Metodyka konstrukcji przestrzennych modeli szczelinowatości poziomów zbiornikowych

Artykuł przedstawia metodykę konstrukcji modeli szczelinowatości, uwzględniającej przestrzenną orientację szczelin, przetestowaną na przykładzie górnojurajskiego poziomu zbiornikowego. Identyfikacja szczelin oraz interpretacja uwzględniająca kąty i azymuty upadu szczelin została wykonana w oparciu o profilowania CAST. Wyniki tej interpretacji wykorzystano w procesie konstrukcji przestrzennych modeli intensywności zeszczelinowania. Wygenerowano kilkanaście wskaźników szczelinowatości zarówno sejsmicznych jak i geomechanicznych, które przetwarzano za pomocą sieci neuronowych w celu uzyskania pojedynczych meta-atrybutów intensywności zeszczelinowania; wykorzystano je jako dane sterujące przestrzennymi rozkładami intensywności zeszczelinowania. Parametry intensywności zostały wykorzystane w procesie modelowania przestrzennego, nieciągłego systemu szczelin jako dane definiujące gęstość dystrybucji szczelin. Nieciągły system szczelin został poddany parametryzacji w efekcie czego obliczono takie własności jak: przepuszczalności szczelinowe ki, kj, kk, współczynnik sigma oraz porowatość szczelinową. Wyniki tego procesu zostały skalibrowane wynikami interpretacji testów otworowych.

---

The article presents methodology of fracture modeling, taking into account fractures' spatial orientation that has been used for upper jurassic carbonate reservoir. Fractures have been identified on CAST image logs, and interpreted in terms of their depths, dip angles and dip azimuths and that results were used as hard data for population of intensity property 3D grid together with soft data used in co-kriging of simulation algorithm. Several fracture drivers has been generated, both seismic and geomechanical (structural derivatives such as surface curvature, distance from faults), which was later processed with neural nets to arrive with single meta-attribute of fracture intensity for each fracture set. Intensity properties were used in discrete fracture network modeling process as a parameters defining density of fracture distribution for each set. Discrete fracture network has been up-scaled to fracture properties, such as fracture permeability ki, kj, kk, sigma factor and fracture porosity. Results of DFN up-scaling process was calibrated using well test data.