Оценка фильтрационных свойств нижнепалеозойских карбонатных пород на основе их литогенетической типизации по данным расширенного комплекса геолого-геофизических исследований (на примере месторождений вала Гамбурцева)

Глава 4. Разработка методики литогенетической типизации разреза по данным расширенного комплекса ГИС.

В четвертой главе приводится описание разработки методики литогенетической типизации разреза по данным расширенного комплекса ГИС. Отмечается, что для проведения литогенетической типизации разреза наиболее значимым методом является пластовый электрический микросканер.

Литогенетическая типизация пород по данным пластового электрического микросканера

Детальное сопоставление результатов послойного литогенетического описания и фотографий керна с динамическим и статическим имиджами FMI позволяет выделить признаки, отвечающие различным типам пород. При этом принципиально использование обоих имиджей - статического и динамического. Границы литогенетических типов более четко прослеживаются на статическом имидже, который отражает широкомасштабные изменения, имеющие отношения к литологическим особенностям разреза (рис.4).

Рис. 4. Сопоставление результатов послойного литогенетического описания керна и фотографий керна различных типов пород с динамическим и статическим имиджами FMI

Детальное сравнение фотографий керна с динамическим имиджем, который позволяет визуально дифференцировать изменения амплитуды очень малого масштаба, связанные со строением и текстурой пород, дает возможность более точно установить признаки различных зон обстановки осадконакопления и, соответственно, генетическую принадлежность пород.

Можно видеть, что в интервалах отложений супралиторали, текстурными признаками которых является тонкое горизонтальное переслаивание, водорослевые ламиниты, наличие глинистой примеси, на динамических имиджах FMI просматриваются тонкие слои (~ до 5 см) с практически нулевыми углами падения. Статические имиджи характеризуются более темными оттенками по сравнению с вмещающими породами. Кроме того, часто видны короткие вертикальные следы растрескивания - возможно, трещины усыхания, которые также типичны только для пород супралиторали.

Интервалы верхней литорали выделяются по FMI менее однозначно. В основном, для этих отложений, как и для супралиторальных пород, характерно переслаивание отличающихся по содержанию глинистого материала пород, однако, слои гораздо шире (~ до 30см) и <прерывистее> (менее контрастные), чем в интервалах супралиторали. На динамическом имидже верхнелиторальных отложений кроме слоистой текстуры на имиджах местами присутствует <мелко-пятнистая> текстура. На статическом имидже верхнелиторальные отложения характеризуются переходными цветовыми характеристиками.

Отложения нижней литорали достаточно четко выделяются как наиболее <светлые>, то есть высокоомные, интервалы на статическом имидже. Следовательно, нижнелиторальные отложения, в основном, представлены плотными разностями. Подтверждение этому видно и на распределении связи пористость-проницаемость (рис.1): все образцы нижней литорали характеризуются низкой пористостью. Для нижнелиторальных отложений характерна волнистая и линзовидная слоистость, что наблюдается и на электрических образах стенки скважины. Для отложений нижней литорали и мелкой сублиторали, образованных в зонах с низкой гидродинамической активностью, характерно редкое переслаивание темных иловых разностей (слои ~ от 10 до 50см) и более светлых пелоидных. В целом, отложения мелкой сублиторали имеют пятнистую текстуру на диаграммах FMI, что обусловлено неоднородностью пустотного пространства пород данного типа.

С различной долей достоверности по данным пластового электрического микросканера определяются все рассматриваемые типы пород, однако наиболее четко по данным FMI выделяются отложения супралиторали и нижней литорали.

Литогенетическая типизация пород по данным стандартного комплекса ГИС

Основные возможности определения литогенетических типов по разрезу скважин, в которых имеется только стандартный комплекс ГИС, автор связывает с применением методов математической классификации данных. При этом нами использовались такие методы математической классификации как дискриминантный анализ, регрессионные модели совместно с методом главных компонент, деревья решений, нейронные сети.

Для проведения литогенетической типизации разреза по данным ГИС нами использовались методы ГК, БК, НК, АК и ГГКп. Поскольку для количественного анализа необходимы абсолютные значения физических характеристик, данные ГК и НК, числовые показания которых зависят от эталонировки приборов, переведены в безразмерные величины - коэффициент массовой глинистости Cгл и водородосодержание W соответственно. Для выявления зависимостей между типом фаций и методами ГИС введена числовая параметризация фациальной структуры целыми числами от 1 до 4, отражающая последовательность типов пород в разрезе.

На подготовительном этапе обработки проведена оценка степени линейной связи между типом фации и данными измерений комплекса ГИС (таблица 1). Достаточно высокие значения коэффициентов корреляции указывают на наличие объективных предпосылок для прогнозирования петрофизических свойств разреза скважины по каротажным данных. В этом смысле наиболее значимыми являются методы БК и ГК, что связано с влиянием на эти методы текстурных особенностей разнофациальных пород.

Таблица.1 Матрица корреляции между типом пород и данными методов ГИС
	ГГКп	lgБК	W	АК	Сгл	Фации
Фации	0.17	-0.71	0.37	-0.25	0.56	1.00

В качестве первого шага в изучении взаимосвязи между данными ГИС и фациальной структурой автором использовался дискриминантный анализ. С помощью дискриминантного анализа устанавливается, какими средними значениями характеризуются данные ГИС для различных типов фаций, и насколько эти средние отличаются друг от друга. На рис. 5 показано среднее значение (точка) и соответствующий 95% доверительный интервал для среднего (квадрат), а также оценка дисперсии методов БК, Сгл, АК, ГГКп и W.

Рис. 5. Средние значения и дисперсии методов ГИС

Можно отметить достаточно хорошее разделение между 3-ей и 4-ой фациями по данным БК и ГК, а также между 3-ей фацией и совокупностью 1-ой и 2-ой фаций по данным БК. Степень перекрытия областей значений для каждой фации достаточна высока, тогда как доверительные интервалы средних разделяются хорошо, поэтому классификация, построенная с применением дискриминантного анализа, обладает удовлетворительной точностью лишь при достаточно большом количестве наблюдений (пластов) со значимой оценкой средних значений. В связи с этим представляется целесообразным поиск многомерных корреляционных связей между фациями и методами ГИС.

По результатам проведенных исследований было предложено использование регрессионных моделей, построенных по данным эталонных скважин (с керном и FMI).

В результате применения различных методов математической классификации нами было установлено, что по данным стандартного комплекса ГИС возможно достоверное определение в разрезе фаций супралиторали (4) и верхней литорали (3). Породы нижней литорали (2а и 2б) и мелкой сублиторали (1) плохо разделимы по геофизическим данным и представляют единую группу. В связи с этим предложено использование трех петрофизических структурно-вещественных комплексов (ПСВК). Первый из них соответствует объединению 1-ой и 2-ой фаций, второй ПСВК - 3-ей фации, третий ПСВК - 4-ой фации. Регрессионная модель для разделения пород на три группы методами БК, ГК, АК и НК

Коэффициент корреляции между истинными и прогнозируемыми типами фаций по данному уравнению множественной регрессии составляет 0.82, что приемлемо для практического применения. Наиболее значимыми методами стандартного комплекса ГИС для проведения литогенетичекой типизации разреза нижнедевонских карбонатных отложений Тимано-Печорской провинции являются БК, ГК и АК.

Поскольку разрез продуктивных отложений вала Гамбурцева сильно изменчив по глубине и представляет собой переслаивание маломощных пропластков, соответствующих разным фациальным типам, автором было установлено, что для эффективного применения данных ГИС при типизации разреза, минимальная толщина пропластков в обучающих скважинах должна быть 1.2м (рис.6).

Рис. 6. Зависимость точности прогнозирования типов по регрессионной модели от минимальной толщины пропластка

Анализ результатов применения различных методов классификации, которые базируются на принципиально различных подходах воспроизведения зависимости между входными (данными ГИС) и выходными (типом породы) данными позволяет предположить, что достигнутая точность классификации приближена к максимально возможной.

Оценка качества предлагаемой методики, проведенная на тестовых скважинах, показала ее эффективность как для литогенетической типизации пород, так и для уточнения фильтрационно-емкостных свойств пород.