致密砂岩储层孔隙度定量预测&mdash;&mdash;&mdash;以鄂尔多斯盆地姬塬地区长8油层组为例

郝乐伟; 王琪; 唐俊

doi:10.3969/j.issn.1673-8926.2013.05.012

岩性油气藏 >

2013 , Vol. 25 >Issue 5: 70 - 75

DOI: https://doi.org/10.3969/j.issn.1673-8926.2013.05.012

油气地质

致密砂岩储层孔隙度定量预测———以鄂尔多斯盆地姬塬地区长8油层组为例

郝乐伟 ,
王琪 ,
唐俊

展开

1．中国石油大学（北京）地球科学学院，北京102249； 2．中国科学院油气资源研究重点实验室，甘肃兰州730000； 3.中国科学院大学，北京100049

刘畅（1989-），男，中国石油大学在读硕士研究生，研究方向为沉积岩石学、储层地质学、层序地层学及测井地质学。地址：（102249）北京市昌平区中国石油大学地球科学学院。E-mail：921715317@qq.com

网络出版日期: 2013-09-26

基金资助

中国科学院“西部之光”联合学者项目“鄂尔多斯盆地延长组长8 储层特征及其控制因素研究”（编号：Y133WQ1-WQ）资助

收起

Quantitative prediction of porosity of tight sandstone reservoir: A case study from Chang 8 oil reservoir set in Jiyuan area, Ordos Basin

HAO Lewei ,
WANG Qi ,
TANG Jun

Expand

1. College of Geosciences， China University of Petroleum， Beijing 102249， China； 2. Key Laboratory of Petroleum Resources Research， Institute of Geology and Geophysics， Chinese Academy of Sciences， Lanzhou 730000， China；3. University of Chinese Academy of Sciences， Beijing 100049， China

Online published: 2013-09-26

Fold

摘要

鄂尔多斯盆地姬塬地区长8 油层组为典型的低孔、低渗致密砂岩储层。由于其孔隙结构复杂、非均质性强，应用传统的孔隙度计算方法误差较大，结合姬塬地区长8 油层组的具体地质特征，运用广义回归神经网络模型对致密砂岩储层孔隙度进行了预测。结果表明，利用该方法预测的孔隙度与利用岩心分析的孔隙度符合率较高。该方法对于未取心井区致密砂岩储层孔隙度的研究具有很好的应用前景。

关键词： 油气储层; 孔隙结构; 三维孔隙结构模型; 分形理论

本文引用格式

郝乐伟 , 王琪 , 唐俊 . 致密砂岩储层孔隙度定量预测———以鄂尔多斯盆地姬塬地区长8油层组为例[J]. 岩性油气藏, 2013 , 25(5) : 70 -75 . DOI: 10.3969/j.issn.1673-8926.2013.05.012

Abstract

The Chang 8 oil reservoir set in Jiyuan area is typical tight sandstone reservoir with lowporosity and permeability. Due to the complex pore structure and strong reservoir heterogeneity, it is circumscribed to calculate the porosity by the traditional way. Combined with the geological characteristics ofChang 8 oil reservoir set in Jiyuan area, generalized regression neural network was applied to predict the porosity of tight sandstone reservoir. The result shows that the porosity predicted by the generalized regression neural network method is consistent with the porosity by well core analysis. Therefore, this method is of very good application value on porosity prediction of tight sandstone reservoir in the non-cored area.

Key words： oil and gas reservoir; pore structure; three-dimensional pore structure model; fractal theory

参考文献

［1］张荣虎，姚根顺，寿建峰. 沉积、成岩、构造一体化孔隙度预测模型［J］. 石油勘探与开发，2011，38（2）：145-151.
［2］刘云，贺振华，汪瑞良，等.基于地震相分析的孔隙度预测［J］.物探化探计算技术，2010，32（4）：359-364.
［3］毛志强，张冲，肖亮.一种基于核磁共振测井计算低孔低渗气层孔隙度的新方法［J］.石油地球物理勘探，2010，45（1）：105-109.
［4］董建刚，范晓敏.致密砂岩孔隙度计算方法［J］.吉林大学学报：地球科学版，2006，36（增刊）：193-196.
［5］王洪辉，黎鹏，段新国.四川盆地须家河组低孔致密砂岩孔隙度测井解释研究［J］.成都理工大学学报：自然科学版，2009，36（3）：249-252.
［6］潘高峰，刘震，赵舒，等.砂岩孔隙度演化定量模拟方法———以鄂尔多斯盆地镇泾地区延长组为例［J］.石油学报，2011，32（2）：249-256.
［7］代平，孙良田，李闽.低渗透砂岩储层孔隙度、渗透率与有效应力关系研究［J］.天然气工业，2006，26（5）：93-95.
［8］罗利.低孔砂岩孔隙度计算方法及裂缝识别技术［J］.测井技术，1999，23（1）：33-37.
［9］杜奉屏.油矿地球物理测井［M］.北京：地质出版社，1984：81-97.
［10］史建南，郑荣才，韩永林，等.鄂尔多斯盆地姬塬地区长8 油层组岩性油藏成藏机理研究［J］.岩性油气藏，2009，21（3）：129-133.
［11］赵小强，万友利，易超，等.鄂尔多斯盆地姬塬油田长8 油层组沉积相研究［J］.岩性油气藏，2011，23（4）：94-99.
［12］田亚铭，施泽进，李庭艳，等.姬塬地区长8 油层组碳酸盐胶结物特征及成因［J］.西安石油大学学报：自然科学版，2011，26（3）：26-31.
［13］王琪，郝乐伟，陈国俊，等.白云凹陷珠海组砂岩中碳酸盐胶结物的形成机理［J］.石油学报，2010，31（4）：553-565.
［14］黄思静，谢连文，张萌，等.中国三叠系陆相砂岩中自生绿泥石的形成机制及其与储层孔隙保护的关系［J］.成都理工大学学报：自然科学版，2004，31（3）：273-281.
［15］贺艳祥，黄思静，胡作维，等.鄂尔多斯盆地姬塬地区上三叠统延长组长8 油层组成岩作用研究［J］.岩性油气藏，2010，22（2）：42-47.
［16］李虎，蒲春生，吴飞鹏.基于广义回归神经网络的CO2驱最小混相压力预测［J］.岩性油气藏，2012，24（1）：108-111.
［17］兰海涛，李谦，韩春雨.基于广义回归神经网络的边坡稳定性评价［J］.岩土力学，2009，30（11）：3460-3463.
［18］沈掌泉，周斌，孔繁胜，等.应用广义回归神经网络进行土壤空间变异研究［J］.土壤学报，2004，41（3）：471-475.
［19］范付松，胡新丽，李长冬，等.基于广义回归神经网络的砂土液化综合判别方法［J］.煤田地质与勘探，2012，40（4）：47-51.
［20］赵闯，刘凯，李电生.基于广义回归神经网络的货运量预测［J］.铁道学报，2004，26（1）：12-15.
［21］唐为清，郭荣坤，王忠东，等.沉积微相测井资料神经网络判别方法研究［J］.沉积学报，2001，19（4）：581-585.
［22］雍世和，张超谟.测井数据处理与综合解释［M］.东营：中国石油大学出版社，2007：459-468.
［23］张福明，李洪奇，邵才瑞，等.应用神经网络模式识别技术进行测井沉积学研究［J］.石油勘探与开发，2003，30（3）：121-123.

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

参考文献