There is a statistical correlation between absolute permeability k_a and formation porosity \phi which can be approximated by various permeability-porosity models
General approach to permeability modelling
В отличие от простой теоретической модели Кармана-Козени в большинстве практических случаев динамический индекс пород не является постоянной величиной и варьируется внутри заданной литофации, в зависимости от конкретного значения пористости и глинистости пласта:
(1) | FZI = FZI(V_{sh}, \phi) |
которая учитывает вариабельность пористости и степени заглинизированности коллектора внутри одной литофации.
На практике динамический индекс пород удобнее коррелировать с относительной (нормализованной) пористостью \phi_r:
(2) | FZI = FZI(V_{sh}, \phi_r) |
После того, как зависимость FZI(\phi) построена, рассчитывается индекс качества коллектора:
(3) | RQI = FZI \, \phi_r |
а на его основе и проницаемость
(4) | k = 1014.24 \, \phi \, RQI^2 = 1014.24 \, \phi \, FZI(V_{sh}, \, \phi)^2 \, \phi_r^2 = 1014.24 \, FZI(V_{sh}, \, \phi)^2 \, \frac{\phi^3}{( 1 - \phi)^2} |
В частном случае, когда
FZI(\phi) = \rm const является постоянной величиной внутри каждой литофации, модель проницаемости
(4) сводится к модели Козени-Кармана
Exponential permeability @model |
Power law permeability @model |
Dual-component power law permeability @model |
Cozeny-Karman permeability @model |
Dual-component Cozeny-Karman permeability @model |
Dual-component Kozeny-Carman model
Для более тонкой настройки проницаемости можно использовать обобщенную двух-компонентную модель Кармана-Козени
(5) | FZI(V_{sh},\phi_r) = FZI_1(V_{sh}) \, \phi_r^{m_1} + FZI_2(V_{sh}) \, \phi_r^{m_2} |
где
(6) | FZI_1(V_{sh}) = FZI_{01} \, (1- V_{sh}/V_{sh1})^{g_1} |
(7) | FZI_2(V_{sh}) = FZI_{02} \, (1- V_{sh}/V_{sh2})^{g_2} |
Константы \{ FZI_{01}, \, FZI_{02} \} описывают предельно высокие значения динамического индекса заданной литофации для пропластков с низкой заглинизированностью.
Константы \{ V_{sh1}, \, V_{sh2} \} описывают критические значения глинистости при которых соответствующая компонента проницаемости исчезает.
Константы \{ g_1, \, g_2 \} описывают степень сцементированности глин и при низких значениях приводят к ослаблению зависимости динамического индекса пласта от коэффициента глинистости.
Эта модель описывает большое количество практических случаев в широких пределах изменения пористости и глинистости.
Главное отличие формулы (5) от
является то, что в координатах \{ FZI, \, \phi_r \} керновые данные, как правило, имеют гораздо лучшую кучность, чем в координатах \{ k, \, \phi \} и формула (5) описывает гораздо более слабую зависимость от пористости (то есть числа \{ m_1, \, m_2 \} очень малы), что позволяет строить более точные модели проницаемости.Artificial Neural Network permeability model
Нейросетевая модель проницаемости основывается на универсальной нейросетевой регрессии динамического индекса пород FZI на глинистость V_{sh} и нормализованную пористость \phi_r:
(8) | \{ V_{sh}, \phi_r \} \rightarrow {\rm Neural Network} \rightarrow FZI |
Она в состоянии описать более сложные виды зависимости, чем двух-компонентная модель Кармана-Козени (5).
Однако, как и все виды виды универсальных регрессий, эта модель требует достаточного количества репрезентативного исходного материала по каждой литофации, для настройки коэфициентов регрессии (в данном случае для обучения нейронной сети).
See also
Petroleum Industry / Upstream / Subsurface E&P Disciplines / Petrophysics / Absolute permeability