储层砂质辫状河的识别——以大庆喇嘛甸-萨尔图油田西部PⅠ23为例

doi:10.7623/syxb200202010

石油学报 ›› 2002, Vol. 23 ›› Issue (2): 43-47.DOI: 10.7623/syxb200202010

储层砂质辫状河的识别——以大庆喇嘛甸-萨尔图油田西部PⅠ_2³为例

刘波¹, 赵翰卿², 李广月¹, 王良书¹, 刘绍文¹

1. 南京大学地球科学系,江苏南京,210093;
2. 大庆油田公司勘探开发研究院,黑龙江大庆,163712

收稿日期:2001-01-08 修回日期:2001-03-30 出版日期:2002-03-25 发布日期:2010-05-21
作者简介:刘波,女,1965年5月生,1986年毕业于大庆石油学院,现为南京大学地球科学系博士研究生；通讯处:黑龙江大庆油田公司勘探开发研究院开发一室.
基金资助:
国家“九五”科技攻关项目(95-109-01-01-05)的部分研究成果.

Sand body identification of braided river reservoir-an example from the PI₂³ west of Lamadian-Saertu 　　Oilfield,Daqing,China

LIU Bo¹

Earth Science Department of Nanjing University, Nanjing 210093, China

Received:2001-01-08 Revised:2001-03-30 Online:2002-03-25 Published:2010-05-21

摘要/Abstract

摘要： 油田高含水开发后期,利用精细地质描述方法,根据丰富的密井网测井资料,借鉴古代河流砂体露头和现代河流沉积经验,对大庆喇嘛甸—萨尔图油田西部、河流相储层PⅠ₂砂岩组,进行精细对比、精细描述、模式预测等.表明PⅠ₂砂岩组的PⅠ₂³沉积单元为远源低弯度砂质辫状河沉积.通过岩心观察与描述,对结论进行了进一步证实.成果不仅解决了PⅠ₂砂岩组沉积单元精细划分与对比问题、澄清PⅠ₂³砂体成因类型上的认识,而且确认了大庆长垣萨、葡、高油层中、相对规模最大的砂质辫状河沉积.结果运用到生产实际中,对挖潜剩余油、改善开发效果,有很高的应用价值

关键词: 识别, 模式预测, 储层描述, 岩心观察, 砂质辫状河, 大庆油田

Abstract: At the high water-cutting phase of oilfield development,based on ancient fluvial sandbody outcrop and modern fluvial sediment expericnce,according to fluvial sediment pattern and formative mechanisms,utilizing abundant well logging curves,the subdivision and correlation,reservoir description and deposition pattern were conducted for the PI₂³ sand body in west of Lamadian-Saertu Oilfield,which is the end of large fluvial-delta sedimentation system of North of Songliao Basin in China.The formative type of PI₂³ sedimentary unit is sand-braided river with far-resource and low curvature channel,which can be verified by rock-core and dynamic development data.All of them not only can be used to solve the questions of the subdivision and correlation of PI₂ sand body,clarify the opinions on its formative type,but also identify the only sand braided river sedimentation in the Sapugao oil layer of the middle oil-bearing assemblage in Lamaxing Oilfield.The results above are applied to practice,which has high value in remaining oil analysis and development.

Key words: identification, pattern prediction, reservoir description, sand braided river, Daqing Oil Field

中图分类号:

TE319

刘波, 赵翰卿, 李广月, 王良书, 刘绍文. 储层砂质辫状河的识别——以大庆喇嘛甸-萨尔图油田西部PⅠ_2³为例[J]. 石油学报, 2002, 23(2): 43-47.

LIU Bo. Sand body identification of braided river reservoir-an example from the PI₂³ west of Lamadian-Saertu 　　Oilfield,Daqing,China[J]. Editorial office of ACTA PETROLEI SINICA, 2002, 23(2): 43-47.

[1]	孙龙德, 江同文, 王凤兰, 伍晓林, 罗凯, 江航, 韩培慧. 关于油田寿命的思考[J]. 石油学报, 2021, 42(1): 56-63.
[2]	马中高, 朱立华, 张卫华, 刘厚裕, 王猛. 雷州半岛南部玄武岩岩石物理特征[J]. 石油学报, 2020, 41(6): 702-710.
[3]	高文彬, 李宜强, 何书梅, 潘登, 刘明熹, 管错. 基于荧光薄片的剩余油赋存形态分类方法[J]. 石油学报, 2020, 41(11): 1406-1415.
[4]	刘军, 刘杰, 曹均, 文晓涛, 徐乐意, 陈人杰, 陈兆明. 基于岩石物理实验的储层与孔隙流体敏感参数特征——以珠江口盆地东部中-深层碎屑岩储层为例[J]. 石油学报, 2019, 40(s1): 197-205.
[5]	李杰训, 赵忠山, 李学军, 王梓栋, 李娜. 大庆油田聚合物驱配注工艺技术[J]. 石油学报, 2019, 40(9): 1104-1115.
[6]	刘航宇, 田中元, 刘波, 郭睿, 石开波, 叶玉峰. 中东地区巨厚强非均质碳酸盐岩储层分类与预测——以伊拉克W油田中白垩统Mishrif组为例[J]. 石油学报, 2019, 40(6): 677-691.
[7]	郭彤楼. 元坝气田成藏条件及勘探开发关键技术[J]. 石油学报, 2019, 40(6): 748-760.
[8]	杨笑, 王志章, 周子勇, 魏周城, 曲康, 王翔宇, 王如意. 基于参数优化AdaBoost算法的酸性火山岩岩性分类[J]. 石油学报, 2019, 40(4): 457-467.
[9]	逯宇佳, 曹俊兴, 刘哲哿, 田仁飞, 肖学. 波形分类技术在缝洞型储层流体识别中的应用[J]. 石油学报, 2019, 40(2): 182-189.
[10]	徐立恒, 宋宝权, 韩嵩, 胡学恒, 李科, 杨会东, 王元波, 黄勇. 变尺度构造模型在地质统计学反演储层预测中的应用[J]. 石油学报, 2019, 40(2): 190-196,239.
[11]	张家政, 朱地, 慈兴华, 牛强, 张焕旭, 唐永春, 康淑娟, 何坤. 湖北宜昌地区鄂阳页2井牛蹄塘组和陡山沱组页岩气随钻碳同位素特征及勘探意义[J]. 石油学报, 2019, 40(11): 1346-1357.
[12]	刘志杰, 范宜仁, 曹军涛, 肖承文, 邓少贵, 葛新民, 蔡德洋, 别康. 基于地应力校正的变胶结指数饱和度计算方法——以库车前陆盆地A井区为例[J]. 石油学报, 2018, 39(7): 814-823.
[13]	周斌, 王延江, 刘伟锋, 刘宝弟. 基于Hessian正则化支持向量机的多视角协同识别抽油机井工况方法[J]. 石油学报, 2018, 39(12): 1429-1436.
[14]	张恒, 蔡忠贤, 漆立新, 云露, 唐鹏, 何君毅. 塔中隆起西北部中奥陶统一间房组地层识别对比及地质意义[J]. 石油学报, 2017, 38(6): 622-635.
[15]	杜庆龙. 长期注水开发砂岩油田储层渗透率变化规律及微观机理[J]. 石油学报, 2016, 37(9): 1159-1164.

储层砂质辫状河的识别——以大庆喇嘛甸-萨尔图油田西部PⅠ_2³为例

Sand body identification of braided river reservoir-an example from the PI₂³ west of Lamadian-Saertu 　　Oilfield,Daqing,China

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价