全文快速搜索:   高级搜索

  中国石油大学学报(自然科学版)  2019, Vol. 43 Issue (6): 1-10  DOI:10.3969/j.issn.1673-5005.2019.06.001
0

引用本文 [复制中英文]

路研, 徐守余, 刘可禹, 等. 陆相滑塌浊积扇储层流动单元定量表征[J]. 中国石油大学学报(自然科学版), 2019, 43(6): 1-10. DOI: 10.3969/j.issn.1673-5005.2019.06.001.
[复制中文]
LU Yan, XU Shouyu, LIU Keyu, et al. Quantitative characterization of reservoir flow units of basin floor-fan turbidite[J]. Journal of China University of Petroleum (Edition of Natural Science), 2019, 43(6): 1-10. DOI: 10.3969/j.issn.1673-5005.2019.06.001.
[复制英文]

基金项目

国家科技重大专项(2017ZX05009001);国家自然科学基金面上项目(41772138)

作者简介

路研(1992-),女,博士研究生,研究方向为油气储层地质学。E-mail:luyan_upc@163.com

通信作者

徐守余(1968-),男,教授,研究方向为油气储层地质学和油藏描述。E-mail:xushouyu@upc.edu.cn

文章历史

收稿日期:2018-12-26
陆相滑塌浊积扇储层流动单元定量表征
路研1,2, 徐守余1,2, 刘可禹1,2, 王亚1,2     
1. 中国石油大学华东地球科学与技术学院, 山东青岛 266580;
2. 中国石油大学华东深层油气重点实验室, 山东青岛 266580
摘要: 以大芦湖油田樊29块沙三中亚段储层为研究对象, 运用孔喉半径法并结合沉积特征、流动特征、物性特征及生产动态特征开展取芯井储层流动单元研究。在此基础上, 选取与浊积扇低渗储层渗流特征相关的13个储层特征参数, 采用支持向量机(SVM)算法开展未取芯井流动单元定量评价。基于52组测试样本对SVM预测模型性能进行检验, 并利用生产动态资料对流动单元定量评价结果进行合理性验证。结果表明:研究区取芯井储层可划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ 4类流动单元, Ⅰ类、Ⅱ类流动单元储集物性和渗流能力最好, Ⅲ类流动单元次之, Ⅳ类流动单元最差; 基于SVM的流动单元预测结果与岩心分析结果吻合, 模型的正判率达90.38%;流动单元预测结果与油井初期产能、吸水特征及水淹特征存在较强的相关性, SVM预测模型为储层精细解释提供有效途径; 不同类型流动单元内剩余油可动用储量及采出程度不同, 当前剩余油主要集中于Ⅱ类、Ⅲ类流动单元中, 是下一步调整挖潜的重点。
关键词: 浊积扇    低渗透    流动单元    支持向量机    剩余油    
Quantitative characterization of reservoir flow units of basin floor-fan turbidite
LU Yan1,2 , XU Shouyu1,2 , LIU Keyu1,2 , WANG Ya1,2     
1. School of Geosciences in China University of PetroleumEast China, Qingdao 266580, China;
2. Key Laboratory of Deep Oil and Gas in China University of PetroleumEast China, Qingdao 266580, China
Abstract: This paper selected the middle Es3 reservoir in Block Fan29, Daluhu Oilfield as the research area. Flow units were divided by using the pore throat method, also considering sedimentary characteristics, flow characteristics, petrophysical properties characteristics, and production dynamic characteristics. Based on these studies, 13 parameters related to permeability characteristics of low-permeability reservoir were selected, and a quantitative identification of flow units in uncored wells was carried out using the support vector machine(SVM) algorithm. The established model was tested by 52 groups of predicting samples, and verified using the production dynamic data. The results show that the reservoir can be divided into four types of flow units, including Type Ⅰ, Type Ⅱ, Type Ⅲ and Type Ⅳ, respectively Type Ⅰ and Type Ⅱ flow units have the best reservoir petrophysical properties and permeability capacity, while the permeability capacity of Type Ⅳ flow unit is the lowest. The prediction of flow unit based on SVM is consistent with the core analysis data, with an accuracy rate of 90.38%. The prediction also has a high correspondence with the initial oil production, characteristics of water absorption and initial water cut. The SVM prediction model provides an effective way for fine reservoir interpretation. In addition, the reserves and recovery factors of remaining oil in different types of flow units are different. The remaining oil is mainly concentrated in Type Ⅱ and Type Ⅲ units, which are the target area for remaining oil development of the next step.
Keywords: basin floor-fan turbidite    low-permeability    flow units    support vector machine    remaining oil    

浊积扇低渗透油藏作为非常规油气资源的重要类型之一, 逐渐成为勘探开发的热点[1-2]。目前, 已有不少学者开展了浊积扇储层构型研究[3-5], 但流动单元研究相对较少。流动单元研究有利于深入了解储层的非均质性, 对储层的储集物性、渗流能力好坏给予准确的判断, 同时就剩余油预测和提高采收率提供重要的理论支撑。国内外学者对流动单元的研究多基于统计学的聚类分析[6-8], 而低渗透储层流动单元受多种地质因素的影响, 且流动性能好坏与各地质因素间的关系复杂, 传统的聚类分析技术难以准确刻画各地质参数与流动单元之间的非线性关系。支持向量机算法在解决研究目标与多个因素相关的线性或非线性问题时, 具有精度高、速度快、通用性强及理论完善等优点[9-10]。笔者采用在非线性问题上处理能力较强的支持向量机算法进行流动单元分类识别。

1 区域地质背景

大芦湖油田位于东营凹陷博兴洼陷西北部, 正理庄-樊家继承性鼻状构造带的北端, 西邻青城凸起(图 1(a))。樊29块位于大芦湖油田的中部, 鼻状构造的高部位, 该区构造活动较弱, 构造形态相对简单, 是一被断层切割的穹隆背斜构造。其主力含油层系沙三中亚段四砂层组, 为典型的滑塌浊积扇沉积(图 1(b))。除受成岩作用的影响外, 水道砂体复杂的横向迁移和垂向叠置作用导致储层非均质性程度较高[11-12]。区块内部分井出现了注水开发效果差、含水率上升快、储量动用不均衡等问题, 严重影响了研究区的勘探与开发。樊29块浊积扇油藏于1992年投入开采, 经过二十余年的注水开发, 目前已进入中高含水的开发中晚期, 综合含水率达81.3%, 处于低速开发阶段。

图 1 研究区构造位置及沉积体系略图(据文献[11]修改) Fig.1 Structural location and depositional system of study area(After citation[11], modified)
2 流动单元类型及特征 2.1 流动单元类型

大芦湖油田樊29块浊积扇低渗透储层受沉积环境、成岩作用等多重因素的影响, 储层孔隙结构复杂, 非均质性强烈, 不同部位渗流差异明显, 因此合理选取流动单元评价方法和表征研究区储层特征的评价参数极为关键。孔隙结构对流体渗流特征分布具有较大的控制作用[13-15], 在综合考虑影响流动单元分布的诸多因素的基础上, 以孔喉半径(R35)法为主, 并结合储层沉积特征、物性特征、流动特征及生产动态特征进行取芯井流动单元的分类评价。

基于岩心分析化验资料, 计算关键井的流动单元评价参数。其中孔隙度、渗透率及孔喉半径(R35)等可通过岩心测试资料获取, 流动分层指标(IFZ)和油藏品指数(IRQ)的计算采用Amaefule等[16]提出的经验公式, 其原理基于修正的Kozeny-Carman方程, 并由此推导出IFZIRQ:

$ {\varphi _{\rm{z}}} = \frac{{{\varphi _{\rm{e}}}}}{{1 - {\varphi _{\rm{e}}}}}, $ (1)
$ {I_{{\rm{RQ}}}} = 0.0314\sqrt {\frac{k}{{{\varphi _{\rm{e}}}}}} , $ (2)
$ {I_{{\rm{FZ}}}} = {I_{{\rm{RO}}}}/{\varphi _{\rm{z}}}. $ (3)

式中, φz为孔隙体积与颗粒体积的比; IRQ为油藏品质指标。IFZ指数反映储层的孔喉结构特征, IFZ值相同的样本点分属同类流动单元, IFZ值不同的样本点分属不同类流动单元。但由于实际应用中计算误差的存在, 同类流动单元的IFZ往往围绕某一数值呈正态分布。基于岩心资料计算出IRQIFZ指数后, 即可用于流动单元的划分。

通过对研究区取芯井孔喉半径(R35)累积概率曲线分析发现, R35存在4个主要的分布区间(图 2)。此外, 结合流动特征参数(IFZIRQ)、物性特征参数(孔隙度、渗透率)的分析表明划分为4类流动单元比较合理(图 3)。因此以孔喉半径(R35)分布特征为主, 结合流动特征、物性特征将研究区划分为4类流动单元, 并通过与生产动态特征及储层沉积特征的对比分析表明, 流动单元划分结果与初期产能特征及储层沉积特征具有较高的吻合度(表 1)。由此可见, 从孔隙结构、孔渗关系及初期产能等多方面特征综合来看, 研究区储层可以被划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ 4类流动单元。各类流动单元特征参数分布见表 1

图 2 孔喉半径法划分流动单元 Fig.2 Flow units identified by pore throat method
图 3 大芦湖油田樊29块取芯井流动单元分类结果 Fig.3 Flow unit identification of cored wells in Fan 29 Block, Daluhu Oilfield
表 1 大芦湖油田樊29块流动单元特征参数 Table 1 Characteristics of parameters of different flow units in Fan 29 Block, Daluhu Oilfield
2.2 流动单元特征

Ⅰ类流动单元主要发育在浊积水道主水道微相和朵叶体微相, 岩性以含砾砂岩、中细砂岩为主。储层渗流能力最好, 渗透率大于20.1×10-3 μm2, 平均渗透率为24.33×10-3 μm2; 孔喉半径(R35)大于3.55 μm, 平均值为4.13 μm, IFZ为0.335~0.503, 平均值为0.387;油藏开采初期产油、累积产油相对较高, 注水开发见效快, 水驱效果好, 常首先发育水淹且为中高水淹, 现今综合含水率超过90%。

Ⅱ类流动单元主要发育在浊积水道微相和朵叶体微相, 岩性以细砂岩、粉砂岩为主。渗流能力仅次于Ⅰ类流动单元, 渗透率分布于(11.2~20.2)×10-3 μm2, 平均渗透率为16.83×10-3 μm2; 孔喉半径(R35)分布于2.70~3.55 μm, 平均值为3.17 μm; IFZ分布于0.145~0.340, 平均值为0.279;油藏开采初期产油、累积产油相对较高, 注水开发效果好, 仅次于Ⅰ类流动单元。

Ⅲ类流动单元分布广泛, 在浊积水道、水道侧缘及中扇侧缘微相均有发育, 岩性以粉砂岩和细粉砂岩为主, 沉积物粒度较Ⅰ类、Ⅱ类流动单元明显偏细。Ⅲ类流动单元渗流能力一般, 渗透率分布于(4.5~11.2)×10-3 μm2, 平均渗透率为9.36×10-3 μm2; 孔喉半径(R35)分布于1.20~2.70 μm, 平均值为1.94 μm; IFZ分布于0.065~0.240, 平均值为0.145;油藏开采初期开发效果差, 日产油、累积产油相对较低。

Ⅳ类流动单元主要发育在中扇侧缘及扇缘微相, 岩性以粉细砂岩、泥质粉砂岩为主。渗流能力最差, 渗透率小于4.5×10-3 μm2, 平均渗透率为3.32×10-3 μm2; 孔喉半径(R35)小于1.20 μm, 平均值为0.81 μm; IFZ分布于0.035~0.110;油藏开采初期开发效果最差, 动用程度最低(表 1)。

3 基于SVM的流动单元定量评价 3.1 流动单元定量评价参数

由于浊积扇储层特征及成因机制复杂, 储层流动单元分布受储集因素、孔隙结构因素、沉积因素及非均质因素等多重因素的影响, 任何单一参数都无法准确表征流动单元的全部特征。共选取13个反映浊积扇储层渗流特征的流动单元评价参数(由于研究区动态参数较少, 因此定量评价时不再选用动态参数), 以期更加全面地反映储层特征, 合理准确地进行流动单元分类评价。各参数的选取依据及其对储层流动单元渗流能力的影响如下所述:

(1) 储集特征参数。孔隙度(φ)、渗透率(k)及含油饱和度(So)是反映储层储集能力的重要特征参数。孔隙度、渗透率, 是反映储层宏观物性特征的参数, 与储层质量具有明显的正相关性。含油饱和度, 反映储层流体特征, 含油饱和度越大储层质量越好。储集物性是影响低渗储层流动单元分布的重要因素, 因此选取孔隙度、渗透率及含油饱和度作为评价参数。

(2) 孔隙结构特征参数。孔喉半径(R35)、流动带指标(IFZ)及油藏品质指数(IRQ)反映储层的微观孔隙结构特征和流动特征, 与储层渗流能力呈正相关性, 因此选取微观孔隙结构参数作为流动单元评价的地质参数。

(3) 沉积特征参数。沉积微相、砂岩厚度(H)及泥质含量(Vsh)是反映储层沉积特征的主要评价参数。沉积微相, 不同类型的沉积微相发育的流动单元类型存在明显差异。依据各沉积微相储集性能的差异, 对不同类型的沉积微相进行赋值, 其中水道主体、朵叶体赋值为1, 水道侧缘赋值为0.67, 水道间、中扇侧缘、扇缘赋值为0.33, 湖泥赋值为0。砂岩厚度, 与储层质量具有明显的正相关性, 厚度越大储层质量越好。泥质含量主要反映储层岩性特征, 泥质含量越高, 储层渗流能力越差。

(4) 非均质特征参数。渗透率突进系数(Tk)和级差(Jk), 是反映储层非均质性的重要参数, 渗透率突进系数和级差越大, 非均质性越强, 储层渗流能力越差。反之, 渗流能力越强, 流动单元属性越好。隔夹层厚度(Dh)和隔夹层密度(Dk), 研究区隔夹层分布广泛, 横向厚度变化较大, 是影响储层流动单元分布的重要因素。

3.2 支持向量机算法原理

基于SVM算法在小样本、高维度及非线性的模式识别问题方面的理论优势, 采用SVM算法实现利用影响储层渗流特征的13个储层特征参数完成对樊29块沙三中亚段四砂层组储层流动单元的定量评价。利用SVM算法划分流动单元基本流程如图 4所示。

图 4 利用支持向量机算法划分流动单元流程 Fig.4 Flow chart of flow unit identification base on SVM

(1) 已知样本集合的确定及数据预处理。假设一个包含有n组流动单元样本数据的样本集, 每组样本中有m+1个储层参数(即x1i, x2i, …, xmi, yi, i=1, 2, …, n)。其中, n>m-1, 而实际应用时n往往远大于m-1。故可以将包含有前m个储层参数的n个样本定义为n个向量, 即

$ \boldsymbol{x}_{i}=\left(x_{1 i}, x_{2 i}, x_{3 i}, \cdots, x_{m i}\right), i=1, 2, \cdots, n. $ (4)

支持向量机划分流动单元的基本思想是通过分析流动单元已知样本集输入特征x和输出结果y间的映射关系, 建立最优的分类函数y=f(x), 使$\sum\limits_{i = 1}^n {{{\left[ {f\left( {{\mathit{\boldsymbol{x}}_i}} \right) - {y_i}} \right]}^2}} $达到最小, 进而实现对未知样本流动单元类型的预测。

(2) 模型构建及参数寻优(训练集样本的训练过程)。本文中采用C-SVM分类技术, 通过增加惩罚参数C来控制错分样本的数量。最终得到的分类函数(即分类模型)是一个关于向量x的非线性表达式,

$ y = \sum\limits_{i = 1}^n {\left[ {{y_i}{\alpha _i}\exp \left( { - g{{\left\| {\mathit{\boldsymbol{x}} - {\mathit{\boldsymbol{x}}_i}} \right\|}^2}} \right)} \right]} + b. $ (5)

式中,a为拉格朗日乘子向量,a=(α1, α2, α3, …, αn), 0≤aiCC为对错误分类的惩罚程度,C>0,约束条件是$\sum\limits_{i = 1}^n {{y_i}} {\alpha _i} = 0;\exp \left( { - g{{\left\| {\mathit{\boldsymbol{x}} - {\mathit{\boldsymbol{x}}_j}} \right\|}^2}} \right) $为实现非线性映射的高斯核函数;g为高斯核参数,g>0;b为分类阈值,可通过任意一组支持向量xi求得(即当αi>0时的xi,最终建立的SVM预测模型只与这些向量有关)。

αiCg均可由下式求得:

$ \mathop {\max }\limits_\alpha \left\{ {\sum\limits_{i = 1}^n {{\alpha _i}} - \frac{1}{2}\sum\limits_{i, j = 1}^n {\left[ {{\alpha _i}{\alpha _j}{y_i}{y_j}\exp \left( { - g{{\left\| {{\mathit{\boldsymbol{x}}_i} - {\mathit{\boldsymbol{x}}_j}} \right\|}^2}} \right)} \right]} } \right\}. $ (6)

这是二次型寻优问题, 存在最优解。

建立支持向量机预测模型的基本步骤:首先, 利用n组学习样本对模型进行训练, 以求取分类函数(训练过程), 即公式(5);其次, 将n组学习样本代入公式(5), 求得每组学习样本所对应的预测值y1, y2, …, yn, 根据预测结果检验算法的拟合精度。

(3) 模型预测与检验(测试集样本的检验过程)。利用下式所示的N组测试样本对建立的预测模型进行检验:

$ \boldsymbol{x}_{i}=\left(x_{1 i}, x_{2 i}, \cdots, x_{m i}\right), i=n+1, n+2, \cdots, n+N. $ (7)

N组测试样本代入式(5), 计算出每组测试样本所对应的预测值yn+1, yn+2, …, yn+N, 并根据预测结果计算模型的分类准确率。若分类准确率较高, 则可将建立的流动单元预测模型应用于非取芯井流动单元定量评价。

3.3 算法应用 3.3.1 原始样本提取

以樊29块10口关键井的122个样本数据作为支持向量机模型的样本数据集, 样本集分为训练集(70组样本数据)和测试集(52组样本数据), 样本数据示例如表 2所示。每个样本包括13个输入变量(x1, x2, …, x13)及1个输出变量(y)。其中输入变量涵盖了流动单元样本的所有特征(分别对应选取的13个流动单元评价参数); 输出变量y为流动单元的类别标签, 以y={Ⅰ, Ⅱ, Ⅲ, Ⅳ}表示, 其中Ⅰ类代表流动单元渗流能力最好, Ⅱ类代表流动单元渗流能力次之, Ⅲ类代表流动单元渗流能力一般, Ⅳ类代表流动单元渗流能力最差。

表 2 支持向量样本输入变量 Table 2 Input variables of samples for SVM modeling
3.3.2 预测结果与分析

通过70组学习样本的训练过程建立流动单元预测模型, 即求出流动单元类别(y)与流动单元评价参数(x1, x2, …, x13)之间的关系式。训练结果表明, 当C=16777216, g=0.002时, 模型达到最优, 此时的交叉检验精度为88.57%, 具有较高的拟合度。计算公式为

$ y=S_{\mathrm{VM}}\left(x_{1}, x_{2}, x_{3}, \cdots, x_{13}\right). $ (8)

式中, SVM为非线性函数。该函数可以用式(3)的形式具体给出, 因此称为“显式”表达式, 但由于样本维度较高, 求得的公式太长而不必具体写出[9-10]

利用52组测试样本对已建立的流动单元预测模型进行检验。结果表明, 52组测试样本仅出现5个错判, 正判率为90.38%。错判的5个样本均为邻类流动单元之间的错判。其中1个Ⅲ类流动单元错判为Ⅱ类, 1个Ⅱ类流动单元错判为Ⅰ类, 3个Ⅲ类流动单元错判为Ⅳ类(图 5)。推断误差出现的原因是由于学习样本不足(用70组学习样本对52组测试样本进行预测, 学习样本数目略显不足), 但9.62%的错判率已经满足地质上的要求。

图 5 SVM模型预测结果分析 Fig.5 Analysis of SVM prediction result
4 合理性验证 4.1 流动单元与初始产能的相关性

随着开发阶段的深入, 储层内压力会发生明显变化, 进而影响产能的分布,因此油井初期的产能最能科学地反映储层真实的渗流特征差异[17]。不同类型流动单元的初始产能存在明显差异。同一类型流动单元, 由于油层厚度、投产层位、投产时间的不同, 初期产能也存在明显差异, 总体呈现出投产时间越早, 油层厚度越大, 初始产能越高的趋势。为了保证对比结果的科学性, 选取只投产一种流动单元, 且投产时间、油层厚度相近的油井, 分析不同类型流动单元初期产能的分布特征。研究发现, 流动单元类型与油井初期产能分布存在明显的相关性。Ⅰ、Ⅱ类流动单元对应的初期产能较高, 油层平均每米日产油、日产液相对较高; Ⅲ类流动单元对应的初期产能次之, 油层平均每米日产油、日产液相对较低; Ⅳ类流动单元初期产能较差, 动用程度较低(图 6)。

图 6 大芦湖油田樊29块不同类型流动单元油井初期产能特征 Fig.6 Characteristics of initial production of different types of flow units in Fan 29 Block, Daluhu Oilfield
4.2 流动单元与吸水强度的相关性

通过对研究区吸水剖面统计结果分析表明:流动单元与吸水强度具有明显的相关性, 不同类型流动单元吸水能力存在明显差异, 同类流动单元吸水强度相似。其中Ⅰ类储层流动单元吸水能力最强, 如F10-1井吸水强度为17.8 m3/(d·m), 注水效果最好; Ⅱ类储层流动单元, 如F5-13井、F7-13井、F11-13井也表现出较强的吸水能力, 注水效果较好; Ⅲ、Ⅳ类储层流动单元, 如F5-9井、F7-9井、F11-15井, 吸水能力较弱, 注水效果较差(图 7)。

图 7 大芦湖油田樊29块吸水剖面与流动单元类型的关系 Fig.7 Relationship between water flood profile and flow units in Fan 29 Block, Daluhu Oilfield

由于不同层段砂体吸水强度存在差异性, 注入水在各层的见效快慢不同。高渗透层与低渗透层存在渗流阻力差, 注入水往往沿着高渗透层突进, 导致层间矛盾突出日益严重, 甚至可能出现注入水由低渗透层倒灌至高渗透层的现象。因此在注水开发时为避免同一口井不同类型流动单元吸水能力存在的差异性, 造成水驱效果的差异性, 应尽量避免同时射开不同类型的流动单元砂体, 降低层间干扰, 提高水驱效果。

4.3 流动单元与水淹程度的相关性

流动单元的平面展布特征对注入水的流动速度和流动方向具有较大的影响, 表现在平面上不同类型的流动单元注水见效快慢和水淹特征存在明显区别[17]。以大芦湖油田樊29块四砂层组的主力含油层系43小层为例, 分析储层流动单元与初期水淹程度的相关性(图 8)。

图 8 大芦湖油田樊29块43小层初期含水率、夹层厚度及流动单元叠合图 Fig.8 Congruent map of initial water cut, barriers thickness and flow units of 43 layer in Fan 29 Block, Daluhu Oilfield

研究发现, 储层渗流能力与水淹程度存在明显的相关性, 渗流能力较好的流动单元, 初期含水率上升快, 油层易发生水淹; 渗透能力较差的流动单元水淹见效慢, 初期含水率较低。此外, 渗流屏障的发育也会影响注入水的渗流方向和渗流速度。研究区构造活动较弱, 断层发育较少, 仅局部发育少量钙质渗流屏障, 因此主要分析泥质渗流屏障对水淹程度的影响。平面上, 受渗流屏障遮挡作用的影响可能出现渗流能力较强的Ⅰ、Ⅱ类流动单元水淹程度一般, 如F6-12井、F8-8井、F14-17井及F5-13井储层渗流能力较强, 但由于夹层厚度较大, 渗流屏障较为发育, 导致储层的初期水淹程度较低。虽然储层受渗流屏障等因素的影响, 储层注水受效存在差异性, 但平面上流动单元与水淹程度整体还是体现趋势对应关系。平面上, 不同类型流动单元的水淹特征存在明显差异, 中、高水淹区域主要分布于Ⅰ、Ⅱ类流动单元中, 低水淹区域主要分布于Ⅲ、Ⅳ类流动单元中。

综上, 流动单元划分结果与区块的产能特征、储层吸水状况及水淹特征具有很好的匹配性, 进而验证了流动单元划分的合理性, 因此采用支持向量机算法建立的流动单元预测模型能较好地反映樊29块浊积扇储层的岩石物理特征, 支持向量机算法为流动单元研究提供一种新的手段, 具有较显著的分类效果, 用该算法研究流动单元具有广阔的前景。

5 基于流动单元的剩余油分布规律

从生产动态资料入手, 利用地质动态分析法并结合物质平衡原理, 从地质与生产动态资料相结合的角度开展剩余油研究。首先, 依据地质资料, 采用容积法计算全区的单井单层地质储量; 其次, 利用生产动态资料求取各单井的产油量; 最后, 依据物质平衡原理, 通过原始地质储量与产油量的差值得到剩余储量, 进而求取各单层的剩余油饱和度。以主力含油层系43小层为例, 分析流动单元控制下的剩余油分布模式(图 9, 表 3)。

图 9 大芦湖油田樊29块43小层剩余油与流动单元叠合图 Fig.9 Congruent map of remaining oil and flow units of 43 layer in Fan 29 Block of Daluhu Oilfield
表 3 43小层不同类型流动单元储量统 Table 3 Statistics of reserves in different types of flow units of 43 layer

不同类型流动单元内剩余油可动用储量及采出程度不同[18]。其中Ⅰ类流动单元的储集物性、渗流能力最好, 注水开发见效快, 开采程度较高, 采出程度为36.98%, 但由于原始含油饱和度较高, 仍有一定的剩余油富集, 剩余地质储量占总剩余储量的11.00%。Ⅱ类流动单元的渗流能力较好, 仅次于Ⅰ类流动单元, 注水开发效果好, 采出程度为25.65%, 平均剩余油饱和度为35.27%, 剩余地质储量占总剩余储量的28.78%, 具有一定的挖潜空间, 仍是今后开发的潜力区。Ⅲ类流动单元的储集物性、渗流能力较差, 注水开发效果差, 采出程度为21.16%, 但该类流动单元分布范围较广, 剩余地质储量高, 占总剩余地质储量的50%以上, 平均剩余油饱和度为32.56%, 因此是下一步挖潜的主要目标区。Ⅳ类流动单元的储集物性、渗流能力最差, 注水开发效果差, 水驱难以推进, 油藏开采程度小于20%。但Ⅳ类流动单元内的原始含油饱和度较低, 剩余油地质储量小, 开采难度大, 因此开采价值小, 不作为下一步挖潜的目标区(表 3)。此外, Ⅰ类和Ⅱ类、Ⅱ类和Ⅲ类、Ⅲ类和Ⅳ类流动单元的边缘结合部位仍具有较高的剩余地质储量(图 9)。

综上, 总结出樊29块浊积扇油藏现今的剩余油潜力分布。Ⅰ类流动单元注水开发效果好, 开采程度较高, 剩余油饱和度相对较低, 剩余地质储量小, 不再作为下一步挖潜的主要目标区。剩余油主要集中于Ⅱ、Ⅲ类流动单元中, 剩余地质储量高, 是下一步调整挖潜的主要目标区。Ⅳ类流动单元内的原始含油饱和度较低, 剩余油地质储量小, 开采难度大, 开采价值小, 不作为下一步挖潜的目标区。此外, 不同类型流动单元的边缘结合部位仍具有较高的剩余地质储量(图 9表 3)。

6 结论

(1) 将取芯井储层划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ 4类流动单元。其中Ⅰ、Ⅱ类流动单元储集物性和渗流能力最好, 初期产能较高; Ⅲ类流动单元的储集物性和渗流能力次之, 初期产能一般。Ⅳ类流动单元渗流能力最差, 初期产能较差, 动用程度较低。

(2) 支持向量机预测模型具有较高的预测精度, 正判率达90.38%。利用生产动态资料验证了流动单元划分结果的合理性。基于SVM的流动单元预测模型具有显著的分类效果, 利用该算法开展流动单元研究具有广阔的前景。

(3)Ⅰ类流动单元注水开发见效快, 开采程度最高, 剩余地质储量小, 不再作为下一步挖潜的重点。当前剩余油主要集中于Ⅱ、Ⅲ类流动单元中, 剩余地质储量高, 是下一步调整挖潜的主要目标区。此外, 不同类型流动单元的边缘结合部位仍具有较高的剩余地质储量。

参考文献
[1]
杨田, 操应长, 王艳忠, 等. 东营凹陷沙三中亚段浊积岩低渗透储层有效性评价[J]. 中国石油大学学报(自然科学版), 2016, 40(4): 1-11.
YANG Tian, CAO Yingchang, WANG Yanzhong, et al. Effectiveness evaluation of low permeability turbidite reservoirs in the middle of the third member of Shahejie Formation in Dongying Sag[J]. Journal of China University of Petroleum (Edition of Natural Science), 2016, 40(4): 1-11. DOI:10.3969/j.issn.1673-5005.2016.04.001
[2]
张少敏, 操应长, 王艳忠, 等. 牛庄洼陷西南部沙三中亚段浊积岩储层成岩作用与物性演化[J]. 中国石油大学学报(自然科学版), 2017, 41(2): 1-11.
ZHANG Shaomin, CAO Yingchang, WANG Yanzhong, et al. Diagenesis and physical properties evolution of turbidite reservoirs in Es3z of Niuzhuang Sag, Dongying Depression[J]. Journal of China University of Petroleum (Edition of Natural Science), 2017, 41(2): 1-11. DOI:10.3969/j.issn.1673-5005.2017.02.001
[3]
LABOURDETTE R. Integrated three-dimensional modeling approach of stacked turbidite channels[J]. AAPG Bulletin, 2007, 91(11): 1603-1618. DOI:10.1306/06210706143
[4]
WYNN R B, CRONIN B T, PEAKALL J. Sinuous deep-water channels: genesis, geometry and architecture[J]. Marine & Petroleum Geology, 2007, 24(6/9): 341-387.
[5]
李志鹏, 杨勇, 侯加根, 等. 渤南五区浊积水道砂体储层构型研究[J]. 中国石油大学学报(自然科学版), 2015, 39(5): 36-42.
LI Zhipeng, YANG Yong, HOU Jiagen, et al. Reservoir architecture of turbidity channels in the 5th area of Bonan Oilfield[J]. Journal of China University of Petroleum(Edition of Natural Science), 2015, 39(5): 36-42. DOI:10.3969/j.issn.1673-5005.2015.05.005
[6]
EBANKS W J. Flow unit concept integrated approach to reservoir description for engineering projects[J]. AAPG Bulletin, 1987, 71(5): 551-552.
[7]
罗超, 罗水亮, 窦丽玮, 等. 基于高分辨率层序地层的储层流动单元研究[J]. 中国石油大学学报(自然科学版), 2016, 40(6): 22-32.
LUO Chao, LUO Shuiliang, DOU Liwei, et al. Research on flow units based on high resolution stratigraphic sequence[J]. Journal of China University of Petroleum(Edition of Natural Science), 2016, 40(6): 22-32. DOI:10.3969/j.issn.1673-5005.2016.06.003
[8]
NOORUDDIN H A, HOSSAIN M E. Modified Kozeny-Carmen correlation for enhanced hydraulic flow unit characterization[J]. Journal of Petroleum Science & Engineering, 2011, 80(1): 107-115.
[9]
朱怡翔, 石广仁. 火山岩岩性的支持向量机识别[J]. 石油学报, 2013, 34(2): 312-322.
ZHU Yixiang, SHI Guangren. Identification of lithologic characteristics of volcanic rocks by support vector machine[J]. Acta Petrolei Sinica, 2013, 34(2): 312-322. DOI:10.3969/j.issn.1001-8719.2013.02.020
[10]
石广仁. 支持向量机在裂缝预测及含气性评价应用中的优越性[J]. 石油勘探与开发, 2008, 35(5): 588-594.
SHI Guangren. Superiorities of support vector machine in fracture prediction and gassiness evaluation[J]. Petroleum Exploration and Development, 2008, 35(5): 588-594. DOI:10.3321/j.issn:1000-0747.2008.05.010
[11]
韩祥磊, 王文林, 孙红蕾. 博兴洼陷沙三段沉积体系探讨[J]. 油气地质与采收率, 2003, 8(10): 7-18.
HAN Xianglei, WANG Wenlin, SUN Honglei. Discussion on sedimentary system of the Es3Formation in Boxing Sag[J]. Petroleum Geology and Recovery Efficiency, 2003, 8(10): 7-18.
[12]
刘鑫金, 刘惠民, 宋国奇, 等. 济阳坳陷东营三角洲前缘斜坡重力流成因砂体特征及形成条件[J]. 中国石油大学学报(自然科学版), 2017, 41(4): 36-45.
LIU Xinjin, LIU Huimin, SONG Guoqi, et al. Characteristics and formation condition of gravity flow developing in low-lying slope zone of Dongying delta in Jiyang Depression[J]. Journal of China University of Petroleum(Edition of Natural Science), 2017, 41(4): 36-45. DOI:10.3969/j.issn.1673-5005.2017.04.005
[13]
王伟明, 卢双舫, 田伟超, 等. 利用微观孔隙结构参数对辽河大民屯凹陷页岩储层分级评价[J]. 中国石油大学学报(自然科学版), 2016, 40(4): 12-19.
WANG Weiming, LU Shuangfang, TIAN Weichao, et al. Liaohe Oilfield shale reservoir quality grading with micropore evaluation parameters in Damintun Depression[J]. Journal of China University of Petroleum (Edition of Natural Science), 2016, 40(4): 12-19. DOI:10.3969/j.issn.1673-5005.2016.04.002
[14]
罗瑞, 查明, 何皓, 等. 南堡凹陷古近系泥页岩孔隙结构特征[J]. 中国石油大学学报(自然科学版), 2016, 40(2): 23-33.
LUO Rui, ZHA Ming, HE Hao, et al. Characteristics of pore structures in Paleogene shales in Nanpu Sag[J]. Journal of China University of Petroleum (Edition of Natural Science), 2016, 40(2): 23-33. DOI:10.3969/j.issn.1673-5005.2016.02.003
[15]
王亚, 杨少春, 路研, 等. 基于测井岩石物理相识别的低渗透储层评价方法:以东营凹陷高青地区蒙阴组上段为例[J]. 中国矿业大学学报, 2018, 47(6): 1388-1399.
WANG Ya, YANG Shaochun, LU Yan, et al. Evaluation method of low permeability reservoirs based on logging petrophysical facies identification: a case study of the upper member of Mengyin formation in Gaoqing area, Dongying depression[J]. Journal of China University of Mining & Technology, 2018, 47(6): 1388-1399.
[16]
AMAEFULE J O, ALTUNBAY M, TIAB D, et al. Enhanced reservoir description: using core and log data to identify hydraulic (flow) units and predict permeability in uncored intervals/wells[R]. SPE 26436, 1993.
[17]
陈哲, 陆军, 赵耀辉, 等. 绥靖油田杨19区延91油藏流动单元划分合理性研究[J]. 石油与天然气地质, 2015, 36(3): 497-503.
CHEN Zhe, LU Jun, ZHAO Yaohui, et al. Research on flow unit division rationality of Yan 91 oil reservoir in Yang 19 block of Suijing Oilfield, Ordos Basin[J]. Oil & Gas Geology, 2015, 36(3): 497-503.
[18]
范子菲, 李孔绸, 李建新, 等. 基于流动单元的碳酸盐岩油藏剩余油分布规律[J]. 石油勘探与开发, 2014, 41(5): 578-584.
FAN Zifei, LI Kongchou, LI Jianxin, et al. A study on remaining oil distribution in a carbonate oil reservoir based on reservoir flow units[J]. Petroleum Exploration and Development, 2014, 41(5): 578-584.