Породы нижнеберезовской подсвиты
Кантемиров Ю.Д., Калабин А.А.
Тюменский нефтяной научный центр (ОГ ПАО «НК «Роснефть»)
Класс порового пространства является одним из ключевых критериев оценки качества нетрадиционных пород-коллекторов нижнеберезовской подсвиты. В работе рассматривается классификация типов порового пространства пород, изученных методами растровой электронной микроскопии. Привлечение нейросетевого моделирования позволило выполнить площадной прогноз классов порового пространства на основе карт параметров, минерального состава пород, палеорельефа и современных глубин залегания изучаемых пород. Полученные результаты были использованы в рамках локализации зон повышенных перспектив в пределах отдельных месторождений, расположенных на территории Западной Сибири.
Отложения продуктивных пластов нижнеберезовской подсвиты представлены глинисто-кремнистыми, опоковидными породами и относятся к нетрадиционным коллекторам. Глубина залегания пород составляет в среднем 500–1 000 метров, что обуславливает сопоставимость коллекторов и неколлекторов по величине общей пористости. При этом, несмотря на высокие значения пористости (средняя общая пористость коллекторов 31 %), в связи со сложной структурой порового пространства и поликомпонентным минеральным составом (рис. 1), породы нижнеберезовской подсвиты характеризуются ультранизкими значениями проницаемости (средняя абсолютная проницаемость порядка 0,05 мД).
Рис. 1. Пример определения минерального состава аншлифа мини-образца
(3 мм) породы нижнеберезовской подсвиты методом РЭМ с микрорентгеноспектральным анализом
(3 мм) породы нижнеберезовской подсвиты методом РЭМ с микрорентгеноспектральным анализом
Изучение структуры порового пространства пород нижнеберезовской подсвиты является одной из ключевых задач разработки комплексной технологии локализации наиболее перспективных участков [1–3].
С целью изучения структуры порового пространства на субмикронном уровне использовался современный метод растровой электронной микроскопии совместно со сфокусированным ионным пучком (ФИП/РЭМ) [4, 5]. Такие исследования, фактически на нанометровом масштабе, требуют специальной пробоподготовки исследуемого материала, включая шлифовку алмазными дисками, напыление тонкого токопроводящего слоя золота. Для целей изучения структуры порового пространства выполняется построение трехмерной модели образца путем постепенного накопления микротомографий поверхности среза ионным пучком в области интереса (рис. 2, 3).
С целью изучения структуры порового пространства на субмикронном уровне использовался современный метод растровой электронной микроскопии совместно со сфокусированным ионным пучком (ФИП/РЭМ) [4, 5]. Такие исследования, фактически на нанометровом масштабе, требуют специальной пробоподготовки исследуемого материала, включая шлифовку алмазными дисками, напыление тонкого токопроводящего слоя золота. Для целей изучения структуры порового пространства выполняется построение трехмерной модели образца путем постепенного накопления микротомографий поверхности среза ионным пучком в области интереса (рис. 2, 3).
Рис. 2. Поперечное сечение на поверхности аншлифа образца с выбранной областью интереса, обозначенной красным прямоугольником
Рис. 3. Пример трехмерной визуализации структуры образца на мезомасштабе по данным ФИП/РЭМ
По результатам комплексного анализа и обобщения данных ФИП/РЭМ были получены следующие типы порового пространства пород нижнеберезовской подсвиты (рис. 4): тип 1 — трещиноподобный (канальный); тип 2 — губчатый; тип 3 — игольчатый; тип 4 — ячеистый.
Рис. 4. Типы порового пространства пород нижнеберезовской подсвиты
по данным ФИП/РЭМ
по данным ФИП/РЭМ
Выявленные в результате исследований на керне типы порового пространства были классифицированы относительно качества коллекторских свойств.
Канальный тип пор характеризуется минимальными значениями эффективной проницаемости. Развитые по канальному типу поры вторичных преобразований незначительно улучшают проницаемость матрицы, но промышленных притоков получить не удастся (только признаки газа) даже в случае развитой естественной трещиноватости породы. Губчатый тип пор представлен большим количеством мелких пор, преимущественно связанных между собой. На фоне развитых по данному типу пор вторичных преобразований (игольчатый и ячеистый типы), а также при условии широко развитой естественной трещиноватости коллектор характеризуется максимальными перспективами.
Канальный тип пор характеризуется минимальными значениями эффективной проницаемости. Развитые по канальному типу поры вторичных преобразований незначительно улучшают проницаемость матрицы, но промышленных притоков получить не удастся (только признаки газа) даже в случае развитой естественной трещиноватости породы. Губчатый тип пор представлен большим количеством мелких пор, преимущественно связанных между собой. На фоне развитых по данному типу пор вторичных преобразований (игольчатый и ячеистый типы), а также при условии широко развитой естественной трещиноватости коллектор характеризуется максимальными перспективами.
Согласно выполненному анализу продуктивности скважин [1], замеров эффективной проницаемости по типам порового пространства и данных 3D-моделей строения микрообразцов принята следующая классификация порового пространства относительно ожидаемой продуктивности резервуара:
По результатам исследований методом ФИП/РЭМ в специализированный программный продукт для обработки данных керна и ГИС были загружены классы порового пространства по 108 образцам.
Для целей прогноза классов порового пространства по данным интерпретации ГИС (минеральный состав, ФЕС) был привлечен функционал нейронных сетей.
Примененный алгоритм включал в себя следующие основные этапы:
Итоговая выборка была разделена случайным образом на две:
Настройка нейронной сети выполнялась на данных всего интервала нижнеберезовской подсвиты, совместно для пластов НБ4, НБ3, НБ2, НБ1.
В таблице 1 приведена статистика по прогнозируемым классам.
- Класс 1 — Отсутствие эффективной проницаемости (Кпр.эф). Класс включает трещиноподобный (канальный) тип порового пространства;
- Класс 2 — Низкие значения Кпр.эф. Класс включает трещиноподобный (канальный) тип + раzвиты игольчатый или ячеистый типы пор вторичных преобразований;
- Класс 3 — Средние значения Кпр.эф. Класс включает губчатый тип пор;
- Класс 4 — Высокие значения Кпр.эф. Класс включает губчатый тип порового пространства + развиты игольчатый или ячеистый типы пор вторичных преобразований.
По результатам исследований методом ФИП/РЭМ в специализированный программный продукт для обработки данных керна и ГИС были загружены классы порового пространства по 108 образцам.
Для целей прогноза классов порового пространства по данным интерпретации ГИС (минеральный состав, ФЕС) был привлечен функционал нейронных сетей.
Примененный алгоритм включал в себя следующие основные этапы:
- формирование обучающей и тестовой выборки по данным изучения образцов керна;
- обучение нейронной сети (классификация данных), верификация на тестовой выборке;
- применение обученной нейронной сети на скважинных данных;
- применение обученной нейронной сети на уровне карт — площадной прогноз классов порового пространства.
Итоговая выборка была разделена случайным образом на две:
- 70 % выборки (121 пример) для обучения нейронной сети;
- 30 % выборки (57 примеров) для тестирования обученной модели.
Настройка нейронной сети выполнялась на данных всего интервала нижнеберезовской подсвиты, совместно для пластов НБ4, НБ3, НБ2, НБ1.
В таблице 1 приведена статистика по прогнозируемым классам.
Табл. 1. Статистика по прогнозируемым классам массива данных обучающей выборки
Эффективность настройки алгоритмов определялась на основании параметра F1, являющегося гармоническим средним между точностью (Precision) и полнотой (Recall) [6].
где TP — истинно-положительное решение, TN — истинно-отрицательное решение, FP — ложно-положительное решение, FN — ложно-отрицательное решение.
Точность характеризует долю правильных предсказаний класса, выполненных сетью, относительно всех предсказаний, которые сеть отнесла к данному классу. Полнота, в свою очередь, связывает долю правильных предсказаний класса, выполненных сетью, относительно всех примеров класса, представленных в тестовой выборке. В таблице 2 представлена статистика по классам тестовой выборки.
Точность характеризует долю правильных предсказаний класса, выполненных сетью, относительно всех предсказаний, которые сеть отнесла к данному классу. Полнота, в свою очередь, связывает долю правильных предсказаний класса, выполненных сетью, относительно всех примеров класса, представленных в тестовой выборке. В таблице 2 представлена статистика по классам тестовой выборки.
Табл. 2. Сопоставление фактических данных и результатов прогноза по данным тестовой выборки (матрица ошибок)
Таким образом, параметр F1 считается по следующей формуле:
Далее находятся весовые коэффициенты каждой строки, взвешенные на сумму значений всех строк. Средневзвешенное значение F1 определяется по формуле:
где F1i — среднеарифметическое значение параметра F1 каждой строки, Xi — весовой коэффициент. Так, на тестовой выборке средневзвешенное значение параметра F1 = 0,86, что говорит о высокой степени достоверности прогнозируемых классов порового пространства по данным нейронной сети.
Рис. 5. Ранжирование территории лицензионного участка относительно критерия потенциальной эффективности резервуара
Нейронная сеть, обученная на результатах лабораторных исследований керна, позволила выполнить прогноз классов порового пространства в разрезе скважин по результатам интерпретации данных ГИС.
Использование нейронной сети на уровне карт позволило получить площадной прогноз классов порового пространства пород нижнеберезовской подсвиты и ранжировать территории рассматриваемых участков относительно потенциальной продуктивности резервуара.
Важно отметить, что карты дают характеристику по преобладающему классу в каждой точке площади, в то время как прогноз по данным ГИС показывает детальное распределение классов по разрезу. В рамках ранжирования изучаемых территорий по степени их перспективности наибольший интерес представляют зоны преобладающих классов порового пространства 3 и 4.
Анализ результирующих карт ранжирования, данных испытаний и опробований геофизическими приборами ГДК/ОПК позволяет сделать заключение о высокой достоверности полученных результатов и показывает хорошую связь прогнозируемых классов порового пространства с полученными результатами испытаний/опробований. В зонах, где отмечается преимущественное развитие классов 3 и 4
в интервале пород нижнеберезовской подсвиты, были получены притоки газа. При этом в зонах, где преобладают классы 1 и 2 (отсутствие Кпр.эф), по результатам опробований получены либо признаки газопроявлений, либо полное отсутствие притока.
Ранжирование относительно преобладающего класса порового пространства приведено на примере пласта нижнеберезовской подсвиты одного из лицензионных участков, где в условиях близких ФЕС по одной из скважин был получен устойчивый приток газа, по второй — признаки газопроявлений (рис. 5). Площадной прогноз распределения преобладающих классов порового пространства обосновывает полученные результаты опробований и позволяет локализовать зоны улучшенных фильтрационных свойств и зоны повышенных рисков.
Использование нейронной сети на уровне карт позволило получить площадной прогноз классов порового пространства пород нижнеберезовской подсвиты и ранжировать территории рассматриваемых участков относительно потенциальной продуктивности резервуара.
Важно отметить, что карты дают характеристику по преобладающему классу в каждой точке площади, в то время как прогноз по данным ГИС показывает детальное распределение классов по разрезу. В рамках ранжирования изучаемых территорий по степени их перспективности наибольший интерес представляют зоны преобладающих классов порового пространства 3 и 4.
Анализ результирующих карт ранжирования, данных испытаний и опробований геофизическими приборами ГДК/ОПК позволяет сделать заключение о высокой достоверности полученных результатов и показывает хорошую связь прогнозируемых классов порового пространства с полученными результатами испытаний/опробований. В зонах, где отмечается преимущественное развитие классов 3 и 4
в интервале пород нижнеберезовской подсвиты, были получены притоки газа. При этом в зонах, где преобладают классы 1 и 2 (отсутствие Кпр.эф), по результатам опробований получены либо признаки газопроявлений, либо полное отсутствие притока.
Ранжирование относительно преобладающего класса порового пространства приведено на примере пласта нижнеберезовской подсвиты одного из лицензионных участков, где в условиях близких ФЕС по одной из скважин был получен устойчивый приток газа, по второй — признаки газопроявлений (рис. 5). Площадной прогноз распределения преобладающих классов порового пространства обосновывает полученные результаты опробований и позволяет локализовать зоны улучшенных фильтрационных свойств и зоны повышенных рисков.
Метод ФИП/РЭМ является одним из современных и высокотехнологичных методов изучения керна. Использование ФИП/РЭМ позволило определить и классифицировать типы порового пространства пород. Структура порового пространства является одной из важнейших характеристик резервуара, влияющей на уровень притоков газа и успешность разработки отложений нижнеберезовской подсвиты. Наилучшее качество коллектора (перспективы) приурочено к порам вторичных преобразований ОКТ (опал, кристобалит, тридимит) фазы, развитым по губчатому типу пор.
Использование нейронной сети позволило выполнить площадной прогноз классов порового пространства (исходя из величин эффективной проницаемости) и, совместно с данными прогноза интенсивности трещинной составляющей, локализовать зоны высоких перспектив, а также обосновать отрицательные результаты испытаний, полученные в зонах высоких значений ФЕС коллекторов.
Обученная нейронная сеть была использована для ранжирования относительно качества коллектора локальных участков и регионального проекта, охватывающего всю территорию Западной Сибири.
Использование нейронной сети позволило выполнить площадной прогноз классов порового пространства (исходя из величин эффективной проницаемости) и, совместно с данными прогноза интенсивности трещинной составляющей, локализовать зоны высоких перспектив, а также обосновать отрицательные результаты испытаний, полученные в зонах высоких значений ФЕС коллекторов.
Обученная нейронная сеть была использована для ранжирования относительно качества коллектора локальных участков и регионального проекта, охватывающего всю территорию Западной Сибири.
1. Гордеев А.О., Дорошенко А.А., Осипов С.В. Обзор результатов испытаний пластов березовской свиты на территории Западной Сибири // Нефтяное хозяйство. 2024. № 4. С. 84–89.
2. Закоулова И.О., Ошняков И.О. Влияние структуры порового пространства на фильтрационно-емкостные свойства опоковидных отложений березовской свиты // Вестник Академии наук Республики Башкортостан. 2021. Т. 38. № 1. С. 13–21.
3. Климова Е.С., Чертина К.Н., Александров М.А., Соловьева А.В.,
Аржиловская Н.Н. Типизация глинисто-кремнистых отложений березовской свиты (на примере скважин Харампурского месторождения) // Литосфера. 2023. № 23. С. 197–208.
4. Ошняков И.О., Митрофанов Д.А., Гордеев А.О. и др. Цифровые мультимасштабные исследования керна нетрадиционных глинисто-кремнистых пород березовской свиты // Каротажник. 2022. № 6. С. 141–153.
5. Шкловер В.Я., Казанский П.Р., Артемов Н.А., Марясев И.Г. Исследование морфологии и кристаллической структуры природных кремнеземов методами электронной микроскопии и электронографии // Кристаллография. 2021. Т. 66. № 4. С. 626–635.
6. Van Rijsbergen C.J. Information Retrieval. London: Butterworths, 1979, 153 p. (In Eng).
2. Закоулова И.О., Ошняков И.О. Влияние структуры порового пространства на фильтрационно-емкостные свойства опоковидных отложений березовской свиты // Вестник Академии наук Республики Башкортостан. 2021. Т. 38. № 1. С. 13–21.
3. Климова Е.С., Чертина К.Н., Александров М.А., Соловьева А.В.,
Аржиловская Н.Н. Типизация глинисто-кремнистых отложений березовской свиты (на примере скважин Харампурского месторождения) // Литосфера. 2023. № 23. С. 197–208.
4. Ошняков И.О., Митрофанов Д.А., Гордеев А.О. и др. Цифровые мультимасштабные исследования керна нетрадиционных глинисто-кремнистых пород березовской свиты // Каротажник. 2022. № 6. С. 141–153.
5. Шкловер В.Я., Казанский П.Р., Артемов Н.А., Марясев И.Г. Исследование морфологии и кристаллической структуры природных кремнеземов методами электронной микроскопии и электронографии // Кристаллография. 2021. Т. 66. № 4. С. 626–635.
6. Van Rijsbergen C.J. Information Retrieval. London: Butterworths, 1979, 153 p. (In Eng).
Кантемиров Ю.Д., Калабин А.А.
ООО «Тюменский нефтяной научный центр» (ОГ ПАО «НК «Роснефть»), Тюмень, Россия
ydkantemirov@tnnc.rosneft.ru
ООО «Тюменский нефтяной научный центр» (ОГ ПАО «НК «Роснефть»), Тюмень, Россия
ydkantemirov@tnnc.rosneft.ru
Цифровые исследования структуры порового пространства методом ФИП/РЭМ, применение машинного обучения для прогноза классов порового пространства по результатам интерпретации данных геофизических исследований скважин и картам параметров.
геофизические исследования скважин, цифровые исследования керна, поровое пространство, прогноз, нейронная сеть, карта, нижнеберезовская подсвита
Кантемиров Ю.Д., Калабин А.А. Прогноз классов порового пространства пород нижнеберезовской подсвиты как одного из критериев локализации перспективных для разработки участков // Экспозиция Нефть Газ. 2024. № 9. C. 10–14. DOI: 10.24412/2076-6785-2024-9-10-14
28.10.2024
УДК 552.086:550.81
DOI: 10.24412/2076-6785-2024-9-10-14
DOI: 10.24412/2076-6785-2024-9-10-14
Рекомендуемые статьи
© Экспозиция Нефть Газ. Научно-технический журнал. Входит в перечень ВАК
+7 (495) 414-34-88