[0001] 本发明涉及致密砂岩储层技术领域，特别涉及一种致密砂岩储层不同岩石物理相特征参数的确定及测井物性参数的计算方法、系统。

[0002] 川西须家河致密砂岩储层是常规天然气增储上产的主要阵地，资源量占四川盆地常规气的85％，探明储量占比为70％，也是西南分公司增储上产的主要阵地，目前已发现川西须二、大邑须三等大中型气藏。川西须家河致密砂岩储层具有低孔超低渗、储层非均质性强、孔隙结构复杂、断裂及裂缝造成气水电性特征相似等特征，开发阶段的储层评价是依赖于测井阶段的孔隙、物性等一系列参数，一旦测井阶段的测井数据出现偏差，则会导致后续开发效益降低，可能会造成极大的经济损失。由于目前定向井及水平井的井筒条件原因，导致测井资料录取严重缺失，面临储层测井物性参数精度较低，给该类储层测井精细评价带来极大挑战。因此，对于致密砂岩储层测井精细方法研究和评价，是效益气藏开发的基础和关键。

[0003] 针对致密砂岩储层，提高测井物性参数精度评价仍处于攻坚阶段，测井物性参数如孔隙度、渗透率、含水饱和度，储层测井物性参数精度较低在一定程度上制约了测井精细评价，进而导致储层纵横向展布认识不清，评价致密储层可开采的商业下限也不能明确，开发技术政策合理实施的步骤也放缓。例如中国专利申请号为202110741404.6公开了一种基于聚类分析测井岩石物理相双甜点识别方法，该方法包括工程甜点识别方法和储层品质甜点识别方法，在储层品质甜点识别方面，本发明根据孔隙度测井解释模型与含油饱和度计算结果进行自动聚类分析，将储层品质分类，得到储层品质甜点。最后，结合工程甜点和储层品质甜点分级分类评价结果，给出目标储层双甜点分类分级结果。该方法对于非常规油气储层公开了一种针对已经初开发的区域，但仅适用于非常规油气，将其应用到致密砂岩储层就存在适应性较差的问题。

[0004] 目前针对致密砂岩储层测井物性参数评价主要是采用纯粹的数学拟合的方法，基于岩心孔隙度、渗透率饱和度与常规测井曲线的关系，通过敏感参数分析建立测井物性参数模型，其中建立测井物性参数主要采用多元回归法、神经网络法、最优化模型法、多矿物模型等方法，上述方法各有不足，多元回归方法利用常规测井曲线与岩心的相关系建立储层参数模型预测模型，但该方法严重依赖于岩心分析实验数据，针对已取芯层位应用效果较好，但推广到其他未取芯层位精度误差较大；神经网络法要选取关键参数确定预测测井物性参数的神经网络结构，通过不断的网络学习训练过程确定连接权值，最终确定储层参数预测模型，预测模型误差其他方法稍小，但当孔隙度＞7％时参数精度误差略大；最优化模型将测井响应数据体根据地层体积模型联立方程组，采用最小二乘法求解方程组最优解，最终计算出孔隙度，该方法受GR、AC变化较为敏感，当井况质量不太理想时，存在部分偏差；多矿物模型是目前相对理论上精度较高的模型，但是该模型理论基于矿物体积理论，利用MATLAB的最优化函数方程组求解，得到各矿物体积的百分含量，根据计算的矿物含量采用综合骨架体积模型，计算储层孔隙度体积，该方法严重依赖于矿物体积含量的准确。

[0005] 从上述建立测井物性参数的方法可以看到，现有针对孔隙度等测井物性参数的计算方法都是将测井曲线作为参数集并采用不同的数学方法建立了统一的测井物性参数计算模型，上述的方法忽略了测井曲线所包含的地质、物理意义，其中最大的问题是均未充分考虑砂组内部或者小层内部的成岩作用造成的矿物含量的差异和多尺度裂缝等，也就是未考虑从而造成了计算误差，因此传统的测井物性参数计算模型对于有多个砂组单元的致密砂岩储层而言存在一定的局限性和不合理性，忽略砂组内部差异性。同时对于研究区的定向尤其是油基泥浆的水平井，在测井阶段会欠缺重要测井资料(无法测量中子、密度、阵列感应电阻限幅)，导致无法开展测井的岩性识别和矿物含量的准确计算，从而导致测井物性参数计算误差较大。

[0060] 为了更加清楚的描述本发明的具体实施案例中的发明目的、技术方案和技术效果优势所在，下面将结合本发明的说明书附图对具体实施例中的方案做详细说明。以下具体实施例所涉及的具体技术方案仅仅是为了对本发明的创新技术方案进行清楚、完整地描述，其本身仅仅是本发明可以采用的具体实施方案中的一部分，不是全部的实施例，不应理解为对于本发明创新方案的限制。任何采用本发明相同发明构思的方案都应当纳入本发明的保护范围当中。

[0061] 其次，本发明具体实施例中涉及附图的相关描述，仅仅是为了便于技术人员理解本发明方案，附图中部分细节展示是为了方便清楚呈现技术方案，不应当认为附图中的全部技术特征都必须纳入具体实施案例当中，更不可以将附图中的细节特征认定成对于本发明创新技术方案的额外限定。附图中描述和展现的各个实施例中的组件，可以按照不同的配置来组合排列，这些组合排列的变化都应当认定成本发明创新方案的全部实施例中的一部分，并纳入本发明要保护的范围内。

[0062] 综上，本发明具体实施例和附图中呈现的方案或描述，并非旨在限制要求保护的范围，而是仅仅表示帮助技术人员理解相关创新方案的选定实施例/案例。基于这些实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他等同或平行实施例，都属于本发明所要求保护的范围。

[0063] 实施例1

[0064] 本实施例提供了一种致密砂岩储层不同岩石物理相特征参数的确定方法，包括以下步骤：

[0065] 对研究区开展取芯井段岩芯样品矿物含量的岩心标定；并划分岩芯样品的岩石物理相类型；

[0066] 通过将岩芯样品的不同岩石物理相分别与储层的岩性、物性、电性及含流体性进行交会分析，得到不同岩石物理相与储层的岩性、物性、电性、含流体性的关系参数及其分布范围，并筛选出评价不同岩石物理相的储层关系参数，将储层关系参数作为不同岩石物理相的测井特征参数，根据所筛选的储层关系参数的分布范围，确定测井特征参数的取值范围。

[0067] 根据研究区岩石薄片分析资料统计岩石类型包括岩屑砂岩、岩屑长石砂岩、长石岩屑砂岩、岩屑石英砂岩等。对不同岩石类型的油气井进行取芯，采集目标层岩芯样品进行地质薄片鉴定和测试，得到岩石基本参数；岩石基本参数包括岩石矿物组分及其含量，地质研究资料表明，分析的矿物石英、长石、钙质、岩屑是研究的重点；通过岩芯样品的矿物含量进行岩心标定，通过X射线衍射仪分析矿物成分、含量等可以判断岩性，如图1所示，岩心标定结果表明：单井纵向上各砂组的粒度反映与平面上反映的砂组粒度规律一致。岩石粒度与常规测井电性关系为：GR值越低，中粗粒含量越高；GR值越高，中细粒含量越高。

[0068] 通过岩心标定明确4种主要矿物含量的测井响应特征，基于不同矿物含量的测井响应特征，基于成岩作用、沉积作用及优质储层主控因素划分不同的岩石物理相。按照岩石物理相对储层物性的建设与破坏作用对其进行划分，归纳出了五大类岩石物理相：富长石相、富石英相、富岩屑相、富钙质相和富裂缝相，如图1所示。

[0069] 进一步地，用岩心标定测井，分别利用测井资料确定可靠的岩性特征包括岩石矿物含量、孔隙度、流体特征及其参数。本实施例的岩石物理相被划分为富长石相、富石英相、富岩屑相、富钙质相和富裂缝相之中的任一类型。通过岩心标定得到岩芯样品的岩性、物性、电性及含流体性，通过将岩石物理相分别与储层的岩性、物性、电性及含流体性的交会分析，包括：以岩石物理相为横坐标，以储层的岩性、物性、电性及含流体性之中任一特征为纵坐标，并在坐标系中，标注出散点。

[0070] 筛选出用于评价不同岩石物理相的储层关系参数的方式包括：通过交会分析，若至少一条曲线的散点集中区域能够被区分开来，则将该坐标系中包含的两条测井曲线参数选择为储层关系参数。

[0071] 确定储层关系参数的取值范围的方式：划定储层关系参数的散点集中区域边界，将边界所确定的参数取值范围作为测井特征参数的取值范围。

[0072] 具体的交汇分析如下：

[0073] (1)不同岩石物理相与储层岩性关系的交会分析

[0074] 如图2所示，以不同岩石物理相为横坐标，以不同矿物含量为纵坐标作图，经图分析，得到：

[0075] 富长石相：长石含量15％以上，粒度一般中、粗粒为主，以长石砂岩、长石岩屑砂岩为主，孔隙以粒间溶孔、粒内溶孔为主，发育少量粒缘微缝，宏观上裂缝欠发育。

[0076] 富石英相：高石英，石英含量大于80％，低钙质，低岩屑，水动力条件较强，淘洗较好：砂体中部均发育优质储层，微裂缝发育。

[0077] 富岩屑相：以岩屑砂岩为主，岩屑含量一般在25％以上，粒度以中细粒为主。

[0078] 富钙质相：钙质含量大于6％，主要发育在富岩屑砂岩中，该类岩相主要发育TX22砂3
组下部和TX2砂组。

[0079] 富裂缝相：一般发育在石英砂岩中岩屑含量较高，或岩屑砂岩中高石英中。

[0080] (2)不同岩石物理相与储层物性关系的交会分析

[0081] 如图3所示，以不同岩石物理相为横坐标，以岩心孔隙度为纵坐标作图，并具体分析了川西须二上、中亚亚段中长石含量、岩屑含量、钙质含量、石英含量与物性的关系，分别如图4‑7所示，经图分析，得到：

[0082] 富长石相主要发育孔隙类型为粒内溶孔，其次是粒间溶孔，川西须二上、中亚亚段中，中亚段的长石含量最高，其次是下亚段，上亚段的长石最少，随着长石含量的增加孔隙度也在增加。

[0083] 富岩屑相：岩屑砂岩是川西须二的主要的岩性，川西须二上、中、下亚段中，上亚段的岩屑含量最高，其次是中亚段，下亚段的岩屑含量最少，总体岩屑含量与孔隙度呈无明显正相关，POR(孔隙度)<5岩屑含量与孔隙度成正比，POR>5的优质储层中岩屑含量是降低的。

[0084] 富石英相：川西须二上、中、下亚段中，上、中亚段的石英含量相对较高，下亚段的石英含量相对较低，总体石英含量与孔隙度呈正相关。

[0085] 富钙质相：川西须二上、中、下亚段中，上、中亚段的钙质含量相对较高，下亚段的钙质含量相对较低，总体钙质含量与孔隙度呈反相关，POR<3％的钙质含量平均在7.1‑9.5％，3％5.7％，POR>5％时钙质含量平均在4‑4.2％，说明当钙质含量与孔隙度成反相关，但当钙质含量达到一个极值时对孔隙度基本无影响，初步确定在5.8％左右。

[0086] 富裂缝相：裂缝的发育程度基本与物性无明显的相关性。

[0087] (3)不同岩石物理相与储层电性关系的交会分析

[0088] 对富长石相、富石英相、富钙质相、富裂缝相对应的测井曲线进行分析，分别如图8‑11所示，经图分析，得到：

[0089] 富长石相测井响应特征：相对中高GR，GR值较富石英相高，相对较高AC，中子降低，相对低电阻，密度降低。物性相对较好，一般测井解释I、II储层为主，渗透率离散度较大，侧面反映均质性较强。

[0090] 富石英相测井响应特征：低GR，GR值较其他岩石物理相低，AC相对较高，密度明显降低，受裂缝影响，声波偶尔跳尖，中子降低，相对低电阻。物性一般测井解释II储层为主，渗透率离散度中等。

[0091] 富岩屑相测井响应特征：GR较富石英相低，电阻较富石英相高，声波中等。

[0092] 富钙质相测井响应特征：中等GR，相对高电阻，受钙质含量影响，AC降低，密度偏高，成像测井表明钙质含量高的成像静态图像呈亮色；该类岩石物理相的岩心物性一般在3％左右，一般测井解释III储层为主，统计元素录井钙质含量在6％左右对孔隙度影响较大，储层偏差。

[0093] 富裂缝相测井响应特征：一般岩心较破碎，能观察到宏观裂缝。电性：电阻率整体偏低，砂体最低为15ohm.m，小幅度负差异，声波和电阻整体齿化严重，成像测井整体呈暗色条带状，泥浆漏失地方呈黑色，低阻段气测明显增大；低电阻处均有井漏，密度降低。该类岩石物理相的物性受控于裂缝的发育程度，裂缝发育，以I、II储层为主，裂缝发育程度一般，储层物性一般在3％左右，该类岩石物理相与孔隙搭配，是研究区的优势物理相。

[0094] (4)不同岩石物理相与储层含气性关系的交会分析

[0095] 富长石相：富长石相主要分布在中下亚段，含气性较差，以干层、含水为主。

[0096] 富石英相：富石英一般在上亚段，含气性较好，是研究区优势物理相。

[0097] 富岩屑相：富岩屑一般在中上亚段，含气性较富石英相差，是研究区次一级优势物理相。

[0098] 富钙质相：整体含气性较差，钙质含量高，孔隙被胶接，以干层和含气层为主。

[0099] 富裂缝相：整体含气性较好，以气层为主，在中下亚段会部分含水风险。

[0100] 通过上述的交会分析，得到不同岩石物理相的测井特征参数及其分布范围见表1‑4，用于储层测井评价标准，表2中，GR为自然伽马，AC为声波，CNL为中子，RD为深侧向电阻率。

[0101] 表1不同岩石物理相的岩性关系交会分析

[0102]

[0103] 表2不同岩石物理相的物性关系交会分析

[0104]

[0105] 表3不同岩石物理相的电性关系交会分析

[0106]

[0107] 表4不同岩石物理相的含气性关系交会分析

[0108]

[0109] 实施例2

[0110] 本实施例提供了一种致密砂岩储层测井物性参数的计算方法，如图12所示，包括以下步骤：

[0111] 采用所述的致密砂岩储层不同岩石物理相特征参数的确定方法得到不同岩石物理相特征参数及其取值范围；

[0112] 根据特征参数及其取值范围采用敏感性分析确定识别不同岩石物理相的测井敏感曲线；

[0113] 收集研究区的测井曲线资料，根据不同岩石物理相的测井敏感曲线，采用聚类分析对研究区内所有井进行岩石物理相类型的识别；

[0114] 根据聚类结果得到不同岩石物理相的测井曲线资料，结合研究区的岩心实验资料，采用多元线性回归建立不同岩石物理相的测井物性参数计算模型，所述测井物性参数计算模型为测井物性参数与测井曲线之间的函数关系，利用所述测井物性参数计算模型计算得到不同岩石物理相储层的测井物性参数。

[0115] 采用实施例1的致密砂岩储层不同岩石物理相特征参数的确定方法得到不同岩石物理相特征参数及其取值范围如表1‑4所示，因为采集数据时，由于不同井采用不同的井径，得到的特征参数的取值范围为相对取值范围，进行敏感性分析是进一步确定识别岩石物理相的具体参数，对于计算的测井物性参数，确定用于识别岩石物理相的敏感曲线为测井曲线中的曲线，根据特征参数的及其取值范围采用敏感性分析确定识别不同岩石物理相的测井敏感曲线的方法包含以下步骤：

[0116] 获取特征参数的测井曲线资料；

[0117] 对测井曲线进行均值化处理，得到均值化处理后的测井曲线样本数据；

[0118] 采用敏感性分析方法确定各均值化处理后的测井曲线对预测不同岩石物理相的贡献度；

[0119] 根据贡献度大小选择累积贡献度超过90％的测井曲线作为测井敏感曲线；

[0120] 根据特征参数及其取值范围，结合岩心分析实验资料，建立机器学习的样本集，本实施例对研究区的测井曲线GR、RD、AC、DEN、CNL进行机器学习，由此得到表4为机器学习中相关系系数矩阵，表5为机器学习中贡献度。

[0121] 表4机器学习中相关系系数矩阵

[0122] 测井曲线 AC CNL DEN GR RDAC 1 0.638 ‑0.285 0.309 ‑0.487
CNL 0.638 1 ‑0.042 0.73 ‑0.256
DEN ‑0.285 ‑0.042 1 0.129 ‑0.041
GR 0.309 0.73 0.129 1 ‑0.136
RD ‑0.487 ‑0.256 ‑0.041 ‑0.136 1

[0123] 表5机器学习中特征值及贡献度

[0124]

[0125] 经过上述的学习，得到自然伽马和电阻分布的范围及变化幅度差异较大，再通过主成分分析确定GR、RD、AC、CNL作为识别不同岩石物理相的测井敏感曲线。

[0126] 对研究区内所有井进行岩石物理相的聚类划分，目前主要的聚类分析方法有2种:系统聚类法和K‑均值聚类法。由于K‑均值聚类法具有高执行效率、可自行确定聚类数的优点，因此本实施例采用K‑均值聚类法进行聚类分析，在上述实施例1中，岩石物理相类型包括富长石相、富石英相、富岩屑相、富钙质相和富裂缝相，可以初步确定聚类数为5，但研究区的测井曲线资料可能会有其他的相，例如高电阻可能富钙质相，也可能是煤岩，低电阻可能是富长石相，也可能是碳屑。因此在聚类之前先不设定聚类数，在得到聚类结果后再进行人工干预，将富长石相、富石英相、富岩屑相、富钙质相和富裂缝相以外的聚类剔除。

[0127] 对岩石物理相的聚类数进行优选，具体过程如下：由于各样本点到聚类中心的总距离减小的快慢在一定程度上可以反映出聚类数的合理性。因此，该次研究采用K‑均值聚类法对研究区的测井曲线资料进行聚类分析时，分别使聚类数K＝3、4、5、…、10，然后分别计算不同聚类数下，各样本点到聚类中心的总距离，可得到不同聚类数下样本点到聚类中心总距离的变化情况。随着聚类数的增加，样本点到聚类中心总距离的变化率逐渐降低，当聚类数为5时，其变化率接近于1。因此，确定最优岩石物理相的聚类数为6。然后利用聚类算法计算各待分类样本点到各个类别聚类中心的距离，最终将待分类样本点划归至欧氏距离最小的聚类中心对应的类别，见图13。待所有待分类样本点全部识别出对应的岩石物理相后，输出聚类结果。经过聚类分析后，岩石物理相划分类别已经识别出，见图14，图中红色表示富石英相，灰色表示泥岩，蓝色表示富钙质相，紫红色表示富岩屑相，浅黄色表示富长石相，黑色表示富裂缝相。

[0128] 在经过聚类分析后，得到不同岩石物理相的测井曲线资料，同时收集研究区的岩心实验资料，得到岩心的测井物性参数，结合不同岩石物理相的测井曲线资料和岩心测井物性参数结果采用多元非线性回归建立不同岩石物理相的测井物性参数计算模型，测井物性参数包括孔隙度、渗透率、含水饱和度等，在回归过程中，要求拟合的测井物性参数计算模型计算的测井物性参数与对应的岩心测井物性参数误差在8％以内。本实施例以孔隙度为例，建立不同岩石物理相的孔隙度计算模型，如下：

[0129] 对于富石英相，聚类分析后，基于300块富石英相岩心物性分析资料，在曲线标准化基础上，采用多元线性回归方程拟合求取孔隙度，针对不同测井系列建立了富石英相的孔隙度计算模型。

[0130] 综合测井指的是能够对储层四性都有反应的测井系列，以得到综合测井曲线，针对综合测井曲线，选取与孔隙度相关性较好的GR、AC、CNL、RD、RS曲线，采用多元非线性回归，建立富石英相的孔隙度计算模型如下：

[0131] POR＝7.4461‑0.0323*GRn+0.0172*AC+0.0419*CNL+1.1077*Ln(RD)‑2.3925*Ln(RS)

[0132] 其中POR为孔隙度，GR为自然伽马曲线(API)，GRn为标准化自然伽马曲线(API)，AC为声波曲线(us/ft)，CNL为中子曲线(％)，RD为深侧向电阻率曲线(Ω·m)，RS为浅侧向电阻率曲线(Ω·m)。得到的孔隙度如图15所示。

[0133] 针对标准测井，利用AC曲线，建立富石英相的孔隙度计算模型如下：

[0134] POR＝0.1066*AC‑17.02

[0135] 富石英相的岩心平均孔隙度为3.83％，采用本发明得到的富石英相的孔隙度计算模型计算平均孔隙度为4.1％，孔隙度误差为7％，满足储量计算要求。

[0136] 对于富长石相，基于新场中亚段TX24、TX25、TX26的富长石相的岩心物性分析资料，在标准化GR曲线基础上，采用多元非线性回归拟合求取孔隙度，考虑到富长石溶孔发育，将反映次生孔隙较明显的电阻率、声波、中子等曲线纳入回归，回归效果较好，建立的富长石相的孔隙度计算模型如下：

[0137] POR＝9.32453668‑0.00383396*RD‑0.02002582*AC+24.47136079*CNL‑0.06418859*GRn

[0138] 基于新场中亚段TX24、TX25、TX26的富长石相的岩心平均孔隙度5.7％，采用本发明得到的富长石相的孔隙度计算模型计算得到平均孔隙度为5.94％，采用现有技术中不区分岩石物理相的孔隙度计算模型计算孔隙度为4.88％，由此可见采用本发明将孔隙度误差由14.4％降低至4.2％，孔隙度精度提高10.2％。

[0139] 对于富岩屑相，基于新场上亚段TX22、TX23的富岩屑相的岩心物性分析资料，在标准化GR曲线基础上，采用多元非线性回归拟合求取孔隙度，将反映次生孔隙较明显的电阻率、声波、中子等曲线纳入回归，回归效果较好，建立的富岩屑相的孔隙度计算模型如下[0140] POR＝‑12.50239407‑1.33847055*Log(RD)+0.22241109*AC‑32.44541851*CNL+0.00411257*GR+2.47756125*DEN

[0141] 富岩屑相的岩心平均孔隙度为3.55％，采用本发明得到的富岩屑相的孔隙度计算模型计算得到平均孔隙度为3.27％，采用现有技术中不区分岩石物理相的孔隙度计算模型计算孔隙度为3.1％，由此可见采用本发明将孔隙度误差由12.6％降低至7.8％，孔隙度精2 3
度提高4.8％。对于富钙质相，基于研究区TX2 、TX2 高电阻井段岩心物性分析资料，在GR曲线标准化基础上，采用多元非线性回归拟合求取孔隙度，考虑到钙质胶接与电阻率特征明显，将双侧向电阻率纳入回归，回归效果较好，建立富钙质相的孔隙度计算模型如下：

[0142] POR＝2.8829355‑0.00250084*RD+0.0376631*AC‑0.02175556*GRn[0143] 基于TX22、TX23的富钙质相的岩心平均孔隙度2.4％，采用本发明得到的富钙质相的孔隙度计算模型计算得到平均孔隙度为2.6％，采用现有技术中不区分岩石物理相的孔隙度计算模型计算孔隙度为3.18％，由此可见采用本发明将孔隙度误差由32.5％降低至8.3％，孔隙度精度提高24.2％。

[0144] 针对标准测井，富长石相、富岩屑相、富钙质相的孔隙度计算模型采用多元非线性回归得到。其中针对标准测井，这里未进行展示。

[0145] 对于富裂缝相，裂缝孔隙度作为裂缝有效性评价的重要指标之一，其能否准确计算直接关系到裂缝有效性的评价质量，裂缝孔隙度与深浅电阻率存在密切关系，可以通过深浅电阻率测井重构储层特征曲线，常规测井的裂缝识别技术和裂缝孔隙度计算的方法提出，克服了前期研究受井身质量的影响，公式如下：

[0146] 当RLLD>RLLS时

[0147]

[0148] 当RLLD≤RLLS时

[0149]

[0150] 其中RLLD为深侧向电阻率(Ω·m)；RLLS为浅侧向电阻率(Ω·m)；Rmf为地层条件下泥浆滤液电阻率(Ω·m)；Rw为地层条件下水的电阻率(Ω·m)；m为裂缝孔隙指数，一般取1.3；Φf为裂缝孔隙度指数。

[0151] 为了表明采用聚类分析得到的岩石物理相的准确性，图15展示了GM2井聚类分析结果，最右列为采用不同岩石物理相的测井物性参数计算模型计算的孔隙度，其中红色为岩心孔隙度可以看到采用才发明得到的孔隙度与实验分析的岩心孔隙度很吻合，充分说明该方法计算测井物性参数的准确性和可靠性。

[0152] 实施例3

[0153] 本实施例提供了用于实现实施例2一种致密砂岩储层测井物性参数的计算方法的系统，系统包括：

[0154] 参数确定模块，用于确定不同岩石物理相特征参数及其取值范围；

[0155] 敏感曲线确定模块，用于特征参数及其取值范围采用敏感性分析确定识别不同岩石物理相的敏感曲线；

[0156] 数据获取模块，用于收集研究区的测井曲线资料；

[0157] 识别模块，用于根据不同岩石物理相的测井敏感曲线，采用聚类分析对研究区内所有井进行岩石物理相类型的识别；

[0158] 模型建立模块，用于根据聚类结果得到不同岩石物理相的测井曲线资料，结合研究区的岩心实验资料，采用多元线性回归建立不同岩石物理相的测井物性参数计算模型；

[0159] 计算模块，用于利用所述测井物性参数计算模型计算得到不同岩石物理相储层的测井物性参数。

[0160] 其中，参数确定模块是用于实现实施例1一种致密砂岩储层不同岩石物理相特征参数的确定方法参数确定模块包括第一数据处理模块和第二数据处理模块，所述第一数据处理模块用于对研究区开展取芯井段岩芯样品矿物含量的岩心标定；并划分岩芯样品的岩石物理相类型；所述第二数据处理模块用于通过将岩芯样品的不同岩石物理相与岩分别与储层的岩性、物性、电性及含流体性进行交会分析，得到不同岩石物理相与储层的岩性、物性、电性、含流体性的关系参数及其分布范围，并筛选出评价不同岩石物理相的储层关系参数，将储层关系参数作为不同岩石物理相的测井特征参数，根据所筛选的储层关系参数的分布范围，确定测井特征参数的取值范围。

[0161] 上述实施例阐明的系统或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块的组合实现等。

[0162] 本实施例还提供一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，以及与所述至少一个处理器通讯连接的至少一个输入输出接口；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种致密砂岩储层测井物性参数的计算方法。所述输入输出接口可以包括显示器、键盘、鼠标，以及USB接口，用于输入输出数据。

[0163] 本实施例还提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述一种致密砂岩储层测井物性参数的计算方法。

[0164] 计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。

[0165] 对于本领域技术人员而言，在理解本发明具体实施例描述的方案时，可以参考本领域常规技术手册，同时对于出现上述术语的地方，可以参考性的作出适当的理解或调整，在不付出创造性劳动的情况下，推导得出相同或相似的技术方案实现情况。

[0166] 以上实施例描述的仅仅是本发明的基本原理、主要特征和/或优点，本领域技术人员应该了解，本发明不限于上述实施例，上述实施例和说明书发明内容部分描述的只是本发明的原理或具体案例，在不脱离本发明创新思想实质的情况下，本发明创新方案还有各种变化和改进，这些变化和改进都落入本发明要求保护的范围内。