基于孔隙结构储层分类的中低孔特低渗储层渗透率确定——以B区块S油层为例
Determination of permeability of medium-low porosity and extra-low permeability reservoirs based on pore structure reservoir classification:a case study of S reservoir in block B作者机构：东北石油大学地球科学学院大庆163318 非常规油气成藏与开发省部共建国家重点实验室培育基地大庆163318 大庆油田有限责任公司第九采油厂地质研究所大庆163853
出 版 物：《地球物理学进展》 (Progress in Geophysics)
年 卷 期：2023年第38卷第1期
页 面：271-284页
核心收录：
学科分类：081801[工学-矿产普查与勘探] 08[工学] 0818[工学-地质资源与地质工程]
基 金：黑龙江省省属本科高校基本科研业务费项目(HBHZX202003)资助。
主 题：中低孔特低渗储层 含泥含钙 渗透率 孔隙结构 储层类型 机器学习
摘 要：针对B区块S油层含泥含钙中低孔特低渗储层渗透率计算精度低的难题,分析岩性、物性、孔隙结构对储层渗透率的影响,明确了孔隙度、泥质含量、钙质含量、孔隙结构是影响B区块S油层特低渗储层渗透率的主要因素,其中,孔隙结构是影响特低渗储层渗透率的关键因素.综合运用压汞曲线、孔喉半径分布特征以及流动单元指数反映特低渗储层孔隙结构变化,将特低渗储层按不同孔隙结构划分成3种类型,建立了特低渗储层类型的判别标准.利用中子测井、密度测井、声波测井、微球形聚焦测井、深浅侧向电阻率测井差值的绝对值等5个储层类型识别的敏感测井响应及参数,使用决策树法、最邻近结点法、BP神经网络法和支持向量机法建立了4种基于机器学习的储层判别方法,储层类型判别准确率依次提高,其中,基于支持向量机的储层类型判别方法判别准确率最高92.2%,且对3种类储层判别效果均很好.针对3类储层分别建立了渗透率计算公式.实际井解释结果表明,基于机器学习储层分类的渗透率模型计算B区块S油层特低渗储层渗透率精度明显高于储层分类前渗透率计算精度,其中,基于支持向量机储层分类计算的渗透率精度最高.
维普期刊数据库
同方期刊数据库