伊朗碳酸盐岩油田的储层相模式特征.docx

1、伊朗碳酸盐岩油田的储层相模式特征伊朗碳酸盐岩油田的储层相模式特征摘要：构建相模式是所有随机几何建模中最重要的决定性步骤之一，他可以被用来任何特性模拟的条件参数，从而进一步得到更为可靠的储层表征描述。通过对六口井的伊拉克天然气储层组成的剖面的研究确定了该储层的3D相模式。结合这些井中的一口井的详细的岩心资料和薄层剖面描述资料，第一次得到十五个储层的相模式。由于岩心和测井数据分辨率的重要差异，这些相模式被归纳为关于交代过程和岩石物理相特性（渗透率和孔隙度）四种主要类型。影响岩石物理特性分布的岩相规格通常作为传统仿真模拟过程中所考虑的唯一依据。本文中，对储层特性差异（尤其是渗透率和孔隙度）有主要影响

2、作用的成岩作用在储层相分类中被考虑进来。利用可用的测井资料和以及在神经网络的帮助下进行聚类分析后，剩余五口井的相态分布情况也就可以限定了。利用SIS方法，并参考之前通过层序地层学生成的储层分层数据，在储层特征表中生成3D相模式分布特征，同时得到次生波阻抗地震学特性数据。这种特性可以通过基于应用于地震立方体的反转方法的模型得到。既然成岩作用是这种碳酸盐储层岩石参数的主要影响因素，这种影响因素被认为是储层相分析过程中最重要的参数。最终模型很好的表征每一个预期层序旋回特性，如：成岩作用和岩相。前言：发展精确储层地质模型是国际石油公司的主要目的。某种条件下的特定储层模型可以用来量化地下的油气，可以用来

3、优化油气生产过程，可以用来调整油田开发方案。利用地质统计学方法讨论不同储层特性的空间分布，两个最重要方面是每个地区的储层成带性和相带分布规律。在油藏建模中时常用到的岩相是非常重要的，因为岩石的物理特性与相类型紧密相关。岩相的经验可以限定孔隙度和渗透率的变化范围。而且，即使渗透率和孔隙度不取决于相模式，饱和度的功能却取决于它。所以，储层相模式（RF）被看作是地质建模的基石。一旦确定了分类体系，相模式就可以用累计岩心、测井以及可能的地震数据来进行表征，并在大量的相类型研究中应用。可能的应用如下：3D模型：通过利用地质网格或随机模型，相模式可以应用到3D油藏描述。无论是基于网格或基于对象，随机地质模

4、型在所有步骤中都取决于相模式分布情况。倍增模型：相模式分类为倍增操作提供了一个稳定的启动格架。在地质学到基于网格模拟模型过程中，相模式的概念实际上可能有助于减少该步骤的平滑效果，因为地质几何学仿真网格可以建立在小比例尺3D相模式分布之上。在单个的模拟层内的相模式分布亲源关系越相近，岩石物理特性额外添加的倍增过程就越能得到保护。这些还能保证地质学和岩石物理学特性在较高水平上得到最好的保护。这一过程中可以应用垂向分布曲线工具。近几年来，随着地质网格3D模型和随机模拟的出现，相模式作为油藏描述过程基础部分的角色在一步步加强。现在，建立一个详尽的相模式3D结构的可能性就要考虑到一个现实的现象就是油田的

5、岩石的复杂性，以及更为可靠的储层剖面的岩石物理特性分布估计。对伊朗碳酸盐岩油田的进一步研究，极大地表现出受各种不同的成岩作用过程的影响，为了更好的理解该油田的情况其中最重要的部分在附录A中列出并加以描述。储层相模式的确定在对该油田的研究中有6口垂直井，其中一口井有详细的岩心描述，6口井有完善的测井数据。此外，还有3D地震数据和与之相匹配的三次反演资料。储层相模式来源于岩心资料分析和小层剖面描述。15种不同类型的储层相模式可以在这些井的岩心剖面上看到（对这些储层相模式和特性的详细表述在附录B中列出）(Varavur，S.et all，2004)。这15种出储层相模式依据相似的特性可以很容易的区分

6、为4个主要的群组：极好、好、一般和差。这样分类的基础来源于不同岩相间发挥作用的成岩作用过程的相似性，还有孔隙度和渗透率范围的相似性(Tucker，2007)。这种分类对于用仅有的可用的测井数据得到的人工神经网络(ANN)拟合的最终结果同样有用。（如表1和图1所示）监督神经网络选取七种测井曲线作为分析的输入数据：CALI, GR, DT, NPHI, RXOZ, HLLD和PEFZ。通过数据集可以进行相关分析（如表2所示）。其中的系数显示了输入的每两个变量之间的相关关系。相关系数接近于1的参数表明数据可能有相同的来源。如果是这种情况，那么其中的一个参数就要被剔除(Qi, L., and Carr

7、, R, 2005)。主成分分析（PCA）可以用来在井的测井数据中找出主要成分。表3中所示，特征值给出了主要成分（PC）的相对重要程度。这些特征值得和应该等于这些主要成分的加权平均数。主要成分可以分列如下 ：主要成分1：特征值最大；主要成分2：特征值次之；等。多数情况下，人工神经网络分析只需要3-4种主要成分。对于各成分的特征值，下一步分析只选取四种最大的接近变量相对于整体数据集80%的主要成分。第一个成分（因素）表现出与RHOZ而不是NPHI很强的相关性。第二个成分，PC2，表现出与CALL的强相关性。第三个成分与PEFZ强相关。之后，就可以运用监督神经网络方法在四种储层相模式中挑选主要成分

8、。图2指出了利用井的完整的岩心描述得到的实际相模式和产生的监督神经网络方法的连续估计结果的不同。虽然详细的人工神经网络所得的结果和实际的岩心分析相模式分布可能似乎并不完全相同，但他们的趋势是相似的。值得注意的是，我们认为每一层的平均厚度是4m。如图2所示，在每一层的岩心分析结果与人工神经网络输出结果之间有一个的合理的相似性。垂向上很短距离内的高密度的不同储层相模式导致四种限定的颜色之外又出现了新的黑色。图3也证明了通过油田现有6口井得到的神经网络储层相模式分布最终输出结果。蓝色、粉色、褐色和灰色在所有没有图例的图中分别代表储层相很好、好、一般和差。3D相模式构造模型建立构造模型的步骤如下：合成

9、地震记录，井集，地震选取，表层建造，柱状图网格化（目前无断裂），时深转换，每一区域的层序地层学和成层的储层分带，同时考虑井中垂向的储层相模式变异图。如图4所示为3D构造模型的统计结果。变异图虽然该油田井的岩石物性数据有限，声阻抗（AI）作为储层相模式可靠地资料，可以用来确定非均质各向异性。使用声阻抗变异图作为岩石物理特征非均质性判别标准是由于储层相模式特征和岩石密度与岩石内部声波速度之积有很强的相互关系。(Latimer, R.B.et all, 2000)声波阻抗二次取样确定储层横梁过程的目的就是要建立一个能很好反应储层内部不同方向上非均质性分布的变异图。为了达到这个目的，所有的必要的参数，

10、如研究距离、延迟加权平均数，都要小心的选择。选择研究距离的标准就是储层的区域，该区域有45*11km。作为典型实例，图4所示的为该区最好的变异图。值得注意的是：其他地区结果与所有定向井的结果有或多或少的相似，都有相同的主要和次要非均质性方向和不同的范围。最小的非均质性方向的方位角为135，最大的非均质性方向的方位角为45。层序指示模拟储层相模拟包括不同的方法手段：物质基础方法、确定性分析方法，如克里格法、层序指示模拟方法，等。如果没有特定的对象，如储层的有效通道，那么对这种情形下，模拟对象就一定不是一个适当的方法。确定性分析方法对储层相模式只能有一种认识，也不是一个好的选择，原因是缺少模拟数据

11、。因此，在这里我们选用层序指示模拟方法(Clayton, V. Deutsch, 2006)。用SIS方法需要每一区域和所有相模式类型的变异模型。此外，结合声阻抗信息的储层相模式概率分布是必要的。假使我们要研究声阻抗，在SIS分析前，需要对不同区带不同层位垂向相模式分布数据等参数，作为辅助数据的厚度分布直方图，垂直剖面上的不同相模式分布的概率和变异状况等进行分析。该分析必须对每一储层区带的每一种相模式类型都要进行。附录C中列举出相模式数据分析过程，该过程呈现的是八个区带中的两个区带的相模式。结论如前所述，我们的模型由8个区带及其内的69个层位组成。得到的储层相模式模型能够反映每一个区带的输入的

12、相模式统计分布。此外，每一区带的相模式类型百分比与层序旋回中沉积环境和成岩作用的预计相一致。如图5和图7所示3个区带中3个不同层位的典型储层相模式分布特征。在碳酸盐岩储层中，一条基本的观点是影响储层特性的成岩作用过程和特征能够促进储层静态几何模型服从预先定义的储层特征和性质。区域勘探后认为可行的井位选择好的话，就可以得到更为可靠的模型。参考文献1 Al-Khalifa, M. A.: “Advances in Generating and Ranking Integrated Geological Models for Fluvial Reservoir” SPE86999, Saudi Ar

13、amco, ASP, the University of Adleaide, March 2004.2 Al-Khalifa, M.A.: “Data Integration in 3D Geostatitical Porosity Modeling of Hanifa Reservoir in Berri Field, Saudi Arabia”, A dissertation for Master of Science in Geology, King Fahad University of Petroleum and Minerals, May 2001.3 Alpana, M.: “R

14、eservoir Properties from Well logs Using Neural Network”, A dissertation for the degree of Doktor Ingenior at the department of Petroleum Engineering and Applied Geophysics, Norwegian University of Science and Technology, November 2002.4 Asgari, A. A. and Sobhi G. A.: “A fully integrated approach fo

15、r the development of rock type characterization, in a middle east giant carbonate reservoir”, Journal of Geophysics and Engineering 3, 2006.5 Choapra, A., and Yao, T.: “Integration of seismic attribute map into 3D facies modeling”, Elsevier, Journal of Petroleum Science and Engineering, March 2000.6

16、 Clayton, V. Deutsch.: “A sequential indicator simulation program for categorical variables with point and block data: block SIS”,Elsevier, Computers and Geosciences, March 2006.7 Davis, J. C.: “Statistics and Data Analysis in Geology”, JOHN WILRY & SONS, 20028 Francis, A., and Syed, H.: “Applicatio

17、n of Relative Acoustic Impedance Inversion to Constrain Extent of E and Reservoir on Kadanwari Field”, Presented at SPE & PAPG Annual Technical Conference, 7-8 November 2001.9 Hohn, M. E.: “Geostatistics and Petroleum Geology”, Second Edition, Kluwer Academic Publication, 1999.10 Latimer, R. B., Dav

18、ison, R. and Van Riel, P.: “An introduction guide to understanding and working with seismic derived acoustic impedance data”, The leading edge, March 2000.11 Qi, L., and Carr, R.: “Neural network prediction of carbonate lithofacies from well logs, Big Bow and Sand Arroyo Creek fields, Southwest Kans

19、as”, Elsevier, Computer and Geosciences, October 2005 12 Sahin, A., Ghori, S. G. and Ali, A.Z.: “Geological Controls of Variograms in a Complex Carbonate Reservoir, Eastern Province, Saudi Arabia”, Mathematical Geology, Vol. 30, No. 3, 1998.13 Varavur, S., Shebl, H., Salman, S.M., Shibasaki T., and

20、Dabbouk C.: “Reservoir Rock Typing in a Giant Carbonate” SPE 93477, March 2004.14 Lucia, F. J.: “Carbonate Reservoir characterization”, Second edition, Springer, May 2007.15 Tucker, M.: “carbonate diagenesis porosity and reservoirs”, IFP Course Handout, IFP School, France, 2007.附录A碳酸盐成岩作用(Tucker, 20

21、07)微晶灰岩微晶灰岩通常为碳酸盐晶粒成岩作用过程中最初形态，形成于生物碎屑变动或海床之下岩石内藻类、真菌和细菌发育的位置。微晶粒包围在颗粒裸露的边界附近，剩余空隙被灰泥或胶结物充填。胶结作用胶结类似于开放空间的沉积作用，碳酸盐沉积物的胶结作用发生于两种成岩环境：海水环境（潜流和渗流）和埋藏环境（由浅部到深部）。在海水成岩作用环境中等厚线的边缘最初沉积的地方，通常发生沉积物的岩化。这些边缘的胶结物通常与块状方解石胶结物沉淀相共生，而块状胶结物是埋藏成岩作用环境典型代表。碳酸盐溶解作用（淋滤）淋滤通过溶解晶粒和生物碎屑组分，可以产生次生溶蚀孔隙，相邻骨架间溶解改进铸模孔隙成为孔洞孔隙，和相邻骨架

22、间溶解产生溶蚀吼道。次生的晶粒间和晶粒内的微孔隙和大孔隙一般也是由骨架和基质溶解形成。碳酸盐溶解一般发生在两种环境。最常见的引起溶解的环境是沉积层的渗流和淡水潜水带。孔隙水中碳酸钙不饱和的时候，才会发生碳酸盐组分（生物碎屑和微晶灰岩）的淋滤。大气中的流体（雨水）在很大程度上是这些流体的来源，并在暴露于空气中的时候进入沉积层。第二种与溶解作用有关的环境是埋藏成岩环境。理论上，沉积物（晶粒和基质）淋滤的发生与构造内烃类的运移有关。此过程的原生孔隙说明孔隙度仅有很少的百分数。白云石化作用白云石化是一个非常复杂的成岩过程，交代白云石形成于各种地球化学条件下的各种沉积环境。理解白云石化过程及其相对共生时

23、间对开展勘探模式和充分的评价碳酸盐储层特性是非常重要的。本文中采用Sibley 和 Gregg (1987)关于白云石的分类系统。这种特殊的分类系统可以快速识别基于晶体形态学的白云石沉淀环境。原来区分白云石类型是基于鉴别平面和非平面的白云石晶体。平面上的白云岩是低温构造环境（50）的产物，而非平面的白云岩（常为鞍型）通常为大于100的环境下的产物。虽然也可能对这一标准有例外，但对于大多数的白云岩均符合这一分类标准。这些储层中明显的白云岩化作用是自然条件下交代生成的。局部的选择性组构（颗粒内部）白云岩交代主要发生在粒屑灰岩和泥粒灰岩相中。完全的白云岩化作用发生在泥灰岩相（及次生粒屑灰岩）中。白云

24、岩很可能是形成于浅水埋藏环境，也可能是由于浓度大、强碱性的富镁卤水倒灌回流形成。压实和压溶作用机械压实作用可以影响泥质支撑和颗粒支撑的沉积物。当沉积物中灰泥占主要地位，通常为沉积物总量50%-70%时，压实作用导致沉积物排水和片状矿物重新排列。在上覆埋藏物的作用下岩石基质孔隙度被破坏。颗粒支撑的沉积物压实作用导致颗粒重新排列，直至产生新的刚性骨架。早期成岩作用胶结和白云岩化作用可能引起或促进刚性骨架的形成，并因此降低压实和延缓孔隙度的减小。一般的，在早期等厚或颗粒状的海相胶结物在沉积物埋藏和压实前已经形成刚性骨架，这种现象在我们研究的地层中非常明显。压溶作用在压力不能转化为机械压实的情况下发生

25、。这种现象通常发生在埋藏比较深，胶结作用或颗粒充填形成刚性骨架之后。压溶作用的发生将依赖各式各样的其他因素。包括地温梯度、岩石矿物学、水化学。压溶作用水平层状特征表明他们与上覆沉积负荷作用有关。如此，压溶作用的特征主要表现在底层的边界部位，通常是突出或不清晰的表面。在我们所研究的井中，压溶作用特征主要为缝合线构造。缝合线构造是齿状溶解的表面，溶解接缝处是平滑的波状表面。压溶作用特征通常表现与宏观溶解作用特征相似（大于1cm范围）。硬石膏成岩作用过程中的硬石膏通常作为晚期推移或置换结核和板条出现。这种硬石膏的来源可能是深部石膏沉积层重新活动的结果。原始沉积层可能在深部已经溶解重熔，在埋藏成岩环境

26、下胶结交代碳酸盐沉积物。附录B岩心储层相模式表征为了评估储层品质，储层相模式定义为具有相似岩石物理性质的岩石单元，是原始沉积岩相和后期成岩作用叠加的函数。15个储层相模式依据储层性质好坏被依次划分为RF1到RF15。RF1主要发育在浅滩边缘复杂相组合的白云岩化沉积物中，具有残余颗粒间和晶间空隙和优良的连通性。RF2具有较好的储层特性，主要由浅滩相，生物钻孔浅滩和封闭泻湖湘隐晶质的白云质泥岩控制，有非常好的晶间大孔隙和很好的连通性。RF3具有非常好的储层特性，由浅滩边缘复合相白云质鲕粒和生物碎屑灰岩组成。具有残余粒间空隙。粒间孔隙和残余粒间孔隙吼道的连通性很好。RF4具有中等到良好的储层特性，主

27、要由白云化细粒到中等的球粒和鲕粒状灰岩和粒屑灰岩或极细粒的平面（自形）白云岩组成，分别代表浅滩和泻湖复合相。残余粒间孔隙与粒间微孔隙连通。RF5具有中等到良好的储层特性，由浅滩边缘复合相和前滨冲洗带的鲕粒，方解石胶结的粒屑灰岩，和细小的白云化球状粒屑灰岩组成。鲕粒的长时间淋滤产生的铸模孔隙被粒间方解石胶结，连通性变差。RF6具有中等的储层特性，由好到极好的点状方解石胶结，鲕粒灰岩组成。和RF5一样，鲕粒的长时间淋滤产生的铸模孔隙被粒间方解石胶结，连通性变差。RF7具有中等到差的储层特性，由具中等粒间微孔隙的白云化泥灰岩，具粒间微孔隙的非常细小的点状白云化泥粒灰岩和大量具有印模孔隙的鲕粒灰岩组成

28、。RF8具有中等的储层特性，受控于浅滩边缘复合相中等粒状白云岩化鲕粒灰岩。低到中等数量的硬石膏胶结残余粒间孔隙和中等到差连通性。RF9具有较差的储层特性，由中等到好的粒状粒间孔隙被胶结的鲕粒灰岩组成，铸模孔隙被白云石胶结，连通性变差。RF10具有较差的储层特性，由浅滩边缘复合相和前滨冲洗带中等粒度的白云岩化鲕粒和泥灰岩组成，部分被硬石膏胶结。RF11由于在白云岩化沉积物中存在微裂缝，导致较高渗透性，具有中等到好的储层特性，石油物理性质受控于成岩作用，而不是沉积相。RF12具有很差的储层特性，受控于浅滩边缘复合相致密的方解石胶结的鲕粒和泥灰岩。原生粒间孔隙和次生铸模孔隙大量减少。RF13具有很差

29、的储层特性，在各种沉积相中粒状灰岩和泥粒灰岩沉积物被方解石广泛胶结和交代。RF14具有较差的储层特性，渗透性主要是泥岩和泥粒灰岩岩相微裂缝作用的结果。RF15具有非常差的储层特性，由大量均匀的浅滩边缘复合相鲕粒灰岩和泥灰岩组成。，并广泛被方解石或白云石胶结。前滨，泻湖和潮坪混合相泥岩和泥粒灰岩一般不分被白云岩化，白云石呈它形，并保持了方解石晶体的铸模，所有的微孔隙或铸模孔隙均存在，但已经被破坏。附录C Z-7地区数据分析图C-1 原始相分布及概率曲线图 C-2 适用于声阻抗的概率曲线表C-1 模型参数变量Z-6地区数据分析图C-3 原始相分布及概率曲线图 C-4 适用于声阻抗的概率曲线表C-2 模型参数变量Z-5地区数据分析图C-5 原始相分布及概率曲线图 C-6 适用于声阻抗的概率曲线表C-3 模型参数变量附图图1 储层相模式孔隙度渗透率交会图图2 原始岩心相模式和神经网络你和结果对照图左侧一栏为岩心分析得到的储层相模式分布，右侧一栏为神经网络输出结果图3 由神经网络得到的各研究井储层相模式图4 Z-1地区变异图图5 单层相分布图图6 单层相分布图图7 单层相分布图附表表1 储层相模式分类表2 相关分析表3 主成分分析表4 油田三维构造模型统计数据