伊朗碳酸盐岩油田的储层相模式特征

伊朗碳酸盐岩油田的储层相模式特征摘要：构建相模式是所有随机几何建模中最重要的决定性步骤之一，他可以被用来任何特性模拟的条件参数，从而进一步得到更为可靠的储层表征描述。通过对六口井的伊拉克天然气储层组成的剖面的研究确定了该储层的3D相模式。结合这些井中的一口井的详细的岩心资料和薄层剖面描述资料，第一次得到十五个储层的相模式。由于岩心和测井数据分辨率的重要差异，这些相模式被归纳为关于交代过程和岩石物理相特性（渗透率和孔隙度）四种主要类型。影响岩石物理特性分布的岩相规格通常作为传统仿真模拟过程中所考虑的唯一依据。本文中，对储层特性差异（尤其是渗透率和孔隙度）有主要影响作用的成岩作用在储层相分类中被考虑进来。利用可用的测井资料和以及在神经网络的帮助下进行聚类分析后，剩余五口井的相态分布情况也就可以限定了。利用SIS方法，并参考之前通过层序地层学生成的储层分层数据，在储层特征表中生成3D相模式分布特征，同时得到次生波阻抗地震学特性数据。这种特性可以通过基于应用于地震立方体的反转方法的模型得到。既然成岩作用是这种碳酸盐储层岩石参数的主要影响因素，这种影响因素被认为是储层相分析过程中最重要的参数。最终模型很好的表征每一个预期层序旋回特性，如：成岩作用和岩相。前言：发展精确储层地质模型是国际石油公司的主要目的。某种条件下的特定储层模型可以用来量化地下的油气，可以用来优化油气生产过程，可以用来调整油田开发方案。利用地质统计学方法讨论不同储层特性的空间分布，两个最重要方面是每个地区的储层成带性和相带分布规律。在油藏建模中时常用到的岩相是非常重要的，因为岩石的物理特性与相类型紧密相关。岩相的经验可以限定孔隙度和渗透率的变化范围。而且，即使渗透率和孔隙度不取决于相模式，饱和度的功能却取决于它。所以，储层相模式（RF）被看作是地质建模的基石。一旦确定了分类体系，相模式就可以用累计岩心、测井以及可能的地震数据来进行表征，并在大量的相类型研究中应用。可能的应用如下：3D模型：通过利用地质网格或随机模型，相模式可以应用到3D油藏描述。无论是基于网格或基于对象，随机地质模型在所有步骤中都取决于相模式分布情况。倍增模型：相模式分类为倍增操作提供了一个稳定的启动格架。在地质学到基于网格模拟模型过程中，相模式的概念实际上可能有助于减少该步骤的平滑效果，因为地质几何学仿真网格可以建立在小比例尺3D相模式分布之上。在单个的模拟层内的相模式分布亲源关系越相近，岩石物理特性额外添加的倍增过程就越能得到保护。这些还能保证地质学和岩石物理学特性在较高水平上得到最好的保护。这一过程中可以应用垂向分布曲线工具。近几年来，随着地质网格3D模型和随机模拟的出现，相模式作为油藏描述过程基础部分的角色在一步步加强。现在，建立一个详尽的相模式3D结构的可能性就要考虑到一个现实的现象就是油田的岩石的复杂性，以及更为可靠的储层剖面的岩石物理特性分布估计。对伊朗碳酸盐岩油田的进一步研究，极大地表现出受各种不同的成岩作用过程的影响，为了更好的理解该油田的情况其中最重要的部分在附录A中列出并加以描述。储层相模式的确定在对该油田的研究中有6口垂直井，其中一口井有详细的岩心描述，6口井有完善的测井数据。此外，还有3D地震数据和与之相匹配的三次反演资料。储层相模式来源于岩心资料分析和小层剖面描述。15种不同类型的储层相模式可以在这些井的岩心剖面上看到（对这些储层相模式和特性的详细表述在附录B中列出）(Varavur，S.etall，2004)。这15种出储层相模式依据相似的特性可以很容易的区分为4个主要的群组：极好、好、一般和差。这样分类的基础来源于不同岩相间发挥作用的成岩作用过程的相似性，还有孔隙度和渗透率范围的相似性(Tucker，2007)。这种分类对于用仅有的可用的测井数据得到的人工神经网络(ANN)拟合的最终结果同样有用。（如表1和图1所示）监督神经网络选取七种测井曲线作为分析的输入数据：CALI,GR,DT,NPHI,RXOZ,HLLD和PEFZ。通过数据集可以进行相关分析（如表2所示）。其中的系数显示了输入的每两个变量之间的相关关系。相关系数接近于1的参数表明数据可能有相同的来源。如果是这种情况，那么其中的一个参数就要被剔除(Qi,L.,andCarr,R,2005)。主成分分析（PCA）可以用来在井的测井数据中找出主要成分。表3中所示，特征值给出了主要成分（PC）的相对重要程度。这些特征值得和应该等于这些主要成分的加权平均数。主要成分可以分列如下：主要成分1：特征值最大；主要成分2：特征值次之；等。多数情况下，人工神经网络分析只需要3-4种主要成分。对于各成分的特征值，下一步分析只选取四种最大的接近变量相对于整体数据集80%的主要成分。第一个成分（因素）表现出与RHOZ而不是NPHI很强的相关性。第二个成分，PC2，表现出与CALL的强相关性。第三个成分与PEFZ强相关。之后，就可以运用监督神经网络方法在四种储层相模式中挑选主要成分。图2指出了利用井的完整的岩心描述得到的实际相模式和产生的监督神经网络方法的连续估计结果的不同。虽然详细的人工神经网络所得的结果和实际的岩心分析相模式分布可能似乎并不完全相同，但他们的趋势是相似的。值得注意的是，我们认为每一层的平均厚度是4m。如图2所示，在每一层的岩心分析结果与人工神经网络输出结果之间有一个的合理的相似性。垂向上很短距离内的高密度的不同储层相模式导致四种限定的颜色之外又出现了新的黑色。图3也证明了通过油田现有6口井得到的神经网络储层相模式分布最终输出结果。蓝色、粉色、褐色和灰色在所有没有图例的图中分别代表储层相很好、好、一般和差。3D相模式构造模型建立构造模型的步骤如下：合成地震记录，井集，地震选取，表层建造，柱状图网格化（目前无断裂），时深转换，每一区域的层序地层学和成层的储层分带，同时考虑井中垂向的储层相模式变异图。如图4所示为3D构造模型的统计结果。变异图虽然该油田井的岩石物性数据有限，声阻抗（AI）作为储层相模式可靠地资料，可以用来确定非均质各向异性。使用声阻抗变异图作为岩石物理特征非均质性判别标准是由于储层相模式特征和岩石密度与岩石内部声波速度之积有很强的相互关系。(Latimer,R.B.etall,2000)声波阻抗二次取样确定储层横梁过程的目的就是要建立一个能很好反应储层内部不同方向上非均质性分布的变异图。为了达到这个目的，所有的必要的参数，如研究距离、延迟加权平均数，都要小心的选择。选择研究距离的标准就是储层的区域，该区域有45*11km。作为典型实例，图4所示的为该区最好的变异图。值得注意的是：其他地区结果与所有定向井的结果有或多或少的相似，都有相同的主要和次要非均质性方向和不同的范围。最小的非均质性方向的方位角为135°，最大的非均质性方向的方位角为45°。层序指示模拟储层相模拟包括不同的方法手段：物质基础方法、确定性分析方法，如克里格法、层序指示模拟方法，等。如果没有特定的对象，如储层的有效通道，那么对这种情形下，模拟对象就一定不是一个适当的方法。确定性分析方法对储层相模式只能有一种认识，也不是一个好的选择，原因是缺少模拟数据。因此，在这里我们选用层序指示模拟方法(Clayton,V.Deutsch,2006)。用SIS方法需要每一区域和所有相模式类型的变异模型。此外，结合声阻抗信息的储层相模式概率分布是必要的。假使我们要研究声阻抗，在SIS分析前，需要对不同区带不同层位垂向相模式分布数据等参数，作为辅助数据的厚度分布直方图，垂直剖面上的不同相模式分布的概率和变异状况等进行分析。该分析必须对每一储层区带的每一种相模式类型都要进行。附录C中列举出相模式数据分析过程，该过程呈现的是八个区带中的两个区带的相模式。结论如前所述，我们的模型由8个区带及其内的69个层位组成。得到的储层相模式模型能够反映每一个区带的输入的相模式统计分布。此外，每一区带的相模式类型百分比与层序旋回中沉积环境和成岩作用的预计相一致。如图5和图7所示3个区带中3个不同层位的典型储层相模式分布特征。在碳酸盐岩储层中，一条基本的观点是影响储层特性的成岩作用过程和特征能够促进储层静态几何模型服从预先定义的储层特征和性质。区域勘探后认为可行的井位选择好的话，就可以得到更为可靠的模型。参考文献1Al-Khalifa,M.A.:“AdvancesinGeneratingandRankingIntegratedGeologicalModelsforFluvialReservoir”SPE86999,SaudiAramco,ASP,theUniversityofAdleaide,March2004.2Al-Khalifa,M.A.:“DataIntegrationin3DGeostatiticalPorosityModelingofHanifaReservoirinBerriField,SaudiArabia”,AdissertationforMasterofScienceinGeology,KingFahadUniversityofPetroleumandMinerals,May2001.3Alpana,M.:“ReservoirPropertiesfromWelllogsUsingNeuralNetwork”,AdissertationforthedegreeofDoktorIngenioratthedepartmentofPetroleumEngineeringandAppliedGeophysics,NorwegianUniversityofScienceandTechnology,November2002.4Asgari,A.A.andSobhiG.A.:“Afullyintegratedapproachforthedevelopmentofrocktypecharacterization,inamiddleeastgiantcarbonatereservoir”,JournalofGeophysicsandEngineering3,2006.5Choapra,A.,andYao,T.:“Integrationofseismicattributemapinto3Dfaciesmodeling”,Elsevier,JournalofPetroleumScienceandEngineering,March2000.6Clayton,V.Deutsch.:“Asequentialindicatorsimulationprogramforcategoricalvariableswithpointandblockdata:blockSIS”,Elsevier,ComputersandGeosciences,March2006.7Davis,J.C.:“StatisticsandDataAnalysisinGeology”,JOHNWILRY&SONS,20028Francis,A.,andSyed,H.:“ApplicationofRelativeAcousticImpedanceInversiontoConstrainExtentofEandReservoironKadanwariField”,PresentedatSPE&PAPGAnnualTechnicalConference,7-8November2001.9Hohn,M.E.:“GeostatisticsandPetroleumGeology”,SecondEdition,KluwerAcademicPublication,1999.10Latimer,R.B.,Davison,R.andVanRiel,P.:“Anintroductionguidetounderstandingandworkingwithseismicderivedacousticimpedancedata”,Theleadingedge,March2000.11Qi,L.,andCarr,R.:“Neuralnetworkp