准噶尔盆地永进油田特低孔隙度超低渗透率储层分类评价

孙晓霞

（中国石油化工股份有限公司胜利油田分公司地质科学研究院，山东 东营 257015）

0 引 言

永进油田位于准噶尔盆地腹部的负向构造区，属于中央坳陷昌吉凹陷西段，构造为呈西南倾的单斜，圈闭类型主要有地层、地层－岩性和岩性圈闭。其目的地层为白垩系清水河组和侏罗系西山窑组地层。研究区储层埋藏深（5800～6000m），压力大（静压97.45MPa），岩心分析平均孔隙度6%，平均渗透率0.33×10－3μm2，属于特低孔隙度、超低渗透率的储集层。主要储集空间以微孔、残余粒间孔及粒间溶孔为主，孔隙结构以特小孔、微细喉型为主，喉道以管状和片状的细喉道为主，容易形成油层的低含油饱和度和高束缚水饱和度。特低孔隙度、超低渗透率砂岩储层具有不同于其他类型油藏的地质特点和测井响应特征，孔隙度变化范围不是很大，而渗透率变化范围却很大[1]。因此，开展对这类储层分类方法研究就十分迫切和必要。

目前，研究储层分类的学者很多。汪新光[2]应用压汞资料求取排驱压力、中值压力、最大孔喉半径、孔喉半径均值、分选系数等5类孔隙结构参数进行储层分类研究。王瑞飞[3]提出以退汞饱和度与退汞效率的乘积评价特低渗透率储层的微观孔隙结构，进而对储层分类。朱建华[4]应用核磁共振测井处理解释的毛细管压力曲线、孔隙度和束缚流体饱和度建立储层分类标准。杨秋莲[5]、张建龙[6]等也都做了这方面的研究。陈振标等[7]将基于NMR T2谱分形几何学应用于低渗透率储层岩石孔隙结构研究中。焦翠华等[8]将分形几何学应用于测井微相的识别。贺伟等[9]利用压汞资料计算的孔隙分形维数分析孔壁的粗糙度和孔径分布的不均匀程度，取得了较好的效果。可以看出，已有的储层分类方法多是根据毛细管压力曲线求取的特征参数对储层分类，对分形几何学的应用也是仅仅应用它进行测井及储层微观结构特征评价，研究储层分类的学者和研究分形几何学的学者没有将二者结合起来进行储层评价。本文通过毛细管压力实验数据，求取各个样品点的分形维，以排驱压力和分形维为主要标准，参考歪度和毛细管压力形态对储层进行分类，然后应用BP神经网络方法实现测井数据与岩心数据的转换，进而得到连续的储层分类。

1 储层孔喉结构特征

对于超深层特低渗储层，为从微观机理方面深入了解岩石物性特征，以侏罗系西山窑组与白垩系清水河组的常规压汞样品、恒速压汞样品、铸体薄片资料、扫描电镜资料为基础，对孔隙结构进行了细致研究。根据压汞样品分别对西山窑组和清水河组进行了孔隙度和渗透率的统计，分别绘制了分布直方图（见图1、图2）。其中，西山窑组孔隙度最小值4%，最大值8.1%，均值为5.6%；渗透率变化较大，最小值0.03×10－3μm2，最大值1.73×10－3μm2，均值为0.29×10－3μm2，综合评价为特低孔隙度、超低渗透率储层。清水河组孔隙度最小值4.2%，最大值10.2%，均值为7.5%，比西山窑组要高；渗透率最小值0.12×10－3μm2，最大值0.73×10－3μm2，均值为0.34×10－3μm2，亦为特低孔隙度、超低渗透率储层。

根据该区毛细管压力数据，求取了反映孔喉结构特征的排驱压力、孔喉半径均值、中值孔喉半径、孔喉均质系数等（见表1）[10]。毛细管压力样品的普遍特点是孔渗均为低值，曲线形态比较相近，多数样品平台区较明显，反映了喉道分布较集中，但退汞效率普遍很小，多数是细歪度。参考中国石化的储层分类评价标准（见表2），该区储层普遍属于特低孔隙度、超低渗透率、特小孔、微细喉的类型。

表1 永进油田毛细管压力数据分析

表2 中国石化储层综合评价标准表

针对特低孔隙度超低渗透率的储层情况，由传统的孔隙度渗透率参数已无法进行储层的详细划分。因此，从孔隙结构特征出发，应用毛细管压力实验数据排驱压力和毛细管曲线分形维对于储层进行进一步详细划分。

2 毛细管曲线分形维法储层精细分类

2.1 孔隙结构分形维数

毛细管曲线分形维基于分形几何原理，可以定量描述孔喉结构的复杂程度和非均质性。对于砂岩储层，其值越大，孔隙结构越复杂，储层性质越差。

Katz等及Krohn用扫描电镜观察岩石断面，发现各种砂岩从0.2～50μm的孔隙尺寸范围内具有良好的分形性质，分形维数在2.27～2.89之间变动。储层毛细管压力曲线的分形几何公式[11]

式中，pmin为排驱压力；S为毛细管压力pc时储层中润湿相饱和度。即

在双对数坐标系下，计算函数pc与S关系曲线的斜率，该斜率的绝对值即为D－3，由此便得到分形维数（见图3）。通过上述求取孔隙结构分形维的方法，依次计算所有样品的分形维数（见图4）。

毛细管曲线分形维计算结果表明，样品的分形维在2.47～2.84的分布范围内，可以分成几个明显的区间，分形维数越大，孔喉分布及配置关系越复杂。分成的几个区间（见图5）：①2.47～2.59，共6块样品，毛细管压力曲线表现为粗歪度，座椅式，喉道分布较集中；②2.59～2.71，共7块样品，毛细管压力曲线表现为较细歪度，缓坡式，喉道分布较集中；③2.71～2.84，共16块样品，毛细管压力曲线表现为极细歪度，高斜坡式，喉道较小，进汞平台不明显，这是一类基本无产能的孔喉最复杂的储层。

2.2 特低孔隙度特低渗透率储层综合分类

图3 2号和22号压汞样品的分形维拟合图

分析多种毛细管压力参数，发现排驱压力明显分为几个区间，而排驱压力是反映储层渗透性的重要参数，分形维的界限也比较明显，并且分形维的大小是反映储层孔喉结构的重要参数，因此以排驱压力和分形维为主要标准，参考歪度和毛细管压力形态将储层区分为3类（见表3）。

表3 超深层特低孔隙度超低渗透率储层综合评价标准表（永进油田）

3 BP神经网络法实现分形维曲线

毛细管压力实验数据由岩心分析得到，但它只是一些离散点的数据，而且不可能每口井都测毛细管压力曲线。为了实现对全井段储层分类，引入了BP神经网络方法，利用测井信息对完钻井进行储层分类[12－13]。

应用人工神经网络[14－15]BP模型建立的解释模型来对地质参数进行解释是地质研究的一种较为成功的方法。利用分形维参数和测井响应值，提取神经网络训练样品，经网络设计、网络学习和训练就可以得到分形维参数的神经网络模型[8]。

计算采用三层BP神经网络（见图6），输入分形维数及4条测井曲线系列（自然伽马、声波时差、深侧向和浅侧向电阻率），输出1条深度连续的分形维曲线。图7所示是分形维实验值与神经网络实验结果对比，除了在值比较小的区域有一定误差外，大部分区域吻合得较好，总体分布在45°直线上。

按照上述方法，处理得到了工区内7口井储层连续的分形维曲线。图8是其中3口井的神经网络方法处理得到的毛细管分形维曲线，与试油试采资料相吻合。I类储层永1井含油井段5873.4～5888.1m，2005年5月试油，初期日油36.9t，含水14.78%，2005年6月转入试采。根据储层综合分类标准，Ⅰ类分形维值2.47～2.59，Ⅱ类分形维值2.59～2.71，Ⅲ类分形维值2.71～2.84，实现了储层连续分类，更好地指导了该区储层的有效性评价。通过对完钻井7口井分形维曲线解释结果统计表明，该区储层以Ⅲ类储层为主，占到整个储层厚度的56.7%，Ⅰ类储层仅占储层厚度的5.5%（见表4）。

表4 完钻井分形维曲线解释结果统计表

4 结 论

（1）准噶尔盆地永进油田特低孔隙度、超低渗透率透率储层泥质含量高，黏土矿物类型多样，岩性细，以细砂岩和极细砂岩为主，还有少量长石砂岩。岩石孔隙以残余粒间孔、粒内溶孔为主，黏土孔隙和微毛细孔隙十分发育。

（2）该类储层往往孔隙度变化范围不很大，而渗透率变化范围却很大。特低渗透储层的渗透性主要受喉道控制，喉道大小决定了储层性质的好坏，进而影响了开发效果。

（3）传统的根据孔隙度和渗透率对储层进行分类的方法适用性差，本文利用毛细管压力分形维研究该类储层的微观孔隙结构特征，并综合排驱压力、孔隙度、渗透率、毛细管压力曲线形态等储层特征参数对储层分类，使储层分类更加合理。

（4）将根据毛细管压力分形维得到的孔隙结构分类和BP神经网络方法结合起来，不需要连续的钻井取心数据就可以得到连续的储层分类，而且评价方法也符合特低孔隙度、超低渗透率储层的特点。实际应用也证明了该方法的有效性。

[1]张丽华，潘保芝，李宁，等.基于三水模型的储层分类方法评价低孔隙度低渗透率储层[J].测井技术，2011，35（1）：31-35.

[2]汪新光，李茂，覃利娟，等.利用压汞资料进行低渗储层孔隙结构特征分析[J].海洋石油，2011，31（1）：42－47.

[3]王瑞飞，陈明强，孙卫.特低渗透砂岩储层微观孔隙结构分类评价[J].地球学报，2008，29（2）：213-220.

[4]朱建华.核磁测井在海拉尔地区储层分类中的应用[J].大庆石油地质与开发，2008，27（3）：136－140.

[5]杨秋莲，李爱琴，孙燕妮，等.超低渗透率储层分类方法探讨[J].岩性油气藏，2007，19（4）：51－56.

[6]张建龙，刁国新，胡茹文，等.南阳黑龙庙地区低孔隙度低渗透率储层分类标准研究[J].石油地质与工程，2009，23（1）：22－25.

[7]陈振标，张超谟，张占松，等.利用NMR T2谱分布研究储层岩石孔隙分形结构[J].岩性油气藏，2008，20（1）：105－110.

[8]焦翠华，张福明，李洪奇，等.神经网络和分形几何方法在识别测井沉积微相中的应用[J].沉积学报，1997，15（3）：62－66.

[9]贺伟，钟孚勋，贺承祖，等.储层岩石孔隙的分形结构研究和应用[J].天然气工业，2000，20（2）：67－70.

[10]田美荣.东营凹陷西部沙四段上亚段滩坝砂体储集空间特征[J].油气地质与采收率，2008，15（2）：31－33.

[11]贺承祖，华明琪.储层孔隙结构的分形几何描述[J].石油与天然气地质，1998，19（1）：15－23.

[12]蔡毅，刁玉民.利用测井信息求取储层微观孔隙结构特征参数[J].测井技术，1998，22（4）：261－263.

[13]李道伦，卢德唐，孔祥言，等.BP神经网络隐式法在测井数据处理中的应用[J].石油学报，2007，28（3）：105－108.

[14]Mohaghegh，Shahab，Arefi，et al.A Methodological Approach for Reservoir Heterogeneity Characterization Using Artificial Neural Networks[C]∥SPE 28394，1994：337－346.

[15]谢丛姣，关振良，马正.低渗油藏油层产出能力的神经网络预测方法[J].成都理工学院学报，1998，25（3）：89－91.