Petrophysics 2024年第2期论文摘要翻译

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。若有翻译不到之处，请联系：E-mail: support@spwla-swchina.org.cn

本期摘要【译者：唐慧、王心童，校稿：肖文联，单位：西南石油大学】

综合物理和数字岩心分析评价白垩储层相对渗透率：案例研究

Abraham Grader; Knut Arne Birkedal; Robert Engelman; Kristoffer Birkeland; Nils-Andre Aarseth

Valhall白垩油田在过去的40年里已经生产了超过10亿桶石油当量，主要来自均匀的Tor地层。下伏Hod组地层非均质性较强，发育不成熟，这种多相流体的非均质性对多相流体流动特性的评价提出了挑战。本研究旨在利用数字岩心分析来生成早期相对渗透率数据，并与常规的物理稳态相对渗透率数据进行比较。

由于低渗透和非均质性，高孔隙度白垩岩的毛管压力和相对渗透率的精确数字和物理描述变得复杂。白垩岩的主要挑战在于其流动发生在纳米环境中。从物理上讲，纳米环境意味着低渗透率，岩石制备困难，实验时间长，尤其是稳态流动实验。通过结合X射线计算机断层扫描(CT)和聚焦离子束扫描电子显微镜(FIBSEM)方法，生成具有代表性的三维(3D)数字岩石。利用数字岩石模拟两相流动，可得到相对渗透率和润湿性敏感性。

本研究比较了几个岩心桥塞和子集的物理稳态和数字相对渗透率，并讨论了两者作为地层评价过程一部分的优势。物理和数字结果比较合理。物理结果提供了一个相对渗透率锚点，数字结果提供了早期结果、参数敏感性和质量保证的杠杆作用。因此，将数字岩心分析与物理岩心分析集合起来，可以为不确定性建模提供可靠理解和输入。

页岩孔隙和裂缝结构中微离子电容器的电学特性及形成机理研究

Hongqi Liu; Haibo Liao; Zhanshan Xiao; Shanjun Li; Liquan Ran; Dong Chen

由于微/纳米尺度和错综复杂的孔隙结构、连通性差、路径复杂、微裂缝的存在以及有机和无机孔隙的并存，导致页岩和其他致密储层表现出越来越复杂的导电特性。本文主要基于实验测试数据，包括扫描电镜(SEM)薄片和显微CT (μ-CT)图像，研究了页岩的电学性质，分析了页岩孔隙类型、孔隙结构特征和裂缝发育情况。然后讨论了黄铁矿的分布、含量、有机物的含量、石墨化程度及其对电性能的影响。在此基础上，对页岩带的双电层和zeta电位进行了深入探讨。结果表明，在黄铁矿含量、有机质含量及其石墨化程度范围内，镜质组成熟度与页岩电阻率成反比。研究还发现，在外加电磁场作用下，页岩孔隙中的流体受到孔隙压力和外加场电位差的综合强度影响。因此，其响应方程应为考虑孔隙压力、zeta势和库仑力的改进的Navier-Stokes方程。当页岩受到外部电磁场的作用时，由于其复杂的孔隙结构以及有机和无机矿物，它将表现出更多的介电性质而非电性。因此，它会形成与普通的平板电容器不同的特殊微观离子电容器。微观离子电容器有三种特殊类型，它们是：(I)粒间孔微观离子电容器模型、(II)颗粒含孤立孔隙微观离子电容器模型和(III)黄铁矿或石墨或其他有机物微观离子电容器模型。最后总结了微观离子电容器的特点:极性面积不规则、极性间距变化、电荷随时间变化、地层水的矿化度变化等。

核磁共振岩心分析

Yan Zhang; Yiqiao Song; Sihui Luo; Tingting Lin; Huabing Liu

岩心分析是油气勘探和开采的关键。多年来，核磁共振技术（NMR）已广泛的应用于石油工业，核磁共振岩心分析在支持井内核磁共振地层评价和理解岩石物理、岩石化学机理方面发挥着重要作用。然而，遗憾的是，文献中缺乏对核磁共振岩心分析基本程序的评论性描述，这导致了不同实验室之间核磁共振测量的可比性和可重复性问题。本文简要介绍了常规T2、T1、T1 -T2和D-T2测量的核磁共振岩心分析指南。核磁共振岩心分析作为实验室日常工作的一个既定程序，包括三个复杂步骤：岩样制备、NMR实验及数据分析。文章详述了岩样获取与饱和过程，并考虑相应溶液情况；同时介绍了NMR 实验测量、数据设置及校准方法，此外还包括不同核磁共振实验的Laplace反演和孔隙度、束缚水、渗透率、孔隙结构和含油饱和度的估算模型。本文的目的是试图将岩石岩心分析的常规核磁共振实验标准化。

产能控制因素——以四川盆地双鱼石地区栖霞组为例

Yu Xiong; Zewei Sun; Jing Luo; Siqi Liu; Xitong Fu; Lijun Ran; Xuemei Lan

四川盆地西北部双鱼石地区栖霞地层8000米以上高温高压（HTHP）气藏是近年来发现的碳酸盐岩气藏之一，其强异质性导致高产井部署困难。本文利用近4年来储层评价研究成果和试产动态分析统计分析，给出了地质与产能的关系。同时，运用模糊聚类分析方法，给出了气藏高产控制因素评价指标体系。最后，运用层次分析法对各指标的相对重要性进行定量分析和评价，确定影响产能的关键控制因素。评价结果与高产井的现状特征高度吻合。试采区外新完成的008井和107井产能均超过100万m3 /天。结果表明，栖霞组超深气井高产主要受白云岩化程度、高能浅层复合物分布和裂缝发育程度的控制。该成果可用于指导双鱼石生产试验区南部生产井的部署。

利用梯度提升模型和MWD测量联合反演估算储层性质的新工作流程

Hyungjoo Lee; Alexander Mitkus; Andrew Pare; Kenneth McCarthy; Marc Willerth; Paul Reynerson; Tannor Ziehm; Timothy Gee

三重组合测井是估计地质、岩石物理和地质力学性质的重要测量方法。遗憾的是，由于经济限制或井眼不稳定风险，电缆测井和先进随钻测井(LWD)通常被排除在非常规井的地层评估计划之外。可用的测量方法通常是随钻测量(MWD)伽马射线(GR)测井，以及地面测量数据，如钻压(WOB)、钻速(ROP)、扭矩、每分钟转速(RPM)和压差。利用这一有限的数据集开发一种稳健且快速的储层性质预测模型，对地质评价具有很高的价值。由于现有测井数据与未知储层性质之间的非线性关系，估计此类性质是一项具有挑战性的任务。

本文提出了一种结合两个顺序模型的工作流。首先是一种机器学习(ML)算法，用于预测钻井动态和GR测井的三重组合测井。为了训练机器学习算法，研究人员仔细研究了Eagle Ford和Permian盆地的多口井的测井曲线，以识别重要特征。这个过程包括深度偏移、离群值检测和特征选择，这允许策略性的超参数调整。研究了几种回归算法，发现梯度增强算法具有较好的预测性能。与随机森林方法不同，增强算法按顺序训练预测器，每个预测器都试图纠正其前身。在利用随钻测井预测三重组合测井曲线后，应用基于物理的联合反演模型来估计各种储层性质。

经过训练的模型应用于盲测井，与相应的三重组合测量结果相比，预测的测井曲线具有良好的一致性。利用预测的三重组合测井曲线进行多矿物反演，生成的地质模型通过元素捕获光谱测量（ECS）进行了验证。此外，通过最小化成本函数，正演模型重建的日志与实测日志非常接近。因此，实时估计的地质、岩石物理和地质力学性质可以揭示复杂的地质信息，并可用于减少与钻井优化、储层表征、开发规划和储量估算相关的不确定性。

利用MWD测井曲线预测三重组合测井曲线，然后进行联合反演，是一种在有限数据集下进行地质评价的创新方法。开发的工作流程可以成功地提供：(1)地质岩相识别和岩石分类；(2)实时钻井作业更可靠；(3)储层性质预测；(4)利用正演建模进行缺失测井输入和伪测井生成;(5)指导未来的测井和射孔；(6)为地震定量解释(QI)和井间连接提供参考；(7) 潜在节省大规模计算时间从数天到数分钟。

基于孔隙网络深度学习网络模型的页岩SEM图像中孔隙的智能识别与定量表征

Xiangru Chen; Xin Tang; Ruiyu He; Biao Wang; Yuerong Zhou; Hong Yin

在各种页岩储层评价方法中，扫描电镜(SEM)成像法应用最为广泛。其图像能直观反映页岩储层发育阶段，常用于页岩孔隙的定性表征。然而，手工图像处理效率低，不能定量表征孔隙。深度学习的语义分割方法大大提高了图像分析的效率，并可以计算页岩SEM图像的孔隙率，实现定量表征。本文以四川宜宾市长宁地区龙马溪组高成熟页岩和中国北部湾盆地低成熟页岩为研究对象，基于孔隙网络模型，实现了页岩扫描电镜图像中孔隙的智能识别和定量表征。孔隙网络模型是在U-net深度学习网络模型的基础上改进的，提高了网络模型对孔隙的识别能力。

结果表明，孔网模型的性能优于U-net模型、FCN模型、DeepLab V3 +模型和传统的二值化方法。传统孔隙识别方法精度低的问题得到了解决。孔隙网络模型计算的高成熟页岩SEM孔隙度与实验数据偏差在12% ~ 19%之间；低成熟页岩SEM图像计算孔隙度与实验数据偏差较大，偏差在14% ~ 47%之间。与其他方法计算的孔隙度结果相比，孔网计算结果更接近真实值，证明了孔网模型计算的孔隙度是可靠的。深度学习语义图像分割方法适用于页岩SEM图像的孔隙识别。采用全卷积神经网络模型对人工标记的页岩SEM图像进行训练，可以实现页岩SEM图像中孔隙的智能识别和定量表征。这对于评估页岩油气储层及研究其他多孔材料具有重要参考价值。

通过对测井曲线上的事件进行识别和匹配，实现自动深度偏移

Chicheng Xu; Lei Fu; Tao Lin; Weichang Li; Yaser Alzayer; Zainab AI Ibrahim

不同测井数据或岩心扫描数据与测井数据之间的深度匹配或深度偏移是一项关键的数据质量控制任务，可以确保后续准确的岩石物理解释和建模。传统的深度移动工作流程严重依赖于人工专业知识来手动匹配测井曲线之间的一系列波峰和波谷，这通常是主观的、容易出错的，而且很麻烦。因此，有必要建立一个自动化的深度转换工作流程，以准确、一致、高效地完成这项日常而重要的任务。我们实施了一个自动化的工作流程来模拟人类的专业知识，以识别重要的“事件”，如测井曲线上的峰值、谷底和岩性界限，然后根据局部最大相关性标准对测井曲线之间识别出的一系列事件进行智能匹配，生成深度偏移表。我们在一个现场案例中应用了自动工作流程，来调整测井曲线和岩心伽马射线，并生成了一个与人工深度匹配相当的深度转移表。最终移位的日志与参考日志的相关性显著增强。该事件识别和匹配方法提供了一种白盒解决方案，它仍然遵循传统的岩石物理智慧，并允许更多的用户交互来微调结果，用户可以完全控制参数以获得最佳结果。