马上注册,下载丰富资料,享用更多功能,让你轻松玩转阳光石油论坛。
您需要 登录 才可以下载或查看,没有账号?欢迎注册
x
本帖最后由 刘萝卜锅 于 2021-9-8 16:00 编辑
品质源于技术 服务源于态度 ▽
Transform基于多元统计分析技术量化地震数据对生产预测的贡献
——以北美二叠纪盆地Wolfcamp页岩油藏为例
研究背景:
北美二叠纪盆地是位于德克萨斯西部和新墨西哥州东南部的大型沉积盆地,大约宽250英里,长300英里。从地质构造上由Delaware、Midland两个次盆和中央台地构成,两个次盆是主要产油区,二叠纪盆地主力产油层多、厚,且含油量高。垂直方向上看,拥有比较著名的如Spraberry,Wolfcamp,BoneSpring等10余个目标层,其中Wolfcamp油藏还细分为Wolfcamp A、Wolfcamp B、Wolfcamp C和Wolfcamp D层等4个产油层,产油层厚度达到1300-1800英尺。研究区域内广泛发育巨厚的油页岩、泥质碳酸盐岩与钙质砂岩。
页岩储层孔隙度,饱和度,含气量, 总有机碳含量,矿物组份,脆性指数等储层地质参数,以及井眼轨迹,压裂效果等因素都与产量相关。本区主要的沉积环境为半深海沉积,局部受海底洋流影响,孔隙度分布受控于岩石相类型,同时孔隙度也是控制产量的主要因素。由于研究区内水平井较多,单独用直井孔隙度曲线来建立6个月累计产量的预测模型误差较大,因此采用基于地震弹性参数反演资料提取的水平井孔隙度曲线,并应用该数据为软约束数据建立产量预测模型,通过对比没有原始孔隙度曲线的井,采用基于地震数据的产量预测结果预测精度大大提高。
图1 二叠纪盆地构造背景
图2 Wolfcamp油藏研究区概况
主要技术:
依据地震和测井资料采用多元统计分析方法,优化Wolfcamp页岩油生产预测流程。整个研究过程中采用了监督分类、无监督分类、非线性回归等多种技术,其中主要的研究算法包括:
K 均值聚类算法 二次判别分析法(QDA) 动态生长自组织数算法(DGSOT) 非线性回归算法(ACE)) 配置协同克里金模拟
研究流程:
图3 基于多元统计分析的页岩油产量预测流程图
研究流程采用了K-means、QDA、DGSOT、ACE、协同克里金等5种不同的机器学习建模算法。主要流程包括(图3):①采用K-means聚类方法应用多个弹性地震反演参数体构建一个从Dean地层到Wolfcamp地层的初始的三维岩相体。②应用DGSOT分级分类的方法在地震岩相分类的约束下对测井曲线进行单井岩相建模。由于并非所有井都有完整的测井资料,对DGSOT分类结果进行二次判别分析(QDA),迭代删除有缺失测井数据的井,得到最终测井相模型。③将深度域地震弹性反演参数的提取到单井上,根据单井岩相分类模型,将弹性属性模型转换为三维岩相体(QDA)。④在岩相约束下利用ACE方法建立地震弹性参数与孔隙度非线性回归预测模型,得到地震预测的孔隙度模型。⑤利用直井的孔隙度测井曲线来估算水平井的孔隙度测井曲线。将地震预测的孔隙度模型提取到水平井上当作“软数据”,计算水平井的孔隙度曲线。计算结果表明,这种方法与单独使用普通克里金法从直井测井曲线估算水平井孔隙度相比精度有较大提高。⑥工作流的最后一步利用计算的孔隙度曲线作为独立变量,结合完井、井筒参数等建立单井六个月累积产油量的非线性回归模型。最后利用ACE算法完成最终模型所有井的六个月累积产油量预测。
研究成果:
图4 应用DGSOT分级分类的方法对测井曲线进行岩相自动划分
图5应用QDA类的方法转换三个弹性参数体为岩相体
图6 普通克里金(蓝色)与地震约束协克里金(红色)模拟孔隙度结果对比
|