Технология Дельта LogR для оценки Сорг низкозрелого сланцевого коллектора

С_орг является важнейшим параметром при оценке сланцевого коллектора.

Чтобы выяснить особенности применения технологии △LogR для оценки С_орг низкозрелого сланцевого коллектора, применено три комбинации. С помощью комплекса Matlab методом линейной регрессии скорректированы эмпирические формулы каждой комбинации. Результат показывает, что технология △LogR эффективна для оценки С_орг низкозрелого сланцевого коллектора после коррекции параметров эмпирических формул.

Среди 3^х примененных комбинаций эффективнее остальных для оценки С_орг в изучаемом регионе оказалась комбинация АК-ЭС, коэффициент корреляции которой достигает 0,542, точки линейной регрессии равномерно находятся на двух сторонах линии Y=X.

В последние несколько лет внимание многих российских и мировых ученых нефтегазовой отрасли сосредоточено на исследованиях сланцевых коллекторов благодаря успешной сланцевой революции в США. Сланцы - это мелкозернистые породы, залегающие слоями [1]. Термически зрелые сланцы обогащены органическими веществами (ОВ), являются основными объектами поиска и разведки. По сравнению с обычным сланцем, органогенные сланцы характеризуются высоким содержанием углерода органического происхождения (2%< С_орг<10%), иными словами, органогенные сланцы характеризуются высоким содержанием органического вещества.

Сланцевый газ образуется в сланцевом коллекторе и аккумулируется в сланцевом коллекторе.

Газ существует в сланцевом коллекторе в трех фациях - в адсорбционной фации, в свободной фации и в растворенной фации, среди которых адсорбционный газ господствует (более 70%). Многими исследованиями уже доказано, что адсорбционный газ в основном адсорбируется на поверхности пор керогена [2, 3].

Поэтому С_орг является важнейшим параметром при геохимической оценке сланцевого коллектора. Чем выше С_орг, тем выше продуктивный потенциал сланцев и сравнительно больше место для адсорбции сланцевого газа при одинаковой термической зрелости.

Хотя с помощью пиролиза и можно анализировать содержание углерода органического происхождения с высокой точностью, но этот метод имеет два недостатка:

1) Чтобы проводить эксперименты в лабораторных условиях, необходим образец сланцевого коллектора. Однако вынос керна и приготовление образца стоит дорого;

2) Результат пиролиза дает оценку С_орг в виде вертикальных непрерывных точек, но вертикальная разрешающая способность оценки низка.

Чтобы увеличивать вертикальную разрешающую способность оценки С_орг и снизить расходы на анализ содержания органического вещества, многие ученые разных стран уже успешно прогнозировали С_орг разными методами с помощью ГИС данных.

Несмотря на то, что исследования сланцевого газа начаты совсем недавно, один из важнейших геохимических параметров нефтегазоматеринской свиты - С_орг, изучается уже больше полувека.

В 1967 г американские ученые Tixier M.P., Curtis M.R. с помощью ГГМ-п и АК прогнозировали С_орг нефтяного сланца бассейна Piceance Creek Западной Каролины США[4].

В 1981 г Schmoker с помощью ГК и ГГМ-п оценил С_орг сланца (1) Девонской свиты в Аппалачи бассейне и предложил модель для прогнозирования [5]:

^phgro＝(^ggrB－^ggr) ÷1.378A, (1)

где:

^ggr - показание ГМ, мкР/час (микрорентгены в час) или эквивалентные единицы API;

^ggrB - показание ГМ в сланцевом пласте, который небогат органическим веществом;

A - перехват в кроссплоте ГМ и ГГМ-п.

В 1983 г коллектив авторов Schmoker и др. в ходе исследования черного сланца Миссисипи и Девонской свиты Виллистон бассейна предлагал прогнозировать С_орг с помощью ГГМ-п, сопоставив результат прогнозирования с геохимическим анализом из 39 скважин. Результат превзошел все ожидания. Средняя абсолютная погрешность составляет 1,1% [6]. Формула прогнозирования определяется по формуле (2):

TOC＝(154.497÷^rgr)－57.261, (2)

где:

^rgr - показание ГГМ-п, г/см³.

В 1984 г B. L. Meyer с другими учеными первыми в мире опознавал нефтегазоматеринские породы путем сочетания ГГМ-п с ЭС и сочетания АК с ЭС [7].

В 1985 г Mendelson и другие ученые путем сочетания АК-НК-ГМ подсчитывали объем органического вещества.

В 1990 г Passey предложил метод △LogR, с помощью АК, ГГМ-п, НК, ЭС не только опознал сланец, обогащенный органическим веществом, но и количественно оценил содержание углерода органического происхождения [8].

В 1996 г Zehui Huang методом нейронной сети, сочетанием ГМ, НК, Диаграммы, ГГМ-п, установил количественную связь между С_орг и ГИС показаниями [9].

Среди этих способов метод △LogR наиболее широко применяется разными нефтяными компаниями и исследовательскими центрами в оценке нефтематеринских пород.

По сравнению с большинством сланцевых коллекторов, в С регионе бассейна Ордос, сланцевый коллектор верхнего триасового отдела обладает низкой термической зрелостью (0,8%<Ro<1,2%). В пласте существуют не только газ, но и нефть. Данная статья посвящена особенности применения технологии △LogR в прогнозировании С_орг сланцевого коллектора в С регионе.

1. Метод △LogR

Регулируя масштаб каротажных кривых пористости (АК, НК, ГГМ-п) и сопротивления (пластовое сопротивление), чтобы они совпадали в пласте аргиллита или сланцевом пласте с низким сопротивлением. Из-за того, что кероген, нефть, газ обладают высоким сопротивлением, низкое сопротивление показывает низкое содержание или отсутствие ОВ и УВ. Когда в пласте в значимых количествах присутствуют ОВ или УВ, кривые расходятся:

(1) Кероген и нефть, газ обладают высоким электрическим сопротивлением;

(2) Кероген, нефть и газ обладают высоким временем пробега волн;

(3) Газ обладает низким водородным индексом.

Чем больше содержание ОВ (кероген или нефть, газ), тем больше расхождение кривых пористости и сопротивления. Поэтому расхождение кривых в методе △LogR хорошо отражает содержание ОВ в пласте и может применяться как показатель содержания ОВ.

Как видно на рисунке 1, в зоне А, где литология в основном представлена аргиллитом, ГМ каротаж показывает низкое содержание ОВ, глубокое сопротивление примерно равно 60 ом, время пробега волны равно 210 мкс/м (величина, обратная времени распространения упругих волн), три показателя свидетельствуют о том, что в пласте мало органического вещества.

Сущность метода △LogR заключается в масштабировании и регулировании каротажных кривых ЭС и АК таким образом, чтобы они совпадали друг с другом в зоне А, после чего в зоне В фиксируется расхождение. Зона В считается зоной богатой органическим веществом.

РИС. 1. Метод △LogR

2. Выбор регионального базального значения каротажных кривых

Первым этапом применения метода △LogR служит выбор регионального базального значения для каждой кривой, то есть значение каротажной кривой в зоне с низким содержанием органического вещества.

Красный прямоугольник на рисунке 2 показывает аргиллит с низким содержанием ОВ. Кривую пористости совмещают с кривыми сопротивления так, чтобы они совпадали в этой зоне. Значения разных кривых в этой зоне являются базальными значениями. В результате установлены базальные значения для разных кривых:

ЭС_БАЗ=50 ом, АК_БАЗ=210 мкс/м, НК_БАЗ=15%, ГГМ-п_БАЗ=2,57 г/см³.

РИС. 2. Выбор регионального базального значения для каротажной кривой

3. Разные комбинации метода △LogR

3.1 Комбинация АК-ЭС

Методом △LogR оценивается содержание углерода органического происхождения с помощью АК-ЭС.

Эта комбинация наиболее широко применяется в разных месторождениях в разных странах. В исследовании сланцевого газа многие ученые с помощью этой комбинации уже успешно оценили содержание углерода органического происхождения в пласте, в результате чего обобщается эмпирическая формула, которая определяется по формуле (3):

С_орг(модель)_ак＝(Log(ЭС/ЭС_БАЗ)+0,02×(АК－АК_БАЗ)) ×К, (3)

где:

С_орг(модель)_ак - оценка содержания углерода органического происхождения методом △LogR с помощью ЭС-АК, %;

ЭС - показание глубокого электрического сопротивления пласта, ом;

ЭС_БАЗ - базальное значение электрического сопротивления, ом, ЭС_БАЗ=50 ом;

АК - показание времени пробега волн, мкс/м;

АК_БАЗ - базальное значение времени пробега волн, мкс/м, АК_БАЗ=210 мкс/м;

К - показатель зрелости ОВ, без единиц.

Следует отметить, что в формуле 3, внутренняя часть скобок, то есть Log(ЭС/ЭС_БАЗ)+0,02*(АК－АК_БАЗ), отражает расхождение между кривыми.

При своих исследованиях компания Шлюмберже обобщала эмпирическую формулу для определения показателя зрелости, формула определяется по формуле (4):

К＝10^{(2,297－0.1688LOM),} (4)

где: LOM (Level Of Maturity) - степень зрелости, изменяется с 6 по 14, как показано на рисунке 3, по умолчанию равно 8,5 для газового сланца, 10,5 - для нефтяного сланца.

РИС. 3. Степень зрелости vs отражательная способность витринита

Следует отметить, что эти эмпирические формулы получены при исследовании сланцевых отложений с морской фацией. В изучаемом регионе пласты представляют собой континентальные отложения, эти различия могут вызывать значительные расхождения при оценке С_орг

В С регионе отражательная способность витринита изменяется в диапазоне 0,82% - 1,12%, если взять опыт исследования сланцевого газа, то значение LOM равно 10, соответствующее значение K равно 4,06, результат прогнозирования С_орг показан на рисунке 4. Очевидно, что если мы просто применяем эмпирические параметры для газового сланца, то оценка будет значительно выше результата лабораторного анализа. Такой тренд можно увидеть во всем регионе, применяя эмпирические параметры.

РИС. 4. Результат оценки Сорг при использовании эмпирических параметров для пласта сланцевого газа

Применим поправочный параметр S для коррекции модели прогнозирования С_орг, как показано в формуле 5:

С_орг(модель)_ак＝(Log(ЭС/ЭС_БАЗ)+0,02×(АК－АК_БАЗ)) ×К×S (5)

Принимая 1 в качестве начального значения S, снизим S по шагу 0,01 для коррекции модели. После каждого снижения методом линейной регрессии оценивается результат моделирования. Сопоставляя результат регрессии, выбираем оптимальное значение S - когда значение коэффициента корреляции максимально.

В данном регионе, когда S равно 0,59, кроме как в одной скважине (L), коэффициент корреляции линейной регрессии между С_орг лабораторного анализа (С_орг(Лаб)) и С_орг прогноза (С_орг(модель)_ак) по-прежнему низкий, в остальных скважинах результат довольно хороший (рис. 5).

РИС. 5. Результат оценки С_орг после коррекции

Коэффициент К при исследовании С_орг характеризует разницу между высокозрелыми и недозрелыми (низкозрелыми) сланцами. При умножении на поправочный коэффициент получаем значение 2,29, при этом уровень зрелости (LOM) будет равен 11,37. С помощью рисунка 3 можно получить значение отражательной способности витринита - 1,2125%, которое выше регионального. Таким образом, поправочный коэффициент корректирует еще и расхождение между двумя каротажными кривыми.

По сравнению с высокозрелым, поры низкозрелого сланца заполняются нефтью и газом, а не только газом, что вызывает уменьшение расхождения между каротажными кривыми АК-ЭС:

1) Время пробега волн в газе больше, чем в нефти, на 30-50 мкс/м;

2) Электрическое сопротивление метана выше, чем сопротивление нефти.

3.2 Комбинация ГГМ-п-ЭС

Аналогично применяем комбинацию ГГМ-п с ЭС для оценки содержания углерода органического происхождения.

Если просто применить эмпирические формулы (6) для оценки, результат получается очень плохим, закономерности не прослеживаются.

С_орг(модель)_гг＝(Log(ЭС/ЭС_БАЗ)－2,5×(ГГМ-п－ГГМ-п_БАЗ)) ×К, (6)

где:

С_орг(модель)_гг - оценка содержания углерода органического происхождения методом △LogR с помощью ЭС-ГГМ-п, %;

ГГМ-п - показание ГГМ-п, г/см³;

ГГМ-п_БАЗ - региональное базальное значение ГГМ-п, г/см³, ГГМ-п_БАЗ=2,57 г/см³.

Аналогично применяем поправочные коэффициенты m и n для коррекции модели прогноза С_орг с помощью ЭС-ГГМ-п, в этом случае модель будет определяться по формуле 7:

С_орг(модель)_гг＝(Log(ЭС/ЭС_БАЗ)+m×(ГГМ-п－ГГМ-п_БАЗ)) ×n (7)

С помощью математических пакетов Matlab, применяя метод наименьших квадратов для анализа линейной регрессии, выбираем оптимальное значение m и n для модели прогноза С_орг Полученное значение m равно 13, а n равно 2,75.

Полученный результат прогноза показан на рисунке 6, из которого следует, что, кроме скважины L, С_орг прогноза (С_орг(Модель)-гг) выше, чем С_орг лабораторного анализа (С_орг(Лаб)), в остальных скважинах результат довольно хороший.

РИС. 6. Оценка С_орг с помощью ЭС-ГГМ-п после коррекции

3.3 Комбинация ЭС-НК

Заключительным этапом является применение комбинации ЭС-НК для оценки содержания углерода органического происхождения. Если воспользоваться эмпирической формулой (8) для оценки С_орг, полученные значения будут схожими - результат прогноза очевидно выше, чем результат лабораторного анализа.

С_орг(модель)_нк＝(Log(ЭС/ЭС_БАЗ) +4×(НК－НК_БАЗ)) ×К, (8)

где:

С_орг(модель)_нк - оценка содержания углерода органического происхождения методом △LogR с помощью ЭС-НК, %;

НК - показание нейтронного каротажа, %;

НК_БАЗ - региональное базальное значение нейтронной кривой, %, НК_БАЗ=15%.

Аналогично применяем поправочный коэффициент S для коррекции модели прогноза С_орг с помощью ЭС-НК, модель определяется по формуле 9:

С_орг (модель)_нк＝(Log(ЭС/ЭС_БАЗ) +4×(НК－НК_БАЗ)) ×К×S (9)

Также с помощью программного пакета Matlab, снижая S по шагу 0,01 и применяя метод наименьших квадратов для анализа линейной регрессии, выбираем оптимальное значение S для модели прогноза С_орг Полученное значение S равно 0,71. Результат оценки С_орг показан на рисунке 7.

РИС. 7. Оценка С_орг с помощью ЭС-НК после коррекции

4. Оптимизация комбинации

Показанные выше три модели положительны для оценки содержания углерода органического происхождения. Чтобы выяснить, какая модель эффективнее для оценки С_орг, следует сравнить результат прогноза С_орг всех трех моделей.

Выбираем скважину С для оценки оптимальных моделей методом линейной регрессии, после сопоставления результатов прогноза из трех моделей с результатом лабораторного анализа выяснилось, что:

(1) На рисунке регрессии результата прогноза с помощью комбинации ЭС-АК с результатом лабораторного анализа, линия регрессии очень близка к линии Y=X, все точки расположены равномерно с двух сторонах линии Y=X. Коэффициент корреляции равно 0,542, что является положительным результатом.

(2) На рисунке регрессии результата прогноза с помощью комбинации ЭС-ГГМ-п с результатом лабораторного анализа, линия регрессии тоже очень близка к линии Y=X. Все точки тоже расположены равномерно с двух сторон от линии Y=X. Но очевидно, что точки расположены более рассеянно по сравнению с комбинацией ЭС-АК. Из-за этого коэффициент корреляции ниже, чем при комбинации ЭС-АК, и равен 0,528. Результат тоже положителен, но хуже, чем при комбинации ЭС-АК.

(3) На рисунке регрессии результата прогноза с помощью комбинации ЭС-НК с результатом лабораторного анализа линия регрессии не так близка к линии Y=X, очевидно, находится под линией Y=X. Значит, оцененное С_орг ниже реального значения (С_орг лабораторного анализа).

Из вышеизложенного следует, что в С регионе следует применить комбинацию ЭС-АК, которая эффективнее для прогнозирования содержания углерода органического происхождения.

РИС. 8. Линейная регрессия С_орг разных моделей и С_орг лабораторного анализа

5. Выводы

1. Метод △LogR эффективен при оценке С_орг сланцевого коллектора, но эмпирические формулы метода △LogR не годятся для оценки С_орг в континентальных отложениях в С регионе.

2. Не существует единой модели, которая может применяться во всех регионах, соответственно в конкретных геологических условиях нужно разрабатывать индивидуальные модели.

3. В С регионе, по сравнению с комбинацией НК-ЭС, ГГМ-п-ЭС, АК-ЭС эффективнее для прогнозирования С_орг сланцевого коллектора.

Литература

1. Лобусев М.А. «Методика построения скоростной модели среды в методе ВСП на основе использования данных о поляризации сейсмических волн» / Диссертационная работа, Специальность 25.00.10 - «Геофизика, геофизические методы поисков полезных ископаемых», 2006

2. Добрынин В.М., Вендельштейн Б.Ю., Кожевников Д.А. Пертофизика (Физика горных пород) - М.: ФГУП Издательство «Нефть и газ» РГУ нефти и газа им. И.М. Губкина, 2004 - 368 с.

3. Иванов М.К., Калмыков гА., Белохин В.С., Корост Д.В., Хамидуллин Р.А. Петрофизические методы исследования кернового материала / Москва, издательство Московского университета, 2008. - 113 с.

4. Мараев И.А. Комплексная интерпретация результатов геофизических исследований скважин Москва, 2014 г, 95 с.

Лукс Р Г, Руппел Ы С. Барнетт сланцы Миссисипи: Литофации и осадочные последовательности глубоководных отложений сланцевого газа в Форт-Уэрт бассейне, Техас[Дж]. ААГН бюллетень, 2007, 91 (4): 579-601.

5. Джи В, Сон Я, Цзян Чж, и др. Геологические управления и алгоритмы для оценки адсорбционной емкости озерного сланцевого газа: на примере исследования триасового отдела в юго-восточном бассейне Ордос, Китай [Дж]. Международный журнал угольной геологии, 2014, 134: 61-73.

6. Сан Я, Чэнь Х, Ян С, и др. Новая математическая модель для прогнозирования продуктивности горизонтальных скважин объемным гидроразрывом в залежи сланцевого газа, учитывающая процессы адсорбции и десорбции[Дж]. Журнал природного газа науки и техники, 2014, 19: 228-236.

7. Тиксье М П, Кертис М Р. Прогнозировать месторождение сланцевой нефти[Р]. Шлюмберже, 1967.

8. Скмокер Дж В. Определение содержания органического вещества девонских сланцев бассейна Аппалачи из ГМ[Дж]. ААГН Бюллетень, 1981, 65 (7): 1285-1298.

9. Скмокер Дж В, Хестер Т С. Углерод органического происхождения в пласте Баккен, часть Виллистон бассейна США[Дж]. ААГН Бюллетень,1983. 67(12): 2165-2174.

English announcement

TOC is one of the most important parameters in shale reservoir assessment. To figure out the particularity of applying technology △LogR in TOC assessment for shale formation with low maturity, three combination were applied. With the help of Matlab, the empirical formula of each combination were corrected by linear regression. The result shows that after correction of parameters of empirical formula, technology △LogR is effective in TOC assessment for shale formation with low maturity. Among the three combinations, AC-RT is more effective than others for TOC assessment in research region, correlation coefficient of which reaches 0.542, and the points of linear regression lay evenly on both sides of the line Y=X.

Автор: М.А. Лобусев, Song Zezhang, Liu Guangdi, Jiang Zhenxue,