Processing math: 26%

基于渗透率合成技术的砂岩油藏产能预测方法

王清辉, 朱明, 冯进, 管耀, 侯博恒

王清辉, 朱明, 冯进, 管耀, 侯博恒. 基于渗透率合成技术的砂岩油藏产能预测方法[J]. 石油钻探技术, 2021, 49(6): 105-112. DOI: 10.11911/syztjs.2021122
引用本文: 王清辉, 朱明, 冯进, 管耀, 侯博恒. 基于渗透率合成技术的砂岩油藏产能预测方法[J]. 石油钻探技术, 2021, 49(6): 105-112. DOI: 10.11911/syztjs.2021122
WANG Qinghui, ZHU Ming, FENG Jin, GUAN Yao, HOU Boheng. A Method for Predicting Productivity of Sandstone Reservoirs Based on Permeability Synthesis Technology[J]. Petroleum Drilling Techniques, 2021, 49(6): 105-112. DOI: 10.11911/syztjs.2021122
Citation: WANG Qinghui, ZHU Ming, FENG Jin, GUAN Yao, HOU Boheng. A Method for Predicting Productivity of Sandstone Reservoirs Based on Permeability Synthesis Technology[J]. Petroleum Drilling Techniques, 2021, 49(6): 105-112. DOI: 10.11911/syztjs.2021122

基于渗透率合成技术的砂岩油藏产能预测方法

基金项目: 国家科技重大专项“南海东部海域勘探新领域及关键技术”(编号:2016ZX05024-004)资助
详细信息
    作者简介:

    王清辉(1986—),男,湖北咸宁人,2010年毕业于长江大学地球探测与信息技术专业,2013年获中国石油大学(北京)地球探测与信息技术专业硕士学位,测井工程师,主要从事珠江口盆地(东部)地区测井储层评价研究。E-mail:wangqh24@cnooc.com.cn

  • 中图分类号: TE32+8

A Method for Predicting Productivity of Sandstone Reservoirs Based on Permeability Synthesis Technology

  • 摘要: 利用常规测井资料准确计算钻杆地层测试(DST)渗透率,能够大幅提高海上非均质砂岩油藏产能预测精度。为此,综合考虑惠州凹陷宏观沉积成岩作用和微观孔隙结构对储层渗透率的影响,建立了不同类型储层绝对渗透率的测井解释模型。正演分析表明,射孔层段不同渗透率级差的储层对产能的贡献明显不同;对不同级别储层渗透率进行加权求和得到合成测井渗透率,并对权系数大小进行约束,突出优势储层对产能的贡献,建立了DST渗透率的回归拟合方程;采用差分进化算法进行迭代,得到DST渗透率计算方程的最优解。采用该方法对惠州凹陷72个油层产能进行预测,48个油层的产能大于100 m3/d,预测相对误差小于30%的油层占比90%;24个油层的产能为10~100 m3/d,相对误差小于50%的油层占比79%。研究结果表明,基于渗透率合成技术的砂岩油藏产能预测方法,能够为海上油田测试作业决策提供指导,降低勘探作业成本。
    Abstract: Using conventional logging data to accurately calculate the permeability of drill-stem test (DST) can greatly improve the accuracy of productivity predictions of offshore heterogeneous sandstone reservoirs. Based on this, the influence of sedimentary diagenesis and pore structure of Huizhou Sag on reservoir permeability were comprehensively considered from macroscopic and microscopic perspectives, respectively. In this work, a logging interpretation model of absolute permeability was built for different reservoir types. Forward analysis results show that reservoirs with different permeability contrast in perforated intervals have significantly different contributions to productivity.The synthetic logging permeability was calculated by weighted summation of permeability at different levels of the reservoir, and the weight coefficient was constrained to highlight the contribution of favorable reservoirs to productivity. An iterative analysis was performed with a differential evolution algorithm to yield the optimal solution of the equation. This method has been applied in 72 oil layers in Huizhou Sag for productivity prediction. The productivity from 48 layers was found greater than 100 m3/d, and the proportion of layers whose relative prediction errors within 30% was 90%. In addition, 24 layers had the productivity of 10–100 m3/d, among which the layers whose relative error was less than 50% accounted for 79% of the oil layers. This study indicates that the productivity prediction method based on permeability synthesis technology can guide the decision-making of offshore field tests and operations to reduce the exploration cost.
  • 随着石油勘探开发不断深入,非常规油气藏越来越受到重视,但该类油气藏地质条件复杂,钻井过程中井眼轨迹的控制难度大。定向钻井时利用地质导向技术对井眼轨迹进行动态调整,可以较好地解决这一问题。定向钻井时测得的各种地球物理数据中,随钻方位电磁波电阻率不仅包含地层电阻率信息,还可以反映岩性界面位置 [1-4],因此随钻方位电磁波电阻率测井解释结果是油气井地质导向决策的主要依据之一。

    随钻方位电磁波测井响应与所求解的地质参数之间存在高度的非线性关系,因此往往需要借助反演手段获取地层参数。目前常用的反演方法主要包括高斯–牛顿法和随机反演算法,如G.Wang等人[5]在各向异性地层中使用了基于快速正演求解器的高斯–牛顿法进行反演,收敛速度快,但每一步迭代都需要求解目标函数的雅克比矩阵,计算量大,若初值设置不当,反演结果可能不准确,甚至无法收敛[6];随机反演算法计算过程简单,鲁棒性强,但收敛速度慢,无法满足实时反演的要求。

    近年来,深度学习技术在人工智能领域取得了显著成果,表明深度神经网络对于复杂结构有着很强的表征能力[7-10],利用深度学习进行地层反演或将成为替代传统反演的新方法[11-13]。例如,Jin Yuchen等人[14]利用深度神经网络和严格的正演模型反演了1.5D随钻电阻率数据;Y. Hu等人[15]将梯度下降算法和机器学习算法相结合,增强了模型反演的鲁棒性;M. Shahriari等人[16]利用深度学习反演了井眼电阻率测井数据;D. Pardo等人[17]针对不同地质情况设计了多种深度学习反演架构,来实现随钻电阻率的2.5D反演。实践证明,深度学习方法可以用于测井数据反演。但传统的神经网络结构简单,存在收敛速度慢、数据表征能力有限等缺点。

    针对上述问题,笔者基于LSTM网络建立了深度学习反演模型,并以斯伦贝谢公司的随钻方位电磁波测井仪PeriScope数值模拟数据为样本,对该模型进行训练和测试;训练后的深度学习模型能够准确快速地反演地层电阻率,且有一定的鲁棒性。

    目前电磁波测井常用的线圈系结构如图1所示。其中,图1(a)所示线圈结构采用轴向发射和轴向接收,不具有方位性,主要用来测量地层电阻率信号;图1(b)所示线圈结构采用轴向发射与倾斜接收,这样的线圈结构使测量信号具有方位性,可以用于测量地质信号 [18-20]

    图  1  方位电磁波测井常用线圈结构
    Figure  1.  Commonly used coil structure in azimuthal electromagnetic wave logging

    测量地层电阻率信号时,记录2个接收线圈上的电压,并将其转换为幅度比和相位差(见图1(a)):

    Att=20lg[Re(UR1)]2+[Im(UR1)]2[Re(UR2)]2+[Im(UR2)]2 (1)
    PS=arctanIm(UR1)Re(UR1)arctanIm(UR2)Re(UR2) (2)

    式中:Att为幅度比,dB;PS为相位差,(°);UR1UR2分别为2个接收线圈上的电压值,V;Re表示取电压实部,Im表示取电压虚部。

    测量岩性界面信号时,仪器在每个测量位置沿轴心旋转一周,测量多个扇区的值(现有商用仪器每旋转一周测量16个或32个扇区),取其在旋转角β1=0β2=180的测量电压作为幅度比和相位差的计算参数(见图1(b))。幅度比地质信号和相位差地质信号的计算公式分别为:

    GAtt=20lg[Re(Uβ1)]2+[Im(Uβ1)]2[Re(Uβ2)]2+[Im(Uβ2)]2 (3)
    GPS=arctanIm(Uβ1)Re(Uβ1)arctanIm(Uβ2)Re(Uβ2) (4)

    式中:GAtt为幅度比地质信号,dB;GPS为相位差地质信号,(°);Uβ1Uβ2分别为工具面角为β1β2时的测量电压,V。

    电阻率反演流程如图2所示。首先建立水平层状各向异性地层(TI)模型,地层参数(主要为水平电阻率Rh和垂直电阻率Rv)随机取值;然后通过正演计算得到不同地层参数下对应的测井响应(主要为幅度比Att和相位差PS),建立包含大量数据对[地层参数,测井响应]的样本集;最后基于预处理后的样本集训练神经网络。训练时将测井响应作为神经网络的输入,地层参数作为神经网络的输出,神经网络自动学习从测井响应到地层参数的映射。

    图  2  电阻率反演流程
    Figure  2.  Inversion flow of resistivity

    搭建的神经网络模型主要由噪声层、LSTM层和1D卷积层组成。噪声层可以避免神经网络在训练时出现过拟合,使训练后的神经网络具有较强的鲁棒性;1D卷积层可以代替普通神经网络中的全连接层,将分布式特征空间映射到地层电阻率等数据的拟合结果;LSTM层是神经网络模型的核心,它可以拾取数据特征、解决神经网络在处理时间序列数据时出现的梯度消失或梯度爆炸的问题,网络架构如图3所示(δ代表Sigmoid函数,其表达式为δ(x)=11+ex,返回的是一个(0,1)内的数字;ht1xt分别为前一个神经元的输出和当前神经元的输入;Ct1为前一个状态,ft由式(5)计算)[21]

    图  3  LSTM网络架构
    Figure  3.  Architecture of LSTM network
    {f_t} = \delta ({{\boldsymbol{W}}_f} [{h_{t - 1}},{x_t}] + {b_f}) (5)

    式中:{{\boldsymbol{W}}_f}b_f分别为权重矩阵和偏置。

    {f_t}为1,则代表完全保留{C_{t - 1}}中的信息;若{f_t}为0,则代表完全删除{C_{t - 1}}中的信息。

    {C_t}'是当前神经元经过tanh激活函数处理得到的有效信息,{i_t}的计算与{f_t}类似,它决定了当前神经元信息的保存:

    {i_t} = \delta ({W_i}[{h_{t - 1}},{x_t}] + {b_i}) (6)
    {C_t}'{\text{ = }}\tanh ({W_C}[{h_{t - 1}},{x_t}] + {b_C}) (7)

    将上一个状态值乘以{f_t},用来表示期待清除的信息,再将得到的值加上 {i_t} {C_t}' ,即可得到当前神经元的状态值{C_t},完成信息的更新与传递。即:

    {C}_{t}={f}_{t} {C}_{t-1}+{i}_{t} {{C}_{t}}' (8)

    此外,由于随钻方位电磁波测量的幅度比和相位差与电阻率为非线性对应关系,还需要给神经网络的激励层加上非线性激活函数,来增加神经网络的非线性映射能力。ReLu激活函数的收敛速度快且求导简单,进行反向传播时在速度方面具有较大的优势,因此,本文以此函数为激励函数。

    水平层状各向异性地层模型中,随钻方位电磁波测井的数值模拟方法主要有解析方法和数值模式匹配等。相对于数值模式匹配等方法,解析方法中的传播系数矩阵法避免了N层界面对2N个方程联立求解,在界面较多时,这种递推方法的计算速度更快,本文采用此方法计算TI模型随钻方位电磁波测井响应。

    电磁波在介质中传播满足微分形式的麦克斯韦方程组:

    \left\{ \begin{gathered} \nabla \times {\boldsymbol{H}} = {\boldsymbol{J}} + \frac{{\partial {\boldsymbol{D}}}}{{\partial t}} \\ \nabla \times {\boldsymbol{E}} = - \frac{{\partial {\boldsymbol{B}}}}{{\partial t}} \\ \nabla \cdot {\boldsymbol{B}} = 0 \\ \nabla \cdot {\boldsymbol{D}} = \rho \\ \end{gathered} \right. (9)

    式中:{\boldsymbol{H}}为磁场强度,A/m;{\boldsymbol{E}}为电场强度,N/C;{\boldsymbol{B}}为磁感应强度,T;{\boldsymbol{D}}为电位移矢量,C/m2{\boldsymbol{J}}为传导电流密度,A/m2ρ为电荷密度,C/m3

    电磁波在媒质中的传播满足本构关系:

    \left\{ \begin{gathered} {\boldsymbol{D}} = \varepsilon {\boldsymbol{E}} \\ {\boldsymbol{B}} = \mu {\boldsymbol{H}} \\ {\boldsymbol{J}} = \boldsymbol{\sigma} {\boldsymbol{E}} \\ \end{gathered} \right. (10)

    式中: \varepsilon 为媒质的介电常数; \mu 为媒质的磁导率,H/m; \boldsymbol{\sigma} 为电导率张量。

    电磁波测井仪发射线圈的尺寸相对于线圈源距可忽略不记,发射线圈可以等同于一个磁偶极源,在进行电磁波测井时一般使用时谐电流源{{\rm{e}}^{ -\text{ i}\omega t}},因此在均匀各向异性地层中,时谐场麦克斯韦方程组可表示为:

    \left\{ \begin{gathered} \nabla \times {\boldsymbol{H}} = \boldsymbol{\sigma} {\boldsymbol{E}} \\ \nabla \times {\boldsymbol{E}} =\text {i}\omega ({\mu _0}{\boldsymbol{H}} + {\mu _0}{{\boldsymbol{M}}_S}) \\ \end{gathered} \right. (11)

    式中: {{\boldsymbol{M}}_S} 为外加磁流源; {\mu _0} 为真空中磁导率,H/m。

    在推导中常使用Hertz势理论,Hertz矢量势 {\boldsymbol{\varPi}} 和标量势{{\varPsi}}满足:

    \left\{ \begin{gathered} \boldsymbol{ \sigma} {\boldsymbol{E}} = \text {i} \omega {\mu _0}{\sigma _{\rm{h}}}\nabla \times {\boldsymbol{\varPi }} \\ {\boldsymbol{H}} =\text {i}\omega {\mu _0}{\sigma _{\rm{h}}}{\boldsymbol{\varPi }} + \nabla {{\varPsi}} \\ \nabla (\boldsymbol{\sigma} {\boldsymbol{\varPi }}) = {\sigma _{\rm{v}}}{{\varPsi}} \\ \end{gathered} \right. (12)

    式中: {\sigma _{\rm{h}}} 为电导率水平分量,S/m; {\sigma _{\rm{v}}} 为电导率垂直分量,S/m。

    将式(10)代入式(9),可得均匀各向异性介质中的磁偶极源表达式,然后将其代入式(12),可得:

    \left\{ \begin{gathered} {E_z} = - \frac{1}{{4{{\boldsymbol{\varPi}}} }} \left( {{M_x}\sin \alpha - {M_y}\cos \alpha } \right) \int_0^\infty \omega \mu \lambda k_\rho ^2{\rm{i}}\frac{{{J_1}\left( {{k_\rho }\rho } \right)}}{{{k_{v,z}}}}\cdot \\ \qquad{{\rm{e}}^{{\rm{i}}\lambda \left| z \right|{k_{v,z}}}}{k_\rho }{\rm{d}}{k_\rho } \\ {H_z} = \frac{1}{{4{\boldsymbol{\varPi}} }}\left( {{M_x}\cos \alpha + {M_y}\sin \alpha } \right)\int_0^\infty k_\rho ^2\frac{{\partial \left| z \right|}}{{\partial z}}{J_1}\left( {{k_\rho }\rho } \right)\cdot \\ \qquad {{\rm{e}}^{{\rm{i}}\left| z \right|{k_{v,z}}}}{\rm{d}}{k_\rho } + \frac{{{M_z}}}{{4{\boldsymbol{\varPi}}}}\int_0^\infty {{\rm{i}}k_\rho ^3\frac{{{J_0}\left( {{k_\rho }\rho } \right)}}{{{k_{h,z}}}}{{\rm{e}}^{{\rm{i}}\left| z \right|{k_{h,z}}}}{\rm{d}}{k_\rho }} \\[-12pt] \end{gathered} \right. (13)

    因此,在TI模型中电磁场由以下递推公式进行计算:

    {E_{n,z}} = - \frac{1}{{4{\boldsymbol{\varPi}}}}\left( {{M_x}\sin \alpha - {M_y}\cos \alpha } \right)\omega \mu {\lambda _n}\frac{{k_\rho ^2}}{{{k_{n,v,z}}}}{J_1}\left( {{k_\rho }\rho } \right)F_n^{TM,h} (14)
    \begin{split} {H_{n,z}} =& \frac{1}{{4{\boldsymbol{\varPi}} }}\left( {{M_x}\cos \alpha + {M_y}\sin \alpha } \right)k_\rho ^2{J_1}\left( {{k_\rho }\rho } \right)F_n^{TM,h} +\\ &\frac{1}{{4{\boldsymbol{\varPi}} }}{M_z}\frac{{{\rm{i}}k_\rho ^3}}{{{k_{n,h,z}}}}\left( {{k_\rho }\rho } \right)F_n^{TM,v}\\[-12pt] \end{split} (15)
    \begin{split} F_n^{TE,h} = &{\delta _{mn}}\frac{{\left| {z - {z_0}} \right|}}{{z - {z_0}}}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}\left| {z - {z_0}} \right|}} + U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}\left( {z - {d_n}} \right)}} +\\ &D_n^{TE,h}{{\rm{e}}^{ - {\rm{i}}{k_{n,h,z}}\left( {z - {d_{n - 1}}} \right)}} \end{split} (16)
    F_n^{TE,v} = {\delta _{mn}}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}\left| {z - {z_0}} \right|}} + U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}{d_n}}} + D_n^{TE,h}{{\rm{e}}^{ - {\rm{i}}{k_{n,h,z}}\left( {z - {d_{n - 1}}} \right)}} (17)
    \begin{split} F_n^{T{\text{M}},h} =& {\delta _{mn}}{{\rm{e}}^{{\rm{i}}\lambda {k_{n,v,z}}\left| {z - {z_0}} \right|}} + U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,v,z}}\left( {z - {d_n}} \right)}} + \\ &D_n^{TM,h}{{\rm{e}}^{ - {\rm{i}}\lambda {k_{n,v,z}}\left( {z - {d_{n - 1}}} \right)}} \end{split} (18)
    {\delta _{mn}} = \left\{ \begin{gathered} 1\quad m = n \\ 0\quad m \ne n \\ \end{gathered} \right. (19)

    式中: {F_n} 为第n层的传播项;上标TM表示TM波的z分量,TE表示TE波的z分量,h表示水平磁偶极子,v表示垂直磁偶极子,z{z_0}表示接受点和发射源位置的纵坐标,{d_n}表示界面位置; {D_n} {U_n} 分别为第n层底界面处的下行波和上行波的波膜,可由式(20)推出。

    \left\{ \begin{split} U_{n + 1}^{TE,v} =& U_n^{TE,v}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}({d_{n + 1}} - {d_n})}}\frac{{1 + R_{U,n}^{TE,v}}}{{1 + R_{U,n + 1}^{TE,v}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}({d_{n + 2}} - {d_{n + 1}})}}}} \\ D_n^{TE,v} = &U_n^{TE,v}R_{U,n}^{TE,v}{{\rm{e}}^{{\rm{i}}2{k_{n,h,z}}({d_{n + 1}} - {d_n})}} \\ U_{n + 1}^{TE,h} =& U_n^{TE,h}{{\rm{e}}^{{\rm{i}}{k_{n,h,z}}({d_{n + 1}} - {d_n})}}\frac{{1 + R_{U,n}^{TE,h}}}{{1 + R_{U,n + 1}^{TE,h}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}({d_{n + 2}} - {d_{n + 1}})}}}} \\ D_n^{TE,h} = &U_n^{TE,h}R_{U,n}^{TE,h}{{\rm{e}}^{{\rm{i}}2{k_{n,h,z}}({d_{n + 1}} - {d_n})}} \\ U_{n + 1}^{TM,h} = &\frac{{{\varepsilon _n}}}{{{\varepsilon _{n + 1}}}}U_n^{TM,h}{{\rm{e}}^{{\rm{i}}\lambda {k_{n,v,z}}({d_{n + 1}} - {d_n})}}\cdot \\ &\frac{{1 + R_{U,n}^{TM,h}}}{{1 + R_{U,n + 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,v,z}}({d_{n + 2}} - {d_{n + 1}})}}}} \\ D_n^{TM,h} =& U_n^{TM,h}R_{U,n}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n,v,z}}({d_{n + 1}} - {d_n})}} \\ \end{split} \right. (20)

    式中: {R_{D,n}} {R_{U,n}} 分别为第n层底界面处下行波和第n层顶界面处上行波的广义反射系数。其递推公式如下:

    \left\{ \begin{gathered} R_{U,n}^{TE} = \frac{{R_{n,n + 1}^{TE} + R_{U,n + 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}}{{1 + R_{n,n + 1}^{TE}R_{U,n + 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,h,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}} \\ R_{D,n}^{TE} = \frac{{R_{n,n - 1}^{TE} + R_{D,n - 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n - 1,h,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}}{{1 + R_{n,n - 1}^{TE}R_{D,n - 1}^{TE}{{\rm{e}}^{{\rm{i}}2{k_{n - 1,h,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}} \\ R_{U,n}^{TM,h} = \frac{{R_{n,n + 1}^{TM,h} + R_{U,n + 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2{k_{n + 1,v,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}}{{1 + R_{n,n + 1}^{TM,h}R_{U,n + 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n + 1,v,z}}\left( {{d_{n + 1}} - {d_n}} \right)}}}} \\ R_{D,n}^{TM,h} = \frac{{R_{n,n - 1}^{TM,h} + R_{D,n - 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n - 1,v,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}}{{1 + R_{n,n - 1}^{TM,h}R_{U,n - 1}^{TM,h}{{\rm{e}}^{{\rm{i}}2\lambda {k_{n - 1,v,z}}\left( {{d_{n - 1}} - {d_{n - 2}}} \right)}}}} \\ \end{gathered} \right. (21)

    由式(21)递推关系可知所有界面的广义反射系数。广义反射系数由于使用简单解析表达式计算界面间的多次反射效应,其递推公式避免了N层界面对应的2N个方程的联立求解,计算速度快。

    建立图4所示的TI地层模型(模型层数为3,4,5),每一层的电阻率R、各向异性系数λ (λ2=Rv/Rh)、地层界面位置Z及井斜角θ随机取值,由于随钻电磁波测井适用于大斜度井和水平井,因此将井斜角θ的取值范围设置为(65°,85°)。以斯伦贝谢公司生产的PeriScope随钻电磁波测井仪为例进行电阻率反演试验,选用了13种线圈组合方式,其中单发双收线圈(见图1(a))组合的有5组,源距分别为[0.330 m,0.480 m],[0.480 m,0.635 m],[0.635 m,0.787 m],[0.787 m,0.889 m]和[0.889 m,1.090 m],频率设置为400 kHz和2 MHz,用于测量视电阻率信号;单发单收的线圈组合(见图1( b))有8组,对称法和反对称法各4组,源距分别为(0.558 8 m,0.863 6 m,2.133 6 m,2.438 4 m),频率分别设置为100,400 kHz和2 MHz,用于测量地层边界,被称为地质信号。基于正演算法计算每一种线圈组合在不同工作频率下的测井响应,从而在每个地层样本下获得了68条不同的测井曲线(幅度比和相位差各34条,每条曲线的采样点数设置为512)。至此得到了包含30 000个样本的数据集,每个样本由70条曲线构成(68条测井响应曲线为神经网络输入,2条电阻率曲线为神经网络的预测值)。取其中3 000个样本作为验证集,用于评估神经网络模型对电阻率的反演性能。

    图  4  水平层状多层地层模型
    Figure  4.  Horizontal stratified formation model with multiple layers

    过正演计算生成的样本数据并不能直接作为神经网络的输入与输出,还需处理异常数据,进行数据转换和归一化处理。

    由于地层电阻率等参数是随机取值,当随机参数组合异常时,可能导致正演结果出现无法计算的异常值,对于这样的异常值采用归零法,即把异常数据赋值为0。本文同时输入同测量段不同源距和频率的测量曲线,也即将输入数据转换为由多条测量曲线组成的二维图像;通过归一化处理可以使样本数据被限定在一定的范围内,加快梯度下降求最优解的速度,且有可能提高精度。本文采取的归一化方法为:

    {x_i} = {{\rm{sgn}}}({x_i}) \lg [1 + \left| {{x_i}} \right|] (22)

    式中:xi为某条曲线中第i个采样点的值;sgn(x)为符号函数。

    在神经网络训练时,学习率(即在神经网络训练期间权重更新的量)和批尺寸(神经网络训练样本集较大,无法一次性对所有数据进行训练,常用的方法是每次向神经网络输入样本集的一部分)对训练效果有很大影响,因此优选这2个参数。

    由于神经网络的训练速度和精度同时受学习率(η)和批尺寸(n)的影响,本文同时使用不同的学习率和批尺寸对卷积网络进行遍历寻优。针对方位电磁波数据反演问题,选用的学习率分别为0.000 5,0.001 0,0.002 0,0.004 0,0.006 0和0.008 0,批尺寸分别为32,64,128和256时,LSTM网络训练的损失函数曲线如图5图8所示,不同批尺寸和学习率下损失函数的最小值见表1

    图  5  批尺寸为32时不同学习率下的损失函数曲线对比
    Figure  5.  Comparison of loss function curves under different learning rates when batch size is 32
    图  6  批尺寸为64时不同学习率下的损失函数曲线对比
    Figure  6.  Comparison of loss function curves under different learning rates when batch size is 64
    图  7  批尺寸为128时不同学习率下的损失函数曲线对比
    Figure  7.  Comparison of loss function curves under different learning rates when batch size is 128
    图  8  批尺寸为256时不同学习率下的损失函数曲线对比
    Figure  8.  Comparison of loss function curves under different learning rates when batch size is 256
    表  1  不同批尺寸和学习率的损失误差
    Table  1.  Loss errors for different batch sizes and learning rates
    η训练集误差测试集误差
    n=32n=64n=128n=256n=32n=64n=128n=256
    0.000 50.011 00.012 40.012 50.014 10.009 30.007 50.011 10.011 7
    0.001 00.009 80.010 90.014 30.012 10.008 70.007 50.011 90.010 6
    0.002 00.011 00.010 10.010 80.011 60.008 80.007 20.010 40.010 7
    0.004 00.011 30.010 70.011 10.013 10.009 10.007 70.010 90.010 8
    0.006 00.010 80.011 20.011 60.013 30.008 90.008 30.011 20.011 6
    0.008 00.012 50.012 30.012 50.011 90.009 00.008 10.010 40.014 0
    下载: 导出CSV 
    | 显示表格

    图5图8表1可以看出,当批尺寸为64、学习率为0.002时,LSTM网络训练的损失误差最小,精度最高。

    使用训练好的LSTM网络反演3层、4层和5层地层模型的水平电阻率和垂直电阻率,结果如图9图11所示。

    图  9  三层地层模型反演结果
    Figure  9.  Inversion results of three-layer formation model
    图  10  四层地层模型反演结果
    Figure  10.  Inversion results of four-layer formation model
    图  11  五层地层模型反演结果
    Figure  11.  Inversion results of five-layer formation model

    图9图11可以看出,反演得到的电阻率曲线和真实电阻率曲线基本重合,说明该网络能够准确获得各向异性地层中的电阻率信号;且随着地层层数的增加,反演和真实电阻率曲线的吻合程度没有明显下降,说明该网络对于复杂地层有一定的适用性,可以用于地质导向和地层流体评价。

    为了进一步验证随钻方位电磁波电阻率的反演准确度,将LSTM网络应用于3 000个样本的测试集,每个样本有512个采样点,记录每一个采样点处反演的电阻率,并与真实电阻率进行比较。计算它们之间的相对误差,结果见表2

    表  2  电阻率反演相对误差
    Table  2.  Relative error of resistivity inversion
    电阻率相对误差,%采样点数百分比,%
    Rh<51 397 31391.0
    ≥5~<10112 6527.3
    ≥10~<2018 8521.2
    ≥207 1830.5
    Rv<51 357 92588.4
    ≥5~<10124 9358.1
    ≥10~<2028 5571.9
    ≥2024 5831.6
    下载: 导出CSV 
    | 显示表格

    表2可以看出,无论是对垂直电阻率(Rv)的反演还是对水平电阻率(Rh)的反演,都有很高的准确性,其中95%以上采样点的相对误差都在10%以内,相对误差大于20%的采样点只有1%左右。

    为了验证该模型的鲁棒性,在测试数据集中分别加入5%、10%和20%的相对噪声,统计不同噪声强度下的反演误差(见图12),并与无噪声时的反演误差相比较。从图12可以看出,噪声强度在10%以内时,随着噪声强度增大,反演准确度不断下降,但下降的速度比较缓慢,噪声对反演结果的影响较小;噪声强度增大到20%时,反演准确度下降速度加快,反演结果受噪声影响较大。这说明该网络模型在反演随钻方位电磁波测井数据时具有一定的抗干扰能力,有望应用于含有噪声测量数据的反演。

    图  12  不同噪声强度下电阻率反演误差分布直方图
    Figure  12.  Histogram of resistivity inversion error distribution under different noise intensities

    最后记录下LSTM网络在验证集上反演单个样本所需的时间,并与文献[15]中的监督下降法以及Occam反演方法进行比较,结果见表3。从表3可以看出,LSTM网络反演速度比传统方法快了2个数量级,且随着地层层数增加,反演时间几乎不发生变化,因此,该反演方法有望满足随钻方位电磁波测井数据井场实时反演的要求。

    表  3  不同方法反演时间比较
    Table  3.  Comparison of inversion time between different methods
    地层模型层数反演单个样本所需时间/s
    LSTM网络监督下降法Occam法
    30.04~0.060.5~4.0>120
    50.04~0.060.5~4.0>240
    下载: 导出CSV 
    | 显示表格

    1)LSTM网络能够用于反演随钻方位电磁波数据。训练后的网络反演单个样本计算速度约为0.05 s,其计算速度较快,能够满足数据实时反演的需要,且无需存储大量正演模型和数据,有利于实时应用。

    2)在神经网络架构中使用了非线性激活函数,使神经网络具有非线性表达能力,能够将随钻方位电磁波正演数据映射为需要反演的地层电阻率。设置不同的学习率和批尺寸等参数,其反演准确度会有较大差别,因此在神经网络训练时应采用遍历的方法来优选最合适的网络参数。

    3)本文提出的随钻方位电磁波测井数据反演方法使用的训练数据和验证数据均为模拟数据,建议在今后的研究中,增加该方法对实际测井数据反演效果的验证。

  • 图  1   惠州凹陷米采油指数与DST渗透率和测井平均渗透率交会图

    Figure  1.   Cross plot of productivity index per meter with DST permeability and average logging permeability of Huizhou Sag

    图  2   惠州凹陷射孔方式与表皮系数分布直方图

    Figure  2.   Histogram of perforation method and skin coefficient distribution in Huizhou Sag

    图  3   不同渗透率级差下的储层产能正演模拟成果

    Figure  3.   Forward modeling results of reservoir productivity with different permeability contrast

    图  4   惠州凹陷测井平均渗透率和合成测井渗透率与DST渗透率交会图

    Figure  4.   Cross plot of average and synthetic logging permeability with DST permeability of Huizhou Sag

    图  5   惠州凹陷油藏产能预测结果误差分析

    Figure  5.   Error analysis of reservoir productivity prediction results for Huizhou Sag

    图  6   惠州凹陷A井珠海组M层产能预测结果

    Figure  6.   Productivity prediction results of Layer M of Zhuhai Formation in Well A in Huizhou Sag

    表  1   惠州凹陷不同油藏类型的供油半径计算模型

    Table  1   Calculation models of oil supply radius for different reservoir types in Huizhou Sag

    油藏类型供油半径计算模型相关系数
    油藏内部发育断层 {r_{\text{e}}}{\text{ = 29}}{\text{.883}} \left(\dfrac{{{K_{{\text{DST}}}}}}{\mu }\right){^{0.499\;2}} 0.975 9
    边水驱动油藏{r_{\text{e}}}{\text{ = 41}}{\text{.321}} \left(\dfrac{{{K_{{\text{DST}}}}}}{\mu }\right){^{0.443\;8}} 0.927 7
    底水驱动油藏 {r_{\text{e}}}{\text{ = 4}}{{.629\;9}}\left(\dfrac{{{K_{{\text{DST}}}}}}{\mu }\right){^{0.706\;3}} 0.853 9
    下载: 导出CSV

    表  2   惠州凹陷不同储层类型的孔、渗模型和Fisher识别结果

    Table  2   Porosity and permeability models and Fisher identification results of different reservoir types in Huizhou Sag

    储层类型岩性沉积微相渗透率计算模型相关系数Fisher识别结果
    符合不符合
    PF1中、粗砂岩,含砾砂岩辫状分流河道、滩砂水道和沿岸坝K = 2.473\;6{{\rm{e}}^{0.309\;6\phi }}0.82605
    PF2中—细砂岩分流河道、河口坝和风暴席状砂K = 0.411{{\rm{e}}^{0.335\;1\phi }}0.91210 11
    PF3钙质中—细砂岩潮汐水道、远砂坝K = 0.000\;06{{\rm{e}}^{0.636\;2\phi }}0.83280
    PF4细砂岩、粉砂岩远砂坝K = {10^{ - 9.045}}{\phi ^{8.402}}0.84398
    PF5泥质粉砂岩分流河道间湾、远砂坝K = 0.004\;7{{\rm{e}}^{0.403\;7\phi }}0.79164
    下载: 导出CSV

    表  3   惠州凹陷储层分级标准

    Table  3   Reservoir classification standard of Huizhou Sag

    储层
    级别
    孔隙度,%渗透率/
    mD
    米采油指数/
    (m3·d−1·MPa−1·m−1
    产量分类
    Ⅰ级≥30.0≥2 00010.50~163.90高产
    Ⅱ级25.0~30.0500~2 0006.80~62.50高产
    Ⅲ级20.0~25.0200~5004.10~21.60中—高产
    Ⅳ级17.5~20.050~2000.92~11.25中—低产
    Ⅴ级15.0~17.520~500.87~3.65中—低产
    Ⅵ级12.0~15.05~200.47~1.78低产—少产
    Ⅶ级<12.0<50.02~0.54少产—无产
    下载: 导出CSV
  • [1] 刘彦成,罗宪波,康凯,等. 陆相多层砂岩油藏渗透率表征与定向井初期产能预测:以蓬莱19-3油田为例[J]. 石油勘探与开发,2017,44(1):97–103. doi: 10.1016/S1876-3804(17)30012-5

    LIU Yancheng, LUO Xianbo, KANG Kai, et al. Permeability characterization and directional wells initial productivity prediction in the continental multilayer sandstone reservoirs: a case from Penglai 19-3 Oil Field, Bohai Bay Basin[J]. Petroleum Exploration and Development, 2017, 44(1): 97–103. doi: 10.1016/S1876-3804(17)30012-5

    [2] 田亚鹏,鞠斌山,胡杰. 考虑蒸汽超覆的稠油蒸汽吞吐产能预测模型[J]. 石油钻探技术,2018,46(1):100–116.

    TIAN Yapeng, JU Binshan, HU Jie. A productivity prediction model for heavy oil steam huff and puff considering steam override[J]. Petroleum Drilling Techniques, 2018, 46(1): 100–116.

    [3] 吴春新,刘学,刘英宪,等. 黄河口凹陷比采油指数预测方法及应用[J]. 断块油气田,2018,25(2):218–221.

    WU Chunxin, LIU Xue, LIU Yingxian, et al. Method of specific productivity index prediction of Huanghekou Sag and its application[J]. Fault-Block Oil & Gas Field, 2018, 25(2): 218–221.

    [4] 时新磊,崔云江,许万坤,等. 基于随钻测压流度的地层渗透率评价方法及产能预测[J]. 石油勘探与开发,2020,47(1):140–147.

    SHI Xinlei, CUI Yunjiang, XU Wankun, et al. Formation permeability evaluation and productivity prediction based on mobility from pressure measurement while drilling[J]. Petroleum Exploration and Development, 2020, 47(1): 140–147.

    [5] 谭忠健,胡云,张国强,等. 渤中19-6构造复杂储层流体评价及产能预测[J]. 石油钻采工艺,2018,40(6):764–774.

    TAN Zhongjian, HU Yun, ZHANG Guoqiang, et al. Fluid evaluation and productivity prediction on complex reservoirs in Bozhong 19-6 Structure[J]. Oil Drilling & Production Technology, 2018, 40(6): 764–774.

    [6] 蒋兴才. 辽河葵东地区低电阻率油层产能影响因素分析及预测[J]. 特种油气藏,2019,26(4):70–75. doi: 10.3969/j.issn.1006-6535.2019.04.012

    JIANG Xingcai. Low-resistivity reservoir productivity analysis and forecast in Kuidong of Liaohe[J]. Special Oil & Gas Reservoirs, 2019, 26(4): 70–75. doi: 10.3969/j.issn.1006-6535.2019.04.012

    [7] 张龙海,刘国强,周灿灿,等. 基于阵列感应测井资料的油气层产能预测[J]. 石油勘探与开发,2005,32(3):84–87. doi: 10.3321/j.issn:1000-0747.2005.03.021

    ZHANG Longhai, LIU Guoqiang, ZHOU Cancan, et al. Reservoir productivity prediction by array induction logging data[J]. Petroleum Exploration and Development, 2005, 32(3): 84–87. doi: 10.3321/j.issn:1000-0747.2005.03.021

    [8] 张利军,田冀,朱国金. 海上断块油田定向井初期产能评价方法分析[J]. 石油钻探技术,2015,43(1):111–116.

    ZHANG Lijun, TIAN Ji, ZHU Guojin. Evaluation methods for initial productivity of directional wells in offshore fault block oilfields[J]. Petroleum Drilling Techniques, 2015, 43(1): 111–116.

    [9] 谭成仟,马娜蕊,苏超. 储层油气产能的预测模型和方法[J]. 地球科学与环境学报,2004,26(2):42–46. doi: 10.3969/j.issn.1672-6561.2004.02.010

    TAN Chenqian, MA Narui, SU Chao. Model and method for oil and gas productivity prediction of reservoir[J]. Journal of Earth Sciences and Environment, 2004, 26(2): 42–46. doi: 10.3969/j.issn.1672-6561.2004.02.010

    [10] 马文礼,李治平,孙玉平,等. 基于机器学习的页岩气产能非确定性预测方法研究[J]. 特种油气藏,2019,26(2):101–105. doi: 10.3969/j.issn.1006-6535.2019.02.018

    MA Wenli, LI Zhiping, SUN Yuping, et al. Non-deterministic shale gas productivity forecast based on machine learning[J]. Special Oil & Gas Reservoirs, 2019, 26(2): 101–105. doi: 10.3969/j.issn.1006-6535.2019.02.018

    [11] 安小平,李相方,程时清,等. 不同方法获取渗透率的对比分析[J]. 油气井测试,2005,14(5):14–17. doi: 10.3969/j.issn.1004-4388.2005.05.006

    AN Xiaoping, LI Xiangfang, CHENG Shiqing, et al. Comparative analysis for permeability acquired from different methods[J]. Well Testing, 2005, 14(5): 14–17. doi: 10.3969/j.issn.1004-4388.2005.05.006

    [12] 陈长民, 施和生, 许仕策, 等. 珠江口盆地(东部)第三系油气藏形成条件[M]. 北京: 科学出版社, 2003: 147-153.

    CHEN Changmin, SHI Hesheng, XU Shice, et al. The conditions of hydrocarbon accumulation of the tertiary petroleum system in the Pearl River Mouth Basin[M]. Beijing: Science Press, 2003: 147-153.

    [13] 张振城. 储层损害比与产能预测[D]. 北京: 中国石油大学(北京), 2006.

    ZHANG Zhencheng. Formation damage and prediction of productivity[D]. Beijing: China University of Petroleum(Beijing), 2006.

    [14] 王清辉, 冯进, 管耀, 等. 基于动态资料的低孔低渗砂岩储层渗透率测井评价方法: 以陆丰凹陷古近系为例[J]. 石油学报, 2019, 40(增刊1): 206-216.

    WANG Qinghui, FENG Jin, GUAN Yao, et al. Permeability logging evaluation method of low-porosity low-permeability sandstone reservoirs based on dynamic data: a case study of Paleogene Strata in Lufeng Sag[J]. Acta Petrolei Sinica, 2019, 40(supplement 1): 206-216.

    [15] 熊万林,朱俊章,施洋,等. 珠江口盆地珠一坳陷原油密度分布及其成因[J]. 海洋地质前沿,2019,35(1):43–52.

    XIONG Wanlin, ZHU Junzhang, SHI Yang, et al. Density distribution of crude oil in the Zhuyi Depression of Pearl River Mouth Basin and control factors[J]. Marine Geology Frontiers, 2019, 35(1): 43–52.

    [16] 石玉江,张海涛,侯雨庭,等. 基于岩石物理相分类的测井储层参数精细解释建模[J]. 测井技术,2005,29(4):328–332. doi: 10.3969/j.issn.1004-1338.2005.04.014

    SHI Yujiang, ZHANG Haitao, HOU Yuting, et al. The fine logging interpretation method based on petrophysical faces[J]. Well Logging Technology, 2005, 29(4): 328–332. doi: 10.3969/j.issn.1004-1338.2005.04.014

    [17] 孙利国, 王玉梅, 何石. 利用平面径向流公式预测油层自然产能的方法[J]. 测井技术, 2000, 24(增刊1): 527–530

    SUN Liguo, WANG Yumei, HE Shi. A method to predict natural productivity in oil zones with the plan radial flow formula[J]. Well Logging Technology, 2000, 24(supplement 1): 527–530.

  • 期刊类型引用(8)

    1. 陈佳,郭玉祥,董丽娟,樊恒. 远探测随钻方位电磁波测井参数分析与优选. 石油管材与仪器. 2025(02): 67-76 . 百度学术
    2. 夏国勇,彭仕轩,陆林超,欧成华,权昊森,倪根生,邱前程,马韶光. 水平井钻进中页岩小层结构元素录井智能实时识别. 断块油气田. 2025(03): 508-513 . 百度学术
    3. 王春伟,杜焕福,董佑桓,孙鑫,侯文辉,艾亚博,杜淑艳,刘桂华,柳启明. 泌阳凹陷页岩油水平井随钻定测录导一体化模式探索. 断块油气田. 2024(03): 424-431 . 百度学术
    4. 秦文娟,康正明,张意,仵杰,倪卫宁. 模块化随钻电磁波测井仪器结构对测量信号的影响. 石油钻探技术. 2024(03): 137-145 . 本站查看
    5. 高泽林,王佳琦,张启子. 智能化测井解释软件平台的架构研究. 石油钻探技术. 2024(04): 128-134 . 本站查看
    6. 吴泽兵,袁若飞,张文溪,刘家乐. 基于多目标遗传算法的PDC复合片交界结构优化设计. 石油钻探技术. 2024(04): 24-33 . 本站查看
    7. 赵宁,申松宁,李宁,胡海涛,齐超,秦策. 基于物理驱动的超深随钻方位电磁波测井深度学习反演. 石油地球物理勘探. 2024(05): 1069-1079 . 百度学术
    8. 盛茂,范龙昂,张帅,张彦军,李川,田守嶒. 数据–知识混合驱动的压裂球座坐封有效性智能诊断方法. 石油钻探技术. 2024(05): 76-81 . 本站查看

    其他类型引用(4)

图(6)  /  表(3)
计量
  • 文章访问数:  533
  • HTML全文浏览量:  333
  • PDF下载量:  61
  • 被引次数: 12
出版历程
  • 收稿日期:  2020-12-28
  • 修回日期:  2021-08-21
  • 网络出版日期:  2021-09-13
  • 刊出日期:  2021-11-24

目录

/

返回文章
返回