Albert盆地位于东非裂谷西支北段，钻探证实该盆地具有巨大的油气勘探开发潜力^[1-3]。H油田位于Albert盆地东南部及东非裂谷陡岸，目前尚未开发。H油田储层在地质历史上短时期内快速沉降，储层的非均质性强，渗透率变异系数为1.0~ 1.8，突进系数为4.5~8.4，渗透率级差为1 455~ 12 416，特别是孔隙度相近的储层，渗透率相差很大，渗透率最低约为100 mD，最高为约10 000 mD。如果储层的强非均质性不能被表征，它将严重影响开发指标的合理预测及开发方案的制定，因此储层的精细、合理、定量表征亟待解决。以H油田为例，探讨适用于海外新油田的储层分类方法以满足油田开发方案的实际需求，为Albert盆地其他10余个未开发油田的储层精细分类研究提供依据。

目前，该油田有5口评价井，其中一口井在目的层进行了系统取心，岩心长36.5 m，基本涵盖了各类储层。基于36.5 m岩心资料和399样次的分析化验资料，系统研究了储层的岩性、物性、孔隙结构特征以及渗流能力^[4-6]。通过聚类判别，将储层精细划分为4类（图 1）：第1类储层泥质含量最少，物性最好；第2类储层泥质含量次之，物性较好；第3类储层泥质含量最高，物性较差；第4类储层钙质胶结严重，物性最差。前3类储层基本不受钙质胶结的影响，其差异主要体现在泥质含量的多少上。

图 1

Fig. 1

下载eps/tif图 图 1 基于岩心及化验分析的储层分类 Fig. 1 Reservoir classification based on core and assay analysis

该类储层岩性主要为粗砂岩，发育块状层理。石英、长石等骨架矿物的体积分数高达91.7%，填隙物的体积分数低，仅为8.3%，颗粒分选差—中等（图 1）。该类储层物性最好，孔隙度平均为27.9%，渗透率平均为6 913 mD。孔喉分选好，喉道半径大，启动压力和中值压力均低，渗流能力强，其中启动压力为9.0~11.7 kPa，中值压力为29.6~33.8 kPa，喉道半径平均为12.4 μm，流动带指数平均为10.7（表 1）。

表 1(Table 1)

表 1 储层综合分类 Table 1 Reservoir classification 储层分类 岩性 分选 φ（骨架矿物）/% φ（填隙物）/% 孔隙度/% 渗透率/mD 流动带指数 喉道半径/μm 第1类 粗砂岩 差—中等 91.7 8.3 27.9 6 913 10.7 12.4 第2类 中—粗砂岩 中等 86.1 13.9 26.5 1 438 6.2 5.7 第3类 泥质砂岩 差—中等 74.2 24.8 26.0 591 3.5 2.8 第4类 钙质砂岩 差—中等 73.5 25.5 15.5 168 1.3 0.6

下载CSV 表 1 储层综合分类 Table 1 Reservoir classification

该类储层岩性主要为中—粗砂岩，块状层理和交错层理发育（图 1）。骨架矿物的体积分数较高，为86.1%，填隙物的体积分数较低，为13.9%，颗粒分选中等。该类储层物性较好，孔隙度平均为26.5%，渗透率平均为1 438 mD。孔隙结构及孔喉分选较好，喉道半径较大，渗流能力较强，喉道半径平均为5.7 μm，流动带指数平均为6.2（表 1）。

该类储层与前2类相比，泥质含量明显增加，岩心中泥质纹层发育，铸体薄片中黏土矿物膜常见（图 1）。在数据上表现为填隙物的体积分数增大，为24.8%，骨架矿物的体积分数减小，为74.2%。黏土矿物的大量存在虽然对孔隙度影响较小，但会使孔隙结构变差，导致渗透率大幅下降。由于黏土矿物膜包裹在矿物颗粒表面，使喉道变窄，比表面积增大，流体渗流时阻力增大，造成渗透率大幅减小。在毛管压力曲线上启动压力和中值压力均变大，分别为17.2~61.4 kPa和70.3~419.2 kPa；喉道半径变小，平均为2.8 μm，渗流能力降低，渗透率平均为591 mD，流动带指数为3.5（表 1）。

该类储层与前3类储层相比最主要的特点是钙质胶结严重（图 1），钙质的体积分数平均高达24.7%。钙质胶结可充填孔隙，堵塞喉道，使得孔隙结构变差^[7]，喉道半径变小，渗流能力降低，其中喉道半径平均为0.6 μm，流动带指数仅为1.3。该类储层物性很差，孔隙度平均为15.5%，渗透率平均为168 mD（表 1），钙质胶结严重的样品渗透率低于30 mD。

如何把基于岩心的储层分类结果扩展到井上和地质模型中是储层分类必须解决的问题，这样才能实现从点到面再到体的储层分类。综合分析岩性、电性、物性等资料，筛选出最能反映分类结果的4个关键参数：泥质含量、密度、喉道半径和流动带指数。其中前2个参数能够体现井上泥质含量和钙质的胶结程度；后2个参数能够反映孔隙结构和储层的渗流能力（主要用于地质模型中的储层分类）。依据岩心分类结果可统计出每类储层对应的参数界限值（表 2）：从第1类到第3类储层，泥质含量不断增加，喉道半径和流动带指数逐渐变小，其中第1类储层，泥质含量和密度都最低，喉道半径和流动带指数都最大；第4类储层密度最高，喉道半径和流动带指数都最小。

表 2(Table 2)

表 2 储层类型参数界限值 Table 2 Cut-off values of reservoir parameters 参数 储层类型 第1类 第2类 第3类 第4类 φ（泥质）/% < 6.00 6.00~10.00 ≥ 10.00 ≤ 20.00 密度（/g·cm-3） < 2.38 < 2.38 < 2.38 ≥ 2.38 喉道半径/μm < 10.00 4.00~10.00 0.75~4.00 < 0.75 流动带指数 > 9.00 4.50~9.00 1.80~4.50 < 1.80

下载CSV 表 2 储层类型参数界限值 Table 2 Cut-off values of reservoir parameters

泥质含量和密度参数均可以通过测井数据得到，而喉道半径可通过Pittman公式求取。Pittman公式是求取喉道半径常用的经验公式，它从喉道半径R10到R90都有相应的公式，具体可根据实验对比来选取。首先，根据高压压汞资料统计不同进汞饱和度下的喉道半径，然后，应用Pittman公式计算相对应的喉道半径，建立两者的交会图（图 2）。分析表明，进汞饱和度为60%时的喉道半径“R60 of Pc”与Pittman公式求取的喉道半径“R60 of Pittman”最接近，相关公式的斜率为1.08，接近于1.0（图 2）。因此，最终选择R60所对应的Pittman公式来求取研究区的喉道半径。

图 2

Fig. 2

下载eps/tif图 图 2 Pittman公式与压汞（Pc）这2种方法求取的喉道半径相关性 Fig. 2 The correlation of throat radius obtained by Pittman formular and Pc

式中：R60为进汞饱和度60%时的喉道半径，μm；K为渗透率，mD；φ为孔隙度，%。

流动带指数（FZI）可由Kozeny-Carman方程求取，与储层的孔隙度和渗透率有关^[8-9]。

基于储层精细分类结果，重建了4类储层对应的孔渗关系（图 3）。从图 3可以看出，分类后每种储层的孔渗关系差异明显。根据井上储层分类结果，应用重建的每类储层的渗透率解释模型求取了渗透率，实现了渗透率的精细解释。利用岩心实测的渗透率分别与重算前后的渗透率进行对比，认为重算前的渗透率与岩心实测渗透率相差较大，一般可达1个数量级，而重算后的渗透率与岩心实测渗透率相差很小。对比结果表明，基于储层精细分类重建的渗透率解释模型，可以大幅度提高渗透率解释的精度，避免因应用单一孔渗关系求取渗透率而掩盖储层强非均质性的弊端。

图 3

Fig. 3

下载eps/tif图 图 3 4类储层渗透率与孔隙度的相关性 Fig. 3 The relationship between permeability and porosity of four types of reservoir

应用Petrel软件，采用基于目标的随机模拟方法，利用5口评价井资料进行单井相分析，并统计出各种微相分布的概率，在沉积环境分析、沉积演化、沉积相研究等的基础上，通过物源方向、河道体密度、砂体厚度变化等趋势体的约束，在河道长宽比、砂体宽厚比等沉积体几何形态控制下，构建了相模型^[10-15][图 4（a）]；在相模型的基础上，基于井点资料统计每种微相孔隙度、渗透率的分布特征，确定出各微相的孔隙度、渗透率变差函数，并采用协同模拟方法建立各模拟单元的孔隙度、渗透率参数模型[图 4（b）、图 4（c）]；在孔隙度、渗透率模型的基础上，应用Kozeny-Carman方程和Pittman公式建立流动带指数模型和喉道半径模型；基于流动带指数模型和喉道半径模型，并依据每类储层对应的Cut-offs（界线值）（参见表 2），最终得到储层分类模型[图 4（d）]，实现了储层在空间的定量表征。

图 4

Fig. 4

下载eps/tif图 图 4 H油田储层分类地质模型 Fig. 4 The geologic model of reservoir types in H oilfield

精细分类后的4类储层能够表征储层非均质性强的特征，符合裂谷盆地陡岸快速沉积的特点。由于H油田相渗资料有限，并且样品仅代表的是渗透率为1 050~2 400 mD储层的渗流能力，而无法表征其他类型储层的渗流特征。针对此问题，基于储层精细分类结果，回归拟合得到4类储层分别对应的相渗曲线。具体做法如下：首先标定原始相渗曲线，从而得到归一化相渗曲线；其次依据储层分类结果建立物性与束缚水饱和度的相关性，求取不同类型的储层束缚水饱和度及驱油效率；再根据束缚水饱和度及驱油效率反算残余油饱和度；最后基于上述端点值建立这4类储层对应的相渗曲线（图 5）。

图 5

Fig. 5

下载eps/tif图 图 5 4类储层相渗曲线 Fig. 5 Relative permeability curves of four types of reservoir

为了进一步研究储层精细分类对油藏动态指标的影响，在保持参数输入、井控条件等一致的前提下，对分类前后的地质模型进行了油藏数值模拟对比。结果表明，储层分类后含水上升率明显高于分类前，分类后储层的强非均质性得以表征，注入水会从高渗带突进，见水时间相应提前，更加符合储层非均质性强的渗流特征。在此基础上预测的开发指标更加合理，为开发方案奠定了基础。

（1）基于36.5 m岩心资料和399样次的分析化验资料，依据岩性、物性、孔隙结构特征及渗流能力将储层细分为4类；重建了每类储层对应的渗透率解释模型，提高了渗透率解释的精度。

（2）根据储层分类主控因素，筛选出泥质含量、密度、喉道半径和流动带指数4个关键参数，并依据筛选出的关键参数及界限值，对单井储层进行了分类，构建出储层精细分类后的地质模型，实现了储层的精细、合理、定量表征。

（3）根据海外油田的前期特点，探索出一套地质油藏一体化定量精细表征技术，实现了从岩心→井→地质模型的储层精细分类，解决了非均质储层孔渗关系差、渗流特征复杂等难题，提高了渗透率解释的精度以及开发指标预测的合理性，该成果已应用于H油田的开发方案中。2015年新钻开发评价井的试井解释渗透率与该方法精细解释的渗透率进行了综合对比，两者符合率平均在85%以上，进一步验证了该方法的合理性，同时该方法也可为该盆地其它10余个新油田的储层精细分类研究提供借鉴。