基于主成分分析法的工程甜点优选评价: 以鄂尔多斯长7段页岩油储层R24井部分井段为例

宋文英; 陈军斌; 石锐东; 张承铭; 龚迪光; 王晓明; 张金元; 林世琦

doi:10.12404/j.issn.1671-1815.2503823

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (14) :5929-5938 DOI: 10.12404/j.issn.1671-1815.2503823

石油、天然气工业

基于主成分分析法的工程甜点优选评价: 以鄂尔多斯长7段页岩油储层R24井部分井段为例

宋文英 ¹^,² ,
陈军斌 ¹^,²^,^* ,
石锐东 ¹^,² ,
张承铭 ¹^,² ,
龚迪光 ¹^,² ,
王晓明 ¹^,² ,
张金元 ¹^,² ,
林世琦 ¹^,²

作者信息 +

Optimization and Evaluation of Engineering Sweet Spots Based on Principal Component Analysis:Part of Well R24 in Chang 7 Shale Oil Reservoir in Ordos Basin

SONG Wen-ying ¹^,² ,
CHEN Jun-bin ¹^,²^,^* ,
SHI Rui-dong ¹^,² ,
ZHANG Cheng-ming ¹^,² ,
GONG Di-guang ¹^,² ,
WANG Xiao-ming ¹^,² ,
ZHANG Jin-yuan ¹^,² ,
LIN Shi-qi ¹^,²

Author information +

文章历史 +

摘要

鄂尔多斯长7段页岩油储层地质条件复杂,埋藏深度大,水平井产能普遍偏低,面对这一挑战,压裂工程甜点的优选工作显得尤为艰难。系统应用主成分分析法(principal component analysis,PCA)对鄂尔多斯长₇段页岩油储层工程甜点进行定量评价,有效解决了现有的各种方法无法在处理大量数据的前提下有效提取现实工程甜点因子的难题。从岩心密度、弹性模量、泊松比、围压等在内的9个关键工程甜点因素出发,通过PCA分析,首次将主成分因子物理化解释为脆性指数、地应力各向异性系数及泥质含量,这3个主成分累计解释方差达82.471%,几乎涵盖全部关键信息。与传统方法相比,本次研究的评价结果在精度和工程适用性上均取得显著提升:通过实际测井曲线解释,精确定位了优势储层的具体位置,位于2 123~2 131 m、2 138~2 142 m、2 145~2 148 m及2 156~2 159 m,相比于部分数据得出的优势储层层段更为精准,为工程实施提供了可靠依据。研究结果不仅为鄂尔多斯盆地页岩油高效开发提供了科学方法,也为同类储层的工程甜点优选评价提供了新思路。

Abstract

The shale oil reservoir in the Chang 7 Member of the Ordos Basin is characterized by complex geological conditions and considerable burial depth, resulting in generally low productivity in horizontal wells. Consequently, the optimization of fracturing engineering sweet spots becomes particularly challenging. PCA (principal component analysis) was systematically applied for the first time to quantitatively evaluate engineering sweet spots in the Chang 7 shale oil reservoir of the Ordos Basin, effectively addressing the limitations of existing methods in extracting practical engineering sweet spot factors when processing large volumes of data. Starting from nine key engineering sweet spot factors—including core density, elastic modulus, Poisson’s ratio, and confining pressure—the principal components were physically interpreted as the brittleness index, geostress anisotropy coefficient, and clay content. These three principal components collectively account for 82.471% of the total variance, capturing most of the critical information. Compared with traditional approaches, the evaluation results obtained in this study demonstrate significant improvements in both accuracy and engineering applicability. Through interpretation of actual well-logging curves, dominant reservoir intervals are precisely identified at depths of 2 123~2 131 m, 2 138~2 142 m, 2 145~2 148 m, and 2 156~2 159 m. These results are more accurate than those derived from partial datasets and provide a reliable basis for engineering implementation. The methodology presented herein not only offers a scientific approach for the efficient development of shale oil in the Ordos Basin but also establishes a novel framework for engineering sweet spot evaluation in similar reservoirs.

Graphical abstract

关键词

主成分分析 / 工程甜点 / 归一化 / 综合评价

Key words

principal component analysis / engineering sweet spot / normalization / comprehensive evaluation

引用本文

引用格式 ▾

宋文英, 陈军斌, 石锐东, 张承铭, 龚迪光, 王晓明, 张金元, 林世琦. 基于主成分分析法的工程甜点优选评价: 以鄂尔多斯长7段页岩油储层R24井部分井段为例[J]. 科学技术与工程, 2026, 26(14): 5929-5938 DOI:10.12404/j.issn.1671-1815.2503823

SONG Wen-ying, CHEN Jun-bin, SHI Rui-dong, ZHANG Cheng-ming, GONG Di-guang, WANG Xiao-ming, ZHANG Jin-yuan, LIN Shi-qi. Optimization and Evaluation of Engineering Sweet Spots Based on Principal Component Analysis:Part of Well R24 in Chang 7 Shale Oil Reservoir in Ordos Basin[J]. Science Technology and Engineering, 2026, 26(14): 5929-5938 DOI:10.12404/j.issn.1671-1815.2503823

登录浏览全文

4963

注册一个新账户忘记密码

由于中国陆相页岩油资源规模巨大,勘探开发前景广阔。中国的多个陆相湖盆具有页岩油形成的有利条件,初步估计中国陆相页岩油资源量约1 500×10⁸ t,可采资源量为30×10⁸~60×10⁸ t。若实现技术突破,陆相页岩油将成为中国油气增储上产的重大接替领域。近年来,陆相页岩油的勘探开发已经成为中国能源战略的重要组成部分之一。然而,其储层的独特物理性质,如特低孔渗性,导致页岩油在自然条件下流动困难,影响页岩油产量及开采效益,工程甜点优选评价是石油高效勘探开发过程中至关重要的环节,它通过对多个工程甜点参数的综合评价分析,帮助决策者识别出最优的方案,为资源的合理开发和工程效率的提升提供科学依据。

业界相关领域的中外专家学者针对工程甜点评价相继开展过卓有成效的研究工作。Bai等^[1]综合优化了脆性指数、应力差异系数、断裂韧性、天然弱面4个工程甜点参数,建立了致密砂岩储层工程甜点评价方法。Liu等^[2]提出了气藏有利区“甜点”预测模型,建立了储层工程甜点定量表征模型,确定了开发潜力最大的区域。Liu等^[3]系统分析并建立了页岩气地质工程甜点评价因子体系,设计并实现了一种基于模糊综合评价法的地质工程一体化页岩气甜点评价方法。Qiu 等^[4]系统研究了烃岩质量、储层含油量和工程特性,建立了致密油“甜点”分类评价体系。Guo等^[5]从地质学和工程学角度对丰溪致密油甜点岩性进行分析,得出最佳勘探开发目标。从源岩质量、岩性特征、储层性质、含油率等方面进行地质甜点分析。工程甜点主要采用三轴压缩实验获取岩石力学参数。Jiang等^[6]提出了一种基于精细地质储层模型的甜点评价新方法,利用灰色关联和层次分析法对各因素的权重系数进行量化和表征,最终形成组合权重系数法。Yu等^[7]基于建立的岩石物理关系,进一步预测了泊松比和TOC含量,实现了页岩油地质甜点的定量评价。Wu等^[8]提出了一种快速新颖的卷积神经网络(convolutional neural network,CNN)方法,结合建立的CNN模型和微迁移评估方法,划分了4个甜点区。Wang等^[9]利用机器学习方法和地质开发大数据构建页岩油气可采储量预测模型,预测页岩油气可采储量分布。Zhang等^[10]提出了一种基于测井岩石物理相聚类分析的储层可压裂性评价新方法。综合考虑了岩石力学特征、岩石物理响应特征、储层物性参数等因素。利用脆性指数和渗透率评价指标,将目标区块储层可压裂性划分为5类,并对其可压性进行了预测,整体预测精度达到81.8 %。Zhang等^[11]结合薄片、场发射扫描电镜观测,结合X射线衍射和地球化学指标,对页岩储层特性进行了详细分析并对页岩油甜点类型进行了分类,确定了甜点分布格局,将页岩油地质甜点大致分为基质页岩油、断段页岩油、层间页岩油和复合页岩油类型,通过寻找具有适当有机质含量、层间发育、轻油和高压的地质甜点确定合适的页岩油井位置。Liu等^[12]选取了反映储层质量和完井质量的6个参数,构建了页岩油水平井压裂甜点评价指标,并将压裂甜点划分为I类(优质储层)、II类(二级储层)和III类(非压裂甜点)。Shen等^[13]基于地质工程一体化理念,开展甜点评价,确定脆性、储层物性、含油量相对较好的储层作为水平井压裂目标。然后应用UFM模型来优化压裂参数。基于地质工程一体化理念,兼顾储层质量和工程质量,建立了流二段甜点评价标准。根据该评价标准,识别出了4个夹层型油页岩储层甜点区。Peng等^[14]建立了基于三维地质力学分析的致密砂岩储层多尺度可压裂性综合评价方法。该方法的典型应用是将多尺度综合可压裂性评价方法应用于中国南海油田致密砂岩油藏,验证了该方法的有效性。江锚等^[15]在岩石力学参数、储能系数及泥质含量参数评价的基础上,建立地质甜点及工程甜点评价模型并总结了Ⅰ类、Ⅱ类、Ⅲ类水平井生产特征及甜点分布特征,形成了基于地质甜点、工程甜点的3类压裂模式,提出了基于甜点展布的致密气压裂新方法。万有余等^[16]开展了纹层状和薄层状页岩岩石物性及力学性质的实验研究,结合现场产液等资料,系统地对英雄岭页岩油储层甜点进行了评价,综合分析可见纹层状页岩是最优的甜点。付豪等^[17]以海上致密气藏为研究对象,建立了基于脆性指数和地应力差的工程可压裂性分析方法,采用核密度估计方法预测工程可压裂性密度函数和累积概率函数,建立了工程甜点预测模型。杨琨等^[18]以储层改造体积为预测指标,优选已有基于可压性指数的压裂甜点评价模型,建立基于机器学习的致密砾岩油藏压裂甜点预测模型,最终形成了适用于玛湖致密油藏压裂甜点的预测方法。李亚晶等^[19]利用叠前弹性参数反演实现优质储层预测,利用相干、断层因子、熵属性刻画不同尺度裂缝发育情况,在高精度优质储层预测和裂缝检测的基础上,实现了新场-合兴场地区须二气藏“甜点”预测,其I类“甜点”发育区主要分布在南北向断层附近。黄天镜等^[20]通过地质与工程的综合甜点多信息融合,基于多参数三维地质模型,引入层次分析法进行了符合综合甜点评价需求的改造和融合,实现了基于层次分析法的致密砂岩甜点评价方法。刘文俊等^[21]利用地震数据协同测井解释资料获得储层的地质构造信息完成地质构造建模,提出了一种低渗致密储层多数据协同的三维地质与力学属性一体化建模方法及相应的压裂工程“甜点”优选方法。葛勋等^[22]基于实测岩石力学参数、天然裂缝发育程度、天然裂缝有效性、水平应力差以及水平井轨迹与最小水平主应力夹角,建立了一套适用于深层复杂构造区的工程“甜点”评价指标体系。冯昕媛等^[23]通过体积压裂技术“打碎储层”提高储层渗流能力,逐步形成页岩油开发工程甜点评价技术。张顺^[24]以页岩系统取芯井获取的大量地层、地化测试资料为重要研究基础,结合页岩油产能,落实了控制页岩油高产富集的主要因素,划分了页岩油地质甜点类型。

目前常用的工程甜点评价方法有模糊优化方法、灰色关联分析法、误差反向传播神经网络法(back propagation neural network,BP)等^[25],但无法处理大量数据和有效提取现实工程甜点因子。而主成分分析(principal components analysis,PCA)是一种简化数据集的技术。这个变换把数据变换到一个新的坐标系统中,使得任何数据投影的第一大方差在第一个坐标(称为第1主成分)上,第二大方差在第2个坐标(第二主成分)上,以此类推。主成分分析经常用于减少数据集的维数,同时保持数据集的对方差贡献最大的特征。这是通过保留低阶主成分,忽略高阶主成分做到的。这样低阶成分往往能够保留住数据的最重要方面^[26-27]。

因此,现通过在鄂尔多斯长7段页岩油储层系统应用主成分分析法进行工程甜点评价,采用PCA方法,将原始9个工程甜点因素转化为3个具有明确物理意义的主成分因子,突破传统方法的局限性,实现工程甜点评价的定量化与物理化解释。在R24井中进行应用,验证其在复杂地质条件下的适用性,为同类储层的开发提供有力支撑。

1 目标区块与研究方法

1.1 目标区块

1.1.1 研究区块

研究区块为鄂尔多斯R24井长7段页岩油储层,鄂尔多斯盆地位于中国西北部,是一个大型内陆沉积盆地,是中国重要的石油和天然气生产地区之一,长7段是该地区主要的页岩油层位。长7段R24井页岩油储层通常具有较高的有机质丰度、较好的页岩气储层特性,具有一定的页岩油产能潜力。评价工程甜点对识别并集中开发“甜点”区域来说可以提高产量、降低开发成本、优化资源利用及使生产计划更加精细化,减少生产波动,确保稳定的产量。

1.1.2 数据来源

长7段R24井表中所有数据均来自实地钻探过程中取得的岩心样本,研究人员对长7段R24井部分井段的数据采集包括但不限于以下几个方面:埋深、弹性模量、泊松比、抗压强度等。选取埋深X₂、弹性模量X₁、泊松比X₄、抗压强度X₃、岩心密度X₅、围压X₆、抗拉强度X₇、最小水平地应力X₈、最大水平地应力X₉ 共9项数据作为数据源,如表1所示。

1.2 研究方法

主成分分析法是一种数学变换方法,它把给定的一组相关变量x₁,x₂,…,x_k,通过线性变换,转化为一组不相关的变量y₁,y₂,…,y_n,(两两相关系数为0的随机变量),在这种变换中,保持变量(x₁,x₂,…,x_k)的总方差不变,同时使y₁具有最大方差,称为第一主成分;y₂具有次大方差,称为第二主成分。依次进行,原来有n个变量就可以转换出n个主成分,方差逐渐减小,且与此前的主成分都不相关。

假设有k个样本,每个样本共有n个指标,k<n,则可构成n×k的数据矩阵为

(1)X=(x_ij)_n×k=$\left[\begin{array}{llll}{x}_{11}& {x}_{12}& \dots & {x}_{1k}\\ {x}_{21}& {x}_{22}& \dots & {x}_{2k}\\ ︙& ︙& & ︙\\ {x}_{n1}& {x}_{n2}& \dots & {x}_{nk}\end{array}\right]$

定义x₁,x₂,…,x_k为原始变量。对样本矩阵进行标准化变换,即

(2)Z_ij=$\frac{{x}_{ij}-{\overline{x}}_{j}}{{s}_{j}}$, i=1,2,…,k;j=1,2,…,n

式(2)中:Z_ij为标准化后的数据;

${\overline{x}}_{j}$

为样本均值;s_j为样本标准差。

对标准化矩阵Z求相关系数矩阵,即

(3)R=[r_ij]_n=$\frac{{Z}^{T}Z}{k-1}$

式(3)中:R为相关阵矩;[r_ij]_n为一个n×n阶方阵。

求解相关矩阵R的特征方程

$\left|R-\lambda I\right|$

=0,其中λ为特征值,I为n×n的单位矩阵,λI为主对角线元素为λ的n×n矩阵,求解得n个特征根,确定主成分,对于每个特征根λ_j,j=1,2,…,n,使得λ_j>1即Kaiser特征值>1准则,确定n值,解方程Rb=λ_jb,得单位特征向量

${b}_{j}^{0}$

。

将标准化后的指标变量转化为主成分,即

(4)y_ij=${{z}^{T}}_{i}{b}_{j}^{0}$, j=1,2,…,n

式(4)中:y_ij为第i个样本在第j个主成分上的得分。

y_n称为第n主成分,对n个主成分进行加权求和,即得最终评价值,权数为每个主成分的方差贡献率。

在实际石油勘探开发环境中,影响工程甜点优选评价的因素很多,其中有主要因素,次要因素,但这些因素一般来源于同一总体。根据主成分分析法的原理,将原始因素或者变量线性组合为若干彼此独立的新的变量,有利于分析得出影响工程甜点的主要因素,进而有效识别工程甜点区域,做出更加精准的勘探开发实际方案。

2 综合工程甜点评价函数

通过主成分分析得到综合工程甜点评价函数。

图1所示为甜点评价分析的相关流程。相关系数矩阵热力图如图2所示。易知弹性模量和泊松比、围压与埋深具有强正相关性;抗压强度与最小水平地应力、最大水平地应力与埋深具有强负相关性。

依据特征根>1的准则(即Kaiser准则)^[28],在标准化数据(表2)中快速筛选主成分,如表3所示,有3个主成分的特征根>1,其中第1主成分对总方差的贡献率为37.805%,3个主成分累计解释方差为82.471%。这3个主成分已经包含了以上9个指标的大部分信息,其对工程甜点因素的选取影响最大。

碎石图即据特征值下降的坡度并结合方差解释表可用于确认或调整主成分个数,如图3所示。

如表4所示,这3个主成分已经包含了以上9个指标的大部分信息,其对工程甜点因素的选取影响最大,进而对第1、第2、第3主成分进行载荷值计算。因子载荷系数可衡量每个变量与因子之间的相关性强弱。当载荷系数的绝对值越大,变量与因子之间的关联程度越高,系数接近于1或-1表示变量与因子之间有很强的正向或负向关系,系数接近于0表示变量与因子之间无关联。

由于第1主成分在X₁、X₂、X₃、X₄、X₅、X₆、X₇、X₈、X₉上的载荷分别为0.054、-0.94、-0.597、0.121、0.689、-0.846、0.533、0.487、0.659,而-0.94、0.689、-0.846这3个因子载荷系数的绝对值更接近于1,其所对应的工程甜点因素分别为埋深、岩心密度、围压,易知第1主成分与埋深(载荷系数-0.94)、围压(载荷系数-0.846)成强负相关,与岩心密度(载荷系数0.689)成强正相关性。这一关系符合岩石力学基本原理:由于长7段储层岩石致密,矿物颗粒排列紧密,胶结程度高、矿物硬度大,脆性指数较高。而随着埋深和围压增加,岩石颗粒间接触面积增大,内部摩擦力增强,导致岩石从脆性向延性转变。分析可知第1主成分即岩石的脆性指数。

同理第2主成分中弹性模量(载荷系数0.73)、泊松比(载荷系数0.712)有强正相关性,与最小水平地应力(载荷系数-0.743)有强负相关性。这种关系揭示了弹性参数对地应力分布的关键影响:不同方向上的弹性模量差异会放大水平应力差异,而泊松比的变化直接影响应力传递效率。当最小水平地应力降低时,最大水平地应力与最小水平地应力之差(σ_H-σ_h)增大,导致地应力各向异性增强,有利于形成更复杂的裂缝网络。分析可知第2主成分即地应力各向异性系数。

同理第3主成分中弹性模量(载荷系数-0.596)、泊松比(载荷系数-0.62)有强负相关性,与岩心密度(载荷系数0.52)有强正相关性。

这一现象可从泥质矿物的微观结构与力学特性进行深入解释:泥质矿物如伊利石、蒙脱石、高岭石,其晶体结构呈现片状或层状特征,层间结合力较弱。随着泥质含量增加,岩石整体的弹性模量降低,这是因为泥质矿物本身的弹性模量(通常在15~30 GPa)远低于石英(通常在70~100 GPa)和方解石(通常在70~90 GPa)等脆性矿物。同时,泥质矿物的泊松比较低(通常在0.15~0.25),而石英和方解石的泊松比较高(通常在0.17~0.30),因此泥质含量增加会降低岩石的整体泊松比。泥质含量与岩心密度的正相关性则源于泥质矿物的密度特性:尽管泥岩的孔隙度通常较高,但泥质矿物本身的密度(通常在2.6~2.8 g/cm³)高于许多碎屑矿物,且在压实过程中,泥质层往往表现出较高的压实程度,导致整体密度增加。这种复杂的关系在长7段致密油储层中表现尤为明显,因为该层段经历了强烈的成岩作用,泥质矿物与脆性矿物的相互作用形成了独特的力学特性。分析可知第3主成分即泥质含量。

通过分析因子载荷系数的正负相关性,将3个主成分物理化解释为脆性指数、地应力各向异性系数及泥质含量,首次将PCA的抽象数学结果转化为具有明确物理意义的工程指标,突破了传统方法的抽象性,为工程甜点评价提供了明确、可操作、可解释的理论基础。

如表5所示,计算第1主成分即脆性指数对于X₁、X₂、X₃、X₄、X₅、X₆、X₇、X₈、X₉的特征向量分别为0.016、0.276、0.175、0.036、0.202、0.249、0.157、0.143、0.194;第2主成分地应力各向异性系数对于X₁、X₂、X₃、X₄、X₅、X₆、X₇、X₈、X₉的特征向量分别为0.318、0.046、0.263、0.311、0.159、0.04、0.126、0.324、0.14;第3主成分泥质含量对于X₁、X₂、X₃、X₄、X₅、X₆、X₇、X₈、X₉的特征向量分别为-0.345、0.029、0.186、0.359、0.301、0.208、0.284、0.215、0.186。

上述特征向量说明各个成分所包含的因子得分系数(主成分载荷),用于计算出成分得分,得出因子公式,其计算公式为:线性组合系数×(方差解释率/累积方差解释率),最后将其归一化即因子权重得分。

根据主成分特征向量,得出各指标与主成分脆性指数F₁、地应力各向异性系数F₂、泥质含量F₃的线性关系为

(5)F₁=0.016X₁-0.276X₂-0.175X₃+0.036X₄+0.202X₅-0.249X₆+0.157X₇+0.143X₈+0.194X₉

(6)F₂=0.318X₁+0.046X₂+0.263X₃+0.311X₄+0.159X₅-0.04X₆+0.126X₇-0.324X₈+0.14X₉

(7)F₃=-0.345X₁+0.029X₂+0.186X₃-0.359X₄+0.301X₅+0.208X₆+0.284X₇-0.215X₈+0.186X₉

由式(5)~式(7)可以得到长7段R24井工程甜点综合评价函数为

(8)F=$\frac{0.378}{0.825}$F₁+$\frac{0.255}{0.825}$F₂+$\frac{0.192}{0.825}$F₃=0.458F₁+0.309F₂+0.233F₃

由表6主成分分析通过客观的数学变换确定各指标权重,据计算结果可知,脆性指数的权重为45.841%、地应力各向异性系数的权重为30.896%、泥质含量的权重为23.263%。在综合评价函数中占比不同。

根据已知的长7段R24井部分井段工程甜点综合评价函数计算不同深度下的各个岩石所在储层的可压裂性评分表,并进行顺序排序,如表7所示。

易知,1-15、1-12、1-2、1-13、1-6、1-5、1-7、1-36排名较高,其所对应的埋深分别为2 129.11、2 129.01、2 120.2、2 129.01、2 123.15、2 123.15、2 157.25 m,由于1-15、1-12、1-13埋深十分接近,在工程实际应用中可将其统一看作2 129~2 130 m,其余同理为2 120~2 121 m、2 123~2 124 m及2 157~2 158 m。

由于上述各储层深度的工程甜点参数基于15个离散的岩心样本点,而岩心样本主要集中在2 120~2 130 m和2 155~2 165 m两个区间,且2 135~2 150 m区间仅有3个样本点,仅反映离散点的特性,这种不均匀采样导致2 138~2 142 m和2 145~2 148 m的优势层段在PCA评分中未能充分体现。统计学上,这种采样偏差会降低对特定区间特征的识别能力。

其次,PCA方法通过客观的数学变换确定各指标权重,脆性指数、地应力各向异性系数和泥质含量在综合评价函数中占比不同。而测井解释通常采用专家经验或行业标准,对各参数的重视程度可能与PCA结果存在差异,特别是在该研究储层深度位于2 120~2 064 m,地应力各向异性系数均处于K=1.2~2.0理想区间时,测井解释可能更注重脆性指数和泥质含量的匹配关系。

实验室岩心测试虽然精度高,但仅反映离散点的特性;而测井数据虽然连续,却受井眼条件、仪器精度和环境因素影响,存在一定误差。两者的结合能形成优势互补,提高评价的可靠性,故而需要进行实际测井数据结果验证。

3 实际测井数据验证

在油气储层压裂改造中,脆性指数、地应力各向异性系数和泥质含量是决定压裂效果的关键参数。它们的组合需满足一定条件,才能保证储层具有较好的可压裂性和裂缝扩展能力。为直观展示储层参数与压裂优势区间的关联,需结合实际测井数据解释图,如图4所示,呈现了2 050~2 210 m储层深度范围内9个关键参数的纵向分布特征及各参数与优势储层深度的对应关系。

高脆性指数表明岩石脆性强,受压时易破裂形成裂缝网络,而非塑性变形。中等的水平地应力各向异性最有利于形成复杂裂缝,当K=1.2~2.0时,可以平衡裂缝延伸方向与复杂度,属于理想区间。而研究的储层深度位于2 120~2 064 m,其水平地应力均在1.2~2.0区间,故都相对理想,则考虑优势储层时可忽略该主成分。泥质含量越低,则岩石脆性占主导,裂缝扩展阻力小,其压裂效果越好。综上所述,优势储层需满足高脆性、低泥质含量,从实际测井曲线解释图来看,综合评价的优势储层即位于2 123~2 131 m、2 138~2 142 m、2 145~2 148 m及2 156~2 159 m。

尽管实验室岩心数据结果和测井数据解释结果在具体层段范围上存在差异,但PCA结果与测井解释在整体趋势上表现出高度一致性:两者均识别出2 120~2 131 m区间为优势储层,在前8名PCA评分中,该区间包含5个高分样本,两者均指向2 155~2 160 m区间存在优势储层,PCA评分中岩心编号1~36样本,对应深度2 157.25 m,排名第八。而未在2 140~2 150 m区间识别出高评分样本,与测井解释中该区间优势储层相对较弱的结果相符。

这种一致性验证了PCA方法在工程甜点评价中的有效性。更重要的是,PCA方法提供了定量化、客观化的评价依据,克服了传统方法中主观权重分配的局限性。

4 结论

(1)在鄂尔多斯长7段页岩油储层系统应用主成分分析法进行工程甜点评价,有效解决了现有方法无法在处理大量数据的前提下有效提取现实工程甜点因子的难题。

(2)通过分析主成分因子载荷系数之间的正负相关性,首次将主成分物理化解释为脆性指数、地应力各向异性系数及泥质含量,这些指标在工程实践中易于获取、易于理解,且与压裂效果有明确的物理关联,极大提高了评价结果的工程适用性,为工程甜点评价提供了可操作、可解释的理论基础。

(3)PCA评价结果与测井解释结果在整体趋势上表现出高度一致性,尽管在具体层段范围上存在差异。这种差异主要源于数据采样离散性、评价指标权重分配及数据精度差异,而非方法本身的缺陷。两者的结合应用形成了优势互补,提高了工程甜点评价的可靠性与精度。

(4)与传统方法相比,本次研究的评价结果工程适用性显著提升:通过实际测井曲线解释,精准定位了优势储层的具体位置,2 123~2 131 m、2 138~2 142 m、2 145~2 148 m及2 156~2 159 m,比传统方法更为精准,为工程实施提供了可靠依据,更利于工程实现,准确性高。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Bai X, Li Z, Lai F, et al. Method for evaluation of engineering sweet spots tight sandstone reservoir production wells[J]. Arabian Journal of Geosciences, 2021, 14(24): 1-12.

[2]	Liu Z, Tang X, Liu H, et al. Predicting the engineering sweet spot of coal-bed methane reservoirs: a case study from Central China[J]. Arabian Journal of Geosciences, 2022, 15(7): 1-9.

[3]	Liu S, Liu Y, Zhang X, et al. Geological and engineering integrated shale gas sweet spots evaluation based on fuzzy comprehensive evaluation method: a case study of Z shale gas field HB block[J]. Energies, 2022, 15(2): 15020602.

[4]	Qiu X, Zhang J, Lei H, et al. Comprehensive evaluation of geology-engineering “sweet spot” of tight oil reservoir in Maling Area, Ordos Basin, China[J]. Carbonates and Evaporites, 2024, 40(1): 7-17.

[5]	Guo D, Zhang L, Ma B, et al. Dessert lithofacies study of Fengxi Tight Oil in Qaidam Basin[J]. Journal of Physics: Conference Series, 2024, 2834(1): 12055.

[6]	Jiang M, Peng C, Wu J, et al. A new approach to a fracturing sweet spot evaluation method based on combined weight coefficient method: a case study in the BZ Oilfield, China[J]. Processes, 2024, 12(9): 12091830.

[7]	Yu Z, Ma S, Mallick S, et al. Prediction of shale oil “sweet spot” parameters centered on seismic prestack waveform inversion[J]. Geoenergy Science and Engineering, 2024, 241: 213157.

[8]	Wu Y, Jiang F, Hu T, et al. Shale oil content evaluation and sweet spot prediction based on convolutional neural network[J]. Marine and Petroleum Geology, 2024, 167: 106997.

[9]	Wang H, Guo Z, Kong X, et al. Application of machine learning for shale oil and gas “sweet spots” prediction[J]. Energies, 2024, 17(9). DOI: 10.3390/EN17092191.

[10]	Zhang X, Wei J G, Zhou X F, et al. A new method for evaluating fracability based on cluster analysis and well logging petrophysical facies division[J]. Journal of Physics: Conference Series, 2023, 2610(1). DOI: 10.1088/1742-6596/2610/1/012035.

[11]	Zhang S, Liu H, Liu Y, et al. Main controls and geological sweet spot types in Paleogene shale oil rich areas of the Jiyang Depression, Bohai Bay Basin, China[J]. Marine and Petroleum Geology, 2020, 111: 576-587.

[12]	Liu Z, Xie Z, Wang C X, et al. Preferred selection of fractured sweet spot section for horizontal shale oil well in west 233 area[J]. Journal of Physics: Conference Series, 2023, 2563(1): 12-36.

[13]	Shen Y, Liu B, Jiang H, et al. Geological and engineering integration fracturing design and optimization study of Liushagang Formation in Weixinan Sag[J]. Journal of Marine Science and Engineering, 2024, 12(10): 1821.

[14]	Peng C Y, Liu W J, Huang Z X, et al. An integrated multi-scale fracability evaluation method for tight sandstone reservoir[C]//ISRM International Symposium-Asian Rock Mechanics Symposium. Beijing: ISRM, 2021. DOI: 10.1088/1755-1315/861/6/062072.

[15]	江锚, 吴建树, 彭成勇, 等. 致密气不同类型甜点对水平井压裂产能影响规律[J]. 科学技术与工程, 2025, 25(11): 4515-4525.

[16]	Jiang Mao, Wu Jianshu, Peng Chengyong, et al. Effects of different types of tight gas sweet spots on horizontal well fracturing productivity[J]. Science Technology and Engineering, 2025, 25(11): 4515-4525.

[17]	万有余, 王小琼, 林海, 等. 英雄岭页岩油储层甜点评价的实验研究[J]. 科学技术与工程, 2025, 25(11): 4496-4504.

[18]	Wan Youyu, Wang Xiaoqiong, Lin Hai, et al. Experimental study on sweet spot evaluation of Yingxiongling shale oil reservoir[J]. Science Technology and Engineering, 2025, 25(11): 4496-4504.

[19]	付豪, 赵一凡, 高红艳, 等. 海上致密气藏工程甜点评价及水平井压裂分段优化[J]. 科学技术与工程, 2025, 25(10): 4078-4085.

[20]	Fu Hao, Zhao Yifan, Gao Hongyan, et al. Engineering sweet spot assessment of offshore tight gas reservoirs and optimization of hydraulic fracturing segmentation of horizontal wells[J]. Science Technology and Engineering, 2025, 25(10): 4078-4085.

[21]	杨琨, 罗山贵, 花凌旭, 等. 致密砾岩油藏压裂甜点预测研究——以玛18井区为例[J]. 科学技术与工程, 2022, 22(32): 14174-14183.

[22]	Yang Kun, Luo Shangui, Hua Lingxu, et al. Investigation on the fracturing sweet spot prediction of conglomerate tight oil reservoir: a case study of the Ma18 Well Block[J]. Science Technology and Engineering, 2022, 22(32): 14174-14183.

[23]	李亚晶, 陈天胜, 邓美洲. 超致密碎屑岩气藏“甜点”预测——以新场-合兴场地区须二气藏为例[J]. 科学技术与工程, 2021, 21(28): 12031-12039.

[24]	Li Yajing, Chen Tiansheng, Deng Meizhou. The prediction of “sweet spots” in ultra-tight breccia gas reservoirs: a case study of the Xinchang-Heshengch Area’s Shu-II gas reservoir[J]. Science Technology and Engineering, 2021, 21(28): 12031-12039.

[25]	黄天镜, 刘钰洋, 吴英强, 等. 基于层次分析法的致密砂岩双甜点评价方法[J]. 科学技术与工程, 2021, 21(5): 1775-1782.

[26]	Huang Tianjing, Liu Yuyang, Wu Yingqiang, et al. Evaluation method of comprehensive sweet spots in tight sandstone reservoir based on analytical hierarchy process[J]. Science Technology and Engineering, 2021, 21(5): 1775-1782.

[27]	刘文俊, 刘伟, 邓九涛, 等. 低渗致密储层三维地质力学建模与压裂工程甜点优选方法[J]. 科学技术与工程, 2022, 22(25): 10985-10991.

[28]	Liu Wenjun, Liu Wei, Deng Jiutao, et al. Three-dimensional integrated modeling and fracturing engineering sweet spot optimization method for low permeability tight reservoirs[J]. Science Technology and Engineering, 2022, 22(25): 10985-10991.

[29]	葛勋, 郭彤楼, 黎茂稳, 等. 深层页岩储层“工程甜点”评价与优选——以川南永川、丁山地区为例[J]. 石油实验地质, 2023, 45(2): 210-221.

[30]	Ge Xun, Guo Tonglou, Li Maowen, et al. Evaluation and optimization of “engineering sweet spots” in deep shale reservoirs: a case study of Yongchuan and Dingshan areas in southern Sichuan[J]. Petroleum Geology & Experiment, 2023, 45(2): 210-221.

[31]	冯昕媛, 张成娟, 谢贵琪, 等. 柴达木盆地页岩油工程甜点评价技术与应用[J]. 天然气与石油, 2023, 41(5): 63-69.

[32]	Feng Xinyuan, Zhang Chengjuan, Xie Guiqi, et al. Evaluation technology and application of shale oil engineering sweet spots in the Qaidam Basin[J]. Natural Gas and Oil, 2023, 41(5): 63-69.

[33]	张顺. 济阳坳陷页岩油富集要素及地质甜点类型划分[J]. 科学技术与工程, 2021, 21(2): 504-511.

[34]	Zhang Shun. Shale oil enrichment elements and geological dessert typesin Jiyang Depression[J]. Science Technology and Engineering, 2021, 21(2): 504-511.

[35]	赵安坤, 余谦, 张茜, 等. 基于BP神经网络的页岩气甜点预测方法: 201911381155[P]. 2020-07-28.

[36]	Zhao Ankun, Yu Qian, Zhang Qian, et al. A shale gas sweet spot prediction method based on BP neural network: 201911381155[P]. 2020-07-28.

[37]	章文波, 陈红艳. 实用数据统计分析及SPSS12.0应用[M]. 北京: 人民邮电出版社, 2006.

[38]	Zhang Wenbo, Chen Hongyan. Practical data statistical analysis and SPSS 12.0 application[M]. Beijing: Posts & Telecom Press, 2006.

[39]	马国庆. 管理统计: 数据获取、统计原理SPSS工具与应用研究[M]. 北京: 科学出版社, 2006.

[40]	Ma Guoqing. Management statistics: data acquisition, statistical principles, SPSS tools, and application research[M]. Beijing: Science Press, 2006.