利用概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)成巖相——以鄂爾多斯盆地合水地區(qū)延長組長8段儲(chǔ)層為例

龐國印，唐 俊，3，王 琪，馬曉峰，廖 朋

(1.油氣資源研究重點(diǎn)實(shí)驗(yàn)室 中國科學(xué)院，甘肅 蘭州 730000;2.中國科學(xué)院研究生院，北京 100049;3.內(nèi)蒙古科技大學(xué)，內(nèi)蒙古 包頭 014010)

引 言

成巖相重點(diǎn)研究有利儲(chǔ)層的形成機(jī)理、空間分布與定量評(píng)價(jià)，通過其預(yù)測(cè)非連續(xù)性的儲(chǔ)集體系統(tǒng)。傳統(tǒng)的成巖相研究方法是通過大量普通薄片、鑄體薄片和掃描電鏡的觀察分析，鑒定出代表井巖石樣品受膠結(jié)、溶蝕、壓實(shí)等作用的主要成巖現(xiàn)象，并根據(jù)成巖單因素和多因素復(fù)合特征來劃分單井上的典型成巖相類型。該成巖相的劃分方法只能針對(duì)取心井，但由于取心資料的局限，未取心區(qū)域的成巖相研究常常陷入困境，人為推測(cè)的結(jié)果往往達(dá)不到預(yù)期精度。而利用沉積微相研究成果和測(cè)井曲線參數(shù)，通過神經(jīng)網(wǎng)絡(luò)進(jìn)行成巖相識(shí)別能解決該問題。

神經(jīng)網(wǎng)絡(luò)是輸入?yún)?shù)值、并對(duì)這些輸入項(xiàng)進(jìn)行計(jì)算，然后輸出一個(gè)或多個(gè)值的系統(tǒng)。當(dāng)針對(duì)某種應(yīng)用設(shè)計(jì)并訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)后，其輸出逼近給定輸入項(xiàng)的正確值。神經(jīng)網(wǎng)絡(luò)不僅能像線性回歸一樣，用于函數(shù)逼近，還能像“判別分析”和“邏輯回歸”一樣，用于分類。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)是由相互連接的單元構(gòu)成的，這些單元稱為“節(jié)點(diǎn)”或“神經(jīng)元”。神經(jīng)元按層排列，輸入層神經(jīng)元接收輸入項(xiàng)(如沉積微相類型、測(cè)井參數(shù)值等)以進(jìn)行計(jì)算，計(jì)算值傳遞給第1個(gè)隱含層的神經(jīng)元，后者對(duì)這些輸入項(xiàng)進(jìn)行計(jì)算，然后將其輸出項(xiàng)傳到下一層，最后1個(gè)隱含層中各神經(jīng)元的輸出項(xiàng)傳遞給生成神經(jīng)網(wǎng)絡(luò)最終輸出項(xiàng)(如成巖相類型)的神經(jīng)元。各種神經(jīng)網(wǎng)絡(luò)在神經(jīng)元內(nèi)執(zhí)行的計(jì)算以及訓(xùn)練算法上存在差異。相對(duì)于BP神經(jīng)網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快，不需要指定拓?fù)浣Y(jié)構(gòu)(隱含層和隱含節(jié)點(diǎn)的數(shù)目)，且概率神經(jīng)網(wǎng)絡(luò)不僅可以用于分類，還可以返回樣本落在其他因變量范疇的概率。因此，概率神經(jīng)網(wǎng)絡(luò)用于成巖相分類預(yù)測(cè)有較強(qiáng)的優(yōu)勢(shì)。

1 區(qū)域地質(zhì)概況

鄂爾多斯盆地可劃分為渭北隆起、伊盟隆起、天環(huán)坳陷、晉西撓褶帶、西緣沖斷帶、伊陜斜坡6個(gè)一級(jí)構(gòu)造單元。合水地區(qū)位于鄂爾多斯盆地伊陜斜坡西南部，西臨西峰油田［1－2］。該地區(qū)主要以巖性油藏為主，三疊系延長組長8油層組是該區(qū)的主力產(chǎn)油層之一。但該區(qū)儲(chǔ)層非均質(zhì)性較強(qiáng)，成巖作用對(duì)儲(chǔ)層物性、孔隙結(jié)構(gòu)等影響較大。因此，正確認(rèn)識(shí)、劃分合水地區(qū)長8儲(chǔ)層成巖相(圖1)，對(duì) 后續(xù)預(yù)測(cè)有利儲(chǔ)集區(qū)帶和規(guī)模開發(fā)具有重要意義。

圖1 鄂爾多斯盆地合水地區(qū)延長組長8段儲(chǔ)層成巖相綜合特征

2 成巖相劃分原則與成巖相類型

目前，國內(nèi)外對(duì)成巖相的劃分尚無統(tǒng)一的方案，評(píng)價(jià)方法大多僅限于取心井和薄片觀察。綜合分析前人研究成果［3－6］，將成巖相定義為某一儲(chǔ)層段在地質(zhì)歷史時(shí)期中所經(jīng)歷的成巖環(huán)境及其產(chǎn)物的綜合表現(xiàn)。成巖相的命名主要依據(jù)對(duì)儲(chǔ)層物性起決定性作用的主控成巖作用類型，如膠結(jié)相、自生黏土礦物沉淀充填相、溶蝕相等。在此基礎(chǔ)上，根據(jù)膠結(jié)物類型劃分綠泥石膠結(jié)相、方解石膠結(jié)相;根據(jù)充填的黏土礦物類型，劃分為高嶺石沉淀充填與伊利石充填;根據(jù)溶蝕作用的強(qiáng)弱劃分為強(qiáng)溶蝕、中等溶蝕和弱溶蝕相。具體定名應(yīng)考慮不同成巖相對(duì)儲(chǔ)層物性的控制程度大小，使其能反映出主控成巖作用類型。

成巖相分析就是在成巖作用與儲(chǔ)層物性演化特征之間建立1種成因聯(lián)系，在查明主控成巖作用類型的基礎(chǔ)上，弄清其在縱向上的分布、組合特征及對(duì)儲(chǔ)層物性的影響和制約程度，建立孔隙演化與成巖作用關(guān)系模型，為儲(chǔ)層縱向上孔隙演化機(jī)理、主控因素分析及儲(chǔ)層平面分布特征的預(yù)測(cè)提供理論依據(jù)。根據(jù)鑄體薄片和孔滲分析數(shù)據(jù)等資料，詳細(xì)刻畫了成巖相與儲(chǔ)層物性之間的關(guān)系和面貌，結(jié)合沉積相研究成果，劃分出鄂爾多斯盆地合水地區(qū)延長組長8段儲(chǔ)層典型的成巖相類型(圖1)。

3 概率神經(jīng)網(wǎng)絡(luò)原理

概率神經(jīng)網(wǎng)絡(luò)(PNN)基于類似的理念，主要用于范疇預(yù)測(cè)和分類［7－8］。其結(jié)構(gòu)如圖2所示:假設(shè)有2個(gè)數(shù)值自變量、2個(gè)范疇因變量和5個(gè)訓(xùn)練樣本(其中3個(gè)在一個(gè)范疇，2個(gè)在另一個(gè)范疇)。

圖2 PNN網(wǎng)絡(luò)結(jié)構(gòu)

向網(wǎng)絡(luò)提供1個(gè)樣本時(shí)，模式層中的每個(gè)神經(jīng)元計(jì)算自己所代表的訓(xùn)練樣本和輸入樣本之間的距離，傳遞給加和層神經(jīng)元的值是距離和平滑因子的函數(shù)。因此，模式層每個(gè)單元的輸出為:

式中:δ為平滑因子;Wi為連接輸入層到模式層的權(quán)值。

在加和層，每個(gè)范疇因變量都有1個(gè)神經(jīng)元，每個(gè)神經(jīng)元加總該范疇內(nèi)的訓(xùn)練樣本所對(duì)應(yīng)的所有神經(jīng)元的輸出值:

式中:X為屬于某個(gè)范疇的第j個(gè)樣本;k為屬于該范疇的模式樣本個(gè)數(shù)。

加和層神經(jīng)元的輸出值可視為每一類的概率密度函數(shù)預(yù)測(cè)。輸出神經(jīng)元選擇概率密度函數(shù)值最高的范疇作為預(yù)測(cè)的范疇。

4 單井上不同成巖相單元的分層

成巖相單元的劃分方法主要有人工分層和利用測(cè)井曲線自動(dòng)分層2種。人工分層主要在井?dāng)?shù)相對(duì)較少的區(qū)域使用，該方法可以考慮眾多影響因素，分層靈活，能提高分層精度，減小概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和輸入項(xiàng)的誤差。而利用測(cè)井曲線自動(dòng)分層的方法有很多種，如數(shù)理統(tǒng)計(jì)方法類的極值方差聚類法、有序聚類分析、層內(nèi)差異法;非數(shù)理統(tǒng)計(jì)方法類的活度函數(shù)法、Walsh變換、Fourier變換、小波變換以及人工智能方法中的自組織神經(jīng)網(wǎng)絡(luò)、模糊識(shí)別方法等。這些方法雖然使測(cè)井曲線分層走向了自動(dòng)化，提高了效率，但在解決分層問題時(shí)，都存在一定的缺陷。因此，在分層時(shí)可采用自動(dòng)分層和人工分層相結(jié)合的方法，既提高了工作效率，又提高了分層精度。

5 概率神經(jīng)網(wǎng)絡(luò)輸入項(xiàng)參數(shù)的選擇

5.1 成巖相與沉積相之間的關(guān)系

在沉積作用過程中，成巖相在沉積體內(nèi)的分布具有一定的規(guī)律性［9］。通過將研究區(qū)沉積相、成巖相、成巖階段、儲(chǔ)層物性剖面和平面分布特征圖疊合起來分析研究發(fā)現(xiàn)，成巖相與沉積相存在一定的耦合關(guān)系。如綠泥石黏土膜最發(fā)育的砂體，沉積相基本都是三角洲前緣分流河道微相，而處在半深湖和三角洲前緣過度區(qū)域的沉積相溶蝕作用非常發(fā)育，碳酸鹽膠結(jié)物相對(duì)不發(fā)育;在三角洲前緣和三角洲平原碳酸鹽膠結(jié)相相對(duì)發(fā)育等。因此，在利用概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)成巖相時(shí)，選擇沉積微相作為概率神經(jīng)網(wǎng)絡(luò)輸入項(xiàng)中的范疇自變量參數(shù)。

5.2 成巖相的測(cè)井響應(yīng)

地層的放射性、電阻率、孔隙度、波速和密度等物理特性主要是巖石成巖強(qiáng)度的體現(xiàn)，即巖石壓實(shí)程度、膠結(jié)程度和次生孔縫發(fā)育程度的表現(xiàn)。因此，不同的成巖相具有不同的測(cè)井響應(yīng)，如碳酸鹽膠結(jié)成巖相測(cè)井特征為低自然伽馬、低中子、低聲波時(shí)差、高密度、高電阻率;高嶺石充填成巖相測(cè)井特征為高自然伽馬、高中子、低密度測(cè)井值;壓實(shí)致密成巖相測(cè)井特征為中—高自然伽馬、高密度值和較高的中子測(cè)井值［10］。

利用測(cè)井特征的差異，運(yùn)用概率神經(jīng)網(wǎng)絡(luò)可以定量判別不同成巖相類型。在分析不同測(cè)井曲線的基礎(chǔ)上，選用能對(duì)成巖相區(qū)分較好的自然伽馬(GR)、自然電位(SP)、井徑測(cè)井(CAL)、聲波時(shí)差(AC)、補(bǔ)償中子(CNL)、密度測(cè)井(DEN)曲線值作為概率神經(jīng)網(wǎng)絡(luò)輸入項(xiàng)的數(shù)值自變量。這些參數(shù)可以反映儲(chǔ)層的巖性、沉積環(huán)境、物性差異及孔隙結(jié)構(gòu)情況，在對(duì)成巖相分析研究的基礎(chǔ)上，能夠較為明顯地指示儲(chǔ)層成巖相差異，劃分儲(chǔ)層的成巖相類型。

6 概率神經(jīng)網(wǎng)絡(luò)模型的建立及成巖相識(shí)別

利用MATLAB軟件建立概率神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、模式層、加和層和輸出層。輸入層參數(shù)為每個(gè)層段的沉積微相類型和測(cè)井參數(shù)的平均值，包括1個(gè)范疇自變量和6個(gè)數(shù)值自變量。

通過對(duì)鄂爾多斯盆地合水地區(qū)數(shù)口井解釋資料的研究，選取延長組長8段若干成巖相層段作為概率神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本(表1)。總共選用5 358個(gè)學(xué)習(xí)樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過66次實(shí)驗(yàn)，搜索出變量的最佳平滑因子，建立研究區(qū)8種成巖相類型的判別模式。

表1 概率神經(jīng)網(wǎng)絡(luò)部分學(xué)習(xí)樣本參數(shù)

最終訓(xùn)練所得訓(xùn)練誤差預(yù)測(cè)百分率、平均不正確概率和不正確概率標(biāo)準(zhǔn)差分別為0.018 7%、1.115 1%、4.223 0%。

將概率神經(jīng)網(wǎng)絡(luò)分析的成巖相結(jié)果與地質(zhì)專家分析的成巖相結(jié)果進(jìn)行了對(duì)比，發(fā)現(xiàn)利用概率神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的準(zhǔn)確率達(dá)到90%以上(圖3)。因此，利用沉積微相研究成果和測(cè)井特征參數(shù)進(jìn)行的成巖相識(shí)別效果顯著，對(duì)成巖相的識(shí)別精確度較高。但在識(shí)別上(特別是對(duì)差別較小的成巖相之間)仍然不可避免會(huì)產(chǎn)生誤判現(xiàn)象，此時(shí)，對(duì)于不正確概率較高的預(yù)測(cè)結(jié)果應(yīng)綜合各類因素進(jìn)行人工分析校正。

7 結(jié)論

(1)研究區(qū)成巖相在沉積體內(nèi)的分布具有一定的規(guī)律性，且不同的成巖相具有不同的測(cè)井響應(yīng)特征。該成巖相的差異，是利用概率神經(jīng)網(wǎng)絡(luò)判別成巖相的基礎(chǔ)。

(2)研究區(qū)最適合進(jìn)行成巖相分析的范疇自變量是沉積微相，最適合的測(cè)井?dāng)?shù)據(jù)是自然伽馬(GR)、自然電位(SP)、井徑測(cè)井(CAL)、聲波時(shí)差(AC)、補(bǔ)償中子(CNL)、密度測(cè)井(DEN)曲線。

(3)對(duì)比研究區(qū)成巖相的地質(zhì)專家分析結(jié)果，利用概率神經(jīng)網(wǎng)絡(luò)對(duì)成巖相進(jìn)行預(yù)測(cè)，準(zhǔn)確率達(dá)到90%以上。

(4)在有地震相研究成果的區(qū)域亦可加入地震相等其他和成巖相相關(guān)的數(shù)據(jù)作為輸入層的自變量，從而進(jìn)一步提高成巖相的預(yù)測(cè)精度。

圖3 莊29井成巖相解釋對(duì)比

［1］高輝，孫衛(wèi).鄂爾多斯盆地合水地區(qū)長8儲(chǔ)層成巖作用與有利成巖相帶［J］.吉林大學(xué)學(xué)報(bào):地球科學(xué)版，2010，40(3):542 －548.

［2］王金鵬，彭仕宓，趙艷杰，等.鄂爾多斯盆地合水地區(qū)長6—8段儲(chǔ)層成巖作用及孔隙演化［J］.石油天然氣學(xué)報(bào)，2008，30(2):170 －174.

［3］鄒才能，陶士振，周慧，等.成巖相的形成、分類與定量評(píng)價(jià)方法［J］.石油勘探與開發(fā)，2008，35(5):526－540.

［4］張響響，鄒才能，朱如凱，等.川中地區(qū)上三疊統(tǒng)須家河組儲(chǔ)層成巖相［J］.石油學(xué)報(bào)，2011，32(2):257－264.

［5］梁建設(shè)，王琪，郝樂偉，等.成巖相分析方法在南海北部深水區(qū)儲(chǔ)層預(yù)測(cè)的應(yīng)用——以珠江口盆地白云凹陷為例［J］.沉積學(xué)報(bào)，2011，29(3):503－511.

［6］張磊，龔福華，任瑞清，等.鄂爾多斯盆地胡尖山—王洼子地區(qū)長4+5儲(chǔ)層成巖作用及成巖相研究［J］.特種油氣藏，2009，16(5):40 －43.

［7］彭劉亞，崔若飛，張亞兵.概率神經(jīng)網(wǎng)絡(luò)在地震巖性反演中的應(yīng)用［J］.煤田地質(zhì)與勘探，2012，40(4):63－65.

［8］張紹紅.概率神經(jīng)網(wǎng)絡(luò)技術(shù)在非均質(zhì)地層巖性反演中的應(yīng)用［J］.石油學(xué)報(bào)，2008，29(4):549－552.

［9］楊威，魏國齊，金惠，等.碳酸鹽巖成巖相研究方法及其應(yīng)用——以揚(yáng)子地塊北緣飛仙關(guān)組鮞灘儲(chǔ)層為例［J］. 巖石學(xué)報(bào)，2011，27(3):749 －756.

［10］石玉江，肖亮，毛志強(qiáng)，等.低滲透砂巖儲(chǔ)層成巖相測(cè)井識(shí)別方法及其地質(zhì)意義——以鄂爾多斯盆地姬塬地區(qū)長8段儲(chǔ)層為例［J］.石油學(xué)報(bào)，2011，32(5):820－828.