基于水平井资料进行地质建模的大数据误区分析与应对策略

黄文松，王家华，陈和平，徐芳，孟征，李永豪

（1. 中国石油勘探开发研究院，北京 100083；2. 西安石油大学，西安 710065）

基于水平井资料进行地质建模的大数据误区分析与应对策略

黄文松1，王家华2，陈和平1，徐芳1，孟征1，李永豪1

（1. 中国石油勘探开发研究院，北京 100083；2. 西安石油大学，西安 710065）

以委内瑞拉奥里诺科重油带 MPE3油田为例，在分析水平井信息特征的基础上，对比了直井和水平井数据分布和变差函数的差异，针对将水平井信息直接应用于地质建模中产生的大数据误区，提出了相应的建模策略。研究表明由于研究区水平井具有数据信息量大、井轨迹方向性强、砂岩钻遇率高的特点，造成了不符合地质认识的变差函数分析结果，进而在沉积微相和储集层物性建模以及概率储量预测上产生误区。建模时首先采用直井信息对分流河道砂体分布进行变差函数分析，通过沉积相控、地震约束的方法建立岩相框架；再利用水平井信息反映储集层内部非均质性精度高的特点，结合直井信息进行泥质隔夹层的变差函数分析，建立相应的储集层岩相精细模型；最后建立储集层物性模型，并分井区计算地质储量。该建模策略能够真实反映地质特征，且有效提高了井间砂体预测的精度，增强了储集层地质模型的可靠性。图14表4参25

水平井；地质建模；大数据误区；大数据分析；变差函数

0 引言

水平井在恢复老井产能、提高油气井产能和开发重油油藏等方面具有显著优势，并广泛应用于老油田、低渗油气田以及重油油藏的开发中[1-4]。目前已出现以水平井井网开发为主的各类油气田，不同于以往利用直井信息建模，水平井信息的参与对储集层地质建模结果有明显的影响[5-9]。由于水平井水平段延伸距离长，水平段对砂体及相应物性参数的描述更加精细[10-11]，可减小井间预测的不确定性；但由于水平井特有的布井方式，其在特定方向上具有大信息量的数据，这对数据统计分析、变差函数计算等将造成较大影响，从而给后续沉积相以及物性模型带来误区。建模工作者提出了概率统计法、蒙特卡洛法等方法，以降低所建模型的不确定性，尽可能地还原真实的地下情况[12-15]。本文在分析水平井数据采集特点的基础之上，阐述了水平井在参与储集层建模过程中存在的沉积微相建模、储集层物性建模及概率储量计算的误区及原因，进而提出了合理应用水平井资料建立高精度地质模型的策略。

1 区域概况

奥里诺科重油带 MPE3油田位于东委内瑞拉盆地南缘，面积150 km2。新近系下中新统Oficina组为研究区的主力含油层段，砂体延伸范围广且纵向厚度大[16-19]。奥里诺科重油带储集层为典型的砂质辫状河—三角洲平原沉积体系。本文研究目的层M段为Oficina组下部地层单元，MPE3区块物源供给呈南西—北东向，主要沉积微相由辫状分流河道与分流间湾构成（见图1），测井曲线表现为正旋回沉积韵律[20-24]。储集层岩性以中细粒石英砂岩为主，孔隙度一般大于 30%，平均渗透率为 4 000×10-3μm2，属于高孔高渗储集层。研究区采用丛式水平井方式整体开发，平均井间距为300 m，井轨迹多为东西向，单井水平段长度达800～1 200 m。本文研究采用目的层31口直井和197口水平井的相关资料（见图2）。

图1 MPE3区M段的沉积微相

图2 MPE3区直井与水平井分布

2 水平井数据采集的特点

2.1 数据信息量

由于研究区水平井的水平段横向延伸距离远，水平井参与模拟的信息数据量很大。在应用直井和水平井联合建模时，水平井资料的数据点相比直井资料具有数量上的绝对优势。研究区目的层M段平均厚度为20 m，测井数据采样间隔0.125 m。单一直井的数据采样点约为160个；而水平段长度达到800～1 200 m，单一水平井的测井数据采样点为6 400～9 600个。将两种井型数据采样在三维网格上表示（见图 3），水平井数据点远远超过直井数据点，其对建模结果的影响巨大。这即是地质统计学中的大数据效应[25]。

2.2 数据分布

研究区内水平井多以平台方式集中布井，每个开发平台平均部署8口水平井，水平段间距300 m，占地面积约为 4 km2（见图 4）。平台范围内水平井数据点可达76 800个，这些数据量大而且分布集中，在建模过程中导致局部数据对整体模型有较大影响。同时平台内水平井轨迹相互平行，呈东西向展布，而研究区沉积物源供给呈南西—北东向，水平井数据方向与物源方向接近垂直，这就造成变差函数分析过程中主变程方向可能受到水平井轨迹的影响，而与实际物源方向不一致。因此，采样点分布不均或在特定方向上堆积大量数据造成不符合地质体实际分布的地质学统计，会引起储集层建模数据分析（变差函数分析）时的大数据误区。

图3 水平井与直井数据网格化

图4 平台布井模式图

2.3 砂岩钻遇率

研究区钻井过程中根据地质导向系统对水平井进行井眼轨迹调整，选择性钻遇砂岩而避开泥岩和差储集层段，从而提高单井砂岩钻遇率。因此，水平井反映出更多的砂岩信息，导致砂泥比远远大于地下真实情况。目的层钻井统计结果表明，水平井钻遇砂岩比例与直井相差 17.0%（见图 5）。因此，在数据统计与分析时，水平井资料的参与将会导致砂泥比大幅度增加，从而造成模型中砂泥比高于实际的情况。同时，由于水平段往往钻遇好储集层，反映的更多是好储集层的孔隙度、渗透率、含油饱和度等信息，会使统计的储集层物性值偏大，进而导致储集层物性模型有悖于地下真实的储集层物性分布规律。

图5 直井和水平井砂泥岩钻遇率对比图

3 变差函数分析

变差函数是表征变量的空间相关性与空间变异性的重要概念。对测井数据的空间分布特征进行分析时，变差函数的变程、方向等参数可以提供对物源方向、砂体展布特征等方面的关键认识；通过地质统计学方法进行物性参数建模时，需要利用变差函数对孔隙度、渗透率、含油饱和度等参数进行统计分析和计算。

3.1 沉积微相的变差函数分析

空间变量的变差函数的变程和方向密切相关，主方向为变差函数的变程最大的方向，它代表着对应空间变量的连续性最好的方向，次方向则对应于最短的方向，垂直于主方向。

本区主要储集层为辫状分流河道砂体。分别对研究区水平井和直井的分流河道砂体分布做变差函数分析，在原点附近，水平井所提供的点对远远多于直井，数据点相对更加集中。根据图6—图7可以发现：①水平井比直井数据的半方差分布更有规律；②水平井比直井数据变程更小，直井的主、次变程分别为4 873.3 m、2 583.8 m；而水平井的主、次变程分别为730.5 m、553.2 m；③水平井数据与直井数据的主变程的方位角不同。这是由于水平井数据在平台内集中出现，水平段数据点密集分布并且沿轨迹呈线性展开，使变差函数的值沿一个方向集中出现；水平井选择性钻遇砂体导致储集层数据相对均匀，点对分布更有规律，同时变程相应更短，主变程的方向与轨迹方向一致。对于全区分布的直井，由于目的层分流河道砂体呈比较连续的大范围分布，变差函数分析中主、次变程则数值偏大。模型上反映出，直井模拟的砂体分布广且宽度大，水平井由于是按井区布井，模拟的砂体多为集中分布并呈条带状。从区域地质研究的基础上分析，直井变差函数分析结果更符合地质认识。

图6 直井数据分流河道砂体变差函数分析（主变程方位角30°）

图7 水平井数据分流河道砂体变差函数分析（主变程方位角90°）

3.2 物性参数的变差函数分析

在相控条件下，直井、水平井、直井+水平井的孔隙度变差函数分析结果表明，水平井计算得到的变程比直井、直井+水平井对应的更短（见表1）。仅用直井分析得到的孔隙度连续性最好的方向与砂体优势展布方向（即分流河道延伸方向）一致；仅用水平井分析得到的孔隙度连续性最好的方向是水平井轨迹方向；而同时采用直井+水平井分析得到的孔隙度连续性最好的方向则表现出以上 2种井型的数据混合产生的折中效应，既不能代表物源方向，也不能代表水平井轨迹方向。同样，渗透率、含油饱和度的变差函数分析结果也有类似的特点。因此直井分析得到的物性参数的变差函数更能满足沉积规律认识，更具有真实性。

表1 不同类型井数据得到的孔隙度变差函数

4 水平井建模的大数据误区

4.1 沉积微相建模误区

正因为水平井资料在特定方向收集的大量数据造成了数据统计与变差函数分析方面的偏差，于是在沉积微相建模、储集层物性建模及概率储量计算方面产生了误区，以下逐一进行分析。

4.1.1 沉积粒度韵律

由于水平井数据为水平方向数据，不能像直井一样反映沉积的垂向演化过程，因此也就反映不出沉积粒度韵律性或沉积微相类型的变化。分流河道沉积垂向表现为正韵律，而水平井横向钻进的地层为相对均质砂岩，没有垂向的韵律特征。由于水平井优势数据的影响，在井间和远离井的位置，储集层特征模拟结果会趋向水平井段砂体特征，表现出均质化，破坏了真实的砂体粒度韵律特征。

利用序贯指示模拟方法，分别采用直井、水平井、直井+水平井数据对目的层展开岩相模拟（见图8），仅利用直井数据的模拟结果保持了分流河道砂体在垂向上的下粗上细的正粒序特征；仅利用水平井数据模拟，在远离水平井的位置，地层表现出了均质化的倾向；利用直井+水平井数据模拟，井间地层也出现了均质化的倾向。因此，可以看出由于研究区水平井优势数据的影响，造成储集层建模结果受沉积微相控制作用减弱，建模的结果与实际储集层存在明显偏差。

图8 直井和水平井岩相模拟剖面

4.1.2 沉积微相分布

研究中利用地震波阻抗数据体作为约束，利用直井、水平井、直井+水平井数据进行沉积相建模并对比其结果的微相比例（见图 9、表 2）。可以看出，直井数据模拟结果的分流河道微相所占比例最小，水平井数据模拟结果的分流河道微相所占比例最大，直井+水平井数据模拟结果的分流河道微相所占比例介于前两者之间。由于水平井数据中砂岩所占比例明显比直井数据高，而砂岩发育的主要微相是分流河道，所以利用水平井数据进行沉积微相建模会造成河道微相所占比例偏高。

4.2 物性建模误区

基于研究区的沉积微相空间分布模型，在相同的相模型约束下，利用序贯高斯方法，分别采用直井、直井+水平井、水平井的资料模拟物性参数的空间分布。

图9 不同类型井数据模拟的沉积微相分布图

表2 不同井数据模拟的微相分布

比较不同井数据建立的孔隙度和含油饱和度模型的数据分布区间，可以看出直井、水平井以及直井+水平井数据相应的孔隙度以及含油饱和度建模结果的直方图形态大致相近（见图 10、图 11），但在孔隙度为32%～35%以及含油饱和度为88%～92%的区间内，水平井建模对应的数值最大，直井建模对应的数值最小，直井+水平井建模的数值与水平井建模的数值差异较小，这说明由于水平井数据量占绝对优势，对数据分布规律起主要控制作用。同时，从直井、直井+水平井、水平井所建立的物性模型的平均值（见表 3）可以看出，用后 2种模式的井数据建模得到的孔隙度和含油饱和度平均值与直井建模相比均呈明显增大的趋势，这说明即使在相同的相模型约束下，水平井数据依然给属性模型带来了明显的影响，总体造成属性值偏高的现象。因此，为反映沉积相对物性的影响，本次建模采用直井信息进行变差函数分析。

图10 孔隙度模拟结果

图11 含油饱和度模拟结果

表3 不同井数据模拟的物性参数

4.3 概率储量预测误区

研究了孔隙度、含油饱和度的空间分布后，可以计算油气概率储量，采用不同建模结果分别计算得到目的层12个平台储量（见表4）。其中，水平井求得的P50概率储量比直井求得的P50概率储量增加了约9%，水平井+直井求得的P50概率储量比直井求得的P50概率储量增加了约4%。水平井数据求得的概率储量与直井、直井+水平井求得的概率储量进行比较，前者明显大于后两者。

表4 不同井数据计算的概率储量

5 水平井建模策略

由于储集层内部水平段数据大量增加，与直井相比，在水平段轨迹附近模型精度和分辨率提高，这是常规直井和地震资料难以达到的。但另一方面，如前所述由于研究区水平井在特定方向具有大数据信息，建模时若直接利用水平井数据进行数据统计分析，则会产生大数据误区。针对这一情况，采取如下储集层建模策略：考虑到水平井反映的沉积微相信息比较弱，岩相的信息比较强，因此储集层建模时在地震资料与沉积相带模式的约束下，首先建立岩相模型而非沉积微相模型，然后在岩相模型的控制下，进行物性建模；最后再进行储量计算，这样可以得到更为可靠的储集层建模结果。

5.1 岩相模型的建立

5.1.1 地震约束建立岩相框架模型

由于本区主要是砂质辫状河—三角洲平原沉积，虽然存在一些不同的岩相，但总体粒度相对比较细，因此本次建模进行了简化，把砂岩类的岩相统一归并为砂岩类，偏泥岩类的岩相统一归为泥岩类，仅建立简单的砂泥岩 2种岩相模型。建立相模型时应用地震资料作岩性概率分布约束，充分利用地震数据中具有井间确定性的岩性反演数据，降低井间砂体模拟的不确定性，以规避水平井在特定方向大数据信息产生的统计误区。本区地震反演资料主频40～50 Hz，地震层速度约2 600 m/s，可以识别有效厚度为15 m以上的砂体。研究区主力层砂体厚度大于20 m并且分布连续，因此利用反演资料能够有效识别砂体的空间展布形态。根据岩石物理学分析得到砂泥岩波阻抗截断值为5.5×106kg/(m2·s)，大于此值为砂岩，反之为泥岩。将时深转换后的地震岩性反演数据进行合理截断，以体现沉积格局为原则，得到作为约束条件的岩相框架模型，该模型能够更加真实反映岩相的空间分布特征。

5.1.2 岩相框架模型约束建立岩相精细模型

由于受到地震反演体分辨率的限制，岩相框架模型仅能够反映砂岩空间展布趋势，无法准确刻画薄层和隔夹层的空间形态。这种情况下充分利用水平井储集层内部隔夹层分辨率高的特点，以岩相框架模型为约束，采用岩性指示模拟方法得到岩相精细模型。此外，水平井数据参与岩相模拟，但不参与分流河道砂体分布数据分析与变差函数计算；因为分流河道中隔夹层本身相对不太发育，且延伸距离短，水平井恰恰能够反映这一问题，所以水平井信息参与分流河道中泥质隔夹层数据分析，实际得到的泥质隔夹层主变程为1 275 m，次变程为825 m（见图12），变程明显低于前述直井数据模拟分流河道砂体的变程，说明隔夹层在分流河道砂体内部发生变化。

图12 水平井+直井泥质隔夹层变差函数分析

岩性在空间变化上遵从于直井统计的数据分布，客观反映了地层的沉积特征，避免了水平井建模时大数据量造成统计结果不符合地质实际的情况。模拟结果在井点处忠实于井点信息，井间受岩相框架模型的约束，同时由于水平井数据参与了泥质隔夹层变差函数分析与建模，精细刻画了薄层和隔夹层的形态，使储集层内部分辨率明显提高（见图13）。

图13 反演属性体与岩相模拟对比图

5.2 物性模型的建立

利用水平井参与建模可以明显提高储集层内部物性和非均质性的描述精度。建模过程中，在岩相模型的约束下，首先分析岩相与物性的相关关系，仅利用直井采样点求取储集层物性参数概率分布和变差函数，然后将水平井和直井数据共同用于建模过程，既在垂向上保持了砂体韵律特征，又充分发挥了水平井精细刻画储集层内部物性分布的特点。水平井和直井相比，模型的孔隙度在水平井轨迹附近变化较快，能真实地反映储集层内部物性变化（见图14）。

5.3 储量计算

由于水平井集中分布在各钻井平台范围内，大量的数据点能够精细地描述储集层内部物性、含油性的分布特征。利用上述特点，通过分平台建模，可以精细描述单个平台或多个连续平台的储集层分布特征，更准确地计算每个钻井平台所控制的地质储量，然后进行叠加就可以得到总的地质储量，这样可以满足美国证券交易委员会（SEC）储量申报和精细数模的要求。

图14 直井+水平井孔隙度模拟剖面

以开发区内3号平台为例（见图2），说明单一钻井平台建模过程。该平台面积4.31 km2，有2口直井，12口水平井，平均水平段长度980 m。建模过程中，首先利用全区范围内的岩相模型切割出该平台范围的岩相模型；然后基于全区范围内的直井变差函数分析得到主、次变程及方位角；再根据该平台范围内的直井和水平井在建模层段的近似垂直段（井斜小于80°），统计孔隙度及含油饱和度的数据分布；最后利用该平台内所有井（水平井+直井）数据分别完成孔隙度、含油饱和度模型建立。利用该方法计算该平台控制的地质储量为0.71×109t，而采用全区模型计算该平台控制的地质储量为0.69×109t。分平台模拟是在满足区域沉积特征的前提下，仅利用该平台井数据参与建模，用此方法建立的模型对单一平台储集层物性的描述更加精细，与利用全区模型计算的平台控制储量相比，结果更加准确。

6 结论

水平井在钻井过程中，最大程度规避了非储集层和差储集层段，有效提高了储集层的钻遇率。但同时由于数据点集中于特定方向，且砂岩数据点明显多于泥岩数据点，直接采用水平井数据进行建模就会在沉积、储集层等多个方面产生统计偏差，导致砂泥比、孔隙度、渗透率、含油饱和度、概率储量等平均值明显高于仅用直井进行建模的结果。水平井数据信息量大，这是常规直井和地震资料难以达到的，所以在利用水平井资料建模过程中，采用地震约束岩相模型，根据岩相类型采用不同井型数据进行变差函数分析，进而建立岩相模型，然后分平台建立相应的属性模型并计算储量，这样既可以充分利用全区变差函数分布规律，又可以发挥水平井数据精细描述局部区域储集层内部特征的特点，在更真实反映储集层地质特征的前提下，提高储集层模型与储量计算的精度。

[1]汪志明, 杨健康, 张权, 等. 基于大尺寸实验的水平井筒压降预测模型评价[J]. 石油勘探与开发, 2015, 42(2): 238-241.WANG Zhiming, YANG Jiankang, ZHANG Quan, et al. Evaluation of horizontal wellbore single-phase pressure drop models based on large-scale experiment[J]. Petroleum Exploration and Development,2015, 42(2): 238-241.

[2]赵继勇, 樊建明, 何永宏, 等. 超低渗—致密油藏水平井开发注采参数优化实践: 以鄂尔多斯盆地长庆油田为例[J]. 石油勘探与开发, 2015, 42(1): 68-75.ZHAO Jiyong, FAN Jianming, HE Yonghong, et al. Optimization of horizontal well injection-production parameters for ultra-low permeable-tight oil production: A case from Changqing Oilfield,Ordos Basin[J]. Petroleum Exploration and Development, 2015,42(1): 68-75.

[3]韩德金, 王永卓, 战剑飞, 等. 大庆油田致密油藏井网优化技术及应用效果[J]. 大庆石油地质与开发, 2014, 33(5): 30-35.HAN Dejin, WANG Yongzhuo, ZHAN Jianfei, et al. Optimizing techniques and their application effects for the well patterns of Daqing tight oil reservoirs[J]. Petroleum Geology & Oilfield Development in Daqing, 2014, 33(5): 30-35.

[4]刘合, 兰中孝, 王素玲, 等. 水平井定面射孔条件下水力裂缝起裂机理[J]. 石油勘探与开发, 2015, 42(6): 794-800.LIU He, LAN Zhongxiao, WANG Suling, et al. Hydraulic fracture initiation mechanism in the definite plane perforating technology of horizontal well[J]. Petroleum Exploration and Development, 2015,42(6): 794-800.

[5]MA X, AL-HARBI M, DATTA-GUPTA A, et al. An efficient two-stage sampling method for uncertainty quantification in history matching geological models[R]. SPE 102476, 2008.

[6]JUNKER H, PLAS L, DOSE T, et al. Modern approach to estimation of uncertainty of predictions with dynamic reservoir simulation: A case study of a German Rotliegend Gas Field[R]. SPE 103340, 2006.

[7]RODRÍGUEZ R, SOLANO K, GUEVARA S, et al. Integration of subsurface, surface and economics under uncertainty in Orocual Field[R]. SPE 107259, 2007.

[8]DOLIGEZ B, CHEN L. Quantification of uncertainties on volumes in place using geostatistical approaches[R]. SPE 64767, 2000.

[9]CAPEN E. Probabilistic reserves! here at last?[R]. SPE 73828, 2001.

[10]郝建明, 吴健, 张宏伟. 应用水平井资料开展精细油藏建模及剩余油分布研究[J]. 石油勘探与开发, 2009, 36(6): 730-736.HAO Jianming, WU Jian, ZHANG Hongwei. Study on fine reservoir modeling and distribution of remaining oil with data of horizontal wells[J]. Petroleum Exploration and Development, 2009, 36(6):730-736.

[11]王伟. 水平井资料在精细油藏建模中的应用[J]. 岩性油气藏,2012, 24(3): 79-82.WANG Wei. Application of horizontal well data to detailed reservoir modeling[J]. Lithologic Reservoirs, 2012, 24(3): 79-82.

[12]SCHUYLER J. Probabilistic reserves lead to more accurate assessments[R]. SPE 49032, 1998.

[13]GAIR R. Integrating deterministic and probabilistic reserves[R]. SPE 82000, 2003.

[14]MUDA P, WU L, NAVPREET S, et al. Integrating horizontal wells in 3D geological model using sequence stratigraphic framework in braided channel complex of the Changbei Gas Field, Ordos Basin,China[R]. Beijing: International Petroleum Technology Conference,2013.

[15]SUTA I, OSISANYA S. Geological modelling provides best horizontal well positioning in geologically complex reservoirs[R].Alberta, Canada: Petroleum Society’s 5th Canadian International Petroleum Conference, 2004.

[16]陈浩, 陈和平, 黄文松, 等. 委内瑞拉奥里诺科重油带 Carabobo油区M区块Morichal段地层沉积演化特征[J]. 西安石油大学学报(自然科学版), 2016, 31(1): 45-52.CHEN Hao, CHEN Heping, HUANG Wensong, et al. Sedimentary evolution characteristics of morichal member in M Block of Carabobo area of Orinoco heavy-oil belt, Venezuela[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2016, 31(1):45-52.

[17]ETTAJER T, FONTANELLI L, DIAZ A. Integration of horizontal wells in the modeling of carbonates reservoir: Upscaling and economical assessment challenges[R]. Houston, Texas: Offshore Technology Conference, 2014.

[18]PINDELL J L, KENNAN L, WRIGHT D, et al. Clastic domains of sandstones in central/eastern Venezuela, Trinidad, and Barbados:Heavy mineral and tectonic constraints on provenance and paleogeography[J]. Geological Society London Special Publications,2009, 328(1): 743-797.

[19]LABOURDETTE R, CASAS J, IMBERT P. 3D sedimentary modelling of a Miocene deltaic reservoir unit, Sincor Field,Venezuela: A new approach[J]. Journal of Petroleum Geology, 2008,31(2): 135-151.

[20]MARTINIUS A W, HEGNER J, KAAS I, et al. Sedimentology and depositional model for the Early Miocene Oficina Formation in the Petrocedeño Field (Orinoco heavy-oil belt, Venezuela)[J]. Marine and Petroleum Geology, 2012, 35(1): 352-380.

[21]刘亚明. Orinoco重油带重油成藏特征[J]. 石油与天然气地质,2013, 34(3): 315-322.LIU Yaming. Heavy oil accumulation characteristics of the Orinoco heavy oil belt[J]. Oil & Gas Geology, 2013, 34(3): 315-322.

[22]魏漪, 冉启全, 李冉, 等. 基于分区补给物质平衡法预测致密油压裂水平井动态储量[J]. 石油勘探与开发, 2016, 43(3): 448-455.WEI Yi, RAN Qiquan, LI Ran, et al. Determination of dynamic reserves of fractured horizontal wells in tight oil reservoirs by multi-region material balance method[J]. Petroleum Exploration and Development, 2016, 43(3): 448-455.

[23]张克鑫, 黄文松, 郭松伟, 等. 奥里诺科重油带 M 区块层序界面识别和高分辨率层序地层格架建立[J]. 石油天然气学报, 2012,34(7): 11-16.ZHANG Kexin, HUANG Wensong, GUO Songwei, et al. Sequence Orinoco boundary heavy oil characteristics and high resolution sequence stratigraphic framework of M Block in Orinoco heavy-oil belt[J]. Journal of Oil and Gas Technology, 2012, 34(7): 11-16.

[24]陈浩, 陈和平, 黄文松, 等. 委内瑞拉奥里诺科重油带沉积特征[J]. 地质科技情报, 2016(4): 103-110.CHEN Hao, CHEN Heping, HUANG Wensong, et al. Sedimentary characteristics of the Orinoco heavy-oil belt, Venezuela[J].Geological Science and Technology Information, 2016(4): 103-110.

[25]MA Y Z, POINTE P. Uncertainty analysis and reservoir modeling[M].Tulsa: AAPG, 2011.

Big data paradox and modeling strategies in geological modeling based on horizontal wells data

HUANG Wensong1, WANG Jiahua2, CHEN Heping1, XU Fang1, MENG Zheng1, LI Yonghao1

(1.PetroChina Research Institute of Petroleum Exploration & Development,Beijing100083,China;2.Xi’an Shiyou University,Xi’an710065,China)

Based on analysis of horizontal well data characteristics, the differences of data distribution and variogram between vertical and horizontal wells in MPE3 oil field of Orinoco heavy oil belt were compared, and modeling strategies were proposed to cope with the big data paradox when data of horizontal wells was used directly into geologic modeling. The study shows the horizontal wells in the study area contain a large quantity of information, strong directionality of well trajectories and high drilling ratio of sandstone, causing variogram analysis result unconformable to the geologic understanding, and in turn making errors in the modeling of sedimentary microfacies and reservoir physical properties and prediction of probabilistic reserves. Firstly, the distributary channel distribution variogram was analyzed with data of vertical wells, and then the lithofacies framework was established under the control of the sedimentary facies and seismic data. After that, the horizontal wells data revealing high heterogeneity accuracy of reservoir, was combined with the vertical wells data to analyze argillaceous interlayer variograms and the corresponding reservoir lithofacies models were constructed. Finally, reservoir physical property models were generated and the geological reserves were calculated by wellblocks.This reservoir modeling method does not only reflect the geologic features underground, but also improve the accuracy of inter-well sand body prediction, and enhance the reliability of reservoir geologic model ultimately.

horizontal well; geological modeling; big data paradox; big data analysis; variogram

国家科技重大专项“大型油气田及煤层气开发”（2016ZX05031-001）

TE319

A

1000-0747(2017)06-0939-09

10.11698/PED.2017.06.11

黄文松, 王家华, 陈和平, 等. 基于水平井资料进行地质建模的大数据误区分析与应对策略[J]. 石油勘探与开发, 2017, 44(6): 939-947.

HUANG Wensong, WANG Jiahua, CHEN Heping, et al. Big data paradox and modeling strategies in geological modeling based on horizontal wells data[J]. Petroleum Exploration and Development, 2017, 44(6): 939-947.

黄文松（1973-），男，河北高阳人，博士，中国石油勘探开发研究院高级工程师，主要从事油气田开发和地质建模工作。地址：北京市海淀区学院路20号，中国石油勘探开发研究院美洲研究所，邮政编码：100083。E-mail: hwshws6@petrochina.com.cn

2017-05-25

2017-10-19

（编辑 刘恋）