Уравнение арчи дахнова область применимости

Уравнение Арчи

Удельное сопротивление породы, заполненного углеводородом и связанной водой, является функцией количества и распределения воды и углеводородов в ней, а также удельного сопротивления воды. Самое популярное уравнение, широко признанное всеми, — уравнение Арчи. Данное уравнение представляет собой результат 2-х эмпирических зависимостей исследованных Арчи (исследователя, работавшего в компании Shell Oil).

Первая зависимость – связь между пористостью водонасыщенного образца и его сопротивлением.

В лабораторных условиях, Арчи измерил сопротивление множества образцов, имевших широкий спектр значений пористости и сопротивлений связанной воды. Заключение его работы, представленного в виде данных наложенных на график зависимости Rw от Ro, указывает на следующее:

1. Любое увеличение Rw ведет к соответствующему увеличению Ro для данной пористости.

2. При постоянном значении Rw, пористость уменьшается с увеличением Ro

3. При любом значении пористости, отношение Ro к Rw является постоянной величиной, несмотря на значение Rw.

Отношение удельного сопротивления породы Ro к удельному сопротивлению пластовой воды Rw называется параметром пористости F, которая также является функцией пористости. Следовательно,

Ro = FRw или F = Ro/Rw

F = a/ф m ,

а – коэффициент извилистости каналов, обычно принимаемый за 1 (в некоторых эмпирических уравнениях используются другие значения);

m – величина характеризующая степень цементации (приблизительно 1,8 — 2 для песчаников)

Вторая зависимость определяет, насколько сопротивление водонасыщенной породы изменяется при вытеснении нефтью, как нефти, так и воды. Нефтенасыщенность (обычно выраженная в виде коэффициента водонасыщенности) определяется следующим уравнением:

Rt/Ro = Sw –n

Sw n = (aRw)/ф m Rt,

· Rw— сопротивление пластовой воды;

· Rt— сопротивление пласта;

· F — параметр пористости;

· N — постоянная насыщенности; по данным лабораторного исследования на керне равна приблизительно 2.

Уравнение арчи дахнова область применимости

Название работы: Определение насыщенности по формуле Арчи-Дахнова

Предметная область: Физика

Описание: По методам сопротивлений пористость находится из зависимости между коэффициентом пористости и параметром пористости РП уравнение АрчиДахнова. определяется по уравнению АрчиДахнова: а также по зависимостям для данного мя уравнение АрчиДахнова:.

Дата добавления: 2015-04-12

Размер файла: 38.89 KB

Работу скачали: 45 чел.

Определение насыщенности по формуле Арчи-Дахнова.

По методам сопротивлений пористость находится из зависимости между коэффициентом пористости и параметром пористости Р П (уравнение Арчи-Дахнова). Параметр пористости есть коэффициент пропорциональности между сопротивлением водонасыщенной породы ρ ВП и сопротивлением ρ В воды, ее насыщающей:

В общем случае К нг определяется по формуле: Кнг=1-Кв.

Где коэф. водон. определяется по уравнению Арчи-Дахнова: , а также по зависимостям для данного м-я

Особенности вероятностной петрофизической оценки пластов с использованием подходов концепции связанности порового пространства

PROНЕФТЬ. Профессионально о нефти. – 2021 — № 3 (21). – С.12-23

Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»), РФ, Санкт-Петербург

Введение. Представлена технология проведения вероятностной петрофизической оценки параметров с использованием попластовой интерпретации данных ГИС, что позволяет наряду с вертикальным процессингом, использовать горизонтальный.

Цель. Адаптация технологии вероятностной оценки параметров при проведении попластовой интерпретации данных ГИС с использованием подходов концепции связанности порового пространства, которые позволяют снизить вариативность оценок продуктивных толщин коллекторов по сравнению с традиционными подходами подсчетов геологических запасов с использованием фиксированных граничных значений коэффициента пористости.

Материалы и методы. Рассмотрены основные особенности моделирования неопределенностей входных параметров и способы их представления в виде различных распределений с описанием обобщенного алгоритма проведения вероятностной оценки геологических запасов. В качестве входных параметров при выполнении алгоритма привлекаются распределения площади залежи, плотности нефти и пересчетного коэффициента, базовый вариант результатов попластовой интерпретации данных ГИС в виде непрерывной по глубине таблицы с отсчетами показаний с кривых методов ГИС в однородных по литологии интервалах. Кроме того, на вход алгоритма подаются распределения, отражающие варьирования неопределенностей геофизических параметров, констант петрофизических моделей, граничных отсечек для выделения коллекторов и оценки их характера насыщенности.

Результаты. В качестве примера использования подхода приводится способ вероятностной оценки для условной залежи пласта БВ8 одного из месторождений в Западной Сибири. По результатам проведенной оценки был выполнен анализ чувствительности получаемых результатов относительно входных параметров.

Заключение. Разработан алгоритм вероятностной петрофизической оценки, учитывающий использование петрофизического моделирования в рамках концепции связанности порового пространства и попластовый режим интерпретации данных геофизических исследований скважин. Показано, что дополнительная петротипизация, позволяющая уточнить параметр связанности порового пространства, снижает погрешность результирующих оценок, что может уменьшить риск принятия неэффективных решений.

Ключевые слова: концепция связанности порового пространства, структурный фактор, протекаемый кластер, вероятностная петрофизика, вертикальный и горизонтальный процессинг, «торнадо-плот»

SPECIFIC FEATURES OF THE PROBABILITY PETROPHYSICAL ESTIMATION OF ROCK FORMATIONS USING THE APPROACHES OF THE CONCEPT OF POROUS SPACE CONNECTEDNESS

Еvgeniy О. Belyakov

Gazpromneft STC LLC, RF, Saint Petersburg

Background. The technology of probability petrophysical estimation of parameters using layer-bylayer interpretation of well logging data is present in this paper. Specifi c features of the technology is to using both the vertical and horizontal processing.

Aim. The aim of the technology is the possibility of its adaptation when interpreting well logging data using the approaches of the concept of pore space connectedness, which reduce the variability of estimates of productive thicknesses of reservoirs in comparison with traditional approaches to calculating geological reserves using fi xed cutoff porosity coeffi cient.

Materials and methods. The paper discusses the main features of modeling the uncertainties of the input parameters and ways of representing them in the form of various distributions with a description of a generalized algorithm for the probabilistic assessment of geological reserves. The distributions of the reservoir area, oil density and conversion factor, the basic version of the results of the reservoir logging data interpretation in the form of a table continuous in depth with readings from the logging methods curves in intervals homogeneous in lithology are use as input parameters when executing the algorithm. In addition, distributions refl ecting variations in the uncertainties of geophysical parameters, constants of petrophysical models, boundary cutoff s for identifying reservoirs and assessing their saturation nature are used to the input of the algorithm.

Results. An algorithm for probabilistic petrophysical assessment has been developed taking into account the use of petrophysical modeling within the framework of the concept of pore space connectivity and the layer-by-layer mode of interpretation of well logging data. It is shown that additional petrotyping, which makes it possible to clarify the parameter of pore space connectivity, reduces the error of the resulting estimates, which can reduce the risk of making ineff ective decisions.

Conclusions. It is show that additional petrotyping, which makes it possible to clarify the parameter of pore space connectedness, reduces the error of the resulting estimates, which can reduce the risk of making ineff ective decisions.

Keywords: concept of porous space connectedness, structural factor, fl owing cluster, probabilistic petrophysics,
vertical and horizontal processing, tornado plot

ВВЕДЕНИЕ

Основным инструментом вероятностных оценок является статистическое (случайное) моделирование возможных вариантов сочетания входных параметров, обусловленное неопределенностью их оценки. При этом под неопределенностью понимается разброс значений величины в заданном интервале. В качестве входных параметров используют зарегистрированные значения геофизических параметров, а также параметры петрофизических моделей и граничные значения петрофизических величин на основе которых проводится интерпретация результатов геофизических исследований скважин (ГИС). Кроме того, в качестве входной информации может использоваться отклонение результатов оценок петрофизического параметра по данным ГИС относительно его определений по результатам исследований керна в одних и тех же интервалах глубин по скважине.

Для всех геофизических приборов в технических спецификациях указывается погрешность их измерений, т.е. отклонение от опорного значения величины, которое выражается в возможном положительном и отрицательном отклонении измеряемого параметра от опорного значения. Такая трактовка связана с возможностью бесконечного числа повторения измерений одной и той же величины на эталоне. Очевидно, что при регистрации каротажных диаграмм терминологически более правильно использовать понятие неопределенности, поскольку речь идет об единичном измерении. Вместе с тем в практике зачастую используют погрешность регистрации прибора для обоснования неопределенности оценки геофизического параметра, хотя методически это не совсем корректно, т.к. при этом не учитываются дополнительные случайные факторы, связанные с отличием проведения исследований в стандартных лабораторных и фактических скважинных условиях.

Итоговые результаты вероятностной оценки представляют собой распределение результирующих оценок, ранжированных по степени вероятности сценариев их реализации. Это может быть дифференциальное или интегральное распределение возможных реализаций для геологических, линейных или извлекаемых запасов, а также различных профилей добычи, соответствующих этим запасам. Важной частью таких оценок является анализ чувствительности результатов к изменению того или иного параметра, а необходимость прогноза неопределенностей оценок запасов тесно связана с понятием риска. В общем случае риск связывают с опасностью потерь (Rose P.J., 1987) и учитывают при принятии инвестиционных решений в первую очередь на этапе геологоразведки.

ОБЩИЕ ПОНЯТИЯ О НЕОПРЕДЕЛЕННОСТИ ОЦЕНКИ ГЕОЛОГИЧЕСКИХ ЗАПАСОВ УГЛЕВОДОРОДОВ

Основным способом оценки геологических запасов углеводородов является объемный метод, который реализуется в следующей последовательности [2]:

• определение объема пород-коллекторов, содержащих углеводороды;
• определение средней пористости пород-коллекторов;
• определение средней нефтегазонасыщенности пород-коллекторов;
• приведение объема углеводородов к стандартным условиям.

Начальные геологические запасы нефти подсчитываются по следующей формуле [2]:

где Q_н0 — начальные геологические запасы нефти, тыс. т; F — площадь залежи, тыс. м 2; h_эф.н — эффективная нефтенасыщенная толщина, м; К_п — коэффициент открытой пористости, д. ед; К_н — коэффициент нефтенасыщенности, д. ед; Θ — пересчетный коэффициент, учитывающий усадку нефти, д. ед; σ_н — плотность нефти в поверхностных условиях, т/м 3. Линейные запасы нефти в j-й скважине обычно выражаются как:

где q_H.j — линейные запасы нефти, т/м 2; h_эф.H.j — эффективная нефтенасыщенная толщина, вскрытая j-й скважиной, м; К_п.j — средневзвешенный по эффективной толщине коэффициент открытой пористости, д. ед; К_н.j — средневзвешенный по объему порового пространства и эффективной нефтенасыщенной толщине коэффициент нефтенасыщенности, д. ед.

Таким образом, общая неопределенность в геологических запасах обусловлена частными неопределенностями в оценке всех ключевых параметров, входящих в формулы (1) и (2). В случае использования выражения qн = hэф.н·Кп·Кн, оценка линейных запасов будет выражена в метрах и для пластовых условий. Поскольку линейные запасы нефти qн оцениваются по результатам геофизических исследований скважин, вероятность их достоверной оценки обусловлена главным образом петрофизической неопределенностью. Неопределенность количественно можно выразить в виде интервала, получаемого в результате анализа статистических распределений величин, используемых при подсчете геологических запасов нефти и газа. Для получения вероятностной оценки необходимо провести множество расчетов на основании принятых алгоритмов, используя все допустимые сочетания значений входных параметров. В результате получают распределение возможных вариантов геологических запасов.

Общепринято, что при прогнозировании параметров ловушек используют 80 %-й доверительный интервал. Такой интервал заключен между верхней (P10 = 10 %) и нижней (Р90 = 90 %) границами изменения того или иного параметра. Ожидаемый результат связывают с серединой интервала (Р50 = 50 %). По умолчанию считается, что P10 соответствует оптимистической, а Р90 — пессимистической оценке. Входящими параметрами являются функции распределения для всех определяющих параметров. Моделирование проводится с помощью методов Монте-Карло путем случайной генерации входных значений в соответствии с заданными функциями распределений. Распределение реализаций будет характеризовать возможные варианты запасов. Исходя из квантилей P10, Р50, Р90 для полученного распределения оцениваются соответствующие варианты.

ОБОСНОВАНИЕ СТАТИСТИЧЕСКИХ РАСПРЕДЕЛЕНИЙ ИСХОДНЫХ НЕОПРЕДЕЛЕННОСТЕЙ

Считается, что для петрофизических параметров характерны три типа распределения: нормальное (или разновидность нормального — логнормальное), равномерное, треугольное. В качестве исходных определяющих параметров как правило используются кривые геофизических методов (входные параметры), коэффициенты пористости и глинистости, переменные и константы соответствующих петрофизических моделей, а также граничные отсечки (главным образом те, которые используются для выделения коллектора в разрезе).

Параметры распределений подбираются исходя из следующих соображений:

Равномерное распределение — рекомендуется использовать для различных констант в расчетных алгоритмах, в случае если нельзя отдать предпочтение какому-то одному диапазону. Например, в наличии есть выборка минерализаций пластовой воды из нескольких различных скважин, которые расположены равномерно по площади залежи. Отбор проб произведен в соответствии с методическими и техническими требованиями, все пробы признаны кондиционными. Относительно небольшое количество результатов не обеспечивает статистической достоверности для получения распределения, по которому можно однозначно оценить его тип.

Нормальное (логнормальное) распределение рекомендуется использовать, если в наличии уже есть какой-то приоритетный численно оцененный параметр, которому необходимо задать статистическую неопределенность. По своей сути нормальное распределение предполагает, что варианты «тяготеют» к некоторой средней величине, при этом значения, которые существенно отличаются от среднего, имеют малую вероятность существования.

ИСПОЛЬЗОВАНИЕ КОМБИНАЦИИ ВЕРТИКАЛЬНОГО И ГОРИЗОНТАЛЬНОГО ПРОЦЕССИНГА ПРИ ПОПЛАСТОВОЙ ИНТЕРПРЕТАЦИИ ГИС ПОЗВОЛЯЕТ ПОЛУЧИТЬ ИНФОРМАЦИЮ О ГРАНИЦАХ МЕЖДУ ЛИТОЛОГИЧЕСКИ ОДНОРОДНЫМИ ПО ГИС ПРОСЛОЯМИ.

Треугольное (несимметричное треугольное) распределение можно использовать аналогично нормальному (логнормальному) распределению. Данный тип распределения характеризуется несколько большей шириной доверительного интервала по сравнению с нормальным видом и рекомендуется к использованию в случае низкой информационной обеспеченности параметра или если фактическое распределение параметра достаточно уверенно не описывается нормальным (логнормальным) законом и известны только его крайние значения.

Тип неопределенности выбирается по форме числового выражения погрешности измерения. Существует две формы числового выражения: абсолютная и относительная. В абсолютной форме погрешность выражается в тех же единицах измерения, что и сама определяемая величина. В относительной форме погрешность выражается, как правило, в процентах.

Дисперсия и стандартное (среднеквадратичное) отклонение позволяет оценить, насколько значения из множества могут отличаться от среднего значения. Стандартное отклонение σ и дисперсия D(Х) связаны соотношением D(Х) = σ2. Дисперсию или стандартное отклонение можно задавать только для нормального (логнормального) вида распределения.

Лимиты ограничивают распределение данных по определенным значениям. Нижний (lower limit) и верхний (upper limit) пределы — это максимальный и минимальный диапазон между точными значениями (исходной точкой данных) и его пределами. Необходимость установления пределов заключается в использовании физичных диапазонов изменения того или иного параметра, за пределы которых не будут выходить случайно сгенерированные варианты.

Погрешности измерений приборов ГИС указаны в технической документации производителей. Погрешность измерения — это отклонение измеренного значения величины от её истинного (действительного) значения. В соответствии с методическими указаниями [3] в качестве характеристик случайной составляющей погрешности измерений используется величина среднеквадратичного отклонения σ и (при необходимости) нормализованная автокорреляционная функция случайной составляющей погрешности измерений или характеристики этой функции.

Неопределенности параметров петрофизических моделей в случае статистической представительности их оценок по данным керна моделируется нормальное распределение путем подбора стандартного отклонения таким образом, чтобы получаемое распределение совпадало с распределением петрофизических констант, полученных по керну.

Неопределенности определения коэффициентов открытой пористости К_п задаются в виде нормального распределения отклонений пористости по ГИС от пористости по керну. Данный подход рекомендуется использовать, если коэффициент пористости оценивался по комплексу методов, показания которых невозможно или проблематично привести к стандартной форме с использованием соответствующего аппаратурно-методического обеспечения для учета скважинных условий регистрации данных и литологических особенностей разреза.

Неопределенности оценки пересчетного коэффициента K_s, определяющего пропорциональность между высотой интервала над «зеркалом чистой воды (ЗЧВ)» и капиллярным давлением Pk на границе воздуха и воды в лабораторных условиях [5], рекомендуется задавать в виде равномерного распределения на основании анализа результатов сопоставлений оценок коэффициентов водонасыщенности по модели переходной зоны с результатами, полученными по электрической модели или результатами оценки сохраненной водонасыщенности Кв по керну, отобранному в скважинах по изолированной технологии.

Неопределенность оценки удельного электрического сопротивления воды рекомендуется задавать в виде равномерного распределения на основании анализа кондиционных проб пластовой воды и закономерностей изменения температуры с глубиной для конкретных залежей.

ВЕРОЯТНОСТНАЯ ОЦЕНКА ПАРАМЕТРОВ МЕТОДОМ МОНТЕ-КАРЛО

После выбора функций распределения для всех определяющих параметров, методом Монте-Карло итерационно генерируются их различные варианты в соответствии с заданным видом распределения. После этого для каждой итерации с помощью типовых алгоритмов рассчитываются выходные параметры.

Моделирование петрофизической неопределенности подразумевает априорно заданную последовательность в переборе входных геофизических параметров и параметров петрофизических моделей. Поскольку геофизические кривые представляют собой числовые величины, привязанные к определенной глубине, можно выделить горизонтальный и вертикальный процессинги. Выбор типа процессинга связан с особенностями проведения интерпретации ГИС. В настоящее время используются два подхода: поточечная и попластовая интерпретация.

В случае поточечной интерпретации кривых ГИС горизонтальный процессинг подразумевает следующие положения:

• перебор случайных реализаций для всех определяющих параметров для каждой заданной точки глубины;
• моделирование только случайной неопределенности;
• отсутствие вертикальных связей между соседними по глубине сгенерированными параметрами и, соответственно, между результатами.

Для вертикального процессинга характерно:

• моделирование для каждого определяющего параметра систематического смещения точек, одинакового для всего диапазона изменения глубины;
• одинаковые реализации, используемые на всех глубинах, обеспечивают вертикальную взаимосвязанность результатов.

Традиционно при поточечной интерпретации ГИС используется вертикальный процессинг. В случае проведения попластовой интерпретации ГИС можно рекомендовать использовать комбинацию вертикального и горизонтального процессинга. В таком случае появляется дополнительная геологическая составляющая в виде границ между литологически однородными по ГИС прослоями, поэтому горизонтальный процессинг применяется не к кванту геофизической кривой, а ко всему прослою, что не нарушает вертикальной связанности между квантами геофизической кривой в интервале прослоя и, следовательно, геологических закономерностей.

Выбор количества реализаций при использовании метода Монте-Карло является важным условием, влияющим на окончательный результат при оценке неопределенности петрофизических параметров. Стабильность результатов достигается в том случае, когда количество реализаций достаточно велико, чтобы распределение результатов повторялось при последующих запусках процесса. В практике для обеспечения устойчивости получаемых распределений обычно рекомендуется выполнение 1000 и более итераций.

АНАЛИЗ ЧУВСТВИТЕЛЬНОСТИ РЕЗУЛЬТАТОВ

Важной частью оценки петрофизической неопределенности является понимание того, какие входные параметры оказывают наибольшее влияние на изменение результата. Анализ чувствительности проводится по следующему принципу: каждый входной параметр изменяется от своего максимума и минимума, в то время как все остальные входные параметры сохраняют значение «базового случая». Результаты анализа чувствительности графически обычно отображаются в виде «торнадо-плота». Поскольку в данном случае реализуется вариант нескольких сценариев, такие графики можно использовать для сравнения тех или иных методических подходов между собой. Например, на рис. 3 в виде «торнадо-плотов» отражены два способа проведения многовариантной петрофизической оценки, с учетом предварительной петротипизации разреза и без нее.

ОБЩИЙ АЛГОРИТМ МНОГОВАРИАНТНОЙ ОЦЕНКИ ГЕОЛОГИЧЕСКИХ ЗАПАСОВ НЕФТИ С ПРИВЛЕЧЕНИЕМ ПЕТРОФИЗИЧЕСКИХ МОДЕЛЕЙ КСПП

Рассмотрим алгоритм проведения многовариантной оценки геологических запасов с использованием петрофизических моделей концепции связанности порового пространства (КСПП). Оценка проводится по скважинам отдельной залежи (или всего месторождения) раздельно для каждого стратиграфического интервала (подсчетного объекта). В качестве входных параметров используются: распределение результатов оценки площади залежи F или его статистические характеристики; распределения результатов определения плотности нефти σн и пересчетного коэффициента Θ или их статистические характеристики; результаты попластовой интерпретации данных ГИС в виде непрерывной по глубине таблицы с отсчетами показаний с кривых методов ГИС в однородных по литологии интервалах.

Реализация сценариев осуществляется по каждой скважине с учетом следующих критериев: наличие/отсутствие выраженных прямых признаков проникновения фильтрата бурового раствора в пласт; наличие/отсутствие керновых определений; наличие/отсутствие кондиционных испытаний в скважине; наличие/отсутствие записи методов пористости (гамма-гамма плотностной метод (ГГК-п), акустический каротаж (АК), нейтрон-нейтронный метод по тепловым нейтронам (ННК-Т), метод ядерного магнитного резонанса (ЯМР)) и глинистости (метод потенциалов собственной поляризации (ПС), гамма-метод (ГК)), показания которых стандартизированы с учетом типа прибора и геолого-технологических условий проведения исследований; наличие/отсутствие предварительной петротипизации разреза.

Пример алгоритма вероятностной оценки гео логических запасов нефти показан на рис. 1. Процедура выполнения алгоритма зависит от набора входных данных в каждой скважине. В общем случае входными данными для расчета являются:

• геофизические параметры, представленные в попластовом виде непрерывно по всему целевому интервалу подсчетного объекта: удельное электрическое сопротивление (УЭС) по данным многозондовых установок индукционного и бокового методов или по результатам комплексной интерпретации данных бокового каротажного зондирования (БКЗ) и типовых однозондовых приборов индукционного (ИК) и бокового (БК) методов, объемная плотность пород δп по ГГК-п, водородосодержание W (нейтронная пористость) по ННК-Т или нейтронному гамма-методу (НГК), интервальное время пробега продольной волны DT по АК; естественная радиоактивность горных пород Jγ по ГК, относительная амплитуда αпс по ПС; результаты обработки спектров ЯМР (общая пористость Кп, эффективная пористость Кпэф, остаточная водонасыщенность Кво);
• стандартные (среднеквадратичные) отклонения (СКО), полученные на основе справочных абсолютных погрешностей измерений соответствующих приборов;
• интервалы коллекторов, выделенные по прямым признакам или по результатам испытаний и опробований пластов;
• диапазон предполагаемого изменения минерализаций Св по исследованиям кондиционным проб пластовой воды, пересчитанный в удельное электрическое сопротивление пластовой воды УЭСв при пластовой температуре;
• СКО аппроксимирующего нормального распределения статистической выборки расчета отклонений ΔКп коэффициента пористости Кп по ГИС от среднего коэффициента пористости по керну Кп.керн в интервале каждого прослоя (при невозможности стандартизации показаний методов пористости с учетом аппаратурных поправок и геолого-технических условий проведения ГИС, обычно характерной для скважин «старого фонда»);
• СКО аппроксимирующего нормального распределения отклонений DS параметра связанности по ГИС SГИС от среднего значения параметра связанности по керну Sкерн в интервале каждого прослоя (в случае, если методика предусматривает прогноз S по данным ГИС);
• СКО аппроксимирующего нормального распределения параметра связанности Sкерн, рассчитанному по керну (если в методике параметр связанности задается в виде константы для всего разреза S = const);
• СКО аппроксимирующих нормальных распределений параметра связанности Sкерн, рассчитанного по керну для каждого петрофациального типа (если в методике параметр связанности задается в виде константы для конкретного петрофациального типа S1 = const1, S2 = const2, S3 = const3…);
• вероятность встречи того или иного петрофациального типа в разрезе каждой скважины Рпф;
• СКО аппроксимирующего нормального распределения отклонений ΔКно коэффициента остаточной нефтенасыщенности по ГИС КноГИС от среднего значения коэффициента остаточной нефтенасыщенности по керну Кно керн в интервале каждого прослоя (в случае если методика предусматривает прогноз Кно по данным ГИС);
• СКО аппроксимирующего нормального распределения коэффициента остаточной нефтенасыщенности по керну Кно керн (если в методике коэффициент остаточной нефтенасыщенности задается в виде константы Кно = const);
• СКО аппроксимирующих нормальных распределений показателей m и n по керну в модели Арчи — Дахнова;
• диапазоны возможных изменений положения уровня НЗЧВ и пересчетного коэффициента Ks;
• распределение площади залежи F, а также распределения плотности нефти σн в наземных условиях и пересчетного коэффициента Θ.

Особенностью алгоритма является то, что в случае наличия/отсутствия прямых признаков проникновения фильтрата бурового раствора в пласт по данным ГИС или испытаний прослоев с получением притока нефти, такие интервалы фиксируются как коллектор или неколлектор в базовом виде для всех реализаций. В остальных случаях выделение продуктивных коллекторов проводится для различных сценариев с учетом критериев: Кп > Кп.гр и (1 – Кв) > Кно, где Кп.гр рассчитывается по формуле Кп.гр = b2S + b4 с учетом па-раметра связанности порового пространства S [4], а величина Кв определяется с помощью общеизвестной модели Арчи — Дахнова или на основании модели переходной зоны. Базовая величина параметра S может быть принята индивидуально для каждого прослоя скважины с учетом наличия информации о петротипах (петрофаций) или методов ГИС, позволяющих осуществить непосредственный прогноз параметра S, а также данных керна. В случае отсутствия такой информации базовый параметр связанности порового пространства S принимается постоянной величиной для всех прослоев. При наличии петротипизации параметр S принимается константой индивидуально для каждого петротипа.

РЕАЛИЗАЦИЯ МНОГОВАРИАНТНОЙ ПЕТРОФИЗИЧЕСКОЙ ОЦЕНКИ НА ПРИМЕРЕ ПОДСЧЕТНОГО ОБЪЕКТА ОДНОГО ИЗ МЕСТОРОЖДЕНИЙ ЗАПАДНОЙ СИБИРИ

В качестве примера многовариантной оценки с учетом алгоритмов КСПП рассмотрим пример оценки геологических запасов пласта БВ8 одного из месторождений Западной Сибири. Для этого пласта характерно наличие двух петрофациальных типов. На основании анализа данных керна установлено, что для первого петротипа средний параметр связанности порового пространства составил S = 1,5, а для второго — S = 4 (рис. 2). Стандартное отклонение параметра S по данным керна для первого и второго петротипа принято 0,8.

В соответствии с величиной S изменяется граничное значение коэффициента пористости Кп.гр. Величина Кно оценивалась как Кно = 1 – Кв**, где Кв** = 46·Кво 0,11. При этом определяющая величина коэффициента остаточной водонасыщенности Кво рассчитывалась исходя из значения Кп и структурного коэффициента S по методике, изложенной в работе [4]. Таким образом, параметр S наряду с величиной Кп является определяющей характеристикой при выделении как эффективных, так и продуктивных толщин, и снижение диапазона неопределенности его оценок приводит к соответствующему уменьшению неопределенности оценок продуктивных толщин. Коэффициенты пористости Кп рассчитывались с помощью типовых подходов, обычно используемых при интерпретации данных ГИС: по методу ГГК-п; по комплексу методов НКТ + ГК и по комплексу методов АК + ГК (ПС). Коэффициенты нефтенасыщенности определялись по методике Арчи — Дахнова. Для каждого входного параметра оценивалось его базовое значение и диапазон возможных изменений. Для параметров, распределенных по нормальному закону, оценивались стандартные отклонения ранее описанными способами.

Пример представления входных параметров и диапазонов неопределенности их распределений показан в табл. 1. На рис. 3 (а) показан «торнадо-плот» с изменением чувствительности входных параметров для вышеописанного примера. На рис. 3 (б) приведен вариант для случая отсутствия предварительной петротипизации с использованием обобщенной величины параметра связанности S = 3 для всех прослоев рассматриваемых отложений. Как видно из этих сопоставлений, вклад параметра S в общий результат сопоставим с другими определяющими параметрами. В случае наличия петротипизации чувствительность результатов к варьированию параметра S закономерно снижается. Величина геологических запасов при этом существенно не изменяется.

ЗАКЛЮЧЕНИЕ

Представленный алгоритм позволяет проводить вероятностную оценку геологических запасов без привлечения специализированного программного обеспечения. При этом исходные данные представляются в виде попластовых отсчетов показаний методов ГИС или в виде оценок пористости Кп и удельного электрического сопротивления по всем прослоям целевых интервалов подсчетного объекта в скважинах месторождения (залежи). Реализация алгоритма возможна с привлечением стандартных программных продуктов, в которых предусмотрены процедуры статистического анализа и генерации случайных значений, например, для относительно небольших месторождений возможно использование ПО Excel

Особенности использования подходов КСПП при проведении вероятностной оценки выражаются в том, что наличие методик уточнения параметра связанности S непосредственно по результатам проведения ГИС или с учетом петрофациальной типизации разреза, снижает неопределенность диапазона его варьирования, что уменьшает интервалы неопределенности и других характеристик, которые оцениваются с учетом данного параметра. В первую очередь это продуктивные толщины коллекторов. При этом очевидно, что снижение неопределенностей в оценках коллекторских свойств пластов по площади месторождения уменьшает риск принятия неэффективных решений как на этапе моделирования, так и при последующей разработки подсчетных объектов месторождений нефти и газа.

Список литературы

1. Латышова М.Г., Дьяконова Т.Ф., Цирульников В.П. Достоверность геофизической и геологической информации при подсчете запасов нефти и газа. — М.: Недра, 1986. — 120 с.
2. Методические рекомендации по подсчету геологических запасов нефти и газа объемным методом. Под редакцией В.И. Петерсилье, В.И. Пороскуна, Г.Г. Яценко. М. — Тверь: ВНИГНИ — НПЦ «Тверьгеофизика». 2003. — 258 с.
3. Методические указания. Государственная система обеспечения единства измерений. Результаты и характеристики погрешности измерений. Формы представления. Способы использования при испытаниях образцов продукции и контроле их параметров МИ 1317-86. ВНИИМС. — М.: Издательство стандартов,1986. — 30 с.
4. Беляков Е.О. Базовые закономерности концепции связанности порового пространства для петрофизического моделирования фильтрационно-емкостных свойств нефтенасыщенных терригенных пород // PROнефть. Профессионально о нефти. — 2020. — № 2 (16). — С. 25–30.
5. Беляков Е.О. Практические аспекты моделирования переходных нефтеводонасыщенных зон в терригенных коллекторах Западной Сибири по данным анализа керна и геофизических исследований скважин // PROНефть. Профессионально о нефти. — 2018. — № 1 (7). — С. 38–43.

References

1. Latyshova M.G., Dyakonova T.F., Tsirulnikov V.P. Reliability of geophysical and geological information when calculating oil and gas reserves. Moscow, Nedra, 1986. 120 p. (In Russ.)
2. Guidelines for calculating geological reserves of oil and gas by volumetric method. Edited by V.I. Petersilye, V.I. Poroskun, G.G. Yatsenko. Moscow — Tver: VNIGNI, SPC Tvergeofi zika, 2003. 258 p. (In Russ.)
3. Methodical instructions. State system for ensuring the uniformity of measurements. Results and characteristics of the measurement error. Forms of presentation. Methods of using when testing product samples and controlling their parameters MI 1317–1386. VNIIMS, Moscow, Standards Publishing House, 1986. 30 p. (In Russ.)
4. Belyakov E.O. Basic laws of the concept of porous space connectedness for petrophysical modeling of the reservoir properties of oil-saturated terrigenous rocks. PROneft. Professionally about oil, 2020, no. 2 (16), pp. 25–30. (In Russ.)
5. Belyakov E.O. Practical aspects of modeling transition oil-water-saturated zones in terrigenous reservoirs of Western Siberia according to core analysis and geophysical studies of wells. PROneft. Professionally about oil, 2018, no. 1 (7), pp. 38–43. (In Russ.)

Научно-Технический Центр «Газпром нефти» (ООО «Газпромнефть НТЦ»), РФ, Санкт-Петербург