Способ прогноза открытой пористости на глубины ниже забоя скважин

Изобретение относится к разведочной геофизике и может быть применено при поиске и определении перспективности залежи углеводородов. Сущность: строят по данным магнитотеллурического зондирования в ближайшей окрестности скважины одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины. Интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости, электрокаротажа и удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования. Обучают первую искусственную нейросеть на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, на входе и данных электрокаротажа на выходе. С использованием первой обученной искусственной нейросети делают прогноз псевдо-элетрокаротажа от глубины забоя до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования на этих глубинах. Вторую искусственную нейросеть обучают на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления электрокаротажа на входе и каротажа пористости на выходе. С использованием второй обученной искусственной нейросети делают прогноз пористости на глубинах от глубины забоя до целевой глубины по значениям псевдо-электрокаротажа на этих глубинах. Технический результат: возможность построения прогнозного профиля пористости на глубинах от забоя скважины до целевой глубины. 1 табл., 6 ил.

 

Изобретение относится к области технической физики, а именно - к разведочной геофизике, и может быть применено при поиске и определении перспективности залежи углеводородов.

Известен (RU, патент 2483291 опубл. 27.05.2013) способ определения коэффициента эффективной пористости на образцах керна, включающий высушивание образца до постоянной массы, насыщение под вакуумом моделью пластовой воды, создание в образце остаточной водонасыщенности путем вытеснения воды вытесняющим флюидом (воздухом, газом, керосином, моделью нефти) до прекращения выхода воды за счет центрифугирования при максимальных оборотах или за счет создания максимального давления в капилляриметре с полупроницаемой мембраной, причем используют для измерений образец после экстракции растворителями или после экстракции неагрессивным агентом или промытый неэкстрагированный образец, полностью насыщенный моделью пластовой воды образец взвешивают в модели пластовой воды и в вытесняющем флюиде, после создания остаточной водонасыщенности образец взвешивают в вытесняющем флюиде и определяют коэффициент эффективной пористости по соотношению разницы веса образца, полностью насыщенного моделью пластовой воды в вытесняющем флюиде, и веса образца, насыщенного вытесняющим флюидом и остаточной водой, к разнице веса полностью насыщенного образца в вытесняющем флюиде и веса полностью насыщенного образца в пластовой воде.

Известен также (Копилевич Е.А., Сурова Н.Д. Методика прогнозирования фильтрационно-емкостных свойств коллекторов по данным сейсморазведки. Геофизика. 2012. №1. С. 20-26) способ прогнозирования фильтрационных свойств нижнемеловых отложений в межскважинном пространстве по данным сейсморазведки на примере Ванкорского месторождения. Методика представляет собой адаптацию универсальной инновационной технологии комплексного спектрально-скоростного прогнозирования типов геологического разреза и фильтрационно-емкостных свойств коллекторов для конкретных сейсмогеологических условий Болышехетского вала. Применение методики позволило впервые в практике сейсморазведочных работ построить куб коэффициента проницаемости, точность прогноза которого определена путем прямого сопоставления прогнозных и фактических значений коэффициента проницаемости по данным последующего бурения.

Оба эти подхода имеют ряд недостатков, которые могут приводить в потере точности оценок и, как следствие, к ошибкам в определении потенциала запасов.

К недостакам первого подхода относится то, что при этом оценка пористости производится только по глубине самой скважины и, следовательно, сама по себе не может быть использована для ее надежного прогноза вне скважин.

К недостаткам второго подхода следует отнести то, что, во-первых, результаты сейсмотомографии усреднены по объему и, в целом, имеют плохое разрешение по вертикали, во-вторых, точность оценок резко падает, если разрез имеет сложную геометрию, в-третьих, использование сейсмических атрибутов, максимально коррелирующих с немногочисленными скважинными данными по пористости, может приводить к ошибкам прогноза в других геолого-геофизических условиях вне скважин, наконец, речь идет только об интерполяции значений пористости на межскважинное пространство, а не о прогнозе на глубину.

Между тем, прогноз тенденций поведения фильтрационно-емкостных свойств пород на глубинах ниже забоя во время бурения разведочных скважин позволил бы вовремя корректировать стратегию бурения, что, в свою очередь, повысило бы эффективность геологоразведочных работ при поиске углеводородов, а также резервуаров геотермальной энергии (Spichak V.V. A new strategy for geothermal exploration drilling based on using of an electromagnetic sounding data // Expanded Abstr. Int. Workshop on High Entalphy Geothermal Systems. San-Bernardino, California. 2013, Spichak V.V. Reduce geothermal exploration drilling costs: pourquoi pas?! // Expanded Abstr. D-GEO-D Conference, Paris, France. 2014).

Наиболее близким аналогом разработанного технического решения можно признать (Спичак В.В. и Захарова О.К. Прогноз пористости на глубину ниже забоя скважин по данным электромагнитных зондирований и электрокаротажа. Физика Земли, 2015, №6, с. 57-63), где исследовали принципиальную возможность прогноза коэффициента открытой пористости на глубины ниже забоя скважин по данным электрокаротажа и результатов инверсии магнитотеллурических данных в районе Сульц-су-Форе (Франция).

Было показано, что применение нейросетевого подхода теоретически позволяет делать достаточно точный прогноз пористости на глубинах, превосходящих глубину скважин, по значениям удельного сопротивления электрокаротажа на этих глубинах (относительная ошибка при прогнозе на удвоенную глубину составляла бы, в среднем, 3-5%).

Но поскольку на практике данные каротажа ниже забоя скважины отсутствуют, то прогноз пористости на этих глубинах было предложено делать по значениям удельного сопротивления, определенным с помощью инверсии данных магнитотеллурического зондирования в окрестности скважины. Относительная ошибка такого прогноза возрастает и составляет, в среднем, 10%.

Эти результаты легли в основу нового способа прогноза пористости, сочетающего точность прогноза по данным электрокаротажа и глубинность по данным наземных электромагнитных зондирований.

Техническая проблема, для решения которой предназначен разработанный способ, состоит в создании прогноза пористости ниже забоя скважины по данным каротажа пористости и электрокаротажа в самой скважине, а также результатам магнитотеллурического зондирования в ее окрестности.

Технический результат, достигаемый при реализации разработанного способа, состоит в построении прогнозного профиля пористости на глубинах от забоя скважины до целевой глубины.

Для достижения указанного технического результата предложено использовать разработанный способ прогноза открытой пористости на глубины ниже забоя скважин. Согласно разработанному способу строят по данным, по меньшей мере, одного магнитотеллурического зондирования в ближайшей окрестности скважины одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины, интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости, электрокаротажа и удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, обучают первую искусственную нейросеть на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, на входе и данных электрокаротажа на выходе, с использованием первой обученной искусственной нейросети делают прогноз псевдо-элетрокаротажа от глубины забоя до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования на этих глубинах, вторую искусственную нейросеть обучают на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления электрокаротажа на входе и каротажа пористости на выходе, с использованием второй обученной искусственной нейросети делают прогноз пористости на глубинах от глубины забоя до целевой глубины по значениям псевдо-электрокаротажа на этих глубинах.

Техническая проблема решена с использованием нейросетевого алгоритма построения прогнозного профиля пористости на глубинах ниже забоя скважин по данным геофизического исследования скважин и результатам одномерной инверсии данных магнитотеллурического зондирования в их окрестности.

В дальнейшем сущность разработанного способа будет раскрыта на примере двух сважин, пробуренных на разных участках Бишкекского геодинамического полигона, с использованием графического материала, где на фиг. 1 приведены данные пористости для скважины 1, измеренные на кернах (ломаная линия), и синтезированные путем их аппроксимации (жирная линия), на фиг. 2 - данные пористости для скважины 2, измеренные на кернах (ломаная линия) и синтезированные путем их аппроксимации (жирная линия), на фиг. 3 - зависимость удельного электрического сопротивления от глубины в скважине 1: R_MТ - результаты одномерной инверсии магнитотеллурических данных в окрестности скважины, R_w - электрокаротаж, - псевдо-электрокаротаж, на фиг. 4 - зависимость удельного электрического сопротивления от глубины в скважине 2: R_МТ ^_ результаты одномерной инверсии магнитотеллурических данных в окрестности скважины, R_w - электрокаротаж, - псевдо-электрокаротаж, на фиг. 5 - прогноз пористости (ϕ) для нижней половины скважины 1 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (R_МТ), 2 - прогноз только по результатам инверсии магнитотеллурических данных (R_МТ) с использованием формулы Арчи, 3 - прогноз по предлагаемому алгоритму, 4 - прогноз только по данным электрокаротажа (R_w) с использованием формулы Арчи, на фиг. 6 - прогноз пористости (ϕ) для нижней половины скважины 2 в зависимости от использованных способов прогноза: 1 - нейросетевой прогноз только по результатам инверсии магнитотеллурических данных (R_МТ), 2 - прогноз только по результатам инверсии магнитотеллурических данных (R_МТ) с использованием формулы Арчи, 3 - прогноз по предлагаемому алгоритму, 4 - прогноз только по данным электрокаротажа (R_w) с использованием формулы Арчи.

В Табл. 1 приведены относительные ошибки (ε) прогноза пористости (ϕ) в % в зависимости от способа рассчета.

Поставленная проблема решена с использованием алгоритма, основанного на использовании искусственных нейросетей "с учителем" (Хайкин С. Нейронные сети. 2-е изд., испр.: Пер. с англ. -М.: ООО «И.Д. Вильяме», 2006. - 1104 с.).

Разработанный способ реализуют следующим образом.

1. По данным магнитотеллурических зондирований (минимум одного) в ближайшей окрестности скважины строится одномерный профиль удельного электрического сопротивления (УЭС) до заданной прогнозной глубины (методы одномерной инверсии магнитотеллурических данных см. в (Жданов М.С. Теория обратных задач и регуляризации в геофизике. М.: Наука. 1992. - 710 с.)).

2. Данные каротажа пористости ϕ (z) (Фиг. 1-2), электрокаротажа R_w(z) и удельного электрического сопротивления R_МТ(z) (Фиг. 3-4) предварительно интерполируются на одну и ту же сетку до глубины забоя (Zзабоя).

3. Искусственная нейросеть (ИНС-1) обучается на соответствии глубин z (< Zзабоя) и соответствующих УЭС R_MT.(z) (на входе) и данных электрокаротажа R_w (z) (на выходе).

4. С помощью обученной ИНС-1 делается прогноз "псевдо-элетрокаротажа" от глубины забоя Zзабоя до целевой глубины Z_цели (на входе - z и R_MT (z), на выходе - (z)).

5. Вторая искусственная нейросеть (ИНС-2) обучается на соответствии глубин z (<Zзабоя) и соответствующих УЭС электрокаротажа R_w. (z) (на входе) и каротажа пористости ϕ(z) (на выходе).

6. С помощью обученной ИНС-2 делается прогноз пористости на глубинах от Z_забоя до Z_цели (на входе z, (z), на выходе ϕ (z)).

На Фиг. 5-6 и в Таблице 1 приведены результаты прогноза пористости для этих двух скважин. Для тестирования прогноз делали на нижние половины скважин, а результаты сравнивали с истинными кривыми. При этом прогноз по предложенному алгоритму (способ 3) дополнительно сравнивали со способами прогноза без использования электрокаротажа (1 и 2) и с применением формулы Арчи (Archie G.E. The electrical resistivity log as an aid in determining some reservoir characteristics // Amer. Inst. Mining Metall. Eng. Trans. 1942. V. 146. P. 54-62) (способы 2 и 4).

Полученные результаты моделирования прогноза пористости на глубины ниже забоя скважин позволяют заключить, что предварительный прогноз электрокаротажа на глубины ниже забоя ("псевдо-каротаж") позволяет в несколько раз повысить точность прогноза пористости по сравнению со всеми другими способами (согласно Таблице 1 соответствующие относительные ошибки уменьшаются, минимум, в 4 раза).

Способ прогноза открытой пористости на глубины ниже забоя скважин, отличающийся тем, что строят по данным, по меньшей мере, одного магнитотеллурического зондирования в ближайшей окрестности скважины одномерный профиль удельного электрического сопротивления до заданной прогнозной глубины, интерполируют на одну и ту же сетку до глубины забоя данные каротажа пористости, электрокаротажа и удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, обучают первую искусственную нейросеть на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования, на входе и данных электрокаротажа на выходе, с использованием первой обученной искусственной нейросети делают прогноз псевдо-элетрокаротажа от глубины забоя до целевой глубины по значениям удельного электрического сопротивления, полученного в результате инверсии данных магнитотеллурического зондирования на этих глубинах, вторую искусственную нейросеть обучают на соответствии глубин, меньших глубины забоя, и соответствующих значений удельного электрического сопротивления электрокаротажа на входе и каротажа пористости на выходе, с использованием второй обученной искусственной нейросети делают прогноз пористости на глубинах от глубины забоя до целевой глубины по значениям псевдо-электрокаротажа на этих глубинах.