一种基于全岩和粘土矿物组成的储层敏感性预测方法与流程

本发明涉及油气地质和开发技术领域，具体涉及一种基于全岩和粘土矿物组成的储层敏感性预测方法。

背景技术：

储层敏感性评价是地质和油藏工程技术人员评价储层的一项重要工作，现有的储层敏感性评价方法主要依赖于室内实验，通常根据现行的中国石油天然气行业标准《储层敏感性流动实验评价方法(sy/t5358-2010)》，评价储层岩石的速敏、水敏、酸敏、碱敏等敏感性，分别需要取大量的岩心进行室内岩心流动实验，实验所需井下储层岩石样品较多，测试时间长，成本高。不利于大规模开展测试工作，限制了对储层早期的快速认识。

技术实现要素：

为了解决储层敏感性评价实验所需井下储层岩石样品较多，测试时间长，成本高问题，本发明提供一种测试时间低，成本低的基于全岩和粘土矿物组成的储层敏感性预测方法,包括以下步骤：

第一步：取井下岩心样品，钻切成直径25mm，长度在5与10mm之间的圆柱状岩心，进行渗透率敏感性测试，并根据测试结果计算实验岩心样品的敏感指数；

第二步：取少量圆柱状岩心切割的岩屑碎样进行x射线衍射实验，测得实验岩心样品的全岩和粘土矿物组成；

第三步：整理柱状岩心的渗透率敏感指数与对应的全岩和粘土矿物组成数据，绘制全岩和粘土矿物含量与敏感指数之间的数据分布散点图；

第四步：在全岩和粘土矿物含量与敏感指数的数据分布散点图中，观察相关关系分布图，找出影响敏感函数y1一元函数关系式的单因素变量x1、x2、……、xn,x1、x2、……、xn表示岩石矿物组成，n表示矿物的种类，进行逐个一元回归确定敏感函数y1的一元函数关系式，并确定各岩石矿物组成的回归相关系数r1²、r2²……、rn²；

第五步：根据敏感指数的单因素影响数目和回归得到的一元函数关系式，构建多因素影响的多元函数模型，所述多元函数模型以敏感指数多元函数y2为目标，岩石矿物组成为函数变量，以第四步中单因素回归得到的相关系数为各变量的权重；

第六步：对构建的多元函数y2进行回归，确定回归系数；

第七步：将回归系数带回到多元函数中得到基于全岩和粘土矿物组成的敏感性指数预测数学模型，根据岩石的矿物组成时和敏感性指数预测数学模型预测特定组成区间的储层敏感性。

进一步的，所述敏感指数包括，速敏或水敏或酸敏或碱敏。

进一步的，函数y1一元函数关系式包括，线性一元函数或指数一元函数或对数一元函数或多项式一元函数

本发明的有益效果是：采用本发明的技术方案可以预测一定范围岩石矿物组成的储层敏感性，从而减少了大量的敏感性测试工作，测试时间低，成本低。

附图说明

图1为本发明一实施例流程图。

图2为速敏指数与各种岩石矿物组成的关系图。

图3为水敏指数与各种岩石矿物组成的关系图。

图4为酸敏指数与各种岩石矿物组成的关系图。

图5为碱敏指数与各种岩石矿物组成的关系图。

图6为本方法预测结果与实测敏感指数对比图。

具体实施方式

本发明的发明构思是：以较少量的储层敏感性实验测试结果为基础，结合测试岩石样品的全岩和粘土矿物组成数据，通过数据相关性识别分析，找出影响储层敏感性的全岩和粘土矿物具体种类，分析各种岩石矿物对敏感性的影响规律，建立单因素影响回归模型，并根据回归后的相关系数，设置各种岩石矿物的影响权重。并以单因素回归模型为基础构建以敏感性为目标函数，各种岩石矿物含量为变量，相关系数为权重的多元数学函数模型，利用少量的储层敏感性流动实验数据和全岩及粘土矿物组成数据进行多元回归，求解回归系数，并将回归系数代入多元函数中，该函数可以预测一定范围岩石矿物组成的储层敏感性，从而减少了大量的敏感性测试工作。

如图1所示，本发明提供一种基于全岩和粘土矿物组成的储层敏感性预测方法，包括以下七个操作步骤。

第一步：取多份不同的井下岩心样品，钻切成直径25mm，长度在5与10mm之间的圆柱状岩心，并进行速敏、水敏、酸敏和碱敏等渗透率敏感性测试，并根据测试结果计算不同实验岩心样品的各种敏感指数。

第二步：钻切圆柱状岩心的同时，取少量圆柱状岩心切割的岩屑碎样进行x射线衍射实验，测得样品的全岩和粘土矿物组成。

第三步：整理各柱状岩心的各种渗透率敏感指数与对应的全岩和粘土矿物组成数据，绘制全岩和粘土矿物含量与敏感指数之间的数据分布散点图。

第四步：在各种全岩和粘土矿物含量与敏感指数的数据分布散点图中，观察相关关系(线性、指数式、对数式、多项式等)较好的分布图，找出影响目标函数y1(敏感指数)的单因素变量x1、x2、……、xn(各种岩石矿物组成)进行逐个一元回归，并确定各自的回归相关系数r1²、r2²……、rn²。

单因素一元函数为：

y1(xi)速敏＝fi(xi)，权重为ri²，i的取值范围为1到n。

在本发明实施过程中，敏感指数还可以是水敏或酸敏或碱敏。

第五步：根据各种敏感指数的单因素影响数目n和回归得到的一元函数关系式，构建多因素影响的多元函数模型。该函数以各种敏感指数y为目标，各种岩石矿物组成(x1、x2、……、xn)为函数，以单因素回归得到的相关系数r1²、r2²……、rn²为各变量的权重。

多因素多元函数为：

y2(x1、x2、……、xn)速敏＝a1*f1(x1)+a2*f2(x2)+……an*fn(xn)

第六步：对构建的多元函数y进行回归，确定回归系数ai。

第七步：将回归系数ai带回到多元函数中即可得到基于全岩和粘土矿物组成的敏感性指数预测数学模型，在已知岩石的矿物组成时，可根据该数学模型预测特定组成区间的储层敏感性。

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例包括以下步骤：

1、根据x衍射实验和岩心敏感性实验测试结果，绘制4种粘土矿物(绿泥石、高岭石、伊利石、伊蒙混层)和2种岩石矿物(方解石和石英)分别与速敏、水敏、酸敏、碱敏指数的散点图(见图2～图5)。

2、首先分析速敏，图2中观察发现，3种岩石(高岭石、伊利石和方解石)矿物含量对速敏指数的影响具有较好的对数规律，分别进行对数曲线回归，得到高岭石回归方程y1＝26.746ln(x2)-64.208，伊利石回归方程y1＝20.468ln(x3)-33.492和方解石回归方程y1＝13.174ln(x5)+0.8972，回归的相关系数分别为高岭石0.7950、伊利石0.8609和方解石0.5384。

在本步骤中对观察发现相关性不好的3种岩石不需要构建回归方程，以避免对每一种岩石都构建回归方程造成后续构建的多元回归函数过于复杂。在本步骤中通过对单因素回归的观察和单因素回归方程的确定，可以选择出敏感指数相关性较高的岩石种类，确定回归方程的类型，使得后续多元回归函数的确定可以选择相同的回归方程类型以及敏感指数相关性较高的岩石种类，解决了多元回归函数y2选择岩石种类和选择回归方程类型的技术问题。

3、以高岭石、伊利石和方解石含量为变量，速敏指数为目标函数，构建多元回归函数y2＝a1*ln(x2)+a2*ln(x3)+a3*ln(x5)+a4，对实验数据进行多元回归，采用单因素回归的相关系数为各自的权重解出系数a1＝0.33894，a2＝21.1501，a3＝6.54471，a4＝-59.4649，相关系数0.9147。

4、预测模型为y2＝0.33894*ln(x2)+21.1501*ln(x3)+6.54471*ln(x5)-59.4649，只要给定任意岩石样品中的高岭石、伊利石和方解石含量的百分含量x2、x3和x5，则可以预测速敏指数y2。

在其他实施例中，水敏指数、酸敏指数和碱敏指数的预测模型的建立和预测方法与速敏类似。差别在于所选变量和构建的多元函数不一样。

在本发明实施过程中需要注意以下事项。

1、实验测试的样本不宜太少，太少则难以寻找规律，难以建立岩石矿物组成与敏感性指数的关系函数；同时也难以保证在较广泛的岩石矿物组成分布区间内预测结果的可靠性。每项敏感性和岩石矿物组成测试样本建议不少于10组。

2、实验测试的样本不宜太多，样本太多需要花费更多的实验投入，显示不出该方法的优势，同时过多样本对预测结果可靠性的提高幅度也有限。每项敏感性和岩石矿物组成测试样本建议不多于20组。

3、实验数据样本选择时，应尽可能使岩石矿物的组成分布和敏感性指数的分布范围更广。

4、无论是单因素一元函数还是多因素多元函数建立和回归，尽量采用结构简单的函数，同时减少变量数目，减少拟合系数的数目，以便更快捷地拟合函数中的待定系数。

5、一元和多元函数的回归可采用编程或者其他数据处理软件，例如excel、matlab、origin等。

本发明的有益效果是：通过预测结果以及误差分析，本实施例中48个计算预测数据与实际测试结果比较中，80％的样本预测误差小于20％，仅水敏指数评价效果相对较差，速敏、酸敏和碱敏90％的样本预测误差小于20％，满足储层敏感性评价的工程误差范围，见图6。

虽然，上文中用一般性说明以及具体实施例对本发明作了详尽的描述，本发明可以实现预测一定范围岩石矿物组成的储层敏感性，从而减少了大量的敏感性测试工作，测试时间低，成本低，但在本发明基础上，可以作一些修改或改进，对本领域技术人员显而易见。因此在不偏离本发明精神基础上的修改或改进，均属于本发明要求保护范围。