基于BP神经网络技术的储层流动单元研究

黄珏油田方4阜一段储层属低孔隙度、低渗透率储层,储层特性较为复杂,在进行储层参数的求取时存在较大误差.结合取心物性资料、测井资料,选用流动带指数IFZ划分方法将取心井储层流动单元划分成Ⅰ、Ⅱ、Ⅲ类,并建立流动单元的识别和划分标准.在此基础上,利用BP神经网络技术对取心井储层流动单元进行学习训练,与测井曲线建立其相关的学习和预测模型,对非取心段储层流动单元进行预测,明显提高了测井解释精度,为储层精细评价提供一种较有效的研究方法.     

储层流动单元划分方法与应用

储层流动单元划分是进行已开发油田剩余油分布研究的重要方法。由于我国东部某油田某区块受沉积环境、成岩作用和构造因素的综合影响,储层非均质性强,井间和层间矛盾突出,综合含水差异较大,流动层带复杂等问题,在储层流动单元划分中应从多方面考虑。通过主因子分析从能够反映沉积环境、成岩作用、构造因素、岩石微观孔隙结构和储层物性等18个参数中优选出符合研究区实际的地层流动带指数、砂地比、渗透率、孔隙度、渗透率突进系数、渗透率均值系数和隔夹层分布密度等7个参数,作为流动单元划分依据,建立判识函数。将研究区流动单元划分为3类,并指出Ⅱ类流动单元分布区具有较好的剩余油开发潜力,划分的结果与沉积微相展布及实际开发状况吻合较好。     

储层流动单元划分方法评价及优选

开展储层流动单元研究对于定量刻画储层非均质性、提高测井解释精度及认识剩余油分布具有重要意义,但其识别方法较多,且适用性存在差异。以珠江口盆地W油田为例,对比了4种不同的流动单元定量划分方法,并探索了其适用性。研究认为:修改的地层Lorenz图法和流动分层指标法均基于孔渗比值关系,难以识别致密层;孔喉几何形状法虽能识别致密层,但对质量较好的储层区分作用不明显,而对质量较差的储层划分又过细;非均质综合指数法同时考虑了控制储层平面非均质性的定性参数和表征流体渗流特征的定量参数,将致密层单独划分为一类流动单元,有效区别于其他油水层,划分结果避免了异常点或过渡类型的影响,能够全面、合理地反映储层非均质性。     

基于小波变换的高分辨率层序地层单元划分方法探讨

通过小波变换方法将测井曲线的一维信号拓展到二维的时频域中,可在不同尺度的范围内表现出不同的界面特征,从而揭示地层内部的旋回性结构。对惠民凹陷某井的试验表明,通过寻找小波变换的最佳尺度因子可探测到不同级别的层序地层单元界面。利用选取的Morlet小波基函数对自然伽马曲线进行的小波变换识别了该井的6个准层序组界面,这与传统方法的划分界面基本一致。     

基于流动单元划分的砂砾岩储层渗透率校正方法

砂砾岩储层中,砾、砂、泥组分含量变化快,孔隙喉道结构复杂,渗透率计算误差较大。为了提高该类储层的渗透率计算精度,在渗透率主控因素分析的基础上,明确孔隙结构和黏土含量是准噶尔盆地滴南凸起乌尔禾组渗透率的重要影响因素。基于流动单元划分,分类建立渗透率计算模型,消除孔隙结构对渗透率的影响;根据流体渗流理论和岩石毛细管物理模型,推导得到考虑孔隙中黏土含量影响的渗透率模型,并进一步采取测井曲线组合法建立孔隙中黏土含量计算模型,从而得到黏土含量校正后的最终渗透率模型。结果表明,综合流动单元划分及黏土含量校正的渗透率模型计算精度更高,相对误差更小,与实验数据吻合度更高。该模型能有效提高砂砾岩储层渗透率的计算精度。     

基于流动单元指数的渗透率预测方法

综合分析了复杂储层渗透率的影响因素,从流动单元的基本内涵和地质意义入手,借助流动单元指数对储层进行分类,并结合传统的渗透率模型,建立了基于流动单元指数分类的渗透率模型,研究区的实际资料处理结果表明该方法有效地提高了非均质储层渗透率预测精度,满足了精细油藏描述的要求.     

低渗储层微观孔喉半径划分流动单元方法

针对常规低渗透储层孔喉半径研究过程复杂的问题,以毛管导电通道模型为基础,引入视导电通道截面积,得到了忽略岩石和油的导电性后的孔喉半径计算方法,利用测井资料中部分参数,即可计算出孔喉半径。实例计算表明：该方法得到的孔喉半径和压汞法测得结果吻合度为0.70,从地质统计角度分析具有较高的精度。依据孔喉半径将流动单元分为4类,根据研究区流动单元与产能之间的关系,针对目标油藏实际情况,制订针对性的开发方式。该研究对同类型储层开发具有指导性意义。     

低孔渗储层流动单元的划分方法与评价

XX凹陷N地区为低孔低渗储层,开发难度大,为合理高效开发,此文结合岩心物性分析、岩心压汞分析、试气分析和测井分析等资料,利用FZI值将研究区储层划分为三类;对各类流动单元的毛管压力曲线特征、物性特征、孔隙结构参数以及渗流性能参数进行研究,分类后的三类储层对应毛管压力曲线特征(孔隙结构特征)和渗透性差异明显,且每一类储层孔隙结构、渗透性等特征基本一致;利用实际井资料对比与验证,说明利用FZI值划分储层类型,区分效果明显,验证了FZI值划分储层类型的合理性。利用FZI值划分低孔低渗储层类型,对于调整注采井网、提高采收率等具有重要意义。     

基于核磁共振刻度流动单元复杂砂岩储层渗透率建模方法

针对复杂砂岩储层基于流动单元指数的渗透率建模时存在流动单元指数计算精度低且物理意义不明确的问题,提出基于核磁共振刻度流动单元的渗透率建模方法。在深入分析渗透率影响因素的基础上,应用流动单元指数对储层类型进行分类,建立碳酸盐岩级别约束的不同流动单元类型的渗透率计算模型。将SDR模型和Kozeny-Carman等方程相结合,建立流动单元指数与T2几何平均值的关系,实现了流动单元指数的准确计算。该方法综合考虑了骨架矿物与孔隙结构的双重影响,将核磁共振测井和常规测井有机结合,具有常规多元拟合、SDR、Timur-Coates等方法无可比拟的优越性,极大地改善了渗透率计算效果。     

基于流动单元分类的致密砂岩储层渗透率预测

渗透率是衡量岩石允许流体通过的畅通程度的参数,是反映储层渗流特性进行储层评价的关键参数之一.鄂尔多斯盆地中南部地区长6致密砂岩储层由于受沉积环境、成岩作用和构造因素的综合影响,孔隙结构复杂、非均质性强.岩心孔渗实验数据中,相同孔隙度数值的岩心渗透率数值相差1至2个数量级,利用常规解释方法进行渗透率解释精度较低,不能满足...     

支持向量机方法识别储集层流体性质

在储集层流体识别中首次引入了支持向量机(SVM)方法,对测井得到的各种测量参数和综合解释参数与油、气、水等流体之间的复杂关系进行研究,借助于支持向量机方法,建立了测井参数识别油、气、水等储集层流体的识别模型。实际应用效果表明,支持向量机方法识别储集层流体类型是一种比较切实可行的方法,提高了测井解释油气水的精度,为储集层流体识别提供了一种简单可靠、识别精度高的新方法。     

Flow Zone Indicator Estimation Based on Petrophysical Studies Using an Artificial Neural Network in a Southern Iran Reservoir

Porosity is a volumetric parameter whereas permeability is a measure of a rock's flow properties and depends on pore distribution and connectivity. Thus zonation of a reservoir using flow zone indicator (FZI) can be used to evaluate reservoir quality based on porosity-permeability relationships. The objective of this study was to develop an accurate reservoir FZI with the aid of artificial neural network (ANN) utilizing available geophysical well log data and dipole sonic imager (DSI) derived body wave velocities. The efficiency of utilizing shear wave and compressional wave velocities (V_p and V_s ) in improving estimation accuracy has been evaluated as well. It is the core data were used for ANN training that involves the calculations of Reservoir Quality Index, normalized porosity (? _z ), and FZI. Correlation between FZI calculated from core data and that obtained from well log data showed that ANN model were successful for estimation of FZI from conventional well log data. The compressional wave velocity was more effective than shear ones in delivering more accurate responses to estimate FZI. On the other hand, in association with other logs, utilizing compressional and shear wave velocities caused the responses to be closer to the reality and decrease the estimation error.     

支持向量机算法用于水淹层测井识别

支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。本文旨在尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。本文总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测并曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。     

基于储层分类的支持向量机渗透率预测

研究区孔隙度、渗透率分布范围广、非均质性强,在进行储层渗透率求取时存在较大误差。根据取心物性资料、测井资料,选用流动层带指标I_(FZ)划分方法将取心井储层划分Ⅰ、Ⅱ、Ⅲ、Ⅳ类,并建立每类储层的储层类型预测模型。根据与渗透率有关的测井属性变量,利用支持向量机技术对每类储层进行训练学习,分别建立各类储层的渗透率预测模型。对研究区取心井测试样本渗透率进行预测,与常规的统计方法以及分类前的支持向量机预测模型相比,分类后的模型预测精度有了明显提高,为研究区的储层评价提供了一种有效的研究途径。     

基于贝叶斯推论的致密储层水力单元预测表征技术

针对小壕兔-大16井区储层结构复杂、有利区预测困难的问题,运用贝叶斯挖掘算法,利用计算机辅助模拟手段,构建研究区精细水力单元模型,探明储层砂体发育规律。研究结果表明,基于贝叶斯推论的表征技术能高效识别储层水力单元类型,为气藏描述提供准确的地质信息;指数函数递增法在测井曲线划段过程中表现更加出色,R_t测井段间样点的聚簇规律归因于储层的高含水特性;3类水力单元具有较大的原始油气储量和潜力,亦是提高气藏采收率过程中亟待突破的对象。该研究成果对预测储层有利区具有重要参考价值。     

对储层流动单元研究的认识与建议

概述了国内、外储层流动单元研究的基本思路和方法可大体分为两种类型：第一种是以数学手段为主的储层参数分析方法,第二种是近年来刚刚形成的以地质研究为主的储层层次分析法,针对大庆油田的地质特点和研究现状,论证了储层流动单元定量描述的主要对象应是泛滥－分流平原相中的大,中型河道砂体,其次是三角洲前缘相部分面积较大又不够均一的主体席状砂或坝状砂。论证了单元划分基础,提出了以渗透率为主要描述渗数的适用性,这样可以避免造成大厚度低渗透层与小厚度高渗透层可能划为同一流动单元的错误。流动单元的三维地质建模工作 还需紧密结合检查井和密井网的动态资料,尤其是露头详细研究所建立的“原型模型”。     

应用最小二乘支持向量机识别J13井区杜家台油层岩性

J13井区杜家台油层的储层岩性以低孔低渗中砂岩、细砂岩和不等粒砂岩为主,常规交会图法难以识别,无法确保按岩性建立的测井评价模型的配套使用.为此,应用最小二乘支持向量机对储层岩性进行了识别.首先分析了最小二乘支持向量机的方法原理和实现流程;其次随机选取了J13井区部分层段的岩性和测井响应建立了学习样本集,采用网格搜索法确定了参数C和δ,自检结果表明识别正确率可达到94％;最后对J13井区储层岩性做了测井识别,与岩心分析资料进行对比,岩性识别正确率达到87.5％.研究表明,最小二乘支持向量机可满足J13井区岩性识别的需要.     

基于沉积微相-储集空间类型的储集层流动单元划分——以彭州气田雷口坡组碳酸盐岩储集层为例

沉积微相和储集空间类型分别从不同的角度反映了储集层的非均质性。四川盆地川西坳陷彭州气田中三叠统雷口坡组四段上亚段缝洞型碳酸盐岩储集层具有很强的非均质性,采用沉积微相-储集空间类型定性识别与流动层带指数定量划分相结合的方法,优选参数并利用聚类分析将彭州气田雷四上亚段缝洞型碳酸盐岩有效储集层划分为4类流动单元,不同类型流动单元与沉积微相、物性特征、储集空间类型具有很好的对应性。用典型岩心的压汞曲线对分类结果进行验证,揭示该方法对缝洞型碳酸盐岩储集层具有较好的分类效果。Ⅰ类和Ⅱ类流动单元具有相对优质的储渗条件和含气性,是彭州气田雷四上亚段缝洞型碳酸盐岩优质储集层评价的主要类型。     

最小二乘支持向量机在储层流体识别中的应用

在测井储层流体识别中引入基于统计学习理论的最小二乘支持向量机（LS-SVM）算法,它是在传统的支持向量机（SVM）基础之上加以改进的一种新算法。LS-SVM采用结构风险最小化原则代替了传统的经验风险最小化原则,保证了其具有全局最优性和较好的泛化能力,并且它将凸二次规划问题转变成了线性方程组的求解问题．使计算效率大大提高。介绍了LS-SVM方法的基本原理和多分类方法,通过该法利用少量的测井资料作为学习样本,准确地对油气水层进行了识别。将它与交会图判别法和BP神经网络方法的预测结果进行比较,表明用LS-SVM方法来进行储层流体识别是可行的,且具有一定的优越性。