Новая методика интерпретации данных ГИС для надежной петротипизации низкопроницаемых и низкоомных коллекторов

Целевой пласт месторождения нефти, расположенного в Западной Сибири, слагается терригенными породами, представленными в основании алевролитами, плавно переходящими в песчаники вверх по разрезу. Из-за отсутствия детальной петротипизации алевролиты, имеющие более низкие значения электрического сопротивления и проницаемости, были первоначально отнесены к водоносной части разреза. Однако последующие испытания скважин выявили в них значительный приток нефти.

Для проведения корректного расчета насыщенности и выделения нефтеносных интервалов в низкоомных терригенных коллекторах в рамках данного исследования была разработана новая методика их типизации. Методика включает в себя детальное описание программы лабораторных исследований, процедуру типизации пород с применением альтернативного индикатора зоны потока (FZI), а также алгоритм выделения в разрезах скважин по данным ГИС петрофизических типов, соответствующих выделенным по керну типов пород (роктипов).

Применение предложенного безразмерного параметра FZI, включающего пористость и остаточную водонасыщенность, оказалось весьма эффективным для петротипизации пласта, включая низкоомные и низкопроницаемые интервалы. При этом следует особо подчеркнуть, что разработанный алгоритм интерпретации данных каротажа позволяет транслировать выделяемые по керну типы пород в выделяемые по данным ГИС петрофизические типы, сохраняя одинаковые критерии классификации.

Так как низкопроницаемые интервалы характеризуются низкой корреляцией между проницаемостью и пористостью, использование параметра пористости, определённого методами ГИС для расчета профиля проницаемости, приводит к ненадежному результату. Для решения этой проблемы в работе реализуется альтернативная методика расчета проницаемости на основании множественной корреляции с данными нескольких методов ГИС.

Для оптимизации практической реализации новых методик предлагается несколько алгоритмов машинного обучения, позволяющих реконструировать отсутствующие каротажные кривые, а также распространять выделенные петротипы на разрезы скважин, в которых детальная петрофизическая интерпретация еще не проводилась.

Разработанные подходы к петротипизации низкоомных и низкопроницаемых пород позволяют обнаруживать ранее пропущенные продуктивные интервалы, что продлит срок экономической рентабельности изученных месторождений.

1. Abbaszadeh M., Fujii H., Fujimoto F. (1996). Permeability Prediction by Hydraulic Flow Units—Theory and Applications. SPE Formation Evaluation 11, pp. 263–271. https://doi.org/10.2118/30158-PA

2. Akkurt R., Conroy T., Psaila D., Paxton A., Low J. & Spaans P. (2018). Accelerating and enhancing petrophysical analysis with machine learning: A case study of an automated system for well log outlier detection and reconstruction. SPWLA 59th Annual Logging Symposium 2018. Society of Petrophysicists and Well-Log Analysts (SPWLA).

3. Amaefule J.O., Altunbay M., Tiab D., Kersey D.G., and Keelan D.K. (1993). Enhanced reservoir description: using core and log data to identify hydraulic (flow) units and predict permeability in uncored intervals/wells.

4. Proceedings SPE Annual Technical Conference and Exhibition, pp. 205–220. https://doi.org/10.2523/26436-MS

5. Archie G.E. (1942). The Electrical Resistivity Log as an Aid in Determining Some Reservoir Characteristics. Transactions of the AIME, 146, pp. 54–62. https://doi.org/10.2118/942054-G

6. Aranibar A., Saneifar M., Heidari Z. (2013). Petrophysical rock typing in organic-rich source rocks using well logs. Unconventional Resources Technology Conference (URTEC). doi: 10.1190/urtec2013-117

7. Cortes C., Vapnik V. (1995). Support-vector networks. https://doi.org/10.1007/BF00994018

8. Curtis A.A. (2015). Multi-scale reservoir characterisation from pore scale to simulation scale: Concepts and workflows. Society of Petroleum Engineers SPE Reservoir Characterisation and Simulation Conference and Exhibition, RCSC 2015, pp. 822–842. https://doi:10.2118/175560-ms

9. Glover P. (2000). Petrophysics MSc Course Notes. Petrophysics MSc Course Notes 32–54.

10. Gupta, I., Rai, C., Sondergeld, C., Devegowda, D. (2018). Rock Typing in Eagle Ford, Barnett, and Woodford Formations. SPE Reservoir Evaluation & Engineering, 21, pp. 654–670. https://doi.org/10.2118/189968-PA

11. Eltom H.A. (2020). Limitation of laboratory measurements in evaluating rock properties of bioturbated strata: A case study of the Upper Jubaila Member in central Saudi Arabia. Sedimentary Geology, 398, 105573. https://doi.org/10.1016/j.sedgeo.2019.105573

12. Gholami V., Mohaghegh S.D. (2009). Intelligent Upscaling of Static and Dynamic Reservoir Properties. Presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, SPE-124477-MS. https://doi.org/10.2118/124477-MS

13. Guo G., Diaz M.A., Paz F., Smalley J., Waninger E.A. (2007). Rock Typing as an Effective Tool for Permeability and Water-Saturation Modeling: A Case Study in a Clastic Reservoir in the Oriente Basin. SPE Reservoir Evaluation & Engineering, 10, pp. 730–739. https://doi.org/10.2118/97033-PA

14. Kassem A., Hemdan K., Saad A. (2017). Integration of petrology and petrophysical rock typing for optimum reservoir zonation and permeability prediction (Case study: North gulf of Suez. Egypt). Offshore Mediterranean Conference and Exhibition, OMC 2017.

15. Kolodzie S. (1980). Analysis of pore throat size and use of the Waxman Smits equation to determine OOIP in spindle field, Colorado. Proceedings SPE Annual Technical Conference and Exhibition. Society of Petroleum Engineers (SPE). doi: 10.2118/9382-ms

16. Kotsiantis S. B. (2007). Supervised Machine Learning: A Review of Classification Techniques. Informatica, 31, pp. 249–268.

17. Ma D., Liu, C., Cheng C. (2015). New relationship between resistivity index and relative permeability. Journal of Energy Resources Technology, Transactions of the ASME, 137. doi:10.1115/1.4028862

18. Man, H.Q., Jarzyna, J. (2013). Integration of core, well logging and 2D seismic data to improve a reservoir rock model: a case study of gas accumulation in the NE Polish Carpathian Foredeep. GQ 57. https://doi.org/10.7306/gq.1091

19. Man H.Q., et al., (2021). Hydraulic Flow Unit Classification and Prediction Using Machine Learning Techniques: A Case Study from the Nam Con Son Basin, Offshore Vietnam. Energies, 14, 7714. https://doi.org/10.3390/en14227714

20. Merembayev T., Kurmangaliyev D., Bekbauov B., Amanbek Y.A. (2021). Comparison of Machine Learning Algorithms in Predicting Lithofacies: Case Studies from Norway and Kazakhstan. Energies, 14, 1896. https://doi.org/10.3390/en14071896

21. Mustafa A., Mahmoud A.M., Abdulraheem A. (2019). A Review of Pore Structure Characterization of Unconventional Tight Reservoirs, in: Day 3 Wed, November 13, 2019. Presented at the Abu Dhabi International Petroleum Exhibition & Conference, Abu Dhabi, UAE, D031S098R001. https://doi.org/10.2118/197825-MS

22. Nelson, P.H. (1994). Permeability-porosity relationships in sedimentary rocks. Log Analyst, 35, pp. 38–62.

23. Onovughe E., Sofolabo A. (2016). Saturation Modelling: Using the Waxman Smits Model/Equation In Saturation Determination In Dispersed Shaly Sands. Journal of Multidisciplinary Engineering Science and Technology, 3(6).

24. Perez H.H., Datta-Gupta A., Mishra S. (2005). The Role of Electrofacies, Lithofacies, and Hydraulic Flow Units in Permeability Prediction From Well Logs: A Comparative Analysis Using Classification Trees. SPE Reservoir Evaluation & Engineering, 8, pp. 143–155. https://doi.org/10.2118/84301-PA

25. Perry S.E., Hayes D. (2019). Presenting a multifaceted approach to unconventional rock typing and technical validation-case study in the Permian basin and impacts on reservoir characterization workflows. Petrophysics, 60, pp. 641–659. doi: 10.30632/pjv60n5-2019a8

26. Pirson S.J., Boatman E.M., Nettle R.L. (1963). Prediction of relative permeability characteristics of intergranular reservoir rocks from electrical resistivity measurements. SPWLA 4th Annual Logging Symposium. Society of Petrophysicists and Well-Log Analysts (SPWLA). https://doi:10.2118/749-pa

27. Pittman E.D. (1992). Relationship of porosity and permeability to various parameters derived from mercury injection-capillary pressure curves for sandstone. American Association of Petroleum Geologists Bulletin, 76, pp. 191–198. doi:10.1306/bdff87a4-1718-11d7-8645000102c1865d

28. Sarkar D., Bali R., Sharma T. (2018). Practical Machine Learning with Python: A Problem-Solver’s Guide to Building Real-World Intelligent Systems. https://doi.org/10.1007/978-1-4842-3207-1

29. Saxena, N., et al., (2019). Rock properties from micro-CT images: Digital rock transforms for resolution, pore volume, and field of view. Advances in Water Resources, 134, 103419. https://doi.org/10.1016/j.advwatres.2019.103419

30. Smits, L.J.M. (1968). SP Log Interpretation in Shaly Sands. Society of Petroleum Engineers Journal, 8, pp. 123–136. https://doi.org/10.2118/1863-B

31. Shvalyuk, E., Tchistiakov, A., Kalugin, A. (2021). The Application of Computed Tomography Scanning and Nuclear Magnetic Resonance for Rock Typing of Polymineral Clastic Reservoirs. SPE Reservoir Evaluation & Engineering, SPE-208603-PA. https://doi.org/10.2118/208603-PA

32. Teh W.J., Willhite G.P., Doveton J.H. (2012). Improved Reservoir Characterization using Petrophysical Classifiers within Electrofacies. In: All Days. Presented at the SPE Improved Oil Recovery Symposium, Tulsa, Oklahoma, USA, SPE-154341-MS. https://doi.org/10.2118/154341-MS

33. Tiab D., Donaldson E.C. (2016). Petrophysics (Fourth Edition). Elsevier Inc. https://doi.org/10.1016/C2014-0-03707-0

34. Vernik L. (2000). Permeability prediction in poorly consolidated siliciclastics based on porosity and clay volume logs. Log Analyst, 41, pp. 138–147.

35. Wang X., Wang J., Guan Let al., (2023). Intelligent Wireline Formation Tester Evaluation of Low-Permeability and Low-Resistivitycontrast Formation. Presented at the Offshore Technology Conference, D041S045R007. https://doi.org/10.4043/32269-MS

36. Waxman M.H., Smits L.J.M. (1968). Electrical Conductivities in OilBearing Shaly Sands. Society of Petroleum Engineers Journal, 8, pp. 107–122. https://doi.org/10.2118/1863-A