초록
본 연구는 Athabasca 오일샌드광구의 역청 생산방법인, SAGD 수행에 영향을 주는 불균질한 유효투수도의 분포도를 만드는 저류층 모델링 작업 공정을 개발하기 위한 것이다. 암석학적 상 분포는 연구 지역 역청 저류층 내의 불균질성의 주요 원인이다. 대상 매질은 사암과 이암으로 구성된 하천에서 바다로 이어지는 채널로서 이암이 유체의 흐름을 방해해 유효 투수도를 감소시키고 있다. 본 연구에서는 암석학적 상등을 이암의 모양에 따라 마른 특성의 유효투수도를 갖는 세 종류로 분류하였다. 본 연구의 저류층 모델링 작업과정은 상 모델과 투수도 모델링, 두 가지 주요 모듈로 구성되어 있다. 상 모델링은 확률적인 접근을 이용하여 유효투수도 결정에 중요한, 세가지 상등 중에 어떤 종류에 속하는지를 알려준다. 투수도 모델링은 먼저 이암의 체적율을 구하고 그것을 유효투수도로 변환시킨다. 암석상들의 소형 모델에 대한 일련의 시뮬레이션 적용을 통해 이암 체적율을 유효투수도로 변환시키는 변환함수를 얻는다. 탄성파 자료는 지구통계학적 방법으로 상 모델링에 입력되는 상등의 우선 확률을 제공함으로써 상 모델링에 기여한다. 특히, 본 연구에서는 상들의 우선 확률을 개선하기 위해 상등의 예측 시 다양한 탄성파 속성들을 복합적으로 사용하는 신경망 방법을 이용하였다. 상 구분에 있어서의 얼마만큼 개선되었는지를 보여주기 위해 상 모델링 시 개선된 우선 확률을 사용한 결과를 단일 탄성파 속성을 이용하는 기존 방법의 결과와 비교하였다. 다중 탄성파 속성들의 복합적인 사용에서 밀도와 P파 속도를 조합해서 이용하는 것이 상구분을 향상시키는데 필수적이다. 또한 본 연구에서는 검층으로부터 얻은 공극률과 P파 속도, 사진찍은 것 같이 예측된 이암의 부피를 이용하여 sand matrix의 공극률이 정확하게 평가원 연구지역에서, 다른 상등 사이에서 P파 속도가 달라지게 하는 sand matrix의 공극률에 대해서도 논의하였다.
This study was conducted to develop a reservoir modelling workflow to reproduce the heterogeneous distribution of effective permeability that impacts on the performance of SAGD (Steam Assisted Gravity Drainage), the in-situ bitumen recovery technique in the Athabasca Oil Sands. Lithologic facies distribution is the main cause of the heterogeneity in bitumen reservoirs in the study area. The target formation consists of sand with mudstone facies in a fluvial-to-estuary channel system, where the mudstone interrupts fluid flow and reduces effective permeability. In this study, the lithologic facies is classified into three classes having different characteristics of effective permeability, depending on the shapes of mudstones. The reservoir modelling workflow of this study consists of two main modules; facies modelling and permeability modelling. The facies modelling provides an identification of the three lithologic facies, using a stochastic approach, which mainly control the effective permeability. The permeability modelling populates mudstone volume fraction first, then transforms it into effective permeability. A series of flow simulations applied to mini-models of the lithologic facies obtains the transformation functions of the mudstone volume fraction into the effective permeability. Seismic data contribute to the facies modelling via providing prior probability of facies, which is incorporated in the facies models by geostatistical techniques. In particular, this study employs a probabilistic neural network utilising multiple seismic attributes in facies prediction that improves the prior probability of facies. The result of using the improved prior probability in facies modelling is compared to the conventional method using a single seismic attribute to demonstrate the improvement in the facies discrimination. Using P-wave velocity in combination with density in the multiple seismic attributes is the essence of the improved facies discrimination. This paper also discusses sand matrix porosity that makes P-wave velocity differ between the different facies in the study area, where the sand matrix porosity is uniquely evaluated using log-derived porosity, P-wave velocity and photographically-predicted mudstone volume.