📝 摘要

裂缝分析至关重要，因为裂缝在油藏中普遍存在，并对流体流动模式有显著影响。因此，离散裂缝网络（DFN）模型是模拟裂缝性油藏的有效替代方法，是一种通过连通裂缝系统考虑裂缝性岩体中流体流动和输运过程的特殊工具。与采用连续介质方法的双重孔隙度模型不同，DFN利用来自裂缝测井和压力瞬态数据等数据源的裂缝和裂缝连通性的详细信息，创建不同的裂缝组。在本研究中，使用DFN方法对正在进行CO₂注入的稠油油藏进行建模。它被用作将裂缝的地质信息升级到双重孔隙度流体流动模拟的工具。通过以岩心扫描仪中观察到的裂缝为条件创建了DFN扇区模型，并通过现场试井分析进行了验证。观察到使用DFN扇区模型获得的历史拟合优于不使用升级裂缝信息所获得的历史拟合。

🖥️ CMG软件应用情况总结

项目 内容
所用软件 • CMG STARS：三相多组分热采及蒸汽添加剂模拟器，用于双重孔隙度模型的建立、生产历史拟合和CO₂注入模拟
• FracMan（Golder Associates）：离散裂缝网络建模软件，用于裂缝网络生成、试井模拟和裂缝性质升级
模型类型 • 双重孔隙度模型（Warren & Root，1963）
• 笛卡尔网格系统（3D）
• 扇区模型（从全油田约300口井中选取中央偏西区域，包含3口井）
模拟对象 土耳其Bati Raman油田稠油油藏（碳酸盐岩，12°API，粘度450-1000 cp，正在进行CO₂注入），使用DFN方法对裂缝进行建模，并升级到双重孔隙度模拟器
应用方式 • 裂缝网络生成：使用FracMan软件，以岩心扫描仪观测数据为条件，生成增强Baecher模型和Levy-Lee分形模型
• 试井模拟：在FracMan中进行动态分析，匹配现场试井压力数据，校准裂缝参数（图5.13-5.18）
• 裂缝性质升级：在FracMan中计算等效网格单元渗透率张量（三个方向），导出到CMG STARS
• 双重孔隙度模拟：在CMG STARS中建立双重孔隙度模型，进行生产历史拟合和CO₂注入模拟
• 对比分析：对比DFN升级后的双重孔隙度模型与常规双重孔隙度模型（恒定裂缝性质）的生产历史拟合效果
油藏参数（表5.1） • 岩性：石灰岩（碳酸盐岩），Nelson Type 2（基质提供储集，裂缝提供渗透率）
• 平均深度：4300 ft，总厚度：210 ft
• 平均孔隙度：18%，基质渗透率：10-100 md
• 试井有效渗透率：200-500 md（指示裂缝存在）
• 原油API：~12°，粘度：450-1000 cp
• 低溶解气含量
• 裂缝强度：FINT≈31（第4类，非常强裂缝带）
扇区模型参数（表5.3-5.4） • 网格：扇区尺寸如图5.8所示（Well-1, Well-2, Well-3）
• 油组分：轻油、中油、重油（初始摩尔分数：1.5%、5%、93.5%）
• 水组分：分子量18.02，临界压力3206.2 psi
• CO₂：注入温度150°F，表面压力1800 psi，注入速率10⁶ scf/天
• 相对渗透率：基质和裂缝分别定义（图5.20-5.23）
裂缝参数（FracMan输入） • 生成算法：增强Baecher模型（确定性）+ Levy-Lee分形模型（随机）
• 裂缝方位：倾向N10E方向，水平分布为主
• 裂缝开度：对数正态分布（均值0.64 mm，方差0.10，图5.12）
• 裂缝大小：对数正态分布（与开度相关）
• 裂缝强度：P10（数/长度），来自岩心扫描
• 裂缝刚度：1000 GPa/m
• 立方定律：T = (2b)³ρgN_f/(12μ)（式4.8）
CMG STARS输入数据组（6类） Input-Output Control, Reservoir Description, Other Reservoir Properties, Component Properties, Rock-fluid Data, Initial Conditions, Numerical Methods Control, Geomechanical Model（可选）, Well & Recurrent Data
主要结论 • DFN升级后的双重孔隙度模型在Well-3上显著优于常规模型（图5.33-5.35）
• CO₂注入后，DFN模型预测的油产量更低、水切更高（图5.34-5.35）
• DFN模型表现出更真实的非均质性（图5.37 vs 5.36，图5.39 vs 5.38）
• 数据质量至关重要：Well-1和Well-2缺乏岩心数据，匹配效果较差
• 该方法成功地将离散裂缝信息升级到双重孔隙度模拟器

文中明确指出（Case129.pdf）：

“Dual- porosity model with constant fracture properties is indicated as a conventional model.” （第5.5节，第53页）

“CMG STARS is a three- phase multi- component thermal and steam additive simulator.” （第4.3.1节，第30页）

“Input list of CMG STARS for model building requires nine different data groups…” （第4.3.1节，第30-31页）

“After reservoir properties section … component properties section proceeds where information about intensive and some extensive parameters of reservoir fluid is required.” （第5.4节，第46页）

“In the CMG Stars, viscosity for gas phase while injection of CO₂ is calculated by the temperature dependent Equation 5.1…” （第5.4节，第48页）

🧪 模拟方案与主要结果

1. 裂缝特征分析（第5.1节，图5.1-5.6）

试井分析（图5.2-5.5）：

  • 早期径向流分析：压力 vs √时间 → 高导流裂缝（图5.4）

  • 压力 vs ⁴√时间 → 低导流裂缝（图5.5）

  • 结论：高导流裂缝占主导，与压力导数特征一致（图5.3）

岩心扫描分析（图5.6）：

  • 裂缝强度FINT ≈ 31 → Van Golf-Racht第4类（非常强裂缝带）

  • 裂缝开度：对数正态分布（图5.12），均值0.64 mm，方差0.10

  • 裂缝倾向：N10E，水平分布为主

油藏分类：Nelson Type 2（基质提供储集，裂缝提供渗透率）

2. 扇区模型与FracMan裂缝建模（第5.2-5.3节）

扇区选择（图5.7-5.8）：

  • 全油田约300口井，选取中央偏西区域

  • 3口井：Well-1、Well-2、Well-3（均具有试井数据）

  • Well-3同时具有岩心扫描数据（开度分布）

裂缝生成算法（FracMan）：

  • 增强Baecher模型（确定性，基于Well-3岩心数据）

  • Levy-Lee分形模型（随机，用于Well-1、Well-2周边）

试井模拟拟合结果（图5.13-5.18，表5.1）：

井号 压力匹配 导数匹配 质量评价
Well-1 可接受（图5.13） 偏差较大（图5.14） 较差（缺岩心数据）
Well-2 可接受（图5.15） 可接受（图5.16） 一般（缺岩心数据）
Well-3 极好（图5.17） 极好（图5.18） 良好（有岩心数据）

3. 裂缝性质升级到CMG STARS（第5.4节，图5.24-5.27）

FracMan输出：

  • 裂缝孔隙度（图5.24）

  • 裂缝渗透率张量：Kx（图5.25），Ky（图5.26），Kz（图5.27）

CMG STARS输入参数（表5.2-5.4）：

  • 油相粘度：温度相关（表5.2）

  • 油组分：轻油(1.5%)、中油(5%)、重油(93.5%)（表5.3）

  • 气相粘度：avg(i)·T^(bvg(i))（式5.1，表5.4）

  • 相对渗透率：基质和裂缝分别定义（图5.20-5.23）

双重孔隙度参数：

  • 形状因子：Warren & Root（1963），反映基质块几何和基质-裂缝传质

  • 裂缝与基质分别定义孔隙度和渗透率

  • 基质仅与同网格块裂缝连通

4. 生产历史拟合结果（第5.5节，图5.28-5.35）

油速率匹配（图5.28-5.30）：

  • 三井均匹配良好（油速率作为模型输入约束）

水切匹配对比（DFN vs 常规模型）：

井号 DFN模型 常规模型 改进
Well-1 略好（图5.31） 较差 轻微
Well-2 略好（图5.32） 较差 轻微
Well-3 显著更好（图5.33） 差 显著

CO₂注入后外推预测（图5.34-5.35，Well-3）：

  • 油速率：DFN模型预测略低于常规模型（~3-4 bbl/天）

  • 水切：DFN模型预测显著高于常规模型（~15%差异）

5. CO₂摩尔分数分布对比（第5.5节，图5.36-5.39）

常规模型（图5.36, 5.38）：

  • 从注入井呈圆形递减

  • 均质分布（恒定裂缝性质）

DFN模型（图5.37, 5.39）：

  • 非均质分布（受裂缝方位、密度、开度影响）

  • 流动方向受裂缝主导

  • 更符合实际地质情况

✅ 主要结论

  1. DFN升级的有效性：将FracMan生成的离散裂缝网络升级到CMG STARS双重孔隙度模型是可行的。在Well-3（有岩心数据）上，DFN模型的水切历史拟合显著优于常规模型（图5.33）。

  2. 数据质量的关键作用：Well-1和Well-2缺乏岩心扫描数据，导致试井模拟和产量历史拟合效果较差。这强调了高质量裂缝数据对DFN建模的重要性。

  3. CO₂注入预测差异：DFN模型预测的CO₂注入后油产量略低于常规模型（~3-4 bbl/天），水切显著更高（~15%），这会影响油藏开发决策。

  4. 裂缝非均质性的体现：DFN升级后的模型（图5.37, 5.39）显示出比常规模型（图5.36, 5.38）更真实的CO₂摩尔分数非均质分布，能够反映裂缝方位、密度和开度对流动的影响。

  5. CMG STARS的多功能性：STARS能够处理三相多组分流体（水、轻/中/重油、CO₂）、温度相关粘度、双重孔隙度选项以及裂缝与基质的不同相对渗透率曲线，是CO₂驱稠油油藏模拟的有效工具。

  6. 局限性：在缺乏裂缝数据的区域，建议采用混合建模方法（DFN + EPM），或增加对孔洞、虫洞通道的表征（碳酸盐岩储层的特征）。

🏛️ 作者及单位信息

  • 作者: Javid Shiriyev

  • 单位: 中东技术大学（Middle East Technical University, METU），石油与天然气工程系，安卡拉，土耳其

  • 学位: 理学硕士（Master of Science）

  • 毕业时间: 2014年6月

  • 导师: Prof. Dr. Serhat Akin

  • 委员会成员:

    • Prof. Dr. Mahmut Parlaktuna（系主任）

    • Prof. Dr. Serhat Akin（导师）

    • Prof. Dr. Nurkan Karahanoglu（地质工程系）

    • Asst. Prof. İsmail Durgut

    • Dr. Kubilay Kumsal（Valeura Energy Inc.，顾问）

💡 补充说明

该硕士论文是碳酸盐岩稠油油藏离散裂缝网络建模及其升级到双重孔隙度模拟器的典型应用研究，核心创新点在于：

  1. DFN与双重孔隙度的完整工作流：FracMan（裂缝生成+试井模拟+性质升级）→ CMG STARS（双重孔隙度模拟+生产历史拟合+CO₂注入预测），形成了从地质建模到油藏模拟的完整链条。

  2. 多源数据整合：综合使用岩心扫描（裂缝开度、强度）、FMI测井（裂缝方位）、试井分析（有效渗透率、裂缝导流能力）等多种数据源，对裂缝参数进行综合校准。

  3. 确定性+随机裂缝建模：以Well-3岩心数据为条件生成确定性裂缝系统（增强Baecher模型），对缺乏数据的区域使用随机模型（Levy-Lee分形模型），既保证了建模精度又兼顾了区域覆盖。

  4. 裂缝性质的统计分析：对裂缝开度进行正态性和对数正态性检验（图5.10-5.11），确定了对数正态分布，为裂缝参数输入提供了统计依据。

  5. 双重孔隙度形状因子的来源：Warren & Root（1963）定义的形状因子（σ = 4(1/Lx²+1/Ly²+1/Lz²)）是基质-裂缝传质的关键控制参数，在DFN升级中由裂缝间距计算得出。

  6. CMG STARS的多相多组分能力：模拟了包含轻油、中油、重油、水和CO₂的五组分体系（表5.3），使用温度相关粘度（表5.2）和压力相关气相粘度（式5.1），裂缝与基质分别定义相对渗透率曲线（图5.20-5.23）。

  7. CO₂注入的工程意义：DFN模型预测的CO₂注入后水切更高（~15%），意味着更早的水突破风险和更高的产出水处理成本，对油藏开发方案的制定具有重要参考价值。

该研究对从事碳酸盐岩裂缝性油藏建模、CO₂驱提高采收率、离散裂缝网络（DFN）建模、以及双重孔隙度油藏数值模拟的工程师和科研人员具有重要的参考价值。

case129

发表评论