分析应更注重将储层进行分类,再依据测井响应特征和曲线形态组合来定性分析产能[32]。

2.1.2 包络面积法

包络面积法是根据气层在不同测井曲线上的响应特征,将各条测井曲线相互组合,结合测井分析软件而形成的一类方法[33]。该法将干层或致密层的测井曲线作为基线,储层的测井曲线与基线间围成的面积大小即为“包络面积”(图5[34])。根据包络面积的大小,便可实现储层的产能预测。

业界常用补偿密度、声波时差、电阻率来建立面积包络法产能预测模型[33]。其技术思路为,将反映含气性的补偿密度与声波时差比值Z,反映含气性的电阻率曲线进行重叠,根据其重叠面积来预测储层的产能。

X3井3323-3252米层段(图5),预测投产前3个月平均产气量为12 060.5 m3/d,实际投产产量为9 226.4 m3/d,产气误差率为7.65%。应用结果表明,该法的预测精度较产能指数法好。

2.2 数理统计法

鉴于气藏的产能由诸多主控因素影响,在构建产能预测模型时,需要将表征储层特征、工程因素的诸多参数按照重要级别排序,并给予各参数权重,进而利用数理统计方法构建其产能预测模型,由此架起每个影响因素与产能间的桥梁[35]。值得注意的是,在构建模型前需要准确的统计出各气层的产气量,以确保产能预测模型的可靠性[36]。

2.2.1 综合指数法

综合指数法的主要思路是,将产能主控因素相乘或相除,所得的积/商取对数或者赋予一个指数来计算出综合指数。根据储层及工程因素等情况,利用数学方法优选产能主控因素并准确赋予权重是构建其模型的关键。

图6系统分析了影响储层产能的地质参数、气藏参数、工程参数、储层参数等多种参数,构建了产能综合指数,并与产气量进行交会分析,进而分析产能的等级。邓健[37]利用孔隙度、渗透率、饱和度等参数,建立了产能综合指数模型,预测的产气量与生产初期的日产气量较为吻合。曾静波等[38]在储层品质评价的基础上,建立了综合评价指数与米产液指数关系的产能预测方法,取得了良好的效果。陈浩等[39]采用灰色关联方法对影响缝网压裂直井初期产能的主控因素进行了筛选和评价,优选出射开含气砂岩厚度、含气饱和度、砂液比和加砂量等参数,构建了产能综合指数,进而对气藏的产能进行了预测。

图6 综合指数与产气量关系Fig.6 Relationship between composite index and gas production

2.2.2 图版法

地球物理测井领域,图版法多用于储层“四性”关系研究。近年来,将试气试采等动态生产数据与储层参数统计分析,制作产气量-渗透率/孔隙度/含气饱和度、产气量-电阻率/声波时差等图版[40],并利用相关性分析等方式对产能进行预测,如图7[41]所示。

图7 地层渗透率、电阻率与试气产量关系[41]Fig.7 Relationship between formation permeability, resistivity and test gas production[41]

鉴于电阻率测井能够较好的反映储层的含气性,声波时差和补偿密度测井能够反映储层的孔隙度,相关领域的学者先后利用电阻率、声波时差、补偿密度与日产气量、米产气量的交会图版[42-46],均在各自的研究区块取得了较好的应用效果)。

2.2.3 加权储能系数法

基于测井资料精细解释,对同一砂体的储层进行精细分类,利用各分类储层的厚度、孔隙度、饱和度及渗透率等关键参数,确定每类小层的储能系数,与试气产量结合求取每类小层对储层产能的贡献值,由此建立加权储能系数产能预测模型[47-48]。

(1)

(2)

式中:S′为同一砂体各单元储层储能系数和;Pi为同一砂体第i单元储层参数特征值;Hi为同一砂体第i单元储层的有效厚度,m;Q为储层预测产能,t/d;Aj

为第j类砂体储能系数的加权值;Sj为第j类砂体储层储能系数和。

构建加权储能系数产能预测模型前,依据储层孔隙结构等对其分类尤为关键[49-50]。程玉梅等[51]优选含气孔隙体积、可动流体饱和度、峰点喉道半径、气相渗透率建立了超低渗透储层分类标准,分储层类型建立了超低渗透储层加权储能系数产能预测方法,实现了超低渗透储层试气产能的测井快速预测。万金彬等[52]利用储层孔隙结构进行储层品质分类的基础上,采用不同的特征产能系数图版建立了产能预测模型。

2.2.4 多元回归法

多元回归法的思路是,将试气试采的产量(通常指产能)视为因变量,影响产能的主控因素视为自变量,建立多个变量间线性或非线性数学模型,即为油气藏产能多元回归预测模型。孙鹏[53]、黎泽刚等[54]利用孔隙度、渗透率、含气饱和度及油层厚度等参数,利用多元回归分析建立了气藏产能预测模型,取得了较好的应用效果。梁榜[55]依据储层类型厚度加权处理了地质、工程参数,采用正交试验进行了产能敏感性参数分析,确定了研究区产能的主控参数,并利用多元线性回归建立了产能预测模型,提高了页岩气井产能的预测精度。

2.3 采气指数法

渗流力学理论是利用采油指数法进行气藏产能定量预测的基础[56]。一般来说,地下流体在地层介质中渗流的方式有:平面径向流、平面单向流、球形流。在油田实际生产中,平面径向流更符合井中真实的流动状态。从渗流理论出发,根据达西定律,平面径向流渗流流量公式可表示为

(3)

式(3)中:Qf为流量,m3;K为地层有效渗透率,μm2;H为储层厚度,m;Pe为供油处压力,MPa;Pw为井内压力,MPa;B为体积系数;μ为原油黏度,10-3Pa·s;Re为供油半径,m;Rw为井眼半径,m;S为表皮系数,无量纲;PI为生产指数;ΔP为生产压差,MPa。

实际生产中,将测试获得的米产气指数代入上述产能预测模型,便可较有效地进行气藏产能预测[57-58]。基于生产测试数据和油-水两相渗流理论,深入分析了储层物性、原油黏度及饱和度、地层压力等对产能的影响,建立了基于采油指数的产能测井预测方法[59]。充分利用DST(drill stem test)地层测试等资料,根据流度、有效渗透率拟合获得的米采油指数预测气藏产能,可取得良好的应用效果[60]。利用测井资料,结合岩心物性测试数据,通过计算相对渗透率和采油指数,进而来预测气藏的产能,在葡北地区也取得了较好的预测效果[61]。

2.4 人工智能法

机器学习方法作为一项具有强大预测能力的工具,在油气田产能预测方面备受关注。机器学习方法模型将复杂的储层气藏特征、压裂开采等工程条件进行量化分析,快速预测气藏的产能。为弱化人为因素对气藏产能预测模型构建精度的影响,文献[62-70]先后针对研究区的储层特征和工程因素,利用BP(Back Propagation)神经网络、模糊神经网络、小波分析与神经网络有机结合等方法开展过气藏产能预测模型研究,均取得了良好的应用效果。文献[71-74]在对传统的卷积神经网络模型改进基础上,实现对煤层气井产量、剩余含气量的预测。刘凯等[75]系统分析了油气地球化学性质与油气产能的关系,并用神经网络算法预测了含油气的概率,进而编绘了油气资源预测。

近年来,预测气藏产能的机器学习算法百花齐放,除常用的神经网络算法外,支持向量机、多元逐步回归、随机森林等均用于气藏产能预测模型的构建。无论各种算法,均需通过一部分产能主控参数训练样本来构建产能预测模型,并对训练集之外具有相同结构的参数做出产能预测[76-78]。

3 产能预测方法适用性分析

3.1 测井曲线特征法

测井曲线特征法建立在储层四性特征认识的基础上,形态组合法是根据各测井曲线的形态变化来分析产能级别,仅能从定性角度对储层产能进行分析;包络面积法虽能根据其包络的面积进行定量预测,但其预测精度受制于储层岩性、物性等影响,尤其是储层孔隙结构的复杂性导致电阻率增大,而并非是含气性引起电阻率增大,致使孔隙结构复杂的储层,该法的预测精度非常有限。因此,精准划分小层、岩性、储层类型是应用该套方法的基础。

3.2 数理统计法

数理统计法应用试气试采等动态生产资料、储层孔隙度、渗透率、饱和度及测井参数等静态数据,通过构建综合指数、图版、加权储能系数或利用多元回归等方法来构建产能预测模型。

综合指数法需要系统分析影响产能的主控因素,并将其反映产能主控因素的各参数有机融合,通过数学手段创建一个参数,进而利用该参数来预测储层的产能。该法需要确定反映产能主控因素的参数,因此综合指数与产能的相关性是预测精度的关键。图版法多采用单变量与产气量进行交会分析,由于产能主控因素多,单变量预测产能的精度难以保障。据此,将诸多反映产能的参数通过数学手段组合一个综合指数,进而构建综合指数与产气量的交会图版,将会提高气藏产能的预测精度。

加权储能系数法不仅考虑了各细分储层对产能的贡献,而且构建加权储层系数产能预测模型前进行了储层分类,因此该法的预测效果得到了业界的认可,广泛应用于各类气藏产能的预测中。然而,应用该法时,需要注意试气试采产量劈分的问题。多元回归法直接根据反映储层产能的参数与试气试采产量来建立拟合方程。该法简便易用,但应用效果不仅受制于参数敏感性的影响,而且受各小层对产量的贡献量等影响。

3.3 采气指数法

采气指数法有机融合测试、测井等获取的诸多储层信息,更能反映储层的生产动态特性,因此得到了业界广泛的关注。然而,该法中的诸多参数需要通过动态测试获取,实际生产中并非每口井都进行动态测试资料,在一定程度上限制了该法的应用。

3.4 人工智能法

以机器学习为代表的人工智能法在气藏产能预测方面得到了普遍认同,该法能解决气藏产能预测等复杂非线性问题,表现出极大的容错性、自适应性、稳定性和灵活性,能够较准确地对气藏的产能进行预测,但该法的预测精度受制于参与学习训练的样本数量和代表性。

4 结论与展望

基于上述气藏产能测井预测方法的系统梳理和深入剖析,紧跟非常规天然气勘探开发背景下气藏产能预测难度加大的形势可知,现有方法正面临着新的挑战。针对非常规气藏产能测井预测提出的新需求,今后工作中需在如下方面获得突破。

(1)水平井和大规模体积压裂为非常规气藏开发的两大利器。压裂改造后,复杂的裂缝形态、多变的渗流模式是产能预测模型研究面临的主要问题。现有产能预测模型在裂缝形态上没有考虑到裂缝改造区域不均匀、裂缝网络分布不均匀等问题。尤其对于致密储层而言,自然状态下几乎不产油气,人工裂缝的表征对能否准确预测产能起关键性作用。目前,没有专门针对水平井条件下大规模体积压裂后的气藏产能预测方法。据此,颇需研发水平井体积压裂下的非常规气藏产能预测方法。

(2)地球物理测井采集的是气藏开发前的储层信息,预测的产量为气藏试气试采初期的自然产能。当前,天然能量驱动下绝大多数气藏难以生产,需要通过各种增产措施来提高气藏的产量。据此,颇需有机结合工程因素和生产动态资料,开展气藏产能预测方法研究。

(3)重视人工智能方法在气藏产能预测模型构建中的应用。气藏产能影响因素多,现有产能预测方法多用主控因素分析筛选出的个别参数,难以全面反映气藏的产能特征。将反映储层静态特征、工程因素及开发动态特征的资料进行大数据分析处理,进而来构建气藏产能人工智能模型是未来该领域的一大发展趋势。未来可通过建立气藏大数据库,不断优化机器学习算法,同时与经验算法进行有机结合,以提高产能模型的适用性和预测精度。