Processing math: 8%

裂缝性非均质致密储层自适应应力敏感性研究

李虹, 于海洋, 杨海烽, 邓彤, 李旭, 吴阳

李虹, 于海洋, 杨海烽, 邓彤, 李旭, 吴阳. 裂缝性非均质致密储层自适应应力敏感性研究[J]. 石油钻探技术, 2022, 50(3): 99-105. DOI: 10.11911/syztjs.2022054
引用本文: 李虹, 于海洋, 杨海烽, 邓彤, 李旭, 吴阳. 裂缝性非均质致密储层自适应应力敏感性研究[J]. 石油钻探技术, 2022, 50(3): 99-105. DOI: 10.11911/syztjs.2022054
LI Hong, YU Haiyang, YANG Haifeng, DENG Tong, LI Xu, WU Yang. Adaptive Stress Sensitivity Study of Fractured Heterogeneous Tight Reservoir[J]. Petroleum Drilling Techniques, 2022, 50(3): 99-105. DOI: 10.11911/syztjs.2022054
Citation: LI Hong, YU Haiyang, YANG Haifeng, DENG Tong, LI Xu, WU Yang. Adaptive Stress Sensitivity Study of Fractured Heterogeneous Tight Reservoir[J]. Petroleum Drilling Techniques, 2022, 50(3): 99-105. DOI: 10.11911/syztjs.2022054

裂缝性非均质致密储层自适应应力敏感性研究

基金项目: 国家自然科学基金项目“致密油藏碳化水驱提高采收率机理研究”(编号:51874317)和“页岩油注天然气开发油气两相渗流微尺度效应及增油机理”(编号:52074317)、中国石油天然气集团有限公司-中国石油大学(北京)战略合作科技项目“鄂尔多斯盆地致密油-页岩油油藏工程方法及关键技术研究”(编号:ZLZX2020-02-04-04)、中国石油大学(北京)科研基金项目“微纳米孔隙油气流动微尺度效应”(编号:2462020YXZZ028)联合资助
详细信息
    作者简介:

    李虹(1994—),女,四川威远人,2017年毕业于成都理工大学石油工程专业,油气田开发工程专业在读博士研究生,主要从事非常规储层数值模拟研究。E-mail: lihong660@163.com

  • 中图分类号: TE319

Adaptive Stress Sensitivity Study of Fractured Heterogeneous Tight Reservoir

  • 摘要:

    裂缝性致密储层具有非均质性强、应力敏感性强等特点,需明确储层非均质性及裂缝应力敏感性对生产的影响。为此,利用基于投影的嵌入式离散裂缝模型来表征复杂裂缝,结合应力敏感定量表征模型,建立了同时考虑基质和多尺度裂缝非均质性的应力敏感数值模型,自适应获得应力敏感特征曲线。模拟分析结果表明,强非均质致密储层不能忽略基质的应力敏感性,应力敏感性对生产早期的影响较大,以压裂裂缝的影响为主,随着生产逐渐过渡到基质,储层应力敏感性逐渐降低;早期生产压差过大,会造成储层应力伤害,不利于长期生产;不同充填程度的多尺度裂缝在储层中的分布模式对产能有直接影响,充填程度越低,裂缝尺度越大,产能越高。研究结果为致密裂缝性储层合理配产和开发方案优化提供了理论依据。

    Abstract:

    Fractured tight reservoirs are characterized by their strong heterogeneity and stress sensitivity. To understand with better clarity the influence of reservoir heterogeneity and fracture stress sensitivity on production, we employed the projection-based embedded discrete fracture model to characterize complex fractures. On this basis, a numerical stress sensitivity model considering matrix and multi-scale fracture heterogeneity was built by using the quantitative characterization model of stress sensitivity, and thus the stress sensitivity curve was obtained adaptively. The simulation results demonstrated that the stress sensitivity of the matrix could not be ignored in highly heterogeneous tight reservoirs because it had a great impact on production in the early stages, primarily with respect to hydraulic fractures. It was noted that the stress sensitivity of reservoirs decreased gradually as the production gradually transitioned from fractures to the matrix. Large differential production pressures in the early stages of production would cause a stress damage in the reservoir which was not conducive to long-term production. Moreover, the distribution pattern of multi-scale fractures with different filling degrees in reservoirs had a direct influence on productivity, as a less filled fracture in larger scale would provide higher productivity. The research results can provide a theoretical basis for rational production allocation and development scheme optimization of fractured tight reservoirs.

  • 大庆油田古龙凹陷页岩油资源量巨大,勘探开发前景广阔,是大庆油田重要的接替领域[1-2]。目前,大庆油田古龙页岩油开发大多采用长水平段水平井,但由于降本增效的要求,钻进提速需求十分紧迫。较高的机械钻速意味着产生大量的岩屑,而岩屑运移不充分造成的井眼清洁问题已逐渐成为古龙页岩油区块水平井钻井的主要问题之一。当更换钻头、接单根等作业需要停止钻井液循环时,钻井液中的岩屑会发生沉降,并在大斜度井段和水平井段沉积形成岩屑床[3-4]。岩屑沉降末速度、成床厚度、岩屑床表面颗粒再启动速度等关键参数的计算,均与岩屑的沉降阻力系数有关[5-7]。因此,研究古龙页岩岩屑在钻井液中的沉降规律,可为优化钻井液流变性和循环排量提供依据。

    国内外学者对球形颗粒在牛顿流体中的沉降规律开展了大量的试验研究[8-9],得到了较高精度的预测模型。但是,页岩岩屑的形状不规则,且大多数钻井液为具有一定剪切稀释性的非牛顿流体[10-11],以往提出的预测球形颗粒在牛顿流体中的沉降阻力系数模型,是否适用于预测不规则形状页岩岩屑在非牛顿流体中的沉降阻力系数值得商榷[12-13]。为了解决上述问题,笔者对沉降试验数据回归分析,建立了球形颗粒在幂律流体中的沉降阻力系数预测模型;在此基础上,引入形状因子来描述颗粒的二维几何特征,建立了用于预测页岩岩屑在幂律流体中的阻力系数模型;根据得到的岩屑阻力系数预测模型使用迭代法计算岩屑沉降速度,分析了通过模型计算所得的沉降速度与实测沉降速度的平均相对误差,验证了该模型预测结果的准确性。

    沉降试验装置如图1所示。该装置为有机玻璃管,内径100 mm,高度1 500 mm。该装置使用千眼狼高速摄像机(2F04C型)捕捉岩屑的沉降轨迹。图像采集区域设置为玻璃管底部300 mm范围内,既保证岩屑已达到沉降末速度,又避免端部效应对沉降速度产生影响。同时,为了减少不确定性因素的干扰,每组试验至少重复进行3次,且数据处理时只保留最大相对误差小于5%的试验数据,用于拟合阻力系数的关系式。

    图  1  沉降试验装置示意
    Figure  1.  Devices for settlement experiments

    为了使沉降阻力系数预测模型具有较大的颗粒雷诺数适用范围,选取不锈钢、氧化锆和玻璃3种材质的球形颗粒进行沉降试验,同时选取大庆油田古龙页岩岩屑进行不规则形状颗粒沉降试验。为了降低壁面效应对试验的影响,颗粒直径相比有机玻璃管直径尽量小。试验用颗粒的物性参数见表1

    表  1  试验用颗粒的物性参数
    Table  1.  Physical property parameters of particles for experiments
    颗粒材质颗粒等效直径/mm密度/(kg·m−3
    不锈钢1,2,3,4,57 930
    氧化锆1,2,3,4,56 080
    玻璃1,2,3,4,52 500
    页岩颗粒2.1~5.72 073
    下载: 导出CSV 
    | 显示表格

    试验用羧甲基纤维素钠(CMC)水溶液作为幂律流体基液,质量分数0.25%~2.00%。使用Anto paar MCR 92型流变仪测试其在试验温度下的流变性,并根据幂律流体的流变模型τ=K˙γnτ为剪切应力,Pa;˙γ为剪切速率,s−1K为幂律流体的稠度指数,Pa·snn为流体的流性指数),对测试流体的流变参数进行拟合。通过流变仪的温度控制系统来控制试验液体温度,使其与试验时的温度保持一致。试验所用溶液的物性参数及流变参数见表2

    表  2  不同质量分数CMC水溶液的物性参数及流变参数
    Table  2.  Physical property and rheological parameters of CMC aqueous solution with different mass fractions
    CMC质量分数,%温度/℃密度/(kg·m−3流变参数
    K/(Pa·snn
    2.0017.31 008.08.161 90.418 2
    1.7518.61 006.05.340 50.443 7
    1.5018.01 005.03.320 40.471 0
    1.2517.61 004.51.532 20.522 4
    1.0017.21 003.00.697 70.578 6
    0.5016.61 002.00.045 00.819 4
    0.2516.91 001.00.008 00.953 0
    下载: 导出CSV 
    | 显示表格

    颗粒形状是影响物体沉降速度和沉降状态的重要因素。有学者研究指出[14],当颗粒雷诺数Res时岩屑沉降轨迹是摆动的,而当R{e_{\rm{s}}} < 100时沉降轨迹是稳定的。在不考虑颗粒沉降过程中出现的二次运动,圆形度c更适合用于建立预测模型[15]。所以,在R{e_{\rm{s}}} < 100的低颗粒雷诺数情况下,通过引入c来建立岩屑在幂律流体中的沉降阻力系数预测模型是可行的。c指颗粒最大投影面周长与其等效圆的周长之比,因其为对颗粒轮廓不规则性敏感的二维形状参数,所以测量相对容易,其定义为:

    c = \frac{{{\text{π}} {d_A}}}{L} (1)

    式中:dA为颗粒最大投影面等效圆的直径,m;L为颗粒最大投影面周长,m。

    试验用大庆古龙页岩岩屑形态如图2所示。

    图  2  古龙凹陷不同井深处页岩岩屑形态
    Figure  2.  Cuttings morphology in different well depths of the Gulong Depression

    利用图像粒子分析软件ImageJ的“分析颗粒”功能,对目标颗粒进行了圆形度测定。ImageJ用户指南中圆形度c的定义为[16]

    {\text{ }}c = 4{\text{π}} \frac{{{A_{\text{p}}}}}{{{L^2}}} (2)

    式中:AP为颗粒最大投影面的表面积,m2

    球形颗粒c = 1,其他任何形状颗粒c < 1。选取的部分页岩岩屑图像转换实例,如图3所示。

    图  3  古龙页岩岩屑的图像转换实例
    Figure  3.  Image conversion example of Gulong shale cuttings

    试验得到了224组页岩岩屑圆形度和等效直径的分布情况(见图4)。页岩岩屑等效直径为3.2~4.2 mm,中值为3.7 mm;圆形度为0.65~0.87,中值为0.76,圆形度集中在0.70~0.85。

    图  4  页岩岩屑圆形度与等效直径的分布关系
    Figure  4.  Distribution relationship between the roundness and equivalent diameter of shale cuttings

    颗粒沉降过程中受到的流体黏滞力与颗粒动能的比值称为阻力系数,是描述颗粒沉降行为的主要参数。阻力系数可根据流体和颗粒的性质以及沉降速度来计算:

    {C_{\text{D}}} = \frac{{4\left( {{\rho _{\rm{p}}} - {\rho _{\rm{l}}}} \right){d_{\rm{e}}}g}}{{3{\rho _{\rm{l}}}{v_{\rm{t}}}^2}} (3)
    \; 其中\qquad \qquad\qquad\; {d_{\rm{e}}} = \sqrt[3]{\dfrac{6{m_{\rm{p}}}}{{\text{π}} {\rho _{\rm{p}}}}} \qquad\qquad \qquad\quad\; (4)

    式中:CD为阻力系数;ρl 为流体密度,kg/m3g为重力加速度,m/s2vt 为沉降速度,m/s;de为颗粒的等效直径(当颗粒为球体时,de等于直径),m;mp为颗粒的质量,kg;ρp为颗粒的密度,kg/m3

    对于光滑圆球,阻力系数仅为颗粒雷诺数的函数,即:

    {C_{\text{D}}} = f\left( {R{e_{\rm{s}}}} \right) (5)

    颗粒所受的惯性力与黏滞力之比为颗粒雷诺数,是描述颗粒沉降行为的另一个主要参数。对于幂律流体,颗粒雷诺数的表达式为:

    {Re_{\rm{s}}} = \frac{{{\rho _l}{v_{\text{t}}}^{2 - n}d_{\rm{e}}^n}}{K} (6)

    首先对球形颗粒进行沉降试验,并建立阻力系数CD(式(3))和颗粒雷诺数Res(式(6))的关系式。对196组球形颗粒的沉降试验数据进行分析,并以对数坐标绘制CDRes的关系式,见图5图5中,三角形(幂律流体中沉降试验结果)所表示的数据点,由式(6)计算所得的颗粒雷诺数Res与式(3)计算所得的阻力系数CD组成;斜线(斯托克斯公式计算结果)所表示的数据点,由式(6)计算所得的颗粒雷诺数Res与斯托克斯公式(CD=24/Res)计算所得的阻力系数CD组成。

    图  5  沉降试验得到的196组球形颗粒的CDRes关系
    Figure  5.  CD-Res relationship of 196 groups of spherical particles obtained through settlement experiments

    图5可以看出,使用斯托克斯公式预测球形颗粒在幂律流体中的沉降阻力系数时存在较大的误差。例如,在Res< 0.1条件下,幂律流体中的沉降试验结果与斯托克斯公式预测结果之间的平均相对误差高达30.16%,说明非牛顿流体的流变特性对流体–的颗粒相互作用有重要影响。在这种情况下,用牛顿关联式计算圆球在非牛顿流体中的沉降阻力系数将会产生较大的误差。

    截至目前,多位学者提出了关于球形颗粒在非牛顿流体中的沉降阻力系数预测关系式,如S. N.Shah等人[17]提出的沉降阻力系数模型为:

    \sqrt {C_{\text{D}}^{2 - n}R{e^2}} = A{\left( {Re} \right)^B} \;\; \left( {{\text{0}}{\text{.281 < }}R{e_{\rm{s}}}{\text{ < }}1.000} \right) (7)

    式中:A = 6.914\;8{n^2} - 24.838n + 22.642B = - 0.506\;7{n^2} + 1.323\;4n - 0.174\;4

    A. R. Khan等人[18]提出的阻力系数模型为:

    \begin{split} {C_{\text{D}}} = & {(2.25R{e_{\rm{s}}}^{ - 0.31} + 0.36R{e_{\rm{s}}}^{0.06})^{3.45}}\\ &{\text{ (0}}{\text{.01 < }}R{e_{\rm{s}}}{\text{ < 3.00}} \times {\text{1}}{{\text{0}}^{\text{5}}}) \end{split} (8)

    I. Machač等人[19]提出的阻力系数模型为:

    \left\{ {\begin{array}{*{20}{ll}} {C_{\text{D}}} = \dfrac{{24}}{{R{e_{\rm{s}}}}}X\left( n \right)&(R{e_{\rm{s}}} < 1) \\ {C_{\text{D}}} = \dfrac{{24}}{{R{e_{\rm{s}}}}}X\left( n \right) + \dfrac{{10.5n - 3.5}}{{R{e_{\rm{s}}}^{0.32n + 0.13}}} &(1 \leqslant R{e_{\rm{s}}} < 1\;000){\text{ }} \end{array}} \right. (9)
    \begin{split} \,其中 \; \qquad X\left( n \right) = &{3^{\tfrac{3n - 3}{2}}}\frac{{33{n^5} - 64{n^4} - 11{n^3} + 97{n^2} + 16n}}{{4{n^2}(n + 1)(n + 2)(2n + 1)}}\;\\ &(n > 0.5 )\;\;\;\;\\[-10pt] \end{split}\;\;\;\; (10)

    V. C. Kelessidis等人[20]提出的阻力系数模型为:

    \begin{split} {C_{\text{D}}} = &\frac{{24}}{{R{e_{\rm{s}}}}}(1 + 0.140\;7R{e_{\rm{s}}}^{0.601\;8}) + \frac{{0.211\;8}}{{1 + \dfrac{0.421\;5}{R{e_{\rm{s}}}}}}\\ &{\text{ (0}}{\text{.1 < }}R{e_{\rm{s}}}{\text{ < 1\;000.0)}} \end{split} (11)

    利用球形颗粒沉降试验数据对上述沉降阻力系数模型进行参数拟合,发现V. C. Kelessidis等人[20]提出的五参数阻力系数模型具有最佳的拟合优度,其形式为:

    {C_{\text{D}}} = \frac{{24}}{{R{e_{\rm{s}}}}}(1 + AR{e_{\rm{s}}}^B) + \frac{C}{{1 + {\dfrac{D}{Re_{\rm{s}}^E}}}} (12)

    式中:ABCDE均为相关系数。

    式(12)中,等号右边第一项表示层流条件下阻力系数的下降趋势,第二项表示湍流条件下阻力系数的下降趋势,可以通过在扩展的斯托克斯定律中加入一个复杂的湍流项来预测阻力系数。上述推论符合物理基本规律,即总的拖曳力是任意流动状态下层流和湍流分量的总和[21]

    对196组球形颗粒的沉降试验数据进行拟合回归,得到球形颗粒在幂律流体中的沉降阻力系数:

    \begin{split} {C_{\text{D}}} =& \frac{{24}}{{R{e_{\rm{s}}}}}(1 + 0.723R{e_{\rm{s}}}^{0.304}) + \frac{{0.219}}{{1 + \dfrac{{55.03}}{{R{e_{\rm{s}}}^{1.757}}}}}{\text{ }}\\ &\left( {{\text{0}}{\text{.001 < }}R{e_{\rm{s}}} < 848.000} \right) \end{split} (13)

    通过对比式(13)与已发表文献中具有代表性的关系式,即式(8)、式(9)和式(11),采用平均相对误差(δMRE)、最大平均相对误差(δMMRE)和均方根对数误差(δRMSLE)等3个统计参数,评估所提出的幂律流体中球形颗粒沉降阻力系数关系式的预测精度,对比结果见表3

    表  3  幂律流体中球形颗粒沉降阻力系数误差统计
    Table  3.  Error statistics of the settlement drag coefficient of spherical particles in power-law fluids
    颗粒雷诺数范围模型预测误差,%
    δMREδMMREδRMSLE
    0.001<Res<848.000式(8)17.3623.0034.94
    式(9)13.3114.0032.73
    式(11)20.8434.0039.24
    式(13)7.118.0019.72
    下载: 导出CSV 
    | 显示表格

    δMREδRMSLE 的计算方法如下[22]

    {\delta _{{\rm{MRE}}}} = \frac{1}{N}\sum\limits_{i = 1}^N {\frac{{\left| {{C_{{\text{D}},{\rm{c}},i}} - {C_{{\text{D}},{\rm{m}},i}}} \right|}}{{{C_{{\text{D}},{\rm{m}},i}}}}} \times 100\% (14)
    {\delta _{{\rm{RMSLE}}}} = \sqrt {\frac{1}{N}\sum\limits_{i = 1}^N {{{\left( {\ln {C_{{\text{D}},{\rm{c}},i}} - \ln {C_{{\text{D}},{\rm{m}},i}}} \right)}^2}} } (15)

    式中:N为总数;CD, c为预测的阻力系数;CD, m为试验测得的阻力系数。

    通过试验得到了颗粒的沉降速度vts,并拟合得到沉降阻力系数CD与颗粒雷诺数Res之间的关系。基于提出的CDRes相关式,可采用迭代试错法计算颗粒在流体中的沉降阻力系数CD和沉降速度vt,迭代程序如图6所示[23]

    图  6  迭代试错程序的流程
    Figure  6.  Flow of iterative trial and error program

    根据提出的球形颗粒阻力系数预测模型(式(13)),采用试错法计算沉降颗粒的阻力系数CD和沉降速度vt,结果见图7图8

    图  7  球形颗粒沉降阻力系数预测值与试验值的对比
    Figure  7.  Comparison between predicted settlement drag coefficient of spherical particles and that measured through experiments
    图  8  球形颗粒沉降速度的预测值与试验值的对比
    Figure  8.  Comparison between predicted settling velocity of spherical particles and that measured throughexperiments

    图7表3可知,对于幂律流体,式(8)、式(9)和式(11)的预测值与试验值较为接近,平均相对误差约为17.17%,式(13)的平均相对误差为7.11%,与其他模型相比,3个量化评价参数均有一定程度的降低,对试验结果的预测精度更高。同时,图8所示的球形颗粒沉降速度预测值与试验测量值平均相对误差仅为7.10%,所以本文提出的模型能较好地预测圆球颗粒在幂律流体中的沉降阻力系数CD和沉降速度vt

    基于上述圆球阻力系数预测模型(式(13)),通过引入颗粒圆形度c建立适用于页岩岩屑的沉降阻力系数CD的表达式。在任意给定的雷诺数下,岩屑受到的拖曳力要大于其等效球体的拖曳力[23]。这是因为,岩屑表面的不规则会导致阻力增加和产生更大的流动分离现象,从而与球形颗粒相比沉降速度有所降低[24]。通过试验观察(见图9),相同条件下岩屑阻力系数CD与球形颗粒的阻力系数预测值CD,sph之比略大于1。在高雷诺数下,由于形状的影响,该比值会更大。

    图  9  224组页岩岩屑数据的CDRes关系
    Figure  9.  CDRes relationship of 224 groups of shale cuttings data

    通过分析相同条件下页岩岩屑试验得到的阻力系数CD与球形颗粒沉降阻力系数预测值CD,sph的差异性,得到了圆形度函数f(c)作为CD/CD,sph自然对数的函数。确定颗粒形状因子cCD/CD,sph之间的关系式为:

    {C_{\text{D}}} = {C_{{\text{D}},{\rm{sph}}}}\exp \left[ {f\left( c \right)} \right] (16)

    在特殊情况下,如c = 1时,页岩岩屑的阻力系数等于相同参数下圆球的阻力系数。即当c = 1时,f(c) = 0。为了确保颗粒为球形时满足CD/CD,sph = 1,结合224组试验数据,通过式(17)确定了f(c)。

    f(c) = \alpha Re_{\rm{s}}^\beta {(1 - c)^\eta } (17)

    式中:αβη为经验系数,可通过非线性拟合得出。

    岩屑在幂律流体中阻力系数CD的表达式为:

    \begin{split} {C_{\text{D}}} = &{C_{{\text{D}},{\rm{sph}}}}{\rm{exp}}\left[ {0.31R{e_{\rm{s}}}^{0.25}{{(1 - c)}^{0.19}}} \right]{\text{ }}\\ &\left( {{\text{0}}{\text{.001 < }}R{e_{\rm{s}}}{\text{ < 99.000}}} \right) \end{split} (18)

    图10所示为式(18)计算所得页岩岩屑沉降阻力系数CD与试验测得沉降阻力系数CD之间的关系。用该模型对页岩岩屑的沉降阻力系数进行了预测,预测结果的平均相对误差为7.68%,均方根对数误差为0.010 9,最大平均相对误差为25.35%。

    图  10  页岩岩屑沉降试验测得阻力系数与模型预测阻力系数的对比
    Figure  10.  Comparison between drag coefficient of shale cuttings measured by settlement experiments and that predicted by the proposed model

    利用式(18)计算了页岩岩屑在幂律流体中的沉降速度,并与试验测得的沉降速度进行了对比(见图11)。对比结果表明,模型预测页岩岩屑在幂律流体中沉降速度的平均相对误差为6.93%。虽然模型预测结果具有一定程度的分散性,但数据在直线上分布良好,说明该模型能较好地预测页岩岩屑在幂律流体中的沉降速度。

    图  11  页岩岩屑沉降速度实测值与模型预测值的对比
    Figure  11.  Comparison between experimentally measured settling velocity of shale cuttings and that predicted by the model

    1)在颗粒雷诺数相同条件下,页岩岩屑的阻力系数随着圆形度减小而增大,阻力系数随雷诺数增大而减小,但在高雷诺数条件下减小的趋势变缓。

    2)相较于具有规则形状的非球形颗粒,测量像岩屑颗粒这样形状高度不规则粗糙颗粒的表面积比较困难,也难以在现场作业中实现。事实上,如何精确测量不规则形状颗粒的表面积,也是圆形度计算中的一个难点。引入二维的侧视面几何参数来预测阻力系数,其精度与引入圆球形模型的预测精度相近。

    3)根据本文建立的岩屑阻力系数预测模型,使用迭代法计算岩屑沉降速度,平均相对误差为6.93%,模型预测结果与试验结果吻合较好。预测模型可为大庆油田古龙页岩油钻井工程现场实践中的井眼清洁和水力参数优化提供理论指导。

    4)由于受试验材料及试验可实现程度的限制,本文在进行颗粒沉降试验时并未使用宾汉流体。对于宾汉流体,沉降阻力系数计算能否采用赫–巴流体(n=1)中的阻力系数预测模型,仍存在不确定性。同时,对高雷诺数以及颗粒群的沉降试验应是今后重点关注和探索的方向之一。

  • 图  1   致密储层多尺度裂缝示意

    Figure  1.   Multi-scale fractures in tight reservoirs

    图  2   基质系统和裂缝系统颗粒组成示意

    Figure  2.   Particle compositions of matrix and fracture systems

    图  3   两圆球体接触 Hertz 变形示意[20]

    Figure  3.   Hertz deformation of two spheres in contact

    图  4   确定3个相邻面的投影流程

    Figure  4.   Projection process of determining three adjacent surfaces

    图  5   压裂水平井网格示意

    Figure  5.   Grids of fractured horizontal well

    图  6   模型验证模拟结果

    Figure  6.   Simulation results of model validation

    图  7   非均质储层模拟结果

    Figure  7.   Simulation results of heterogeneous reservoir

    图  8   不同多尺度裂缝分布模拟结果

    Figure  8.   Simulation results of multi-scale fracture distribution

  • [1] 王珂,戴俊生,张宏国,等. 裂缝性储层应力敏感性数值模拟:以库车坳陷克深气田为例[J]. 石油学报,2014,35(1):123–133. doi: 10.7623/syxb201401015

    WANG Ke, DAI Junsheng, ZHANG Hongguo, et al. Numerical simulation of fractured reservoir stress sensitivity: a case from Kuqa Depression Keshen Gas Field[J]. Acta Petrolei Sinica, 2014, 35(1): 123–133. doi: 10.7623/syxb201401015

    [2] 刘礼军,姚军,孙海,等. 考虑启动压力梯度和应力敏感的页岩油井产能分析[J]. 石油钻探技术,2017,45(5):84–91.

    LIU Lijun, YAO Jun, SUN Hai, et al. The effect of threshold pressure gradient and stress sensitivity on shale oil reservoir productivity[J]. Petroleum Drilling Techniques, 2017, 45(5): 84–91.

    [3] 赵国翔,姚约东,王链,等. 页岩油藏微尺度流动特征及应力敏感性分析[J]. 断块油气田,2021,28(2):247–252.

    ZHAO Guoxiang, YAO Yuedong, WANG Lian, et al. Microscale transport behaviors of shale oil and stress sensitivity analysis[J]. Fault-Block Oil & Gas Field, 2021, 28(2): 247–252.

    [4] 张鹏,吴通,李中,等. BP神经网络法预测顺北超深碳酸盐岩储层应力敏感程度[J]. 石油钻采工艺,2020,42(5):622–626.

    ZHANG Peng, WU Tong, LI Zhong, et al. Application of BP neural network method to predict the stress sensitivity of ultra deep carbonate reservoir in Shunbei Oilfield[J]. Oil Drilling & Production Technology, 2020, 42(5): 622–626.

    [5] 孟勇,贾庆升,张潦源,等. 东营凹陷页岩油储层层间干扰及裂缝扩展规律研究[J]. 石油钻探技术,2021,49(4):130–138. doi: 10.11911/syztjs.2021094

    MENG Yong, JIA Qingsheng, ZHANG Liaoyuan, et al. Research on interlayer interference and the fracture propagation law of shale oil reservoirs in the Dongying Sag[J]. Petroleum Drilling Techniques, 2021, 49(4): 130–138. doi: 10.11911/syztjs.2021094

    [6] 何利,肖阳,孙宜成,等. 车21井区裂缝性油藏地质建模与工程设计一体化研究[J]. 特种油气藏,2021,28(5):23–29. doi: 10.3969/j.issn.1006-6535.2021.05.004

    HE Li, XIAO Yang, SUN Yicheng, et al. On integration of geological modeling and engineering design of fractured oil reservoirs in Well Block Che21[J]. Special Oil & Gas Reservoirs, 2021, 28(5): 23–29. doi: 10.3969/j.issn.1006-6535.2021.05.004

    [7] 田鹤,曾联波,徐翔,等. 四川盆地涪陵地区海相页岩天然裂缝特征及对页岩气的影响[J]. 石油与天然气地质,2020,41(3):474–483. doi: 10.11743/ogg20200304

    TIAN He, ZENG Lianbo, XU Xiang, et al. Characteristics of natural fractures in marine shale in Fuling Area, Sichuan Basin, and their influence on shale gas[J]. Oil & Gas Geology, 2020, 41(3): 474–483. doi: 10.11743/ogg20200304

    [8] 李江,陈先超,高平,等. 考虑应力敏感效应的裂缝性碳酸盐岩气井拟稳态产能预测方法[J]. 石油钻探技术,2021,49(3):111–116. doi: 10.11911/syztjs.2021032

    LI Jiang, CHEN Xianchao, GAO Ping, et al. A pseudo-steady-state productivity prediction method for fractured carbonate gas wells considering stress-sensitivity effects[J]. Petroleum Drilling Techniques, 2021, 49(3): 111–116. doi: 10.11911/syztjs.2021032

    [9] 齐松超,于海洋,杨海烽,等. 致密砂岩逆向渗吸作用距离实验研究[J]. 力学学报,2021,53(9):2603–2611. doi: 10.6052/0459-1879-21-298

    QI Songchao, YU Haiyang, YANG Haifeng, et al. Experimental research on quantification of countercurrent imbibition distance for tight sandstone[J]. Chinese Journal of Theoretical and Applied Mechanics, 2021, 53(9): 2603–2611. doi: 10.6052/0459-1879-21-298

    [10] 李宪文,刘顺,陈强,等. 考虑复杂裂缝网络的致密油藏水平井体积压裂改造效果评价[J]. 石油钻探技术,2019,47(6):73–82. doi: 10.11911/syztjs.2019126

    LI Xianwen, LIU Shun, CHEN Qiang, et al. An evaluation of the stimulation effect of horizontal well volumetric fracturing in tight reservoirs with complex fracture networks[J]. Petroleum Drilling Techniques, 2019, 47(6): 73–82. doi: 10.11911/syztjs.2019126

    [11]

    TANG Meirong, WANG Chengwang, DENG Xian’an, et al. Experimental investigation on plugging performance of nanospheres in low-permeability reservoir with bottom water[J]. Advances in Geo-Energy Research, 2022, 6(2): 95–103. doi: 10.46690/ager.2022.02.02

    [12] 朱大伟,胡永乐,崔明月,等. 局部网格加密与嵌入式离散裂缝模型耦合预测压裂改造井产能[J]. 石油勘探与开发,2020,47(2):341–348. doi: 10.11698/PED.2020.02.12

    ZHU Dawei, HU Yongle, CUI Mingyue, et al. Productivity simulation of hydraulically fractured wells based on hybrid local grid refinement and embedded discrete fracture model[J]. Petroleum Exploration and Development, 2020, 47(2): 341–348. doi: 10.11698/PED.2020.02.12

    [13]

    MAHDI S, WANG Xingzhi, SHAH N. Interactions between the design and operation of shale gas networks, including CO2 sequestration[J]. Engineering, 2017, 3(2): 244–256. doi: 10.1016/J.ENG.2017.02.007

    [14] 张烈辉,刘沙,雍锐,等. 基于EDFM的致密油藏分段压裂水平井数值模拟[J]. 西南石油大学学报(自然科学版),2019,41(4):1–11.

    ZHANG Liehui, LIU Sha, YONG Rui, et al. EDFM-based numerical simulation of horizontal wells with multi-stage hydraulic fracturing in tight reservoirs[J]. Journal of Southwest Petroleum University(Science & Technology Edition), 2019, 41(4): 1–11.

    [15]

    XU Yifei, YU Wei, SEPEHRNOORI K. Modeling dynamic behaviors of complex fractures in conventional reservoir simulators[J]. SPE Reservoir Evaluation & Engineering, 2019, 22(3): 1110–1130.

    [16]

    WANG Bin, FIDELIBUS C. An open-source code for fluid flow simulations in unconventional fractured reservoirs[J]. Geosciences, 2021, 11(2): 106. doi: 10.3390/geosciences11020106

    [17]

    GONG Lei, WANG Jie, GAO Shuai, et al. Characterization, controlling factors and evolution of fracture effectiveness in shale oil reservoirs[J]. Journal of Petroleum Science and Engineering, 2021, 203: 108655. doi: 10.1016/j.petrol.2021.108655

    [18] 曾联波,吕鹏,屈雪峰,等. 致密低渗透储层多尺度裂缝及其形成地质条件[J]. 石油与天然气地质,2020,41(3):449–454. doi: 10.11743/ogg20200301

    ZENG Lianbo, LYU Peng, QU Xuefeng, et al. Multi-scale fractures in tight sandstone reservoirs with low permeability and geological conditions of their development[J]. Oil & Gas Geology, 2020, 41(3): 449–454. doi: 10.11743/ogg20200301

    [19]

    OLORODE O, WANG Bin, RASHID H U. Three-dimensional projection-based embedded discrete-fracture model for compositional simulation of fractured reservoirs[J]. SPE Journal, 2020, 25(4): 2143–2161. doi: 10.2118/201243-PA

    [20] 曹耐,雷刚. 致密储集层加压–卸压过程应力敏感性[J]. 石油勘探与开发,2019,46(1):132–138. doi: 10.11698/PED.2019.01.13

    CAO Nai, LEI Gang. Stress sensitivity of tight reservoirs during pressure loading and unloading process[J]. Petroleum Exploration and Development, 2019, 46(1): 132–138. doi: 10.11698/PED.2019.01.13

    [21]

    ŢENE M, BOSMA S B M, AL KOBAISI M S, et al. Projection-based embedded discrete fracture model (pEDFM)[J]. Advances in Water Resources, 2017, 105: 205–216. doi: 10.1016/j.advwatres.2017.05.009

    [22]

    MOINFAR A, VARAVEI A, SEPEHRNOORI K, et al. Development of an efficient embedded discrete fracture model for 3D compositional reservoir simulation in fractured reservoirs[J]. SPE Jour-nal, 2014, 19(2): 289–303. doi: 10.2118/154246-PA

    [23]

    LIE K A. An introduction to reservoir simulation using MATLAB/ GNU octave: user guide for the MATLAB reservoir simulation toolbox (MRST)[M]. Cambridge: Cambridge University Press, 2019.

    [24]

    FADAKAR ALGHALANDIS Y. ADFNE: open source software for discrete fracture network engineering, two and three dimensional applications[J]. Computers & Geosciences, 2017, 102: 1–11.

    [25]

    TIAN He, ZENG Lianbo, XU Xiang, et al. Factors influencing the in-situ stress orientations in shales: a case study of the Wufeng-Longmaxi formations in the Jiaoshiba area, southeastern Sichuan Basin, China[J]. Journal of Natural Gas Science and Engineering, 2021, 94: 104110. doi: 10.1016/j.jngse.2021.104110

  • 期刊类型引用(12)

    1. 尹帅,金子一,刘程正,杨俊,茹晓飞,崔彩彩,寇冬琴,Sharifullah. 裂缝性储层天然缝与人工缝耦合机理及水窜预防井网调整. 成都理工大学学报(自然科学版). 2025(01): 18-30+43 . 百度学术
    2. 李冬梅,李会会,朱苏阳. 大尺度离散裂缝的渗透率应力敏感研究——以顺北油田为例. 断块油气田. 2024(01): 147-153 . 百度学术
    3. 姚军,王春起,黄朝琴,杨永飞,孙海,张磊. 深层超深层油气藏高应力下数字岩心构建方法. 石油钻探技术. 2024(02): 38-47 . 本站查看
    4. 赵向阳. 固相颗粒对致密油气藏裂缝应力敏感性影响的试验研究. 石油钻探技术. 2024(03): 68-74 . 本站查看
    5. 田山川,甘仁忠,肖琳,丁乙,魏瑞华,陈晓文,徐永华,梁利喜. 准噶尔盆地南缘异常高压泥岩段地层压力预测方法. 特种油气藏. 2024(05): 20-30 . 百度学术
    6. 郭为,柳家正,张晓伟,滕柏路,康莉霞,高金亮,刘钰洋,罗万静. 考虑蠕变效应的页岩气水平井控压生产增产机理研究. 力学学报. 2023(03): 630-642 . 百度学术
    7. 张栋梁,饶利平,蔡绪森,苏帅,沈传海,张维,姚征,王旭明. 长庆油田低渗储层微粒运移堵塞损害机理. 断块油气田. 2023(03): 441-447 . 百度学术
    8. 孙鑫,刘礼军,侯树刚,戴彩丽,杜焕福,王春伟. 基于页岩油水两相渗流特性的油井产能模拟研究. 石油钻探技术. 2023(05): 167-172 . 本站查看
    9. 钱钦,鲁明晶,钟安海. 东营凹陷陆相页岩油CO_2增能压裂裂缝形态研究. 石油钻探技术. 2023(05): 42-48 . 本站查看
    10. 邓航,田巍. 储层条件下的应力敏感性研究. 断块油气田. 2023(06): 933-939 . 百度学术
    11. 尹帅,刘翰林,何建华,王瑞飞,李香雪,黄郑,周永强,贺子潇. 动静态地质力学方法约束的致密油砂岩地应力综合评估. 地球科学进展. 2023(12): 1285-1296 . 百度学术
    12. 俞天喜,王雷,陈蓓蓓,孙锡泽,李圣祥,朱振龙. 基于盐溶和蠕变作用的含盐储层裂缝导流能力变化规律研究与应用. 特种油气藏. 2023(06): 157-164 . 百度学术

    其他类型引用(3)

图(8)
计量
  • 文章访问数:  418
  • HTML全文浏览量:  256
  • PDF下载量:  70
  • 被引次数: 15
出版历程
  • 收稿日期:  2021-06-22
  • 修回日期:  2022-03-15
  • 网络出版日期:  2022-04-17
  • 刊出日期:  2022-06-08

目录

/

返回文章
返回