一种储层空间渗透率预测方法、装置、电子设备及介质

一种储层空间渗透率预测方法、装置、电子设备及介质实质审查发明

技术领域

[0001] 本发明实施例涉及储层勘探技术领域，尤其涉及一种储层空间渗透率预测方法、装置、电子设备及介质。

具体实施方式

[0042] 下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

[0043] 在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

[0044] 其中，本申请技术方案中对数据的获取、存储、使用以及处理等均符合国家法律法规的相关规定。

[0045] 实施例一

[0046] 图1是本发明实施例中提供的一种储层空间渗透率预测方法的流程图，本实施例可适用于低渗‑特低渗背景下储层空间进行渗透率预测的情况，本实施例的方法可以由储层空间渗透率预测装置来执行，该装置可以采用硬件和/或软件的方式来实现。该装置可以配置于储层空间渗透率预测的服务器中。该方法具体包括如下步骤：

[0047] S110、依据岩心压汞实验曲线确定压汞样本的第一流动单元指数以及孔隙结构类型，并依据所述第一流动单元指数确定不同类型孔隙结构对应的流动单元指数范围。

[0048] 其中，岩心压汞实验是一种用于研究岩石孔隙结构的重要实验方法，尤其适用于低渗透性岩石的研究，能够帮助科研人员了解岩石的孔隙大小、分布情况以及岩石的启动压力等关键参数，进而评估储层的渗滤性能和产能潜力。

[0049] 孔隙结构可以是指岩石所具有的孔隙和喉道的几何形状、大小、分布、相互连通情况，以及孔隙与喉道间的配置关系等。孔隙结构可以反映储层中各类孔隙与孔隙之间连通喉道的组合，是孔隙与喉道发育的总貌。

[0050] 流动单元指数(Flow Zone Indicator，FZI)是一种用于描述储层岩石中具有相似流体流动特性的区域的参数，被广泛用于定量识别和划分流动单元。

[0051] 本发明实施例中基于岩心压汞实验曲线确定不同压汞样本的第一流动单元指数，并依据所述第一流动单元指数将孔隙结构进行分类；将不同孔隙结构的第一流动单元指数进行对应，确定不同类型孔隙结构对应的流动单元指数范围；其中，不同类型孔隙结构的储层代表不同的流动单元。

[0052] S120、依据目标岩心样本的渗透率及孔隙度确定目标岩心样本的第二流动单元指数，并依据所述第二流动单元指数确定所述目标岩心样本对应的目标孔隙结构类型。

[0053] 其中，所述目标岩心样本未进行压汞实验。确定目标岩心样本的渗透率以及孔隙度，通过渗透率以及孔隙度确定目标岩心样本的第二流动单元指数。将所述第二流动单元指数与第一流动单元指数进行对应，以确定所述目标岩心样本对应的目标孔隙结构类型。本发明实施例中依据渗透率以及孔隙度确定目标岩心样本的第二流动单元指数，所述目标岩心样本可以是指在低渗‑特低渗储层中获取的；将所述第二流动单元指数与第一流动单元指数对应，以确定所述目标岩心样本对应的目标孔隙结构类型。

[0054] 可以理解的是，第一流动单元指数可以是一种代指，是为了区分实施例中前后出现执行对应逻辑的不同流动单元指数，从流动单元指数中选取的任意流动单元指数，以便从选取的流动单元指数阐述执行逻辑，因此将在本文中首次出现的流动单元指数称为第一流动单元指数，将后续出现的区别于第一流动单元指数的其他流动单元指数称为第二流动单元指数，后面不再赘述。

[0055] S130、确定不同类型孔隙结构对应的渗透率与孔隙度间的第一对应关系，并依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型。

[0056] 其中，渗透率是表征岩石允许流体通过的能力的参数，是储油(气)岩的物性基础，对油气运移、渗流力学等有着重要的影响。渗透率的数值大小可以表示岩石渗透性的好坏。

[0057] 其中，所述岩心样本包括目标岩心样本以及进行岩心压汞实验的压汞样本。本发明实施例依据目标岩心样本渗透率与孔隙度的关系以及压汞样本渗透率与孔隙度的关系，构建岩心样本的渗透率与孔隙度间的第一对应关系。因为低渗‑特低渗储层孔隙度与渗透率相关性差，将不同流动单元的岩心压汞实验分析的孔隙度与渗透率交会，得到不同流动单元的渗透率计算模型，即得到不同类型孔隙结构的渗透率计算模型。

[0058] S140、确定第二流动单元指数与测井曲线在纵向上的第二对应关系，依据所述第二对应关系确定未取心样本的第三流动单元指数。

[0059] 其中，测井曲线是在石油地质勘探中，通过测井技术测量并绘制出的地层岩石物理性质变化曲线，所述测井曲线反映了地下岩层和流体的各种物理特性，能间接反映低渗‑特低渗储层的孔隙结构。所述测井曲线包括但不限于自然伽马测井曲线、中子测井曲线、密度测井曲线、声波时差测井曲线以及电阻率测井曲线。

[0060] 本发明实施例中在确定目标岩心样本的第二流动单元指数以及目标孔隙结构类型后，根据机器学习算法(K‑Nearest Neighbor，KNN)构建所有岩心分析化验样品流动单元指数FZI和对应深度点测井曲线之间的关系，进而得到非取心样本的第三流动单元指数。

[0061] S150、构建第三流动单元指数与井旁地震参数间的第三对应关系，依据所述第三对应关系反推井旁未采样储层的第四流动单元指数并构建三维空间流动单元指数预测模型。

[0062] 其中，地震参数可以是指根据地震资料分析对地震震源特征的定量表述，包括地震基本参数、地震机制解及震源动力学参数。所述地震参数包括但不限于密度、纵横波速度、频率、纵波阻抗、泊松比、横波阻抗以及纵横波速度比。所述井旁地震参数可以是指目标井与邻井间储层的地震参数，所述目标井在本发明实施例中可以是指目标岩心样本取样的井。

[0063] 本发明实施例中依据井旁地震参数确定对应的第三流动单元指数，并构建第三流动单元指数与井旁地震参数间的第三对应关系，依据所述第三对应关系反推其他储层上的第四流动单元指数流动单元指数；构建三维空间流动单元指数预测模型，以在三维空间内对其他未采样井或井间储层的流动单元指数进行预测。

[0064] S160、依据所述三维空间流动单元指数预测模型以及渗透率计算模型构建三维空间渗透率模型，并采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0065] 其中，依据流动单元指数与渗透率间的关系，在三维空间流动单元指数预测模型的基础上构建三维空间渗透率模型；并采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0066] 本发明实施例提供了一种储层空间渗透率预测方法，通过依据岩心压汞实验曲线确定压汞样本的第一流动单元指数以及孔隙结构类型，并依据所述第一流动单元指数确定不同类型孔隙结构对应的流动单元指数范围；依据目标岩心样本的渗透率及孔隙度确定目标岩心样本的第二流动单元指数，并依据所述第二流动单元指数确定所述目标岩心样本对应的目标孔隙结构类型；确定不同类型孔隙结构对应的渗透率与孔隙度间的第一对应关系，并依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型；确定第二流动单元指数与测井曲线在纵向上的第二对应关系，依据所述第二对应关系确定未取心样本的第三流动单元指数；构建第三流动单元指数与井旁地震参数间的第三对应关系，依据所述第三对应关系反推井旁未采样储层的第四流动单元指数并构建三维空间流动单元指数预测模型；依据所述三维空间流动单元指数预测模型以及渗透率计算模型构建三维空间渗透率模型，并采用所述三维空间渗透率模型对储层空间渗透率进行预测。采用本发明实施例的技术方案，将影响渗透率的关键因素孔隙结构体现在空间渗透率的预测中，实现从单井到三维空间的海上低渗‑特低渗储层渗透率定量表征，提高海上少井条件下三维空间渗透率的预测精度，能够对钻前轨迹优化及产能预测提供指导。

[0067] 实施例二

[0068] 图2为本发明实施例中提供的一种储层空间渗透率预测方法的流程图。本发明实施例在上述实施例的基础上对前述实施例进行进一步优化，本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示，本发明实施例中提供的储层空间渗透率预测方法，可包括以下步骤：

[0069] S210、依据岩心压汞实验曲线确定压汞样本的第一流动单元指数以及孔隙结构类型，并依据所述第一流动单元指数确定不同类型孔隙结构对应的流动单元指数范围。

[0070] 其中，基于靶区低渗‑特低渗储层岩心压汞实验分析结果，按照压汞曲线形态特征将孔隙结构进行分类，并确定不同类型孔隙结构对应的流动单元指数范围。其中，利用岩心分析化验的孔隙度和渗透率数据，根据Kozeny‑Carman方程计算不同类型孔隙结构对应的第一流动单元指数；其中，Kozeny‑Carman方程是一个描述岩石渗透率与孔隙度和岩石比表面积之间关系的公式，可表示为：

[0071]

[0072] 其中，K表示渗透率，mD；φ表示有效孔隙度；Hc表示结构性能常数，无量纲。

[0073] 因沉积物非均质性的影响，孔隙弯曲度、形状系数变化很大，还因胶结作用、孔隙粗糙程度及其他因素的影响，Hc变化很大。

[0074]

[0075] 定义油藏品质指数(RQI)，所述油藏品质指数可表示为：

[0076]

[0077] 定义孔隙体积与颗粒体积之比(φz)，可表示为：

[0078]

[0079] 流动单元指数表示为：

[0080] FZI＝RQI/φz

[0081] 两边取对数，可表示为：

[0082] lgRQI＝lgFZI+lgφx

[0083] 由此可知，在对数坐标下，RQI与φz具有线性相关性。不同孔隙结构类型对应的流动单元指数FZI对应0‑1之间的不同范围。

[0084] 本发明实施例中将孔隙结构分为六类，则所述不同类型孔隙结构对应的流动单元指数范围分别为：I类FZI>0.5；II类0.3

[0085] S220、依据目标岩心样本的渗透率及孔隙度确定目标岩心样本的第二流动单元指数，并依据所述第二流动单元指数确定所述目标岩心样本对应的目标孔隙结构类型。

[0086] 其中，基于步骤A1中对第一流动单元指数FZI的计算方法，计算没有进行岩心压汞实验的目标岩心样本的第二流动单元指数，根据所述第二流动单元指数将目标岩心样本归入相应的孔隙结构分类。

[0087] 作为一种可选的但非限定性的实现方式，所述依据目标岩心样本的渗透率及孔隙度确定目标岩心样本的第二流动单元指数，并依据所述第二流动单元指数确定所述目标岩心样本对应的目标孔隙结构类型，包括但不限于步骤A1‑A2：

[0088] 步骤A1：确定目标岩心样本的渗透率及孔隙度，并依据所述渗透率及孔隙度确定目标岩心样本的第二流动单元指数。

[0089] 步骤A2：将所述第二流动单元指数与第一流动单元指数进行对应确定所述目标岩心样本对应的目标孔隙结构类型。

[0090] 其中，由于岩心压汞实验分析的数据相对较少，为了提高渗透率计算模型的精度，通过测井曲线确定未进行岩心压汞实验分析的目标岩心样本的孔隙度以及渗透率，以确定目标岩心样本的第二流动单元指数。具体的，基于步骤A1中对第一流动单元指数FZI的计算方法，依据测井曲线确定目标岩心样本的渗透率及孔隙度，计算没有进行岩心压汞实验的目标岩心样本的第二流动单元指数。将所述第二流动单元指数与第一流动单元指数进行对应确定所述目标岩心样本对应的目标孔隙结构类型。

[0091] S230、确定不同类型孔隙结构对应的渗透率与孔隙度间的第一对应关系，并依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型。

[0092] 其中，本发明实施例依据目标岩心样本渗透率与孔隙度的关系，以及压汞样本渗透率与孔隙度的关系，构建岩心样本的渗透率与孔隙度间的第一对应关系；并依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型。

[0093] 作为一种可选的但非限定性的实现方式，所述确定不同类型孔隙结构对应的渗透率与孔隙度间的第一对应关系，并依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型，包括但不限于步骤B1‑B2：

[0094] 步骤B1：依据压汞样本的第一流动单元指数以及目标岩心样本的第二流动单元指数，确定岩心样本的渗透率与孔隙度间的第一对应关系；所述岩心样本包括目标岩心样本以及进行岩心压汞实验的压汞样本。

[0095] 步骤B2：依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型。

[0096] 其中，不同孔隙结构类型对应不同的流动单元指数范围，确定不同流动单元指数范围对应的渗透率与孔隙度间的对应关系，以构建不同类型孔隙结构对应的渗透率计算模型。具体的，通过确定第一流动单元指数以及第二流动单元指数确定岩心样本不同的孔隙结构类型，而在确定第一流动单元指数以及第二流动单元指数时，是依据压汞样本的渗透率与孔隙度以及目标岩心样本的渗透率与孔隙度确定的。因此，依据第一流动单元指数以及第二流动单元指数，确定岩心样本的渗透率与孔隙度间的第一对应关系；并依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型。

[0097] 可选的，将不同靶区低渗‑特低渗储层六类流动单元的岩心压汞实验分析的孔隙度与岩心压汞实验分析的渗透率分别交会，得到六个不同流动单元的渗透率计算模型。参见图3，孔隙度与渗透率的相关性提高到90％以上。

[0098] S240、确定第二流动单元指数与测井曲线在纵向上的第二对应关系，依据所述第二对应关系确定未取心样本的第三流动单元指数。

[0099] 可选的，在纵向上未取心样本可能属于不同类型孔隙结构，依据未取心样本的第三流动单元指数，确定对应类型的孔隙结构；依据所述孔隙结构确定对应的渗透率计算模型，依据对应的渗透率计算模型确定属于不同类型孔隙结构的未取心样本的渗透率。

[0100] 本发明实施例中通过确定在纵向上不同类型孔隙结构的未取心样本的渗透率，以便对构建的三维空间渗透率模型预测的渗透率进行校正。

[0101] S250、构建第三流动单元指数与井旁地震参数间的第三对应关系，并依据所述第三对应关系以及井旁未采样储层的地震参数确定井旁未采样储层的第四流动单元指数。

[0102] 其中，本发明实施例利用测井曲线计算的第三流动单元指数与井旁地震参数建立起第三对应关系，利用这一对应关系反推出井旁未采样储层上的第四流动单元指数。所述井旁地震参数包括密度、纵横波速度、频率、纵波阻抗、泊松比、横波阻抗以及纵横波速度比。所述第三对应关系包括线性关系或非线性关系。

[0103] S260、依据所述第二流动单元指数以及第四流动单元指数构建储层流动单元指数曲线。

[0104] 其中，依据所述第二流动单元指数以及第四流动单元指数，在纵向上构建储层流动单元指数曲线。

[0105] S270、将所述流动单元指数曲线与井旁地震参数作为训练样本，构建三维空间流动单元指数预测模型。

[0106] 其中，流动单元指数与井旁地震参数间的对应关系包括线性关系或非线性关系。若流动单元指数与井旁地震参数间存在线性关系，可采用一定时窗范围的井和井旁地震参数导出相关系数。若流动单元指数与井旁地震参数间存在非线性关系，可将一定时窗范围的井和井旁地震参数作为训练样本，利用神经网络导出隐含关系。

[0107] 其中，在预测过程中可以同时使用多种类型的地震数据体，如AVO属性体以及常规声阻抗反演体等，每个数据体又可以从中导出多个特征参数体(如瞬时频率)，在众多的参数中HRS的EMERGE模块能够自动找出在给定模式下与目标曲线最匹配的一组地震参数来参与预测。其中，HRS的EMERGE模块是一个强大的软件工具，专注于分析测井曲线和地震数据，以进行多属性分析和预测；所述目标曲线是指流动单元指数曲线。该算法实际上是在多维地震特征参数空间内插已知井点信息的过程，由于它不需要一个固定的数学模型，因而能够较好地适应本地数据，同时能够给出与已知井点符合率较高的反演结果，其缺点是反演结果横向稳定性较难控制，因而需要反复的参数实验。

[0108] 该方法最具特色的是能够同时使用多种不同的地震数据体，联合使用AVO处理成果，相当于在反演中引入了叠前地震信息，为反演声阻抗之外的其他岩石物性参数提供了更充分的依据。

[0109] 在线性关系模式中，假定流动单元指数与井旁地震参数间对应关系可用如下线性方程表述：

[0110] M＝a11S11+a12S12+…+a1mS1m+a21S21+a22S22+…+a2mS2

[0111] +an1Sn1+an2Sn2+…+anmSnm

[0112] 其中，Sij为第i个地震参数曲线的第j个样点；a为常系数，是通过与目标参数曲线M最佳匹配为准则来确定；n为使用的地震参数种类个数，由交叉检验误差最小来确定。所谓交叉检验误差就是循环去掉一口已知井，用余下的井确定预测参数并预测去掉井点的目标参数，所有已知井点的这两者差异的平均值称之为交叉检验误差，交叉检验误差最小准则是EMERGE几乎所有模块的核心。地震参数的选取是通过单步递增的方式确定的，首先选取与井点匹配最好的地震参数，对余下的参数逐一试验，选取在给定回归模式下与井点匹配最佳的为第二个参数，依此类推选取其余的地震参数。

[0113] 在构建第三流动单元指数与井旁地震参数间的线性关系后，依据所述线性关系反推井旁未采样储层的第四流动单元指数并构建三维空间流动单元指数预测模型。

[0114] 作为一种可选的但非限定性的实现方式，在第三流动单元指数与井旁地震参数间存在非线性关系时，所述将所述流动单元指数曲线与井旁地震参数作为训练样本，构建三维空间流动单元指数预测模型，包括但不限于步骤C1‑C3：

[0115] 步骤C1：采用交叉检验误差算法从井旁地震参数中确定在预设回归模式下与流动单元指数曲线相匹配的目标地震参数。

[0116] 步骤C2：将所述目标地震参数与流动单元指数曲线作为训练样本，采用概率神经网络进行三维空间流动单元指数预测模型的训练，得到第一三维空间流动单元指数预测模型。

[0117] 步骤C3：采用已采样邻井的地震参数对所述第一三维空间流动单元指数预测模型进行验证并进行参数调整，以确定第二三维空间流动单元指数预测模型。

[0118] 其中，本发明实施例将目标地震参数与流动单元指数曲线作为训练样本，通过概率神经网络(Probabilistic Neural Network，PNN)预测结果吻合率会有更大的提升。相关的模式采用(PNN)方式预测，即将一定时窗范围的井和地震数据作为训练样本，利用神经网络导出隐含关系。所述目标地震参数与线性关系中确定地震参数的方式一致，预测过程中可以同时使用多种类型的地震数据体，如AVO属性体，常规声阻抗反演体等等，每个数据体又可以从中导出多个特征参数体(如瞬时频率)，在众多的参数中找出在给定模式下与目标曲线最匹配的一组目标地震参数来参与预测。

[0119] 参见图4，概率神经网络不同于以往常用的BP神经网络的是它的边界稳定性，既对远离样本空间区域的预测，往往能得出更加稳定的预测结果。另一个显著区别是，PNN抛弃了BP的“黑匣子”特性，代之有一个明确的数学模型，因而对其预测性能可以事先做出大致判断，也可以对已经训练完成的网络参数进行适当调整以获得最佳预测效果。

[0120] 可选的，给定一组训练样本：{xi1，xi2，…，xi2，Li}，地震参数空间一点x上的PNN网络输出值L用下式给出：

[0121]

[0122] 其中：表示地震参数空间点x到第i个训练样本之间的n维空间距离；加权系数r是待定网络参数，用来控制不同种类地震参数对预测结果的敏感程度；n表示参与训练的地震参数种类个数，m表示样本个数，L可以是指目标函数值。

[0123] 可以看出PNN网络预测过程实际上是在地震参数空间的井点信息插值过程，网络参数r的确定是以各井的交叉检验误差最小为准则；同时也可以结合对本地区的地质认识，通过对几条关键线的反复试运算人为地进行调整；r取值越小预测结果越逼近已知井点。

[0124] 在概率神经网络(PNN)单井训练模拟预测基础上，将此非线性关系应用至整个地震数据体范围上，即可实现整个FZI数据体的地震预测。基于概率神经网络(PNN)法预测的FZI数据体，依据变差函数分析结果(主次变程及物源方向)，利用序贯高斯模拟方法，用以趋势约束协模拟建立靶区三维空间流动单元指数预测模型。

[0125] 在本发明实施例的一种可选方案中，参见图5，采用概率神经网络(PNN)方式预测，即将一定时窗范围的井上的FZI数据和地震数据当做训练样本，利用神经网络导出隐含关系。通过流动单元指数曲线(FZI曲线)及地震相关多属性分析发现，参见图6以及图7，当算子长度为5，属性个数为7时，预测结果与实际FZI曲线之间的均方根误差平均值最小。其中，所述算子长度是以与目标曲线样点相对应的地震采样点为中心对称分布的地震采样点个数，多样点处地震多属性值以卷积的方法表征目标曲线的一个样点处的值。优选的地震参数包括但不限于平均频率、泊松比倒数、瞬时相位余弦、地震带通滤波、横波阻抗平方、纵波阻抗平方以及纵横波速度比平方。

[0126] 基于地震多属性分析预测结果，利用概率神经网络(PNN)进行不断迭代训练学习，较为显著的提升了预测吻合率，减小了预测误差。参见图8以及图9，由PNN预测与实际曲线对比、交汇图可以看出，纵向上四口井两条曲线趋势一致，曲线变化位置统一，相关系数提升至76.7％。

[0127] 在概率神经网络(PNN)单井训练模拟预测基础上，将此非线性关系应用至整个地震数据体范围上，即可实现整个FZI曲线的地震预测。具体的，参见图10，基于概率神经网络(PNN)法预测的FZI数据体，依据变差函数分析结果(主次变程及物源方向)，利用序贯高斯模拟方法，用以趋势约束协模拟建立目标靶区三维空间流动单元指数预测模型。

[0128] S280、依据所述三维空间流动单元指数预测模型以及渗透率计算模型构建三维空间渗透率模型，并采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0129] 其中，依据所述三维空间流动单元指数预测模型构建三维空间渗透率模型，并采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0130] 作为一种可选的但非限定性的实现方式，所述依据所述三维空间流动单元指数预测模型以及渗透率计算模型构建三维空间渗透率模型，并采用所述三维空间渗透率模型对储层空间渗透率进行预测，包括但不限于步骤D1‑D3：

[0131] 步骤D1：依据目标岩心样本的第二流动单元指数与目标渗透率计算模型，确定流动单元指数与渗透率计算模型间的对应关系。

[0132] 步骤D2：依据所述对应关系，在三维空间流动单元指数预测模型的基础上构建三维空间渗透率模型。

[0133] 步骤D3：采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0134] 其中，依据流动单元指数与渗透率间的关系，确定流动单元指数与渗透率计算模型间的对应关系；在三维空间流动单元指数预测模型的基础上构建三维空间渗透率模型，并采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0135] 可选的，低渗‑特低渗储层三维空间渗透率的预测可以是指首先基于孔隙度反演预测成果，依据变差函数分析参数(主次变程及物源方向)，通过岩相控制利用序贯高斯模拟方法，进行趋势约束建立靶区孔隙度模型。根据不同FZI值建立对应孔渗关系预测渗透率成果，在此基础上进行趋势约束协模拟建立目标靶区渗透率三维属性模型。参见图11以及图12，结果显示靶区渗透率平面特征较原来直接用孔隙度模型按照单一的孔渗关系计算渗透率模型，差异较大，低渗‑特低渗的非均质性刻画更为精细：背斜4井周及西北地区渗透率较高，但井周各非均质性较强。

[0136] 在本发明实施例的一种可选方案中，可依据未取心样本的渗透率对三维空间渗透率模型预测的渗透率进行校准，并对所述三维空间渗透率模型进行优化。例如，确定未取心样本A的第一渗透率，采用三维空间渗透率模型确定样本A的第二渗透率，将第一渗透率与第二渗透率进行比较，若差值超过预设阈值，则对三维空间渗透率模型的参数进行调整以对三维空间渗透率模型进行校正优化。

[0137] 本发明实施例提供了一种储层空间渗透率预测方法，根据岩心压汞实验资料，将低渗‑特低渗储层根据孔隙结构类型分类，构建反映每类孔隙结构储层品质的第一流动单元指数，得到不同类型储层的流动单元指数范围；然后建立目标岩心样本第二流动单元指数和测井曲线之间的关系，计算出未取心层段的第三流动单元指数值，根据分类建立不同类型储层的渗透率计算模型。结合原始地震数据、叠前反演成果、地震内部运算属性等进行概率神经网络(PNN)预测，反演空间储层流动带指数FZI数据体。利用序贯高斯模拟方法，用以趋势约束协模拟建立三维空间流动单元指数预测模型，根据不同FZI值对应的孔渗关系预测渗透率，在此基础上进行趋势约束协模拟建立目标靶区三维空间渗透率模型。与传统基于单井渗透率约束下空间孔隙度场直接转化为渗透率场相比，本发明更好地克服了低渗‑特低渗储层孔隙度和渗透率相关性差的难题，可以将影响该类储层渗透率的关键因素孔隙结构体现在三维空间渗透率的预测中，实现从单井到三维空间的海上低渗‑特低渗储层渗透率定量表征，使得海上少井约束情况下空间渗透率的预测更加合理，精度更高，提高海上少井条件下三维空间渗透率的预测精度，为钻前轨迹优化及产能预测提高指导。

[0138] 实施例三

[0139] 图13是本发明实施例中提供的一种储层空间渗透率预测装置的结构示意图，本实施例的技术方案可适用于储层空间渗透率预测的情况，该装置可由软件和/或硬件实现，并一般集成在任何具有网络通信功能的电子设备上，该电子设备包括但不限于：服务器、电脑、个人数字助理等设备。如图4所示，本实施例中提供的储层空间渗透率预测装置，可包括：压汞样本信息确定模块1310、目标岩心样本信息确定模块1320、渗透率计算模型确定模块1330、未取心样本信息确定模块1340、三维空间流动单元指数预测模型构建模块1350以及三维空间渗透率模型构建模块1360；其中，

[0140] 压汞样本信息确定模块1310，依据岩心压汞实验曲线确定压汞样本的第一流动单元指数以及孔隙结构类型，并依据所述第一流动单元指数确定不同类型孔隙结构对应的流动单元指数范围；其中，不同类型孔隙结构的储层代表不同的流动单元；

[0141] 目标岩心样本信息确定模块1320，用于依据目标岩心样本的渗透率及孔隙度确定目标岩心样本的第二流动单元指数，并依据所述第二流动单元指数确定所述目标岩心样本对应的目标孔隙结构类型；其中，所述目标岩心样本未进行压汞实验；

[0142] 渗透率计算模型确定模块1330，用于确定岩心样本的渗透率与孔隙度间的第一对应关系，并依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型；所述岩心样本包括目标岩心样本以及进行岩心压汞实验的压汞样本；

[0143] 未取心样本信息确定模块1340，用于确定第二流动单元指数与测井曲线在纵向上的第二对应关系，依据所述第二对应关系确定未取心样本的第三流动单元指数；

[0144] 三维空间流动单元指数预测模型构建模块1350，用于构建第三流动单元指数与井旁地震参数间的第三对应关系，依据所述第三对应关系反推井旁未采样储层的第四流动单元指数并构建三维空间流动单元指数预测模型；

[0145] 三维空间渗透率模型构建模块1360，用于依据所述三维空间流动单元指数预测模型以及渗透率计算模型构建三维空间渗透率模型，并采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0146] 在上述实施例的基础上，可选的，所述目标岩心样本信息确定模块，具体用于：

[0147] 确定目标岩心样本的渗透率及孔隙度，并依据所述渗透率及孔隙度确定目标岩心样本的第二流动单元指数；

[0148] 将所述第二流动单元指数与第一流动单元指数进行对应确定所述目标岩心样本对应的目标孔隙结构类型。

[0149] 在上述实施例的基础上，可选的，所述渗透率计算模型确定模块，具体用于：

[0150] 依据压汞样本的第一流动单元指数以及目标岩心样本的第二流动单元指数，确定岩心样本的渗透率与孔隙度间的第一对应关系；所述岩心样本包括目标岩心样本以及进行岩心压汞实验的压汞样本；

[0151] 依据所述第一对应关系构建不同类型孔隙结构对应的渗透率计算模型。

[0152] 在上述实施例的基础上，可选的，所述三维空间流动单元指数预测模型构建模块，具体用于：

[0153] 构建第三流动单元指数与井旁地震参数间的第三对应关系，并依据所述第三对应关系以及井旁未采样储层的地震参数确定井旁未采样储层的第四流动单元指数；其中，所述井旁地震参数包括密度、纵横波速度、频率、纵波阻抗、泊松比、横波阻抗以及纵横波速度比，所述对应关系包括线性关系或非线性关系；

[0154] 依据所述第二流动单元指数以及第四流动单元指数构建储层流动单元指数曲线；

[0155] 将所述流动单元指数曲线与井旁地震参数作为训练样本，构建三维空间流动单元指数预测模型。

[0156] 在上述实施例的基础上，可选的，在第三流动单元指数与井旁地震参数间存在非线性关系时，所述三维空间流动单元指数预测模型构建模块，还具体用于：

[0157] 采用交叉检验误差算法从井旁地震参数中确定在预设回归模式下与流动单元指数曲线相匹配的目标地震参数；

[0158] 将所述目标地震参数与流动单元指数曲线作为训练样本，采用概率神经网络进行三维空间流动单元指数预测模型的训练，得到第一三维空间流动单元指数预测模型；

[0159] 采用已采样邻井的地震参数对所述第一三维空间流动单元指数预测模型进行验证并进行参数调整，以确定第二三维空间流动单元指数预测模型。

[0160] 在上述实施例的基础上，可选的，所述三维空间渗透率模型构建模块，具体用于：

[0161] 依据目标岩心样本的第二流动单元指数与目标渗透率计算模型，确定流动单元指数与渗透率计算模型间的对应关系；

[0162] 依据所述对应关系，在三维空间流动单元指数预测模型的基础上构建三维空间渗透率模型；

[0163] 采用所述三维空间渗透率模型对储层空间渗透率进行预测。

[0164] 本发明实施例中所提供的储层空间渗透率预测装置可执行上述本发明任意实施例中所提供的储层空间渗透率预测方法，具备执行该储层空间渗透率预测方法相应的功能和有益效果，详细过程参见前述实施例中储层空间渗透率预测方法的相关操作。

[0165] 实施例四

[0166] 图14是本发明实施例中提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

[0167] 如图14所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

[0168] 电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

[0169] 处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如储层空间渗透率预测方法。

[0170] 在一些实施例中，储层空间渗透率预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的储层空间渗透率预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行储层空间渗透率预测方法。

[0171] 本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

[0172] 用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

[0173] 在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD‑ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

[0174] 为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

[0175] 可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

[0176] 计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端‑服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

[0177] 应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

[0178] 上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

[0179] 实施例五

[0180] 本发明实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现如本申请任一实施例所提供的储层空间渗透率预测方法。

[0181] 计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

查看完整全部详细技术资料

当前第1页第1页第2页第3页