【专家技术贴】利用数字岩心技术定量描述非常规储层

Lin879

本文中，将会和大家交流针对非常规储层，岩石物理性质定量描述的工作流程。通过对不同尺寸岩石结构的定量描述，能够大大降低储层岩石物理性质的不确定性，节约时间和成本。

对于非常规储层和致密储层，他们有一个共同点，就是孔隙尺寸分布范围非常广，尺寸跨度比较大，无法用单一的分辨率进行描述。本文就通过对多尺度扫描结果进行定量分析，量化储层岩石物理性质。文中分别对三类非常规储层进行了分析，分别是两块非均质碳酸盐岩（C1和C2），两块粘土发育的砂岩（S1和S2），以及一块页岩样品（Sh）。图1中描述了本文中要介绍的分析工作流程。本文中所有的图像都是利用PerGeos油气领域标准数字岩石处理分析及三维可视化专业系统处理及分析。图像来自于ThermoFisher Scientific公司的硬件，包括HeliScan螺旋式Micro-CT，Helios双束电镜，以及Quanta 650F扫描电镜。

Figure 1: 非常规储层多尺度分析流程图（图像采集工具包括Micro-CT和SEM等更高分辨率图像）

Micro-CT微米尺度分析

工作流程中的第一步，就是利用X射线微米CT分别对干岩样和饱和岩样进行扫描成像[1,2]。通过对饱和前后样品进行分析，就可以得到岩心三维孔隙分布图。基于二维QEMSCAN矿物图像，利用二维/三维对准技术，就可以得到三维矿物分布图[3,4]。最终得到的孔隙分布图和矿物分布图被用作模拟储层岩石物理性质。模拟时，低于图像像素的孔喉，通过更高分辨图像得到的岩石物理模型来描述。并且，Micro-CT图像得到的孔隙度被用作为高分辨率模型的一个输入参数。我们所有基于基质的（单相）和孔隙网络模型的（单相/多相）模拟。都是基于这种多尺度的方法[5]。这部分，我们就来看一下孔隙分布图和能代表岩心的相关的孔隙网络模型。

1. 含微裂缝的碳酸盐岩

图2：含微裂缝的碳酸盐岩样品，三维孔隙图谱中的一个二维截面（C2）。灰度值代表每个像素体的孔隙度。

图3：孔隙分布图，以及用孔隙网络模型来表征含微裂缝的碳酸盐岩（C2）。连通孔隙在图中以红色显示，低于分辨率的孔隙在图中由蓝色到白色显示，孔隙度逐渐由高至低。图像为从边长为610个像素体中接出来的边长为300个像素体的立方体。这种新的工作流程不仅能够描述常规的基质孔，还可以描述碳酸盐岩样品中的微裂缝，以及两个系统之间的连通关系。

2. 页岩样品

图4：页岩样品三维孔隙分布图的二维截面（Sh）。灰度值代表了每个像素体的孔隙度。因为孔隙度分布图来源于干/湿样品的扫描图像，因此所有的孔隙都为连通孔隙。

图5：代表页岩样品(Sh)中大部分连通孔隙（porosity>0.25）的孔隙分布图和孔隙网络模型。连通孔隙为红色，低于分辨率的对孔隙显示为蓝色到白色，辨别代表孔隙度由大到小。图像失是从边长为800像素体的样品中取下来来的边长为300像素的图像。

3. 富含粘土矿物的砂岩

图6：富含粘土矿物砂岩样品孔隙分布图的二维截面

图7：孔隙分布图和代表富含粘土矿物砂岩（S2）的孔隙网络模型。连通孔隙显示为红色，低于图像分辨率的孔隙在图中显示为蓝色到白色，分别表示孔隙度由高到底。

高分辨率尺度

正像之前所说，Micro-CT图像中低于分辨率的孔隙是通过更高分辨率图像的岩石物理性质来描述的。为了达到这个目的，可以用多个高分辨率模型。举个例子，本流程中分析的碳酸盐岩利用了四个基于BSE图像的不同模型。在这节，给大家展示了三个不同的高分辨率模型：页岩微观模型，砂岩高岭石粘土矿物模型，和碳酸盐岩微观模型。对于某些情况而言，基于BSE背散射图像用过程法建模。这些高分辨率模型中包含了单相和多相性质和孔隙性质。

图8：页岩（Sh）FIB SEM双束电镜图像分割图以及相应的孔隙网络模型。图片尺寸1975x1591x615，像素体尺寸为14.63nm。连通孔隙显示为红色，有机质为绿色，石英质为亮蓝色，方解石为深蓝色。孔隙网络模型是从连通孔隙中抽提而来。

图9：孔隙中填充的高岭石（左）的高分辨率BSE图像，和三维过程法建模模型的二维截面图（S2）。模型是基于一些统计参数最小差异而建立，能够很好的描述颗粒的分布情况和尺寸。

图10：碳酸盐岩（左）高分辨率BSE图像，三维过程法建模图像的二维截面（C1）。模型是基于一些BSE图像和过程法图像统计参数最小差异而建立。

结果分析

这一节我们一起看一下利用全新的多尺度分析工作流程得到的分析结果。前文已经详细的极少，我们得到孔隙度、矿物分布谱图数据，并为每个样品创建了高分辨率模型。表1中，展示了所有样品中单相模拟的相关分析数据。

表 1: 模拟和实验的单相性质比较。标有+/-的数据，表示同样的样品进行了不同方法的实验。比如，对于S2样品，实验测量方法利用的是和数字岩石计算方法尺寸不一样的同类型岩心（这同样也说明了为什么孔隙度有差异）。

正如上表所展示的，数值计算数据和实验数据的结果匹配度很高。然而，这样单向的数据并不能为我们了解储层的多样性提供很多支撑。利用数字岩石分析技术，我们可以评价岩石的各向异性对岩石物理性质的影响。接下来，就跟大家展示S1,Sh和C2样品的孔隙度-渗透率曲线。通过计算不同尺寸的样品的数据，我们就可以来量化分析样品的单阶段或者阶段化的性质。

图 11: 页岩样品（Sh）渗透率的各向异性分析。红色点为X方向渗透率，绿色点为Y方向渗透率。蓝色点为Z方向渗透率。红色的方框描述平均渗透率的变化。蓝色的线代表幂次的拟合曲线，灰色曲线代表变化范围。红色的交叉曲线代表表1中统计的平均值。

图 12: 富含粘土的砂岩样品（S1）渗透率的各向异性分析。红色点为X方向渗透率，绿色点为Y方向渗透率。蓝色点为Z方向渗透率。红色的方框描述平均渗透率的变化。蓝色的线代表幂次的拟合曲线，灰色曲线代表变化范围。红色的交叉曲线代表表1中统计的平均值。

图 13: 含微裂缝的碳酸盐岩样品（C2）的各向异性分析。红色点为X方向渗透率，绿色点为Y方向渗透率。蓝色点为Z方向渗透率。红色的方框描述平均渗透率的变化。蓝色的线代表幂次的拟合曲线，灰色曲线代表变化范围。红色的交叉曲线代表表1中统计的平均值。

由此我们可以得出结论，含微裂缝的碳酸盐岩绝对渗透率的范围非常广，可以横跨6个量级。造成绝对渗透率差异如此之大的原因，是有的样品中含有相互连通的微裂缝，从而造成渗透率非常高，特别是在X方向上；另外一下样品并没有这么多微裂缝和连通微裂缝，因此孔隙主要来源于基质孔。相比之下，页岩和砂岩的孔隙度-渗透率曲线就更均质，各个方向的渗透率差异没那么明显。在这些例子中，幂次拟合曲线都能够很好地说明问题。

这种多尺度的方法不仅能用于单相性质及可变性的分析，同时还可以用与多阶段性质的分析。下图中展示了砂岩样品（S2）的实验注汞曲线和模拟注汞曲线，不同方法得到的注汞曲线吻合度很高。同时还展示了模拟原始排驱相对渗透率曲线。

图 14: 左图为砂岩样品（S2）模拟和实验注汞毛管压力曲线 (MICP) ，右图为砂岩样品（S2）原始排驱相对渗透率曲线。

新的多尺度工作流程还可以用来研究自吸的性质。下面的几张图，展示了水湿砂岩（S1）和油湿碳酸盐岩样品（C1）毛管压力曲线和相对渗透率曲线特征。图中展示了水相在原始含水饱和度下注入和扫描的曲线。利用这种类型的敏感性分析，可以帮助我们分析原始含水饱和度对残余油饱和度影响的基础性质分析。根据离油水界面（OWC）的高度差异，不同的起始点和原始排驱过程的最大毛管压力有关。

图15: 原始含水饱和度下（水湿S1砂岩样品）注水的模拟毛管压力曲线和相对渗透率曲线。

通过图15可以分析S1样品的阶段化性质是由高分辨率模型主导的。大的孔隙的影响只有在原始排驱曲线高饱和的区域中有影响。因此，样品的连通性主要是由微孔隙相（粘土）决定的。在自吸过程中，微孔隙相对非湿相的补集量有非常重要的影响。岩心中的溶蚀孔（孔隙度的1/3）通常是通过富含粘土的区域（水湿）相连的，一旦非湿相不再连通，那所有大孔中的非湿相都被圈住。这个现象在水湿样品的实验中和扫描曲线中也观测得到。

图 16: 原始含水饱和度下（油湿C1碳酸盐岩样品）注水的模拟毛管压力曲线和相对渗透率曲线。

和水湿样品不同，图16中的油湿碳酸盐岩样品中非湿相的补集量很少。有溶蚀孔孔隙度只有0.3%，因此该岩心的多相性质受不同的微孔隙区域控制。对于此次样品，我们划分了四个微孔隙区域。对于这个例子而言，孔隙度最小的区域发生驱替时（红色和绿色曲线），束缚水饱和度是很低的。由于高分辨率的区域为油湿，为了保证连通孔隙中非湿相可以继续被驱替，孔隙度最小的部分通常是最后被侵入的部分。

结论

本文中跟大家介绍了一种分析非常规储层岩石岩石物理性质的多尺度分析新方法。文中论述了数个我们操作的实例，从而说明这个方法在碳酸盐岩、致密砂岩及页岩中都适用。诸如孔隙度、渗透率等单相性质参数通过分析，发现实验值和模拟值很接近。同时，我们还跟大家介绍了定量分析各向异性性质的新方法。在时候水湿（砂岩）和油湿（碳酸盐岩）条件下，分别度一样品进行原始排驱模拟和自吸模拟，从而得到诸如毛管压力曲线和相对渗透率曲线这类的阶段化性质。最后，我们对阶段化的性质对原始含水饱和度的敏感性进行了分析。

参考文献

[1] Arns, C. et al., 2003. Petrophysicalproperties derived from X-ray CT images. APPEA Journal.

[2] Golab, A. et al., 2010. 3D porosity andmineralogy characterization in tight gas sandstones. The leading edge, pp.936-942.

[3] Gottlieb, P. et al., 2000. Usingquantitative electron microscopy for process mineralogy applications. Journalof minerals, metals and materials society.

[4] Latham et al., 2008. Image registration:Enhancing and calibrating X-ray mCT imaging, International symposium of Societyof Core Analysts.

[5] Ruspini et al, 2016, A multi-scaleimaging and modeling workflow for tight rocks, SPE-180268-MS.

[6] Golab A. et al, 2015, Final report ondigital core analysis and property correlations from in-situ studies usingsupercritical CO2, ANLEC project, ANU.

关注科吉思石油查看原文：