论文部分内容阅读
孔隙度和渗透率是评价储层储集性能和渗流特征的重要参数,也是当前储层挖掘产能和提高采收率的关键。通常而言,孔渗可通过岩心实验获取,但由于取心成本较高,取心数量有限,无法刻画整个储层的孔渗特征。相比于“精而不全”的岩心实验数据而言,测井数据包含的储层信息比较全面,但却不够精准。鄂尔多斯盆地西缘中段上古生界盒8段储层是典型的致密砂岩储层,孔喉结构复杂,在以往储层物性评价工作中,利用已有模型和测井解释方法,预测结果与实际测试结果往往偏差很大,实际应用效果不佳。如何将“全而不精”的常规测井数据与“精而不全”的岩芯实验数据建立联系,利用前沿的数学算法充分挖掘常规测井数据中隐含的物性信息,建立基于孔喉结构实验室测试与常规测井资料联立的高精度孔渗预测模型是致密砂岩储层挖掘产能、提高采收率亟需解决的关键问题。本文以盒8段致密砂岩储层为研究示例,借助铸体薄片、扫描电镜、高压压汞、核磁共振以及CT扫描等实验手段,在系统研究致密砂岩储层孔渗主控因素的基础上,利用机器学习技术充分挖掘铸体薄片数据、高压压汞数据、核磁数据与常规测井数据之间的关系,提取更多常规测井数据中的孔渗信息,在模型构建中首次引入了成岩作用和微观孔喉结构对致密砂岩储层物性的影响因子,从而构建了基于孔喉结构特征实验室测试与测井资料联立的孔渗预测模型,形成了一套基于机器学习集成算法构建致密砂岩储层孔渗预测模型的新思路和有效技术方法。盒8段致密砂岩储层的沉积微相分析与数据聚类分析结果表明,其沉积环境和成岩作用相对单一,适宜采用统一建模方式。本文对致密砂岩储层孔渗影响因素和孔渗模型进行了研究,获得了以下五点结论和认识:1.研究区盒8段致密砂岩储层的成岩作用主要有压实作用、胶结作用、交代作用和溶解作用四大类型。其中次生溶孔和高岭石晶间孔为主要储集空间,原生粒间孔为次要储集空间。压实作用和胶结作用是造成储层物性变差的主要原因,其中水云母胶结以及绿泥石胶结与储层物性显著负相关。溶解作用对储层物性有明显的改善作用。2.能间接反应压实作用的塑性矿物在自然电位和密度测井上响应显著,塑性矿物与自然电位和密度负相关。高岭石胶结在钾、钍和声波时差测井上响应显著,高岭石胶结因子与钾、钍和声波时差负相关。碳酸盐胶结因子与密度正相关。基于机器学习建模时可将自然电位、密度、声波时差、钾和钍作为特征变量选择范畴,将成岩作用对致密砂岩储层物性的影响因子引入模型之中。3.研究区盒8段致密砂岩储层孔隙类型多样,主要发育纳米级和亚微米级孔喉,孔喉结构异常复杂。孔喉半径和孔喉半径比的大小可反映致密砂岩储层微观渗流能力的强弱,孔喉半径越大,配位数越高,孔喉连通性越强,岩心渗透率越大。孔喉半径比越大,渗透率越小,岩石渗流能力越强。基于高压压汞的中值压力以及分选系数,基于核磁共振的T2几何均值(离心)、可动流体饱和度、T2算术均值(饱和)以及束缚流体饱和度与储层物性密切相关。4.基于高压压汞和核磁共振实验构建了新的致密砂岩储层孔渗模型。在此基础上,构建了包含致密砂岩储层微观孔喉结构信息的表征因子R10以及FZI,并将其引入机器学习孔渗模型作为输入特征变量,为提高模型预测精度奠定了基础。5.基于机器学习构建致密砂岩储层孔隙度和渗透率模型,选择声波时差、中子、伽马、电阻率、高岭石胶结因子Eg以及压实作用表征因子Ey为孔隙度模型特征变量,选择孔隙度、声波时差、中子、自然电位、孔喉结构表征因子R10和FZI为渗透率特征变量。基于集成学习XGBoost的孔隙度模型预测精度最高,泛化性能最强。基于集成学习Stacking CVRegressor算法的渗透率模型预测精度最高,泛化性能最强。孔隙度预测精度由常规多元回归模型的53%提高到机器学习XGBoost模型的91%;渗透率预测精度由常规多元回归模型的32%提高到机器学习Stackingcvregressor模型的86%。结果表明机器学习XGBoost算法和Stacking CVRegressor算法解决了孔渗非线性问题和稀疏样本下孔渗预测精度低下泛化性能不足的问题,为致密砂岩储层孔隙度和渗透率评价模型的构建形成了有效技术方法。