Введение

При фациальном моделировании межскважинного пространства одним из

важнейших параметров является количественная оценка пространственной
корреляции и закономерностей между геологическими объектами внутри пласта.
Как известно, у пород, слагающих пласт свойства меняются в разных направлениях
по-разному. В осадочных породах изменчивость по горизонтали гораздо меньше
чем по вертикали, поэтому стоит использовать ячейки, у которых толщина намного
меньше длины и ширины [3]. Вероятность появления тех или иных фаций в пласте
меняется в зависимости от расстояния между точками с известными данными. При
увеличении расстояния между точками значение вариации возрастает. Перед
использованием геостатистических методов часто возникает проблема
ненормального распределения параметров (Рис.1).

Рис. 1. Анализ гистограмм значений пористости: слева – Нормальное

распределение; справа – Бимодальная гистограмма, указывает на то, что
геологическая среда состоит из двух категорий пород
При интерполяции данных в межскважинном пространстве, например, данных
пористости необходимо выделить диапазоны значений, в которых мы будем
проводить интерполяцию, то есть разбить на зоны и перейти к индикаторам.

Основная часть
1
 Индикаторное преобразование непрерывной функции Z ( x) в индикаторный
вектор, частный случай индикаторной функции, по пороговому значению функции

zk . Значение 0 соответствует неколлектору, а значение 1 коллектору.

0, если Z ( x)  zk
I ( x, z k )  
Стоит отметить, что 1, если Z ( x)  zk
вектор индикаторов не

способен воспроизвести функцию Z ( x) . Для каждой точки измерений xi он

представляет модель ступенчатой функции Ф( z ) из 0 и 1, где переход с 0 на 1

зависит от значения исходной функции Z ( xi ) , а высота столбца зависит от среднего

значения на интервале оси x . Функция Ф( z ) приблизительно воспроизводит

одномерную функцию распределения исходных данных:
E  I ( x, zk )  Pr  Z ( x)  zk   F ( zk ) ,

Где Pr-probability, E-математическое ожидание. При небольшом размере

исследуемого участка и хорошей изученности используют детерминистические
методы. В остальных случаях используют стохастические методы
(последовательное стохастическое индикаторное моделирование), чтобы преодолеть
сглаживающий эффект кригинга и увидеть изменчивость вдали от мест, где данных
у нас нет. Поскольку кригинг-это интерполяция, изменчивость будет максимальна в
той части, где скважин больше. Главным плюсом кригинга является то, что он
использует данные о внутренней корреляции данных, рассчитанной при помощи
вариограммы.
Стохастические методы рассматривают распределение какого-либо параметра
в пространстве случайным способом, но их принцип действия основан на кригинге.
Потому что из всех детерминистических методов интерполяции кригинг является
самым осторожным решением, он имеет наименьшую ошибку и по сути
визуализирует среднее [4].

2
Индикаторный кригинг-это по сути обычный кригинг, выполненный не для
значений непрерывной переменной, а для индикатора:
n
I ( x0 , zk )   ki ( xi , zk )
*

i 1

где I ( x0 , zk ) -результат интерполяции, а ki -веса кригинга.

*

Было доказано, что если значение весовых коэффициентов подбираются таким

образом, чтобы минимизировать вариацию ошибки, то полученная оценка
индикатора является оценкой вероятности:
n
Pr  I ( x, zk )  1| (n)  pk   i [ I ( xi , zk )  pk ]
*

i 1

Где вероятность
pk  E  I ( x, sk ) [0,1] определяет долю категории zk в глобальном

распределении и находится из исходных данных, sk-simple kriging, n-число оценок

вероятности. Веса i определяются индикаторным кригингом с использованием

модели вариограммы для соответствующих категорий zk [1].

В данной работе использован метод последовательного стохастического
индикаторного моделирования, который в каждой ячейке рассчитывает значение
индикаторного кригинга и случайное число в диапазоне распределения пород по
кодовому числу и затем уже сравнивает значения. После проведенного сравнения
выбирает код фации.
При последовательном стохастическом индикаторном моделировании строится
индикаторная вариограмма:
1

 (h, zk )  E  I ( x, z k )  I ( x  h, zk ) 
2
2


3
Рис. 2. Расчет экспериментальной индикаторной вариограммы: а – исходные точки
на площади; б –экспериментальная вариограмма.
В этом случает никакого вариограммного облака не наблюдается, усредняемые
точки будут находиться на двух уровнях - на уровне 0 и на уровне 0,5. Кривая
(экспериментальная вариограмма), рассчитанная в результате осреднения точек
(Рис.2). В данном представлении графика вариограммы уровень, равный единице
является дисперсией.
Вариограммный анализ интересен тем, что в построенной вариограмме
присутствуют параметры, определяющие различные аспекты неоднородности:
поведение вблизи нуля, выход на плато, значение порога, а также радиус
корелляции. Вариограмма, к сожалению, мало может сказать про геометрические
параметры геологических тел, одной и той же индикаторной вариограмме могут
соответствовать различные формы [2]. В том числе возникает проблема
геологического соответствия форм песчаных тел, поэтому межскважинное
пространство при объектном и индикаторном моделировании может быть

Total

представлено по-разному.
4
 Рис. 3. Главные характеристики вариограммы: радиус R, порог C, эффект
самородков С0 и крутизна вблизи начальной точки.
Величина порога в стационарном случае равняется дисперсии, то есть максимальной
вариации. Необходимым условием вариограммного анализа является выход
вариограммы на плато, если такое не происходит, то есть причины полагать, что в
данных присутствует тренд. В таком случае, для интерполяции данных применение
детерминестических методов, в частности кригинга недопустимо [4].
Данная залежь имеет форму в виде замкнутой ловушки, протяженную с севера
на юг (Рис. 4). Пласт имеет приблизительно одинаковую мощность на всей
площади: от 30 до 35м. Данные литологии представлены 16-ю скважинами, все
скважины имеют вертикальное направление.

Рис. 4. Карта поверхности кровли пласта и линия ВНК

5
 Рис. 5. Распределение песчаных и глиняных прослоев в пласте

Как уже говорилось выше, одной вариограмме могут соответствовать

различные геологические объекты в пространстве. Важным моментом является то,
что вариограммы можно рассчитывать по различным направлениям (азимутам) и с
различной угловой широтой. Для определения направления анизотропии можно
построить вариограмную карту, она представлена в виде поверхности контуров 2D
дисперсии [1]. Вариограммная карта отображает величину вариации в различном
направлении и помогает определить направление magor/minor range. Входными
данными для построения карты вариограмм являются толщины по какой-либо
фации в скважинах. В данном случае возможно определить только направление
геометрической анизотропии, так как в Petrel построение производится с
нормировкой вариограммы на дисперсию. Изолинии вариограммной розы
показывают значения вариации вариограммы, по карте вариограмм можно
построить вариограммы для различных направлений используя методы
интерполяции.

6
 Рис. 6. Карта вариограмм, построенная для песчаника и направления большего и
меньшего радиусов корреляции
Центр карты вариограмм всегда находится в точке (0;0). Ручной выбор
направления наибольшей корреляцией является трудоемкой задачей, поэтому
построить карту вариограмм будет верным решением (при достаточном наборе
данных и заполняемости площади исследуемого участка) [1]. Направление major
range можно найти по карте вариограмм, оно соответствует азимуту 48 .

Таблица 1. Параметры наиболее удачной вариограммы

Major range Minor range Vertical range Azimuth Nugget Total Type
sill
4800 4000 1,91 48 0,127 1 Spherical

7
 Рис. 7. Экспериментальная вариограмма и конус поиска для major и minor
направлений корреляции
Одним важным моментом является то, что по карте вариограмм вблизи точки
(0;0) прослеживается область, имеющая уровень вариации >1 (Рис.4). На рисунке 6
показана вариограмма по всем направлениям с длиной лага 400м, равной
минимальному расстоянию между скважинами и максимально допустимым углом
допуска. Можно заметить, что на расстоянии пяти лагов уровень вариации выше
допустимого, при таких настройках конуса поиска невозможно сказать о наличии
анизотропии. Найдя азимут и подбирая параметры конуса поиска, мы получаем
наиболее приемлемую картину (Рис.7): виден рост до значения дисперсии и выход
на плато.

Рис. 8. Вариограмма и конус поиска с углом раствора=90

8
 Рис. 9. Куб литологии для вариограммы из таблицы 1 методом ПГСИМ

Главной целью данной работы состоит в том, чтобы рассмотреть влияние

параметров вариограммы на полученный куб фаций. Первым делом определим
влияние значения самородка при неизменных других параметрах
Таблица 2. Параметры вариограмм с разным значением nugget
Total Number of
Major range Minor range Vertical range Azimuth Nugget Type
sill realizations
4800 4000 1,91 48 0 1 Spherical 1
4800 4000 1,91 48 0,1 1 Spherical 2
4800 4000 1,91 48 0,2 1 Spherical 3
4800 4000 1,91 48 0,4 1 Spherical 4
4800 4000 1,91 48 0,6 1 Spherical 5
4800 4000 1,91 48 0,8 1 Spherical 6

9
Рис. 10. Различные реализации для различных параметров nugget из таблицы 2

Рис. 11. Карты песчанистости для каждой реализации из рисунка 10

10
 Как можем видеть по рисунку 10, с увеличением nugget границы геологических
тел становятся менее различимыми. От реализации 1 к реализации 6 картина
становится сильно зашумленной. Веса в системе уравнений индикаторного кригинга
вблизи точек данных снижаются, поэтому картина становится менее четкая.
Кригинг, при высоком значение наггета становится неточным интерполятором.
Реализация 6 по внешнему виду приближается к картине так называемого «белого
шума». По карте песчанистости от реализации 1 к реализации 6 видно, как стирается
различия между высокими и низкими значениями песчанистости, и картина
становится более однородной.

Рис. 12. Зависимость процента содержания песчаника от значения наггета.

Таблица 3. Параметры вариограмм с разным значением major/minor range
Total Number of
Major range Minor range Vertical range Azimuth Nugget Type
sill realizations
1200 1000 1,91 48 0,127 1 Spherical 1
1800 1500 1,91 48 0,127 1 Spherical 2
2400 2000 1,91 48 0,127 1 Spherical 3
3000 2500 1,91 48 0,127 1 Spherical 4
3600 3000 1,91 48 0,127 1 Spherical 5
4200 3500 1,91 48 0,127 1 Spherical 6

11
Рис. 13. Различные реализации для различных параметров major/minor range
из таблицы 3

Рис. 14. Карты песчанистости для каждой реализации из рисунка 13

12
 В зависимости от увеличения расстояния major/minor range можно увидеть,
как меняются размеры геологических тел. Они увеличиваются в двух направлениях,
по сути, величина радиуса корреляции напрямую влияет на протяженность
геологических тел по горизонтали. У двух точек, находящихся на расстоянии
большем, чем range отсутствует корреляция. При больших расстояниях предсказать
значение в какой-либо точке по данным, имеющимся в другой точке становится
невозможным. По карте песчанистости видно, как от реализации 1 к реализации 6
конкретные области становятся связанными, и их размеры увеличивается с
увеличением размера range.
91

90.5

90
Percent, %

89.5

89

88.5

88
0 1 2 3 4 5 6 7 8

Number of realizatons

Рис. 15. Зависимость процента содержания песчаника от значения

ранга вариограммы.

Таблица 4. Параметры вариограмм с разным значением sill

Total Number of
Major range Minor range Vertical range Azimuth Nugget Type
sill realizations
4800 4000 1,91 48 0,127 0,4 Spherical 1
4800 4000 1,91 48 0,127 0,6 Spherical 2
4800 4000 1,91 48 0,127 0,8 Spherical 3
4800 4000 1,91 48 0,127 1,2 Spherical 4
4800 4000 1,91 48 0,127 1,4 Spherical 5
4800 4000 1,91 48 0,127 1,6 Spherical 6

13
 Рис. 16. Различные реализации для различных параметров sill
из таблицы 4

Рис. 17. Карты песчанистости для каждой реализации из рисунка 16

14
 На рисунке 16 видно, как значение total sill меняет картину-реализации
становятся более четкими и сглаженными. При моделировании непрерывных
параметров, например, таких как пористости или проницаемости порог
вариограммы равен дисперсии, чем больше дисперсия-тем выше должно находиться
плато вариограммы. В Petrel шкала вариации нормирована и не показывает
величину дисперсии напрямую. При моделировании же дискретных свойств, как в
нашем случае, картина будет зависеть от разницы между total sill и nugget-чем
меньше эта разница, тем полученный куб больше походит на тот случай, когда
величина nugget приближалась к значению total sill (реализация 5, 6 рис.10).
Следовательно, величина порога зависит от значения nugget, при увеличении этой
разницы (таблица 4) nagget эфект снижается, и картина получается более четкой.
На рис.19-21 представлены итоговые разрезы куба литологии, построенные с
использованием вариограммы из таблицы 1. Для удобства выбран измененный
масштаб по вертикали. Метод ПГИСМ в достаточной мере отражает геологическую
изменчивость в среде. На гистограмме распределения небольшое увеличение
процента глин (код 3) в кубе литологии можно говорить о том, что метод ПГИСМ
использует при расчетах случайное число, как уже говорилось ранее [8]. Благодаря
случайной составляющей возможны случайные включения, и картина становится
менее однородной.

Рис. 18. Гистограмма распределения кодов литологии-слева метод ПГИСМ, справа

индикаторный кригинг.

15
Рис. 19. Разрез куба литологии (метод ПГСИМ)
вдоль линии скважин w1, w6, w3

Рис. 20. Разрез куба литологии (метод ПГСИМ)

вдоль линии скважин w4, w6, w7, w9, w8, w2

16
 Рис. 21. Разрез куба литологии (метод индикаторный кригинг)
вдоль линии скважин w4, w6, w7, w9, w8, w2

Вывод
Эффективность технологических решений, принимаемых на основе
геологической модели, зависит от ее качества. В практике геологического
моделирования часто бывает сложно найти направление анизотропии, но прибегнув
к построению вариограммной карты это становится возможным. Проанализировав
поведение куба литологии в зависимости от параметров вариограммы можно прийти
к выводу, что результат моделирования сильно зависит от входных настроек
вариограммы. Величина nugget сильно влияет на зашумленность, при изменении
наггета от 0 до 0,8, картина становится менее четкая и менее точная. По графику
видно, что процент песчаника увеличивается с увеличением наггета с 89,43% до
91,66%, а карта песчанистости становится более однородной. Отдельные области
становятся неразличимыми, вариабельность данных приобретает больший масштаб.
Похожая картина наблюдалась при изменении величины total sill от 0,4 до 1,6, более
17
шумные реализации получались при небольшой разнице между total sill и nugget.
Прямой зависимости между величиной total sill и процента песчаника не
наблюдалось. Так как величина порога всегда нормируется на единицу, значит об
изменении плато в зависимости от направления сказать ничего нельзя. Изменение
расстояния minor/major range сильно связаны с протяженностью тел и их размерами.
Величины major/minor range были выбраны с учетом их отношения 6/5 от 1200/1000
до 4200/3500. По карте песчанистости хорошо видно, как области одного цвета
становятся больше с увеличением ранга, и процент содержания песчаника тоже
увеличивается с 88,91% до 90,5%. С учетом того, что изначально ничего не было
известно про характер осадконакопления, данные по керну и данные ГИС, можно
считать, что конечная ошибка в таком синтетическом месторождении зависит
только от параметров вариограммы, конуса поиска и выбранного алгоритма.
Неправильно выбранные характеристики вариограммы при моделировании
дискретных параметров может повлиять на дальнейшие ошибки, которые могут
появиться при оценке запасов залежи, адаптации модели и планировании ГТМ.

СПИСОК ЛИТЕРАТУРЫ
1. Демьянов В.В., Савельева Е.А. Геостатистика: теория и практика. М.: Наука,
2010. 327 с.
2. Дойч К.В. Геостатистическое моделирование коллекторов. М.–Ижевск: ИКИ,
2011. 400 с.
3. Дюбрюль О. Геостатистика в нефтяной геологии. М.–Ижевск: ИКИ, 2009. 256 с.
4. Ковалевский Е.В., Геологическое моделирование на основе геостатистики.
Студенческое лекционное турне, ОАО «ЦГЭ», 2011-2012- 117 с.
5. Закревский К.Е., Майсюк Д.М., Сыртланов В.Р. «Оценка качества ЗD моделей»
М.: ООО «ИПЦ Маска», 2008 - 272 с.
6. Закревский К.Е., «Геологическое 3D моделирование» М.: ООО «ИПЦ, Маска"»,
2009 - 376 с.

18
7. Закревский К.Е., Попов В.Л. Вариограммный анализ геологических тел,
Экспозиция нефть газ. 2018. №1(61). с. 27-31.
8. Белозеров Б.В., Буторин А.В., Герасименко П.Н., Журавлева Е.В., Кайгородов
С.В., Логвиненко Н.В., Мещерякова А.С., Митяев М.Ю., Мостовой П.Я., Попова
О.А., Сидубаев А.С., Фаизов Р.З., Шатилов А.В. Практические советы по 3D-
геологическому моделированию. — Изд. 2-е, перераб. и доп. — М.–Ижевск :
Институт компьютерных исследований, 2018. — 424 с.
9. Watheq J. Al-Mudhafar, Geostatistical Lithofacies Modeling of the Upper Sandstone
Member/Zubair Formation in South Rumaila Oil Field, Iraq. Arab Journal of Geosciences,
2017, 10, 153.

19