基于地化参数的页岩油储层孔隙度解释模型研究

针对陆相页岩储层核磁共振(NMR)测井和密度测井解释难以有效反馈干酪根内部孔隙度的问题,提出了一种基于地化参数的孔隙度测井解释方法。通过利用测井资料与岩心分析资料,确定有机质类型和成熟度来动态求取地化参数,进而得到页岩储层孔隙度解释模型,并用实测值验证模型准确性。结果表明:TOC为1.5%~3.5%,R0为0.90%~1.07%,研究区主要为低成熟、成熟阶段的Ⅱ_(1)型有机质,与岩心分析结果吻合;基于该模型的页岩油储层孔隙度为2.5%~6.5%,与该区域孔隙度的实测值(2.5%~5.5%)吻合度较好,两者平均相对误差为22.26%,小于30%,符合行业规定标准;该区核磁共振测井的φ_(NMR)为7.5%~15.0%,φ_(CBW)为8%~12%,两者与岩心实测值均不吻合,因此孔隙度解释模型比核磁共振测井计算值的精度高。该研究的模型对求取陆相页岩油储层的孔隙度具有一定的指导意义。

PCR和LM-BP神经网络在孔隙度预测中的应用

储层孔隙度是反映储层储集性能的重要参数。目前通常选取与岩心分析孔隙度相关性较高的测井数据与孔隙度建立多元线性回归模型预测储层的孔隙度。因忽略了相关性较低的测井数据可能会造成地层孔隙度部分信息漏失,并且由于变量间的多重共线性会导致采用测井数据进行多变量综合分析时的回归模型不稳定,增大预测误差。针对以上问题,综合选取反映地层声、电、放属性的测井数据,采用主成分回归(PCR)算法、Levenberg-Marquardt(LM)算法优化的BP神经网络以及多元线性回归的方法,分别对靶区Q4段的孔隙度进行预测,结果表明LM-BP神经网络、PCR及多元线性回归的相对误差分别为7.10%、10.63%、14.99%。