一种碎屑岩储层孔隙度评价的方法及应用与流程

1.本发明涉及地球物理测井技术领域，尤其涉及一种碎屑岩储层孔隙度评价的方法及应用。


背景技术：

2.孔隙度作为衡量储层物性好坏的重要参数指标之一，其分析计算值的正确性直接影响到渗透率和含油饱和度计算值的准确性,因此开展孔隙度评价尤为重要。
3.如何获得碎屑岩储层孔隙度参数值？用钻井岩心实验测试方法测得储层孔隙度是一种最直接也是最可靠的方式，但是由于钻井取心成本高，既不可能每口井都取心，又不可能保证对油层的岩心进行不间断的孔隙度测定，所以限制了对储层系统的评价。利用地震资料开展的储层建模方法也可以进行储层孔隙度预测，但地震资料具有纵向分辨率低的特点，且储层建模结果受井资料的丰富程度影响较大，从而影响孔隙度预测精度。
4.测井资料具有信息量大、处理方便、数据连续且系统分布的优点，在孔隙度评价中起着重要的作用。早期主要是根据单一测井曲线建立线性方程或使用经验公式法进行孔隙度预测，但声波时差、补偿密度、补偿中子、自然伽马等曲线都会对孔隙度产生响应，只考虑单一曲线会导致储层孔隙度预测误差较大；近些年主要采用核磁共振或者ecs测井计算孔隙度，虽然预测精度较高，但是这些特殊测井系列不仅成本较高，而且数量少，特别是在一些油田老区缺乏相关系列资料，无法预测。所以如何充分利用常规测井手段有效开展碎屑岩储层孔隙度评价，提高储层孔隙度预测精度，以满足勘探开发需求，是当前面临的重大挑战之一。


技术实现要素：

5.为了解决现有技术中的上述问题，本发明提出了一种碎屑岩储层孔隙度的评价方法，其通过声波时差、补偿密度、补偿中子三孔隙测井曲线之间的关系计算出碎屑岩储层孔隙度，提高孔隙度预测精度。
6.第一方面，本发明提出了一种碎屑岩储层孔隙度的评价方法，包括以下步骤：
7.s1：对声波时差、补偿密度和补偿中子三种测井数据进行标准化处理，采用标准化处理后的测井数据对实验测试得到的岩心孔隙度进行岩心归位处理，得到校正后的岩心孔隙度；
8.s2：利用标准化处理后的声波时差数据计算孔隙度φ1，计算公式为：
[0009][0010]
式中，φ
1-声波时差计算的孔隙度，％；
[0011]
ac
ma-为岩石骨架声波时差，μs/m；
[0012]
ac
f-为地层流体声波时差，μs/m；
[0013]
cp-声波压实校正系数；
[0014]vsh-地层泥质含量，％；
[0015]
ac
sh-泥岩声波时差，μs/m；
[0016]
ac-目的层声波时差测井值，μs/m；
[0017]
s3：利用标准化处理后的补偿密度数据计算孔隙度φ2，计算公式为：
[0018][0019]
式中，φ
2-补偿密度计算的孔隙度，％；
[0020]
den
ma-分别为岩石骨架密度值，g/cm3；
[0021]
den
f-为地层流体密度值，g/cm3；
[0022]vsh-地层泥质含量，％；
[0023]
den
sh-泥岩密度值，g/cm3；
[0024]
den-目的层补偿密度测井值，g/cm3；
[0025]
s4：利用标准化处理后的补偿中子数据计算孔隙度φ3，计算公式为：
[0026]
φ3＝(cnl-cnl
ma-0.5*v
sh
*cnl
sh
)*0.01
[0027]
式中，φ
3-补偿中子计算的孔隙度，％；
[0028]
cnl
ma-岩石骨架中子值，％；
[0029]vsh-地层泥质含量，％；
[0030]
cnl
sh-泥岩中子值，％；
[0031]
cnl-目的层补偿中子测井值，％；
[0032]
s5：分别将步骤s2-s4计算得到的φ1、φ2、φ3与岩心孔隙度做多元回归分析，得到相关系数r
12
、r
22
、r
32
，分别求出r
12
、r
22
、r
32
占r
12
、r
22
、r
32
之和的比重，将对应比重作为回归方程系数，与校正后的岩心孔隙度再次多元回归分析，建立的孔隙度预测模型por1；
[0033]
s6：将步骤s2-s4计算得到的φ1、φ2、φ3一起与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por2；
[0034]
s7：直接将标准化处理后的声波时差、补偿密度、补偿中子三孔隙测井曲线与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por3；
[0035]
s8：将孔隙度预测模型por1，por2、por3与校正后的岩心孔隙度做对比分析，找出相关性最好的孔隙度预测模型por作为最终的孔隙度模型，并通过最终的孔隙度预测模型por得到碎屑岩储层孔隙度预测曲线，对碎屑岩储层物性进行评价。
[0036]
作为本发明的具体实施方式，所述步骤s1中，所述步骤s1中，通过直方图平移法进行所述标准化处理，优选地包括：提供研究区内标志层测井数据，建立直方图，以该直方图为标准与所有井位数据建立直方图对比、校正，其中与标准数据的差值为校正量。
[0037]
作为本发明的具体实施方式，所述步骤s1中，所述步骤s1中，所述岩心归位处理包括：将实验测得的岩心分析孔隙度按照杆状图的形式表现在测井图版中，与测井数据进行对比分析，以测井数据对应的深度为标准，校正实验测得岩心孔隙率数据对应深度。
[0038]
作为本发明的具体实施方式，所述步骤s1中，所述岩心归位处理还包括提取有效的储层岩心孔隙度；所述有效的储层岩心孔隙度是指岩心归位后，在对应深度，岩心孔隙度有匹配的测井数据。
[0039]
需要说明的是，在实际生产操作中，有些因人为因素或非人为因素造成的误差较
大的数据，属于无效数据，无效数据应剔除，以免影响计算结果；
[0040]
孔隙度φ1、φ2、φ3是计算得到的，岩心孔隙度是通过gb/t 29172-2012岩心分析方法实验测得的；在实际操作中，实验测得的岩心孔隙度值或许有误差，可以用岩心归位后的岩心资料进行进一步校正得到。
[0041]
作为本发明的具体实施方式，所述步骤s5中，分别将步骤s2-s4计算得到的φ1、φ2、φ3与岩心孔隙度做多元回归分析，得到相关系数r
12
、r
22
、r
32
，分别求出r
12
、r
22
、r
32
占r
12
、r
22
、r
32
之和的比重，将对应比重作为回归方程系数，与校正后的岩心孔隙度再次多元回归分析，建立的孔隙度预测模型por1；运用测井数据预测孔隙度时，孔隙中的油气会对中子、密度和声波测井响应产生不利影响，主要表现在油气比水轻，密度测井结果会指示出孔隙度太高(假定孔隙空间被水充填)，因轻质烃中氢原子比水中氢原子少，中子测井的结果会指示出孔隙度非常低。同样，由于声波在轻质烃中比在水中传播慢，声波测井指示出的孔隙度也会特别高。因此，综合考虑声波时差、补偿密度、补偿中子对岩心孔隙度的影响，建立孔隙度预测模型por1。
[0042]
作为本发明的具体实施方式，所述步骤s5、步骤s6和步骤s7中，所述多元回归分析各自独立地为用线形函数回归分析多个自变量和因变量间的相关关系，该方法可以排除单一曲线预测储层物性参数所引起的误差；所述步骤s5和s6中的自变量包括φ1、φ2、φ3，步骤s7中的自变量为标准化处理后的声波时差、补偿密度、补偿中子；所述因变量均为校正后的岩心孔隙度。作为本发明的具体实施方式，多元回归即用线形函数回归分析多个自变量和因变量间的相关关系，该方法可以排除单一曲线预测储层物性参数所引起的误差。
[0043]
具体地，对于一个因变量y，有一组自变量x＝(x1，x2，
…
，xk)，x1，x2，
…
，xk，ε是列向量，考虑它们之间有如下线性关系：
[0044]
y＝β0+β1x1+...+βkxk+ε
[0045]
通常采用最小二乘法，来估计偏回归系数(β0，β1，β2，
…
，βk)。其基本原理是寻找一套适合的偏回归系数，建立多重线性回归方程，使得反应变量的观测值与回归方程的估计值之间的残差平方和最小，即满足：
[0046][0047]
作为本发明的具体实施方式，所述步骤s5、步骤s6和步骤s7中，所述多元回归分析各自独立地得到相关系数r2。
[0048]
需要说明的是，相关系数r2在多元回归分析中来自公式：
[0049]
r2＝ssr/sst＝1-sse/sst
[0050]
sst＝ssr+sse
[0051]
其中，sst(total sum of squares)为总离差平方和，ssr(regression sum of squares)为回归平方和，sse(error sum of squares)为残差平方和。
[0052]
多元回归分析的优点在于，拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比越高，观察点在回归直线附近越密集，那么r2取值范围：0-1；且r2越接近1，说明拟合度越高。
[0053]
作为本发明的具体实施方式，所述步骤s8中，所述相关性最好的是，将计算出来的孔隙度与岩心孔隙作比较，相关系数r2越接近1，说明相关性就越好。
[0054]
第二方面，本发明提供了所述碎屑岩储层孔隙度的评价方法在油气勘探开发、地球物理测井技术领域的应用。
[0055]
作为本发明的具体实施方式，在储层孔隙度表征了储层容纳油气的能力(体积)，是油层识别、含油饱和度计算和油藏精细评价的重要参数之一，是精确描述储层的基础，因此准确地预测孔隙度对于油气勘探开发与地球物理测井技术具有重要意义。
[0056]
与现有技术相比，本发明的有益效果在于：
[0057]
1、本发明的碎屑岩储层孔隙度的评价方法利用常规测井资料丰富，便于获取，全面开展预测有利于对全区进行更精确的预测；
[0058]
2、本发明的碎屑岩储层孔隙度的评价方法考虑了不同测井曲线对孔隙度的敏感性，通过优选不同的预测模型，优化了碎屑岩储层孔隙度预测方法；
[0059]
3、本发明的碎屑岩储层孔隙度的评价方法中的模型建立快速，适用于勘探到开发过程中的各个阶段，便于地质人员快速评价。
附图说明
[0060]
图1为本发明实施例中碎屑岩储层孔隙度的评价方法的流程图；
[0061]
图2为本发明实施例1中井位数据进行校正处理前声波时差频率数据图；
[0062]
图3为本发明实施例1中井位数据进行校正处理后声波时差频率数据图；
[0063]
图4为本发明实施例1中的岩心分析孔隙度杆状图；
[0064]
图5为本发明实施例1中por1模型与岩心孔隙度的关系图；
[0065]
图6为本发明实施例1中por2模型与岩心孔隙度的关系图；
[0066]
图7为本发明实施例1中por3模型与岩心孔隙度的关系图；
[0067]
图8为本发明实施例2中por1模型与岩心孔隙度的关系图；
[0068]
图9为本发明实施例2中por2模型与岩心孔隙度的关系图；
[0069]
图10为本发明实施例2中por3模型与岩心孔隙度的关系图。
具体实施方式
[0070]
下面结合具体实施例对本发明作进一步说明，但并不构成对本发明的任何限制。
[0071]
本发明各实施例中，所用的处理软件为ciflog、excel。
[0072]
实施例1
[0073]
本实施例提供了一种碎屑岩储层孔隙度的评价方法，应用于鄂尔多斯盆地西南部长7段致密砂岩储层，具体细节如下：
[0074]
该储层录井统计表明鄂尔多斯盆地西南部长7段致密砂岩储层岩性主要分为粉砂岩和细砂岩2类，储层孔隙度主要为4％～12％，渗透率主要为0.01md～0.3md，属于低孔低渗致密储层。本实施例选取了研究区6口井，共246个岩心分析测试点资料进行孔隙度的计算。
[0075]
s1：对声波时差、补偿密度和补偿中子三种测井数据进行标准化处理，采用标准化处理后的测井数据对实验测试得到的岩心孔隙度进行岩心归位处理，得到校正后的岩心孔隙度；
[0076]
使用直方图平移法来校正，对声波时差、补偿中子、补偿密度等测井曲线进行标准
化处理，首先寻找研究区内发育较为稳定的标志层测井数据，对此数据建立直方图，然后以此为标准与所有井位数据建立直方图对比，进行对比校正，与标准模式的差值作为校正量。如图1、图2所示，是对井位数据进行校正处理。
[0077]
把实验测试获得的岩心分析孔隙度按照杆状图的形式表现在测井图版中，如图3所示，然后与测井数据进行对比分析，以测井数据对应深度为标准，校正分析实验测试得到的岩心孔隙度数据对应深度，即岩心归位；岩心归位处理后的岩心孔隙度数据视为有效的碎屑岩储层岩心孔隙度数据。
[0078]
s2：利用标准化处理后的声波时差数据计算孔隙度φ1。
[0079]
s3：利用标准化处理后的补偿密度数据计算孔隙度φ2。
[0080]
s4：利用标准化处理后的补偿中子数据计算孔隙度φ3。
[0081]
需要说明的是，每个深度点有对应的数值，每个深度点的数值都不一样，这里不再赘述步骤s2-s4的各数据。
[0082]
s5：分别将步骤s2-s4计算得到的φ1、φ2、φ3与岩心孔隙度做多元回归分析，得到相关系数r
12
、r
22
、r
32
，分别求出r
12
、r
22
、r
32
占r
12
、r
22
、r
32
之和的比重，将对应比重作为回归方程系数，与校正后的岩心孔隙度再次多元回归分析，建立的孔隙度预测模型por1，多元回归分析结果如图5所示，具体公式为：
[0083]
por1＝0.7683*(0.611405056*φ1+0.32627866*φ2+0.062316*φ3)+0.0272
[0084]
经计算得到：
[0085]
φ1：r
12
＝0.208
[0086]
φ2：r
22
＝0.111
[0087]
φ3：r
32
＝0.0212
[0088]
再次多元回归分析得到模型por1的相关系数r1’2＝0.6186
[0089]
s6：将步骤s2-s4计算得到的φ1、φ2、φ3一起与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por2，多元回归分析结果如图6所示，具体公式为：
[0090]
por2＝0.043+0.4916*φ1+0.4902*φ
2-0.0839*φ3[0091]
多元回归分析得到模型por2的相关系数r2’2＝0.1812
[0092]
s7：直接将标准化处理后的声波时差、补偿密度、补偿中子三孔隙测井曲线与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por3，多元回归分析结果如图7所示，具体公式为：
[0093]
por3＝0.1765+0.001*ac-0.1397*den+0.001*cnl
[0094]
多元回归分析得到模型por3的相关系数r3’2＝0.5843
[0095]
s8：对比不同模型的孔隙度预测值与岩心孔隙度的相关关系，找出预测效果最好的模型为por1，该模型预测的精度最高。
[0096]
s9：通过孔隙度预测模型por1得到碎屑岩储层孔隙度预测曲线，从而对碎屑岩储层物性进行评价。
[0097]
实施例1得到的评价结果：孔隙度预测模型por1与岩心孔隙度的相关系数r的平方为0.6186，如表1所示，符合勘探开发的需求。
[0098]
表1相关系数r2与相关性的关系
[0099]
相关系数r2相关性
0.8-1.0极强相关0.6-0.8强相关0.4-0.6中等程度相关0.2-0.4弱相关0.0-0.2极弱相关或无相关
[0100]
实施例2
[0101]
本实施例提供了一种碎屑岩储层孔隙度的评价方法，应用于四川盆地东北部须家河组致密砂岩储层，具体细节如下：
[0102]
录井统计表明四川盆地东北部须家河组致密砂岩储层岩性主要为中砂岩和细砂岩，储层孔隙度主要为1.2％～6％。本实施例选取了研究区共85个岩心分析测试点资料进行孔隙度的计算。
[0103]
s1：对声波时差、补偿密度和补偿中子三种测井数据进行标准化处理，采用标准化处理后的测井数据对实验测试得到的岩心孔隙度进行岩心归位处理，得到校正后的岩心孔隙度；数据处理方法与实施例1相同，在此省略。
[0104]
s2：利用标准化处理后的声波时差数据计算孔隙度φ1。
[0105]
s3：利用标准化处理后的补偿密度数据计算孔隙度φ2。
[0106]
s4：利用标准化处理后的补偿中子数据计算孔隙度φ3。
[0107]
需要说明的是，每个深度点有对应的数值，每个深度点的数值都不一样，这里不再赘述步骤s2-s4的各数据。
[0108]
s5：分别将步骤s2-s4计算得到的φ1、φ2、φ3与岩心孔隙度做多元回归分析，得到相关系数r
42
、r
52
、r
62
，分别求出r
42
、r
52
、r
62
占r
42
、r
52
、r
62
之和的比重，将对应比重作为回归方程系数，与校正后的岩心孔隙度再次多元回归分析，建立的孔隙度预测模型por1，多元回归分析结果如图8所示，具体公式为：
[0109]
por1＝0.9771*(0.381194*φ1+0.402251*φ2+0.216555*φ3)+0.0187
[0110]
经计算得到：
[0111]
φ1：r
42
＝0.21
[0112]
φ2：r
52
＝0.2216
[0113]
φ3：r
62
＝0.1193
[0114]
再次多元回归分析得到模型por1的相关系数r4’2＝0.6141
[0115]
s6：将步骤s2-s4计算得到的φ1、φ2、φ3一起与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por2，多元回归分析结果如图6所示，具体公式为：
[0116]
por2＝3.3202+0.02846*φ1+0.07036*φ
2-0.08683*φ3[0117]
多元回归分析得到模型por2的相关系数r5’2＝0.2302
[0118]
s7：直接将标准化处理后的声波时差、补偿密度、补偿中子三孔隙测井曲线与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por3，多元回归分析结果如图7所示，具体公式为：
[0119]
por3＝13.76714+0.00519*ac-0.14389*den-3.9549*cnl
[0120]
多元回归分析得到模型por3的相关系数r6’2＝0.1228
[0121]
实施例2得到的评价结果：孔隙度预测模型por1与岩心孔隙度的相关系数r的平方
为0.6141，如表1所示，符合勘探开发的需求。
[0122]
综上，本发明的碎屑岩储层孔隙度评价的方法，通过实施例表明本方法提高了碎屑岩储层孔隙度的预测精度，符合勘探开发的需求，同时基于常规测井曲线就能对储层孔隙度进行预测，降低了测井解释的成本。该模型基于地球物理与数学思维，结合储层变骨架的影响，极大地提高了孔隙度测井解释的精度，降低了测井解释的成本。
[0123]
在本发明中的提到的任何数值，如果在任何最低值和任何最高值之间只是有两个单位的间隔，则包括从最低值到最高值的每次增加一个单位的所有值。例如，如果声明一种组分的量，或诸如温度、压力、时间等工艺变量的值为50-90，在本说明书中它的意思是具体列举了51-89、52-88
……
以及69-71以及70-71等数值。对于非整数的值，可以适当考虑以0.1、0.01、0.001或0.0001为一单位。这仅是一些特殊指明的例子。在本技术中，以相似方式，所列举的最低值和最高值之间的数值的所有可能组合都被认为已经公开。
[0124]
应当注意的是，以上所述的实施例仅用于解释本发明，并不构成对本发明的任何限制。通过参照典型实施例对本发明进行了描述，但应当理解为其中所用的词语为描述性和解释性词汇，而不是限定性词汇。可以按规定在本发明权利要求的范围内对本发明作出修改，以及在不背离本发明的范围和精神内对本发明进行修订。尽管其中描述的本发明涉及特定的方法、材料和实施例，但是并不意味着本发明限于其中公开的特定例，相反，本发明可扩展至其他所有具有相同功能的方法和应用。

技术特征：
1.一种碎屑岩储层孔隙度的评价方法，其特征在于，包括以下步骤：s1：对声波时差、补偿密度和补偿中子三种测井数据进行标准化处理，采用标准化处理后的测井数据对实验测试得到的岩心孔隙度进行岩心归位处理，得到校正后的岩心孔隙度；s2：利用标准化处理后的声波时差数据计算孔隙度φ1，计算公式为：式中，φ
1-声波时差计算的孔隙度，％；ac
ma-为岩石骨架声波时差，μs/m；ac
f-为地层流体声波时差，μs/m；cp-声波压实校正系数；v
sh-地层泥质含量，％；ac
sh-泥岩声波时差，μs/m；ac-目的层声波时差测井值，μs/m；s3：利用标准化处理后的补偿密度数据计算孔隙度φ2，计算公式为：式中，φ
2-补偿密度计算的孔隙度，％；den
ma-分别为岩石骨架密度值，g/cm3；den
f-为地层流体密度值，g/cm3；v
sh-地层泥质含量，％；den
sh-泥岩密度值，g/cm3；den-目的层补偿密度测井值，g/cm3；s4：利用标准化处理后的补偿中子数据计算孔隙度φ3，计算公式为：φ3＝(cnl-cnl
ma-0.5*v
sh
*cnl
sh
)*0.01式中，φ
3-补偿中子计算的孔隙度，％；cnl
ma-岩石骨架中子值，％；v
sh-地层泥质含量，％；cnl
sh-泥岩中子值，％；cnl-目的层补偿中子测井值，％；s5：分别将步骤s2-s4计算得到的φ1、φ2、φ3与岩心孔隙度做多元回归分析，得到相关系数r
12
、r
22
、r
32
，分别求出r
12
、r
22
、r
32
占r
12
、r
22
、r
32
之和的比重，将对应比重作为回归方程系数，与校正后的岩心孔隙度再次多元回归分析，建立的孔隙度预测模型por1；s6：将步骤s2-s4计算得到的φ1、φ2、φ3一起与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por2；s7：直接将标准化处理后的声波时差、补偿密度、补偿中子三孔隙测井曲线与校正后的岩心孔隙度做多元回归分析，得到孔隙度预测模型por3；s8：将孔隙度预测模型por1，por2、por3与校正后的岩心孔隙度做对比分析，找出相关性最好的孔隙度预测模型por作为最终的孔隙度模型，并通过最终的孔隙度预测模型por得
到碎屑岩储层孔隙度预测曲线，对碎屑岩储层物性进行评价。2.根据权利要求1所述的评价方法，其特征在于，所述步骤s1中，通过直方图平移法进行所述标准化处理，优选地包括：提供研究区内标志层测井数据，建立直方图，以该直方图为标准与所有井位数据建立直方图对比、校正，其中与标准数据的差值为校正量。3.根据权利要求1或2所述的评价方法，其特征在于，所述步骤s1中，所述岩心归位处理包括：将实验测得的岩心分析孔隙度按照杆状图的形式表现在测井图版中，与测井数据进行对比分析，以测井数据对应的深度为标准，校正实验测得岩心孔隙率数据对应深度。4.根据权利要求1-3任一项所述的评价方法，其特征在于，所述步骤s1中，所述岩心归位处理还包括提取有效的储层岩心孔隙度；所述有效的储层岩心孔隙度是指岩心归位后，在对应深度，岩心孔隙度有匹配的测井数据。5.根据权利要求1-4任一项所述的评价方法，其特征在于，所述步骤s5、步骤s6和步骤s7中，所述多元回归分析各自独立地为用线形函数回归分析多个自变量和因变量间的相关关系，该方法可以排除单一曲线预测储层物性参数所引起的误差；所述步骤s5和s6中的自变量包括φ1、φ2、φ3，步骤s7中的自变量为标准化处理后的声波时差、补偿密度、补偿中子；所述因变量均为校正后的岩心孔隙度。6.根据权利要求1-5任一项所述的评价方法，其特征在于，所述步骤s5、步骤s6和步骤s7中，所述多元回归分析各自独立地得到相关系数r2。7.根据权利要求1-6所述的评价方法，其特征在于，所述步骤s8中，所述相关性最好的是，将计算出来的孔隙度与校正后岩心孔隙度作比较，相关系数r2越接近1，说明相关性就越好。8.权利要求1-7任一项所述的碎屑岩储层孔隙度的评价方法在油气勘探开发、地球物理测井领域中的应用。

技术总结
本发明提出了一种碎屑岩储层孔隙度的评价方法及应用，首先对测井数据标准化处理，采用标准化处理后的测井数据对实验测试得到的岩心孔隙度进行岩心归位处理，得到校正后的岩心孔隙度；采用上述数据建立三孔隙测井曲线预测孔隙度的多种模型，实现孔隙度的精准预测。该模型基于地球物理与数学思维，结合储层变骨架的影响，极大地提高了孔隙度测井解释的精度，降低了测井解释的成本；实现在油气勘探开发、地球物理测井领域中的应用。地球物理测井领域中的应用。地球物理测井领域中的应用。


技术研发人员：杜崇娇 彭金宁 余晓露 李龙龙
受保护的技术使用者：中国石油化工股份有限公司石油勘探开发研究院
技术研发日：2022.03.17
技术公布日：2023/9/22