用神经网络技术预测储层的渗透率.pdfVIP

陈明 摘要：本文根据毛细管理论解释了传统的孔渗关系的合理 个能同时包含毛管半径和毛管曲折度影响的参数，如岩石比表面 性，指出这种关系在复杂孔隙结构储层评价中的不足。根据3口 井的岩心资料建立了储层的渗透率模型，对研究地区另外一口井 进行了渗透率预测，并将其结果与采用改进的BP神经网络技术 石比表面必须通过岩心测量才能得到，而求准储层的束缚水饱和 的预测结果进行对比，认为神经网络技术有助于提高储层渗透率 度和求取渗透率一样困难，因此，用常规测井方法求准渗透率仍 预测的精度。 然是一项挑战性的工作。 关键词：毛细管；渗透率；多元回归；神经网络 在我国各油田中也普遍使用一些经验模型，如孔渗关系模型 前言 和多元回归模型，其研究思路就是通过寻找影响储层渗透率最主 根据毛细管理论，碎屑岩储集层的孔隙空间可以等效为无数 要的因素(如孔隙度、粒度、泥质含量等)来预测储层的渗透率。 条具有相同半径、曲折度和长度的毛细管共同作用的结果(图 1．孔渗关系模型 1)。根据达西定律，当储层岩石中有n个具有相同曲折度的毛 对于孔隙结构较为简单的储层，其孔隙度和渗透率有良好的 细管同时存在时，储层岩石的渗透率可以表示为： 相关关系(图3)，在对渗透率的精度要求不高的情况下是可以直 ^=帮(1) 接利用测井资料计算的孔隙度来预测渗透率的。 在以复杂孔隙结构为主的储层孔隙空间中，许多孔隙可能是 单位体积岩石的孔隙度可以表示为： 无出口的，即只有一个入口进入主要孔隙连通体系，由于润湿性 妒=等=旦孕(2) 这些无出El的孔隙可能被束缚流体填满，但这些无出口的孔隙在 测量岩心的物性时仍然被认为是有效孔隙。在这种情况下，孔隙 将(2)式带入(1)式得到： 度与渗透率(或与平均孔喉半径)的关系将变差。如图4为我国 拈妒并 (3) 西部某油田2万块不同岩性的岩心的孔渗关系。从图中可以看 其中，A为岩石的截面积；K为岩石的有效渗透率；妒为岩石 出，不同岩性之间的孔隙度和渗透率是有一定关系的，随着粒级 的有效孔隙度；r为平均毛管半径；L为岩石的长度；t为毛细管的 的增大，储层的物性也相应的变好。对于每一种粒径的砂岩储 曲折度；o【为单位换算系数。 层，随着孔隙度的增大，其渗透率也相应的增大。较好的储集性 能主要集中在细砂岩、中砂岩、粗砂岩和部分砾岩的粒级中，粉砂 岩储集物性相对较差。这也说明岩石粒度的降低会使储层的孔 喉减小。由于储层中发育次生孔隙或孔隙被泥质充填等因素会 造成孔隙喉道发生变化，因此在各种岩性中，孔隙度和渗透率的 分布都比较宽，在大多数情况下是无法根据孔隙度准确的预测储 层渗透率。 图l储层岩石等效毛细管示意图 图3 KL20l井白垩系孔隙度与渗透率关系 平均孔喉半径(微米) 图2渗透率与平均孔喉半径关系 对于同一储层，毛细管曲折度可以认为是不变的。岩心压汞 资料也证实了渗透率与平均毛管半径的关系，如图2为我国东