引用本文
景社, 王雷, 于冬冬, 袁胜斌, 韩学彪, 曹英权. 多元正向参数覆盖面积评价模型的建立及其在油气藏流体相识别中的应用[J]. 录井工程, 2024,35(2): 57-64.
JING She, WANG Lei, YU Dongdong, YUAN Shengbin, HAN Xuebiao, CAO Yingquan. Establishment of a multivariate forward parameters coverage area evaluation model and its application in fluid phase identification of hydrocarbon reservoirs[J]. Mud Logging Engineering, 2024,35(2): 57-64.
Doi:10.3969/j.issn.1672-9803.2024.02.010  
Permissions
Copyright©2024, 《录井工程》杂志社
《录井工程》杂志社 所有
多元正向参数覆盖面积评价模型的建立及其在油气藏流体相识别中的应用
景社①, 王雷②, 于冬冬①, 袁胜斌①, 韩学彪①, 曹英权①
①中法渤海地质服务有限公司
②中海石油（中国）有限公司上海分公司

作者简介： 景社 工程师,1986年生,2017年毕业于中国石油大学（北京）地质工程专业,现在中法渤海地质服务有限公司从事综合录井解释工作。通信地址：300457 天津市开发区信环西路19号泰达服务外包产业园1号楼7楼。电话：15022013061。E-mail：jingshe@cfbgc.com

收稿日期: 2024-02-06
基金: 中国海洋石油有限公司“十四五”重大科技项目“海上深层/超深层油气勘探地质作业关键技术研究”（编号：KJGG2022-0405）
摘要

西湖凹陷平湖斜坡带油气藏流体类型比较复杂,结合PVT相态分析结果,储层流体以凝析气、挥发性油为主,在录测井资料响应特征上无明显差异,为井场随钻快速识别油气藏流体相带来困难。而油气藏流体相是产能评价、储量规模落实及开发方案制定的关键物性参数,传统的流体相识别方法主要是通过井下PVT取样分析获得,成本较高且存在作业风险。通过调研前人研究成果,将平湖斜坡带积累的4口井18层的PVT分析数据和算法相结合,首先利用皮尔逊积矩相关系数（PPMCC）对9种正向参数进行线性相关性分析,优选5种强相关性参数作为雷达图射线参数,建立了平湖斜坡带雷达图流体相图板,然后以油气藏流体气油比、密度为因变量,以雷达图5项正向参数覆盖面积为自变量,运用多元线性回归建立多参数气油比、密度预测模型,明确雷达图正向参数覆盖面积与油气藏气油比、密度之间的定量关系。基于PPMCC数据分析,优选C2/C3、（C1+C2）/（C3+C4+C5）、C2/（C3+C4）、C1/C3、（C1+C2+C3）/（C4+C5）共5项参数构成雷达图,从几何模型出发建立多参数气油比、密度预测模型。通过在5口井14层的验证应用,气油比的平均预测误差为11.55%,密度的平均预测误差为4.71%,表明所建立的模型可实现对油气藏类型快速、精确划分,应用效果明显。

关键词: 正向参数覆盖面积法; 皮尔逊积矩相关系数; 雷达图; 油气藏流体相; 气油比; 密度; 西湖凹陷
中图分类号:TE132.1 文献标志码:A
Establishment of a multivariate forward parameters coverage area evaluation model and its application in fluid phase identification of hydrocarbon reservoirs
JING She①, WANG Lei②, YU Dongdong①, YUAN Shengbin①, HAN Xuebiao①, CAO Yingquan①
①China French Bohai Geoservices Co., Ltd., Tianjin 300457, China
②Shanghai Branch of CNOOC（China）Co., Ltd.,Shanghai 200335, China
Abstract

The fluid types of hydrocarbon reservoirs in Pinghu slope belt of Xihu sag are complicated. According to the PVT phase behavior analysis results, the reservoir fluids are mainly condensate gas and volatile oil. There is no obvious difference in the response characteristics of mud logging and well logging data, which makes it difficult to quickly identify the fluid phases of hydrocarbon reservoirs while drilling at the well site. The fluid phases of hydrocarbon reservoirs are the key physical property parameters for productivity evaluation, reserve scale implementation and development plan formulation. The traditional fluid phase identification method is mainly obtained through downhole PVT sampling analysis, with high cost and operating risk. By investigating the previous research results, the PVT analysis data from 18 layers of 4 wells accumulated in Pinghu slope belt were combined with the algorithm. First, the Pearson product-moment correlation coefficient （PPMCC） was used to conduct linear correlation analysis on 9 forward parameters, and 5 highly correlated parameters were optimized as radar chart ray parameters. A radar chart for fluid phases of the Pinghu slope belt was established. Then, with the gas-oil ratio and density of the hydrocarbon reservoir fluid as the dependent variables, and the coverage area of the five forward parameters in the radar chart as the independent variables, the multiparameter gas-oil ratio and density prediction models are established by using multiple linear regression to clarify the quantitative relationship between the coverage area of the forward parameters in the radar chart and the gas-oil ratio and density of the hydrocarbon reservoirs. Based on PPMCC data analysis, C2/C3、（C1+C2）/（C3+C4+C5）、C2/（C3+C4）、C1/C3、（C1+C2+C3）/（C4+C5）, a total of 5 parameters are optimized to form a radar chart. The multiparameter gas-oil ratio and density prediction models established from the geometric model have been verified and applied in 14 layers of 5 wells. The average prediction errors for gas-oil ratio and density are 11.55% and 4.71%, indicating that the established models can realize the rapid and accurate classification of hydrocarbon reservoir types,and the application effect is obvious.

Keyword: forward parameters coverage area method; Pearson product-moment correlation coefficient; radar chart; hydrocarbon reservoir fluid phase; gas-oil ratio; density; Xihu sag
0 引言

西湖凹陷是东海盆地油气资源丰富的凹陷, 其流体类型以凝析气、挥发性油为主[1, 2, 3]。根据井下PVT取样（高温高压下取储层流体）分析结论, 天然气密度在0.26~0.45 g/cm3之间, 原油密度在0.59~0.65 g/cm3之间, 导致储层流体在录测井资料响应特征上无明显差异, 流体相识别难度大, 给油气藏评价带来困难。油气藏流体类型是产能评价、储量规模落实及开发方案制定的关键影响因素, 井场随钻快速识别油气藏流体类型对于进一步加快勘探开发具有重要意义。油气藏流体相的识别方法较多, 孙志道[4]通过综合相态研究和经验统计两大类油气藏判别方法, 总结出4种相态研究判别方法和18种经验统计方法; 彭永灿等[5]从相态特征、地面原油物理特征、流体组成特征、高压物性特征等方面对石西油田石炭系油藏流体类型进行综合研究, 判断其油藏流体类型; 谭忠健等[6]利用岩石力学参数及测压流体回归技术进行油气藏流体类型判别。以上研究方法以PVT取样数据为主, 并不适用于海上井场随钻快速识别油气藏流体相。

本文利用皮尔逊积矩相关系数（PPMCC）计算方法评估气测衍生参数与油气藏流体相之间的线性相关性, 优选出能更客观反映油气藏流体相变化的气测衍生参数, 构成雷达图, 并以其为建模对象, 构建正向参数覆盖面积与油气藏相态变化的函数关系, 实现对油气藏流体相的数字化描述, 达到了快速解释、评价油气藏流体类型的目的, 为西湖凹陷凝析油气藏高效勘探与开发提供科学的依据。

1 研究方法及模型建立
1.1 模型原理

雷达图流体相分析法源于法国地质服务公司开发的气体解释软件INFACT（interpretative facies technology）, 其基本原理是根据气测组分特征, 以雷达图的形式刻画、分析储层流体相特征。雷达图是不同气测组分比值在三维以上空间连接成的闭合形状, 具有相等或相近的气测组分比值在雷达图上才可能具有相同或相近的闭合形状, 即流体相相近[7]。

本文建立的正向参数覆盖面积法是基于雷达图流体相理论, 从几何模型出发将多个正向参数映射到雷达图中（图1）, 每一个输入参数用一条单位圆上的射线（数轴）表示, 利用相邻射线所组成的三角形的面积作为研究对象的表征函数, 其可以直观地表征出储层流体相特征。

图1 雷达图面积特征

将各个评价参数映射到雷达图射线上, 两个相邻参数连线构成一个三角形, 边长为ri和ri+1, 夹角为θ =（360/n）° , 三角形面积Si公式如下：

Si=riri+12sinθ（1）

式中：ri、ri+1为边长, 无量纲; Si为三角形面积, 无量纲。

1.2 变量确定

由于正向参数覆盖面积法对样本数据规律性要求较高, 故采用皮尔逊积矩相关系数度量雷达图射线参数和油气藏流体相特征的线性相关性。在统计学中, 皮尔逊积矩相关系数可准确、高效地评估两个变量之间的线性相关性, 值域在[-1, 1]之间, 其中绝对值在0.8~1.0之间为极强相关, 0.6~0.8之间为强相关, 0.4~0.6之间为中等程度相关, 0.2~0.4之间为弱相关, 0.0~0.2之间为极弱相关或无相关[8]。皮尔逊积矩相关系数定义为两个变量之间的协方差与标准差之商, 公式如下：

ρX，Y=cov（X，Y）σXσY（2）

式中：ρ X, Y为X与Y的皮尔逊相关系数; cov（X, Y）为变量X与Y之间的协方差; σ X、σ Y分别为变量X、Y的标准差。

气测录井技术在勘探开发过程中一直扮演着重要的角色, 目前石油行业使用的气相色谱分析仪以钻井液为载体, 检测和采集的烃类信息主要包括C1-C5, 有着丰富的衍生参数[9, 10]。在自变量样本数据选择时, 所筛选的雷达图射线参数必须是正向的, 结合西湖凹陷平湖斜坡带凝析气藏、挥发性油藏气测特征, 储层流体气油比（GOR）的增大与轻组分占比呈正相关, 储层流体密度（DEN）的增加与轻组分占比呈负相关[11, 12], 因此本文选取气测相对轻组分与相对重组分的比值作为射线参数描述雷达图几何结构特征, 以此反映储层流体相特征。

在西湖凹陷的勘探进程中积累了大量气测数据及地层流体PVT取样数据, 以平湖斜坡带B构造为例, 应用皮尔逊积矩相关系数分析哪些射线参数对地层流体气油比存在较好的正相关性（图2）, 计算结果显示C2/C3、（C1+C2）/（C3+C4+C5）、C2/（C3+C4）、C1/C3、（C1+C2+C3）/（C4+C5）、C1/C2+、C1/（C2+C3）参数为强相关, C1/C2参数为中等强度相关, C3/（C4+C5）参数为弱相关。据此, 根据各个射线参数与地层流体气油比相关性强弱, 优选5个强相关性射线参数构成雷达图（图3）, 利用相邻射线所组成的三角形的面积作为自变量, 储层流体气油比或密度为因变量, 运用多元线性回归拟合正向参数覆盖面积与储层流体气油比或密度变化的函数关系。

图2 皮尔逊积矩相关系数评价结果

图3 平湖斜坡带B构造雷达图面积特征

1.3 数据标准化

为确保建模样品数据提取、计算的便捷性, 保障数据分析的合理性及高效性, 本文将已统计、计算的B构造4口井自变量Si与因变量储层流体气油比（GOR）、密度（DEN）数据进行整理（表1）。从表1可以看出, 自变量Si与因变量气油比处于同一个数量级, 但与密度相差甚远。为数据运算方便, 利用SPSS软件将自变量Si进行离差标准化处理, 离差标准化处理后数据记作ZSi, 结果如表2所示。离差标准化处理是对原始数据的线性变换, 保留了原始数据中存在的关系, 将数值映射到[0, 1]之间, 是消除量纲和数据取值范围影响的最简单方法[13]。从表2可以看出, 离差标准化处理后数据ZSi与因变量密度处于同一数量级, 为忽略自变量Si值域对密度模型带来的影响, 故将ZSi记作密度模型自变量。

表1 平湖斜坡带B构造自变量Si与因变量气油比、密度数据
表2 平湖斜坡带B构造离差标准化自变量ZSi与因变量气油比、密度数据
1.4 模型建立及准确性分析

回归分析是对客观事物数量依存关系的分析, 是一种重要的统计分析方法, 广泛地应用于社会经济现象变量之间的影响因素和关联研究[14]。为了全面揭示随钻气测参数与油气藏流体相的复杂关系, 需建立以雷达图流体相为基础的正向参数覆盖面积法的多元回归模型, 进行深入、系统地分析, 且明确表达式。

将B构造4口井自变量Si与因变量储层流体气油比（GOR）数据（表1）输入SPSS软件进行多元线性回归, 得到多元正向参数覆盖面积评价储层流体气油比模型：

GOR=-546.03+217.81S1+29.82S2-112.49S3-0.06S4+0.46S5 （3）

将4口井Si经离差标准化处理之后的自变量ZSi与因变量储层流体密度（DEN）数据（表2）输入SPSS软件进行多元线性回归, 得到多元正向参数覆盖面积评价储层流体密度模型：

DEN=0.67-6.85ZS1-1.39ZS2+6.74ZS3+1.84ZS4+0.55ZS5 （4）

决定系数（r2）、标准误差（Se）是评价模型准确性的常用指标。利用SPSS软件计算多元正向参数覆盖面积评价储层流体气油比模型的r2为0.91, 表明该评价模型的准确性极高, 随机误差极低; 估计的Se为301.32, Se数值越小, 表示回归计算值与其真实值近似误差越小[15]。利用SPSS软件计算多元正向参数覆盖面积评价储层密度模型的r2为0.92, Se为0.03。从分析结果可以看出, 气油比和密度回归模型精度较为准确, 可进行储层流体气油比及密度的定量分析。

1.5 油气藏类型评价判识

储层流体气油比及密度数据是评价油气藏类型的基础, 利用建立的多元正向参数覆盖面积评价储层流体气油比及密度模型, 将现场数据代入就可以确定储层流体气油比及密度, 对比表3给出的判别标准[16], 为现场快速解释、评价流体相态, 判识油气藏类型提供依据。

表3 按气油比和密度判别油气藏类型
2 模型应用效果分析

根据所建立的多元正向参数覆盖面积评价储层流体气油比及密度模型, 对西湖凹陷平湖斜坡带K构造5口井14层的预测结果与PVT取样分析结论进行对比分析（表4）。

表4 K构造5口井14层预测结果与PVT取样分析结论对比分析

误差分析表明, 预测模型对气油比的平均预测误差为11.55%, 对密度的平均预测误差为4.71%, 说明本文建立的两个模型对平湖斜坡带气油比、密度参数具有较强的预测能力, 可显著提升现场判别油气藏流体相的能力及精度。

K 1Sb井是西湖凹陷平湖斜坡带K构造一口预探井, 在平上段钻遇两套油气显示井段4 607.5~4 621.0 m、4 678.0~4 696.0 m, 岩性以细砂岩、粉砂岩和泥质粉砂岩为主, 荧光面积5%, 气测组分齐全, 按气测异常倍数、荧光显示和随钻电阻率趋势将储层由浅至深分为3个流体相单元, ①号单元4 607.5~4 611.0 m、②号单元4 678.0~4 687.0 m、③号单元4 687.0~4 691.0 m（图4、表5）。本井3个流体相单元在三角图板上均呈大正三角形, 皮克斯勒图板投点均落在气层区域; 由K 1Sb井流体相单元Bar图（图5）可知, ①、②、③号流体相单元组分特征基本相似, C1相对百分含量均高于90%; 反映在测井曲线上并无明显差异, “ 中子-密度” 挖掘效应不明显; 从雷达图面积特征看, ①号流体相单元气油比高于②号, ②号流体相单元气油比高于③号（图6）。

图4 K 1Sb井录测井综合成果图

表5 K 1Sb井气测组分及电阻率数据
图5 K 1Sb井流体相单元Bar图

图6 K 1Sb井雷达图面积特征

以4 607.5~4 621.0 m、4 678.0~4 696.0 m井段气测数据为基础进行正向参数覆盖面积计算, 代入气油比模型公式（3）计算得到①、②、③号流体相单元气油比分别为1 727、1 166、226 m3/m3（表6）。对该井段正向参数覆盖面积进行离差标准化并代入密度模型公式（4）计算得到①、②、③号流体相单元密度分别为0.27、0.36、0.64 g/cm3（表7）。本井段采用椭圆探针进行PVT取样分析（表8）：4 609.0 m测压流度为20.82 mD/cP, 气油比为1 668 m3/m3, 地层流体密度为0.34 g/cm3, 流体识别结论为气层; 4 680.2 m测压流度为29.44 mD/cP, 气油比为1 311 m3/m3, 地层流体密度为0.39 g/cm3, 流体识别结论为气层; 4 688.2 m测压流度为25.49 mD/cP, 气油比为293 m3/m3, 地层流体密度为0.61 g/cm3, 流体识别结论为油层。结合PVT取样分析结果, 本储层计算流体气油比、密度与取样结论基本一致, 对比表3, ①、②号储层为凝析气藏, ③号储层为挥发性油藏。

表6 K 1Sb井流体相单元正向参数覆盖面积及气油比数据
表7 K 1Sb井流体相单元标准化正向参数覆盖面积及密度数据
表8 取样与储层流体密度预测数据
3 结论

（1）针对基于雷达图流体相理论建立的正向参数覆盖面积法流体相预测模型, 本文采用皮尔逊积矩相关系数明确了9种正向参数与油气藏流体相特征的线性相关性, 并优选了5种强相关性正向参数作为雷达图射线参数, 以此提高研究区自变量与气油比、密度模型的相关性, 提高模型预测精度, 为研究区油气藏精细评价提供了解释基础。

（2）传统的油气藏流体类型判别方法, 主要基于PTV取样数据, 并不适用于海上井场快速识别油气藏流体相。本文建立的正向参数覆盖面积法的油气藏流体相识别模型是基于现场气测数据指导的, 可对储层流体气油比及密度进行有效预测, 从而实现对凝析气藏、挥发性油藏等油气藏类型快速、精确划分。评价模型常用指标和测试结论证实本研究方法分析结论的可靠性。

编辑 王丙寅

参考文献
[1] 朱扬明, 周洁, 顾圣啸, 等. 西湖凹陷始新统平湖组煤系烃源岩分子地球化学特征[J]. 石油学报, 2012, 33(1): 32-39.
ZHU Yangming, ZHOU Jie, GU Shengxiao, et al. Molecular geochemistry of Eocene Pinghu Formation coal-bearing source rocks in the Xihu Depression, East China Sea Shelf Basin[J]. Acta Petrolei Sinica, 2012, 33(1): 32-39. [本文引用:1]
[2] 程熊, 侯读杰, 赵喆, 等. 西湖凹陷天然气成因及来源分析[J]. 中国海上油气, 2019, 31(3): 50-60.
CHENG Xiong, HOU Dujie, ZHAO Zhe, et al. Analysis on the genesis and source of natural gas in Xihu sag, East China Sea Basin[J]. China Offshore Oil and Gas, 2019, 31(3): 50-60. [本文引用:1]
[3] 苏奥, 陈红汉, 王存武, 等. 东海盆地西湖凹陷油气成因及成熟度判别[J]. 石油勘探与开发, 2013, 40(5): 521-527.
SU Ao, CHEN Honghan, WANG Cunwu, et al. Genesis and maturity identification of oil and gas in the Xihu sag, East China Sea Basin[J]. Petroleum Exploration and Development, 2013, 40(5): 521-527. [本文引用:1]
[4] 孙志道. 油气藏流体类型判别方法[J]. 石油勘探与开发, 1996, 23(1): 69-75.
SUN Zhidao. Identification methods for fluid types in oil and gas reservoirs[J]. Petroleum Exploration and Development, 1996, 23(1): 69-75. [本文引用:1]
[5] 彭永灿, 刘建, 张大勇, 等. 油藏流体类型的研究: 以石西油田石炭系油藏为例[J]. 石油天然气学报(江汉石油学院学报), 2011, 33(4): 43-46.
PENG Yongcan, LIU Jian, ZHANG Dayong, et al. Research on reservoir fluid type: By taking Carboniferous reservoirs in Shixi Oilfield for example[J]. Journal of Oil and Gas Technology(J. JPI), 2011, 33(4): 43-46. [本文引用:1]
[6] 谭忠健, 胡云, 张国强, 等. 渤中19-6构造复杂储层流体评价及产能预测[J]. 石油钻采工艺, 2018, 40(6): 764-774.
TAN Zhongjian, HU Yun, ZHANG Guoqiang, et al. Fluid evaluation and productivity prediction on complex reservoirs in Bozhong 19-6 structure[J]. Oil Drilling & Production Technology, 2018, 40(6): 764-774. [本文引用:1]
[7] 王雷, 郭书生, 杨红君, 等. INFACT气测录井解释方法在北部湾盆地的应用[J]. 中国海上油气, 2012, 24(6): 20-24.
WANG Lei, GUO Shusheng, YANG Hongjun, et al. An application of INFACT gas-logging interpretation in Beibuwan Basin[J]. China Offshore Oil and Gas, 2012, 24(6): 20-24. [本文引用:1]
[8] 贾俊平. 统计学[M]. 北京: 中国人民大学出版社, 2011.
JIA Junping. Statistics[M]. Beijing: China Renmin University Press, 2011. [本文引用:1]
[9] 谭忠健, 吴立伟, 郭明宇, 等. 基于烃组分分析的渤海油田录井储层流体性质解释新方法[J]. 中国海上油气, 2016, 28(3): 37-43.
TAN Zhongjian, WU Liwei, GUO Mingyu, et al. A new method of mud logging reservoir fluid property interpretation in Bohai oilfields based on hydrocarbon components analysis[J]. China Offshore Oil and Gas, 2016, 28(3): 37-43. [本文引用:1]
[10] 王志战. 录井基础理论体系的形成与发展[J]. 录井工程, 2014, 25(1): 1-5.
WANG Zhizhan. Formation and development of mud logging basic theory system[J]. Mud Logging Engineering, 2014, 25(1): 1-5. [本文引用:1]
[11] 杨思通, 孙建孟, 马建海, 等. 低孔低渗储层测录井资料油气识别方法[J]. 石油与天然气地质, 2007, 28(3): 407-412.
YANG Sitong, SUN Jianmeng, MA Jianhai, et al. Identification of hydrocarbons in low-porosity and low-permeability reservoirs by integration of surface log data with wire log information[J]. Oil & Gas Geology, 2007, 28(3): 407-412. [本文引用:1]
[12] 张野, 郎东升, 耿长喜, 等. 大庆探区复杂油气水层录井综合识别与评价新技术[J]. 中国石油勘探, 2004, 43(4): 43-48.
ZHANG Ye, LANG Dongsheng, GENG Changxi, et al. New log technology for identification and assessment of complicated oil, gas and water layers in Daqing exploration area[J]. China Petroleum Exploration, 2004, 43(4): 43-48. [本文引用:1]
[13] 林金官. 非线性模型的异方差和变离差检验[D]. 南京: 东南大学, 2003.
LIN Jinguan. The tests for heteroscedasticity and varying dispersion in nonlinear models[D]. Nanjing: Southeast University, 2003. [本文引用:1]
[14] 包凤达, 翁心真. 多元回归分析的软件求解和案例解读[J]. 数理统计与管理, 2000, 19(5): 56-61.
BAO Fengda, WENG Xinzhen. The software solving of multiple regression and correlation analysis and case explanation[J]. Journal of Applied Statistics and Management, 2000, 19(5): 56-61. [本文引用:1]
[15] 卢冶飞. 应用统计学[M]. 北京: 清华大学出版社, 2019.
LU Yefei. Applied Statistics[M]. Beijing: Tsinghua University Press, 2019. [本文引用:1]
[16] 油气田开发专业标准化委员会. 凝析气藏相态特征确定技术要求： SY/T 6101-2012[S]. 北京: 石油工业出版社, 2012.
Oil-gas Field Development Professional Stand ardization Committee. Technical requirements for determining phase behaviors of condensate gas reservoirs： SY/T 6101-2012[S]. Beijing: Petroleum Industry Press, 2012. [本文引用:1]