Петрофизическая модель баженовской свиты Приобского месторождения «Роснефти»

Дочернее общество ООО «РН-БашНИПИнефть» является крупнейшим корпоративным научно-исследовательским и проектным институтом Компании «Роснефть», на его базе действует Специализированный институт по разработке трудноизвлекаемых запасов (ТрИЗ). При непосредственном участии научного института совместно с другими обществами Компании, а также с ведущими научными коллективами страны ведется комплексное и всестороннее изучение объекта. Специалисты осуществляют разработку актуальных геологической и петрофизической моделей, актуализацию запасов углеводородного сырья (УВС), разработку методов и технологий добычи «трудных» запасов УВС баженовской свиты в пределах лицензионных участков ООО «РН-Юганскнефтегаз», в частности на территории Фроловской нефтегазоносной области, включающей в себя крупнейшие по запасам нефти в отложениях баженовской свиты Приобское и Салымское месторождения. БС имеет сложное геологическое строение и высокую изменчивость состава и свойств как по вертикали, так и по латерали, и по литологическим и геохимическим свойствам является особым объектом. Несмотря на большое количество накопленной информации, проведенных исследований и выполненных работ по данной тематике, на сегодняшний день не сложилось общего мнения о подходах к геолого-петрофизической интерпретации данных отложений.

Основной задачей представленной работы является разработка корректной петрофизической модели отложений свиты, которая позволит объективно оценивать потенциал объекта и планировать его эффективную разработку. Для решения задачи требуется понимание геологического строения объекта, положения интервалов коллекторов в разрезе, вещественного состава пород, морфологии пустотного пространства и распределения в нем углеводородов.

В процессе работы был не только опробован имеющийся опыт [1], [6], но и наработан собственный. Так, были выработаны и обоснованы собственные методические подходы к определению подсчетных петрофизических параметров и способов локализации коллекторов по разрезу свиты.

Коллекторы баженовской свиты

В пределах Приобского месторождения БС имеет сложное строение и высокую литологическую изменчивость. При этом выявлены закономерности, которые проявляются во взаимосвязях вещественного состава пород, условий их накопления, пористости, геохимических свойств.

В строении разреза БС выделяются две подсвиты, разделенные на пачки. Одной из особенностей свиты является тот факт, что большая часть породообразующих компонентов пород имеет биогенное происхождение. Состав и облик пород коррелирует с периодами повышенной биопродуктивности, и разрез можно расчленять на пачки в зависимости от выделяемой биоты. Выделяемые пачки характеризуются индивидуальными особенностями строения: различиями вещественного состава, типами пород и другими признаками [14].

На рисунке 1 приведен пример расчленения разреза на пачки по одной из скважин изучаемого объекта.

Рисунок 1. Пример разреза скважины в интервале баженовской свиты

с выделенными пачками и их типичным обликом по фотографиям керна

Первая пачка сложена переслаиванием глинисто-кремнистых низкоуглеродистых пород и радиоляритов темно-серого цвета. В породах встречаются кости рыб, онихиты. Вторая пачка представлена темно-серыми углеродистыми породами и характеризуется наличием детрита раковин двустворок. Третья пачка представлена переслаиванием высококремнистых породам и радиоляритов и глинистых прослоев, встречаются доломитизированные и кальцитизированные прослои. Четвертая пачка представлена керогеново-глинисто-кремнистыми породами с высоким содержанием органического вещества и раковин иноцерам. Пятая пачка сложена керогеново-карбонатно-глинисто-кремнистыми породами с карбонатизированными прослоями в форме линз и конкреций. Шестая пачка представлена темно-серыми глинисто-кремнистыми породами с повышенным содержанием пирита [15]. На территории изучаемого месторождения отложения шестой пачки маломощные и представляют собой переходные разности от отложений БС к породам вышележащей толщи.

В изученных скважинах с выносом керна повышенным нефтенасыщением зачастую обладают хрупкие низкоглинистые радиоляриевые силициты и радиоляриты и хрупкие карбонатизированные радиоляриты. Породы содержат минимальное количество твердого органического вещества и глинистых минералов и ассоциируются с определенными интервалами разреза. Для них характерны повышенные фильтрационно-емкостные свойства, наличие в поровом пространстве миграционных битумоидов, повышенная хрупкость, свечение в УФО.

Наличие в породах миграционных битумоидов (углеводородов, оторвавшихся от материнского ОВ и претерпевших миграционные подвижки внутри нефтематеринской толщи) можно определить по геохимическим параметрам, основным из методов определения которых является пиролиз пород. На наличие в породах миграционных процессов указывает, прежде всего, потеря корреляции между Сорг и S1, повышенное значения пика S1, соотношение пиков S1 и S2, повышенные коэффициенты превращенности PI и нефтенасыщения OSI. Корреляционные зависимости между Сорг и S1 с разделением на породы коллекторы и нефтематеринскую вмещающую толщу представлены на рисунке 2.

Рисунок 2. Корреляционные зависимости между Сорг,

сингенетичными (во вмещающих породах) и миграционными (в коллекторах) углеводородами

Рисунок 3 демонстрирует пример выделенных интервалов коллекторов по одной из скважин месторождения и показано соотношение Сорг и S1, а также коэффициент OSI. Напротив интервалов коллекторов наблюдаются «кроссовер» между Сорг и S1 и повышение значений OSI.

Рисунок 3. Пример разреза скважины в интервале баженовской свиты

с результатами выделения коллекторов по данным керна

Интервалы радиоляритов и радиоляритовых силицитов приурочены в основном к интервалу нижней подсвиты. Основной интервал пород коллекторов сосредоточен в третьей пачке и сложен радиоляритами коричневыми частично карбонатизированными и глинисто-кремневыми породами темно-серыми. В нижней части пятой пачки выделяются интервал известняков с комковатой структурой с заполнением карбонатизированными радиоляритами.

Задачи, связанные с разработкой баженовской свиты, требуют оперативного и уверенного выделения коллекторов и потенциально-продуктивных интервалов – хрупких пород, которые хорошо поддаются технологическому стимулированию с помощью гидроразрыва пласта (ГРП). Такие объекты в разрезе БС выделяются по комплексу признаков:

• пониженное содержание глинистой компоненты и ТОВ по минеральному составу;

• повышенная механическая хрупкость пород;

• повышенные значения пористости по данным керна и ГИС.

Как правило, все эти признаки коррелируют между собой – коллекторы представлены наиболее хрупкими и «чистыми» интервалами (рис.6).

Таким образом, задачу определения интервалов коллекторов по ГИС можно решить путем решения следующих подзадач:

• Определения вещественного состава.

• Определение хрупкости пород.

• Определения пористости пород, занятой миграционными углеводородами.

На качественном уровне такие интервалы характеризуются низкими значениями естественной радиоактивности (метод гамма-каротажа ГК), интервального времени (акустический каротаж) АК, а также повышенными значениями гамма гамма плотностного каротажа ГГКП, нейтронного каротажа НК. На количественном уровне требуется расчет минерального состава, а также динамических упругих модулей по ГИС.

Моделирование вещественного состава пород по ГИС

Одной из основных и характерных особенностей отложений БС является сложный состав скелета. Основными породообразующими компонентами минеральной части скелета по данным керна являются кварц, халцедон, альбит, кальцит, доломит, иллит, смешанно-слойные образования (ССО), каолинит, пирит, сидерит. Неминеральная часть скелета состоит из твердого органического вещества (ТОВ) – керогена.

В силу своих аномальных физических свойств, часть которых близка к свойствам флюида, кероген значительно осложняет задачи расчета минерально-компонентного состава и построения петрофизической модели. Учесть влияние всех минералов, слагающих БС, при петрофизическом моделировании в условиях стандартного и даже расширенного комплекса ГИС весьма затруднительно. Как следствие, при выборе метода расчета минеральных компонент детерминистический подход отвергнут в пользу статистического подхода. Данный метод использует систему линейных и нелинейных уравнений и реализует модификацию метода наименьших квадратов, в котором при имеющемся множестве решений выбирается то решение, которое удовлетворяет условию минимального расхождения измеренных кривых ГИС и синтетических, рассчитанных из полученных компонент модели и заданных физических константах [5].

Для моделирования минерально-компонентной модели (МКМ) по ГИС статистическим методом использован комплекс, включающий в себя такие исследования как БК, ГК, ННК, ГГКП и АК. Данным комплексом освещено достаточное количество скважин Приобского месторождения, при этом становится технически возможным рассчитать шесть основных макрокомпонент литологического состава пород. Соответственно, детальная модель по керну, которая состоит из 11 компонент, была укрупнена до шести: «кремнистое вещество», «глинистое вещество», «карбонатное вещество», ТОВ, пирит. При расчете свойств компонент модели свойства минералов смешивались в укрупненные компоненты согласно статистике по керну. Настройка статистической модели выполнялась по двум критериям: сходимость вещественного состава по керну и модели, а также ошибка восстановления синтетических кривых ГИС.

Для случая, когда имеющегося комплекса ГИС недостаточно для построения МКМ, представлен подход, основанный на выделении кластеров (макрокомпонент) на основании минерального состава по данным лабораторных исследований керна с помощью кластерного анализа, позволяющий с минимальной ошибкой представить исходное содержание минералов через линейную комбинацию макрокомпонент (базис). При этом определяется возможность выделения макрокомпонент таким образом, чтобы макрокомпоненты можно было определить на имеющемся комплексе ГИС и так, чтобы с помощью макрокомпонент была возможность восстановления исходной МКМ.

В случае настройки объемной минералогической модели на стандартный комплекс ГИС (БК, НК, ГК) существуют сложности, связанные с недостаточностью количества ГИС, необходимых для определения минералогического состава. Поэтому при отсутствии полного комплекса ГИС был предложен двухшаговый метод, основанный на построении непрерывной модели по более расширенному комплексу ГИС и настройке модели по стандартному комплексу ГИС уже на непрерывную модель макрокомпонент на втором шаге. Так как методов ГИС меньше, чем компонент на керне, было выполнено сжатие укрупненной МКМ на керне с помощью кластерного анализа до четырех макрокомпонент и выполнено построение МКМ для макрокомпонент с дальнейшим «возвратом» к укрупненной МКМ.

Для БС было выделено четыре макрокомпоненты (рис.4), в каждой из которых преобладает тот или иной минерал.

Макрокомпоненты подбираются таким образом, чтобы минимизировать ошибку разложения минеральных компонент на керне. На рисунке 5 представлено содержание минералов на БС по исходным данным керна, а также восстановленных из разложения на макрокомпоненты.

Как видно из рисунка 5, содержание минералов по исходным МКМ по керну и после разложения на макрокомпоненты сопоставимы.

Далее для полученных макрокомпонент выполняется настройка петрофизических констант, и проводится построение минеральной модели на имеющемся комплексе ГИС с учетом керновых данных. Диапазоны настройки петрофизических констант для макрокомпонент пересчитываются из диапазонов настройки петрофизических коэффициентов для минеральных компонент из литературных источников [7-12] при помощи базиса. Стоит отметить, что адаптация петрофизических констант была выполнена на основе корреляционно-регрессионного анализа [7,13] в условиях робастности определения опорной выборки скважин и ограничений диапазонов искомых значений для осуществления условия физичности полученного решения. Критерием качества найденных констант является сопоставимость исходных значений ГИС и синтетических, рассчитанных по макрокомпонентам на керне.

Таким образом, объемная минеральная модель по стандартному комплексу ГИС настраивается и рассчитывается путем построения непрерывной модели макрокомпонент, настроенных на керновые макрокомпоненты, с переходом на укрупненные МКМ с помощью базиса.

Точность МКМ на основе представленного подхода будет ниже по сравнению с моделью, построенной напрямую на более полном комплексе ГИС, так как часть информации теряется при переходе от большего количества минералов к меньшему количеству. Однако, основная ценность данного подхода состоит в том, что он позволяет построить МКМ на меньшем комплексе ГИС по сравнению со сложностью разреза.

Сравнение полученных МКМ по более широкому (БК, ГК, ННК, ГГКП, АК) и стандартному комплексам ГИС (БК, ГК, ННК) с применением методов сжатия данных представлено на рисунке 8.

Определение хрупкости пород

Расчет ограничен сложностями технического характера. Так, для расчета динамических модулей, в частности модуля Юнга, кроме величины объемной плотности и скорости продольной волны необходима скорость поперечной волны, записать которую в интервале БС возможно только кросс-дипольным прибором АКШ. В силу объективных причин освещенность месторождения подобным комплексом ГИС довольно низкая (21%). Выйти из данной ситуации становится возможным благодаря имеющейся МКМ. Так, была обнаружена удовлетворительная корреляция между соотношением минеральных компонент и динамическим модулем Юнга.

Рисунок 6. Корреляция суммы глин и ТОВ с динамическим модулем Юнга.

Рисунок 7. Пример восстановления динамического модуля Юнга из МКМ.

Рисунок 8. Планшет ГИС с примером построения МКМ на скважине Приобского месторождения.

Определение пористости

Породы БС характеризуются повышенным содержанием не только органического вещества, которое находится как в виде твёрдого нерастворимого в органических растворителях керогена, но и битумоидов, которые неподвижны, находясь либо в закрытых порах, либо будучи физически связанными с керогеном, либо из-за физических свойств высокомолекулярных соединений.

Рисунок 9. Пример фотографий порового пространства по данным РЭМ (увеличение х3000)

Измерение пористости на образцах керна можно осуществлять газоволюметрическим методом или методом жидкостенасыщения. Значения коэффициента пористости для высокоуглеродистых пород, полученные методом керосинонасыщения, отличаются от значений пористости по газу в большую сторону, что связано с растворением и вымыванием керосином углеводородов из порового пространства. Таким образом, пористость коллекторов БС рекомендуется выполнять газоволюметрическим методом.

Другими немаловажными вопросами являются тип растворителя и время экстракции. Исчерпывающая экстракция согласно ГОСТ 26450.0-85 приводит к разрушению образца (рис.5). То же происходит и при применении агрессивных растворителей, вымывающих из образца тяжелые битумоиды, которые в случае БС входят в состав цемента породы.

Рисунок 10. Пример образец керна из интервала БС после проведения исчерпывающей экстракции.

Во время серии экспериментов в лаборатории керновых исследований было установлено, что оптимальным растворителем является гексан, позволяющий экстрагировать преимущественно легкие и подвижные углеводороды, а оптимальное время экстракции для коллекторов составляет 3-3,5 суток (рис. 6, 7).

Рисунок 11. Влияние типа растворителя на величину пористости по данным керна.

Рисунок 12. Влияние времени экстракции на величину пористости по данным керна.

Рисунок 13. Динамика изменения содержания S1r (С1-С15) мг/г породы и S2a (С15-С40) мг/г породы при последовательной смене растворителей

Таким образом, определять пористость пород коллекторов БС можно после кратковременной экстракции неагрессивным растворителем газоволюметрическим методом.

Отдельно следует отметить такие актуальные в БС методы определения объема пустотного пространства как ЯМР на керне, пиролитические исследования и измерение ФЕС на дробленом керне (GRI). При должном учете специфики этих исследований все результаты оценки пористости сопоставимы между собой.

Высокое содержание твердого органического вещества (ТОВ) в породах баженовской свиты делает исключительно сложным прямое использование традиционных методик определения коэффициента пористости по стандартному комплексу ГИС. Это связано с аномальными физическими свойствами ТОВ, близкими к свойствам насыщающих флюидов. Дополнительные сложности при интерпретации ГИС возникают из-за разнообразия и значительных изменений минерального состава пород, в результате чего становится невозможно применять ни одну из традиционных методик расчета пористости без знания минсостава. В заключение сложившуюся картину осложняет сама абсолютная величина определяемой пористости: общая пористость пород БС не превышает 10-15%, а открытая пористость, измеренная на неэкстрагированных образцах по газу, не превышает первые проценты. Таким образом, при использовании стандартного подхода при расчете величины общей пористости необходим учет сложного минерального состава пород БС, а погрешность определения величины пористости может оказаться сопоставимой с величиной определяемого Кп.

В связи с вышесказанным хочется отметить высокий потенциал метода ЯМК для определения величины пористости в интервале БС – как наиболее надежного метода пористости в условиях сложного минерального состава. Метод ЯМК:

• Не требует корректировки показаний за литологию как все остальные методы пористости;

• Измеряет объем пустотного пространства в пластовых условиях;

• Кроме прочего, метод ЯМК позволяет после подбора и обоснования отсечки Т2 определять открытую пористость, что особенно актуально в условиях сложной и изменчивой структуры порового пространства. Связанная вода глин, а также высоковязкие битумоиды формируют сигнал в левой части спектра Т2 ЯМК, что также упрощает процесс определения открытой пористости в БС.

Рисунок 13. Пример сопоставления пористости по керну и ЯМК после подбора граничного значения времени релаксации Т2.

В итоге задача была решена путем применения машинного обучения, а именно – с помощью алгоритма «Дерево решений». Данный метод представляет собой правила в виде иерархической древовидной структуры, в каждом узле которой записано граничное условие. На вход алгоритма подавались критерии, которыми могут быть обоснованы эффективные толщины, а также стратиграфия. В результате, на тестовой выборке скважин петротип восстановлен с ошибкой 15%, а ошибка восстановления эффективных толщин составила 8% Таким методом на скважинах месторождения где это позволял комплекс ГИС были восстановлены эффективные толщины независимым от субъективного восприятия специалиста статистическим способом.

Выводы

В рамках проделанной работы:

• Проведен комплексный анализ результатов керновых исследований, по которым был рассчитан минерально-компонентный состав свиты.

• Апробированы и уточнены признаки и критерии выделения эффективных толщин в интервале баженовской свиты.

• Была выполнена апробация статистического подхода к моделированию коллектора со сложным минеральным составом по данным ГИС.

• Создана и апробирована новая методика расчета минерального состава по ограниченному комплексу ГИС.

• Обоснован метод ЯМК и применяемые отсечки для определения пористости по ГИС.

Литература

1. Волков В.А, Шпильман А.В. и другие, Временное методическое руководство по подсчету запасов нефти в трещинных и трещинно-поровых коллекторах в отложениях баженовской толщи Западно-Сибирской нефтегазоносной провинции, Москва, ФБУ ГКЗ, Классификация запасов и ресурсов нефти и горючих газов, 2018 г, с 432-482.

2. Данько Д. А. Методика выявления перспективных объектов в баженовской свите на основе комплексирования геомеханических, геохимических и геофизических параметров, Москва, РИЦ ЕАГО, Геофизика, 2015 г, №2, с 38-47

3. Калмыков Г.А., Строение баженовского нефтегазового комплекса как основа прогноза дифференцированной нефтепродуктивности : дис. … д-ра геолого-мин. М., 2016. 391 с.

4. Haecker A., Carvajal H., White J., Comparision of organic matter correlations in North American shales plays // online library OnePetro, 2016, URL: https://www.onepetro.org/download/conference-paper/SPWLA-2016-Q?id=conference-paper%2FSPWLA-2016-Q (дата обращения: 05.02.2019)

5. Moss B., Harrison R., Statistically valid log analysis method improves reservoir description // online library OnePetro, 1985, URL: https://www.onepetro.org/download/conference-paper/SPE-13981-MS?id=conference-paper%2FSPE-13981-MS (дата обращения: 11.03.2019)

6. Алексеев А.Д. К вопросу выделения эффективных толщин в баженовской свите согласно положения нового Временного методического руководства ГКЗ. Недропользование ХХI век, 2019, выпуск №3, с.40-58.

7. Дахнов В.Н. Геофизические методы определения коллекторских свойств и нефтегазонасыщения горных пород. – 2-е изд., перераб. и доп. – М.: Недра, 1985. – 310 с.

8. Физические свойства горных пород и полезных ископаемых (петрофизика). Справочник геофизика/Под ред. Н.Б. Дортман, - 2-е изд., перераб. и доп. – М.: Недра, 1984, 455 с.

9. Электронный ресурс «Библиотека необсаженного ствола». Prime (Geotec). Уфа, 2017г. – URL: http://www.primegeo.ru/assets/files/bns.pdf

10. Разработка интерпретационной и петроупругой моделей пород-коллекторов многокомпонентного состава и сложной структуры емкостного пространства / Автореферат диссертации на соискание ученой степени кандидата геолого-минералогических наук, Куляпин П.С., Москва, 2016 г. – 26 с.

11. Таблица геофизических характеристик модуля Techlog Quanti.Elan

12. Schlumberger, Log Interpretation Charts, 2009 Edition. Appendix B (279-280 p.)

13. Меркулов В.П., Посысоев А.А. Оценка пластовых свойств и оперативный анализ каротажных диаграмм / ТПУ, Томск, 2004. – 176 с.

14. Статья SPE-171168-RU Комплексная литофизическая типизация пород баженовской свиты по данным керна и комплексу ГИС. Балушкина Н.С., Калмыков Г.А., Хамидуллин Р.А., Белохин В.С., Коробова Н.И., Петракова Н.Н., Бакай А.И., МГУ им. М.В. Ломоносова. 2014 г.

15. Тезисы. Совместный семинар EAGE – SPE 2019 Наука о сланцах – Москва, Россия, 8-9 апреля 2018 г. Структурное районирование баженовской свиты в приостровных районах

16. Беселева Е. В.*, Калмыков Г. А., Балушкина Н.С., Карпов Ю.А. (МГУ имени М. В. Ломоносова), Хотылев О.В., Мифтахова А. А. (Фонд «НИР»)

Keywords: Bazhenov formation, unconventional reservoirs, alternative sources of hydrocarbons, hard-to-recover reserves, mineral component model