基于孔隙结构和多相渗流能力的鄂尔多斯盆地致密砂岩储层品质分类方法研究

doi:10.11720/wtyht.2025.2425

基于孔隙结构和多相渗流能力的鄂尔多斯盆地致密砂岩储层品质分类方法研究

徐风^,¹, 司兆伟^,¹, 梁忠奎¹, 田超国¹, 罗兰¹, 郭宇航²

1.中国石油冀东油田公司勘探开发研究院,河北唐山 063000

2.吉林大学地球探测科学与技术学院,吉林长春 130026

A method for quality classification of tight sandstone reservoirs in the Ordos Basin based on pore structures and multiphase seepage capacity

XU Feng^,¹, SI Zhao-Wei^,¹, LIANG Zhong-Kui¹, TIAN Chao-Guo¹, LUO Lan¹, GUO Yu-Hang²

1. Exploration and Development Research Institute, Jidong Oilfield Company, PetroChina, Tangshan 063000, China

2. College of Geo-Exploration Science and Technology, Jilin University, Changchun 130026, China

通讯作者: 司兆伟(1974-),男,高级工程师,研究方向为测井解释。Email:74521545@qq.com

第一作者: 徐风(1980-),男,高级工程师,研究方向为测井解释。Email:45468542@qq.com

责任编辑: 王萌

收稿日期: 2023-10-13 修回日期: 2024-05-6

基金资助:

国家自然科学基金项目(42204122)

Received: 2023-10-13 Revised: 2024-05-6

摘要

随着社会经济和科技的进步,在日常生活和工业领域,人们对于油气资源的需求不断增长,致密砂岩储层一直是勘探开发的重点。然而,致密砂岩储层参数和品质评价等问题仍然存在许多难点。本文通过对鄂尔多斯盆地神木气田太原组地层的岩石样品进行物性、孔隙结构、电性等实验测试,建立了孔渗关系模型、毛管压力预测模型和分类饱和度评价模型。此外,还基于I-Kr模型在井中获得了逐点变化的气水两相相对渗透率。提出了储层品质评价因子,综合考虑物性、孔隙结构和多相渗流能力,对目标研究区井段进行实际处理获得了较好的效果,该方法为致密砂岩储层品质测井评价提供了可靠的依据。

关键词： 致密砂岩; 毛管压力曲线; 储层品质; 相对渗透率

Abstract

With the advancement of social economy and science and technology, the demand for oil and gas resources has been increasing in daily life and industry. Tight sandstone reservoirs have been the priority targets for the exploration and production of oil and gas resources. However, there still exist many challenges in assessing the parameters and quality of tight sandstone reservoirs. This study conducted experiments on the physical properties, pore structures, and electrical properties of rock samples from the Taiyuan Formation in the Shenmu gas field of the Ordos Basin. Based on this, it established a porosity-permeability relationship model, a capillary pressure prediction model, and a classification saturation assessment model. Besides, it obtained the relative permeability of gas and water phases, which varied point by point, from wells based on the I-Kr model. This study proposed the factors for assessing reservoir quality, which were applied to the target interval in the study area considering the physical properties, pore structures, and multiphase seepage capacity, yielding satisfactory assessment results. Therefore, the method of this study provides a reliable basis for the log-based assessment of the quality of tight sandstone reservoirs.

Keywords： tight sandstone; capillary pressure curve; reservoir quality; relative permeability

PDF (6190KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

徐风, 司兆伟, 梁忠奎, 田超国, 罗兰, 郭宇航. 基于孔隙结构和多相渗流能力的鄂尔多斯盆地致密砂岩储层品质分类方法研究[J]. 物探与化探, 2025, 49(1): 138-147 doi:10.11720/wtyht.2025.2425

XU Feng, SI Zhao-Wei, LIANG Zhong-Kui, TIAN Chao-Guo, LUO Lan, GUO Yu-Hang. A method for quality classification of tight sandstone reservoirs in the Ordos Basin based on pore structures and multiphase seepage capacity[J]. Geophysical and Geochemical Exploration, 2025, 49(1): 138-147 doi:10.11720/wtyht.2025.2425

0 引言

虽然清洁能源逐渐成为社会的热点问题,但是油气资源依旧是涉及国家安全的重要战略资源。目前我国油气资源的消耗量在日常生活和工业中不断增加,致密油气资源,特别是致密砂岩,成为当前备受关注的热点。然而,致密砂岩储层的有效识别、储层参数评价以及产能预测仍然存在许多尚未解决的难点问题。储层品质评价是其中的重要问题,因为致密砂岩含气饱和度、孔隙度和渗透率都很低,导电和渗流机理也很复杂。储层品质的准确评价对于产能预测和后期开发至关重要。要做好致密砂岩储层的测井解释与产能预测,详细的地区资料和实验数据是必不可少的。这些数据应包括宏观区域地质构造概况、储层岩性、岩石矿物含量等信息,以及微观孔隙尺度的实验数据,以反映岩石内部孔隙结构等微观性质。通过多尺度特征的呈现,可以为深入研究提供基础,并为储层品质评价提供有效的技术支持。

在油气勘探和开发过程中,孔隙度、渗透率是最重要的储层物性参数,孔隙结构评价和储层渗流能力往往通过岩心实验的结果来辅助测井评价^{[1⇓⇓⇓⇓-6]}。关于孔隙度的测井解释方法,目前主要分为4大类:岩心拟合法、非线性数学统计方法、建立体积模型法和单条/多条孔隙度测井曲线结合法^{[7⇓⇓⇓-11]}。与孔隙度类似,致密砂岩渗透率的解释方法也包括岩心拟合法、核磁测井Timur公式法、贝特公式等多种常规方法,以及基于核磁共振(NMR)和低场核磁共振(LF-NMR)的无损计算方法等^{[12⇓⇓⇓-16]}。孔隙结构间接测量方法主要包括3类:岩心核磁,常规/高压压汞和低温气体吸附。岩心核磁共振(NMR)和核磁共振冻融(NMR-C)通过分析核磁共振信号来研究储层孔隙结构。压汞法是目前最常用的孔隙结构评价实验方法,它通过向岩石样品注入汞并记录压力和体积来获得汞注入曲线和特征参数。为了更精细地刻画纳米级孔喉系统,高压压汞使用最大进汞压力可达413.7 MPa,可表征孔喉半径约1.8 nm的孔隙系统^[17⇓-19]。低温气体吸附主要用来评价微孔,其大孔部分的信息表征不如核磁和压汞全面。储层渗流能力的评价一般是根据实际产能或者岩心相对渗透率实验来评价,基于测井资料评价储层渗流能力的研究通常是根据岩心数据与测井数据拟合来实现的^[20-21]。储层品质评价主要考察储层的物性、含气性和可动性,可以看出影响储层品质的因素是比较多的。然而目前评价储层品质通常利用物性、孔隙结构等参数,储层渗流能力需要被考虑进去,这样更有利于形成储能—产能一体化评价体系。

综上所述,本文通过对鄂尔多斯盆地神木气田太原组地层的岩石样品进行物性、孔隙结构、电性等实验测试,建立孔渗关系模型、毛管压力预测模型和分类饱和度评价模型。此外,还基于I-Kr模型在井中获得了逐点变化的气水两相的相对渗透率。并提出了储层品质评价因子,综合考虑物性、孔隙结构和多相渗流能力,对目标研究区井段进行实际处理获得了较好的效果,基于孔隙结构和多相渗流能力的储层品质评价方法为致密砂岩储层产能预测提供了可靠的依据。

1 鄂尔多斯盆地神木气田地质情况

鄂尔多斯盆地横跨陕西、甘肃、宁夏、内蒙古和山西。它是一个多旋回演化、多沉积类型的盆地。盆地的整体形状为立着的矩形(南北走向为长边),具有盆地边缘多构造发育的特征。综合地质、勘探和钻井的信息揭示,鄂尔多斯盆地是一个整体升降、坳陷迁移、构造简单的大型多旋回克拉通盆地,基底为太古宇及古元古界变质岩系,沉积盖层有长城系、蓟县系、震旦系、寒武系、奥陶系、石炭系、二叠系、三叠系、侏罗系、白垩系、新近系、第四系等,总厚5 000~10 000 m。主要油气产层是中生界的三叠系、侏罗系以及下古生界的奥陶系。

神木气田位于鄂尔多斯盆地伊陕斜坡的东北部和晋西挠褶带,自下而上发育着石炭系本溪组、二叠系太原组、山西组、下石盒子组、上石盒子组和石千峰组地层,其地层厚度在横向上变化波动较小。本文研究的目标地层是太原组,其顶底界分别是北岔沟砂岩的底和庙沟灰岩的底,储量北部区块为三角洲平原亚相,以发育分流河道和泛滥平原为特征;南部区块为三角洲前缘亚相,发育特征为水下分流河道和分流间湾沉积,厚度通常约50 m。下部地层岩性主要是砂岩,偶遇煤层夹层,有时夹生物碎屑灰岩透镜体,厚度一般约30 m;上部地层是砂泥岩,夹层中含有灰份和煤,厚度约45 m^[22-23]。

2 岩石物理实验特征与建模

2.1 物性关系建模与分类

本次岩石物理实验柱塞样选自X37-2c1井太原组层段,具体岩石样品基础数据如表1所示,15块砂岩样品孔隙度范围为:5.21%~11.26%,渗透率范围为0.132 8~1.416 8 mD。图1为样品孔隙度和渗透率的关系,可以看出孔渗关系较好,渗透率与孔隙度的关系为:

(1)

P e r m = 0.0016 \times P o r^{2.6489}

表1 太原组X37-2c1井岩石样品基本信息

Table 1 Basic information of rock samples from X37-2c1 well in Taiyuan Formation

标号	岩性	层组	长度/mm	直径/mm	孔隙度/%	渗透率/mD	RQI	束缚水饱和度
X37-1	砂岩	太原组	45.12	25.25	5.21	0.1328	0.1597	0.7000
X37-2	砂岩	太原组	43.79	25.23	8.09	0.3935	0.2205	0.5693
X37-3	砂岩	太原组	42.21	25.22	10.39	0.5527	0.2306	0.4709
X37-4	砂岩	太原组	41.85	25.21	9.65	0.4676	0.2201	0.4101
X37-5	砂岩	太原组	45.12	25.22	9.76	0.6157	0.2512	0.4333
X37-6	砂岩	太原组	44.45	25.24	9.75	0.5235	0.2317	0.4601
X37-7	砂岩	太原组	41.79	25.19	10.08	0.4847	0.2193	0.4030
X37-8	砂岩	太原组	43.83	25.22	11.89	1.4168	0.3452	0.5264
X37-9	砂岩	太原组	41.06	25.22	11.12	0.7265	0.2556	0.3559
X37-10	砂岩	太原组	44.11	25.27	9.26	0.5261	0.2384	0.4198
X37-11	砂岩	太原组	47.12	25.25	10.88	1.1125	0.3198	0.4162
X37-12	砂岩	太原组	45.23	25.30	10.44	1.0861	0.3225	0.4399
X37-13	砂岩	太原组	42.50	25.29	8.58	0.6948	0.2846	0.4029
X37-14	砂岩	太原组	45.90	25.26	11.26	1.0869	0.3107	0.3425
X37-15	砂岩	太原组	43.58	25.28	10.34	1.2611	0.3492	0.3831

新窗口打开| 下载CSV

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 太原组15块样品孔隙度和渗透率关系

Fig.1 Relationship between porosity and permeability of 15 samples from Taiyuan Formation

式中:Perm为渗透率,mD;Por为孔隙度,%。可以在井中根据孔隙度解释结果预测渗透率。从图1和表1可以看出,多数样品孔隙度和渗透率集中在8%~11%,0.4~1.2 mD范围内,1号样品的物性较差,脱离于其他样品。而8号样品物性最好,优于其他样品。在物性关系上,15块样品呈现3类的趋势,但是并不明显。很多研究中采用储层微观特征参数与宏观特征参数来表征流动单元的特征,微观特征参数如排驱压力(P_c)、中值压力(P₅₀)、分选系数CS。宏观特征参数如品质因子(RQI)和流动层段指标(FZI)。品质因子RQI可以通过孔隙度和渗透率来计算,常用来表征储集层的宏观流动单元特征,表达式如下:

(2)

R Q I = \sqrt[]{\frac{P e r m}{P o r}}

。

表1中束缚水饱和度是基于毛管压力曲线数据得到的,束缚水饱和度对应孔径小于0.1 μm的孔隙空间。

2.2 电性关系建模与分类

根据离心法岩电实验结果显示,大部分柱塞样地层因素与孔隙度关系较为一致,说明其胶结情况、孔隙结构大体上一致。而图2中红色数据点为一号样品,其地层因素与孔隙度关系明显区别与其他样品。而图3为电阻率指数与含水饱和度关系图,红色数据点为1号样品,其趋势明显区别于其他样品,说明饱和度n值不同。对于1号样品,其孔隙结构、物性以及电性都与其他样品不同。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 太原组15块样品地层因素和孔隙度关系

Fig.2 Relationship between Stratigraphic factors and porosity for 15 samples from Taiyuan Formation

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 太原组15块样品电阻率系数和含水饱和度关系

Fig.3 Relationship between resistivity coefficient and water saturation for 15 samples from Taiyuan Formation

通过岩电实验可以获得岩电参数,基于阿尔奇公式可以通过测井数据中的地层电阻率信息计算含水饱和度。然而,从图3中明显看出该层段具有两种趋势,可能与孔隙结构有关,需要在应用时分情况讨论。

3 毛管压力曲线构造与孔隙结构分类预测

结合岩电和物性的测量结果,不难看出,研究区内样品电性差异明显,为了佐证差异性是否是孔隙结构造成的,需要对样品进行毛管压力实验和分类。

3.1 毛管压力曲线分类

图4是太原组15块样品的毛管压力曲线,图中曲线明显分为3部分,黑色曲线为1号样品,门槛压力更高,几乎没有“平台段”,孔隙结构较差。蓝色曲线为8号和2号样品,其中8号样品(红色间断线)较为特殊,结合其良好的物性,可以发现进汞初期,进汞量随压力升高提升较快,可能是样品微裂缝发育导致,而进汞后期随着压力升高进汞饱和度提升较慢,进汞后期汞饱和度和最终进汞饱和度与2号样品接近,表明其基质部分物性与2号样品接近。结合电性实验和物性实验结果,可以看出2号样品和8号样品的差异性,但是在毛管压力曲线分类中将其分为一类。红色曲线为其他样品,门槛压力较低,“平台段”明显,孔隙结构较好。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 太原组15块样品毛管压力曲线分类

Fig.4 Classification of capillary pressure curves for 15 samples from Taiyuan group

图5是太原组15块样品的地层因素与孔吼半径中值交会图,可以看出1、2和8号样品与其他样品区别较为明显,对比图2孔隙度与地层因素的交会图可以看出,造成2号样品和8号样品与其他样品差异的原因是孔隙结构的问题,而造成1号样品与其他样品电性上的差异是物性和孔隙结构综合的结果。综上所述,我们将压汞曲线分成3类:一类是孔隙结构较好的红色曲线,二类是孔隙结构一般的蓝色色曲线,三类是孔隙结构最差的黑色曲线。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 太原组15块样品地层因素与孔喉半径中值交会图

Fig.5 Intersection of stratigraphic factors and median pore throat radius for 15 samples from Taiyuan Formation

3.2 基于常规测井数据的毛管压力曲线预测

基于测井曲线构建伪毛管压力曲线通常是采用核磁测井数据,因为核磁T2分布和毛管压力曲线通过恰当的刻度都能转化成孔径分布,两者在形态上具有相似性。然而,在实际生产应用中核磁测井数据较少,这限制了该方法的适用性。本文基于毛管压力实验数据,结合常规测井数据采用前馈神经网络智能算法进行曲线预测。

选取AC、CNL、DEN、GR、RT和RXO这6条常规测井曲线,其中AC、CNL和DEN是与孔隙度密切相关的曲线,GR与泥质含量有关,RT和RXO与岩石电性直接相关,此外RT与RXO的差值能从一定程度上反映岩石的渗透性,而孔隙度、泥质含量、电性和渗透性都与孔隙结构相关。为了更好地构造毛管压力曲线,在样本制作时,选取进汞饱和度为60%、40%、30%、20%、10%、5%和1%时所对应的毛管压力值,作为样本标签。具体样本数据如表2所示。

表2 太原组毛管压力曲线预测样本

Table 2 Sample predicted capillary pressure curves for Taiyuan Formation

标号	AC/ (μs·m^-1)	CNL/ %	DEN/ (g·cm^-3)	GR/ API	RT/ (Ω·m)	RXO/ (Ω·m)	Shg60/ MPa	Shg40/ MPa	Shg30/ MPa	Shg20/ MPa	Shg10/ MPa	Shg5/ MPa	Shg1/ MPa
X37-1	208.2	9.25	2.57	111.85	52.83	39.77	175.11	24.24	7.54	2.79	1.20	0.75	0.01
X37-2	217.3	8.35	2.5	84.04	44.02	31.92	52.50	5.77	2.24	0.97	0.45	0.26	0.01
X37-3	218.02	8.1	2.51	67.95	39.54	28.42	19.42	2.26	1.19	0.85	0.62	0.51	0.01
X37-4	216.3	8.0	2.53	63.66	39.13	28.05	8.40	1.76	1.01	0.83	0.64	0.50	0.01
X37-5	208.53	10.24	2.59	83.86	54.8	37.21	10.74	1.94	1.08	0.70	0.53	0.41	0.01
X37-6	217.03	7.91	2.5	80.54	40.99	27.54	17.26	2.01	1.14	0.80	0.54	0.38	0.01
X37-7	218.55	7.54	2.48	65.38	39.03	25.7	7.86	1.51	0.95	0.71	0.52	0.39	0.01
X37-8	219.66	6.91	2.47	55.85	42.87	27.96	57.15	3.23	1.33	0.70	0.42	0.25	0.01
X37-9	214.09	7.5	2.52	56.29	41.97	26.64	4.81	1.16	0.83	0.63	0.48	0.33	0.01
X37-10	214.51	6.62	2.49	63.31	44.59	28.04	9.50	1.62	0.96	0.74	0.55	0.34	0.01
X37-11	215.51	6.74	2.48	63.22	44.87	28.27	9.31	1.45	0.82	0.52	0.35	0.21	0.01
X37-12	215.32	6.51	2.49	61.31	44.62	28.58	11.63	1.85	0.96	0.61	0.39	0.22	0.01
X37-13	215.13	6.63	2.49	59.68	44.59	28.78	7.83	1.47	0.85	0.54	0.35	0.21	0.01
X37-14	215.69	7.22	2.46	57.4	44.6	30.52	4.10	1.01	0.65	0.47	0.36	0.22	0.01
X37-15	208.11	9.38	2.54	70.68	54.42	38.48	6.22	1.27	0.70	0.42	0.25	0.15	0.01

新窗口打开| 下载CSV

前馈神经网络(feedforward neural network)是一种典型的多层感知机(multilayer perceptron)。它是由多个神经元按层次组织而成的,信息在网络中只能向前传播。其网络单元由输入层、隐藏层和输出层组成。输入层负责接收目标测井数据,隐藏层负责处理输入的测井数据并提取相关特征,输出层则生成毛管压力曲线的预测结果。在网络模型中,每个神经元单位都和上一层的所有神经元单元连接,并且每个连接点都设置了权重系数,用于调整神经元单位间的信号传递强度。训练前馈神经网络通常使用反向传播算法(back propagation),该算法通过比较网络输出与实际目标值之间的差异,并根据差异调整权重,以最小化误差。通过多次迭代训练,网络可以逐渐调整权重,提高预测准确性。前馈神经网络在许多领域都有广泛应用,如模式识别、图像处理、自然语言处理等。它具有强大的非线性建模能力,可以处理复杂的数据关系,并且可以通过增加隐藏层和神经元的数量来提高网络的学习能力。

在前馈神经网络中,每个神经元都执行以下操作:①接收来自前一层神经元的输入信号。②对输入信号进行加权求和,并通过激活函数进行非线性转换。③将转换后的输出信号传递到下一层的神经元。本文神经网络包含2个隐含层,分别设置10个和50个神经元,迭代次数设置为1 000,学习率为0.01,性能目标为0.1×10^-6。图6是预测效果,可以看出预测结果与实验结果基本吻合,这也为在井中利用常规测井数据预测毛管压力提供了基础。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 毛管压力曲线预测效果

Fig.6 Effectiveness of the prediction of the capillary pressure curve

3.3 基于常规测井数据预测毛管压力应用实例

图7是基于常规测井数据构造的毛管压力曲线在X37-2C1井中的应用情况,图中前3道分别是对比测井、电阻率测井和孔隙度的测井曲线。孔隙度分析道中的孔隙度是根据常规测井曲线计算的,渗透率分析道中的渗透率是根据式(1)孔渗建模计算的。倒数第2道为毛管压力曲线的预测结果,可以看出在泥岩段孔渗计算结果较小或为0,毛管压力曲线在孔渗结果为0的层段为空。在孔渗较好的层段,毛管压力曲线起跳点靠近进汞饱和度为60%的位置,孔渗不好的层段,起跳点靠近进汞饱和度为0%的位置。最后1道是饱和度分析结果,是结合孔隙结构和不同孔隙结构对应的岩电参数计算的。结果显示在2 424~2 426 m和2 433.8~2 434.5 m为气层。从储层品质上看,2 424~2 426 m储层物性、孔隙结构和含气饱和度都比较好,是优质储层。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 毛管压力曲线预测应用实例X37-2C1井

Fig.7 Example of application of capillary pressure curve prediction for well X37-2C1

4 基于孔隙结构和储层渗流能力的储层品质分类

储层品质分类不仅要考虑储层物性和孔隙结构,多相流在储层中的渗流性能也是评价储层品质的关键参数。然而,通过测井仪器获得逐点的多相流相对渗透率是不现实的,一般都是在实验室通过稳态或者非稳态法进行岩石气水两相的相对渗透率测量。Li等^[24]提出了I-Kr转换模型,该模型基于电流与孔隙中流体的相似性推导得出水相相对渗透率K_rw和气相相对渗透率K_rnw的转换模型:

(3)

K_{r w} = {S^{*}}_{W} \frac{1}{I}

(4)

K_{r n w} = {(1 - S_{W}^{*})}^{2} [1 - {(S_{W}^{*})}^{\frac{2 + λ}{λ}}]

式中: $S_{W}^{*}$ 是等效含水饱和度;I为电阻率系数;λ为孔隙分布指数。

(5)

{S^{*}}_{W} = \frac{S_{W} - S_{i r}}{1 - S_{i r}}

式中:Sir是Bian等^[25]和郭宇航^[26]认为在I-Kr模型中,需要将残余气饱和度加入等效含水饱和度的计算中,如下所示:

(6)

{S^{*}}_{W} = \frac{S_{W} - S_{i r}}{1 - S_{i r} - S_{g r}}

式中:S_ir是残余水饱和度;S_gr是残余气饱和度。

随后郭宇航^[26]基于泊肃叶定律和修正后的Kozeny-Carman方程改进了I-Kr模型,如下所示:

(7)

K_{r w} = \frac{(S_{w} - S_{w i})}{(1 - S_{w i})} λ_{w}^{3} S_{W} = S_{w}^{*} S_{w}^{3 n + 1}

式中:S_wi是束缚水饱和度;n是饱和度指数,值得注意的是当水相饱和度为100%时,已知K_w=1,因此K_rw的计算值等于1,这是正确的。但是,当岩心处于束缚水饱和状态时,K_w和K_rw都不等于0,这与实际情况不符。因为当岩石中的水相达到束缚水饱和度状态时,K_rw必须等于0。为了解决这个问题,在式(7)的右侧加入了经验系数 $S_{w}^{*}$ ,以此来让公式符合物理意义是有必要的。本文基于郭宇航^[26]提出的模型计算水相相对渗透率,并根据式(4)计算气相相对渗透率,这样在井中就可以根据标准水层电阻率和深侧向电阻率计算电阻率系数,从而获得对深度变化的气水两相相对渗透率值。图8是气水两相相对渗透率的计算结果。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 基于I-Kr模型的连续气水相对渗透率计算实例

Fig.8 Example of continuous gas-water relative permeability calculation based on the I-Kr model

基于物性计算结果可以评估储层的储集性,孔隙结构可以通过毛管压力的分类结果判定,而渗流性能可以根据相对渗透率的计算结果来评判,综合这3个判别指标可以划分储层品质,综上所述,我们制定了本地区的储层品质分类方案,物性、孔隙结构和渗流性能根据阈值划分结果如表3所示。

表3 太原组物性、孔隙结构和渗流性能分类阈值

Table 3 Classification thresholds for physical properties, pore structure and seepage performance of Taiyuan Formation

分类	物性	孔隙结构	渗流性能
一类	RQI>0.3	毛管压力一类	K_rg/K_rw>10
二类	0.3>RQI>0.2	毛管压力二类	10>K_rg/K_rw>0.01
三类	RQI<0.2	毛管压力三类	K_rg/K_rw<0.01

新窗口打开| 下载CSV

从现有的储层数据中收集了渗流、孔隙结构和物性参数的相关数据,包括C_Q、C_pc和C_KS等。基于单项分类结果,结合生产数据,我们采用综合评价的方法建立储层品质分级评价模型。设置Y_XX为多参数储层品质评价因子:

(8)

Y_{X X} = ω_{Q} \times C_{Q} + ω_{p c} \times C_{p c} + ω_{K S} \times C_{K S}

其中:C_pc作为基于孔隙结构划分的分类结果,以评估储层的孔隙结构特征。然后使用C_Q作为基于渗流分类的结果,以评估储层的品质水平。最后,使用C_KS作为基于孔渗关系划分的分类结果,以评估储层的物性特征。ω为各因子的权重,Y_XX计算结果取整,根据实际资料,我们将对上述4个因子的权重进行调整,初始权重设置如表4所示,以提高模型的准确性和可靠性。图9是基于孔隙结构和渗流能力的综合储层品质分类计算实例,最后一道是储层平直分级的结果,倒数第二道、第三道是相对渗透率的计算结果,我们的方法为井中相对渗透率的获取以及储层品质计算提供了一个行之有效的途径。

表4 因子权重设置

Table 4 Factor weight settings

因子	ω_pc	ω_Q	ω_KS
权重	0.35	0.4	0.25

新窗口打开| 下载CSV

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 基于孔隙结构和渗流能力的综合储层品质分类计算实例

Fig.9 Example of calculation of integrated reservoir quality classification based on pore structure and seepage capacity

5 结论

本文通过对鄂尔多斯盆地神木气田太原组地层的岩石样品进行物性、孔隙结构、电性等实验测试,15块砂岩样品孔隙度范围为5.21%~11.26%,渗透率范围为0.132 8~1.416 8 mD,除一号样品,孔渗关系较为一致。毛管压力曲线分类结果显示,本地区样品主要可分为3类。电性实验结果显示,一号样品较为特殊,其余样品岩电参数较为一致。综合上述实验结果,我们建立孔渗关系模型、毛管压力预测模型和分类饱和度评价模型,此外,还基于I-Kr模型在井中获得了逐点变化的气水两相相对渗透率。并提出了储层品质评价因子,综合考虑物性、孔隙结构和多相渗流能力,对目标研究区井段进行实际处理获得了较好的效果,该方法为致密砂岩储层品质测井评价提供了可靠的依据。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

何庆, 韩学彬, 吴建东, 等.

低孔低渗储层参数解释模型的建立

[J]. 西部探矿工程, 2009, 21(10):99-104.