[发明专利]储层裂缝渗透率建模方法及装置

说明书

本发明公开了一种储层裂缝渗透率建模方法及装置，该方法包括根据目标储层的地震波衰减属性确定反映目标储层裂缝分布的品质因子数据体；将反映目标储层裂缝分布的品质因子数据体转换为目标储层的裂缝强度数据体；通过分布转换将目标储层的裂缝强度数据体转换为目标储层的裂缝渗透率属性体；根据目标储层的裂缝渗透率属性体构建目标储层的裂缝渗透率模型。本发明通过提取最能反映裂缝分布的品质因子，避免使用不确定的地震属性参数，通过转换确定与单井裂缝渗透率分布一致的裂缝强度数据体，通过分布转换将裂缝强度数据体转换为裂缝渗透率属性体，基于裂缝渗透率属性体构建目标储层的裂缝渗透率模型，提高裂缝渗透率建模的客观性和可信度。

技术领域

本发明涉及油气地质勘探技术领域，尤其涉及储层裂缝渗透率建模方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

对裂缝-溶孔溶洞型碳酸盐岩储层的裂缝渗透率建模是一项非常重要而困难的工作。围绕渗透率，大量的文献通过数值方法解Navie-Stokes方程(ChorinAlexandre Joel，1968；Cetin KirisDochan Kwak，2001；Sedaghatjoo Z et.al，2018)去模拟渗透率分布。在这一过程中，通常需要进行一定的简化和假设(Ghadimi PDashtimanesh A，2011；Liu Cet al，2019)。针对不同的储层，这种简化需要了解储层的储集空间结构。对于孔隙型的储层，使用CT扫描数据可以建立孔隙结构分布，进而进行非线性流体模拟(Peng S.et.al，2016；Liu C et.al，2019)，对于裂缝型碳酸盐岩储层，DFN模型被广泛应用(Le Goc Ret.al，2017；Lei Q et.al，2017；Liu R et.al，2018；Pan D et.al，2019；Giuffrida Aet.al，2020；Baptiste Lepillier et.al，2020)。

然而，使用DFN模型具有非常大的不确定性，因为裂缝几何形态参数(裂缝长度、开度、走向、倾向等)非常难以确定，最常用的方法是通过激光扫描和微观扫描露头的方法得到裂缝分布的确切数据，将这些数据作为裂缝模型的可参照类比对象，用于地下储层裂缝模拟(Guerriero V et.al，2011，2013)。DFN模型的使用至今已有30多年，是被广为接受的一种裂缝建模手段。然而，仔细分析DFN模型所需要的输入——裂缝几何形态参数，发现这种模型的不确定性几乎无法估量。开度是其中最重要的参数，它与裂缝孔隙度、渗透率关系非常紧密。但是，该参数一般是使用平均开度来代替的，也就是在裂缝描述中，每条或每类裂缝的开度只用一个平均开度值来表征。在岩心中，裂缝孔隙型碳酸盐岩裂缝的开度大多变化非常大，较大的极差可达厘米级，忽略开度变化建模势必会造成模型的偏差过大而无法进行有效的生产预测。

机器学习算法近年来被很多学者用来计算储层渗透率模型。Anifowose F.等(2019)总结了6种机器学习算法，建立了测井与地震之间的依赖关系，通过监督学习机制，构造了渗透率模型，但没有说明使用何种地震属性去模拟渗透率。Rostami A.等(2019)将多种神经网络算法、SVM算法以及GP算法进行了比较，得出神经网络专家系统是最优算法，而GP算法效率最高。其使用的数据为公开的数据银行，其中没有对监督学习中样本的完备性与可靠性进行分析。Ursula Iturrarán-Viveros和Jorge O.Parra(2014)同样使用了神经网络监督学习算法对碳酸盐岩储层进行了渗透率建模，在这些研究成果中，关键的一环就是确定真实或最可靠的渗透率值。对于孔隙型碳酸盐岩储层，这一参数较为容易获取，通过实验室测量甚至是常规测井解释就可以获取。然而，对于裂缝-溶蚀孔洞型碳酸盐岩储层，这一看上去没有争议的数据变得完全无法评价，从而失去了机器学习的理论基础，从而使支持向量机、神经网络等算法无法发挥其在海量数据中寻找规律的能力。

发明内容

本发明实施例提供一种储层裂缝渗透率建模方法，用以提高裂缝渗透率建模的客观性和可信度，该储层裂缝渗透率建模方法包括：