基于机器学习的低含油饱和度砂岩储层参数预测——以准噶尔盆地夏子街油田夏77井区下克拉玛依组为例

准噶尔盆地夏子街油田夏77井区块下克拉玛依组(简称克下组)特低孔特低渗油藏油水关系复杂、产量低、储层含水高,且具有低含油饱和度、孔渗相关性差、储层参数与测井响应关系不清晰、油水层识别困难等特征,常规储层参数评价及预测方法适用性差。通过对岩性、物性、含油性分析,明确了克下组储层岩性为砂砾岩、砂质砾岩,黏土矿物以伊蒙混层为主;储层为以原生粒间孔和残余粒间孔为主要储集空间的低孔隙度、特低渗透率储集层。通过建立含油饱和度解释模型,确定了本区油藏属于低饱和度油藏,含油饱和度一般为36%~55%。砂砾岩储层物性和含油性优于中细砂岩,储层物性控制含油性,呈现低饱和度特征,电性受含油性和岩性双重影响。通过低含油饱和度油藏形成机理研究,认为储层微观孔隙结构是形成低含油饱和度的主要原因。通过对敏感参数优选,基于自然伽马、电阻率和声波时差测井等资料,引入基于机器学习的BP神经网络技术,对夏子街油田夏77井区块克下组油藏进行了孔隙度、渗透率和含水饱和度的计算及预测,储层参数预测精度均高于80%,相关结论及方法可为低含油饱和度致密砂岩储层的物性参数预测提供依据和参考。