2020年第3期Petrophysics论文摘要翻译
版权及使用说明：本翻译的版权归SPWLA西南分会所有，仅供学术交流使用。若翻译有不到之处，烦请指出：E-mail: support@spwla-swchina.org.cn
Lessons Learned From Casedhole Formation Evaluation
Along Unconventional Horizontal Wells1
Michael Sullivan2, Haijing Wang3, Alexei Bolshakov3, Lisa Song2, Michael Lazorek2, Vahid Tohidir2, and Yegor Se3
lOriginally presented at the SPWLA 60th Annual Logging Symposium, The Woodlands, Texas, USA, June 17-19, 2019, Paper G.
2Chevron Canada Resources, 500 Fifth Ave SW, Calgary, AB T2P 0L7, Canada; Michael.Sullivan@chevron.com; Lisa.Song@chevron.com; michael.lazorek@chevron.com; VTohidi@chevron.com
3Chevron U.S.A. Inc., 1500 Louisiana St., Houston, TX 77002, U.S.A., *Corresponding Author: Haijing.Wang@chevion.com; Alexei.Bolshakov@chevion.com; Yegor.Se@chevron.com
非常规水平井套后储层评价的经验教训
在过去的二十年里，非常规油气资源开采依靠水平井和多级水力压裂技术取得了革命性进展。应用地质导向技术，7000米长的水平井可以控制在2米厚的地层目标窗口内，最大限度地提高了井筒在油藏中的接触面积。工程完井的理念是将射孔簇置于“类岩石(like rock)”，以至于所有射孔簇同时形成裂缝且互不影响。岩石物理数据是工程完井工作的必要基础，为的是能最大限度地提高增产效果。为了持续不断地减少钻井时间，水平套管井无线测井技术经测试可替代裸眼电缆测井。虽然通过套管井获取岩石物性参数具有可行性，但是相比裸眼井测井，还存在一些复杂的问题。如果处理不当，可能会导致测井目的无法达成。本文的目的是介绍这些复杂和潜在的问题，以及可行的建议，以保证成功获取数据。
本文以非常规储层水平套管井评价为例，从开发者的角度分享经验教训。套管井测井包括伽马能谱测井(SGR)、脉冲中子测井、以及单极子和偶极子声波测井，其目的是获取沿水平井筒上的孔隙度、矿物成分、总有机碳含量、泊松比和杨氏模量。我们强调完井设计和硬件对套管井测量的影响，这需要对脉冲中子能谱测井进行额外的套管和水泥校正，并对声波测井仪的性能和功能提出特殊要求。例如，在获取正确解释之前，有必要对脉冲中子能谱测井是完井工具（如套管夹和扶正器）中的铁元素和钙元素影响，以及周向和横向水泥胶结质量的影响进行校正。相较于常规声波测井仪器，在水平井中使用的声波测井仪器更硬更短，并还要能够发射并采集单极子（用于慢速压缩）和四分量偶极子（用于快速和慢速剪切）两种模式信号。当套管与水泥胶结较差时，单极子主要监测套管波信号。通过将方位角胶结数据整合为核测井和声波测井分析的定量输入，可以更有效地解决井眼环境的重大影响，但是要使此方法需要改进工作流程和环境。(译者：张骏强,校稿：肖文联 陈猛)
Case Studies Demonstrating the Impact of Cement Quality on Carbon/Oxygen and Elemental Analysis
From Casedhole Pulsed-Neutron Logging1
Haijing Wang2, Michael Sullivan3, Yegor Se2, David Barnes2, Michael Wilson4, and Michael Lazorek3
1Originally presented at the SPWLA 60th Annual Logging Symposium, The Woodlands, Texas, USA June 17-19, 2019, Paper H.
2Chevron U.S.A. Inc, 1500 Louisiana St., Houston, TX 77002, U.S.A; Haijing.Wang@chevron.com; Yegor.Se@chevron.com; 9525 Camino Media, Bakersfield, CA 93311, U.S.A.; David.Barnes@chevron.com
3Chevron Canada Resources, 500 Fifth Ave SW, Calgary, AB T2P 0L7, Canada; Michael.Sullivan@chevron.com; michael.lazorek@chevron.com
4Cabinda Gulf Oil Co. Ltd., Avenida Dr Agostinho Neto, S/N, Chicala, Luanda, Angola; Michael.Wilson@chevron.com
固井质量对套管井脉冲中子测井碳/氧比和元素分析影响的实例研究
新一代脉冲中子测井仪（PNL）能够通过套管和水泥环探测地层热中子俘获截面（sigma）、碳氧比（C/O）和矿物组成。环境影响（包括套管和水泥环）校正是正确解释的必要条件。目前，影响因素校正多是通过人为经验来完成的，没有考虑水泥胶结质量、水泥中可能存在的孔隙和通道，以及这些孔隙与测井仪器间的距离。方位水泥胶结测井信息能够作为碳/氧饱和度和矿物组成分析的定量输入，以便在假设水泥中完全充满流体的条件下计算水泥的孔隙。
我们用蒙特卡罗模拟技术（Monte Carlo nuclear modeling technique）定量评估固井质量对碳氧比和元素分析的影响，这正如两个油田实例所示。模拟中使用了通用的双探测器PNL工具模型、实际地层和井眼特性，为的是更好地反映水平套管井。本文模拟了几种情况，分别改变套管的中心位置、水泥中的通道位置以及填充通道的流体类型。中子诱发的伽玛射线通过其产生的位置和元素进行标记，并在两个PNL检测器上被记录，以便测量碳氧比和钙的产率。研究证明，充满油基泥浆的通道对碳氧饱和度计算有很大的影响，而充满水基泥浆通道的影响可忽略不计。钙含量信号绝大部分来自水泥中的钙。水泥中任何通道或空隙都会影响元素分析的钙校正。通过将方位角胶结测井记录作为PNL碳氧比和元素分析的定量输入，能更有效地解决井眼环境的影响；但是要让此操作切实可行，还需要进一步完善工作流程和环境校正。(译者：张骏强,校稿：肖文联 陈猛)
Reliable Measurement of Saturation-Dependent Relative Permeability in Tight Gas Sand Formations1
Andres Gonzalez2, Saurabh Tandon2, Zoya Heidari2, Pavel Gramin3, and German Merletti3
1Originally presented at the SPWLA 60th Annual Logging Symposium, The Woodlands, Texas, USA, June 17-19, 2019, Paper KKK.
2The University of Texas at Austin, 200 E Dean Keeton St., Austin, TX 78746; andresgonzalez@utexas.edu; tndnsaurabh@utexas.edu; zoya@utexas.edu
3BP, 10002 Western Pine Trl., Katy, TX 77494; PAVEL.GRAMIN@bp.com; 501 Westlake Park Blvd., Houston, TX 77079;
致密气砂岩层中相对渗透率与饱和度关系的可靠测量
室内实验有效测定低渗透岩样气/水相对渗透率是具有挑战性的。对于致密砂岩，稳态法（如定流量法）测定气/水相对渗透率也是非常耗时。另一方面，非稳态法往往不能考虑在低孔低渗岩样中普遍存在的粘性和毛管效应。本文的目的是：（a）通过半渗透隔板法和离心法两种降饱和度技术，对比稳态法和非稳态法的相对渗透率测试；（b）用核磁共振（NMR）技术测试岩样沿程上的流体分布，以提高相对渗透率估算；（c）建立不同方法可靠性范围下岩石参数。
本文使用了多个致密气藏的岩样，其孔隙度和克氏渗透率变化范围分别是5％~12％和0.009~2.120mD。用离心法和半渗透隔板法逐渐降低岩样的饱和度。在每个降饱和步骤下，脉冲衰减技术被用于测量气体有效渗透率，NMR技术用于测定盐水饱和度和沿程饱和度剖面。NMR饱和度剖面测试结果表明，在离心法降含水饱和度后，所有岩样沿程方向具有饱和度梯度。将岩样旋转180°并再次降其含水饱和后，可进一步减弱毛细管末端效应对相对渗透率测试的影响。此外，研究结果表明，稳态方法适用于所有岩样的气相相对渗透率的测试；非稳态法仅适用于克氏渗透率低至0.669 mD岩样。在克氏渗透率小于0.669mD的岩样中，非稳态法测试的相对渗透率受粘性和毛细管末端效应影响很大。此外，建立的工作流程可为本文所包括岩样提供可靠而准确的气体相对渗透率测量。(译者：杨玉斌,校稿：肖文联,1西南石油大学 油气藏地质及开发工程国家重点实验室 四川成都 610500)
Evaluation of Relative Permeability from Resistivity Data for Fractal Porous Media
Yujiang Shi1, He Meng2, Tangyan Liu2, *, Haitao Zhang1, and Changsheng Wang1
1PetroChina Changqing Oilfield Company, Department of Digitization and Information Management, PetroChina Changqing Oilfield Company, Xi'an 710018, China; syj_cq@petrochina.com.cn; zhanght_cq@petrochina.com.cn; wangss_ cq@petrochina.com.cn
2State Key Lab of Ocean Geology, Tongji University, Shanghai, 200092, China; 1610887@tongji.edu.cn; tyliu05169@tongji.edu.cn
*Corresponding author. State Key Lab of Ocean Geology, Tongji University, Shanghai, 200092, China. E-mail address: tyliu05169@tongji.edu.cn
从电阻率数据估算分形多孔介质的相对渗透率
多孔介质中多相流动特征对于诸如储层评价和工程地质等各种应用具有重要意义。流体流动与电流流动之间的相似性为从地球物理电阻率数据研究多相流动特性提供了新的思路。然而，相对渗透率与电阻率指数之间的理论关系，作为是成功联合解释多孔介质中多相流和岩石电特性的关键，被人们知之甚少。基于分形理论，建立了相对渗透率电阻率指数模型，以准确地描述岩石电性和多相流特征之间的联系。基于分形理论，建立了相对渗透率电阻率指数模型，准确地描述岩石电性和多相流特征之间的联系。相对渗透率不仅与流体饱和度和电阻率指数有关，而且还受迂曲度分形维数、孔隙分形维数、水相分形维数和迂曲度等结构参数的影响。本文提出的模型揭示了结构参数对电阻率指数和相对渗透率有显著的影响；另一方面，也提供了一种从电阻率数据计算相对渗透率的有效方法。同时，通过应用相对渗透率-电阻率指数模型于实际案例，我们发现用模型计算的相对渗透率与实验数据吻合较好。(译者：杨玉斌,校稿：肖文联,1西南石油大学 油气藏地质及开发工程国家重点实验室 四川成都 610500)
Estimation of Reservoir Porosity from Drilling Parameters Using Artificial Neural Networks
Ahmad Al-AbdulJabbar1, Khaled Al-Azani1, and Salaheldin Elkatatny1, *
lCollege of Petroleum Engineering and Geosciences, King Fahd University of Petroleum & Minerals, Dhahran 31261, Saudi Arabia; Box: 5049; g200679600@kfupm.edu.sa; g201080760@kfupm.edu.sa; elkatatny@kfupm.edu.sa
*Corresponding Author: elkatatny@kfupm.edu.sa
利用人工神经网络从钻井参数估算储层孔隙度
孔隙度是评估油气储层最重要的参数之一，它代表岩石内部的空隙和空体积。孔隙度主要是通过测井，或柱塞状岩样或钻屑的室内实验获得。尽管这些技术已能准确测定孔隙度，但是其既昂贵又费时。因为钻井是最初对地层的直接探视，因此有必要将建立岩石孔隙度与钻孔参数之间的关系。在钻井应用中使用人工智能需要改变游戏规则，原因是建模过程中考虑了大量的未知参数。
本文的目的是提出一种人工神经网络（ANN）技术来通过钻井参数估算储层孔隙度。用于建立ANN模型的数据（2800个数据点）来自于实际油田的两口水平井（即A井和B井）。A井的数据主要用于训练和测试（train and test）ANN模型，其中训练/测试比为70：30。同时，完成了超过30多次的敏感性分析，以选择最佳的ANN模型设计参数。B井的数据用于验证开发的ANN模型。
结果表明，人工神经网络（ANN）能有效地从储层段的钻井参数估算孔隙度，对应的平均相关系数约为0.96，均方根误差（RMSE）约为0.018。最佳的ANN参数组合是两层，每层有30个神经元，且包括Levenberg-Marquardt训练函数和Tan-sigmoid传递函数。验证结果表明，ANN孔隙度模型能够预测B井的孔隙度，对应的相关系数为0.907和RMSE为0.035。(译者：杨玉斌,校稿：肖文联)