渤海湾盆地渤中19-6气田潜山储层裂缝表征与产能预测方法

Method of Fracture Characterization and Productivity Prediction of 19-6 Buried-Hill Fractured Reservoirs, Bohai Bay Basin

摘要

由于渤中19-6气田潜山裂缝性储层的储集空间多样、非均质性很强，且制约产能的主控因素认识不清，从而造成潜山裂缝性储层的产能预测困难. 为了解决这一难题，综合岩心、测井、地质等资料分析了潜山裂缝性储层的特征，并基于CT扫描实验定量表征裂缝，研究裂缝微观特征，形成了以裂缝渗透率为核心的一系列裂缝参数的计算方法，建立了潜山裂缝性储层的产能预测模型，大幅提高了潜山裂缝性储层的产能预测精度. 研究结果表明，潜山裂缝性储层的裂缝渗透率主要由裂缝的长度、宽度及连通性控制，与孔隙度的大小无明显关系，可以通过斯通利波反演的总渗透率与基质渗透率之差计算得到，其中基质渗透率计算的相对误差为28.50%，总渗透率计算的相对误差为15.56%；综合考虑潜山裂缝性储层的裂缝渗透率、裂缝纵向连通性和有效厚度，建立了渤中19-6气田潜山裂缝性储层的产能预测模型，其中裂缝渗透率计算结果的准确性决定了潜山裂缝性储层产能预测结果的可靠性.

关键词

渤中19-6 / 潜山裂缝性储层 / 裂缝微观特征 / 裂缝渗透率 / 产能预测 / 测井评价 / 石油地质

Key words

Bozhong 19-6 / buried-hill fractured reservoirs / fracture microscopic features / fracture permeability / productivity prediction / logging evaluation / petroleum geology

0 引言

渤中19-6气田是近年来渤海湾盆地发现的首个千亿方大气田，主要发育变质岩潜山裂缝性储层（刘梦醒等，2021；周心怀等，2022）. 产能预测一直是油气勘探开发领域的关键环节. 随着油气勘探开发向深层不断延伸，精确的产能预测显得尤为重要. 渤中19-6气田潜山裂缝性储层产能的准确预测，不仅可以节约勘探阶段的测试费用，而且可以指导开发阶段的井位数量并优化井位部署. 渤中19-6气田潜山裂缝性储层的储集空间主要由孔隙、裂缝双重介质组成，裂缝发育规律的复杂性使得储层呈现为强非均质性，从而导致不同探井测试产量存在较大差异. 裂缝测井定量表征是潜山裂缝性储层的关键问题. 在裂缝测井评价方面，前人分别采用电成像测井评价裂缝类型、宽度、有效性等（黄继新等， 2006；刘瑞林等， 2017；张兆辉等， 2018；年涛等， 2021），通过阵列声波中的偶极横波、斯通利波测井评价裂缝宽度、倾角、延伸长度等（李宁等， 2021；秦瑞宝等， 2021），结合电成像和阵列声波测井划分裂缝性有效储层（魏娇等， 2021），耦合岩心和电成像测井定量表征裂缝密度、宽度、倾角等（Nian et al.， 2016， 2018， 2021；屈海洲等， 2016）.

在产能预测方面，针对不含裂缝储层的产能预测，前人采用原状地层电阻率和冲洗带电阻率表征储层流体流动能力（Cheng et al.， 1999），通过建立产能指数与有效渗透率之间的函数关系进行产能预测（谭廷栋， 1986；Jamiolahmady et al.， 2011），基于岩石物理转换模型求取含水饱和度和相对渗透率曲线进行产能预测（毛志强和李进福，2000），利用地化热解资料求取原油密度、粘度及含油饱和度进行产能预测（潘保芝等， 2018），基于井筒模型数学推导建立产能预测公式等（时新磊等， 2020）. 针对裂缝性储层的产能预测，前人基于裂缝性储层参数建立产能预测公式（侯连华等， 2003），通过建立裂缝产能系数与米采气指数关系进行产能预测（杨锋等， 2013），基于裂缝性油藏模型和数学模型形成产能预测方法（郑学锐等， 2015），基于渗流模型建立裂缝气藏产能解析计算公式等（康凯等， 2021）. 由于裂缝性储层渗流规律的复杂性和储层参数计算的不确定性，使得基于达西定律所建立的产能预测模型难以准确预测裂缝性储层的产能.

本文针对渤中19-6气田潜山裂缝性储层产能预测难题，采用CT扫描研究裂缝微观特征；根据裂缝微观特征，采用电成像测井图像精细处理与解释得到裂缝参数，划分不同储层类型；重点通过斯通利波反演的总渗透率与基质渗透率之差，得到裂缝渗透率；建立以裂缝渗透率及裂缝纵向连通性为核心，且考虑有效厚度的产能预测方法，准确预测潜山裂缝性储层的产能，大幅提高渤中19-6气田勘探开发的经济效益，从而为京津冀协同发展、雄安新区建设等提供更加安全、清洁、低碳的能源保障.

1 气田基本概况

渤中 19-6 气田位于渤海湾盆地渤中凹陷西南部，为渤中凹陷西南次洼和南次洼夹持的、具有洼中隆特征的背斜构造带（范廷恩等， 2021）. 纵向上，第三系明化镇组为曲流河沉积，馆陶组为辫状河沉积，孔店组为冲积扇沉积，太古界为潜山基岩（侯明才等， 2019；徐长贵等， 2019）；明化镇组、馆陶组、孔店组主要发育碎屑岩储层，太古界主要发育变质岩潜山裂缝性储层，其中太古界变质岩潜山裂缝性储层为本文研究的主要对象.

渤中 19-6 气田太古界潜山裂缝性储层的岩性为变质花岗岩，主要包括二长片麻岩、斜长片麻岩，局部发育碎裂混合花岗岩；岩石组分以钠长石、石英、钾长石为主，绿泥石、方解石、伊利石、白云母、白云石次之，并含少量的暗色矿物，见图1.

渤中 19-6 气田太古界变质岩潜山裂缝性储层岩心分析孔隙度主要分布在1%~10%，平均孔隙度4.21%；岩心分析渗透率主要分布在0.01~10 mD，平均渗透率0.32 mD. 储集空间主要由孔隙、裂缝双重介质组成. 孔隙类型主要为碎裂颗粒粒间孔、溶蚀孔隙等. 裂缝主要为中、高角度缝，裂缝倾角主要分布在50°~80°；裂缝走向受周边一条或多条断层影响，其走向与周边断层基本一致；裂缝密度主要分布在1.2条/m~5.4条/m；裂缝宽度主要分布在10~100 μm. 裂缝、孔隙不同的配置与组合，构成了不同类型的潜山裂缝性储层. 图2a铸体薄片显示以孔隙为主，裂缝为辅，为裂缝-孔隙型储层，相应的电成像测井图像见图3a；图2b铸体薄片显示以裂缝为主，孔隙为辅，为孔隙-裂缝型储层，相应的电成像测井图像见图3b.

另外，潜山裂缝性储层发育的不同类型储集空间精细扫描的图像见图4，主要为微观裂缝、粒间孔及溶蚀孔，其中裂缝沿着颗粒边缘弯曲分布，碎裂颗粒之间未充填的为粒间孔，溶蚀孔是沿长石解理缝溶蚀及不稳定矿物被完全溶蚀所致.

2 裂缝微观特征

基于微米、纳米级别的CT扫描实验，通过图像获取、图像分割、网络提取、三维建模、数值模拟等技术对CT扫描结果进行精细刻画与描述，可以获得常规实验手段难以测量得到的裂缝微观信息. A井1号岩心样品的微米CT扫描图像见图5，分辨率为13 μm，孔隙半径主要分布在12~93 μm之间，大部分孔隙的半径小于64 μm，见图6；明显可见1条贯穿岩心样品的裂缝，部分被充填；此外，还存在数条微裂缝；上述裂缝的长度、宽度、面积、体积见表1.

B井1号岩心样品的微米CT扫描图像见图7，分辨率为13 μm，孔隙半径主要分布在12~600 μm之间，大部分孔隙的半径小于189 μm，见图8. 明显可见3条裂缝，这3条裂缝的长度、宽度、面积、体积见表2.

A井、B井岩心样品的裂缝参数见表3，A井1号岩心样品的总面孔率为4.33%，B井1号岩心样品的总面孔率为5.34%，二者的差异不大；但A井1号岩心样品的裂缝占总面孔率百分比为3.93%，而B井1号岩心样品的裂缝占总面孔率百分比为20.60%，二者的差异明显. 此外，A井1号岩心样品的裂缝总长度为25.96 mm，B井1号岩心样品的裂缝总长度为24.36 mm，二者的差异不大；但B井1号岩心样品的裂缝总宽度、裂缝总面积、裂缝总体积均远大于A井1号岩心样品的裂缝总宽度、裂缝总面积、裂缝总体积，从而使得B井1号岩心样品的渗透率大于A井1号岩心样品的渗透率.

A井1号岩心样品纳米CT扫描图像见图9，分辨率为30 nm，孔隙半径主要分布在70~2 200 nm之间，大部分孔隙的半径小于660 nm.

B井1号岩心样品纳米CT扫描图像见图10，分辨率为30 nm，孔隙半径主要分布在70~2 200 nm之间，大部分孔隙的半径小于660 nm.

对比A井、B井岩心样品的储集空间网络模型，可知B井岩心样品的孔隙、裂缝及其连通性确实要好于A井岩心样品的孔隙、裂缝及其连通性.

3 裂缝参数计算

一直以来，受限于电成像测井的分辨率，只有裂缝宽度较大时，微观裂缝才会在电成像测井上有响应.

而近些年，随着电成像测井采集、处理、解释技术的进步，电成像测井可以识别单条裂缝宽度在几十微米以上的裂缝（采集电成像测井时的泥浆电阻率与地层电阻率不一样时，能识别单条最小裂缝宽度也会不一样）. 因此，参考裂缝微观参数，基于电成像测井图像精细处理与解释，可以得到潜山储层裂缝密度、裂缝孔隙度、裂缝宽度等参数. 前人建立了裂缝性储层渗透率的计算方法并分析了影响因素（Ahriche and Tiab， 2011；秦瑞宝等， 2015），但对于潜山裂缝性储层产能预测来说，裂缝渗透率是关键参数，本文主要阐述裂缝渗透率的计算过程. 前人基于人造岩心的实验，尽管建立了裂缝宽度与裂缝渗透率之间的函数关系，但由于目前测井计算裂缝宽度存在较大误差，从而会给裂缝渗透率带来较大误差. 因此，本文通过潜山裂缝性储层总渗透率与基质渗透率之差，从而间接计算得到裂缝渗透率.

基于潜山裂缝性储层的岩石矿物组分石英、长石和云母，采用式1中的Herron模型可以计算得到潜山裂缝性储层的基质渗透率（Herron， 1987）.

K_{\mathrm{i}\mathrm{n}\mathrm{t}} = A_{\mathrm{f}}^{} \frac{{\phi }^{\mathrm{3}}}{{\left(\mathrm{1}-\phi \right)}^{\mathrm{2}}} \mathrm{e} \mathrm{x} \mathrm{p} \left(\sum B_i^{}{M}_i^{}\right),(1)

式中： K_{\mathrm{i}\mathrm{n}\mathrm{t}}为基质渗透率（mD）；A _f为长石结构参数（无量纲）；φ为孔隙度（小数）；B_i 为第i种矿物的常数（无量纲）；M_i 为第i种矿物的含量（小数）.

通过岩心CT扫描，不发育裂缝的岩心样品所测量得到的渗透率即为基质渗透率. 图11中第1道是地层测量深度；第2道是自然伽马，表示该地层的岩性特征；第3道是深、浅电阻率测井曲线，刻画该地层的电性特征；第4道是体积密度、中子孔隙度和声波时差，反映该地层的物性特征；第5道是岩心分析的孔隙度和测井计算的孔隙度；第6道是岩心分析的基质渗透率与测井计算的基质渗透率，由于潜山裂缝性储层基质渗透率绝对值相对较小，岩心基质渗透率与测井基质渗透率之间的相对误差为28.50%.

斯通利波在沿井传播的过程中会与渗透性地层中的流体发生相互作用，导致斯通利波的主频向低频偏移及到时滞后. 因此，利用斯通利波的频移与时滞特征能够有效地反演渗透率，即为总渗透率. 基于潜山裂缝性储层的斯通利波，将理论模拟与实际测量斯通利波的主频和到时进行匹配，采用最小二乘法构建潜山裂缝性储层总渗透率的计算公式（陈刚和潘保芝，2010；杨博等， 2019；庄春喜等， 2019），见式（2）：

E \left(K,Q^{-\mathrm{1}}\right) = {\left(\mathrm{\Delta }{f}_{\mathrm{c}}^{\mathrm{m}\mathrm{s}\mathrm{d}}-\mathrm{\Delta }{f}_{\mathrm{c}}^{\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{o}}\right)}^{\mathrm{2}} / {\sigma }_{{}_{\mathrm{s}\mathrm{y}\mathrm{n}}}^{\mathrm{2}} + \mathrm{2} \mathrm{\pi } {\sigma }_{{}_{\mathrm{s}\mathrm{y}\mathrm{n}}}^{\mathrm{2}} {\left(\mathrm{\Delta }{T}_{\mathrm{c}}^{\mathrm{m}\mathrm{s}\mathrm{d}}-\mathrm{\Delta }{T}_{\mathrm{c}}^{\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{o}}\right)}^{\mathrm{2}}，(2)

式中：K为总渗透率（mD）； Q^{-\mathrm{1}}为波的非弹性衰减，无量纲； \mathrm{\Delta } f_{\mathrm{c}}^{\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{o}}和 \mathrm{\Delta } f_{\mathrm{c}}^{\mathrm{m}\mathrm{s}\mathrm{d}}分别为理论模拟与实测斯通利波的频移（kHz）； \mathrm{\Delta } T_{\mathrm{c}}^{\mathrm{t}\mathrm{h}\mathrm{e}\mathrm{o}}和 \mathrm{\Delta } T_{\mathrm{c}}^{\mathrm{m}\mathrm{s}\mathrm{d}}分别为理论模拟与实测斯通利波的时滞（ms）； {\sigma }_{{}_{\mathrm{s}\mathrm{y}\mathrm{n}}}^{\mathrm{2}}为理论模拟斯通利波中心频率的方差，无量纲.

通过岩心CT扫描，5口井16块发育裂缝的全直径岩心样品覆压实验测量渗透率的平均值为1.80 mD，基于式（2）反演的相应深度潜山裂缝性储层总渗透率的平均值为2.08 mD，二者之间的相对误差为15.56%.

基于潜山裂缝性储层总渗透率与基质渗透率之差，便得到潜山裂缝性储层的裂缝渗透率，见式（3）：

K_{\mathrm{f}} = K - K_{\mathrm{i}\mathrm{n}\mathrm{t}}，(3)

式中： K_{\mathrm{f}}为裂缝渗透率（mD）；K为总渗透率（mD）； K_{\mathrm{i}\mathrm{n}\mathrm{t}}为基质渗透率（mD）.

E井潜山裂缝性储层的裂缝倾角、裂缝密度、测井总渗透率、测井基质渗透率与测井裂缝渗透率见图12，其中第5道是裂缝倾角；第6道是裂缝密度；第7道是岩心分析的孔隙度与测井计算的孔隙度；第8道是测井计算的总渗透率与基质渗透率；第9道是测井计算的裂缝渗透率；第10道是测井计算的石英、长石、云母的含量.

4 产能预测方法

渤中19-6气田潜山裂缝性储层产能预测的基本思路：首先，基于电成像测井图像的精细处理与解释，得到潜山裂缝性储层的裂缝倾角、裂缝密度、裂缝孔隙度、裂缝宽度等参数，从而划分裂缝性储层的储层类型，客观解释有效厚度和净毛比；其次，潜山裂缝性储层的总渗透率和基质渗透率之差，可以间接获得裂缝渗透率；最后，基于有效厚度、净毛比、裂缝渗透率等参数与无阻流量之间的关系，建立潜山裂缝性储层的产能预测模型.

不同井中潜山裂缝性储层产能与有效厚度、总渗透率之间的关系见图13，B井有效厚度最大，总渗透率最小，产能低；C井有效厚度和总渗透率均居中，产能中；D井有效厚度最小，总渗透率最大，产能高. 因此，总渗透率对产能的影响更大一些.

A井、B井潜山裂缝性储层的孔隙度与裂缝渗透率之间的关系见图14，A井的孔隙度为3.0%，裂缝渗透率为1.04 mD；B井的孔隙度为3.3%，裂缝渗透率为0.2 mD；A井、B井的孔隙度相似，但裂缝渗透率却差异较大.

D井、E井潜山裂缝性储层的孔隙度与裂缝渗透率之间的关系见图15，D井的孔隙度为5.6%，裂缝渗透率为2.3 mD；E井的孔隙度为8.3%，裂缝渗透率为2.0 mD；D井的孔隙度小于E井的孔隙度，但D井的裂缝渗透率却大于E井的裂缝渗透率.

由表4可知，当裂缝孔隙度相同时，裂缝渗透率却存在不同程度的差异，说明除了裂缝孔隙度之外，裂缝的长度、宽度及连通性均与裂缝渗透率密切相关.

潜山裂缝性储层的孔隙度、总渗透率、裂缝渗透率之间的关系见图16，可知在不同的孔隙度条件下，总渗透率、裂缝渗透率会出现相似的情况，即潜山裂缝性储层的孔隙度与总渗透率之间无明显关系，其中裂缝渗透率的大小主要取决于不同类型裂缝的长度、宽度及连通性.

制约潜山裂缝性储层产能的关键因素是渗透率，基于上述分析可知，影响潜山裂缝性储层渗透率的主控因素是裂缝. 因此，以裂缝为核心，综合考虑潜山裂缝性储层的裂缝渗透率、裂缝纵向连通性和有效厚度，建立潜山裂缝性储层的产能预测模型，其中有效厚度/地层厚度，即净毛比表征裂缝纵向连通性. 基于渤中19-6气田A井、B井、C井、D井、E井5口井中潜山裂缝性储层的有效厚度、净毛比和裂缝渗透率，建立这些井的无阻流量与有效厚度、净毛比及裂缝渗透率之间函数关系，见表5、图17和式（4）.

Q = \mathrm{0.362} \mathrm{1} \times {\left(H_{\mathrm{e}}\cdot \mathrm{N}\mathrm{T}\mathrm{G}\cdot K_{\mathrm{f}}\right)}^{\mathrm{1.022}\mathrm{3}}，(4)

式中：Q为无阻流量（10⁴ m³/d）；H _e为有效厚度（mD）；NTG为净毛比（无量纲）； K_{\mathrm{f}}为裂缝渗透率（mD）.

在渤中19-6气田，计算新钻井F井、G井中潜山裂缝性储层的有效厚度、净毛比和裂缝渗透率，见表6、图18. 基于式（4），可以计算F井、G井中潜山裂缝性储层的无阻流量，从而可以预测F井、G井中潜山裂缝性储层的产能.

F井预测的无阻流量为6.23×10⁴ m³/d，实际生产的无阻流量为6.80×10⁴ m³/d，绝对误差为0.57×10⁴ m³/d；G井预测的无阻流量为0.04×10⁴ m³/d，实际生产的无阻流量为0.46×10⁴ m³/d，绝对误差为0.42×10⁴ m³/d.

5 结论

本文综合岩心、测井、地质等资料分析了潜山裂缝性储层的特征，基于CT扫描实验定量表征裂缝，形成了以裂缝渗透率为核心的一系列裂缝参数的计算方法，建立了潜山裂缝性储层的产能预测模型，取得的主要结论为：

（1）潜山裂缝性储层的储集空间以裂缝为主、孔隙为辅，裂缝渗透率主要由裂缝的长度、宽度及连通性控制，与孔隙度的大小无明显关系；相同的孔隙度条件下，裂缝渗透率会存在较大差异；不同的孔隙度条件下，裂缝渗透率会出现相近的情况.

（2）综合考虑潜山裂缝性储层的裂缝渗透率、裂缝纵向连通性和有效厚度，建立潜山裂缝性储层的产能预测模型，其中裂缝渗透率由总渗透率与基质渗透率之差得到，裂缝纵向连通性由有效厚度与地层厚度的比值，即净毛比来表征.

（3）由于裂缝渗透率是表征裂缝中流体流动能力的唯一参数，也是作为产能预测的关键参数，因此，裂缝渗透率计算结果的准确性决定了潜山裂缝性储层产能预测结果的可靠性.

参考文献

[1] Ahriche, I., Tiab, D., 2011. The Effect of Fracture Conductivity and Fracture Storativity on Relative Permeability in Dual Porosity Reservoir. SPE71088.

[2] Cheng, M. L., Leal, M. A., McNaughton, D., 1999. Productivity Prediction from Well Logs in Variable Grain Size Reservoir Cretaceous Qishn Formation, Republic of Yemen. Log Analyst, 40(1):24-32.

[3] Chen, G., Pan, B.Z., 2010. Inversion Method of Permeability Using Stoneley Wave. Journal of Jilin University (Earth Science Edition), 40(S1): 77-81(in Chinese with English abstract).

[4] Fan, T.E., Niu, T., Fan, H.J., et al., 2021. Geological Model and Development Strategy of Archean Burilled Hill Reservoir in BZ19-6 Condensate Field. China Offshore Oil and Gas, 33(3): 85-92 (in Chinese with English abstract).

[5] Herron, M.M., 1987. Estimating the Intrinsic Permeability of Clasic Sediments from Geochemical Data. SPWLA 28th Annual Logging Symposium, London.

[6] Hou, L.H., Lin, C.Y., Wang, J.H., et al., 2003. A Method for Predicting Oil Productivity of Oil-Bearing Bed in Exploration Period. Journal of China University of Petroleum ( Edition of Natural Science), 27(1): 11-13 (in Chinese with English abstract).

[7] Huang, J.X., Peng, S.M., Wang, X.J., et al., 2006. Applications of Imaging Logging Data in the Research of Fracture and Ground Stress. Acta Petrolei Sinica, 27(6): 65-69 (in Chinese with English abstract).

[8] Hou, M. C., Cao, H. Y., Li, H. Y., et al., 2019. Characteristics and Controlling Factors of Deep Buried-Hill Reservoirs in the BZ19-6 Structural Belt, Bohai Sea Area. Natural Gas Industry B, 6(4): 305-316. https://doi.org/10.1016/j.ngib.2019.01.011

[9] Jamiolahmady, M., Mahdiyar, H., Ghahri, P., et al., 2011. A New Method for Productivity Calculation of Perforated Wells in Gas Condensate Reservoirs. Journal of Petroleum Science and Engineering, 77(3/4): 263-273. https://doi.org/10.1016/j.petrol.2011.03.005

[10] Kang, K., Zhao, L., Luo, X.B., et al., 2021. A New Productivity Evaluation Method for Fractured Buried Hill Gas Reservoirs and Its Application. China Offshore Oil and Gas, 33(3): 100-106 (in Chinese with English abstract).

[11] Liu, R.L., Xie, F., Xiao, C.W., et al., 2017. Extracting Fracture-Vug Plane Porosity from Electrical Imaging Logging Data Using Dissection of Wavelet-Transform-Based Image. Chinese Journal of Geophysics, 60(12): 4945-4955 (in Chinese with English abstract).

[12] Li, N., Wang, K. W., Liu, P., et al., 2021. Experimental Study on Attenuation of Stoneley Wave under Different Fracture Factors. Petroleum Exploration and Development, 48(2): 299-307. https://doi.org/10.1016/S1876-3804(21)60024-1

[13] Liu, M.X., Hao, F., Wang, Q., et al., 2021. Light Hydrocarbon Geochemical Characteristics and Geological Significance of Buried Hill Condensate Oil in Bozhong 19-6 Structural Belt. Earth Science, 46(10):3645-3656 (in Chinese with English abstract).

[14] Mao, Z.Q., Li, J.F., 2000. Method and Models for Productivity Prediction of Hydrocarbon Reservoirs. Acta Petrolei Sinica, 21(5): 58-61, 3(in Chinese with English abstract).

[15] Nian, T., Wang, G. W., Xiao, C. W., et al., 2016. Determination of In-Situ Stress Orientation and Subsurface Fracture Analysis from Image-Core Integration: an Example from Ultra-Deep Tight Sandstone (BSJQK Formation) in the Kelasu Belt, Tarim Basin.Journal of Petroleum Science and Engineering, 147: 495-503. https://doi.org/10.1016/j.petrol.2016.09.020

[16] Nian, T., Jiang, Z. X., Song, H. Y., 2018. Borehole Image Electrofacies with a Comparative Carbonate Petrography Analysis: an Outcrop Well Study Associated with Reservoir Application in the Ordovician Tarim Basin. Interpretation, 6(3): T723-T737. https://doi.org/10.1190/int-2018-0027.1

[17] Nian, T., Wang, G. W., Tan, C. Q., et al., 2021. Hydraulic Apertures of Barren Fractures in Tight-Gas Sandstones at Depth: Image-Core Calibration in the Lower Cretaceous Bashijiqike Formation, Tarim Basin. Journal of Petroleum Science and Engineering, 196: 108016.https://doi.org/10.1016/j.petrol.2020.108016

[18] Nian, T., Wang, G.W., Fan, X.Q., et al., 2021. Advances in Fracture and Vug Interpretation Using Microresistivity Imaging Logs. Geological Review, 67(2): 476-488 (in Chinese with English abstract).

[19] Pan, B.Z., Fang, C.H., Guo, Y.H., et al., 2018. Logging Evaluation and Productivity Prediction of Sulige Tight Sandstone Reservoirs Based on Petrophysics Transformation Models. Chinese Journal of Geophysics, 61(12): 5115-5124 (in Chinese with English abstract).

[20] Qin, R.B., Zhang,L., Zhou, G.Y., 2015. A New Logging Method for Evaluating Fracture Porosity and Permeability in Buried Hill Oilfields. China Offshore Oil and Gas, 27(3): 31-37, 78(in Chinese with English abstract).

[21] Qu, H. Z., Zhang, F. X., Wang, Z. Y., et al., 2016. Quantitative Fracture Evaluation Method Based on Core-Image Logging: a Case Study of Cretaceous Bashijiqike Formation in Ks2 Well Area, Kuqa Depression, Tarim Basin, NW China. Petroleum Exploration and Development, 43(3): 465-473 (in Chinese with English abstract).

[22] Qin, R.B., Cao, J.J., Li, X.Y., et al., 2021. Acoustic Logging Evaluation Method for Fractures in Metamorphic Buried Hill Reservoir and Its Application in BZ19-6 Gas Field. China Offshore Oil and Gas, 33(3): 77-84 (in Chinese with English abstract).

[23] Shi, X. L., Cui, Y. J., Xu, W. K., et al., 2020. Formation Permeability Evaluation and Productivity Prediction Based on Mobility from Pressure Measurement while Drilling. Petroleum Exploration and Development, 47(1): 146-153 (in Chinese with English abstract).

[24] Tan, T.D., 1986. Exploration of the Productivity Prediction Method for Fractured Oil and Gas Reservoirs. Well Logging Technology, 10(4): 1-9 (in Chinese with English abstract).

[25] Wei, J., Li, J.P., Yang, X.B., et al., 2021. Quantitative Evaluation for Reservoir Identification of Vug Fractured Reservoir in Right Bank of Amu Darya Basin. Well Logging Technology, 45(2): 156-161 (in Chinese with English abstract).

[26] Xu, C. G., Yu, H. B., Wang, J., et al., 2019. Formation Conditions and Accumulation Characteristics of Bozhong 19-6 Large Condensate Gas Field in Offshore Bohai Bay Basin. Petroleum Exploration and Development, 46(1): 27-40. https://doi.org/10.1016/S1876-3804(19)30003-5

[27] Yang, F., Zhu, C. Q., Wang, X. H., et al., 2013. A Capacity Prediction Model for the Low Porosity Fractured Reservoirs in the Kuqa Foreland Basin, NW China. Petroleum Exploration and Development, 40(3): 367-371. https://doi.org/10.1016/S1876-3804(13)60044-0

[28] Yang, B., Zhang, C.G., Cai, M., et al., 2019. Research on Evaluation Method of Fracture Permeability Based on Stoneley Wave EnergyAttenuation. Progress in Geophysics, 34(3): 1127-1131 (in Chinese with English abstract).

[29] Zheng, X.R.,Li, X.B.,Li, X.L., 2015. New Prediction Method for Fracture Reservoir Productivity. Fault-Block Oil & Gas Field,22(6):744-746,751(in Chinese with English abstract).

[30] Zhang, Z.H., Du, S.K., Chen, H.Y., et al., 2018. Quantitative Characterization of Volcanic Fracture Distribution Based on Electrical Imaging Logging: A Case Study of Carboniferous in Dixi Area, Junggar Basin. Acta Petrolei Sinica, 39(10):1130-1140 (in Chinese with English abstract).

[31] Zhuang, C.X., Li, Y.H., Kong, F.T., et al., 2019. Formation Permeability Estimation Using Stoneley Waves from Logging while Drilling: Theory, Method, and Application. Chinese Journal of Geophysics, 62(11): 4482-4492 (in Chinese with English abstract).

[32] Zhou, X.H., Wang, Q.B., Feng, C., et al., 2022. Formation Conditions and Geological Significance of Large Archean Buried Hill Reservoirs in Bohai Sea. Earth Science, 47(5):1534-1548 (in Chinese with English abstract).

[33] 陈刚,潘保芝, 2010.利用斯通利波反演地层渗透率. 吉林大学学报（自然科学版）, 40(S): 77-81.

[34] 范廷恩,牛涛,范洪军,等, 2021.渤中19-6凝析气田太古界潜山储层地质模式及开发策略. 中国海上油气, 33(3): 85-92.

[35] 侯连华, 林承焰, 王京红, 等, 2003. 含油层早期产能预测方法. 中国石油大学学报（自然科学版）, 27(1): 11-13.

[36] 黄继新,彭仕宓,王小军,等, 2006.成像测井资料在裂缝和地应力研究中的应用. 石油学报, 27(6): 65-69.

[37] 侯明才,曹海洋,李慧勇, 等, 2019.渤海海域渤中19-6构造带深层潜山储层特征及其控制因素. 天然气工业, 39(1): 33-44.

[38] 康凯,赵林,罗宪波,等, 2021.裂缝性潜山气藏产能评价新方法及其应用. 中国海上油气, 33(3): 100-106.

[39] 刘瑞林, 谢芳, 肖承文,等, 2017. 基于小波变换图像分割技术的电成像测井资料裂缝、孔洞面孔率提取方法. 地球物理学报, 60(12):4945-4955.

[40] 李宁, 王克文, 刘鹏, 等, 2021. 不同裂缝条件下斯通利波幅度衰减实验. 石油勘探与开发, 48(2): 258-265.

[41] 刘梦醒, 郝芳, 王奇, 等, 2021. 渤中19-6潜山构造带凝析油中轻烃地球化学特征及意义. 地球科学, 46(10): 3645-3656.

[42] 毛志强, 李进福, 2000. 油气层产能预测方法及模型. 石油学报, 21(5): 58-61.

[43] 年涛, 王贵文, 范旭强, 等, 2021. 成像测井缝洞解释评价研究进展. 地质论评, 67(2): 476-488.

[44] 潘保芝,房春慧,郭宇航,等, 2018.基于岩石物理转换模型的苏里格致密砂岩储层测井评价与产能预测. 地球物理学报, 61(12): 5115-5124.

[45] 秦瑞宝,张磊,周改英, 2015.潜山油田裂缝孔隙度和渗透率测井评价新方法. 中国海上油气, 27(3): 31-37, 78.

[46] 屈海洲, 张福祥, 王振宇,等, 2016. 基于岩心-电成像测井的裂缝定量表征方法——以库车坳陷ks2区块白垩系巴什基奇克组砂岩为例. 石油勘探与开发, 43(3):425-432.

[47] 秦瑞宝, 曹景记,李雄炎,等, 2021.变质岩潜山储层裂缝声波测井评价方法及其在渤中19-6气田的应用. 中国海上油气, 33(3): 77-84.

[48] 时新磊, 崔云江, 许万坤, 等, 2020. 基于随钻测压流度的地层渗透率评价方法及产能预测. 石油勘探与开发, 47(1): 140-147.

[49] 谭廷栋, 1986. 裂缝性油气层产能预测方法的探索. 测井技术, 10(4): 1-9.

[50] 魏娇, 李剑平, 杨雪冰, 等, 2021. 阿姆河右岸缝洞储层识别多尺度定量评价方法. 测井技术, 45(2): 156-161.

[51] 徐长贵, 于海波, 王军, 等, 2019. 渤海海域渤中19-6大型凝析气田形成条件与成藏特征. 石油勘探与开发, 46(1): 25-38.

[52] 杨锋,朱春启,王新海,等, 2013.库车前陆盆地低孔裂缝性砂岩产能预测模型. 石油勘探与开发, 40(3): 341-345.

[53] 杨博,章成广,蔡明,等, 2019.基于斯通利波能量衰减的裂缝渗透性评价方法研究. 地球物理学进展, 34(3): 1127-1131.

[54] 郑学锐,李贤兵,李香玲, 2015.一种裂缝性油藏产能预测新方法. 断块油气田,22(6):744-746,751.

[55] 张兆辉, 杜社宽, 陈华勇,等, 2018. 基于电成像测井的火山岩裂缝分布定量表征——以准噶尔盆地滴西地区石炭系为例. 石油学报, 39(10):1130-1140.

[56] 庄春喜,李杨虎,孔凡童,等, 2019.随钻斯通利波测井反演地层渗透率的理论、方法及应用. 地球物理学报, 62(11): 4482-4492.

[57] 周心怀，王清斌，冯冲，等，2022. 渤海海域大型太古界潜山储层形成条件及地质意义.地球科学, 47(5):1534-1548.

基金资助

国家自然基金企业创新发展联合基金项目“渤海潜山裂缝性储层地震响应机理及精确成像方法(U19B2008;YSLH-ZX-01-2021)

中海石油（中国）有限公司联合攻关项目“渤中19-6变质岩潜山储层测井评价关键技术研究与应用”(YSLH-ZX-01-2021)