一种砂体展布刻画方法、装置及电子设备

技术领域

本发明属于地质勘探技术领域，具体涉及一种砂体展布刻画方法、装置及电子设备。

背景技术

砂体空间分布定量表征的井间砂体边界刻画一直是油气藏描述工作中长期需求却未得到根本解决的一项技术难题。由于地震资料分辨率有限，尤其是厚度小于5m的薄砂体，识别难度大，不能直接有效应用地震资料刻画出河道单砂体的空间分布。

在油田的长期开发过程中，河道单砂体是控制流体渗流的核心储层，随着油田油气开发的深入，位于河道主体可开发的剩余油气会越来越少，因此，对剩余油气的开发需要向分支河道单砂体的边界区域延伸。因此能够准确的刻画砂体边界，明确砂体展布，确定油田开发后期砂体边界区剩余油分布对于油气藏开发剩余油至关重要。

现有技术对薄层砂体边界刻画的方法有以下几种：

1、通过岩心、测井资料识别刻画纵向砂体展布，结合经验公式总结河道砂体的宽厚比，从而确定宽带范围，刻画砂体展布；

2、以地震沉积学理论，结合多属性融合、地震反演技术刻画河道砂体展布；

3、以现代沉积模式和露头为指导，利用井网资料，按照高程差异、砂体厚度差异、河道间特征对单砂体边界识别。

上述方法存在的问题：经验公式法只是简单的数学线性关系，很难精确表征砂体的非均质性及复杂性；地震反演技术受地震分辨率影响，对厚层砂体识别效果较好，对薄层砂体识别效果较差，往往不符合地质认识；以沉积模式为指导识别砂体，虽符合沉积认识，但是由于现场生产的复杂性，同一沉积河道砂体内部生产井却表现出不同的生产特征，基于常规测井识别及沉积认识的砂体表征太过宽泛且精确度较低，不能指导现场生产；对于老油田开发后期，井多、资料多，基于以上所有方法进行砂体展布刻画费时费力，效率较低且精确度低。

发明内容

本发明的目的在于提供一种砂体展布刻画方法、装置及电子设备，用以解决现有技术中砂体展布刻画效率较低且精确度低的技术问题。

为解决上述技术问题，本发明提供了一种砂体展布刻画方法，包括以下步骤：

1)识别出研究区的河道沉积相，对识别出的河道沉积相的测井曲线进行分析，找到能够识别河道沉积相且能反映河道沉积相测井响应特征的优选测井曲线，优选测井曲线的条数为至少一条；

2)获取所有取心井段的生产井对应的生产数据，利用生产数据对识别出的河道沉积相进行分类；构建分类模型，利用已分类的河道沉积相及其优选测井曲线作为训练数据对构建的分类模型进行训练，利用训练后的分类模型对所有井进行分类，从而得到每个井所属的河道沉积相类别；

3)利用井的河道相分类结果，采用岩相模型控制约束方法刻画砂体展布。

其有益效果为：本发明首先识别出研究区的所有河道沉积相找到能够识别河道沉积相且能反映河道沉积相测井响应特征的优选测井曲线，然后构建一个分类模型，该分类模型的输入是测井曲线，输出是河道沉积相类别，利用生产数据为分类标准，利用已分类的河道沉积相及其优选测井曲线作为训练数据对分类模型训练，从而利用训练完成的模型对未取心井进行分类，本发明的方法利用机器学习模拟人类大脑对朴捕捉到的多现象，多信号进行快速识别的优势，实现了对研究区域的所有井进行快速分类，进而在采用岩相模型控制约束方法对砂体进行展布刻画；采用本发明的方法可以高效地对砂体展布进行刻画且准确度较高。

优选地，识别出取心井段的具体深度段对应的河道沉积相的方法是：

对取心井观察，通过岩性特征、沉积构造特征对取心井段进行沉积相识别，从而识别出具体深度段对应的河道沉积相。

优选地，分析的测井曲线包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、含水饱和度曲线、井径曲线。

其有益效果为：通过对多条测井曲线进行分析，有利于更准确地找到易于识别河道沉积相的测井曲线。

优选地，所述的优选测井曲线包括自然伽马曲线、电阻率曲线以及声波时差曲线。

优选地，利用生产数据对识别出的河道沉积相进行分类时采用等距法的方法是：

将识别出的河道沉积相的生产效率范围均匀划分为多个连续的区间，生产效率落在同一区间内的河道沉积相为同一类河道沉积相。

其有益效果为：通过将日产量范围均匀划分为多个连续的区间，根据划分的区间对河道进行分类，从而更准确地对河道沉积相进行分类。

优选地，采用岩相模型控制约束方法刻画砂体展布包括以下步骤：

在单井分类河道剖面相基础上，建立覆盖全区的连井分类河道剖面相；

基于获得的覆盖全区的连井分类河道剖面相，建立覆盖全区的分类河道平面相；

选取泥质含量测井曲线的截断值，小于该截断值的岩石定义为砂岩，并求取每口取心井每个层段对应的砂岩厚度；

基于所述的砂岩厚度，以分类河道平面相的边界作为砂体尖灭控制线，采用收敛差值算法进行计算，最终确定符合生产规律的砂体的展布范围。

其有益效果为：基于砂岩厚度确定砂体的展布范围，使得刻画的砂体展布范围更准确。

优选地，建立连井分类河道剖面相依据的原则为：当两井河道为相同类别，则两井河道相连；当两井河道为不同类别，则两井河道互不相连，河道尖灭与河道厚度相关，当河道厚度越厚，则将河道尖灭长度等比例变长。

优选地，采用收敛差值算法计算符合生产规律的砂体的展布范围。

为解决上述技术问题，本发明还提供了一种砂体展布刻画装置，包括：

河道沉积相识别模块，用于识别出研究区的河道沉积相，对识别出的河道沉积相的测井曲线进行分析，找到能够识别河道沉积相且能反映河道沉积相测井响应特征的优选测井曲线；

分类模型构建模块，用于获取所有取心井段的生产井对应的生产数据，利用生产数据对识别出的河道沉积相进行分类，进而构建分类模型；

分类模型训练模块，用于利用已分类的河道沉积相及其测井曲线作为训练数据对构建的分类模型进行训练；

井分类模块，用于利用训练后的分类模型对所有井进行分类，从而得到每个井所属的河道沉积相类别；

砂体展布刻画模块，用于利用井的河道相分类结果，采用相控方法对砂体展布进行刻画。

其有益效果为：采用本发明的装置可首先识别出研究区的所有河道沉积相找到能够识别河道沉积相且能反映河道沉积相测井响应特征的优选测井曲线，然后构建出一个分类模型，该分类模型的输入是测井曲线，输出是河道沉积相类别，利用生产数据为分类标准，利用已分类的河道沉积相及其优选测井曲线作为训练数据对分类模型训练，进而利用训练完成的模型对未取心井进行分类，本发明的装置利用机器学习模拟人类大脑对朴捕捉到的多现象，多信号进行快速识别的优势，实现了对研究区域的所有取心井进行快速分类，进而在采用岩相模型控制约束方法对砂体进行展布刻画；采用本发明的装置可以高效地对砂体展布进行刻画且准确度较高。

为解决上述技术问题，本发明还提供了一种电子设备，包括存储器和处理器，所述存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，实现本发明的砂体展布刻画方法。

附图说明

图1是本发明的砂体展布刻画方法流程图；

图2是某油田A区块初始沉积相图；

图3是基于神经网络刻画的A区块沉积相图；

图4是基于神经网络刻画的A区块的相控砂体展布图；

图5是B井日产量曲线图；

图6是A井日产量曲线图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明了，以下结合附图及实施例，对本发明进行进一步详细说明。

砂体展布刻画方法实施例：

如图1所示，本发明的砂体展布刻画方法包括以下步骤：

1)识别出研究区的河道沉积相，对识别出的河道沉积相的测井曲线进行分析，找到用于识别河道沉积相且能反映河道沉积相测井响应特征的优选测井曲线，优选测井曲线的条数为至少一条。具体的：

对取心井观察，通过岩性特征、沉积构造特征对取心井段进行沉积相识别，从而识别出具体深度段对应的河道沉积相。

对河道沉积相的测井曲线进行分析时需要明确曲线的形态及曲线值分布范围。

分析的测井曲线包括自然伽马曲线、自然电位曲线、电阻率曲线、声波时差曲线、含水饱和度曲线以及井径曲线。通过对多条测井曲线进行分析，有利于更准确地找到易于识别河道沉积相的测井曲线。最终得出的优选测井曲线包括伽马曲线、电阻率曲线以及声波时差曲线。

2)获取所有取心井段的生产井对应的生产数据，利用生产数据对识别出的河道沉积相进行分类；构建分类模型，利用已分类的河道沉积相及其优选测井曲线作为训练数据对构建的分类模型进行训练，利用训练后的分类模型对所有未取心井进行分类，从而得到每个井所属的河道沉积相类别。

构建的分类模型可以是神经网络模型、决策树模型、随机森林模型或者其它机器学习算法模型，本实施例中采用神经网络模型。

对构建的分类模型进行训练时将已分类的河道的优选测井曲线作为训练数据，将利用生产数据划分的河道沉积相类别作为监督学习条件，进行神经网络的多次迭代学习，得到测井曲线的回归模型以及每一个类别的河道沉积相的回归模型。

利用生产数据对识别出的河道沉积相进行分类的方法是：

利用所有取心井段的生产井对应的生产数据，将识别出的河道的生产效率范围均匀划分为多个连续的区间，生产效率落在同一区间内的河道为同一类河道。

通过将日产量范围均匀划分为多个连续的区间，根据划分的区间对河道进行分类，从而更准确地对河道沉积相进行分类。

构建和训练分类模型可在Petrel软件中执行，Petrel软件中的stratigraphy模块中的Neural net选项具有神经网络分类的功能，将能够区分河道的测井曲线作为输入条件，将结合生产数据划分类别的河道沉积相作为监督学习条件，进行神经网络多次迭代学习，即可回归得到的测井曲线与多个类别河道的回归模型，以回归模型为基础，利用Petrel软件中的stratigraphy中的具有批量应用神经网络回归模型的功能的Logs from Neuralnet选项，对研究区内没有取心的所有井批量应用此功能自动识别河道沉积相的类别。

3)利用井的河道相分类结果，采用岩相模型控制约束方法精准刻画砂体展布。

3.1)在单井分类河道剖面相基础上，建立覆盖全区的连井分类河道剖面相；

建立连井分类河道剖面相依据的原则为：当两井河道为相同类别，则两井河道相连；当两井河道为不同类别，则两井河道互不相连，河道尖灭与河道厚度相关，当河道厚度越厚，则将河道尖灭长度等比例变长。

单井分类河道剖面相是指通过步骤2)求得的单井不同深度段的不同分类河道；连井分类河道剖面相是指通过多口单井表征油藏纵向上的分类河道展布。

3.2)基于获得的覆盖全区的连井分类河道剖面相，建立覆盖全区的分类河道平面相；

分类河道平面相是指通过剖面相及单井相的认识，表征平面上分类河道的展布。

3.3)选取泥质含量测井曲线的截断值，小于该截断值的岩石定义为砂岩，并求取每口取心井每个层段对应的砂岩厚度；

截断值可以是40％或其它合适的值。

基于砂岩厚度确定砂体的展布范围，使得刻画的砂体展布范围更准确。

3.4)基于所述的砂岩厚度，以分类河道平面相的边界作为砂体尖灭控制线，采用收敛差值算法进行计算，最终确定符合生产规律的砂体的展布范围。

以我国东部某油田A区块为例，对本发明方法进行验证。

A区块为岩性油藏，结合前期地质研究，主要发育三角洲前缘亚相的水下分流河道微相沉积及河道间沉积，距离物缘较远，分流河道主要发育中-细砂岩，河道间主要发育灰黑色泥岩，砂体较薄，本工区共有300口井，取心井10口。A区块初始沉积相图如图2所示。

按照步骤1)，结合岩心观察，对取心井进行微相划分，选取岩性为中-细砂岩，沉积构造为交错层理、平行层理的岩性段为分流河道微相，岩性段为泥岩划分为河道间微相。对应取心井深度段河道相测井曲线进行分析，选取的能够区分河道的测井曲线为自然伽马、电阻率、声波时差曲线，其中河道微相对应的自然伽马值小于100API，声波时差值大于240us，电阻率值大于45Ω/m。

按照步骤2)，统计所有取心井段的生产井对应的生产数据，利用生产数据从最低到最高分别为1t/d、16t/d，采用等距法根据1-4t/d、4-8t/d、8-12t/d、12-16t/d将河道相分为5类河道。利用Petrel软件中的stratigraphy模块中的Neural net选项神经网络分类的功能，将能够区分河道的测井曲线为自然伽马、电阻率、声波时差曲线作为输入条件，将结合生产数据划分的5类河道作为监督学习条件，进行神经网络多次迭代学习，回归得到的测井曲线与5类河道的回归模型，以回归模型为基础，利用Petrel软件中的stratigraphy中的Logs from Neural net选项具有批量应用神经网络回归模型的功能，对研究区内没有取心的所有井批量应用此功能进行5类河道相自动识别，对河道沉积相分类后得到的A区块沉积相图如图3所示。

按照步骤3)，在步骤2识别的单井5类河道相基础上，拉取覆盖全区的连井剖面，当两井分类河道为相同类别，则两井河道相连；当两井分类河道为不同类别，则两井河道相互不相连，河道尖灭与河道厚度相关，当河道厚度越厚，则将河道尖灭长度等比例变长。在所有剖面相完成之后，参考剖面相的连通关系及单井相识别结果，进行平面相绘制。选取测井泥质含量曲线40％为截断值，小于40％定义为砂岩，求取每口井每个层段对应的砂岩厚度。选取井点砂体厚度参数，以分类河道相边界作为砂体尖灭控制线，采用收敛差值算法进行计算，最终确定出的符合生产规律的砂体的展布范围如图4所示。

在第一类河道部署B采油机，在第五类河道部署A采油井，生产特征也符合分类砂体认识，如图5所示，位于一类河道的B井日产水平在12-16t/d；如图6所示，位于五类河道的A井日产水平在1-2t/d，一类河道的B井日产水平远高于位于五类河道的A井，证明本方法可靠性高。

本发明的方法首先识别出研究区的所有河道沉积相找到能够识别河道沉积相且能反映河道沉积相测井响应特征的优选测井曲线，然后构建一个分类模型，该分类模型的输入是测井曲线，输出是河道沉积相类别，利用生产数据为分类标准，利用已分类的河道沉积相及其优选测井曲线作为训练数据对分类模型训练，从而利用训练完成的模型对未取心井进行分类，本发明的方法利用机器学习模拟人类大脑对朴捕捉到的多现象，多信号进行快速识别的优势，实现了对研究区域的所有取心井进行快速分类，进而在采用岩相模型控制约束方法对砂体进行展布刻画；采用本发明的方法可以高效地对砂体展布进行刻画且准确度较高。

砂体展布刻画装置实施例：

本发明的砂体展布刻画装置，包括：

河道沉积相识别模块，用于识别出研究区的河道沉积相，对识别出的河道沉积相的测井曲线进行分析，找到能够识别河道沉积相且能反映河道沉积相测井响应特征的优选测井曲线；

分类模型构建模块，用于获取所有取心井段的生产井对应的生产数据，利用生产数据对识别出的河道沉积相进行分类，进而构建分类模型；

分类模型训练模块，用于利用已分类的河道沉积相及其测井曲线作为训练数据对构建的分类模型进行训练；

井分类模块，用于利用训练后的分类模型对所有井进行分类，从而得到每个井所属的河道沉积相类别；

砂体展布刻画模块，用于利用井的河道相分类结果，采用相控方法对砂体展布进行刻画。

本发明的砂体展布刻画装置的具体细节以及技术效果已在砂体展布刻画方法实施例中陈述，此处不再赘述。

电子设备实施例：

本发明的电子设备包括存储器和处理器，存储器内存储有计算机程序，当所述计算机程序被所述处理器执行时，实现本发明的基于神经网络的砂体展布刻画方法。