CN109655394B - 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 - Google Patents
一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 Download PDFInfo
- Publication number
- CN109655394B CN109655394B CN201811574964.1A CN201811574964A CN109655394B CN 109655394 B CN109655394 B CN 109655394B CN 201811574964 A CN201811574964 A CN 201811574964A CN 109655394 B CN109655394 B CN 109655394B
- Authority
- CN
- China
- Prior art keywords
- permeability
- magnetic resonance
- nuclear magnetic
- pore throat
- spectrum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000035699 permeability Effects 0.000 title claims abstract description 124
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 88
- 238000001228 spectrum Methods 0.000 title claims abstract description 76
- 238000004364 calculation method Methods 0.000 title claims abstract description 45
- 239000011148 porous material Substances 0.000 claims abstract description 117
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000002790 cross-validation Methods 0.000 claims abstract description 15
- 239000011435 rock Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 12
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 11
- 229910052753 mercury Inorganic materials 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003313 weakening effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005311 nuclear magnetism Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/088—Investigating volume, surface area, size or distribution of pores; Porosimetry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
- G01N24/081—Making measurements of geologic samples, e.g. measurements of moisture, pH, porosity, permeability, tortuosity or viscosity
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Dispersion Chemistry (AREA)
- Geophysics And Detection Of Objects (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,包括:S1:将核磁共振T2谱曲线转化为伪毛细管压力曲线;S2:根据所述伪毛细管压力曲线计算孔喉结构参数;S3:利用采集的岩心分析渗透率数据和核磁共振T2谱转化伪毛细管压力曲线后计算得到的孔喉结构参数、核磁共振测井资料,建立孔喉结构参数、核磁共振T2谱—渗透率对应关系数据体;S4:选定非线性映射算法建立渗透率预测模型;S5:采用交叉验证方法,对所述渗透率预测模型进行调试优化,建立非线性映射关系模型,并形成最终网络模型;S6:根据所述最终网络模型进行逐点计算,得到孔喉结构参数约束下的核磁共振T2谱渗透率;本发明可提高致密砂岩渗透率的计算精度至少一个数量级。
Description
技术领域
本发明涉及石油地质勘探技术及测井评价技术领域,具体涉及一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法。
背景技术
在油气勘探开发过程中,通常获取绝对渗透率(简称渗透率)的方法有岩心测试和利用测井资料计算等方法,其中,岩心测试的渗透率最为准确,是一种直接的渗透率获取方法,常用来刻度测井资料计算的渗透率。但是岩心测试的渗透率受到采样点的限制,获得的渗透率值不连续。因此,通过研究渗透率与测井响应参数间的关系建立测井资料渗透率计算模型,利用测井资料计算渗透率就显得十分必要。
利用常规测井资料获取渗透率的思路有二种,一种是建立渗透率与各种储层参数、测井响应参数之间的统计模型,例如渗透率与孔隙度、自然伽马相对值的统计模型、分流动单元建立的渗透率模型、神经网络计算渗透率的模型等;另一种方法是通过岩石物理模型建立渗透率与储层特征参数之间的关系,例如Wyllie-Rose渗透率测井解释模型、Timur渗透率测井解释模型等。二种方法互为补充,但Wyllie-Rose方程、Timur方程在低渗透储层渗透率测井评价中,计算的渗透率与岩心测试分析的渗透率比较,误差较大。以等效岩石组分理论为基础,依据电荷迁移与流体分子迁移相似性原理,在有效导电孔隙度基础上,建立有效流动孔隙度与渗透率之间的渗透率测井解释模型,模型精度优于Wyllie-Rose方程和Timur方程。
随着国内油气勘探开发的深入,低孔低渗储集层受到了更多的关注。低孔低渗储集层的孔喉结构复杂,对渗透率的影响较大,以上计算渗透率的方法均不能满足生产需要。核磁共振测井能够测量孔隙度、孔喉结构等多种地层信息,被越来越多地应用于低孔低渗储集层渗透率的评价中。经典核磁共振测井渗透率模型主要依靠核磁共振具有弛豫特性和扩散特性,建立起统计性的关系式。通过分析其参数与渗透率的相关性,得到最终的渗透率模型并用其计算连续的渗透率曲线。用核磁共振测井计算渗透率的经典模型有Coates模型和SDR模型。Coates模型利用可动流体、束缚流体、核磁孔隙度建立模型;SDR模型利用核磁孔隙度、T2几何均值建立模型。
但经典核磁共振渗透率模型在低孔低渗储集层渗透率计算中的应用效果不甚理想,主要原因是低孔低渗储层非均质性严重,其相关参数不能充分反映束缚水饱和度、孔喉结构等特征;利用核磁共振测井T2谱曲线形态的渗透率计算方法又弱化了孔喉结构参数对渗透率计算的重要作用。
发明内容
本发明要解决的技术问题在于,提供一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法。
本发明解决其技术问题所采用的技术方案是:一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,包括以下步骤:
S1:将核磁共振T2谱曲线转化为伪毛细管压力曲线;
S2:根据所述伪毛细管压力曲线计算孔喉结构参数,包括排驱压力、最大孔喉半径、孔隙吼道半径中值、孔隙吼道均值、主要流动孔喉半径平均值和分选系数;
S3:利用采集的岩心分析渗透率数据和核磁共振T2谱转化伪毛细管压力曲线后计算得到的孔喉结构参数、核磁共振测井资料,建立孔喉结构参数、核磁共振T2谱—渗透率对应关系数据体(Him,T2ij,Pij,ki)(m=1,...,l;i=1,...,n),其中,H指孔喉结构参数值,T2指核磁共振T2谱时间分量离散值,P指T2谱幅度分量的离散值,k指渗透率值,i指采集的岩心分析渗透率样品点序号,m指孔喉结构参数序号,j指分量序号,l为每个深度点孔喉结构参数的个数,n为采集的岩心测试渗透率样品点个数;
S4:选定非线性映射算法建立孔喉结构参数约束下的核磁共振T2谱渗透率预测模型;
S5:采用交叉验证方法,对所述孔喉结构参数约束下的核磁共振T2谱渗透率预测模型进行调试优化,建立非线性映射关系模型,并形成最终网络模型;
S6:根据所述最终网络模型进行逐点计算,得到孔喉结构参数约束下的核磁共振T2谱渗透率。
优选地,在步骤S1中,将核磁共振T2谱曲线转化为伪毛细管压力曲线,包括如下步骤:
步骤S11:根据相似性原理计算核磁共振T2谱与毛细管压力曲线之间刻度转换系数C,由公式PC=C/T2线性关系转换获得伪毛细管压力曲线;或
步骤S12:根据二维分段等面积法计算核磁共振T2谱与毛细管压力曲线之间横向刻度系数,以及大、小孔径的纵向刻度系数,计算得到伪毛细管压力曲线。
优选地,在步骤S2中,
所述排驱压力是指非湿相开始进入岩样最大喉道的压力,采用的计算方法为从最低压力点开始,比较相邻压力点的进汞饱和度,两者进汞饱和度差值大于1%的起始点为排驱压力;
所述最大孔喉半径是指所述排驱压力对应的孔喉半径;
所述孔隙吼道半径中值是指50%汞饱和度对应的孔喉半径值;
所述孔隙喉道均值是描述实验数据取值的平均位置,即表示全孔喉分布的平均位置;
所述主要流动孔喉半径平均值是指渗透率贡献值累计达95%时的孔喉半径平均值;
所述分选系数是反映孔喉大小均一程度的参数。
优选地,在步骤S3中,所述岩心测试渗透率数据和孔喉结构参数、核磁共振测井资料是通过岩心实验室所测得渗透率进行岩心归位之后,与核磁共振T2谱及核磁T2谱转化伪毛细管压力曲线后计算得到的孔喉结构参数的对应关系。
优选地,在步骤S4中,所述非线性映射算法采用BP神经网络方法。
优选地,所述BP神经网络方法采用单隐层网络,输入层单元数为所述核磁共振T2谱分量离散值n,输出层单元数为1,单隐层神经元数用下述公式计算获得:n1=(n+1)1/2+a,其中,a为1~10之间的常数。
优选地,在步骤S5中,所述交叉验证方法为在给定的建模样本中,大部分样本用于建立非线性映射关系模型,留小部分样本用于模型检验,并求所述小部分样本的预测误差平方和。
优选地,所述大部分样本为70%的样本,所述小部分样本为30%的样本。
优选地,在建立所述非线性映射关系模型过程中,利用迭代算法不断对所述70%的样本进行计算;每次迭代完成之后,对15%的样本交叉验证的数据进行评估;当所述70%的样本计算精度难以提高时,采用其中15%的样本进行交叉验证的数据计算得到误差最小时对应的网络模型为最终网络模型,并利用最后15%测试的数据对所述最终网络模型进行测试。
优选地,在步骤S6中,利用所述最终网络模型对全井段进行逐点计算,得到孔喉结构参数约束下的核磁共振T2谱渗透率。
实施本发明具有以下有益效果:本发明提出的一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,解决了利用核磁共振T2谱曲线形态的渗透率计算方法弱化了孔喉结构参数导致评价低孔低渗储层的渗透率精度偏低的问题,它既考虑了核磁共振T2谱包含的所有孔隙结构信息,也加强了孔喉结构参数在渗透率计算中的作用。且不需要进行大量的岩心核磁共振实验,又有着较高的精度,而且易于实现,可以满足生产需求。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明孔喉结构参数约束下的核磁共振T2谱渗透率计算方法的流程图;
图2是本发明利用30个采样点的核磁共振T2谱、核磁共振T2谱转换成毛细管压力曲线后计算的半径中值以及岩心分析渗透率构建的渗透率模型精度示意图;
图3是本发明提出的孔喉结构参数约束下的核磁共振T2谱渗透率计算方法测井资料处理成果示意图。
具体实施方式
如图1所示,是本发明的一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,用于解决利用核磁共振T2谱曲线形态的渗透率计算方法弱化了孔喉结构参数导致评价低孔低渗储层的渗透率精度偏低的问题,包括以下步骤:
S1:将核磁共振T2谱曲线转化为伪毛细管压力曲线;在该步骤中,将核磁共振T2谱曲线转化为伪毛细管压力曲线,包括如下方法:
步骤S11:根据相似性原理计算核磁共振T2谱与毛细管压力曲线之间刻度转换系数C,由公式PC=C/T2线性关系转换获得伪毛细管压力曲线;或
步骤S12:根据二维分段等面积法计算核磁共振T2谱与毛细管压力曲线之间横向刻度系数,以及大、小孔径的纵向刻度系数,计算得到伪毛细管压力曲线。
S2:根据所述伪毛细管压力曲线计算孔喉结构参数,包括排驱压力、最大孔喉半径、孔隙吼道半径中值、孔隙吼道均值、主要流动孔喉半径平均值和分选系数;在步骤S2中,
所述排驱压力是指非湿相开始进入岩样最大喉道的压力,采用的计算方法为从最低压力点开始,比较相邻压力点的进汞饱和度,两者进汞饱和度差值大于1%的起始点为排驱压力;
所述最大孔喉半径是指所述排驱压力对应的孔喉半径;
所述孔隙吼道半径中值是指50%汞饱和度对应的孔喉半径值;
所述孔隙喉道均值是描述实验数据取值的平均位置,即表示全孔喉分布的平均位置;
所述主要流动孔喉半径平均值是指渗透率贡献值累计达95%时的孔喉半径平均值;
所述分选系数是反映孔喉大小均一程度的参数。
在本实施例,采用下述式(1)、(2)、(3)计算孔隙喉道均值、主要流动孔喉半径平均值和分选系数
式中rM、Rz、Sp分别为孔隙喉道均值、主要流动孔喉半径平均值和分选系数;ΔS,i为第i区间测量的汞饱和度;ri为与ΔSi对应的喉道半径。
S3:利用采集的岩心分析渗透率数据和核磁T2谱转化伪毛细管压力曲线后计算得到的孔喉结构参数、核磁共振测井资料,建立孔喉结构参数、核磁共振T2谱—渗透率对应关系数据体(Him,T2ij,Pij,ki)(m=1,...,l;i=1,...,n),这个数据体是已知的岩心分析渗透率数据和岩心归位后同一深度点的核磁共振T2谱资料以及由该深度点核磁共振T2谱转换成毛细管压力曲线后计算的孔喉结构参数组成。其中,H指孔喉结构参数值,T2指核磁共振T2谱时间分量离散值,P指T2谱幅度分量的离散值,k指渗透率值,i指采集的岩心测试渗透率样品点序号,m指孔喉结构参数序号,j指分量序号,l为每个深度点孔喉结构参数的个数,n为采集的岩心测试渗透率样品点个数。
可以理解地,在步骤S3中,所述岩心分析渗透率数据和孔喉结构参数、核磁共振测井资料是通过岩心实验室所测得渗透率进行岩心归位之后,与核磁共振T2谱及核磁T2谱转化伪毛细管压力曲线后计算得到的孔喉结构参数的对应关系。
S4:选定非线性映射算法建立孔喉结构参数约束下的核磁共振T2谱渗透率预测模型;本实施例中,在步骤S4中,所述非线性映射算法采用BP神经网络方法,进一步的,所述BP神经网络方法采用单隐层网络,输入层单元数为所述核磁共振T2谱分量离散值n,输出层单元数为1,单隐层神经元数用下述公式计算获得:n1=(n+1)1/2+a,其中,a为1~10之间的常数。
可以理解地,基于BP神经网络非线性映射算法建立渗透率预测模型。BP神经网络方法是一种按误差逆向传播算法训练的多层前馈网络,使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。由于神经网络过于敏感,必需要大样本进行建模才能得到具有较强泛化能力的模型,因此方法要求样本的数量尽量多,即n值要尽量大,由于BP神经网络使用梯度下降算法进行全局寻优,考虑到梯度下降法容易陷入局部最优的问题,在建立模型时,将输入(孔喉结构参数及采样点核磁共振T2谱)及输出(渗透率)进行归一化,以提高模型的泛化能力。例如3个孔喉结构参数、30个采样点核磁共振T2谱可使用33×10×1的网络结构进行建模。
S5:采用交叉验证方法,对所述孔喉结构参数约束下的核磁共振T2谱渗透率预测模型进行调试优化,建立非线性映射关系模型,并形成最终网络模型;可以理解地,利用交叉验证方法,进行模型调试,以取得最好结果。
在步骤S5中,所述交叉验证方法为在给定的建模样本中,大部分样本用于建立非线性映射关系模型,留小部分样本用于模型检验,并求所述小部分样本的预测误差平方和。给一较佳实施例,所述大部分样本为70%的样本,所述小部分样本为30%的样本。
在建立所述非线性映射关系模型过程中,利用迭代算法不断对所述70%的样本进行计算;每次迭代完成之后,对15%的样本交叉验证的数据进行评估;当所述70%的样本计算精度难以提高时,采用其中15%的样本进行交叉验证的数据计算得到误差最小时对应的网络模型为最终网络模型,并利用最后15%测试的数据对所述最终网络模型进行测试。
S6:根据所述最终网络模型进行逐点计算,得到孔喉结构参数约束下的核磁共振T2谱渗透率。
具体地,在步骤S6中,利用在步骤S5中取得的最终网络模型对全井段进行逐点计算,得到孔喉结构参数约束下的核磁共振T2谱渗透率。
进一步,本发明步骤S5以及步骤S6中涉及的模型,都是以步骤S4中的渗透率预测模型为基础,通过交叉验证方法等进行调试优化,形成最终网络模型,利用该最终网络模型对全井段进行逐点计算,即可得到孔喉结构参数约束下的核磁共振T2谱渗透率。
本发明通过利用已采集的岩心分析渗透率数据和岩心归位后同一深度点的核磁共振T2谱资料,以及由该深度点核磁共振T2谱转换成毛细管压力曲线后计算的孔喉结构数据,建立孔喉结构参数、核磁共振T2谱与渗透率对应关系数据体。采用非线性逼近的BP神经网络算法,并通过参数的归一化处理、交叉验证和算法参数的优化建立最优的孔喉结构、T2形态分布与渗透率的非线性映射,得到在孔喉结构约束下核磁共振T2谱曲线形态计算渗透率的模型,实现储层渗透率连续计算。本发明与传统的核磁共振资料计算渗透率模型相比,可以提高致密砂岩渗透率的计算精度至少一个数量级。
图2是本发明利用30个采样点的核磁共振T2谱、核磁共振T2谱转换成毛细管压力曲线后计算的半径中值以及岩心分析渗透率构建的渗透率模型精度示意图。其中,数据体共有151个数据,图中左上图为70%样本建模后回判的精度,右上图为15%交叉验证的数据,左下图为15%测试的数据,右下图为最后所有样本点的预测结果。从结果可以看出,建模相关系数达到了R=0.95,交叉验证精度达到了R=0.69,测试精度达到了R=0.78。可知,该模型精度较高,计算的渗透率值较为可靠。
如图3所示,是本发明提出的孔喉结构参数约束下的核磁共振T2谱渗透率计算方法测井资料处理成果,其中,图中第一道为自然伽马曲线,第二道为深度,第三道为核磁共振T2谱形态,第四道散点为岩心分析渗透率,第四道曲线为本发明计算的渗透率值。可以明显看出,利用孔喉结构参数约束的核磁共振T2谱计算渗透率是有效的,它既不需要进行大量的岩心核磁共振实验,又有着较高的精度,而且易于实现,是可以满足生产需求的。
实施本发明具有以下有益效果:本发明提出的一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,解决了利用核磁共振测井T2谱曲线形态的渗透率计算方法弱化了孔喉结构参数导致评价低孔低渗储层的渗透率精度偏低的问题,它既考虑了核磁共振T2谱包含的所有孔隙结构信息,也加强了孔喉结构参数在渗透率计算中的作用。且不需要进行大量的岩心核磁共振实验,又有着较高的精度,而且易于实现,可以满足生产需求。
可以理解的,以上实施例仅表达了本发明的优选实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制;应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,可以对上述技术特点进行自由组合,还可以做出若干变形和改进,这些都属于本发明的保护范围;因此,凡跟本发明权利要求范围所做的等同变换与修饰,均应属于本发明权利要求的涵盖范围。
Claims (6)
1.一种孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,其特征在于,包括以下步骤:
S1:将核磁共振T2谱曲线转化为伪毛细管压力曲线;
S2:根据所述伪毛细管压力曲线计算孔喉结构参数,包括排驱压力、最大孔喉半径、孔隙吼道半径中值、孔隙吼道均值、主要流动孔喉半径平均值和分选系数;在步骤S2中,
所述排驱压力是指非湿相开始进入岩样最大喉道的压力,采用的计算方法为从最低压力点开始,比较相邻压力点的进汞饱和度,两者进汞饱和度差值大于1%的起始点为排驱压力;
所述最大孔喉半径是指所述排驱压力对应的孔喉半径;
所述孔隙吼道半径中值是指50%汞饱和度对应的孔喉半径值;
所述孔隙喉道均值是描述实验数据取值的平均位置,即表示全孔喉分布的平均位置;
所述主要流动孔喉半径平均值是指渗透率贡献值累计达95%时的孔喉半径平均值;
所述分选系数是反映孔喉大小均一程度的参数;
采用下述式(1)、(2)、(3)计算所述孔隙喉道均值、所述主要流动孔喉半径平均值和所述分选系数
式中rM、Rz、Sp分别为孔隙喉道均值、主要流动孔喉半径平均值和分选系数;ΔSi为第i区间测量的汞饱和度;ri为与ΔSi对应的喉道半径;
S3:利用采集的岩心分析渗透率数据和核磁共振T2谱转化伪毛细管压力曲线后计算得到的孔喉结构参数、核磁共振测井资料,建立孔喉结构参数、核磁共振T2谱—渗透率对应关系数据体(Him,T2ij,Pij,ki)(m=1,...,l;i=1,...,n),其中,H指孔喉结构参数值,T2指核磁共振T2谱时间分量离散值,P指T2谱幅度分量的离散值,k指渗透率值,i指采集的岩心分析渗透率样品点序号,m指孔喉结构参数序号,j指分量序号,l为每个深度点孔喉结构参数的个数,n为采集的岩心测试渗透率样品点个数;
在步骤S3中,所述岩心分析渗透率数据和孔喉结构参数、核磁共振测井资料是通过岩心实验室所测得渗透率进行岩心归位之后,与核磁共振T2谱及核磁共振T2谱转化伪毛细管压力曲线后计算得到的孔喉结构参数的对应关系;
S4:选定非线性映射算法建立孔喉结构参数约束下的核磁共振T2谱渗透率预测模型;所述非线性映射算法采用BP神经网络方法;所述BP神经网络方法采用单隐层网络,输入层单元数为所述核磁共振T2谱分量离散值n,输出层单元数为1,单隐层神经元数用下述公式计算获得:n1=(n+1)1/2+a,其中,a为1~10之间的常数;
S5:采用交叉验证方法,对所述孔喉结构参数约束下的核磁共振T2谱渗透率预测模型进行调试优化,建立非线性映射关系模型,并形成最终网络模型;
S6:根据所述最终网络模型进行逐点计算,得到孔喉结构参数约束下的核磁共振T2谱渗透率;在步骤S6中,利用所述最终网络模型对全井段进行逐点计算,得到孔喉结构参数约束下的核磁共振T2谱渗透率。
2.根据权利要求1所述的孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,其特征在于,在步骤S1中,将核磁共振T2谱曲线转化为伪毛细管压力曲线,包括如下步骤:
步骤S11:根据相似性原理计算核磁共振T2谱与毛细管压力曲线之间刻度转换系数C,由公式PC=C/T2线性关系转换获得伪毛细管压力曲线;或
步骤S12:根据二维分段等面积法计算核磁共振T2谱与毛细管压力曲线之间横向刻度系数,以及大、小孔径的纵向刻度系数,计算得到伪毛细管压力曲线。
3.根据权利要求1所述的孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,其特征在于,所述BP神经网络方法采用单隐层网络,输入层单元数为所述核磁共振T2谱分量离散值n,输出层单元数为1,单隐层神经元数用下述公式计算获得:n1=(n+1)1/2+a,其中,a为1~10之间的常数。
4.根据权利要求1所述的孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,其特征在于,在步骤S5中,所述交叉验证方法为在给定的建模样本中,大部分样本用于建立非线性映射关系模型,留小部分样本用于模型检验,并求所述小部分样本的预测误差平方和。
5.根据权利要求4所述的孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,其特征在于,所述大部分样本为70%的样本,所述小部分样本为30%的样本。
6.根据权利要求5所述的孔喉结构参数约束下的核磁共振T2谱渗透率计算方法,其特征在于,在建立所述非线性映射关系模型过程中,利用迭代算法不断对所述70%的样本进行计算;每次迭代完成之后,对15%的样本交叉验证的数据进行评估;当所述70%的样本计算精度难以提高时,采用其中15%的样本进行交叉验证的数据计算得到误差最小时对应的网络模型为最终网络模型,并利用最后15%测试的数据对所述最终网络模型进行测试。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574964.1A CN109655394B (zh) | 2018-12-21 | 2018-12-21 | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811574964.1A CN109655394B (zh) | 2018-12-21 | 2018-12-21 | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109655394A CN109655394A (zh) | 2019-04-19 |
CN109655394B true CN109655394B (zh) | 2022-05-27 |
Family
ID=66115655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811574964.1A Active CN109655394B (zh) | 2018-12-21 | 2018-12-21 | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109655394B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950193B (zh) * | 2020-07-15 | 2023-03-14 | 中海油田服务股份有限公司 | 基于储层的孔隙网络模型的建模方法及装置 |
CN112966365B (zh) * | 2021-02-04 | 2023-09-12 | 中海石油(中国)有限公司 | 一种特低渗凝析气藏反凝析伤害评价方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2272997A1 (en) * | 1997-03-11 | 1998-09-17 | Conoco Inc. | Prediction of permeability from capillary pressure curves derived with nmr |
CN102253069A (zh) * | 2011-04-20 | 2011-11-23 | 中国石油天然气股份有限公司 | 一种根据核磁共振t2谱确定渗透率的方法和装置 |
CN103279647A (zh) * | 2013-05-03 | 2013-09-04 | 中国石油天然气集团公司 | 一种基于孔隙特征参数计算致密砂岩储层渗透率的方法 |
CN103884633A (zh) * | 2014-03-05 | 2014-06-25 | 中国石油天然气股份有限公司 | 一种确定岩石渗透率的方法及装置 |
CN108181219A (zh) * | 2017-11-15 | 2018-06-19 | 中国石油天然气股份有限公司 | 一种基于碳酸盐岩孔隙结构预测渗透率的方法及其装置 |
CN108288092A (zh) * | 2018-01-09 | 2018-07-17 | 中国海洋石油集团有限公司 | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 |
-
2018
- 2018-12-21 CN CN201811574964.1A patent/CN109655394B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2272997A1 (en) * | 1997-03-11 | 1998-09-17 | Conoco Inc. | Prediction of permeability from capillary pressure curves derived with nmr |
CN102253069A (zh) * | 2011-04-20 | 2011-11-23 | 中国石油天然气股份有限公司 | 一种根据核磁共振t2谱确定渗透率的方法和装置 |
CN103279647A (zh) * | 2013-05-03 | 2013-09-04 | 中国石油天然气集团公司 | 一种基于孔隙特征参数计算致密砂岩储层渗透率的方法 |
CN103884633A (zh) * | 2014-03-05 | 2014-06-25 | 中国石油天然气股份有限公司 | 一种确定岩石渗透率的方法及装置 |
CN108181219A (zh) * | 2017-11-15 | 2018-06-19 | 中国石油天然气股份有限公司 | 一种基于碳酸盐岩孔隙结构预测渗透率的方法及其装置 |
CN108288092A (zh) * | 2018-01-09 | 2018-07-17 | 中国海洋石油集团有限公司 | 一种利用核磁共振t2谱形态获取致密砂岩渗透率的方法 |
Non-Patent Citations (1)
Title |
---|
基于储层孔喉特征参数计算致密砂岩渗透率的新方法;成志刚等;《测井技术》;20140430;第38卷(第2期);第185-189页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109655394A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104298883B (zh) | 一种油气资源评价中的烃源岩产烃率图版的建立方法 | |
WO2017084454A1 (zh) | 一种地层组分最优化确定方法及装置 | |
CN108694264B (zh) | 一种确定页岩气储层渗透率的方法 | |
CN107728231B (zh) | 一种预测核磁共振测井横向弛豫时间t2分布的方法 | |
CN103336305B (zh) | 一种基于灰色理论划分致密砂岩储层岩石物理相的方法 | |
CN107688037B (zh) | 一种利用核磁测井t2分布确定井下岩石粒度曲线的方法 | |
CN111027882A (zh) | 一种基于高阶神经网络利用常规测井资料评价脆性指数的方法 | |
Trevizan et al. | Method for predicting permeability of complex carbonate reservoirs using NMR logging measurements | |
CN109655394B (zh) | 一种孔喉结构参数约束下的核磁共振t2谱渗透率计算方法 | |
CN108982320A (zh) | 一种利用粒度参数进行复杂孔隙结构储层渗透率计算方法 | |
CN111812736B (zh) | 一种致密砂岩无水气藏含气性评价方法 | |
CN111706318B (zh) | 一种确定低渗储层剩余油分布状况的方法 | |
CN112145165B (zh) | 一种微裂缝-孔隙型储层动静态渗透率转换方法 | |
CN112796738A (zh) | 一种阵列声波测井和常规测井结合的地层渗透率计算方法 | |
CN109901238B (zh) | 一种基于应力差电阻率实验的高应力地层电阻率校正方法 | |
RU2289829C1 (ru) | Способ геофизической разведки для выявления нефтегазовых объектов | |
Theologou et al. | An MICP-based pore typing workflow–core scale to log scale | |
Zhou et al. | Determination of pore size distribution in tight gas sandstones based on Bayesian regularization neural network with MICP, NMR and petrophysical logs | |
CN114114414A (zh) | 一种页岩储层“甜点”信息人工智能预测方法 | |
CN110017136B (zh) | 一种基于视水层电阻率的水淹层识别与产水率预测方法 | |
CN108412488B (zh) | 快速确定页岩气储层有机孔隙度的测井方法 | |
CN108647417B (zh) | 一种确定页岩气储层含气饱和度的简易方法 | |
CN111965720B (zh) | 一种基于地-井联合获取水力传导系数的方法 | |
CN114086938B (zh) | 一种非均质性砂岩储层的含气饱和度预测方法 | |
CN114707597A (zh) | 一种河流相致密砂岩储层复杂岩相智能化识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |