2. 中国石油物探重点实验室-页岩气地球物理研究室, 四川成都 610213;
3. 中国石油集团川庆钻探工程有限公司地球物理勘探公司, 四川成都 610213;
4. 中国石油集团川庆钻探工程有限公司页岩气勘探开发项目经理部, 四川成都 610056
2. Key Laboratory of Shale Gas Geophysical Prospecting, Key Lab of Geophysical Exploration, CNPC, Chengdu 610213, China;
3. The Geophysical Exploration Company of ChuangQing Drilling Engineering Company Limited, CNPC, Chengdu 610213, China;
4. Shale Gas Exploration and Development Management of ChuanQing Drilling Engineering Company Limited, CNPC, Chengdu 610056, China
2011年以来, 不同机构对中国页岩气资源潜力进行了预测, 认为中国页岩气地质资源量为(80.45~144.50)×1012m3, 可采资源量为(11.50~36.10)×1012m3[1-3]。截止2015年底, 已经建立了涪陵、威远、长宁-昭通3个海相页岩气工业化生产示范区, 延长陆相页岩气生产示范区和富顺-永川合作开发区[1-3], 累计生产页岩气超过60×108m3。通过技术引进、消化吸收和自主创新, 中国已经基本掌握了页岩气勘探开发的地球物理、钻井、完井及压裂改造等关键技术。随着长宁、威远等页岩气田的突破, 勘探学家们已经认识到, 页岩气勘探开发的工作重心和关注度过多地聚焦在钻井、分段压裂增产改造等工艺技术上, 造成了一些“工艺成功、产量不高”的尴尬局面[3]。因此, 优质“甜点区”资源的评价与优选是页岩气勘探开发的首要工作之一。
中国页岩气井钻探结果表明, 与北美类似, 页岩储层具有高纵横向非均质性, 裂缝对单井产量影响巨大。四川盆地W地区同一井口实钻的3口水平分支, 产量差异较大, 甚至同一口井不同压裂段的产量也存在明显差异。因此, 产量的高低不但取决于钻完井工艺, 而且取决于“甜点区”的储层特征。在北美的案例中, 影响产量的储层特征的主控因素包括:总有机碳含量(TOC)或总含气量、孔隙度、脆性指数和裂缝密度。应用地震方法预测这4种主控因素, 进而综合形成一种超级属性, 对甜点进行更全面的描述[4]。到目前为止, 国内学者对压裂效果的评估主要利用微地震、施工试验、测井评价等参数进行研究[5-6], 结合地震进行评估的研究相对较少。本文将结合钻井压裂、微地震、生产测试数据与地震数据进行分析, 对四川盆地W地区龙马溪组页岩储层“甜点区”进行综合评估。
1 基本情况四川盆地南部W地区志留系下统龙马溪组地层主要为灰黑色粉砂质页岩、炭质页岩、硅质页岩夹泥质粉砂岩, 下伏五峰组地层为黑色页岩, 埋深小于4000m, 目的层发育的小断层落差均小于25m, 优质页岩厚度在30~65m, 脆性矿物含量30%~75%, 为页岩气勘探提供了有利的条件。前期, 在该区以龙马溪组为目的层钻探了1口直井和3口水平分支井, 直井位置及水平井轨迹如图 1所示。直井测定, 该区最大主应力近东西向。其中, H1井水平段长1002m, H2井水平井段长1500m, H3井水平井段长1500m。H1井水平轨迹方向315°, H2水平井轨迹方向135°, H3水平井轨迹方向132°, H2和H3井巷道间距400m。表 1为H1, H2和H3井的自然伽马(GR)、总有机碳含量(TOC)、全烃(C1)、钻井液密度(ρ)对比结果。图 2为H1, H2, H3井水平段的测井曲线(图中, A点为入靶点, B点为出靶点)。对比表 1和图 2可知, H2井和H3井的自然伽马、总有机碳含量、总含气量(TG)、全烃、钻井液密度都比H1井的高。
目前对压裂效果的评估主要采用微地震监测方式。微地震是以声发射学和地震学为基础, 通过观测、分析生产活动中的微地震事件来监测生产活动的影响、效果和地下状态的地球物理技术。它是岩石中原来存在或新产生的裂缝周围由于应力集中到一定程度, 原裂缝区域发生微观屈服或变形, 裂缝扩展, 应力松弛, 储存的能量以弹性波的形式释放出来产生的小地震[5, 7], 被广泛用于非常规气藏的增产改造中。按照监测设备的布设方式分类, 常用的微地震监测方式分为井中监测和地面监测两类, 地面监测就是在监测目标区域(比如压裂井)周围的地面上, 布置若干接收点进行微地震监测。本次研究采用地面微地震监测方式, 利用CQ-GeoMonitor软件对威远地区一口水平井进行了处理解释, 并和国外知名公司软件的监测结果进行了对比, 其微地震定位精度、事件个数、趋势及体积压裂(stimulated reservoir volume, SRV)均相当。通过多域信息联合滤波处理、微地震事件初至平滑、4D-Focus快速定位、非结构化海量数据并行等处理技术, 采用了定量储层可压性分析、储层改造效果描述、压裂改造体积计算技术等进行解释, 获得了较好的微地震监测的数据采集、处理及解释成果, 为后续压裂效果评估奠定了基础。
2.2 微地震监测数据分析图 3为3口井的微地震平面视图。图中圆点大小表示微地震事件震级大小, 不同颜色表示不同压裂段。H1设计12段, 跳过第4段, 压裂了11段; H2和H3设计和压裂17段。图 3中的微地震分布有以下的特征:①H1井微地震事件分布特征与H2井和H3井明显不同, 近南北向线状分布, 微地震事件明显存在分区性, 压裂段大都聚集在出靶点附近和往入靶点方向800m附近; H1井微地震事件震级相对差异较大, 北部存在个别大震级事件; ②H2井微地震事件震级相当, 与H3井相比微地震事件分布相对发散一些; ③3口井微地震事件几何形态不同, H1井微地震事件形态近似于面状裂缝, H2井和H3井近似于块状, 形态相当。由于H1井与H2, H3井的观测时间和方式不同, 可能造成井与井之间微地震数据质量和数量的不同。为了排除这方面的影响, 对H1井进行单独分析, H2井和H3井进行对比分析。
微地震事件的频率和震级遵循Gutenberg-Richter观测关系, 即高于Mw震级的微地震事件个数N与Mw有以下关系[8-9]:
$ {\rm{lg}}\mathit{N}{\rm{ = }}\mathit{a}{\rm{ - }}\mathit{b}{\mathit{M}_{\rm{W}}} $ |
式中:a和b是关系常量,分别表示微地震活动性的总体水平和微地震小事件与大事件的比率。用频率-震级的关系描述水力压裂诱导缝的微地震特征。通常b在1.0左右表征天然裂缝, b在2.0左右表征水力压裂诱导缝。在实际应用中, 可以直接观测得到各个压裂段的微地震事件个数N和震级M, 将两者进行前述数学转换后进行交会即可得到相应的b。
图 4为3口井的b分布图。H1井b大多集中在1.0左右, 表明该井微地震事件可能是天然裂缝的重新激活; H2井除了个别段(第2段)b在0.8外, 大部分都在2.0附近, 表明该井微地震事件更多是水力压裂引起; H3井大部分b都在1.0~2.0, 表明该井受天然裂缝与水力压裂裂缝共同影响。b小于或接近于1.0时, 微地震事件分布更为集中(H3井第3段)、呈线性分布(H1井第9段)或分区(H2井第2段)分布, 大震级事件明显偏多(H1井第9段); b>2.0时, 微地震事件分布较为发散(H2井第14段)(图 5)。
从H2井和H3井不同压裂段井筒附近泊松比和地层破裂压力统计直方图(图 6)可以看出, 两口井的泊松比与地层破裂压力变化趋势一致, H2井泊松比和地层破裂压力整体较H3井的高。H2井第1~10段较高, 其中第5段最高, 第11段最低; H3井第1~5段较高, 第7段最低, 第8~11段较高, 第9段最高, 第12~17段较低。国内有研究表明, 泊松比越小, 脆性指数越高[10]; 泊松比也可以反映应力变化[11], 高泊松比对应高地层破裂压力, 引起页岩破裂需要更高的压力。
水力压裂后岩石破裂的分布特征由已存在的天然裂缝与水力压裂改造缝共同决定。利用微地震监测结果可以对井筒附近的天然裂缝[12-13]的改造情况进行分析, 对地震资料所预测的裂缝、岩石力学参数等结果进行标定, 再利用地震预测结果优化下一口井的改造措施、预测产能等。目前在该区对多种裂缝地震预测方法(相干、曲率、方差等)进行了综合分析和优选, 认为曲率异常与微地震事件分布规律较为一致, 因此, 我们选择了曲率和微地震进行综合分析。
图 7a显示了H1井优质页岩段内第1~3段的微地震事件叠合最大曲率异常分布, 图中, 井筒附近的浅蓝色和紫色的散点表征微地震事件, 粗黑线为地震预测的曲率异常。曲率异常揭示沿H1水平井轨迹有2组近南北向异常:出靶点以西100m左右以及出靶点往入靶点方向600m左右。第1~3段的微地震事件主要集中在出靶点以西100m左右和水平井轨迹以南的曲率异常区域, 分布的方位与曲率异常方位相同。值得注意的是, 微地震事件并没有一直往南延伸, 而是以出靶点以南450m左右位置有一条相对规模更大的北西向的曲率异常为界。分析认为, H1井的第1~3段是激活天然裂缝的响应, 微地震事件沿天然裂缝分布, 往南受另一条天然裂缝的阻挡没有继续延伸。为了优化压裂效果, 不让压裂人工缝全部沿天然裂缝进行, 在随后的施工中, 跳过了第4段压裂设计, 完成了第5~12段的压裂。图 7b显示了H1井第5~12段的微地震事件叠合最大曲率异常分布。微地震事件仍然呈近南北向分布, 大多数微地震事件仍然集中在出靶点附近, 往北微地震事件更为发散, 往南更为集中, 少数微地震事件集中在出靶点往入靶点方向550m左右, 与地震预测的曲率异常方位和规律吻合程度比较高。H2井沿井轨迹方向曲率异常相对H1井要小。在曲率空白区域(图 8a), 第3~7段微地震事件较为发散; 在曲率异常区域(图 8b), 第14~15段微地震事件分布较为集中。H3井沿井轨迹方向较H2井曲率异常多。在曲率空白区域(图 9a), 第6~12段微地震事件较为发散, 但局限在井轨迹以南350m左右有一条北西向曲率异常以内的范围; 在曲率异常区域(图 9b), 第13~15段微地震事件分布较为集中。微地震事件的分布与曲率异常有一定的相关性。曲率异常主要是地下裂缝和微幅构造变化的响应, 因此在压裂时, 曲率异常区域微地震事件多成线性分布、较为集中, 更易激活先期裂缝; 曲率空白区多成发散分布, 主要形成人工压裂缝。
页岩气勘探开发经验表明, 页岩气井的产量与水平段的长度、压裂规模及射孔长度并非正比关系[14]。页岩气井的产量主要与页岩气藏的地质特征和工程特征有关, 为了更好地描述这些特征, 我们定义了一种新的属性——页岩产能, 用以表征页岩气井压裂后产烃的能力。
页岩气开发中, 决定页岩产能有两方面的因素。一方面, 岩石本身的生烃能力决定了实际产量, 生烃能力与两个因素有关, 即岩石的有机碳含量(或含气量)和孔隙度; 另一方面, 岩石的破裂能力决定了压裂规模即产生的裂缝网络规模, 破裂能力与岩石脆性、天然裂缝网络的规模(即裂缝密度)有关。在某些页岩盆地中, 主控因素可能略有不同, 部分勘探结果甚至表明, 钻井产量仅仅与岩石脆性或裂缝密度有关。这些概念可能会引起误解。实际上, 这4个主控因素缺一不可。由此, 4个主控因素决定了页岩产能[15]。由于W地区位于加里东古剥蚀线附近, 个别井TOC高, 但含气量较低; 而含气量更能反映页岩产能的好坏, 因此, 在本地区我们利用含气量进行建模。
在建立产能模型前, 对地震数据进行叠后提高分辨率处理。利用提高分辨率处理后的数据生成和提取3类地震属性, 即频谱成像属性、阻抗和弹性参数属性以及体曲率中的构造属性。利用频谱成像生成一系列与地质信息相关的属性, 包括瞬时振幅、瞬时能量、瞬时频率、瞬时相位和根据频率计算的能量信息, 如最大振幅、最大平均振幅、调谐频率等共18种属性。通过叠后反演得到阻抗属性, 利用扩展弹性阻抗产生纵横波速度比和密度参数, 得到各种弹性参数; 利用测井解释得到的含气量、TOC等测井数据与弹性参数建立的关系, 得到TOC、含气量地震三维数据体, 国内焦石坝地区在TOC、含气量预测方面做了探索性的研究[16-17]。利用体曲率、最大负曲率等关键地震属性来突出断层成像更多的细节。
得到这3类地震属性后, 利用神经网络方法建立地质模型、裂缝模型及页岩产能模型。
3.1.1 地质模型建立地质模型主要包括伽马模型、密度模型、孔隙度模型、总含气量模型和脆性指数模型等。
为了做成模型构造框架, 需要将地震解释的主要层位和断层离散成一个三维地质框架, 设置三维网格参数:x, y方向面元大小均为60m, z方向时间厚度为1ms。分割前述提取的3类地震属性放在每一个网格之中, 经过时深转换将三维地质网格转换到深度域, 用于之后的地质模型和裂缝模型里。
3.1.1.1 伽马模型和密度模型建立根据研究, 页岩储层具有高伽马的特征[18], 因此, 伽马被选为页岩气藏主要的储层参数, 它是控制其它储层性质的主要参数。利用神经网络方法[19], 建立一个使用了所有地震属性的伽马地质模型。具体过程为:先输入伽马曲线, 以地质网格中可用的多种地震属性作为约束条件, 神经网络将试着寻找伽马曲线与可用地震属性的关系, 找到相关关系(表 2)后, 就建立了三维模型中每一个网格的伽马参数关系, 从而建立伽马模型。再输入密度曲线, 寻找密度曲线、地震属性、伽马体的关系, 建立每一个网格的密度关系, 从而建立密度模型。
输入孔隙度或含气量曲线, 利用神经网络寻找井位处孔隙度曲线或含气量曲线和多种地震属性以及伽马和密度模型之间的关系, 找到相关关系后, 就可建立孔隙度或含气量模型。
3.1.1.3 脆性指数模型建立输入根据杨氏模量和泊松比算出的脆性指数曲线, 用地质网格中可用的多种地震属性和之前得到的多种地质模型作为约束条件, 神经网络将试着寻找一个井位处的脆性指数曲线和多种地震属性以及地质模型之间的关系, 找到相关关系后, 建立每一个网格的脆性指数关系, 从而建立脆性指数模型。
3.1.2 裂缝模型建立岩性、构造、断层和其它地质因素控制储层中裂缝的位置和密度, 这些因素被称为裂缝影响因子, 其中, 地质因子包括岩性、孔隙度; 地质力学因子包括形变、弯曲和断层指示(如断距); 地震因子包括属性, 如叠后反演得到的波阻抗、叠前反演得到的弹性参数、频谱成像属性等。建立裂缝模型时, 考虑了30种裂缝因子, 在评价所有建模因子之前, 利用逻辑计算方法, 研究了裂缝密度主要的地质控制参数, 最后选择了相关系数最高的地震属性建立裂缝密度模型(图 10)。
页岩产能=总含气量×裂缝密度×脆性指数×孔隙度。总含气量、裂缝密度、脆性指数和孔隙度同时为高值时, 才能获得高的页岩产能, 当其中一项低于要求的下限值时, 记该值为0, 则页岩产能也为0。如果页岩塑性较强, 即脆性指数较小, 相应地, 页岩产能也会较低。利用上述地质模型结合H1井生产测井资料得到的含气量、孔隙度、泊松比和裂缝密度, 进行归一化处理后相乘得到相对页岩产能预测结果[15, 20](图 11)。不同产能的钻井或压裂段对应不同的总含气量、裂缝密度、脆性指数和孔隙度。首先建立产能与4个主控因素的关系, 大致了解下限值的范围; 再结合邻区或其它区域经验, 设定下限值建立初始页岩产能模型; 最后, 再将初始页岩产能模型与已钻井产量进行标定, 用盲井进行验证, 吻合度大于80%视为产能预测结果可用。若吻合度小于80%, 需返回调整下限值, 不断迭代调整产能模型, 以得到最优结果。本区四大主控因素下限值分别为:TOC>2%, 孔隙度>3%, 含气量>2m3/t, 脆性指数大于35。
H1井沿井轨迹主控因素(总含气量、孔隙度、裂缝密度和泊松比)剖面如图 12所示。4个因素同时是高值才能得到高的页岩产能, 任一因素为低值均不能得到好的页岩产能。沿H1井轨迹相对页岩产能预测剖面(图 13)中的数字表明压裂段, 直方图为每个压裂段的产气值。第1段到第3段穿过一段高值(>65), 第4段压裂时跳过, 向下有一段低产能段(<65), 第5段和第6段穿过一段低值(<65), 第7段到12段穿过一段高值(>65)。优质页岩段内的相对页岩产量预测结果与实际生产相吻合, 第1~3段有一定产量, 但由于中间低值的隔挡, 使得目的层底部高产能难以向上沟通; 第6~9段井筒附近产能较高, 能得到较高产量; 第10段井筒附近值较高, 向下与高值区域沟通, 产量最高; 第11~12段井筒附近产能较低, 向下不能沟通底部高值区, 产量也较低。
由于H2和H3井没有各压裂段的生产测井数据, 利用H1井分析得出的结论以及产能剖面对这2口井各段产量进行预测。H2和H3井微地震监测结果显示, 在井筒附近形成了天然裂缝与人造裂缝网络。通过裂缝网络的沟通, H2和H3井筒附近的“甜点”为产能做出贡献。初略评估H2和H3井的产量, 整个压裂过程中, H2井贡献产能的甜点区域(>65)约为12段, H3井贡献产能的甜点区域(>65)约为6段(图 14)。H2井产量约为H3井产量的2.0倍, 实际测试产量为2.3倍, 吻合性高。
由于H1, H2和H3水平井实钻均早于本文利用直井构建的产能模型。因此, 实钻轨迹设计时并未完全位于高产能带内。利用本文建立的页岩产能模型, 指导W地区H10-1井的钻井设计, 井轨迹主要沿高产能段, 生产测试结果与产能预测结果趋势较为一致, 其产量高于20×104m3/d(图 15)。因此, 本文的种地震产能预测方法可在页岩气三维工区推广应用。
本文利用H1, H2和H3井的工程、微地震以及地震数据对“甜点”进行了综合评估。
1) 地震数据、微地震监测数据综合分析表明:天然裂缝的存在更易于导致微地震事件的线性分布以及大震级事件的产生, 如H1井; 天然裂缝相对不发育区域, 微地震事件分布相对离散, 震级相对较小。
2) 利用地震资料对“甜点”静态参数进行模拟, 构建一种超级属性——页岩产能, 综合考虑工程与地质甜点变化, 对“甜点”进行更为全面的评估。
裂缝和产能预测结果有助于井位部署, 轨迹优化和压裂优化设计, 从而有针对性地提高产能高值区压裂规模, 获得更高的实际钻井产能效果。
[1] |
邹才能, 董大忠, 王玉满, 等. 中国页岩气特征、挑战及前景(二)[J].
石油勘探与开发, 2016, 43(2): 166-178 ZOU C N, DONG D Z, WANG Y M, et al. Shale gas in China:characteristics, challenges and prospects(Ⅱ)[J]. Petroleum Exploration and Development, 2016, 43(2): 166-178 |
[2] |
董大忠, 高世葵, 黄金亮, 等. 论四川盆地页岩气资源勘探开发前景[J].
天然气工业, 2014, 34(12): 1-15 DONG D Z, GAO S K, HUANG J L, et al. A discussion on the shale gas exploration & development prospect in the Sichuan Basin[J]. Natural Gas Industry, 2014, 34(12): 1-15 DOI:10.3787/j.issn.1000-0976.2014.12.001 |
[3] |
董大忠, 王玉满, 李新景, 等. 中国页岩气勘探开发新突破及发展前景思考[J].
天然气工业, 2016, 36(1): 19-32 DONG D Z, WANG Y M, LI X J, et al. Breakthrough and prospect of shale gas exploration and development in China[J]. Natural Gas Industry, 2016, 36(1): 19-32 |
[4] | OUENES A. Distribution of well performances in shale reservoir and their predications using the concept of shale capacity[J]. SPE/EAGE European Unconventional Resources Conference and Exhibition, 2014: 25-27 |
[5] |
张山, 刘清林, 赵群, 等. 微地震监测技术在油田开发中的应用[J].
石油物探, 2002, 41(4): 226-231 ZHANG S, LIU Q L, ZHAO Q, et al. Application of microseismic monitoring technology in development of oil field[J]. Geophysical Prospecting for Petroleum, 2002, 41(4): 226-231 |
[6] |
李年银, 赵立强, 张倩, 等. 油气藏压裂酸化效果评价技术研究进展[J].
油气井测试, 2008, 17(6): 67-71 LI N Y, ZHAO L Q, ZHANG Q, et al. Studied advance technique of evaluation of fracturing acidizing in reservoir[J]. Well Testing, 2008, 17(6): 67-71 |
[7] |
唐杰, 方兵, 蓝阳, 等. 压裂诱发的微地震震源机制及信号传播特性[J].
石油地球物理勘探, 2015, 50(4): 643-649 TANG J, FANG B, LAN Y, et al. Focal mechanism of micro-seismic induced by hydrofracture and its signal propagation characteristics[J]. Oil Geophysical Prospecting, 2015, 50(4): 643-649 |
[8] | MAXWELL S C, NORTON M. Enhancing shale gas reservoir characterization using hydraulic fracture microseismic data[J]. First Break, 2012, 30(1): 95-101 |
[9] | MAXWELL S C, JONES M, PARKER R, et al. Fault activation during hydraulic fracturing[J]. Expanded Abstracts of 82nd Annual Internat SEG Mtg, 2012: 1552-1555 |
[10] |
刘勇, 方伍宝, 李振春, 等. 基于叠前地震的脆性预测方法及应用研究[J].
石油物探, 2016, 55(3): 425-432 LIU Y, FANG W B, LI Z C, et al. Brittleness prediction and application based on pre-stack seismic inversion[J]. Geophysical prospecting for Petroleum, 2016, 55(3): 425-432 |
[11] |
李庆辉, 陈勉, 金衍, 等. 页岩气储层岩石力学特征及脆性评价[J].
石油钻探技术, 2012, 40(4): 17-22 LI Q H, CHEN M, JIN Y, et al. Rock mechanical properities and brittleness evaluation of shale gas reservoir[J]. Petroleum Drilling Techniques, 2012, 40(4): 17-22 |
[12] | HAEGE M, MAXWELL S C, SONNELAND L, et al.Rock fabric characterization using 3D reflection seismic integrated with microseismic[EB/OL].[2016-09-18]. Http://www.slb.com/~/media/Files/technical_papers/eage/eage2013_th-17-01.pdf |
[13] | ZAKHOR N, SUNWALL M, BENAVIDEZ R, et al. Real-time use of microseismic monitoring for horizontal completion optimization across a major fault in the eagle ford formation[J]. SPE Hydraulic Fracturing Technology Conference, 2015: SPE173353 |
[14] | SWINDELL G. Eagle ford shale-an early look at ultimate recovery[J]. SPE Annual Technical Conference and Exhibition, 2012: SPE158207 |
[15] | OUENES A. Distribution of well performances in shale reservoirs and their predictions using the concept of shale capacity[J]. SPE/EAGE European Unconventional Resources Conference and Exhibition, 2014: SPE167779 |
[16] |
李金磊, 尹正武. 四川盆地焦石坝页岩气储层地震定量预测方法[J].
石油物探, 2015, 54(3): 324-330 LI J L, YIN Z W. Seismic quantitative prediction method of shale gas reservoirs in the Jiaoshiba Area, Sichuan Basin[J]. Geophysical Prospecting for Petroleum, 2015, 54(3): 324-330 |
[17] |
陈超, 屈大鹏, 王明飞, 等. 川东南焦石坝地区海相泥页岩含气量预测方法探讨[J].
石油物探, 2016, 55(4): 597-605 CHEN C, QU D P, WANG M F, et al. Prediction method of gas content in marine mud shale at JSB area in South-east Sichuan Basin[J]. Geophysical Prospecting for Petroleum, 2016, 55(4): 597-605 |
[18] |
王明飞, 陈超, 屈大鹏, 等. 涪陵页岩气田焦石坝区块五峰组龙马溪组一段页岩气储层地球物理特征分析[J].
石油物探, 2015, 54(5): 613-620 WANG M F, CHEN C, QU D P, et al. The geophysical characteristics of shale gas reservoir from Wufeng member to Longmaxi member in Jiaoshiba block of Fulin shale gasfield[J]. Geophysical Prospecting for Petroleum, 2015, 54(5): 613-620 |
[19] | REGAN J, WOJCIK E, FACKLER M, et al.Prediction well performances using the shale capacity concept-application to the haynesville[EB/OL].[2016-09-18]. http://www.searchanddiscovery.com/documents/2013/41204reagan/ndx_reagan.pdf |
[20] | OUENES A. Practical application of fuzzy logic and neural networks to fractured reservoir characterization[J]. Computers and Geosciences, 2000, 26(8): 953-962 DOI:10.1016/S0098-3004(00)00031-5 |