如何用智能系统改进储层描述—实例研究：哥伦比亚TOLDADO油田

作者：R.Soto,B,王晓慧

摘要：本文提出了一项新的储层模拟技术，以改进储描述。该技术综合了多变量统计分析、神经网络和模糊逻辑理论，以得到更好的岩石物理模型。方法的第一步是预处理数据，针对这一步，我们用具95％置信度椭圆的Q－Q曲线进行质量控制。然后用主分量、因子分析和模糊逻辑理论根据岩心和测井资料识别占优势的及最佳的独立变量数目。再用神经网络来模拟目标变量。并用剩余曲线、平均绝对误差和相关系数来检验模型的有效性。最后，用水力井间连通性指数（HICI）来表征和估算储层连通性。为了计算HICI，我们综合了神经网络岩石物理模型、地质统计理论、生产动态和油藏工程。研究中，我们应用所提出的技术来模拟哥伦比亚Toldado油田高度非均质的白垩系Caballos组的渗透率。首先，评价D.K.Davies所建立的该油田的渗透率模型。该方法是基于岩石类型的识别（具特殊孔隙几何形态的岩层段）。我们认为这是一种提高渗透率预测的好方法。但是，Davies得到的是每种岩石类型的传统模型（岩心渗透率与岩心孔隙度的对数关系）。来自岩心分析的渗透率值只代表一立方英寸的岩石，而不能反映储层中的渗透率分布。也有许多作者发现渗透率不只是孔隙度的函数。据测井数据推导的渗透率代表了采样井段数立方英尺岩石的平均值。我们发现，Davies所建立的Toldado油田渗透率模型中平均绝结误差为78％，且剩余曲线具连续相关性。这就意味着这种情况下的渗透率不仅仅是孔隙度的函数。在综合Davies法和智能系统的情况下，显著提高了据岩心和测井数据所作的渗透率预测。应用主分量和因子分析理论，我们发现，预测Toldado油田渗透率的主要自变量是孔隙度、地层的有效光电吸收截面指数（PEF）和伽马射线测井值。智能系统的渗透率预测似乎是最

关键词：智能系统储层描述哥伦比亚TOLDADO油田

分类号： TE321[石油与天然气工程—油气田开发工程]