引用本文
钟吉彬, 阎荣辉, 张海涛, 冯伊涵, 李楠, 刘行军. 核磁共振横向弛豫时间谱分解法识别流体性质[J]. 石油勘探与开发, 2020,47(4): 691-702.
ZHONG Jibin, YAN Ronghui, ZHANG Haitao, FENG Yihan, LI Nan, LIU Xingjun. A decomposition method of nuclear magnetic resonance T2 spectrum for identifying fluid properties [J]. Petroleum Exploration & Development, 2020,47(4): 691-702.  
Doi: 10.11698/PED.2020.04.05
Permissions
Copyright©2020, 《石油勘探与开发》编辑部
《石油勘探与开发》编辑部 所有
核磁共振横向弛豫时间谱分解法识别流体性质
钟吉彬1,2, 阎荣辉3, 张海涛1,2, 冯伊涵4, 李楠5, 刘行军4
1.中国石油长庆油田分公司勘探开发研究院,西安 710018
2.低渗透油气田勘探开发国家工程实验室,西安 710018
3.中国石油长庆油田分公司,西安 710018
4.中国石油测井有限公司长庆分公司,西安 710201
5.中国石油测井有限公司技术中心,西安 710077

第一作者简介：钟吉彬（1981-）,男,四川资阳人,硕士,中国石油长庆油田分公司勘探开发研究院高级工程师,主要从事测井综合评价及解释方法研究。地址：陕西省西安市未央区长庆油田科技大厦,中国石油长庆油田分公司勘探开发研究院,邮政编码：710018。E-mail：zhongjibin_cq@petrochina.com.cn

收稿日期: 2019-06-04
基金项目: 国家科技重大专项“鄂尔多斯盆地大型岩性地层油气藏勘探开发示范工程”（2016ZX05050）
摘要

在核磁共振横向弛豫时间（ T2）谱特征分析的基础上,利用信号分析方法分解 T2谱,提出了利用 T2谱分解法识别流体性质的新方法。由于 T2谱在横向弛豫时间轴上满足对数正态分布的特征,采用高斯函数对 T2谱进行拟合,可将 T2谱分解为2~5个独立的分量谱。通过分析原油和地层水自由弛豫响应特征以及岩心油水互驱的动态响应特征,明确了各分量谱的岩石物理意义。 T2谱可以分解为黏土束缚水分量谱、毛细管束缚流体分量谱、小孔隙流体分量谱和大孔隙流体分量谱。依据目标区原油性质,确定含油储集层 T2分量谱峰在 T2时间轴上的分布范围为165~500 ms。据此可准确识别流体性质,对于低孔隙度、低渗透率储集层中复杂油水层的识别,具有较强的适应性。图9表2参13

关键词: 核磁共振; 自由弛豫; 横向弛豫时间（ T2）谱分解法; 拟合 T2谱; 分量谱; 流体识别
中图分类号:TE122 文献标志码:A 文章编号:1000-0747(2020)04-0691-12
A decomposition method of nuclear magnetic resonance T2 spectrum for identifying fluid properties
ZHONG Jibin1,2, YAN Ronghui3, ZHANG Haitao1,2, FENG Yihan4, LI Nan5, LIU Xingjun4
1. Exploration and Development Research Institute of PetroChina Changqing Oilfield Company, Xi'an 710018, China
2. National Engineering Laboratory for Exploration and Development of Low-Permeability Oil & Gas Fields, Xi'an 710018, China
3. PetroChina Changqing Oilfield Company, Xi'an 710018, China
4. Changqing Branch, China Petroleum Logging Co., Ltd., Xi'an 710201, China
5. Technology Center, China Petroleum Logging Co., Ltd., Xi'an 710077, China
Abstract

Based on analysis of NMR T2 spectral characteristics, a new method for identifying fluid properties by decomposing T2 spectrum through signal analysis has been proposed. Because T2 spectrum satisfies lognormal distribution on transverse relaxation time axis, the T2 spectrum can be decomposed into 2 to 5 independent component spectra by fitting the T2 spectrum with Gauss functions. By analyzing the free relaxation response characteristics of crude oil and formation water, the dynamic response characteristics of the core mutual drive between oil and water, the petrophysical significance of each component spectrum is clarified. T2 spectrum can be decomposed into clay bound water component spectrum, capillary bound fluid component spectrum, micropores fluid component spectrum and macropores fluid component spectrum. According to the nature of crude oil in the target area, the distribution range of T2 component spectral peaks of oil-bearing reservoir is 165-500 ms on T2 time axis. This range can be used to accurately identify fluid properties. This method has high adaptability in identifying complex oil and water layers in low porosity and permeability reservoirs.

Keyword: nuclear magnetic resonance; free relaxation; T2 spectrum decomposition method; fitted T2 spectrum; component spectrum; fluid identification
0 引言

由于核磁共振弛豫机制与地层中氢原子有关, 能够提供与地层岩性无关的孔隙和流体信息[1]。核磁共振技术在石油测井中广泛应用于储集层孔隙结构评价, 利用核磁共振T2谱能够准确计算储集层总孔隙度, 结合毛管压力曲线可以连续分析复杂储集层孔隙结构[2], T2谱响应特征还能够反映储集层润湿性和流体黏度[3]等信息。利用核磁共振技术识别流体性质的方法有5种, 其中差谱法（DSM）和时间方法（TDA）有较好的理论支持, 而移谱法（SSM）、扩散分析法（DIFAN）和扩散增强法（EDM）主要是经验方法, 不能较好地解决油气水T2谱重叠的问题[4]。这5种方法在低孔渗储集层中流体识别能力较低。近年来, 国内外学者提出了利用核磁共振技术识别流体性质的新方法。2015年, JIANG T M等[5]利用JAIN V等[6]提出的因子分析法评价页岩油气藏可采性和储集层品质, 表明该技术在流体性质识别方面具有较大潜力。2016年, 胡法龙等[7]提出了利用长等待时间、短回波间隔模式下测量的T2谱信息构建完全含水状态下的T2谱, 通过对比测量T2谱和构建水谱之间的差异确定流体性质。该方法在中高孔渗储集层流体识别效果较好, 在致密储集层中识别精度较低[7]。从前人研究来看, 在低孔渗储集层的流体识别方面, 还需要进一步挖掘核磁共振技术的应用价值。

本文以鄂尔多斯盆地中生界为例, 从信号处理的角度对T2谱进行分解, 发现核磁T2谱可以分解为2~5个独立的分量谱。依据核磁共振理论, 这些分量谱可确定为黏土束缚水分量、毛细管束缚流体分量、小孔隙流体分量和大孔隙流体分量。对比分析了油驱水和水驱油不同状态下的岩心核磁共振实验结果, 研究油、水自由状态下T2谱特征和岩心含油、水状态下T2谱分量的特征, 探索出了一种利用核磁共振技术识别流体性质的新方法。利用该方法分解标准T2谱, 可以进一步分析宏观T2谱下的T2分量谱特征, 利用这些微观特征识别低孔渗储集层流体性质, 具有较好的应用效果。

1 核磁共振T2谱信号特征和分解方法
1.1 T2谱的信号特征

核磁共振测量的是氢原子弛豫信号, 采用CPMG脉冲序列表示回波串信号。通过其衰减过程确定横向弛豫时间（T2时间）, 回波幅度以1/T2的速率按指数规律衰减[1, 2]（见图1a）。可用多指数公式拟合：

$M(t)=\sum^{n}_{i=1}M_{i}(0)exp \lgroup -\frac{t}{T_{2i}} \rgroup$ （1）

其中 $t=2n\tau$

利用（1）式对氢原子核自旋回波串进行多指数反演拟合就可以得到了T2谱（见图1b）。在T2谱反演时为了进一步提高信噪比, 还可在深度域进行多次累加, 以提高T2谱反演精度。为了提高计算质量和速度, 在这个过程中还使用了大量基函数。

图1 核磁共振T2谱特征及高斯分量信号

研究表明, T2谱可以看作多个正态分布曲线的线性叠加的结果。回波串的表征方法和T2谱的反演过程均使用了统计学原理和方法。中心极限定理指出：给定一个任意总体, 每次总体中随机抽取n个样本, 一共抽取m次, 然后把这m组样本分别累加并求出平均值, 这些平均值分布近似于正态分布[8]。从T2谱的测量和反演过程可知T2谱是符合正态分布的。因此, 可以用多个独立的正态分布曲线对其进行精确拟合（见图1c）。反之, 可以将T2谱分解为多个分量谱, 相应的储集层孔隙和流体信息就包含在这些分量谱中。

1.2 核磁共振T2谱分解方法

在信号处理中, 将符合正态分布特征的信号称作高斯信号, T2谱就是反映储集层孔隙和流体信息的信号, 本文将T2谱的这些高斯信号称作T2分量谱。单个的高斯信号（见图2）可以用下式表示：

$f(t)=\frac{1}{\sqrt(2\pi)\sigma}exp[-\frac{( t-a)^{2}}{2\sigma^{2}}]$ （2）

图2 单个高斯信号特征

因此, 要将T2谱分解为T2分量谱, 必须利用信号处理方法求到a和σ 。求得分量谱后, 通过多高斯拟合即可得到拟合T2谱（以下称为T2° 谱）。通常情况下, T2° 谱与T2谱的拟合置信度能够达到99%以上, 完整地保留了T2谱信息。所以通过T2分量谱分析储集层孔隙结构和流体性质是可行的。

1.2.1 核磁共振T2谱寻峰

本文中的核磁共振T2谱采用128个数据点表示, 这些数据点按照序号依次排列组成线性刻度的T2谱（见图3a— 图3c）, 将这些数据点按照序号依次分布到T2对数时间轴上得到图1b所示的具有岩石物理意义的T2谱。信号的处理过程通常是在线性刻度下完成的。因此, 在计算过程中采用线性刻度表示, 完成分解后, 再恢复到对数时间轴。

图3 不同T2谱对应高斯分量的峰值位置

T2谱寻峰就是要找到T2谱的多个高斯分量的峰值中心a。利用常规方法对T2谱进行分类时, 通常认为局部最大值就是峰值中心（见图3a中62、83）。但是, 对于图3b所示的T2谱, 通过局部最大值、窗口搜索法等方法几乎只能找到一个峰值（见图3b中71）。利用信号处理的方法发现还存在着另外两个隐藏峰（见图3b中56、79）。如图3c所示的T2谱是比较常见的一类, 除了有两个比较明显的峰值（图3c中56、79）, 还有两个隐藏峰（见图3c中34、89）。要寻找到这些隐藏峰, 就需要借助信号处理算法, 如导数法、卷积法、小波变换等实现准确寻峰。

经过对比优选, 小波变换算法寻峰效果最好, 且计算方便。将信号频谱变换为小波空间, 利用小波系数中附加的形状信息检测谱峰信息, 不需要对T2谱进行额外的处理, 就可以检测出局部最大峰和隐藏峰, 计算准确率高, 需要参数少。还可以同时提供a和σ [9]。得到这两个基本信息, 就可以利用（2）式对T2谱进行精确拟合。

1.2.2 T2谱的分解与拟合

利用多个高斯函数对T2谱进行最优化拟合可以得到精度很高的T2° 谱。整个分解过程分为两步：首先, 利用小波变换寻峰, 求得a和σ , T2谱中包含几个峰值, 就对应有几组（a, σ ）, 即几个高斯函数; 再利用这些函数进行高斯拟合, 实现对原始T2谱的精确拟合, 当拟合置信度达到98%以上时, 所得的高斯分量即为所求T2分量谱（见图4）。

图4 利用最优化高斯算法分解T2谱

高斯拟合算法就是在最优化拟合工具中, 利用高斯函数（（2）式）对T2谱点数据进行函数逼近拟合。这种方法不需要非常准确的a和σ 。通过最小二乘法优化拟合过程、控制误差范围, 经过足够多次的循环迭代计算, 就可以得到精确的T2° 谱（见图4）。

要分解图4中的T2谱（图中蓝色圆圈为实验数据点）, 通过小波变换寻峰操作找到了4个峰中心值（见图中34、56、79、89）, 将这4个峰值的a和σ 输入最优化拟合工具, 返回4个高斯分量（见图4中分量1— 4）。对比分析, 原始T2谱（蓝色圆圈）和拟合T2° 谱（蓝色实线）几乎完全重合。这样原始T2谱信息就准确地分解到了4个分量中。最优化拟合工具输出的峰值中心为37.146、56.074、80.445、88.154, 与输入的峰中心值相比稍有变化, 拟合相关系数达到99.9%, 拟合精度非常高。

为进一步评价分解精度, 对T2谱所反映的孔隙度信息进行分析。T2谱与横轴所围成的面积等于岩心的总孔隙度。通过积分计算, 原始T2谱和拟合T2° 谱的总孔隙度相等（见表1）。同样计算分量1— 4的分量孔隙度及其与总孔隙度的比值。由表1可知, 4个分量孔隙度之和与T2° 谱总孔隙度相等。分量2和分量3占比较大, 分量1次之, 分量4最少, 反映了岩心大、中、小、微孔隙的构成情况。由此可知, T2分量谱不仅完整保留了原始T2谱的信息, 还将总孔隙的信息进行了合理分解。

表1 原始T2谱和T2° 谱孔隙度计算数据表
2 分量谱的岩石物理意义
2.1 原油和水自由状态下T2谱分布特征

水湿储集层中的流体分为：黏土束缚水、毛细管束缚水和可动流体, 油、气、水在孔隙中常常处于不同位置, 而且, 油气大多存在于大孔隙之中[10]。可动流体部分通常是油水共存的。

为了搞清楚油水两相在分量谱上的响应特征, 探索利用分量谱识别流体性质, 测量了鄂尔多斯盆地中生界延长组长2段、长6段和长7段储集层的原油、原生地层水和实验室配制的NaCl2溶液T2谱（见图5a— 图5e）。NaCl2溶液矿化度分别为6 000 mg/L和80 000 mg/L, 长2段、长6段和长7段地层水矿化度分别为45 815, 56 488, 43 926 mg/L（见图5a、图5d）。利用前述方法分解水样T2谱, 只能得到一个谱峰, 两种NaCl2溶液T2谱峰几乎重合于2 800 ms, 3种地层水的T2峰分布于100~600 ms, 地层水T2谱与NaCl2溶液T2谱相比明显向左偏移, 且水样T2谱分布与地层水矿化度没有明显相关性。地层水分析资料显示, 原生地层水主要化学离子为：K+、Na+、Ca2+、Mg2+、Cl-、SO42-、CO32-、HCO3-, 其中HCO3-浓度的差异对T2谱造成不同程度的影响, 导致原生地层水T2谱并不像NaCl2溶液一样相对集中。

图5 鄂尔多斯盆地长2段、长6段、长7段原油和地层水T2谱及分量谱特征图

原油的核磁自由弛豫特性与原油组分、黏度和温度有关。鄂尔多斯盆地中生界各储集层原油基本为轻质油（见表2）, 从侏罗系延4+5段到三叠系长10段密度为0.825~0.849 g/cm3, 平均为0.838 g/cm3; 黏度为4.66~6.90 mPa· s, 平均为8.83 mPa· s, 除了长7段和长10段原油黏度小于5.00 mPa· s以外, 其他层位相对变化较小; 原油的含水率为0.76%~9.00%, 侏罗系延6段最小, 三叠系长2段稍大。存在形式为乳化水和残余游离水。本次实验测量的原油样品是鄂尔多斯盆地长2段、长6段和长7段原油, 各层原油密度都非常接近, 分别为0.847, 0.834, 0.837 g/cm3, 平均为0.839 g/cm3, 黏度相差较大, 在温度为50 ℃条件下, 长2段储集层原油黏度为6.90 mPa· s, 长6段为5.67 mPa· s, 长7段为4.70 mPa· s。因为原油是不同种类烃的混合物, 核磁共振弛豫时间响应不是单一的, 而是由一组弛豫时间分布组成, 且跨度大[11]。长2段和长6段为10~1 000 ms, 长7段为10~2 000 ms（见图5b、图5c、图5e）。由于长7段原油黏度较长2段和长6段低, 其T2谱分布特征也存在明显不同。将原油T2谱分解后, 长2段和长6段原油得到5个分量（见图5b、图5c）, 其中分量2和分量5与长2和长6地层水T2谱峰基本一致（见图5a）。由于本次原油样品全是在油水同层中取样, 可以认定分量2和分量5为原油中的游离水或乳化水的谱峰。分量3和分量4为原油T2谱分量, 且原油的两个分量的谱峰位于116~516 ms。

表2 鄂尔多斯盆地中生界各储集层原油性质统计表

长7段原油T2谱分解后, 得到4个分量（见图5e）, 其中分量2对应长7段地层水T2谱峰, 可认为分量2为游离水或乳化水的谱峰, 分量3和分量4为原油T2谱分量, 且原油的两个分量的谱峰位于300~1 150 ms。

依据原油分量谱和原生地层水T2谱特征, 可以将原油中残余的游离水和乳化水T2分量谱分离出来, 突出原油的分量谱, 并确定原油主要分量谱峰的位置。在水湿岩石中, 孔隙中原油与岩石颗粒表面被毛细管束缚水隔绝, 原油的核磁共振弛豫主要表现为自由弛豫[12]。通常弛豫时间较长的T2谱峰是原油中最具流动性的轻质成分中氢核的贡献。弛豫时间较短的T2谱峰对应为原油中运动受限的重组分中的氢核[11]。排除T2谱中水的分量谱, 长2段、长6段和长7段原油都具有两个比较明显的长弛豫分量谱（分量3和分量4）, 只是由于原油黏度不同, 造成分布位置有差异。因此, 这一现象可用于定性识别水湿储集层流体性质。

2.2 岩石孔隙中油和水的T2分量谱特征

前人研究认为, 当储集层流体是润湿相时, 其自由弛豫常可以忽略, 但非润湿相流体由于不与岩石颗粒表面接触, 仍然存在自由弛豫, 且当流体存在于较大的孔隙空间中时, 即使是润湿相, 自由弛豫也会对氢核的弛豫过程起到重要作用[13]。以上观点通过核磁实验T2谱分解得到了证实。

如图6a是不同矿化度NaCl2溶液和地层水自由状态下的T2谱, 图6b是鄂尔多斯盆地长6段岩心（水湿岩心样品, 编号：23-16, ϕ =13.2%, K=0.874× 10-3 μ m2）100%含水时的T2谱及分量谱, 图6c是鄂尔多斯盆地J123井长6段原油的T2谱及分量谱, 图6d是图6b中同一岩心含束缚水和可动油时的T2谱及分量谱。

图6 鄂尔多斯盆地长6段同一岩心含油和水状态下T2分解谱特征

分析地层水自由状态下的谱峰（见图6a）和在受限孔隙空间中的谱峰（见图6b）, 受限孔隙中的谱峰明显左移（见图6b中蓝色峰）, 且分散。此时, T2分量谱可用于评价孔隙结构。依据核磁共振理论, 可赋予4个分量谱明确的岩石物理意义。图6b中, 分量1为黏土束缚水, 分量2为毛细管束缚水, 分量3为小孔隙水, 分量4为大孔隙水。

当孔隙中可动流体全部被油驱替后, 岩心T2谱（见图6d红色谱）与原油自由状态下的T2谱（见图6c红色谱）相比, 谱峰同样存在明显左移的现象, 而黏土束缚水的谱峰位置基本不变（见图6b分量1和图6d分量1）, 与传统认识一致。由前文分析可知, 图6c中, 分量2和分量5认为是地层水的谱峰, 分量3和分量4是原油的谱峰。对比图6c和图6d, 原油在自由状态下和受限孔隙空间下分量3和分量4谱峰位置基本没有变化。这恰好证明, 在受限的孔隙空间中, 非润湿相流体（原油）, 仍然存在自由弛豫。只不过这一现象被原始T2谱的宏观表象掩盖, 不容易观察到, 通过T2谱分解, 在各个分量谱上, 这一现象表现得相对明显。而润湿相流体（水）的分量谱稍显复杂, 需另做研究。但是, 这并不妨碍在水湿条件下, 利用原油分量谱的这一特征进行流体识别。

2.3 不同含油饱和度状态下T2分量谱特征

选取鄂尔多斯盆地北部成熟开发区长6段储集层的6块岩心进行核磁共振实验。平均孔隙度为15.03%, 最大孔隙度为18.80%, 最小孔隙度为13.20%; 平均渗透率为4.22× 10-3 μ m2, 最小渗透率为0.87× 10-3 μ m2, 最大渗透率为9.05× 10-3 μ m2。实验中, 采集了饱和水状态下、油驱水和水驱油过程中不同含油饱和度状态下的T2谱。研究发现, 随着含油饱和度变化, T2谱峰位置呈规律性变化。以LJ36-361井长6段岩心（编号：23-16, ϕ =13.2%, K=0.87× 10-3 μ m2, 水湿样品）为例（见图7）, 分解6种状态下的T2谱, 分别得到4个分量谱。

图7 LJ36-361长6段储集层同一岩心不同含油饱和度状态下T2分解谱特征

图7a是岩心经过洗油、洗盐后用矿化度为85 000 mg/L的地层水（水型为CaCl2型）充分饱和后, 测得的T2谱, 4个分量谱的谱峰位于5~100 ms, 由于岩样含水饱和度为100%, 这4个分量谱是水的信号, 其分布特征直接反应岩心孔隙结构。图7b— 图7c为油驱水过程, 图7b状态下含油饱和度为29.97%, 含水饱和度为70.03%, 图7c状态下含油饱和度为59.31%, 含水饱和度为40.69%（束缚水饱和度）。图7d— 图7f为水驱油过程, 图7d状态下含油饱和度为39.02%, 含水饱和度为60.98%, 图7e状态下含油饱和度为20.29%, 含水饱和度为79.71%, 图7f状态下含油饱和度为17.17%（残余油饱和度）, 含水饱和度为82.83%。在整个驱替过程中分量2、3、4的峰值变化规律性较强。当含油饱和度大于等于30%左右时（见图7b— 图7d）, 分量3、4峰值同时出现在165~500 ms。此时, 分量2所代表的毛细管中的束缚水也被驱替进部分油, 分量2谱峰向右移动（见图7c、图7d）。在水驱油过程中（见图7e、图7f）随着含油饱和降低到30%以下时, 分量4的谱峰位置基本不变, 信号幅度变小, 分量3幅度稍微变小, 峰值稍向左移动。当含油饱和度继续变小, 分量3与分量2谱峰位置从基本重合逐渐变为完全重合（见图7d— 图7f）, 表明分量3中的油被全部驱替出去。当岩心含油量降低到残余油时（见图7f）, 分量4幅度逐渐低, 弛豫时间变长, 显示大孔隙中残余部分原油。

通过岩心中油、水互相驱替的过程, 利用T2谱分解法进行分析, 可以清晰了解到在整个过程中, 黏土束缚水（分量1）基本没有大变化。毛细管束缚水（分量2）在油驱水过程中会充注进部分原油, 导致分量2谱峰向右移, 但在毛细管作用下, 在之后的水驱油过程中这部分流体不再变化, 分量2峰中心位置也基本不变（见图7c— 图7f）。小孔隙部分（分量3）, 随着注入油量的增加峰值右移, 水驱油时随着含油饱和度降低, 峰值逐渐左移, 直到与分量2重合（或消失）, 表明小孔隙中油全部被驱替出去。大孔隙部分（分量4）在油驱水时, 首先被油充填, 在含油饱和度降低过程中, 其幅度信号最先降低, 当接近残余油状态时, 其峰值稳定在1 000 ms, 不再变化。

综上所述, 当岩石含油时, T2谱分解后的分量3和分量4（谱峰分布为165~500 ms）代表了大部分可动油的信息, 其余分量基本为水和无开采价值的束缚油和残余油的信息。该结论与前述原油自由弛豫时T2谱分析结果基本一致（见图5）。因此, 通过对T2谱进行分解, 并研究各分量谱峰在T2时间轴上的分布位置。鄂尔多斯盆地长6段储集层如果在165~500 ms出现较强的分量谱峰信号, 则可判定储集层含油, 若谱峰分布在此区域之外可判定含水。

3 利用T2谱分解法识别油水层
3.1 T2谱分解法识别油层

L16井是鄂尔多斯盆地北部一口石油预探井, 在长6段测井解释为油层和油水同层共计20.2 m（见图 8第5道）, 取心资料显示为油斑细砂岩, 储集层特征为：分析孔隙度14.50%, 分析渗透率0.98× 10-3 μ m2, 声波时差240.31 μ s/m, 密度2.43 g/cm3, 电阻率9.4 Ω · m。试油采用水力喷砂压裂工艺, 在1 876 m和1 884 m处打开油层, 分别加砂35.0 m3, 砂比为20%, 排量为1.6 m3/min, 压裂液为滑溜水加交联胍胶, 试采油管排量为1.4 m3/min, 套管排量为0.2 m3/min, 获纯工业油流55.42 t/d, 试油结论为油层。

该井核磁共振资料由国产MRT多频核磁共振测井仪采集完成, 其T2谱反演结果见图8第11道。在此基础上, 利用T2谱分解法处理得到4个T2分量谱（见图8第12— 15道）, 其中T2分量谱1和2在深度域是比较连续的, 因为几乎所有地层都存在黏土束缚水和毛管束缚水, 而分量谱3和4随着深度变化部分缺失, 尤其分量谱4缺失较严重, 反映出大孔隙不发育。在T2分量谱2、3和4上添加长6段储集层原油的谱峰分布线：下限值为165 ms, 上限值为500 ms。分量谱峰位于该区间内（见图8第14、15道中蓝线和红线之间）, 则指示对应的储集层段含可动油, 峰值越密集, 含油越好, 反之储集层不含油。

图8 L16井长6段测井解释成果

以此可验证T2分解法识别流体性质的有效性。从储集层整体看, 储集层（深度1 873~1 895 m）内部T2分量谱1基本不发育, 与储集层内泥质含量低, 黏土束缚水较少有关, 分量谱2整体发育较多, 表明储集层内部发育较多的微孔隙（即毛细管）, 且分量谱峰偏离165~500 ms范围较大（见图8第13道）, 解释为毛细管束缚水。储集层顶部解释结论为油层的井段（深度1 873~1 886 m）, 分量谱3分布较多, 且主要峰值分布于油峰区间内, 分量谱4虽然较少, 但是几乎所有的谱峰都分布于165~500 ms, 表明该层段大、小孔隙均被原油充满, 含油较好。在该深度范围内的两个钙质夹层（深度1 877.5 m和1 881.5 m）的分量谱3和分量谱4均偏离了油峰范围, 表现为不含油, 与常规测井解释吻合。

油层段底部井段（深度1 886~1 895 m）, 顶部分量谱3的峰值大部分位于油峰范围内, 底部分量谱4的峰值几乎全部位于油峰范围内, 认为顶部只发育小孔隙, 且含油; 底部则大、小孔隙都发育, 但几乎只有分量谱4位于油峰范围内, 分量谱3则大部分偏离该范围, 仅大孔隙充填石油, 小孔隙内仍然为水。该段解释为油水同层。

图8中可以看出非油层段与油层段各分量谱存在明显不同, 分量谱1和分量2谱分布连续, 分量谱3和分量谱4较差, 且谱峰均不在油峰范围内。

L16井全井只有长6段试油, 其他层位并未打开, 投产初期日产油2.04 t, 含水72.3%, 稳产后日产油1.42 t, 含水69.4%。试油及投产数据与利用核磁T2分量谱分析结果一致, 证明利用T2谱分解法识别流体性质的正确性。

3.2 T2谱分解法识别水层

Y80井在长6段钻遇砂体32 m, 深度为1 683~1 715 m（见图9）, 取心资料显示为油斑细砂岩, 储集层特征为：分析孔隙度12.80%, 分析渗透率0.65× 10-3 μ m2, 声波时差241.12 μ s/m, 密度2.44 g/cm3, 电阻率12.6 Ω · m, 依据常规资料解释, 认为1 691~1 704 m层段含油较好, 在1 691~1 693 m射孔并压裂, 加砂30.0 m3, 砂比为11.9%, 排量为1.4~1.8 m3/min, 试油日产水30 m3, 试油结论为水层。

图9 Y80井长6段测井解释成果图

该井核磁共振资料同样由国产MRT测井仪采集完成。对T2谱（见图9第11道）分解, 得到4个T2分量谱。在储集层中泥质束缚水部分（T2分量谱1）与L16井油层段一样, 并不发育, 而毛细管束缚水部分二者均比较发育（T2分量谱2）, 且在深度域上较连续。在Y80井中, 代表油层信息的T2分量谱3和T2分量谱4, 其峰值在T2时间轴上并没有落在165~500 ms（见图9第14、15道中蓝线和红线之间）, 大部分峰值位于下限值165 ms线上。且T2分量谱4比较稀疏, 表明大孔隙并不发育。在1 691~1 704 m处, T2分量谱3纵向分布稍显稀疏, 依据T2分量谱分布特征, 解释为水层。在1 705~1 714 m层段, T2分量谱3纵向连续性较好, 少量谱峰稍大于165 ms, 综合解释为含油水层。分析认为, 利用T2分量谱, 对油层和水层进行定性识别, 解释结论与试油结论吻合较好。

4 结论

根据核磁共振测井原理和T2谱反演过程等特点, 可知T2谱在横向弛豫时间轴（T2时间轴）上具有正态分布特征。依据信号分析理论, 通过寻峰和最优化曲线拟合两步, 实现了对T2谱的高精度分解。分析储集层原油、地层水的自由弛豫特征和油、水互驱的动态过程中不同含油饱和度状态下T2分量谱特征, 提出了核磁共振T2谱分解法识别流体性的方法。T2分量谱在T2轴上的分布位置具有明确的岩石物理意义, 可作为流体识别的依据。该方法使用过程中需要做到：①准确找到T2谱中存在的隐藏峰; ②各分量谱对原始T2谱拟合精度要高, 确保原始T2的信息完整的分解到各个分量谱; ③针对不同区域的油水识别问题, 需要利用岩石物理实验标定含油分量谱的下限值和上限值, 确定油层和水层的解释标准。利用核磁共振T2谱分解法识别流体性质, 在实践中得到了试油、试采验证, 用于定性识别储集层中流体性质, 具有一定的适用性。

符号注释：

Cw— — 矿化度, mg/L; K— — 渗透率, 10-3 μ m2; M(t)— — t时间的回波幅度, mV; Mi(0)— — 第i个弛豫分量在零时刻的回波幅度, mV; n— — 回波数, 个; RAT90, RAT60, RAT30, RAT20, RAT10— — 横向探测深度为2 286 mm、1 524 mm、762 mm、508 mm和254 mm阵列感应电阻率, Ω · m; t— — 时间, ms; T2— — 横向弛豫时间, ms; T2i— — 第i个弛豫分量的横向弛豫时间, ms; a— — 高斯分量的峰值中心对应的时间, ms; σ — — 高斯分量的峰宽, ms; τ — — 回波间隔时间, ms; ϕ — — 孔隙度, %;

（编辑 魏玮）

参考文献
[1] 肖立志. 核磁共振成像测井与岩石核磁共振及其应用[M]. 北京: 科学出版社, 1998.
XIAO Lizhi. Nuclear magnetic resonance imaging logging and rock nuclear magnetic resonance and its application[M]. Beijing: Science Press, 1998. [本文引用:2]
[2] 刘堂宴, 章海宁, 石玉江. 储层孔隙结构评价技术及应用: 球管模型理论与方法实现[M]. 北京: 石油工业出版社, 2017.
LIU Tangyan, ZHANG Haining, SHI Yujiang. Reservoir pore structure evaluation technology and application: Theory and method realization of spherical tube model[M]. Beijing: Petroleum Industry Press, 2017. [本文引用:2]
[3] 冯程, 石玉江, 郝建飞, 等. 低渗透复杂润湿性储集层核磁共振特征[J]. 石油勘探与开发, 2017, 44(2): 252-257.
FENG Cheng, SHI Yujiang, HAO Jianfei, et al. Nuclear magnetic resonance features of low-permeability reservoirs with complex wettability[J]. Petroleum Exploration and Development, 2017, 44(2): 252-257. [本文引用:1]
[4] 肖立志. 我国核磁共振测井应用中的若干重要问题[J]. 测井技术, 2007, 31(5): 401-407.
XIAO Lizhi. Some important issues for NMR logging applications in China[J]. Well Logging Technology, 2007, 31(5): 401-407. [本文引用:1]
[5] JIANG T M, JAIN V, BELOTSERKOVSKAYA A, et al. Evaluating producible hydrocarbons and reservoit quality in organic shale reservoirs using Nuclear Magnetic Resonance (NMR) factor analysis[R]. SPE 175893-MS, 2015. [本文引用:1]
[6] JAIN V, MINH C C, HEATON N, et al. Characterization of underlying pore and fluid structure using factor analysis on NMR data[R]. New Orleans: SPWLA 54th Annual Logging Symposium, 2013. [本文引用:1]
[7] 胡法龙, 周灿灿, 李潮流, 等. 核磁共振测井构建水谱法流体识别技术[J]. 石油勘探与开发, 2016, 43(2): 244-252.
HU Falong, ZHOU Cancan, LI Chaoliu, et al. Water spectrum method of NMR logging for identifying fluids[J]. Petroleum Exploration and Development, 2016, 43(2): 244-252. [本文引用:2]
[8] 贾俊平, 何晓群, 金勇进. 统计学[M]. 北京: 中国人民大学出版社, 2014.
JIA Junping, HE Xiaoqun, JIN Yongjin. Statistics[M]. Beijing: Renmin University of China Press, 2014. [本文引用:1]
[9] DU P, KIBBE W A, LIN S M. Improved peak detection in mass spectrum by incorporating continuous wavelet transform-based pattern matching[J]. Bioinformatics, 2006, 22(17): 2059-2065. [本文引用:1]
[10] 肖立志, 谢然红. 核磁共振在石油测井与地层油气评价中的应用[J]. 中国工程科学, 2003, 5(9): 87-94.
XIAO Lizhi, XIE Ranhong. Applications of NMR to oil well logging and formation evaluation[J]. Engineering Science, 2003, 5(9): 87-94. [本文引用:1]
[11] 王忠东, 汪浩, 李能根, 等. 核磁共振岩心基础实验分析[J]. 测井技术, 2001, 25(3): 170-174.
WANG Zhongdong, WANG Hao, LI Nenggen, et al. Analysis of core NMR data from laboratory measurements[J]. Well Logging Technology, 2001, 25(3): 170-174. [本文引用:2]
[12] 何宗斌, 倪静. 稠油油样核磁共振与粘度实验测量结果及研究[J]. 石油天然气学报, 2006, 28(5): 82-84.
HE Zongbin, NI Jing. Experimental results and study on nuclear magnetic resonance and viscosity of viscous oil samples[J]. Journal of Oil and Gas Technology, 2006, 28(5): 82-84. [本文引用:1]
[13] 肖立志, 谢然红, 廖广志. 中国复杂油气藏核磁共振测井理论与方法[M]. 北京: 科学出版社, 2012.
XIAO Lizhi, XIE Ranhong, LIAO Guangzhi. Theory and method of NMR logging for chinese complex oil and gas reservoirs[M]. Beijing: Science Press, 2012. [本文引用:1]