利用人工神经网络对碳酸盐孔隙喉部结构进行连续特征分析与分类 侯珏 窦丽荣 赵伦 杨叶鹏 曾星 郑天宇

《Magnetochemistry》:Continuous Characterization and Classification of Carbonate Pore-Throat Structure Using an Artificial Neural Network Jue Hou, Lirong Dou, Lun Zhao, Yepeng Yang, Xing Zeng and Tianyu Zheng

【字体: 大 中 小 】 时间:2026年05月09日 来源:Magnetochemistry 2.5

编辑推荐:

  摘要:根据77个岩心样本的汞注入毛细压(MICP)数据,将碳酸盐储层中的孔喉结构分为十种岩石物理相,分别代表粗、中、细三种类型的孔喉。这些数据直接反映了不同的流动能力。利用20个样本的核磁共振(NMR)数据,开发了一个人工神经网络(ANN)模型,该模型以四种常规测井数据——伽马射

  摘要:根据77个岩心样本的汞注入毛细压(MICP)数据,将碳酸盐储层中的孔喉结构分为十种岩石物理相,分别代表粗、中、细三种类型的孔喉。这些数据直接反映了不同的流动能力。利用20个样本的核磁共振(NMR)数据,开发了一个人工神经网络(ANN)模型,该模型以四种常规测井数据——伽马射线(GR)、深层侧向电阻率(RD)、密度(DEN)和补偿中子测井(CNL)作为输入,用于连续预测T2谱。然后使用累积孔喉尺寸分布匹配方法将预测的T2谱转换为毛细压曲线。所得孔喉参数与岩心测量结果非常吻合,关键参数(如中值孔喉半径R50和分选系数Sp)的相对误差低于15%。这种方法将离散的岩心数据扩展到连续的井筒剖面,使得在缺乏MICP数据的区间内也能进行孔喉预测和相分类。它能够有效识别主要的流动通道和致密夹层,并通过薄片岩石学验证了相的准确性,为评估高度异质性的碳酸盐储层提供了可靠的基础。

1. 引言
全球大部分石油和天然气资源存在于碳酸盐储层中,这些储层约占全球碳氢化合物产量的60%[1,2]。然而,由于复杂的沉积历史、成岩作用和构造影响,这些储层具有高度的异质性,并展现出复杂的孔喉结构[3,4]。这种复杂性极大地影响了流体流动和生产能力,导致诸如井间产量波动和早期水 breakthrough 等问题,从而增加了储层评估和高效管理的难度[5]。传统的孔喉表征方法依赖于实验室岩心分析,包括汞注入毛细压(MICP)、扫描电子显微镜(SEM)和薄片岩石学。尽管这些方法能够提供准确的孔隙尺度信息,但这些数据本质上是离散的,无法生成连续的井筒剖面[6,7,8,9,10]。常规测井可以提供连续的孔隙度数据,但在识别孔喉结构方面不够敏感,而核磁共振(NMR)测井可以提供对孔喉结构敏感的T2谱,但由于成本高昂,其应用范围有限[11,12,13,14,15,16,17]。因此,开发出利用多种数据源通过常规测井进行连续、细尺度孔喉结构和分类的方法仍然是一个关键挑战。近期人工智能(AI)和机器学习的进展为此提供了有希望的解决方案。例如,Hou等人使用ANN根据MICP和测井数据对碳酸盐进行了分类,准确率为89.3%[18];Yalamanchi等人结合SEM衍生的孔隙参数和ANN模型来预测渗透率[19]。然而,大多数研究仅关注单一数据源或特定参数。通过AI集成MICP、NMR和常规测井数据进行连续孔喉表征和分类的综合性框架尚未得到充分发展[20,21,22,23,24,25,26]。我们假设人工神经网络可以从常规测井数据可靠地预测连续的T2谱,并且由此衍生的孔喉参数能够实现碳酸盐孔喉结构的准确、连续分类。

为了填补这一空白,本研究开发了一个人工神经网络(ANN)模型,用于从常规测井数据连续预测T2谱。选择输入测井数据时考虑了它们对孔喉结构的敏感性:伽马射线(GR)反映了与细孔喉相关的页岩含量;深层侧向电阻率(RD)及其与浅层电阻率(RS)的对比指示了地层流体流动能力;体积密度(DEN)与孔隙度相关;补偿中子测井(CNL)反映了孔隙流体并有助于识别孔喉类型。这些测井数据共同捕获了与孔喉结构相关的岩石学、电学、物理和流体性质。接着建立了一个连续孔喉表征和分类的工作流程。首先,使用MICP数据定义孔喉类型。然后,机器学习模型建立常规测井数据与NMR T2谱之间的非线性关系,从而能够在没有NMR数据的区间内进行预测。随后使用累积孔喉尺寸分布匹配方法将预测的T2谱转换为毛细压曲线。这样得到了关键参数(如中值孔喉半径和分选系数)的连续剖面,这些参数用于沿井筒的定量岩石物理相分类。这种方法增强了我们对储层形成过程的理解,支持了储层表征、优 sticker 识别和生产效率优化,从而提高了异质性碳酸盐储层的开发效率。

2. 地质环境
研究区域位于哈萨克斯坦阿特劳地区的里海前盆地南部边缘,该地区以厚层沉积物填充为特征,总厚度超过20公里[27,28]。盆地基底由前里夫期结晶岩构成,其上覆盖着泥盆纪至新生代的沉积序列。本研究关注的石炭纪储层主要发育在K油田内,属于碳酸盐平台环境。地层上包括维塞安期( lower Carboniferous)和谢尔普霍夫期(Upper Carboniferous)的沉积层[29,30]。维塞安期包含生物碎屑砾岩、礁灰岩和填隙灰岩,表明了高能量的平台环境。谢尔普霍夫期主要是生物碎屑砾岩和礁灰岩,局部含有泥质层。巴什基尔期则以高频率的碳酸盐循环为特征,伴有互层的砾岩和填隙灰岩,顶部有一处区域性不整合[图1]。总体而言,石炭纪碳酸盐主要为石灰岩,局部存在白云石化现象,并表现出显著的横向和纵向异质性。

3. 材料与方法
本研究开发了一个基于AI的集成工作流程,用于碳酸盐储层中孔喉结构的连续表征和分类。通过整合来自岩心MICP、NMR实验和常规测井的多尺度数据,并应用岩石物理分析、机器学习和数学域变换技术,建立了连续孔喉参数的预测模型。这使得整个井筒的自动岩石物理相识别成为可能。工作流程包括四个步骤:(1)使用MICP数据定义孔喉类型以建立相分类方案;(2)开发ANN模型从常规测井数据预测NMR T2谱;(3)使用累积孔喉尺寸分布匹配将预测的T2谱转换为等效的毛细压(Pc)曲线;(4)利用衍生的参数沿井筒连续分类岩石物理相并支持地质解释。

3.1. 数据库
本研究聚焦于里海前盆地K油田的石炭纪碳酸盐储层。编译了一套包含岩心分析、测井数据和薄片岩石学的综合数据集。岩心MICP数据:对XX-5井的77个岩心样本进行了MICP分析,获得了毛细压曲线、汞注入-抽出饱和度剖面和衍生的孔喉参数。这些参数包括中值压力(Pc50,MPa)、中值孔喉半径(R50,μm)、分选系数(Sp,无量纲)和孔喉偏度(Skp,无量纲)。这些参数量化了孔喉尺寸、分选特性和流动能力,是岩石物理相分类的基础。

3.2. 岩石物理相分类
岩石物理相是表征储层异质性的重要工具[31]。近年来,基于孔喉参数的分类方法受到了越来越多的关注。对于碳酸盐储层,Guo等人提出了一种综合的岩石物理指数,结合中值毛细压将储层分为良好、中等、较差和非常差三个类别,有效反映了流动能力的差异[32]。Liu等人进一步根据生成相和孔喉结构参数(如中值孔喉半径、排替压力和分选系数)将碳酸盐储层细分为五种类型——从I型(高孔隙度、高渗透率)到IV型(低孔隙度、超低渗透率)和非储层。他们的分类与毛细压曲线形态有很好的一致性[33]。在本研究中,根据77个岩心样本的中值孔喉半径和毛细压曲线形态,将孔喉结构分为三个主要类别(粗、中、细至非常细)。这些类别进一步细分为多种岩石物理相。这种方法直接依赖于孔喉参数,减少了主观的地质偏差。不同类别之间的显著孔喉尺寸差异也为NMR T2谱与毛细压之间的分段转换提供了基础(见第4.2节)。选定了四个关键参数作为岩心指标,并进行了解释:
- 中值压力(Pc50):汞注入曲线上50%非润湿相饱和度时的毛细压力,反映了孔喉网络的总体流动能力。
- 中值孔喉半径(R50):在50%非润湿相饱和度下的孔喉半径,利用固定的岩心参数值计算(表面张力=0.48 N/m;接触角=140°)。
- 分选系数(Sp):描述了孔喉尺寸的离散程度;较小的值表示更好的分选(更均匀的尺寸)。
- 偏度(Skp):描述了孔喉尺寸分布相对于正态分布的不对称性。

3.3. 连续T2谱预测
基于人工神经网络(ANN)开发了一个T2谱预测模型,利用常规测井和离散岩心NMR数据沿井筒连续重建T2谱(见图4)。该模型采用具有两个隐藏层的前馈反向传播ANN(BP-ANN)结构。输入层包括预处理的常规测井数据:伽马射线(GR)、深层侧向电阻率(RD)、体积密度(DEN)和补偿中子测井(CNL)。输出层包括预定义松弛时间(0.1–10,000 ms)的T2谱幅度。训练数据集包含XX-5井的20个样本及其对应的岩心NMR测量数据。每个样本包括四个测井输入和相关的T2谱。选择两个隐藏层以减少过拟合。

3.4. T2-Pc域变换
为了将预测的T2谱转换为孔喉参数,建立了T2松弛时间与孔喉半径之间的定量关系。这使得可以将NMR数据映射到等效的毛细压曲线上。这种转换依赖于将NMR和MICP数据得出的累积孔径分布进行匹配(图5)。图5. 孔隙喉部半径分布与NMR T2谱之间的转换示意图。累积汞饱和度()是从大孔径到小孔径的累积分布计算得出的。预测的T2谱被反转以遵循相同的方向,其累积幅度被标准化以获得累积T2分布()。然后通过线性插值将相应的值从匹配得到,生成一对[34]。使用幂律关系来连接孔隙喉部半径和:(5)结合毛细压力与孔隙喉部半径之间的反比关系,得到:(6)由于大孔径和小孔径的松弛机制不同,系统被划分为大孔径(T2 > 100 ms)和小至中等孔径(T2 ≤ 100 ms)两个区域,并分别为每个区域拟合参数。3.5. 全井孔隙喉部特征描述和地质应用基于连续的毛细压力曲线,使用基于MICP的计算方法在每个深度提取关键孔隙喉部参数——中位压力(Pc50)、中位半径(R50)、分选系数(Sp)和偏度(Skp),从而生成连续的垂直剖面。这些参数通过与相应深度的离散MICP数据进行验证以确保准确性。利用从MICP和薄片数据建立的岩石物理相分类,将连续参数(Pc50、R50、Sp、Skp)与相阈值进行比较,以沿井筒对岩石物理相进行分类。这使得清晰地划分垂直相分布和不同孔隙喉部结构之间的空间关系成为可能。通过与铸件薄片观测结果的比较,验证了分类结果的准确性,证实了其与地质特征(如主导流动单元)和开发应用的一致性。4. 结果本节介绍了所提出的基于AI的方法在连续表征和分类碳酸盐岩孔隙喉部结构中的应用和分析。首先,使用岩心MICP和薄片数据建立岩石物理相分类方案,定义关键参数及其地质意义。其次,开发了一个分段T2-Pc转换模型,将NMR松弛谱转换为毛细压力曲线,并在不同孔隙结构类型中验证了其准确性。以Well XX-5为例进行了连续孔隙喉部预测和相分类,并使用薄片及相关数据进行了验证。最后,讨论了该方法的局限性、适用性和未来发展方向,为改进复杂碳酸盐岩储层的评估和开发提供了基础。4.1. 岩石物理相分类结果基于K油田中77个石炭纪碳酸盐岩岩心样本的高压MICP数据,并结合铸件薄片观测结果,将孔隙喉部结构分为三个主要类别和十个岩石物理相(表1、表2和表3)。这些相在毛细压力曲线形态、孔隙喉部半径分布、汞进入压力以及孔隙度-渗透率关系方面表现出明显差异。它们包括单峰值、双峰值和复合分布模式,反映了沉积和成岩过程的综合作用。与之前的研究相比,这种分类不仅考虑了孔隙喉部大小,还考虑了孔径分布的形状,从而能够更精细地区分不同储层类型的流动能力。表1. Well XX-5中PF-I岩石物理相的毛细压力、孔隙喉部半径特征和薄片特征。表2. Well XX-5中PF-II岩石物理相的毛细压力、孔隙喉部半径特征和薄片特征。表3. Well XX-5中PF-III岩石物理相的毛细压力、孔隙喉部半径特征和薄片特征。根据孔隙喉部规模,粗喉部类别(PF-I)进一步细分为四种类型(PF-I-1至PF-I-4),其特点是汞进入压力< 200 KPa且主导孔隙喉部半径> 1 μm。PF-I-1(复合型)的进入压力极低,主导半径为10–100 μm,平均孔隙度为10.71%,渗透率为12.496 mD,代表典型的高流速相。PF-I-2(复合型)的主导半径为1–10 μm,平均孔隙度为9.26%,渗透率为2.818 mD。PF-I-3(单峰值型)的平均孔隙度为11.18%,渗透率为2.471 mD;而PF-I-4(双峰值型)的平均孔隙度为9.05%,渗透率为1.198 mD。中等喉部类别(PF-II)包括三种类型(PF-II-1至PF-II-3),其特点是汞进入压力较高,主导半径为0.1–1 μm。PF-II-1(复合型)的Pc50为216.70 kPa,平均孔隙度为9.1%,渗透率为1.655 mD。PF-II-2是最常见的类型,具有双峰值分布,平均孔隙度为8.13%,渗透率为0.198 mD,表明其流动能力适中。细至非常细喉部类别(PF-III)包括三种类型(PF-III-1至PF-III-3),其特点是汞进入压力> 100 KPa且主导孔隙喉部半径< 0.5 μm。PF-III-1(细型,单峰值)的主导半径为0.1–0.5 μm,平均孔隙度为7.28%,渗透率为0.079 mD,代表低流速相。PF-III-2(非常细型,双峰值)的主导半径为0.01–0.1 μm,平均孔隙度为5.74%,渗透率为0.081 mD;PF-III-3(非常细型,单峰值)的主导半径< 0.1 μm,平均孔隙度为3.75%,渗透率通常< 0.05 mD,代表典型的致密夹层。为了量化孔隙喉部特征,提取了关键参数——中位压力(Pc50)、中位孔隙喉部半径(R50)、分选系数(Sp)和偏度(Skp),并在表4中进行了总结。从粗喉部相到细喉部相,Pc50系统地增加,而R50则减少。Sp和Skp显示出一致的趋势,反映了分选性和不对称性的变化,这与分类方案一致。这十个岩石物理相涵盖了从高孔隙度、高渗透率到低孔隙度、低渗透率的整个范围,突显了孔隙喉部结构的强烈垂直异质性。这种分类为连续孔隙喉部特征描述和储层评估提供了一个可靠的框架。表4. Well XX-5中十个岩石物理相的孔隙喉部结构参数。4.2. 建立T2-Pc转换模型T2-Pc领域转换是将NMR松弛谱转换为毛细压力曲线,从而推导出定量孔隙喉部参数的关键,通过将T2松弛时间与毛细压力联系起来实现。由于碳酸盐岩孔隙系统的复杂性,大孔径和小孔径的松弛响应存在差异,这是由于表面和体相松弛效应的不同所致。对所有孔径尺寸应用单一转换可能会引入显著误差。因此,基于岩心数据的统计分析,使用100 ms的T2截止值将系统划分为大孔径(T2 > 100 ms)和小至中等孔径(T2 ≤ 100 ms)。分别为这两个区间建立了不同的幂律关系:(7)(8),其中m1、n1和m2、n2是小至中等孔径和大孔径系统的拟合系数,反映了特定的孔隙结构和性质。将孔隙喉部分为大孔径和小孔径两类是一种数学简化,它在保持与从MICP数据定义的三个岩石物理相一致性的同时,考虑了不同的松弛机制。100 ms的T2截止值大约对应于孔隙喉部半径为0.1–0.5 μm,标志着细喉部类型和中等喉部类型之间的过渡。因此,T2 < 100 ms主要代表细至非常细的类别(PF-III)和PF-II的较细部分,而T2 > 100 ms主要代表粗喉部类别(PF-I)和PF-II的较粗部分。为了确定转换系数,从20个分析样本中选择了具有多样化NMR响应的九个代表性岩心样本。通过拟合确定了它们的系数(m1、n1、m2、n2)。样本间的显著变异性表明,固定系数会引入较大误差。因此,需要连续的系数与储层性质之间的关系才能进行可靠的预测。对于小至中等孔径区间,由于表面松弛起主导作用,转换系数与储层孔隙度显示出强相关性(图6)。通过对拟合系数与岩心孔隙度进行回归分析,为该区间建立了预测模型;建立了该区间转换系数的定量计算模型:(9)。图6. Well XX-5中中微孔隙喉部结构的转换系数曲线:(a) m1;(b) n1。对于大孔隙喉部区间,其特点是喉部较粗且孔径较大(例如,空洞和晶间孔),体积松弛显著影响NMR信号。因此,转换系数与常规岩石物理参数(如孔隙度、渗透率或储层质量指数)的相关性较弱。特别是n2与这些参数没有明显的相关性,无法直接预测。然而,n2与m2之间存在强烈的统计关系,而m2与孔隙度显示出显著的幂律相关性(图7)。基于此,开发了一个大孔隙喉部区间的连续模型:首先将m2与孔隙度相关联(),然后从m2导出n2:(10)。图7. Well XX-5中大孔隙喉部结构的转换系数曲线:(a) m2;(b) n2。使用该模型,可以逐点确定深度依赖的T2-Pc转换系数,从而将连续的T2谱转换为伪毛细压力曲线。从这些曲线中提取关键参数——如位移压力、中位压力(Pc50)、中位孔隙喉部半径(R50)和分选系数(Sp),从而能够从NMR数据中可靠地推导出MICP等效参数。4.3. 全井孔隙喉部特征描述和地质应用该工作流程被应用于K油田Well XX-5的4170–4220 m区间;使用常规测井资料(GR、RD、RS、DEN、CNL)和20个岩心样本的NMR数据,ANN模型预测了连续的T2谱(图8,Track 6)。在五个校准深度(4184.93 m、4186.22 m、4188.73 m、4201.14 m和4205.09 m),预测谱与测量的岩心NMR数据紧密匹配,证实了非线性log-T2关系的准确学习。应用分段转换模型(T2截止值= 100 ms),生成了孔隙喉部分布(Track 7)和等效的毛细压力曲线(Track 8)。然后提取关键参数(Pc50、R50、Sp、Skp),以生成连续的剖面(Track 9–12)。图8. Well XX-5 4170–4220 m区间的连续孔隙喉部特征描述和岩石物理相分类。与校准点的岩心MICP数据比较显示,所有参数的相对误差都在15%以内,证明了转换模型的稳健性及其适用于连续孔隙喉部特征描述。在4191 m和4196 m附近出现了显著异常。在这些深度,预测的孔隙喉部分布显示出明显的第三个峰值,R50 > 10 μm,Pc50 < 10 kPa,且分选性较差。这表明存在大的溶解空洞或孔隙,对应于PF-I-1-或PF-I-2主导的流动相。相比之下,在4210 m附近,预测的分布显示R50 < 0.05 μm且Pc50 > 2 MPa,表明孔隙喉部非常细,符合PF-III-2或PF-III-3致密夹层的特征。铸件薄片数据(Track 13)证实了这些结果:4191 m和4196 m的样本显示大量的溶解孔隙和连通的晶间孔隙,而4210 m的样本孔隙度很低。该方法有效地将离散的岩心数据扩展到连续的井筒剖面,清晰地划分了主导流动单元和致密屏障。它为评估储层异质性、定义流动单元和优化注采策略提供了坚实的基础。5. 讨论本研究提出了一种基于AI的工作流程,用于碳酸盐岩孔隙喉部的连续特征描述和分类,将离散的岩心数据扩展到连续的井筒剖面。然而,基于连续参数(Pc50、R50、Sp、Skp)建立岩石物理相的定量判别标准仍然具有挑战性。尽管各相之间的平均参数值有明显差异(表2),但在连续剖面上应用固定阈值(图8)会导致过渡区间出现不确定性。例如,在4191 m附近,参数值可能同时落在PF-I和PF-II范围内,导致分类不确定。这种不确定性主要源于三个因素。首先,碳酸盐岩储层表现出强烈的多尺度异质性,每个相包含多种孔隙类型和尺寸。其次,相之间的遗传过渡(例如局部溶解)产生了混合特征,模糊了参数边界。第三,所选参数捕捉了中心趋势,但未能完全反映孔隙连通性、孔隙类型组合或它们对流体流动的综合控制。尽管存在这些限制,所提出的框架为连续孔隙喉部特征描述提供了一个坚实的基础。随着数据集的扩展和算法的改进,有望实现更准确和可解释的自动化相分类和动态储层评估。6. 结论(1)通过整合高压MICP、NMR和常规测井数据,本研究使用ANN预测了连续的T2谱。结合用于T2-Pc转换的累积孔喉尺寸分布匹配方法,该方法将离散的岩心数据扩展到连续的井筒剖面,为评估非均质储层提供了一种有效的方法。(2) 开发了一种分段T2-Pc幂律模型,使用100毫秒的T2截止时间来区分大孔喉区间和中小孔喉区间。建立了将转换系数与孔隙度相关联的连续函数。通过对岩心数据的验证表明,关键预测参数(例如R50和Pc50)的相对误差低于15%,从而证实了该方法的可靠性。(3) 基于电阻率成像(CMP)和薄片数据,将石炭纪碳酸盐岩中的孔喉结构分为三类和十种岩石物理相。沿着Well XX-5的连续相分类清晰地界定了主要的流动单元和致密夹层,这与薄片观测结果一致。补充材料:以下支持信息可在此处下载:https://www.mdpi.com/article/10.3390/magnetochemistry12050053/s1,用于分段回归分析的原始T2和Pc数据对(图6和图7)。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号