2. 中国煤炭科工集团西安研究院有限公司, 西安 710077
2. Xi'an Research Institute of China Coal Technology and Engineering Group Corp, Xi'an 710077, China
致密砂岩储层孔隙度低[1-2]、渗透率低[3]、非均质性强，气层所对应的测井响应特征较为复杂，气层识别和评价难度较大、多解性突出。致密砂岩气层识别方法多种多样：定性识别方法主要根据储层中天然气对中子、声波、密度等测井曲线的影响，利用曲线重叠法来识别气层；半定量方法主要为各种交会图法。但是，曲线重叠法和交会图法的漏判率高，受泥质含量影响较大。定量方法有纵波时差差比法、视流体识别指标法、地层含气指标法、等效弹性模量差比法、天然气标志法、纵横波速度比法。
前3种方法在致密砂岩气层识别中挖掘效应不明显时效果不明显； 后三种方法需要阵列声波测井资料，但是不是所有井都有阵列声波测井。智能识别方法有模糊模式识别法、神经网络、灰色模式识别法、遗传算法等。利用智能识别方法识别气层需要大量的样本进行训练，并且具有区域性[4-5]。利用常规测井曲线定量评价致密砂岩含气性比较困难。曲线重构法[6]是利用测井曲线判断含气性的概率，以多种储层特征参数加权计算，最后构成一条反映含气性高低的曲线。神经网络在致密砂岩气层的压裂产能定量预测上取得较好的应用成果[7-8]。其中，广义回归神经网络(GRNN)具有精度高、运行速度快、网络结构简单的优点[9-10]，因此可以用来定量评价致密砂岩含气性。
本文使用常规测井曲线，利用交会图法从致密砂岩含气性特征进行分析，建立苏里格地区的简单的含气性指标，并利用GRNN重构含气性、含水性曲线，建立流体类型定量评价指示曲线，进行致密砂岩含气性定量评价。
1 致密砂岩含气测井特征致密砂岩测井曲线因为孔隙结构复杂、非均质性强，所以特征比较复杂，储层含气性在测井曲线上的表现也比较复杂[11]。交会图法是一种测井资料的解释技术。它是把两种测井数据在平面图上交会，根据交会点的坐标定出所求参数数值和范围的一种方法。这种方法简明直观，能把大量的数据在一个平面里显示出来，便于进行与趋势有关的问题判断。本文使用交会图法分析致密砂岩含气测井特征。
本文根据苏里格盒8段试气层段的测井数据制作各常规测井曲线的交会图。具体做法是：以进行了试气试水的层位为统计对象，分别读取相应层段的测井平均曲线值做交会图。分析目的层段的测井曲线发现，深浅电阻率并没有分离；在读取测井数值之前，不需要进行泥浆侵入的影响校正。对苏里格地区盒8层段129个试气层段进行分析发现，其中包括气层66个，气水层27个，含气层13个，含气水层7个，水层9个，干层7个。根据作出的交会图可以进行含气测井特征分析，也可将评价判断的层段测井值投在对应的图版上，根据所投点的位置来识别气层。
图 1a、b、c、d分别为研究区测试层段电阻率与声波时差交会图、中子与电阻率交会图、密度与电阻率交会图、自然伽马与电阻率交会图。由图 1可知，致密砂岩干层、含气层、含气水层、气层、气水层、水层的测井特征比较复杂，各类型层的测井特征界限不是很明显。致密砂岩气层电阻率有高有低，66个气层中，电阻率大于100 Ω·m的气层有12个，低阻气层占大部分。总体来说，致密砂岩含气时表现为“三高一低”：高声波时差、高自然伽马、高中子，低电阻率。
|
| 图 1 研究区测试层段测井参数交会图 Figure 1 Loggingcross-plot of tested layers in the study area |
|
|
利用图 1可以进行气层的定性识别。其中：图 1a效果最佳，能够较清晰地将气层和水层分开；图 1b效果次之，但是也有较好的效果，能够大致将水层和气层分开；图 1c和图 1d很难将气层与水层分开。
2 指标法识别气层 2.1 声波电阻率交会指标由图 1a可知，分界线的右上方为气层。将图版数字化，得到气层识别指标RLLDac：首先，从图 1上得到气水分界线的方程
(1) 这样，将声波测井数据代入到公式(1)中，即可得到一个气水分界处的电阻率值RLLDb；然后，用实际的深侧向测井值RLLD与RLLDb做差：
(2) 即得到参数RLLDac。
识别标准：当RLLDac≥0时，为气层；当RLLDac ＜0时，为非气层。
利用上述方法对苏里格地区的井进行了处理， 主要试气层段的识别效果如图 2所示。X39井试气层段为2 884~2 888 m，日产气1 2478 m3；RLLDac指示为气层，与试气结论一致。
|
| mD(毫达西)为非法定计量单位，1mD=0.987×10-3 μm2，下同。 图 2 X39井声波电阻率交会指标(LLDAC)识别气层效果图 Figure 2 Effect figure of distinguishing gas layer by RLLDAC in well X39 |
|
|
根据图 1b，认为图 1b中分界线的右上方为气层，从而将图版数字化，得到气层识别指标RLLDcnl。首先，从图 1b上得到气层分界线的方程
(3) 这样，将中子孔隙度测井数据代入到公式(3)中，即可得到一个气层分界处的电阻率值RLLDa；然后，用实际的深侧向测井值RLLD与RLLDa做差：
(4) 得到参数RLLDcnl。
识别标准：当RLLDcnl≥0时，为气层；当RLLDcnl ＜0时，为非气层。
利用上述这种方法对苏里格地区的井进行了处理，主要试气层段的识别效果如图 3所示。X18井试气层段为3 112~3 116 m，日产气21 086 m3；RLLDcnl指示为气层，与试气结论一致。
|
| 图 3 X18井中子电阻率交会指标识别气层效果图 Figure 3 Effectfigure of distinguishing gas layer by RLLDcnl in well X18 |
|
|
致密砂岩含气性测井特征复杂，很难用一种或两种测井参数对含气性做出判断，尤其是井眼条件较差时。本文在前人的基础上，利用GRNN神经网络，综合各测井参数，预测日产气量和日产水量，并根据预测的日产气量和日产水量计算含水率fw：
(5) 式中：Q
本文利用GRNN网络构筑测井参数与日产气量和日产水量之间的关系，选取的测井参数依次为：电阻率、自然伽马、声波、中子、密度。
| 日产气量/(m3/d) | 日产水量/(m3/d) | 含水率/% | |
| 气层 | ≥10 000 | / | ＜10% |
| 气水层 | ≥10 000 | / | [10%,90%) |
| 差气层 | ［1 000,10 000) | ＜4 | / |
| 干层 | ＜1 000 | ＜4 | / |
| 含气水层 | ［1 000,10 000) | ≥4 | / |
| ≥10 000 | / | ≥90% | |
| 水层 | ＜1 000 | ≥4 | / |
| 注：/表示在进行此项预测时，不考虑此条件，其他条件达到要求即可。 | |||
GRNN具有很强的非线性映射能力和柔性网络结构，以及高度的容错性和鲁棒性，适用于解决非线性问题。它的网络结构随着样本的确定而确定，网络结构设计简单，这样就避免了像BP网络那样的“黑箱问题”。GRNN在逼近能力和学习速度上比径向基函数神经网络(RBF网络)有更强的优势，并且在样本数据较少时，预测效果也较好。此外，GRNN还可以处理不稳定的数据［4]。GRNN的结构如图 4所示。
|
| 图 4 GRNN神经网络结构图 Figure 4 GRNN neural network structure |
|
|
GRNN的学习样本确定之后，网络的训练就是确定平滑参数δ[12]。δ越趋近于0，训练样本的拟合度越高，网络的适应性越差，预测效果就越差。GRNN中δ的确定是通过实际训练的效果来确定的；经过计算比较，认为δ的值选择0.045即可。对苏里格地区的129个试气层段建立重构曲线模型，随机选取其中的100个试气层段建立含气性曲线和含水性曲线，另外29个试气层段作为预测检验样本。建立含气性曲线和含水性曲线之后，应用到井中进行气水识别。回判及预测效果如图 5所示。由图 5可见：回判100个样本，正确判断99个，其中1个气水层判断为含气水层，回判准确率为99%；预测29个样本，正确判断20个，其中1个气水层判断为含气层，5个气层判断错误，2个干层判断为含气水层和水层，1个含气层判断为气水层，预测准确率为69%。
|
| 图 5 GRNN回判效果(a)及预测效果(b) Figure 5 Back estimation(a) and prediction effect(b) of GRNN |
|
|
将上述GRNN曲线重构建立的模型挂接到勘探测井解释平台FORWARD上进行曲线重构与含气性分析。图 6是处理X10井的示例。图 6中第7道是GRNN重构的曲线，对含水性曲线和含气性曲线形成的包络线进行填充，填充的面积越大指示含气量越高。X10 井3 090~3 095 m段，GRNN曲线重构的含气性曲线、含水性曲线以及含水率曲线指示为气层，实际测试日产气106 133 m3/d。图 7是X18井处理效果图。X18井3 110~3 121 m层段，GRNN曲线重构法解释分为气层和气水层，实际日产气21 086 m3/d。GRNN解释与实际生产符合较好。
|
| 第8道流体特征曲线标值1—6依次指示干层、含气层、含气水层、气层、气水层、水层。 图 6 X10井GRNN曲线重构图 Figure 6 GRNN curve reconstruction of well X10 |
|
|
|
| 第8道流体特征曲线标值1—6依次指示干层、含气层、含气水层、气层、气水层、水层。 图 7 X18井GRNN曲线重构图 Figure 7 GRNN curve reconstruction of well X18 |
|
|
综合应用指标法和GRNN曲线重构评价含气性方法对井进行处理。X60 井综合处理图如图 8所示。由图 8可见：RLLDac和RLLDcnl对含气有一定的指示，RLLDac的含气性指示比RLLDcnl更好，而RLLDac和RLLDcnl对含水却不能指示；GRNN曲线重构法在含气和含水上均有较好的指示，但是在产气层段也指示了产水特征，在产水不产气层段，仍有产气的指示；两种方法在气层上有较好的一致性；但是在3 023~3 025 m段的水层上，GRNN曲线重构法较好，指标法不能指示含水特征。
|
| 图 8 X60井含气性综合评价图 Figure 8 Comprehensive evaluation figure of Gas bearing of well X60 |
|
|
1) 致密砂岩测井曲线因为孔隙结构复杂、非均质性强，所以特征比较复杂，气水在测井曲线上表现也比较复杂。致密砂岩的干层、含气层、含气水层、气层、气水层、水层的测井特征比较复杂，各类型的测井特征界限不是很明显。总体来说，致密砂岩含气时表现为“三高一低”，即高声波时差、高自然伽马、高中子，低电阻率。
2) 利用常规测井资料进行致密砂岩含气性评价时，使用基于交会图的指标法能评价含气性；但是不能很好地评价含水性。基于致密砂岩产能预测思想，使用GRNN神经网络评价含气性时，通过重构含气性曲线、含水性曲线以及含水率和流体特征曲线能够定量评价致密砂岩流体特征。
| [1] | 黄布宙, 潘保芝, 李舟波. 大庆徐家围子地区深部致密砂砾岩气层识别[J]. 吉林大学学报(地球科学版) , 2003, 33 (4) : 490-494. Huang Buzhou, Pan Baozhi, Li Zhoubo. The Recognition of Gas-Bearing Tight Sandstone Gravel Reservoirs at the Deep of Xujiaweizi in Daqing[J]. Journal of Jilin University (Earth Science Edition) , 2003, 33 (4) : 490-494. |
| [2] | 董建刚, 范晓敏. 致密砂岩孔隙度计算方法[J]. 吉林大学学报(地球科学版) , 2006, 36 (Sup. 1) : 193-196. Dong Jiangang, Fan Xiaomin. A Method to Calculate Porosity of Compact Sandstone[J]. Journal of Jilin University (Earth Science Edition) , 2006, 36 (Sup. 1) : 193-196. |
| [3] | 张海涛. 苏里格地区有效储层测井识别方法研究[D]. 西安:西北大学, 2010. Zhang Haitao.Well Logging Identification Method of Gas Reservoir in Sulige Field[D]. Xi'an:Northwest University,2010. http://cdmd.cnki.com.cn/article/cdmd-10697-1012278088.htm |
| [4] | 王飞. 交叉偶极声波测井资料处理及在致密气层评价中的应用研究[D]. 长春:吉林大学, 2013. Wang Fei. Research on the Application and Evaluation of Cross-Dipole Logging to Interpretation of Tight Reaervoirs[D]. Changchun:Jilin University,2013. http://cdmd.cnki.com.cn/article/cdmd-10183-1013192620.htm |
| [5] | 李云省, 曾渊奇, 田建波, 等. 致密砂岩气层识别方法研究[J]. 西南石油学院学报 , 2003, 25 (1) : 25-28. Li Yunsheng, Zeng Yuanqi, Tian Jianbo, et al. A Study on the Recognition Method of Tight Sandstone Gas Layers[J]. Journal of Southwest Petroleum Institute , 2003, 25 (1) : 25-28. |
| [6] | 张静. 苏里格地区致密砂岩含气性评价及产能预测[D]. 青岛:中国石油大学(华东), 2011. Zhang Jing. The Evaluation of Gas Characteristics of Tight Sandstone and Productivity Prediction of Sulige Gas Field[D].Qingdao:China University of Petroleum(East China), 2011. http://cdmd.cnki.com.cn/Article/CDMD-10425-1011286882.htm |
| [7] | 庄华. 苏里格致密砂岩气层压裂产能测井预测方法研究[D].长春:吉林大学,2013. Zhuang Hua. Research on Gas Productivity Prediction Based on Logs for Post-Frac Tight Sandstone Reservoirs in Sulige Area[D].Changchun:Jilin University,2013. http://cdmd.cnki.com.cn/article/cdmd-10183-1013195132.htm |
| [8] | 童凯军, 单钰铭, 廖特权, 等. 基于统计学的测井储层产能分级预测研究[J]. 天然气勘探与开发 , 2008, 31 (2) : 40-43. Tong Kaijun, Shan Yuming, Liao Tequan, et al. Based on the Statistical Classification Logging Reservoir Capacity Forecast[J]. Natural Gas Exploration and Development , 2008, 31 (2) : 40-43. |
| [9] | 潘保芝, 石玉江, 蒋必辞, 等. 致密砂岩气层压裂产能及等级预测方法[J]. 吉林大学学报(地球科学版) , 2015, 45 (2) : 649-654. Pan Baozhi, Shi Yujiang, Jiang Bici, et al. Research on Gas Yield and Level Prediction for Post-Frac Tight Sandstone Reservoirs[J]. Journal of Jilin University (Earth Science Edition) , 2015, 45 (2) : 649-654. |
| [10] | 李小强, 赵彦超. 基于MATLAB的广义回归神经网络的低渗特低渗砂岩气层产能预测[J]. 内蒙古石油化工 , 2009 (17) : 138-141. Li Xiaoqiang, Zhao Yanchao. MATLAB-Based GRNN Hypotonic Low Permeability Sandstone Gas Production Forecast[J]. Inner Mongolia Petrochemical Industry , 2009 (17) : 138-141. |
| [11] | 李霞, 石玉江, 王玲, 等. 致密砂岩气层测井识别与评价技术:以苏里格气田为例[J]. 天然气地球科学 , 2013, 24 (1) : 62-68. Li Xia, Shi Yujiang, Wang Ling, et al. Logging Identification and Evaluation Technique of Tight Sandstone Gas Reservoirs:Taking Sulige Gas Field as an Example[J]. Natural Gas Geoscience , 2013, 24 (1) : 62-68. |
| [12] | 邢晓哲, 骆伟. GRNN算法在电力系统状态估计中的应用[J]. 黑龙江电力 , 2011, 33 (1) : 50-52. Xing Xiaozhe, Luo Wei. State Estimation in Power System Based on GRNN Algorithm[J]. Heilongjiang Electric Power , 2011, 33 (1) : 50-52. |