引用本文
韩进信. 核磁共振测井在古龙页岩储集性表征中的应用[J]. 录井工程, 2025,36(2): 58-64.
HAN Jinxin. Application of NMR logging in characterization of Gulong shale reservoir performance[J]. Mud Logging Engineering, 2025,36(2): 58-64.
Doi:10.3969/j.issn.1672-9803.2025.02.009  
Permissions
Copyright©2025, 《录井工程》杂志社
《录井工程》杂志社 所有
核磁共振测井在古龙页岩储集性表征中的应用
韩进信①,②
①多资源协同陆相页岩油绿色开采全国重点实验室
②中国石油大庆油田公司勘探开发研究院

作者简介：韩进信 工程师,1992年生,2014毕业于中国石油大学（华东）勘查技术与工程专业,现在中国石油大庆油田公司勘探开发研究院从事非常规油气勘探工作。通信地址：163712 黑龙江省大庆市让胡路区科苑路18号。E-mail：hanjinxin@petrochina.com.cn

收稿日期: 2025-03-03
基金: 中国石油天然气集团有限公司应用性重大科技项目“陆相页岩油规模增储与勘探开发技术研究”（编号：2023ZZ15）
摘要

古龙页岩主要由大套黏土质长英页岩构成,孔隙类型多样且孔隙结构复杂,其储集性是页岩油地质研究的核心,但常规测井方法难以有效评价这种微纳米级孔隙。为解决这一问题,将核磁共振（NMR）技术应用于地球物理测井中,全尺度表征页岩储层的孔隙度和孔隙结构。通过建立核磁共振弛豫时间（T2）与岩石孔径的转换关系,利用特定T2谱组分表征古龙页岩中大孔隙占比,定量评价页岩储集性,系统揭示了古龙页岩储层孔隙结构差异和分布规律。根据储集性评价结果,优选孔隙度大且孔隙结构好的目标靶层,优化水平井轨迹设计。结果表明：随着岩石矿物组分的变化,古龙页岩储层纵向上孔隙结构存在差异,其中Q9油层中下部大孔隙占比最高,孔隙结构最好。将此部位作为水平井核心靶窗实施的扩大试验区,水平井产量整体获得大幅提升。这一技术为后续古龙页岩油的高效开发提供了有利支撑。

关键词: 古龙页岩油; 核磁共振; 孔隙度; 孔隙结构; 储集性评价; 靶层优选
中图分类号:TE132.1 文献标志码:A
Application of NMR logging in characterization of Gulong shale reservoir performance
HAN Jinxin①,②
①State Key Laboratory of Continental Shale Oil, Daqing, Heilongjaing 163712,China
②Exploration and Development Research Institute, CNPC Daqing Oilfield Company,Daqing, Heilongjaing 163712,China
Abstract

Gulong shale mainly consists of large suites of clayey felsic shales with many pore types and complex pore structures,and its reservoir performance is the core in shale oil geological research,but conventional logging methods are difficult to effectively evaluate such micro-nano pores. To solve this problem, NMR technique is applied to geophysical logging to full-scale characterize the porosity and pore structure of shale reservoirs. By building the conversion relationship between NMR relaxation time （T2） and rock pore diameter, the proportion of large pores in Gulong shale was characterized by the specific T2 spectrum components to evaluate the shale reservoir performance quantitatively, systematically revealing the pore structure differences and distribution law of Gulong shale reservoirs. Based on the results of the reservoir performance evaluation,the target strata with large porosity and good pore structure were selected to optimize the horizontal well trajectory designs. The results show that with the changes of rock mineral compositions, there are differences in the vertical pore structures of Gulong shale reservoirs. Among them, the middle-lower part of Q9 oil layer has the highest proportion of large pores and the best pore structures. The overall production of horizontal wells in the expanded test area,which is implemented by using this part as the core target window of horizontal wells,has been greatly improved. This technology will provide favourable support for the follow-up efficient development of Gulong shale oil.

Keyword: Gulong shale oil; NMR; porosity; pore structure; reservoir performance evaluation; target stratum optimization
0 引言

作为世界级陆相沉积盆地, 松辽盆地蕴藏着丰富的油气资源[1], 其中齐家-古龙凹陷区的青山口组沉积时处于深湖-半深湖相沉积环境, 厚度在300 m以上的富有机质泥页岩在这一时期沉积下来, 经过长时间演化产生大量油气资源[2]。针对古龙页岩油的探索从20世纪80年代一直持续至今, 尤其最近5年来, 随着水平井获高产突破, 打开了古龙页岩油的勘探新局面[3]。在老区进入特高含水期, 开发难度逐年增大的背景下, 页岩油已成为大庆油田原油持续稳产和高质量发展的重要保障资源, 加快推进将古龙页岩油巨量资源转化为储量及产量意义重大。

古龙页岩油属于原生原储油气藏, 有别于常规砂岩储层, 页岩储层黏土含量一般在30%以上, 储集空间为微纳米级且结构复杂[2], 除微裂缝、粒间孔、溶蚀孔等无机孔缝外, 还有大量的有机黏土复合孔, 激光共聚焦显示油气在这些孔缝中大量富集。岩石矿物组分纵向差异导致孔隙结构不同, 孔隙大小及结构影响着油气的富集以及流动。渗流机理研究与生产实践表明, 页岩储层物性制约着水平井开发效果。为了评价古龙页岩的储集性, 大庆油田做了大量的室内岩心样品测试, 但由于取心、样品制作等环节一些不可抗拒因素的影响, 测试结果存在一定的不确定性。传统测井技术可用声波、密度、中子等计算常规储层孔隙度, 但对古龙页岩这种微纳米级孔隙不太适用, 且传统测井技术无法刻画岩石的孔隙结构特征, 因此, 亟待采用特殊测井手段对古龙页岩的储集性开展评价研究。

本研究引入核磁共振测井用于表征古龙页岩储层的孔隙度及孔隙结构, 依据不同孔隙内流体氢原子受核磁共振影响产生的弛豫时间不同, 建立T2谱与孔径的转换关系, 定量化表征岩石中大孔隙占比, 揭示储层孔隙结构的差异, 为水平井靶层优选提供技术支撑。

1 核磁共振测井评价技术
1.1 核磁共振测井原理

核磁共振（NMR）是在具有磁矩和角动量原子核系统中发生的一种现象, 是原子核对磁场的响应[4]。地层岩石骨架的原子核在受到外部磁场作用时, 共振响应特别微弱, 一般很难检测到有效信号。除了岩石骨架外, 岩石孔隙中充填的水和烃类化合物, 其氢原子核磁矩较大, 能与测井仪器发射的信号产生明显的共振而被接收。因此, 核磁共振信号主要源于地层流体中的氢元素, 能够反映岩石孔隙的信息[5]。

核磁共振检测过程包含几个关键阶段：核磁共振检测前, 储层孔隙流体的质子磁矩的排列方向是随机的; 当核磁共振测井仪器下放至井筒, 流体质子受到核磁共振信号作用, 沿磁场方向定向排列, 整个自旋系统被磁化; 再通过发射射频脉冲产生一个与静磁场垂直的交变电磁场, 使已极化的质子从平衡位置发生翻转; 撤销交变磁场后, 质子开始进动回到原来的平衡位置, 这一弛豫过程产生的信号被仪器接收。使用CPMG脉冲序列能够产生一系列自旋回波信号, 这些回波串构成了核磁共振的原始数据。用一组指数衰减曲线拟合自旋回波串, 每个指数曲线的衰减常数不同, 所有衰减常数的集合形成T2弛豫时间分布, 再经过贝叶斯正则化阻尼算法（BRD）反演处理, 即可得到样品的T2谱。

地层孔隙结构的差异能够在核磁共振T2谱的形态上显示出来：当储层小孔隙占比较大时, 流体质子弛豫时间相对较短, T2谱信号峰值分布在左侧; 反之, 当储层岩石孔径较大或发育裂缝时, 储集流体的弛豫时间相对较长, 在T2谱的右侧会出现高值[6]。

1.2 核磁大孔表征

目前, 储层孔隙大小和级别分类尚未形成统一的标准, 研究人员根据储层性质按照不同的目的和方法采用针对性的划分方案。对于古龙页岩油储层, 低温氮气吸附实验表明（表1）, 其储集空间以微纳米级孔隙为主, 岩石孔径分布呈现双峰特征, 一般小于1 μ m, 主要集中分布在2~32 nm[7]。因此, 本文采用国际常用分类方案：孔径小于2 nm为微孔, 2~50 nm为介孔, 大于50 nm为大孔[4]。

表1 GY 3井低温氮气吸附实验孔径数据统计

核磁共振T2谱反映被流体充填的孔隙体积分布, 不同尺寸的孔隙具有不同的弛豫时间[8]。在进行压汞实验时, 因喉道大小存在差异, 汞液进出孔隙时产生毛管压力变化, 进而反映不同体积的孔隙分布情况。根据核磁表面弛豫机理及毛管压力理论, T2与毛管压力之间存在某种联系。根据Washburn方程[9]可知, 孔喉直径（D）与毛管压力（pc）之间呈线性关系。

D=4σcosθpc=1.47pc（1）

式中：D为孔喉直径, μ m; σ 为汞液表面张力, 一般取值为0.48 N/m; θ 为汞液接触角, 取值为140° ; pc为毛管压力, MPa。

通过岩心取样开展压汞分析, 可得到进汞及退汞整个过程中相应的毛管压力、孔喉直径、体积读数、汞饱和度等数据（表2）。将岩心归位后, 得到样品真实深度, 即可匹配对应深度的核磁共振T2谱（图1）。

表2 GY 2井T 9样品压汞法毛管压力曲线测定数据

图1 GY 2井T 9样品核磁共振T2谱图

对T2谱进行反向累积（从大孔到小孔累积）, 模拟压汞实验过程, 得到1/T2与饱和度关系, 采用等饱和度刻度法, 可建立毛管压力与T2谱关系（图2）。根据公式（1）中毛管压力与孔喉直径的关系, 通过数学转换可推导出T2谱与孔喉直径的对应关系（图3）。假设孔径与孔喉直径之间为线性关系, 进而可以得到孔径与T2的对应关系。

图2 GY 2井T 9样品核磁共振T2谱反向累积曲线

图3 GY 2井T 9样品核磁共振T2谱与孔喉直径关系

孔隙流体T2弛豫时间主控因素是岩石横向表面弛豫, 且与孔隙比表面积相关, 比表面积较大会导致弛豫时间增加。孔隙比表面积与孔隙大小及孔隙的几何形状有关, 其中孔隙的形状用孔隙几何形状因子（FS）表示, 本文假设比表面积与两者为线性关系[4], 则可以建立弛豫时间与孔径之间的关系式：

1T2=ρ2sv=FSρ2d（2）

式中：ρ 2为岩石横向表面弛豫率, nm/ms; s为孔隙比表面积, nm2; v为孔隙体积, nm3; FS为孔隙几何形状因子; d为孔径, nm。

镜下观察发现, 古龙页岩孔隙的长宽比较大, 以狭长型为主, 孔隙几何形状因子在2~3之间。实测数据显示, 古龙岩石横向表面弛豫率为1~11 nm/ms, 平均2.32 nm/ms。孔径与T2转换系数为1~24.2 nm/ms, 平均5.7 nm/ms。基于此转换关系, 将核磁共振T2谱分解后, 可用核磁8 ms孔隙度表征50 nm以上大孔占比。

2 古龙页岩储集性评价
2.1 古龙页岩孔隙度分布特征

古龙页岩油储集空间的发育与储层岩性、基质组分、有机质含量和热演化程度都具有密切的关系, 不同储层、不同演化阶段、不同类型孔隙对储集空间的贡献不同。青山口组沉积于松辽盆地坳陷中期, 古龙页岩发育在青一段-青二段下部, 主要包括青一段湖扩和青二段湖退阶段, 具有基准面升降过程中形成的水进-水退旋回特征。根据有机质丰度旋回特征, 结合岩性、电性突变界面, 古龙页岩自下而上划分为Q1-Q9共9个油层（表3）。

表3 GY 8井各油层全岩矿物含量测定数据 %

Q1-Q9油层岩性以页岩为主, 局部发育少量粉砂岩、白云岩及介壳灰岩薄纹层[10]。页岩厚度占比一般在90%以上, 是在水体环境中沉积形成, 有机质含量较高, 现今总有机碳含量一般在2%左右, 页理缝较发育, 其中Q1-Q4油层页理密度可达2 000条/m[1]。纹层厚度一般很薄, 单层厚度大多在0.3 m以下, 且多为致密块状, 页理不发育, 物性较差, 在电性曲线上呈现高电阻、低伽马、低声波、高密度的特征。纵向上受沉积控制, 岩石矿物含量发生变化, 储层物性存在差异, 自下而上呈现泥质含量降低, 长英质含量逐渐增加的趋势, 岩石粒度随之增大, 岩石孔隙结构也相应发生变化。

核磁共振作用于流体中氢原子, 假设孔隙被流体充满, 则信号强弱与储集空间大小呈正相关, 因此岩石的孔隙度可通过信号幅度来表示。齐家-古龙凹陷共计36口直井开展了核磁共振测井, 从核磁总孔隙度上看, Q1-Q9油层总孔隙度主要分布在10%~15%之间, 自下而上呈现先减小后增大趋势。其中, 中部的Q5-Q7油层孔隙度相对较小, 与其发育更多的致密纹层相关（图4）。

图4 古龙页岩油核磁总孔隙度统计图

2.2 古龙页岩核磁大孔发育特征

对核磁测井资料处理后, 提取T2值核磁8 ms孔隙度表征核磁大孔发育情况。结果显示, 核磁大孔发育趋势与核磁总孔隙度并非一致, 反映各油层孔隙组成结构是不一样的。下部Q1-Q4油层虽总孔隙度较高, 但因其黏土含量高, 孔隙主要为小孔隙, 孔隙结构相对较差; 上部Q8-Q9油层, 长英质含量较高, 大孔隙占比较高, 孔隙结构相对较好。纵向上, Q8-Q9油层核磁大孔最为发育, 占比通常大于4%, 其次为Q1-Q4油层, 中部Q5-Q7油层核磁大孔占比较低, 一般低于3%。从储层物性角度出发, Q9油层下部核磁8 ms孔隙度最大, 可作为水平井设计靶层优选层位（图5）。

图5 GY 24井核磁孔隙度柱状图

为刻画核磁大孔平面分布特征, 优选有利目标区, 利用深度学习方法, 与地震数据相结合开展平面预测[11]。将核磁孔隙度曲线作为学习对象, 对井旁地震数据、阻抗、密度等开展学习训练, 通过多轮次参数测试优化复杂结构深度网络, 从地震大数据中挖掘出弱信号的核磁孔隙信息, 对井间核磁大孔分布进行预测, 预测符合率为78.5%。

针对核磁大孔最为发育的Q9油层, 开展全区核磁大孔分布预测。从平面上看, 古龙凹陷中部核磁大孔发育较好, 占比普遍在4%以上。该预测结果可作为重要选区依据, 结合含油性、地应力及脆性等参数, 最终确定开发布井有利区。

2.3 核磁大孔与水平井产量相关性评价

为了更好地将核磁共振测井应用于实际生产中, 分析核磁大孔发育程度与水平井产量的关系, 将不同层位、不同靶层的水平井产量与其导眼井靶层位置的核磁8 ms孔隙度进行相关性分析。为消除水平段长度带来的影响, 产量数据采用折算后千米水平段初期平均日产油量。经统计, 生产时间超过一年的14口水平井, 千米水平段初期平均日产油大于8 t的井, 其导眼井靶层核磁8 ms孔隙度大于5%; 而千米水平段初期平均日产油低于4 t的井, 导眼井靶层核磁8 ms孔隙度小于3%。由此证实, 核磁大孔发育程度与水平井产量正相关（图6）。

图6 水平井产量与核磁8 ms孔隙度关系图

3 应用效果

核磁共振测井评价结果表明, 古龙页岩油Q9油层核磁大孔最为发育, 其下部在整个油层中核磁8 ms孔隙度最高, 占比可达4%以上, 是水平井轨迹设计优选甜点段。

2023年, 在齐家-古龙凹陷中部核磁8 ms孔隙度预测较高区域, 针对Q9油层部署实施54口水平井, 井距以500 m为主, 水平段长度以2 000~2 500 m为主, 采用复合体积压裂技术。首批完钻的16口井已见到好的开发效果, 其中13口井以Q9油层下部为目标靶层, 优质靶层钻遇率90%以上, 与老井相比开发效果显著提升（表4）, 截至2024年3月底, 这批井已稳定生产200多天, 平均单井日产油21.3 t, 累产油约8× 104 t, 油气当量10× 104 t以上, 单井估算最终可采储量3.0× 104 t以上。这批井的高产证实了Q9油层具备良好的储层条件, 同时验证了核磁共振测井技术在储层评价中的适用性[12]。

表4 Q9油层水平井产量统计数据
4 结论

（1）古龙页岩孔隙以微纳米级为主, 且孔隙结构复杂, 核磁共振技术具备快速、无损、灵敏的特点, 能够全尺度表征岩石孔隙度和孔隙结构发育特征。古龙页岩自下而上岩石矿物组分呈现长英质含量增加, 黏土矿物减少的特征, 孔隙结构随之发生变化。底部Q1-Q4油层虽孔隙度较高, 但其孔隙组成主要为小孔隙; 而Q9油层长英质含量较高, 大孔隙占比显著高于其他层位, 孔隙结构更优, 油气开采相对容易, 是现阶段开发首选层位。

（2）根据实际生产井情况分析可知, 储层大孔隙占比与水平井产量呈正相关。因此, 在设计水平井时优选核磁大孔发育较好的层段, 可有效提升产量。

（3）目前核磁T2谱与岩石孔径采取的是线性模型转换, 下步可加强与室内岩心的氮气吸附、高压压汞等测试结果的结合, 开展不同模型转换系数研究, 进一步精准刻画不同尺度孔隙的特征。

（编辑 卜丽媛）

参考文献
[1] 孙龙德, 刘合, 何文渊, 等. 大庆古龙页岩油重大科学问题与研究路径探析[J]. 石油勘探与开发, 2021, 48(3): 453-463.
SUN Longde, LIU He, HE Wenyuan, et al. An analysis of major scientific problems and research paths of Gulong shale oil in Daqing Oilfield, NE China[J]. Petroleum Exploration and Development, 2021, 48(3): 453-463. [本文引用:2]
[2] 闫伟林, 张兆谦, 陈龙川, 等. 基于核磁共振技术的古龙页岩含油饱和度评价新方法[J]. 大庆石油地质与开发, 2021, 40(5): 78-86.
YAN Weilin, ZHANG Zhaoqian, CHEN Longchuan, et al. New evaluating method of oil saturation in Gulong shale based on NMR technique[J]. Petroleum Geology & Oilfield Development in Daqing, 2021, 40(5): 78-86. [本文引用:2]
[3] 白斌, 戴朝成, 侯秀林, 等. 松辽盆地白垩系青山口组页岩层系非均质地质特征与页岩油甜点评价[J]. 石油与天然气地质, 2023, 44(4): 846-856.
BAI Bin, DAI Chaocheng, HOU Xiulin, et al. Geological heterogeneity of shale sequence and evaluation of shale oil sweet spots in the Qingshankou Formation, Songliao Basin[J]. Oil & Gas Geology, 2023, 44(4): 846-856. [本文引用:1]
[4] 张鹏飞. 基于核磁共振技术的页岩油储集、赋存与可流动性研究[D]. 青岛: 中国石油大学(华东), 2019.
ZHANG Pengfei. Research on shale oil reservoir, occurrence and movability using nuclear magnetic resonance (NMR)[D]. Qingdao: China University of Petroleum (East China), 2019. [本文引用:3]
[5] 王成荣, 吴都, 刘志敏, 等. 偏心型核磁共振测井评价页岩油储层新方法[J]. 测井技术, 2022, 46(2): 151-157.
WANG Chengrong, WU Du, LIU Zhimin, et al. A new method on evaluation of shale oil reservoir with eccentric NMR Logging[J]. Well Logging Technology, 2022, 46(2): 151-157. [本文引用:1]
[6] 孙颖. 核磁共振在页岩储层参数评价中的应用综述[J]. 地球物理学进展, 2023, 38(1): 254-270.
SUN Ying. Review of the application of nuclear magnetic resonance in the evaluation of shale reservoir parameters[J]. Progress in Geophysics, 2023, 38(1): 254-270. [本文引用:1]
[7] 李宁, 闫伟林, 武宏亮, 等. 松辽盆地古龙页岩油测井评价技术现状、问题及对策[J]. 大庆石油地质与开发, 2020, 39(3): 117-128.
LI Ning, YAN Weilin, WU Hongliang, et al. Current situation, problems and countermeasures of the well-logging evaluation technology for Gulong shale oil[J]. Petroleum Geology & Oilfield Development in Daqing, 2020, 39(3): 117-128. [本文引用:1]
[8] 袁媛, 孟英峰, 李皋, 等. 致密砂岩储层毛管自吸微观分布特征[J]. 油气地质与采收率, 2020, 27(5): 71-78.
YUAN Yuan, MENG Yingfeng, LI Gao, et al. Microscopic distribution characteristics of spontaneous imbibition in tight sand stone reservoir[J]. Petroleum Geology and Recovery Efficiency, 2020, 27(5): 71-78. [本文引用:1]
[9] 沈畅, 欧阳传湘, 阮迪, 等. 致密砂岩储层孔隙结构的分形特征: 以新立油田扶杨油层为例[J]. 中国科技论文, 2019, 14(12): 1334-1340.
SHEN Chang, OUYANG Chuanxiang, RUAN Di, et al. Fractal characteristics of pore structure of tight sand stone reservoirs: A case study of Fuyang oil layer in Xinli Oilfield[J]. China Sciencepaper, 2019, 14(12): 1334-1340. [本文引用:1]
[10] 崔宝文, 陈春瑞, 林旭东, 等. 松辽盆地古龙页岩油甜点特征及分布[J]. 大庆石油地质与开发, 2020, 39(3): 45-55.
CUI Baowen, CHEN Chunrui, LIN Xudong, et al. Characteristics and distribution of sweet spots in Gulong shale oil reserviors of Songliao Basin[J]. Petroleum Geology & Oilfield Development in Daqing, 2020, 39(3): 45-55. [本文引用:1]
[11] 冯晓红. 深度学习在地震储层预测中的应用研究[D]. 北京: 中国石油大学(北京), 2020.
FENG Xiaohong. The study on the application of deep learning into seismic reservoir prediction[D]. Beijing: China University of Petroleum (Beijing), 2020. [本文引用:1]
[12] 张家成. 页岩油储层核磁共振资料处理方法研究及其应用[D]. 武汉: 长江大学, 2023.
ZHANG Jiacheng. Research and application of nuclear magnetic resonance data processing methods for shale oil reservoirs[D]. Wuhan: Yangtze University, 2023. [本文引用:1]