Characterization Method and Application of Electrical Imaging Logging in Conglomerate Reservoir: A Case Study in Mahu Sag of Junggar Basin
-
摘要: 准噶尔盆地玛湖凹陷砾岩油藏电成像测井资料丰富,为了充分利用高分辨率电成像在岩石组分、非均质性以及储层结构表征方面的优势,开展了砾岩储层电成像测井资料处理方法及深化应用研究。依据砾岩储层电成像上岩石组分电阻率的差异,通过岩心标定确定了电阻率截止值,构建了砾石、砂质和泥质含量的计算方法及伪粒度概率累计曲线的粒度分析方法;通过数理统计,构建了分选系数、孔隙度、裂缝孔隙度、高分辨率电阻率的计算方法。基于对砾岩储层主控因素的认识,提出了利用岩性组分因子、电成像测井孔隙度、非均质性因子、裂缝因子等参数评价砾岩储层储集性能的储能指数,构建了基于电成像视地层水电阻率谱方差与储层指数识别储层流体性质的新方法。研究结果表明,电成像测井资料可以有效评价砾岩储层的物性、含油性,应用于油田勘探评价,能取得较好的效果,为砾岩储层电成像测井资料的深化应用提供了借鉴。Abstract: Because the conglomerate reservoir in Mahu Sag of Junggar Basin has rich electrical imaging logging data, the processing method and further applications of electrical imaging logging data for conglomerate reservoirs were studied to make full use of the advantage of high-resolution electrical imaging in rock composition, heterogeneity, and reservoir structure characterization. Considering the resistivity difference of rock compositions in electrical ima-ging of conglomerate reservoirs, the cut-off value of resistivity was determined through core calibration, and the calcu-lation method for the relative content of gravel, sand, and argillaceous parts as well as the grain size analysis method of cumulative pseudo-grain-size probability curves were constructed. Through mathematical statistics, the methods for calculating the sorting coefficient, porosity, fracture porosity, and high-precision resistivity were established. Based on the understanding of the main controlling factors of conglomerate reservoirs, it was proposed that the energy storage indexes for evaluating the reservoir performance of conglomerate reservoir could be used to develop a new method for identifying reservoir fluid properties by the variance of apparent formation water resistivity spectra and reservoir indexes on the basis of electrical imaging. The energy storage indexes mainly included the rock composition factor, porosity of electrical imaging logging, heterogeneity factor, and fracture factor, etc. The research results show that the electrical imaging logging data can effectively evaluate the physical properties and oil-bearing properties of conglo-merate reservoirs, with good application effects in evaluation of field exploration. It has provided a reference for further application of electrical imaging logging data in conglomerate reservoirs.
-
电成像测井是评价砾岩储层的重要手段,而准噶尔盆地玛湖凹陷发现的砾岩油藏,储层岩性多变、非均质性强、储层孔隙结构复杂,给电成像测井带来了挑战。截至目前,国内外关于电成像测井资料的应用问题已经做过一些研究。在岩性识别方面,袁阳等人[1-12]通过图像处理技术、神经网络、聚类分析等方法,对岩性进行了划分。在非均质性及裂缝分析方面,M. Akbar等人[13]提出了孔隙度谱的电成像计算方法,并应用该方法分析了碳酸盐岩储层的孔隙结构,确定了原生孔隙和次生孔隙;刘丹等人[14-15]则在孔隙度谱的基础上,构建谱形特征的特征参数来定量评价储层的非均质性;而梁劳劳等人[16-21]利用成像测井评价储层非均质性时,多在孔隙度谱的基础上采用神经网络、支持向量机、蚁群算法等评价储层的非均质性。在流体性质识别方面,肖承文等人[22]提出了视地层水电阻率谱法,并提取方差和均值建立图版来识别流体性质。但是,对岩石组分、储集性能等定量表征方面的研究较少。因此,为进一步拓展电成像测井在砾岩储层评价中的应用,笔者结合准噶尔盆地玛湖凹陷砾岩油藏的勘探生产实践,开展了电成像分析岩石组分和粒度及评价储层非均质性等方法的研究,探索了电成像砾岩储层储集性能表征方法、电成像定量识别储层流体性质的方法,以期为电成像测井资料的深化应用提供借鉴。
1. 储层岩石组分分析
玛湖凹陷扇三角洲前缘河道相砾岩储层,砾石含量高,泥质含量低,物性一般较好;扇三角洲平原相砾岩储层,砾石含量低,泥质含量高,物性普遍较差。因此,砾石含量和泥质含量决定了储层的储集性能,计算岩石组分含量具有重要意义。
根据已有资料可知:玛湖砾岩储层的砾石多为高电阻率的火山岩和变质岩碎屑,在电成像图上砾质呈现高阻亮色;砂质以长石和石英矿物为主,其电阻率较砾石低;泥质由于包含大量的束缚水和结晶水,电阻率最低。因此,应构建各组分与电阻率的对应关系。通过岩心标定确定各组分的电阻率截止值,统计各深度高阻、中阻、低阻所占比例,即可求得各组分的含量。
依据电阻率截止值法计算的玛湖X井砾岩储层电成像岩石组分成果见图1。由图1可知,该段砾岩储层下部泥质含量70%~80%,砾石含量小于10%,而该段砾岩储层的中上部砾石含量40%~60%,泥质含量在20%左右,客观反映了储层各组分的分布及储层的非均质性。
依据电阻率与岩石组分的对应关系,统计电阻率的频率分布,得到电阻率的累计分布曲线,该累计曲线可以近似代表粒度概率累计曲线(本文将其称为伪粒度概率累计曲线)。利用该曲线可以对沉积环境、粒度进行分析评价。
以玛湖X井不同岩性的伪粒度概率累计曲线为例进行分析。图2为玛湖X井不同岩性的伪粒度概率累计曲线,最左边一道是电成像静态图,中间一道是伪粒度概率累计曲线,最右边一道是单深度点的伪粒度概率累计曲线。
从图2可以看出:1)砾岩储层的伪粒度概率累计曲线明显呈3段,滚动总体占有较大比例,表明沉积水动力较强、粒度较大,同时该段跳跃总体和悬浮总体也占有一定比例,说明岩石成分上不仅有颗粒较大的砾石,还有部分以跳跃形式搬运的砂以及悬浮方式搬运的泥质;2)砂岩段以跳跃总体为主,还有少部分的滚动总体,几乎没有悬浮总体,表明该段水动力中等,有少量的大颗粒沉积物,沉积物主要以跳跃形式搬运;3)泥岩段伪粒度概率累计曲线为单段式,说明水动力较弱,岩石成分也只有以悬浮方式搬运的泥质。
2. 储层非均质性评价方法
利用电成像资料评价储层非均质性的方法有定性和定量2种。定性评价方法是通过图像获得储层的岩石结构、构造、砾石含量、磨圆程度、分选程度、是否有泥质条带、钙质夹层等特征;定量评价方法是随着电成像处理技术的发展而产生的,包括电成像电阻率谱计算分选系数、孔隙度谱计算孔隙结构及薄层表征等方法。
2.1 分选系数表征方法
统计电成像图像上电阻率的频率分布,得到电阻率频谱,利用该频谱可以得到碎屑岩的结构参数。图像的分选性与岩石颗粒的分选性相似,所以可用电阻率分布的分位数计算分选系数,公式为:
Sort=P70+P30P50 (1) 式中:Sort为分选系数;P70为以直方图形式统计的电导率分布的70%分位数;P50为以直方图形式统计的电导率分布的50%分位数;P30为以直方图形式统计的电导率分布的30%分位数。
对于电阻率谱,谱的发散及收敛程度代表该深度点电阻率的分布特征,表现为岩石的分选性和非均质程度,而分选系数是一个评价分选程度的定量指标。电阻率谱收敛,表明电阻率分布集中,储层岩性分选系数小、分选好;电阻率谱发散,表明电阻率分布分散,储层岩性分选系数大、分选差。
图3所示为玛湖X井的一套反粒序的砾岩储层。由图3可看出,上部砾岩粒度最大,电阻率谱发散,分选系数大,反映砾岩储层的分选性较差,非均质性较强;下部随着粒度减小,电阻率频谱逐渐收敛,分选系数逐渐减小,分选程度变好,非均质性变弱。由此可知,利用电阻率谱和分选系数评价储层的非均质性,评价结果符合地质规律。
2.2 孔隙结构表征方法
孔隙度是储层评价中的一个重要参数,通过电成像测井资料计算孔隙度谱是评价储层孔隙度和孔隙结构的一种方法[11]。该方法的基本原理是:1)利用阿尔奇公式,建立孔隙度和电阻率的关系;2)对电成像采集的电导率进行刻度,将其转换为电阻率;3)通过阿尔奇公式将电阻率转化为孔隙度,在给定长度的窗口内,统计孔隙度频率,生成频率分布曲线(视孔隙度谱),将孔隙度分成不同的孔隙度区间,得到孔隙结构的分布。
某位置孔隙度谱的均值不能反映该深度点的绝对孔隙度,只能反映该深度点由电阻率求得的孔隙度平均值。孔隙度谱的发散及收敛形态,反映的是该深度点孔隙度的分布特征,即孔隙度谱越收敛,表明该点的孔隙结构越简单,反映在电成像孔隙结构上表现为该点都是大孔隙或者都是小孔隙,均质性相对好;孔隙度谱越发散,表明该点既有大孔隙也有小孔隙,非均质性强。
图4所示为用电成像测井资料计算的玛湖X井砾岩储层的孔隙度谱和孔隙结构。
从图4可以看出:电成像测井计算的孔隙结构与核磁共振测井计算的具有很高的一致性;中部孔隙度谱均值较顶部和底部大,说明中部平均孔隙度较大,且中部孔隙度谱发散,非均质性更强;孔隙结构反映出该砾岩储层段中部大孔隙占比较顶底更大。
2.3 薄层表征方法
对于厚层非均质性较强的致密砾岩储层,其有效储层往往呈薄层状分布。根据油气成藏理论,油气总是优先运移到物性好的储层,物性好的薄层会优先俘获油气。但是,受围岩效应及常规电阻率仪器纵向分辨率的影响,常规电阻率曲线在这些薄层上并没有表现出较高的电阻,用阿尔奇公式难以准确判断其含油性。因此,基于电成像测井资料分辨率高的优势,根据电阻率分布的分位数提取高分辨率电阻率曲线:1)对电成像数据进行深电阻率刻度,根据需要采用分段线性刻度或按深度逐点刻度;2)对电成像数据做直方图进行频率统计,求分位数平均值,从而提取高分辨率电阻率,用于评价薄层。
图5为玛湖X井高分辨率电阻率识别关键薄层的实例。由图5可知:在有效孔隙度较大的层段,常规深侧向电阻率曲线平滑,不能反映储层的非均质性,储层含油测井响应特征不明显,在实际测井解释过程中不容易快速识别油层;而高分辨率电阻率可明显反映这种储层电阻率的变化,在物性好的薄层表现为高电阻,具有明显的油气测井响应特征,可以快速识别油层;经试油验证,该段为油层。因此,该方法可用于非均质性强的厚层砾岩储层评价,效果非常显著,评价关键薄层尤为重要。
3. 储集性能评价
砾岩储层的储集性能,主要受控于泥质和砾石的含量、储层的分选程度、孔隙度以及裂缝的发育程度。基于玛湖凹陷砾岩储层储集性能的主控因素,岩性组分反映的是砾岩储层中砾石与泥质的含量,砾石含量高,抗压实性强,颗粒支撑保存了粒间孔隙,而泥质含量高则会大量占据粒间孔,使物性变差;分选系数对砾岩储层的渗透性起决定作用,分选性越好,储层的渗透性越好,分选性越差,则储层的渗透性越差;裂缝的发育程度对储层产能的影响至关重要。基于上述认识,通过岩性组分因子、电成像测井孔隙度、非均质性因子、裂缝因子等参数,构建了电成像评价储集性能的储能指数(储能指数越大,储集性能越好;储能指数越小,储集性能越差),其表达式为:
R=LithPorHetFra (2) 式中:R为储能指数;
Lith 为岩性组分因子,是砾石与泥质含量的比值;Por 为电成像测井孔隙度;Het 为非均质性因子,是分选系数的倒数;Fra 为裂缝因子,是以自然常数为底、裂缝孔隙度为幂的指数函数。4. 储层流体性质判别
目前,采用电成像识别油层的主要方法是视地层水电阻率谱及其方差[20]。该方法应用阿尔奇公式将电阻率曲线转化为视地层水电阻率曲线,在给定长度的窗口内,对视地层水电阻率做直方图进行频率统计,生成频率分布曲线(视地层水电阻率谱),同时计算其方差。如果流体性质为油气,则计算的视地层水电阻率谱较大,且分布较宽,方差大;如果储层流体性质为水,则计算的视地层水电阻率谱非常小,且分布较窄,方差小。这是利用视地层水电阻率谱方法判断流体性质的物理基础。对于低孔低渗砾岩储层,钻井液侵入浅或无侵入,用视地层水电阻率谱就可以识别油层。利用阿尔奇公式将电成像的电阻率转化为视地层水电阻率,计算视地层水电阻率谱的均值,计算公式为:
¯Rwa=n∑i=1RwaiPRwain∑i=1PRwai (3) 式中:
¯Rwa 为视地层水电阻率的均值,Ω·m;Rwai 为视地层水电阻率,Ω·m;PRwai 为相应的视地层水电阻率频数。视地层水电阻率谱方差的计算公式为:
σ=n∑i=1PRwai(Rwai−¯Rwa)2n∑i=1PRwai (4) 式中:σ为视地层水电阻率谱的方差。
从油气运移规律的角度分析,储层流体性质与储层的储集性能密切相关。油气总是优先充注到储集性能好的储集空间,当储层的孔隙结构好、均质性好、裂缝发育时,储层的储集性能好。储能指数越大越有利于油气充注成藏;反之,不利于油气充注成藏。基于这一认识,提出了利用视地层水电阻率方差与储能指数识别储层流体性质的方法。采用该方法识别了玛湖凹陷砾岩储层流体的性质,划分了油层、含油层以及水层,并建立了划分标准:油层,储能指数大于11.5且视地层水电阻率方差大于5;含油层,储能指数小于11.5且视地层水电阻率方差大于5;水层,视地层水电阻率方差小于5。玛湖凹陷砾岩油藏储能指数–视地层水电阻率方差的交会图如图6(图6中,蓝线为油层、含油层以及水层的分界线)所示。
5. 结 论
1)针对砾岩储层非均质性强的问题,基于电成像测井的孔隙度谱及电阻率谱计算方法,在定性分析的基础上提出了量化参数指标,形成了分选系数、孔隙结构及薄层的表征方法,实现了电成像对砾岩储层非均质性的定量表征技术。
2)砾岩储层的储集性能主要受控于泥质和砾石的含量、储层的分选程度、孔隙度以及裂缝的发育程度,提出利用岩性组分、电成像孔隙度、非均质性、裂缝因子等参数评价砾岩储层储集性能的储能指数,形成了电成像对砾岩储层储集性能的定量表征技术。
3)通过优化视地层水电阻率谱特征参数,选取方差与储能指数交会,准确、直观地划分砾岩储层中不同流体性质的界限,形成了适用于研究区的流体判别图版,拓展了电成像测井在砾岩储层流体性质判别的应用范围,解决了识别砾岩油藏有效储层、油层、含油层与水层的难题。
-
-
[1] 袁阳,侯国强,马涛涛,等. 一种基于测井电成像图像的砂砾岩岩性自动识别方法[J]. 测控技术,2021,40(7):30–35. YUAN Yang, HOU Guoqiang, MA Taotao, et al. An automatic lithology recognition method of sand conglomerate based on electric imaging logging[J]. Measurement & Control Technology, 2021, 40(7): 30–35.
[2] 蔺建华,何雪莹,董丽新. 致密砂砾岩储层岩性识别技术应用[J]. 石油管材与仪器,2021,7(4):80–83. LIN Jianhua, HE Xueying, DONG Lixin. The application of the complex lithology identification technology on tight glutenite formation[J]. Petroleum Tubular Goods & Instruments, 2021, 7(4): 80–83.
[3] 罗兴平,庞旭,苏东旭,等. 电成像测井在复杂砂砾岩储集层岩性识别中的应用:以准噶尔盆地玛湖凹陷西斜坡百口泉组为例[J]. 新疆石油地质,2018,39(3):345–351. LUO Xingping, PANG Xu, SU Dongxu, et al. Recognition of complicated sandy conglomerate reservoir based on micro-resistivity imaging logging: a case study of Baikouquan Formation in western slope of Mahu Sag, Junggar Basin[J]. Xinjiang Petroleum Geology, 2018, 39(3): 345–351.
[4] 李茂兵. 电成像测井自动识别和定量评价研究[D]. 青岛: 中国石油大学(华东), 2010. LI Maobing. Automatic recognition and quantitative evaluation study on electric image logging[D]. Qingdao: China University of Petroleum(East China), 2010.
[5] 张涛. BP神经网络在测井解释中的应用研究[D]. 西安: 西北大学, 2010. ZHANG Tao. Application of BP neural network in logging interpretation[D]. Xi’an: Northwest University, 2010.
[6] 孙健,周魁,冉小丰,等. Bayes判别分析方法在岩性识别中的应用[J]. 石油天然气学报,2009,31(2):74–77. doi: 10.3969/j.issn.1000-9752.2009.02.017 SUN Jian, ZHOU Kui, RAN Xiaofeng, et al. Bayes discriminant analysis method in lithology recognition[J]. Journal of Oil and Gas Technology, 2009, 31(2): 74–77. doi: 10.3969/j.issn.1000-9752.2009.02.017
[7] 寻知锋,余继峰. 聚类和判别分析在测井岩性识别中的应用[J]. 山东科技大学学报(自然科学版),2008,27(5):10–13. XUN Zhifeng, YU Jifeng. The application of cluster and discriminant analyses in logging lithology recognition[J]. Journal of Shandong University of Science and Technology (Natural Science), 2008, 27(5): 10–13.
[8] 张治国. 人工神经网络及其在地学中的应用研究[D]. 长春: 吉林大学, 2006. ZHANG Zhiguo. Study on artificial neural networks and their applications in geoscience[D]. Changchun: Jilin University, 2006.
[9] 李灿元. 成像测井的图像自适应识别方法[D]. 哈尔滨: 哈尔滨工业大学, 2003. LI Canyuan. An adaptive image recognition method for imaging logging[D]. Harbin: Harbin Institute of Technology, 2003.
[10] 庄东志,周凤鸣,司兆伟,等. 南堡5号构造深层火山岩岩性测井识别技术[J]. 断块油气田,2011,18(6):743–745. ZHUANG Dongzhi, ZHOU Fengming, SI Zhaowei, et al. Logging identification of deep volcanic lithology in No.5 structure of Nanpu Sag [J]. Fault-Block Oil & Gas Field, 2011, 18(6): 743–745.
[11] 周云才, 刘瑞林. 图像识别方法在FMI图像处理中的应用[J]. 江汉石油学院学报, 2003, 25(增刊1): 50–51. ZHOU Yuncai, LIU Ruilin. Application of image recognition for FMI image processing[J]. Journal of Jianghan Petroleum Institute, 2003, 25(supplement 1): 50–51.
[12] 周萍. 王府断陷火石岭组火山岩岩性及岩相识别[J]. 断块油气田,2020,27(2):188–192. ZHOU Ping. Identification of volcanics reservoir lithology and lithofacies in Huoshiling Formation of Wangfu Fault Depression [J]. Fault-Block Oil & Gas Field, 2020, 27(2): 188–192.
[13] AKBAR M, CHAKRAVORTY S, RUSSELL S D, et al. Unconventional approach to resolving primary and secondary porosity in gulf carbonates from conventional logs and borehole images[R]. SPE 87297, 2000.
[14] 刘丹,潘保芝,房春慧,等. 利用成像测井评价储层孔隙空间的二维非均质性[J]. 世界地质,2014,33(3):640–646. doi: 10.3969/j.issn.1004-5589.2014.03.015 LIU Dan, PAN Baozhi, FANG Chunhui, et al. Evaluation of 2D heterogeneity of reservoir’s pore space based on imaging logging[J]. Global Geology, 2014, 33(3): 640–646. doi: 10.3969/j.issn.1004-5589.2014.03.015
[15] 侯振学,于雪娴,李东旭,等. 电成像测井处理新技术在储层评价方面的应用[J]. 地球物理学进展,2020,35(2):573–578. doi: 10.6038/pg2020DD0047 HOU Zhenxue, YU Xuexian, LI Dongxu, et al. Application of new processing technology of electrical imaging logging in reservoir evaluation[J]. Progress in Geophysics, 2020, 35(2): 573–578. doi: 10.6038/pg2020DD0047
[16] 梁劳劳. 致密砂岩储层裂缝最优识别方法及软件开发[D]. 成都: 成都理工大学, 2012. LIANG Laolao. Optimal identification method and software development of cracks in tight sandstone reservoir[D]. Chengdu: Chengdu University of Technology, 2012.
[17] 赫志兵. 辽河坳陷兴马潜山储层测井解释方法研究[D]. 北京: 中国地质大学(北京), 2012. HE Zhibing. Logging interpretation method of Xing-Ma buried hill reservoir in Liaohe Depression[D]. Beijing: China University of Geosciences(Beijing), 2012.
[18] 吴斌,唐洪,王素荣,等. 利用蚁群算法识别及预测碳酸盐岩裂缝的方法探讨[J]. 重庆大学学报(自然科学版),2012,35(9):131–138. WU Bin, TANG Hong, WANG Surong, et al. Recognition and prediction colony algorithm analysis of fracture by using ant in carbonate reservoir[J]. Journal of Chongqing University(Natural Science Edition), 2012, 35(9): 131–138.
[19] 石广仁. 支持向量机在裂缝预测及含气性评价应用中的优越性[J]. 石油勘探与开发,2008,35(5):588–594. doi: 10.3321/j.issn:1000-0747.2008.05.010 SHI Guangren. Superiorities of support vector machine in fracture prediction and gassiness evaluation[J]. Petroleum Exploration and Development, 2008, 35(5): 588–594. doi: 10.3321/j.issn:1000-0747.2008.05.010
[20] 刘伟,张晋言,张文姣,等. 基于电成像测井资料的砂砾岩储层有效性分类评价方法[J]. 石油钻探技术,2016,44(4):114–119. LIU Wei, ZHANG Jinyan, ZHANG Wenjiao, et al. An evaluation method for glutenite reservoir effectiveness classification based on electrical imaging logging data[J]. Petroleum Drilling Techniques, 2016, 44(4): 114–119.
[21] LAI Jin, PANG Xiaojiao, XIAO Qiyao, et al. Prediction of reservoir quality in carbonates via porosity spectrum from image logs[J]. Journal of Petroleum Science and Engineering, 2019, 173: 197–208. doi: 10.1016/j.petrol.2018.10.022
[22] 李宁,肖承文,伍丽红,等. 复杂碳酸盐岩储层测井评价:中国的创新与发展[J]. 测井技术,2014,38(1):1–10. LI Ning, XIAO Chengwen, WU Lihong, et al. The innovation and development of log evaluation for complex carbonate reservoir in China[J]. Well Logging Technology, 2014, 38(1): 1–10.
-
期刊类型引用(4)
1. 刘华治,孙长健,寇国军. 硬硅钙石晶须对高温下油井水泥强度的影响. 合成化学. 2024(04): 352-359+368 . 百度学术
2. 杨燕,李路宽,朱宽亮,冯福平,刘圣源,韩旭. 稠油热采硅酸盐水泥抗高温技术研究进展. 科学技术与工程. 2022(01): 39-49 . 百度学术
3. 邹双,冯明慧,张天意,邹建龙,曾建国,赵宝辉. 多尺度纤维韧性水泥浆体系研究与应用. 石油钻探技术. 2020(06): 40-46 . 本站查看
4. 张弛,陈小旭,李长坤,王瑜,于永金,丁志伟. 抗高温硅酸盐水泥浆体系研究. 钻井液与完井液. 2017(05): 62-66 . 百度学术
其他类型引用(5)