油气勘探

致密碳酸盐岩储集层裂缝智能预测方法

  • 董少群 , 1, 2 ,
  • 曾联波 , 1, 3 ,
  • 杜相仪 1, 3 ,
  • 鲍明阳 1, 3 ,
  • 吕文雅 1, 3 ,
  • 冀春秋 1, 3 ,
  • 郝静茹 1, 2
展开
  • 1.中国石油大学(北京)油气资源与探测国家重点实验室,北京 102249
  • 2.中国石油大学(北京)理学院,北京 102249
  • 3.中国石油大学(北京)地球科学学院,北京 102249
曾联波(1967-),男,湖南沅江人,博士,中国石油大学(北京)教授,主要从事储集层裂缝形成、分布及预测技术,应力场分析与应用,非常规油气储集层地质评价等方面的研究。地址:北京市昌平区府学路18号,中国石油大学(北京)地球科学学院,邮政编码:102249。E-mail:

董少群(1988-),男,山东寿光人,博士,中国石油大学(北京)副教授,主要从事储集层裂缝识别预测、裂缝网络建模、机器学习等研究。地址:北京市昌平区府学路18号,中国石油大学(北京)理学院,邮政编码:102249。E-mail:

收稿日期: 2022-05-27

  修回日期: 2022-10-18

  网络出版日期: 2022-11-17

基金资助

国家自然科学基金青年资助项目(42002134)

中国博士后科学基金第14批特别资助项目(2021T140735)

An intelligent prediction method of fractures in tight carbonate reservoirs

  • DONG Shaoqun , 1, 2 ,
  • ZENG Lianbo , 1, 3 ,
  • DU Xiangyi 1, 3 ,
  • BAO Mingyang 1, 3 ,
  • LYU Wenya 1, 3 ,
  • JI Chunqiu 1, 3 ,
  • HAO Jingru 1, 2
Expand
  • 1. State Key Laboratory of Petroleum Resources and Prospecting, China University of Petroleum, Beijing 102249, China
  • 2. College of Science, China University of Petroleum, Beijing 102249, China
  • 3. College of Geoscience, China University of Petroleum, Beijing 102249, China

Received date: 2022-05-27

  Revised date: 2022-10-18

  Online published: 2022-11-17

摘要

通过挖掘多源异构多尺度数据中的裂缝信息降低裂缝预测的不确定性,在单井裂缝识别裂缝指示参数法的基础上,改进3种人工智能方法,从小样本分类预测、多尺度非线性特征提取、预测模型方差减小提升裂缝识别精度。井间裂缝发育趋势预测方法是通过人工智能地震属性裂缝预测获取井间裂缝带细节,与地质力学数值模拟获得的断层相关裂缝信息互补,提高裂缝预测的可靠性。最后通过协同序贯模拟耦合单井与井间裂缝信息,生成裂缝网络建模所需的裂缝密度体。以中东扎格罗斯盆地A油田渐新统—中新统AS组致密碳酸盐岩储集层为例,对该方法进行了应用和检验。结果表明,单井裂缝识别准确率相比常规裂缝指示参数法提高15个百分点以上,井间裂缝发育趋势预测法相比复合地震属性预测提高25个百分点以上,所建裂缝网络模型与产液指数具有较好一致性。

本文引用格式

董少群 , 曾联波 , 杜相仪 , 鲍明阳 , 吕文雅 , 冀春秋 , 郝静茹 . 致密碳酸盐岩储集层裂缝智能预测方法[J]. 石油勘探与开发, 2022 , 49(6) : 1179 -1189 . DOI: 10.11698/PED.20220367

Abstract

An intelligent prediction method for fractures in tight carbonate reservoir has been established by upgrading single-well fracture identification and interwell fracture trend prediction with artificial intelligence, modifying construction of interwell fracture density model, and modeling fracture network and making fracture property equivalence. This method deeply mines fracture information in multi-source isomerous data of different scales to reduce uncertainties of fracture prediction. Based on conventional fracture indicating parameter method, a prediction method of single-well fractures has been worked out by using 3 kinds of artificial intelligence methods to improve fracture identification accuracy from 3 aspects, small sample classification, multi-scale nonlinear feature extraction, and decreasing variance of the prediction model. Fracture prediction by artificial intelligence using seismic attributes provides many details of inter-well fractures. It is combined with fault-related fracture information predicted by numerical simulation of reservoir geomechanics to improve inter-well fracture trend prediction. An interwell fracture density model for fracture network modeling is built by coupling single well fracture identification and interwell fracture trend through co-sequential simulation. By taking the tight carbonate reservoir of Oligocene-Miocene AS Formation of A Oilfield in Zagros Basin of the Middle East as an example, the proposed prediction method was applied and verified. The single-well fracture identification improves over 15% compared with the conventional fracture indication parameter method in accuracy rate, and the inter-well fracture prediction improves over 25% compared with the composite seismic attribute prediction. The established fracture network model is well consistent with the fluid production index.

0 引言

地层形成过程中,常常受到多个期次、不同方向、不同强度构造运动的影响。相比常规储集层,致密储集层由于脆性大、更容易发生破裂,因此致密储集层多发育由不同产状天然裂缝组成的裂缝网络系统[1-2]。裂缝网络是致密油气的重要储集空间和有效渗流通道[3-4],影响致密油气富集、单井产能和开发效果[5-6],裂缝预测研究对致密油气勘探开发具有重要意义[7]
致密储集层裂缝预测包括单井裂缝识别、井间裂缝发育趋势预测、井间裂缝密度体构建、多组系裂缝网络建模及裂缝属性粗化等内容。其中,单井裂缝识别是基础,井间裂缝发育趋势预测是保障,井间裂缝密度体是单井和井间裂缝发育趋势预测结果的耦合和升级,三维裂缝网络建模是多尺度多源异构裂缝信息的融合手段[8-9]。如何准确高效地预测单井、井间裂缝发育程度,如何构建可高效约束裂缝建模的井间裂缝密度体,如何综合利用岩心、测井、地震等不同尺度多源异构数据建立三维裂缝网络模型,是致密储集层裂缝网络预测亟待解决的关键性难题[10]。基于人工智能的致密储集层裂缝预测,通过对地质和地球物理多源信息的深度挖掘和综合利用,有望突破现有理论和技术的局限性,为实现致密油气的高效开发提供有效技术支撑[11]。本文将重点关注致密储集层裂缝预测中的单井裂缝识别、井间裂缝发育趋势预测和井间裂缝密度体构建方法。
单井裂缝发育情况可通过岩心资料和测井(井壁成像测井、常规测井)资料进行评价[12]。岩心裂缝描述可以给出井轨迹处裂缝发育情况的第1手信息,但地下储集层岩石取心成本高,通常岩心资料较少。井壁成像测井可以直观地展现井壁周围裂缝的形态及分布情况,但其测量成本高,资料往往有限[13]。常规测井是油气勘探开发中大部分井都会采集的测井系列,裂缝发育处的物理性质变化在常规测井曲线上呈现出一定响应,可用于了解全区整个目的层段的裂缝发育规律,但裂缝的常规测井响应弱且极为复杂,致使常规测井裂缝识别多解性强。如何从数量不多的岩心(或井壁成像)标定的有标签常规测井数据中,提取裂缝导致的测井响应,建立常规测井曲线与裂缝发育情况的非线性预测模型,降低单井裂缝信息的多解性,是常规测井裂缝识别的关键性难题[10,14]。人工智能方法为突破常规测井裂缝识别瓶颈提供了契机[15],目前较为常用的测井裂缝识别人工智能方法有常规方法(贝叶斯判别分析[16]、K近邻算法等)、核方法(支持向量机、单核Fisher判别分析、多核Fisher判别分析[17]、拉普拉斯支持向量机[14]等)、集成学习方法(随机森林、梯度提升决策树、自适应提升算法等)[18]和神经网络方法(BP神经网络、卷积神经网络、循环神经网络等)[19-20]等。人工智能方法主要利用岩心裂缝描述或井壁成像测井裂缝解释指导常规测井裂缝识别。
井间裂缝发育趋势预测可通过储集层地质力学数值模拟或地震资料解释来实现。地下裂缝系统的形成受到构造运动的影响,储集层地质力学数值模拟通过连续介质有限元数值模拟和岩石破裂准则,分析地下储集层的受力及裂缝形成过程,它适用于宏观了解井间裂缝分布情况,特别是断层相关裂缝[21-22]。地下储集层中破裂的岩石会产生地震波传播的各向异性,其在地震属性资料上会有一定程度显示[23],地震属性包含较多井间裂缝发育带的细节信息,因此可用地震属性预测裂缝发育带,而裂缝储集层的地震响应受岩性、流体等多因素影响,地震裂缝发育带预测多解性强。近年来,越来越多的人工智能算法被用于地震属性裂缝预测,代表方法有核方法(例如支持向量机)、集成学习方法(随机森林)等。支持向量机利用核函数替换技巧将低维线性不可分的地震数据映射到高维特征空间,实现对裂缝非线性特征的提取和利用[24]。随机森林方法由多个预测子模型组成,用于不确定性较低的裂缝预测[16]
裂缝密度是确定裂缝网络模拟的终止条件,对裂缝网络模型的连通性影响较大。井间裂缝密度体是约束裂缝网络建模最有效的数据,但较难获取。实际应用中,通常退而求其次选用单井裂缝密度或同层位露头裂缝密度作为裂缝网络模拟的约束条件[9-10],而井间裂缝发育信息的缺失势必导致裂缝建模精度的下降。构建符合地下储集层井间裂缝密度的约束体,对提高裂缝建模精度至关重要。
本文充分利用岩心、常规测井、井壁成像测井、地震等多源多尺度资料,在原有致密储集层裂缝预测的框架基础上,通过人工智能改进、升级其中的单井裂缝识别和井间裂缝发育趋势预测方法,建立了1套致密碳酸盐岩储集层裂缝智能预测方法,以提高储集层裂缝预测的精度。本文所提出的预测方法的智能化改进包括:①将3种人工智能算法(支持向量机、多核Fisher判别分析、随机森林)融入常规裂缝识别方法(裂缝指示参数法),从小样本分类、多尺度非线性特征提取、预测模型方差减小3个方面改进识别模型, 综合识别单井裂缝发育情况,以降低识别的不确定性。②通过储集层地质力学数值模拟和地震属性预测两种途径获得井间裂缝发育趋势。其中,井间裂缝发育趋势地震反演通过人工智能集成学习算法(梯度提升决策树)形成较为稳健的裂缝预测模型。③在单井裂缝识别和井间裂缝发育趋势预测的基础上,建立可用于直接约束裂缝网络建模的井间裂缝密度约束体构建方法。此外,裂缝网络建模方面考虑了裂缝组系、各组系发育强度、层控等多种因素,以建立更符合地下储集层网络系统的裂缝网络模型。

1 单井裂缝测井智能识别方法

1.1 裂缝测井智能识别方法基本原理

裂缝智能综合识别方法如图1所示,其综合了裂缝指示参数法、支持向量机、多核Fisher判别分析和随机森林方法,通过多种方法集成减少单井裂缝识别结果的不确定性。既继承了常规裂缝识别方法中分形、曲线重构等优点,又充分利用了人工智能深度挖掘信息的能力。不同裂缝解释的结果Fi将通过(1)式融合为F函数。F函数的数值范围为0~1,体现了裂缝发育的概率,数值越接近1则代表裂缝发育的概率越大。
$F=\sum\nolimits_{i=1}^{n}{{{\omega }_{i}}norm({{F}_{i}}})$
图1 裂缝测井智能识别方法原理图

1.2 智能识别方法中涉及的常规及人工智能方法

1.2.1 裂缝指示参数法

裂缝指示参数(f)由两部分组成,即综合指数(c)和分形维数(d[25],具体如下:
f=ac+bd
综合指数c针对测井曲线对裂缝响应弱的问题,重新构建多条反映裂缝发育概率的测井曲线,并赋予不同的权重,以放大裂缝响应特征,在一定程度上抵消了孔隙、岩性等因素的影响[26]。分形维数d通过分形维数来描述测井曲线几何形状的复杂程度,反映地层裂缝的发育情况。致密储集层中裂缝越发育,测井曲线起伏越大,形状幅值相对异常越明显,分形维数就越大。

1.2.2 支持向量机算法

支持向量机是一种基于统计学理论的核方法[27],其基本思想是对于低维空间中线性不可分的样本,通过核函数将样本空间映射到更高维度的向量空间,通过间隔最大化的方式,在特征空间中求出最优分类面,以解决非线性的分类问题[28]

1.2.3 多核Fisher判别分析法

多核Fisher判别分析是单核Fisher判别分析的一种改进[17,29]。通过核函数替换技巧,单核Fisher判别分析可将原始测井曲线根据裂缝发育情况映射到高维非线性特征空间,再通过线性判别分析进行降维和裂缝有效特征提取,“一升一降”实现从弱测井响应中挖掘有效裂缝识别信息。单核Fisher判别分析仅利用了1个特征空间的信息,而不同尺度的特征空间中均存在有益于裂缝识别的信息[29]。多核Fisher判别分析通过对多尺度非线性特征空间中裂缝信息的综合利用,实现了对裂缝识别信息更加全面和深入的挖掘。

1.2.4 随机森林算法

随机森林根据多个子分类器(决策树)的预测结果投票决定最终预测结果,是一种基于决策树和套袋法的集成学习算法[30]。随机体现在样本随机抽样和特征随机抽样。样本随机抽样保证子分类器使用不同的样本,特征抽样保证子分类器使用不同特征,可从不同物理响应特征的角度分析裂缝发育情况[16]。裂缝识别模型的误差主要由预测模型的方差和偏差组成,该方法通过两个“随机”及集成投票法以减少模型的方差,提高裂缝识别精度。

2 井间裂缝密度体构建方法

三维裂缝密度模型是通过地质统计学方法,将单井裂缝信息与井间裂缝发育趋势进行耦合,建立可用于裂缝网络建模的三维裂缝密度模型,它是裂缝网络建模的基础。其中,井间裂缝发育趋势通过储集层地质力学数值模拟和地震属性井间裂缝发育趋势预测综合获得。

2.1 融合单井和井间裂缝发育趋势的三维裂缝密度预测方法

本节所提三维裂缝密度预测方法分为以下3步:①综合储集层地质力学数值模拟结果、人工智能地震属性裂缝预测形成裂缝发育强度空间分布,以此作为井间裂缝发育趋势,通过协同序贯高斯模拟将单井裂缝解释扩展到三维空间,获得三维裂缝发育强度(见图2)。该三维地质模型可反映裂缝发育程度的空间展布,但不能直接应用于后续裂缝网络建模,因此需要将其转换为三维裂缝密度(如P3,2)模型。②将裂缝发育强度转换为裂缝线密度P1,0。成像测井裂缝解释P1,0标定常规测井单井裂缝解释结果,将裂缝发育强度转换为P1,0三维模型。③将P1,0转换为P3,2三维裂缝密度模型。P1,0P3,2之间具有正相关关系,利用裂缝产状与井轨迹间的关系得到裂缝密度P1,0P3,2的关系[31],便可将三维裂缝发育强度转换为三维裂缝密度(P3,2)模型。
图2 三维裂缝密度预测方法基本原理
基于储集层地质力学数值模拟的裂缝三维趋势模型相对平滑,对于断层相关的裂缝具有较好的预测能力。基于地震属性的人工智能裂缝发育趋势体相比前者要求细节更多,对于非断层相关的裂缝发育带也具有较好的响应特征。两者一定程度上均可以反映裂缝的井间发育趋势,且可互补,因此本文将两者作为软数据,利用井上裂缝识别结果作为硬数据,通过步骤①中地质统计学协同插值方法将其融合为三维裂缝发育强度约束体,既综合了储集层地质力学数值模拟对断层相关裂缝预测的优势,以及地震属性的人工智能井间裂缝发育带预测的细节,又加入了单井裂缝硬数据信息的校正。模拟终止条件是裂缝网络建模中的难点,储集层地质力学数值模拟、地震属性预测建立的裂缝发育强度约束体虽然可以反映井间裂缝发育趋势,但均无法直接用于确定裂缝网络模拟的终止条件,需要利用单井裂缝密度或全区裂缝密度等辅助信息,因此本文通过步骤②、③将裂缝发育强度三维体模型最终转换成裂缝网络建模直接可以使用的P3,2体模型数据,可以更为方便地用于三维裂缝网络建模。

2.2 基于储集层地质力学数值模拟的井间裂缝趋势预测方法

储集层地质力学数值模拟通过模拟研究区受力过程,以研究区构造演化背景为基础,综合裂缝发育的控制因素,近似模拟构造运动时岩石的破裂过程,从而计算研究区各层位岩石的破裂指数。通过单井裂缝解释对模拟结果进行校正,即可得到裂缝发育程度空间展布。
储集层地质力学数值模拟需要综合考虑地质因素、力学因素和数学因素[22,32],裂缝预测流程如图3所示。数值模拟的基本步骤为:①首先通过对研究区的构造演化分析确定研究区整体的构造形态,并利用研究区的实际三维构造格架资料确定研究区三维地质体的空间分布特征;以研究区岩相资料为基础,将三维地质体分成若干个地质体,建立研究区的地质模型[21]。②将地质模型结合各层位岩石力学参数,对不同的地质体赋予各自真实的岩石力学性质,构成力学模型;进而将三维力学模型离散化,根据各个地质体特征进行网格剖分,划分为有限个单元[33]。单元之间以线和面接触,通过节点相连,整个地质体地应力分析可以转化为单元节点的地应力分析。③对模型进行计算,并对模型进行检验,对误差较大的区域反复进行调试,最终得到研究区的三维地应力分布,从而反映出整个地质体应力场的分布变化[34]
图3 基于储集层地质力学的裂缝预测流程图

2.3 基于人工智能的地震属性井间裂缝发育趋势预测方法

叠后地震属性常用于沉积微相分析、断层及裂缝发育带识别等。断层及裂缝发育带在地震剖面上表现为同相轴的微小变化、扭曲等特征,在曲率、方差等地震属性上均有一定响应[35]。近年来,人工智能算法的迅速发展为多地震属性融合预测裂缝发育带提供了良好契机。裂缝发育带地震信号弱且复杂,如何有效提取裂缝信息,降低不确定性和多解性是亟待解决的难题。本文利用测井裂缝解释获得的单井裂缝密度标定地震数据,引入基于人工智能方法(梯度提升决策树)的地震属性裂缝预测方法解决上述问题,实现井间裂缝发育程度的预测(见图4)。
图4 基于地震属性的裂缝智能预测原理图
梯度提升决策树是一类集成学习算法,其由一系列决策树模型组成,每个决策树模型的拟合误差都会指导下一个决策树模型进行改进,算法通过逐步拟合逼近真实值(见图4)。该方法通过集成学习减小建立的模型与真实的裂缝预测关系之间的误差,从而有效地降低地震裂缝预测的不确定性。

3 基于裂缝网络建模的裂缝预测方法

3.1 三维裂缝网络建模方法

离散裂缝网络建模方法(Discrete fracture network,DFN)是一种基于示性点过程的随机建模方法,既考虑了裂缝的空间发育规律,又可以体现裂缝网络系统建模的不确定性[11,36]。该方法可以融合地震、露头、岩心、常规测井、井壁成像测井等多类型数据所获得的裂缝信息[8]。裂缝密度三维模型约束点过程生成裂缝中心位置[37]。示性过程利用岩心、井壁成像测井等获取的裂缝属性(走向、倾角、开度等)分布曲线赋予每个裂缝中心裂缝属性,生成三维裂缝片,常用的分布函数有指数分布、对数正态分布[37-38]。研究区致密储集层裂缝多发育高角度构造裂缝[25,29],且裂缝垂向伸展受层面控制,因此采用层控的方式逐层生成裂缝网络(见图5)。由于研究区受多期构造应力作用,形成了多组系裂缝,因此本文分组系生成不同走向的裂缝片[39],建模流程图如图5所示。
图5 三维离散裂缝网络建模流程图

3.2 三维裂缝网络属性等效方法

通过对裂缝离散网络模型粗化可以得到裂缝属性模型,包括裂缝孔隙度模型和裂缝渗透率模型。本文采用Oda算法[40]对裂缝模型进行了粗化,其原理是以网格内已知的参数信息为计算模板,通过分析这些网格和其他网格之间的相关性,进而对其他网格内的参数信息进行模拟。裂缝等效孔隙度等于该网格节点内的所有裂缝体积之和与该网格节点的体积之比(见图6),裂缝等效孔隙度模型可以直接根据离散裂缝网络模型计算得到。对于每个网格节点,其裂缝等效孔隙度等于该网格节点内所有裂缝体积之和与该网格节点体积之比,具体如下:
${{\phi }_{\text{f}}}=\frac{\sum\limits_{i=1}^{n}{{{A}_{\text{f}i}}{{\omega }_{\text{f}i}}}}{{{V}_{\text{cell}}}}\text{ }\!\!\times\!\!\text{ }100%$
图6 裂缝等效孔隙度示意图
裂缝渗透率等效表征根据裂缝的产状、开度等信息,将裂缝概化为半径为r的圆盘。含有一定数量裂缝模型的渗透率可以通过较为简单的算法,如平均法、复合平均法和基于三维数值解的流动方法等进行粗化[41]

4 致密碳酸盐岩储集层裂缝预测应用

4.1 研究区地质概况

扎格罗斯盆地由阿拉伯板块与欧亚板块持续碰撞挤压而形成(见图7)。研究区A油田位于扎格罗斯盆地西南缘,在伊朗与伊拉克的接壤处[42]。研究区渐新统—中新统AS组碳酸盐岩储集层自上而下可分为A、B、C、D 4个段。该组沉积时研究区处于碳酸盐台地沉积环境,以碳酸盐岩沉积为主,但受陆源碎屑物的影响,盆地局部有碎屑沉积[25]。其中A段以白云岩沉积为主,夹有石膏团块,平均孔隙度为8.7%,平均渗透率为10.6×10-3 μm2,属于低孔、中低渗储集层[25,43]。该地层的天然裂缝发育,具有一定产能,为典型的裂缝型致密储集层,本次研究以A段白云岩储集层为主要研究对象。
图7 研究区构造单元及研究区位置[29]
研究区的区域应力场主要受阿拉伯板块和欧亚板块控制,区域应力主要为北东—南西向和北北东—南南西向[25]。研究区天然裂缝按地质成因可分为构造裂缝和非构造裂缝,以高角度构造剪切裂缝为主,走向以北北东—南南西和北北西—南南东向为主,也可见部分北西西—南东东、北东东—南西西走向裂缝[25]。岩心观察表明,构造剪切裂缝的缝面平直光滑,倾角主要集中在70°~90°,以无充填裂缝为主,也可见部分低角度构造剪切裂缝、溶蚀裂缝、层理缝和缝合线等[25]

4.2 基于智能识别方法的测井裂缝解释应用

裂缝测井响应特征分析是裂缝测井识别的基础,利用岩心裂缝描述和井壁成像测井裂缝解释标定常规测井曲线,进行相关关系分析,以明确研究区裂缝的测井响应特征。如图8所示,红色代表裂缝发育段,蓝色代表无裂缝段。裂缝发育段具有声波测井值偏低、中子孔隙度测井值偏高、电阻率测井值偏低的特点,可见裂缝与非裂缝发育段测井响应存在一定差异,但裂缝与无裂缝样本仍有较多重叠区域,两者测井响应差异较小,所以需要放大裂缝响应强度,剔除非裂缝的影响。
图8 研究区测井参数关系图
在测井曲线敏感性分析的基础上,采用上述单井裂缝测井智能识别方法,对研究区的裂缝进行识别。单井裂缝识别结果及对比如图9所示,图中第2道红色曲线表示岩心描述中的裂缝发育情况,第3道紫色曲线为裂缝测井智能识别方法的识别结果,数值越接近1表明裂缝发育的概率越高,反之亦然。与岩心、井壁成像测井裂缝解释结果对比表明大部分裂缝均可被识别,只有少部分裂缝吻合度偏低,如2 970 m处在岩心上发育裂缝,但裂缝解释结果偏低。综合研究区5口取心及井壁成像测井裂缝解释结果分析表明,本文方法裂缝识别准确率超过90%,相比常规裂缝识别方法(例如裂缝指示参数法),准确率提高了15个百分点以上。
图9 研究区W-2井裂缝解释结果

4.3 裂缝密度三维地质模型构建实例应用

通过上述储集层的地质力学数值模拟,可以得到研究区裂缝形成时期的应力分布。从研究区模拟结果分析,最大主应力大小为60~90 MPa,最小主应力大小为25~45 MPa,差应力的大小为30~60 MPa。利用研究区的岩石力学参数,根据岩石破裂准则进行模拟和计算可以得出破裂指数,指示不同区域裂缝发育的强度。预测结果如图10a所示,破裂指数高的区域裂缝发育程度高,破裂指数低的区域裂缝发育程度低。
图10 基于储集层地质力学和地震属性的裂缝密度预测结果
利用单井裂缝解释结果标定地震属性,获得300个有标签的地震属性样本,建立基于GBDT的集成学习预测模型。应用训练好的模型预测整个研究区,结果如图10b所示,从图中可以看出地震预测的裂缝发育程度细节更为丰富。基于储集层地质力学数值模拟的裂缝发育强度可以体现裂缝发育带的分布趋势,而地震裂缝发育带预测结果可以根据地球物理响应差异得出更多裂缝分布的细节,两者可以互相弥补。按照图中流程,先通过同位协同序贯高斯数值模拟,以单井裂缝解释为硬数据,生成裂缝发育强度三维模型,再将其转换为裂缝密度(P3,2)三维模型(见图10c),为后续的裂缝建模提供裂缝空间发育趋势体。
通过预测结果与后验井测井解释结果对比,准确率在75%以上,相比复合地震属性裂缝预测结果,相关系数提高了25个百分点以上,表明人工智能的加入可以较好地提升井间裂缝发育程度的预测精度。通过裂缝预测结果的三维立体图与产液指数对比,产液指数与裂缝发育情况具有相关关系,表明本研究区的裂缝预测结果较为准确。

4.4 基于三维裂缝网络建模应用

依据研究区概况将裂缝分成4个组系(见图11),研究区裂缝发育4组走向的裂缝,其中北北西—南南东向裂缝最为发育,其次为近南北向裂缝,这两组裂缝发育于早期和中期构造较强烈的时期,北东—南西向裂缝发育较少,这组裂缝发育于晚期,此时构造作用已经较弱。每个组系裂缝相关参数如表1所示,其中裂缝走向、倾角等信息通过成像测井裂缝解释获得;裂缝开度则是综合薄片观察、常规测井解释、岩心裂缝描述得出的结果,常规测井解释使用深浅电阻率及针对致密碳酸盐岩储集层的罗贞耀模型获得,其中岩心裂缝开度计算时进行了压力校正,以还原地下裂缝开度。由于裂缝硬数据有限,本次将4个组系裂缝的开度进行了简化处理,设置为相同的范围,用于约束裂缝建模的裂缝密度趋势体见图11c。通过本文3.1节的方法建立裂缝网络模型(见图12)。
图11 研究区离散裂缝网络建模过程示意图
表1 研究区裂缝建模参数表
裂缝组系 走向/(°) 倾角/(°) 开度/μm 长度/m
1 33 78 0~300 0~150
2 72 70 0~200 0~150
3 116 70 0~200 0~150
4 167 78 0~300 0~150
图12 研究区裂缝属性三维模型
以研究区综合离散裂缝网络模型为基础,利用(3)式计算得到每个网格节点的裂缝等效孔隙度值,再粗化到基质储集层模型中获得裂缝等效孔隙度模型(见图12a)。选用Oda方法对每个网格节点不同方向的裂缝等效渗透率值进行计算,并将其粗化到基质储集层模型中获得3个方向的裂缝等效渗透率模型(见图12b—图12d),反映裂缝的渗流特征和储集特性,为油藏数值模拟提供数据基础。

4.5 裂缝网络模型有效性检验

通过对三维离散裂缝网络模型以及裂缝属性模型进行效果检验,可以验证模型的有效性。三维裂缝网络模型的检验通过截取后验剖面,将研究区裂缝发育强度模型剖面(见图13a)与离散裂缝网络模型剖面(见图13b)进行对比,可见裂缝发育强度高的区域裂缝片的数量较多,且裂缝发育强度与单井产液指数呈正相关关系,说明所建离散裂缝网络模型与实际情况较为符合。
图13 研究区离散裂缝网络模型后验图
裂缝属性模型的检验通过选取未参与模型建立的后验井渗透率与产液指数进行对比,相关性分析结果显示,渗透率与产液指数呈正相关关系,相关系数为0.83,表明研究区渗透率模型与产液指数相关性较高,研究区的等效渗透率模型较为可靠。
将双孔介质模型与单孔介质模型的单井含油量和产水率进行对比,结果表明,在未做历史拟合情况下双孔介质模型超过60%的生产井油量、含水率拟合效果好于单孔介质模型,效果好于单孔模型的井平面覆盖油田多数区域。

5 结论

本次研究针对致密碳酸盐岩储集层裂缝预测多解性强的难题,引入人工智能方法对传统裂缝预测中的单井裂缝识别和井间裂缝发育趋势预测进行改进和升级,在传统单井裂缝指示参数法的基础上,通过支持向量机、随机森林、多核Fisher判别分析算法从小样本分类预测、预测模型方差减小、多尺度非线性特征提取的角度3个方面提升单井裂缝识别精度,通过基于梯度提升决策树的地震属性裂缝预测提供断层间裂缝发育带的细节,与储集层地质力学数值模拟获得的断层相关裂缝信息相互弥补,综合提升井间裂缝发育带预测精度,通过协同序贯模拟将单井和井间裂缝信息耦合为裂缝网络建模所需的井间裂缝密度模型,最终形成了一套碳酸盐岩储集层裂缝智能预测方法,实现了从单井裂缝识别到井间裂缝发育趋势预测、到井间裂缝密度体、再到裂缝网络建模和裂缝属性粗化的多尺度信息融合和一体化智能预测方法,为后续油藏数值模拟奠定了基础。
利用上述方法在中东扎格罗斯盆地A油田渐新统—中新统AS组致密碳酸盐岩储集层进行了应用,实验结果表明,本文方法单井裂缝识别准确率在90%以上,相比常规裂缝识别方法(裂缝指示参数法)准确率提高了15个百分点以上;井间裂缝预测结果后验准确率在75%以上,相比传统复合地震属性裂缝预测,准确性提高了25个百分点以上;建立的裂缝网络模型属性粗化结果与产液指数较为吻合,在未做历史拟合情况下双孔介质模型超过60%生产井的产油量、含水率拟合效果好于单孔介质模型。
本次研究形成的致密碳酸盐岩储集层裂缝智能预测方法,可以为不同岩性储集层裂缝预测提供借鉴。本方法中的单井裂缝解释在未来研究中可以与阵列声波测井和远探测测井裂缝解释进行融合,以降低由于单井裂缝信息与地震裂缝信息间尺度差异造成的预测误差。
符号注释:
Af——网格节点内的裂缝面积,m2ab——权重系数,无因次;c——综合指数,无因次;d——分形维数,无因次;F——表征裂缝发育程度参数,无因次;Fi——不同方法解释所得的裂缝发育结果,无因次;f——裂缝指示参数,无因次;H——裂缝高度,m;KiKjKk——裂缝网络模型在ijk方向的等效渗透率,10-3 μm2L——裂缝长度,m;m——裂缝优势产状对应的裂缝法向向量;n——裂缝面法向向量;norm(•)——标准化函数;P1,0——单位厚度储集层内裂缝的条数,条/m;P3,2——单位体积储集层内裂缝的面积,m2/m3RS——浅侧向电阻率,Ω·m;RXO——冲洗带电阻率,Ω·m;s——井轨迹方向;Vcell——网格节点体积,m3ϕCNL——补偿中子孔隙度,%;ϕf——网格节点的裂缝等效孔隙度,%;ωf——网格节点内的裂缝开度,m;ωi——权重系数,无因次;δρα——nm的夹角、ms的夹角、ns的夹角,(°);∆t——声波时差,μs/m。
[1]
JU W, NIU X B, FENG S B, et al. Present-day in-situ stress field within the Yanchang Formation tight oil reservoir of Ordos Basin, central China[J]. Journal of Petroleum Science and Engineering, 2020, 187: 106809.

DOI

[2]
ZENG L B, SU H, TANG X M, et al. Fractured tight sandstone oil and gas reservoirs: A new play type in the Dongpu Depression, Bohai Bay Basin, China[J]. AAPG Bulletin, 2013, 97(3): 363-377.

DOI

[3]
MAILLOT J, DAVY P, LE GOC R, et al. Connectivity, permeability, and channeling in randomly distributed and kinematically defined discrete fracture network models[J]. Water Resources Research, 2016, 52(11): 8526-8545.

DOI

[4]
LYU W Y, ZENG L B, ZHOU S B, et al. Natural fractures in tight-oil sandstones: A case study of the Upper Triassic Yanchang Formation in the southwestern Ordos Basin, China[J]. AAPG Bulletin, 2019, 103(10): 2343-2367.

DOI

[5]
GONG L, WANG J, GAO S, et al. Characterization, controlling factors and evolution of fracture effectiveness in shale oil reservoirs[J]. Journal of Petroleum Science and Engineering, 2021, 203: 108655.

DOI

[6]
位云生, 王军磊, 于伟, 等. 基于三维分形裂缝模型的页岩气井智能化产能评价方法[J]. 石油勘探与开发, 2021, 48(4): 787-796.

WEI Yunsheng, WANG Junlei, YU Wei, et al. A smart productivity evaluation method for shale gas wells based on 3D fractal fracture network model[J]. Petroleum Exploration and Development, 2021, 48(4): 787-796.

DOI

[7]
曾联波, 吕鹏, 屈雪峰, 等. 致密低渗透储层多尺度裂缝及其形成地质条件[J]. 石油与天然气地质, 2020, 41(3): 449-454.

ZENG Lianbo, LYU Peng, QU Xuefeng, et al. Multi-scale fractures in tight sandstone reservoirs with low permeability and geological conditions of their development[J]. Oil & Gas Geology, 2020, 41(3): 449-454.

[8]
董少群, 曾联波, 车小花, 等. 人工智能在致密储层裂缝测井识别中的应用[J]. 地球科学, 2022, 66(1): 1-23.

DONG Shaoqun, ZENG Lianbo, CHE Xiaohua, et al. Application of artificial intelligence in fracture identification using well logs in tight reservoirs[J]. Earth Science, 2022, 66(1): 1-23.

DOI

[9]
董少群, 曾联波, XU Chaoshui, 等. 储层裂缝随机建模方法研究进展[J]. 石油地球物理勘探, 2018, 53(3): 625-641.

DONG Shaoqun, ZENG Lianbo, XU Chaoshui, et al. Some progress in reservoir fracture stochastic modeling research[J]. Oil Geophysical Prospecting, 2018, 53(3): 625-641.

[10]
董少群, 吕文雅, 夏东领, 等. 致密砂岩储层多尺度裂缝三维地质建模方法[J]. 石油与天然气地质, 2020, 41(3): 627-637.

DONG Shaoqun, LYU Wenya, XIA Dongling, et al. An approach to 3D geological modeling of multi-scaled fractures in tight sandstone reservoirs[J]. Oil & Gas Geology, 2020, 41(3): 627-637.

[11]
林伯韬, 郭建成. 人工智能在石油工业中的应用现状探讨[J]. 石油科学通报, 2019, 4(4): 403-413.

LIN Botao, GUO Jiancheng. Discussion on current application of artificial intelligence in petroleum industry[J]. Petroleum Science Bulletin, 2019, 4(4): 403-413.

[12]
ZENG L B, GONG L, GUAN C, et al. Natural fractures and their contribution to tight gas conglomerate reservoirs: A case study in the northwestern Sichuan Basin, China[J]. Journal of Petroleum Science and Engineering, 2022, 210: 110028.

DOI

[13]
赖锦, 王贵文, 孙思勉, 等. 致密砂岩储层裂缝测井识别评价方法研究进展[J]. 地球物理学进展, 2015, 30(4): 1712-1724.

LAI Jin, WANG Guiwen, SUN Simian, et al. Research advances in logging recognition and evaluation method of fractures in tight sandstone reservoirs[J]. Progress in Geophysics, 2015, 30(4): 1712-1724.

[14]
DONG S Q, ZENG L B, LYU W Y, et al. Fracture identification by semi-supervised learning using conventional logs in tight sandstones of Ordos Basin, China[J]. Journal of Natural Gas Science and Engineering, 2020, 76: 103131.

DOI

[15]
DONG S Q, ZENG L B, LYU W Y, et al. Fracture identification and evaluation using conventional logs in tight sandstones: A case study in the Ordos Basin, China[J]. Energy Geoscience, 2020, 1(3/4): 115-123.

DOI

[16]
BHATTACHARYA S, MISHRA S. Applications of machine learning for facies and fracture prediction using Bayesian Network Theory and Random Forest: Case studies from the Appalachian Basin, USA[J]. Journal of Petroleum Science and Engineering, 2018, 170: 1005-1017.

DOI

[17]
DONG S Q, ZENG L B, LIU J J, et al. Fracture identification in tight reservoirs by multiple kernel Fisher discriminant analysis using conventional logs[J]. Interpretation, 2020, 8(4): SP215-SP225.

[18]
程超, 何亮, 张本健, 等. 中坝气田须二段气藏裂缝分级评价方法[J]. 大庆石油地质与开发, 2020, 39(2): 56-64.

CHENG Chao, HE Liang, ZHANG Benjian, et al. Fracture grading and evaluating methods for reservoir Xu-2 in Zhongba Gas Field[J]. Petroleum Geology & Oilfield Development in Daqing, 2020, 39(2): 56-64.

[19]
TIAN M, LI B T, XU H M, et al. Deep learning assisted well log inversion for fracture identification[J]. Geophysical Prospecting, 2021, 69(2): 419-433.

DOI

[20]
NOURI-TALEGHANI M, MAHMOUDIFAR M, SHOKROLLAHI A, et al. Fracture density determination using a novel hybrid computational scheme: A case study on an Iranian Marun oil field reservoir[J]. Journal of Geophysics and Engineering, 2015, 12(2): 188-198.

DOI

[21]
FENG J W, QU J H, WAN H Q, et al. Quantitative prediction of multiperiod fracture distributions in the Cambrian-Ordovician buried hill within the Futai Oilfield, Jiyang Depression, east China[J]. Journal of Structural Geology, 2021, 148: 104359.

DOI

[22]
丁文龙, 曾维特, 王濡岳, 等. 页岩储层构造应力场模拟与裂缝分布预测方法及应用[J]. 地学前缘, 2016, 23(2): 63-74.

DOI

DING Wenlong, ZENG Weite, WANG Ruyue, et al. Method and application of tectonic stress field simulation and fracture distribution prediction in shale reservoir[J]. Earth Science Frontiers, 2016, 23(2): 63-74.

DOI

[23]
周文, 尹太举, 张亚春, 等. 蚂蚁追踪技术在裂缝预测中的应用: 以青西油田下沟组为例[J]. 岩性油气藏, 2015, 27(6): 111-118.

ZHOU Wen, YIN Taiju, ZHANG Yachun, et al. Application of ant tracking technology to fracture prediction: A case study from Xiagou Formation in Qingxi Oilfield[J]. Lithologic Reservoirs, 2015, 27(6): 111-118.

[24]
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.

SHI Guangren. Superiorities of support vector machine in fracture prediction and gassiness evaluation[J]. Petroleum Exploration and Development, 2008, 35(5): 588-594.

DOI

[25]
董少群, 孙福文, 何娟, 等. 伊拉克A油田Asmari组碳酸盐岩储层天然裂缝发育特征与主控因素[J]. 西安石油大学学报(自然科学版), 2022, 37(3): 34-43.

DONG Shaoqun, SUN Fuwen, HE Juan, et al. Development characteristics and main controlling factors of fractures in carbonate reservoirs of Asmari Formation of A Oilfield, Iraq[J]. Journal of Xi’an Shiyou University(Natural Science Edition), 2022, 37(3): 34-43.

[26]
YIN S, TIAN T, WU Z H. Developmental characteristics and distribution law of fractures in a tight sandstone reservoir in a low-amplitude tectonic zone, eastern Ordos Basin, China[J]. Geological Journal, 2020, 55(2): 1546-1562.

DOI

[27]
HOU E K, WEN Q, YE Z N, et al. Height prediction of water-flowing fracture zone with a genetic-algorithm support-vector-machine method[J]. International Journal of Coal Science & Technology, 2020, 7(4): 740-751.

[28]
DENG C X, PAN H P, FANG S N, et al. Support vector machine as an alternative method for lithology classification of crystalline rocks[J]. Journal of Geophysics and Engineering, 2017, 14(2): 341-349.

DOI

[29]
DONG S Q, ZENG L B, DU X Y, et al. Lithofacies identification in carbonate reservoirs by multiple kernel Fisher discriminant analysis using conventional well logs: A case study in A Oilfield, Zagros Basin, Iraq[J]. Journal of Petroleum Science and Engineering, 2022, 210: 110081.

DOI

[30]
QIAO X, CHANG F. Underground location algorithm based on random forest and environmental factor compensation[J]. International Journal of Coal Science & Technology, 2021, 8(5): 1108-1117.

[31]
WANG X H. Stereological interpretation of rock fracture traces on borehole walls and other cylindrical surfaces[D]. Blacksburg: Virginia Polytechnic Institute and State University, 2005.

[32]
GONG L, GAO S, LIU B, et al. Quantitative prediction of natural fractures in shale oil reservoirs[J]. Geofluids, 2021, 2021: 5571855.

[33]
LIU J S, DING W L, DAI J S, et al. Quantitative prediction of lower order faults based on the finite element method: A case study of the M35 fault block in the western Hanliu fault zone in the Gaoyou sag, East China[J]. Tectonics, 2018, 37(10): 3479-3499.

DOI

[34]
LIU J S, YANG H M, WU X F, et al. The in situ stress field and microscale controlling factors in the Ordos Basin, central China[J]. International Journal of Rock Mechanics and Mining Sciences, 2020, 135: 104482.

DOI

[35]
王玲玲, 魏建新, 黄平, 等. 裂缝储层地震物理模拟研究[J]. 石油科学通报, 2017, 2(2): 210-227.

WANG Lingling, WEI Jianxin, HUANG Ping, et al. Study of seismic physical modelling of fractured reservoirs[J]. Petroleum Science Bulletin, 2017, 2(2): 210-227.

[36]
FIALLOS M, MORALES A, YU Wei, 等. 基于嵌入式离散裂缝建模的Eagle Ford页岩油复杂水力裂缝综合表征[J]. 石油勘探与开发, 2021, 48(3): 613-619.

FIALLOS M, MORALES A, YU Wei, et al. Characterization of complex hydraulic fractures in Eagle Ford shale oil development through embedded discrete fracture modeling[J]. Petroleum Exploration and Development, 2021, 48(3): 613-619.

[37]
董少群, 曾联波, 曹菡, 等. 裂缝密度约束的离散裂缝网络建模方法与实现[J]. 地质论评, 2018, 64(5): 1302-1314.

DONG Shaoqun, ZENG Lianbo, CAO Han, et al. Principle and implementation of discrete fracture network modeling controlled by fracture density[J]. Geological Review, 2018, 64(5): 1302-1314.

[38]
DONG S Q, ZENG L B, DOWD P, et al. A fast method for fracture intersection detection in discrete fracture networks[J]. Computers and Geotechnics, 2018, 98: 205-216.

DOI

[39]
孙爽, 赵淑霞, 侯加根, 等. 致密砂岩储层多尺度裂缝分级建模方法: 以红河油田92井区长8储层为例[J]. 石油科学通报, 2019, 4(1): 11-26.

SUN Shuang, ZHAO Shuxia, HOU Jiagen, et al. Hierarchical modeling of multi-scale fractures in tight sandstones: A case study of the eighth member of the Yanchang Formation in wellblock 92 of the Honghe Oilfield[J]. Petroleum Science Bulletin, 2019, 4(1): 11-26.

[40]
ODA M, YAMABE T, ISHIZUKA Y, et al. Elastic stress and strain in jointed rock masses by means of crack tensor analysis[J]. Rock Mechanics and Rock Engineering, 1993, 26(2): 89-112.

DOI

[41]
刘慧卿, 马代鑫, 张松亭. 精细油藏描述数据的粗化方法研究[J]. 石油大学学报(自然科学版), 2003, 27(6): 36-38.

LIU Huiqing, MA Daixin, ZHANG Songting. Up-scaling technique for handing data of fine reservoir description[J]. Journal of the University of Petroleum, China (Edition of Natural Science), 2003, 27(6): 36-38.

[42]
欧成华, 陈伟, 李朝纯, 等. 扎格罗斯山前Fauqi背斜滑脱生长褶皱的构造几何解析与模拟[J]. 中国科学: 地球科学, 2016, 46(9): 1265-1277.

OU Chenghua, CHEN Wei, LI Chaochun, et al. Structural geometrical analysis and simulation of decollement growth folds in piedmont Fauqi Anticline of Zagros Mountains, Iraq[J]. SCIENCE CHINA Earth Sciences, 2016, 59(9): 1885-1898.

DOI

[43]
杜相仪, 董少群, 曾联波, 等. 碳酸盐岩铸体薄片面孔自动提取研究[J]. 地质论评, 2021, 67(6): 1910-1921.

DU Xiangyi, DONG Shaoqun, ZENG Lianbo, et al. Study of automatic extraction porosity using cast thin sections for carbonates[J]. Geological Review, 2021, 67(6): 1910-1921.

文章导航

/