测井曲线粗化技术详解

Tsunami

1. 算法选择：根据物理意义匹配算法

  - 核心原则：不同类型的测井曲线代表不同的物理属性，必须根据其物理特征选择平均算法，不能“一刀切”使用算术平均。
  - 具体应用：
      - 孔隙度与净毛比：属于加法变量，为保持体积守恒，推荐使用算术平均。
      - 渗透率：控制流体流动，通常呈对数正态分布。算术平均会高估渗透率。
          - 对于垂直非均质性/层状地层（涉及垂向流动Kv），低渗夹层起控制作用，推荐使用调和平均。
          - 对于强非均质性/随机分布（涉及水平流动Kh），推荐使用几何平均。
      - 含水饱和度：数据通常不服从正态分布且有偏斜。算术平均会拉低整体Sw值，导致地质储量计算过于乐观。
          - 推荐使用加权平均（以孔隙体积为权重）。
          - 若软件不支持，可使用中值或中点拾取，以更好地遵循原始数据统计分布。
          - 慎用不稳定的随机拾取。

2. 权重与偏差控制：确保体积守恒

  - 核心目标：在从细网格到粗网格的过程中，必须保留正确的孔隙体积和流体体积。
  - 具体方法：
      - 粗化孔隙度：使用连续的净毛比曲线作为权重进行加权平均，以保留孔隙体积。
      - 粗化含水饱和度：使用NTG和孔隙度的乘积作为权重进行加权平均，以确保高孔隙度段的饱和度贡献更大，从而保留流体体积。
      - 偏差控制/相控：使用离散的相曲线或NTG标志作为控制条件。例如，粗化砂岩属性时，只使用被标记为“砂岩”的采样点数据，避免泥岩数据污染，确保属性仅分配到有效储层单元。

3. 网格采样方法：处理井轨迹与网格的空间关系

定义井轨迹数据如何赋值给三维网格的方法：

  - 邻近网格法：不仅对井轨迹穿过的单元赋值，还对同一层位中紧邻的单元赋值。
      - 优点：推荐方法。能有效捕捉井周信息，避免因网格边界划分错误地将“垂直连通性”转换为“水平隔挡”，保证了数据连续性。
  - 穿过网格法：要求井轨迹必须严格穿过网格的上下底面（或达到一定穿透长度）才赋值。
      - 缺点：对于水平井或大斜度井，可能导致采样的有效网格数量过少，丢失数据。
  - 简单采样：只要井轨迹触碰到网格（哪怕只切到一个角）就赋值。
      - 缺点：方法最宽松，但精度最低。

4. 尺度效应与分层策略

  - 支撑效应变化：粗化改变了数据的“支撑体积”（从厘米级到米/十米级）。
      - 统计特征变化：尺度增加会导致数据方差降低，分布直方图变得更窄、平滑（极值被平均），这是正常现象。但必须确保数据的均值保持不变。
  - 辛普森悖论警示：在不同地质特征的地层（如不同沉积相、不同厚度层）中进行统一平均，可能得出误导性结论。
  - 应对策略：必须进行分区/分层处理。针对不同的地质层位（如致密层、高渗层）设置独立的粗化参数，严禁跨越主要地质界面进行混杂平均。

5. 质量控制：三步验证法

粗化完成后必须进行严格质量控制，确保粗化数据能代表原始数据：

1.  直方图对比：对比原始测井曲线与粗化后曲线的直方图，检查均值是否重合，分布形态是否合理。
2.  连井剖面检查：在剖面中同时显示原始曲线（线状）和粗化后的网格属性（色块状），直观检查粗化结果是否抓住了测井曲线的主要趋势，有无漏掉关键隔夹层或高产层。
3.  变差函数一致性检查：检查粗化数据的变差函数，其变程和基台值不应与基于原始数据的地质认识发生根本性冲突。