單元偉
摘 要: 近年來,隨著計算機技術(shù)的飛速發(fā)展,涌現(xiàn)出許多新方法新技術(shù),人工神經(jīng)網(wǎng)絡(luò)技術(shù)就是其中之一。神經(jīng)網(wǎng)絡(luò)模型的語言識別、圖像處理等方面獲得了有價值的應(yīng)用和進展,其研究成果也很快被引入到油氣田勘探開發(fā)領(lǐng)域,其中包括資料的處理及解釋。將計算機神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于錄井行業(yè),處理受鉆井條件影響大、地質(zhì)條件復(fù)雜,油氣水層識別有一定困難的錄井資料解釋中,已成為目前國內(nèi)錄井行業(yè)探索的一個方向。
關(guān)鍵詞: 神經(jīng)網(wǎng)絡(luò); 氣測錄井; 油氣層識別; BP算法
中圖分類號: TN911?34 文獻標(biāo)識碼: A 文章編號: 1004?373X(2014)04?0021?04
Application of neural network technology in interpretation of well logging parameters
SHAN Yuan?wei1,2
(1. Xian Resesrch Institute Co., Ltd of China Coal Technology & Engineering Group Corp, Xian 710054, China;
2.Xian University of Science and Technology, Xian 710054, China)
Abstract:Artificial neural network technology is one of the new methods and technologies springing up along with the rapid development of computer technology in recent years. Valuable application and progress of neural network model have been achieved in the fields of speech reorganization and image processing. Its research findings have been introduced to the oil and gas field exploration and development, including the processing and interpretation of documents. It has become a new direction of domestic investigation in well logging to apply the artificial neural network technology to the logging of well. It is capable of processing and explaining well logging documents collected from the wells which are greatly influenced by the condition of well drilling, located in complicated geological conditions, and are difficult in oil?gas?water layers identification.
Keywords: neural network; gas well logging; oil layer identification; BP algorithm
0 引 言
在對氣測錄井檢測評價油氣儲層技術(shù)的研究中,錄井作為一種直接手段,在我國石油勘探中發(fā)揮著重要的作用,為油田的發(fā)現(xiàn)和發(fā)展做出了重要貢獻。隨著錄井技術(shù)的不斷發(fā)展,錄井解釋評價方法也在不斷進步,如三角圖版法和3H比值法改變了早期的定性解釋評價方法[1]、由于定性解釋評價受人為因素影響很大,雖然這些方法是不錯的有效方法,但在使用過程中并非完美。比如在同一油氣區(qū)使用這兩種解釋方法總結(jié)出的數(shù)據(jù)不一定復(fù)合[2]。因此,為了進一步發(fā)現(xiàn)新油層,擴大地質(zhì)儲量,要求用更先進的錄井解釋配套技術(shù)來提高油氣層發(fā)現(xiàn)率,滿足油田勘探開發(fā)的需要。
基于神經(jīng)網(wǎng)絡(luò)的信號濾波、譜估計、信號檢測、系統(tǒng)識別等技術(shù)[3],在自動控制、石油勘探、機器人、通信、雷達等領(lǐng)域有著廣泛的應(yīng)用。神經(jīng)網(wǎng)絡(luò)主要有以下四種基本模型,即Hopfield神經(jīng)網(wǎng)絡(luò)、多層感知器、自組織神經(jīng)網(wǎng)絡(luò)和概率神經(jīng)網(wǎng)絡(luò)[4]。本文章涉及的神經(jīng)網(wǎng)絡(luò)是多層感知器。應(yīng)用該技術(shù)進行油氣層識別,目前已有成功的范例。
1 神經(jīng)網(wǎng)絡(luò)基本原理
多層感知器是最常用的一種神經(jīng)網(wǎng)絡(luò)。它由一個輸入層、幾個隱含層和一個輸出層組成,每個層都由多個神經(jīng)元組成,神經(jīng)元的輸入通過傳遞函數(shù)輸出,各個層上的神經(jīng)元用權(quán)值相互連接,構(gòu)成網(wǎng)絡(luò)系統(tǒng)[5],如圖1所示。
多層感知器屬于映射型神經(jīng)網(wǎng)絡(luò)。它的信息處理功能實際上是把N0維歐幾里德空間中的子空間A映射成Nm維歐幾里德空間中的子空間f(A),如圖2所示。比如,把輸入樣本(錄井、測井?dāng)?shù)據(jù))通過復(fù)雜的數(shù)學(xué)變換關(guān)系變換成輸出樣本[6]。
三層感知器是目前應(yīng)用較多的一種,是一種典型的前神經(jīng)饋網(wǎng)絡(luò),理論上也較為成熟[7]。它由輸出層、隱含層、輸出層組成,第k層的神經(jīng)元Y(k)應(yīng)具有下列輸入/輸出關(guān)系:
[Y(k)=f(W(k-1))×Y(k-1)-θ(k))] (1)
式中:f(·)為神經(jīng)元的傳遞函數(shù),[f(x)=1(1+e-(x-θ))];W(K-1)為神經(jīng)元之間的連接強度;q(k) 為對應(yīng)神經(jīng)元的閾值。
利用式(1)可以求出網(wǎng)絡(luò)總輸入與總輸出的關(guān)系。實際上,代表輸入/輸出關(guān)系的有關(guān)信息主要分布在神經(jīng)元之間的連接強度上,即不同的連接強度反映著不同的輸入/輸出關(guān)系[8]。
圖1 神經(jīng)網(wǎng)絡(luò)示意圖
圖2 輸入與輸出的映射關(guān)系
可以證明,對于三層感知器,存在這種映射關(guān)系:
定理1 對于[?]e>0和任意的L2函數(shù)f:[0,1][N0][?RN0][→RNm],總存在著一個三層感知器,使得感知器完成的映射與f的均方差小于e。
定理2 隱層神經(jīng)元數(shù)目為2N0+1的三層感知器可以精確實現(xiàn)任意的連續(xù)映射f:[0,1][N0][?][RN0→RNm](Kolmogorov定理)。
第一個定理證明,對于三層感知器,在[0,1]范圍內(nèi)的輸入/輸出樣本,一定存在一種關(guān)系,使輸出的樣本與預(yù)期的結(jié)論可以逼近;第二個定理進一步證明對于隱含層為奇數(shù)(2N+1)的三層感知器,可以實現(xiàn)定理一的效果。這樣問題就歸結(jié)為尋找隱含層為奇數(shù)的三層感知器的連接權(quán)值(強度)上[9]。
在研究中,已知的是A[?][0,1]中若干個錄井參數(shù)樣本集[Y01,Y02,…,Y0I]和試油結(jié)論樣本集[YM1,YM2,…,YMI],而非準(zhǔn)確知道映射關(guān)系f。此時,網(wǎng)絡(luò)的連結(jié)權(quán)值W可通過求解下列優(yōu)化問題學(xué)習(xí)得到:
[minWIYMI-YmI2] (2)
式中[YmI]為式(1)計算的理論值。
所謂的權(quán)值學(xué)習(xí),就是不斷地調(diào)整W,使[YMI]與[YmI]的空間距離最小,以期最終的W所確定的網(wǎng)絡(luò)能在最小二乘意義上逼近所對應(yīng)的映象關(guān)系f。
2 數(shù)據(jù)處理
2.1 數(shù)據(jù)規(guī)一化
在進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前,要對原始樣本數(shù)據(jù)進行歸一化處理,以保證樣本矢量空間在[0,1]范圍內(nèi),采用的公式是:
[Y=(X-Xmin)(Xmax-Xmin)] (3)
式中:Y為處理結(jié)果;X為輸入數(shù)據(jù);Xmin為輸入數(shù)據(jù)最小值;Xmax輸入數(shù)據(jù)最大值。
2.2 數(shù)據(jù)編碼
對數(shù)據(jù)進行分類編碼是神經(jīng)網(wǎng)絡(luò)識別系統(tǒng)常用的一種方法,它可以加快神經(jīng)網(wǎng)絡(luò)的收斂速度[10]。采用了231個層位的20多項泥漿錄井參數(shù),經(jīng)過試驗性訓(xùn)練,從中篩選了15項對輸出貢獻較大的參數(shù),并依據(jù)統(tǒng)計規(guī)律進行了數(shù)據(jù)編碼,做為網(wǎng)絡(luò)的輸入(樣本參數(shù)編碼方案見表1);輸出樣本(試油結(jié)論)的編碼是以試油日產(chǎn)液量為依據(jù),并根據(jù)地質(zhì)勘探公司《探井解釋符合率統(tǒng)計規(guī)范》和錄井公司《綜合錄井文件匯編》中對地層流體性質(zhì)的定義(見表2、表3),給出了6個編碼結(jié)論(見表4),作為網(wǎng)絡(luò)的輸出。
3 應(yīng)用實例
持水率試驗中持水率(S)是采油過程的一項重要參數(shù)。它是含水(W)和流量(L)的函數(shù):S=F(L,W)。通常是固定流量數(shù)據(jù),使持水率成為含水的一元函數(shù),做出一組持水率?含水關(guān)系曲線圖板,通過人工查找持水率?含水關(guān)系曲線圖板(它由是一組曲線組成)求持水率。為了求出連續(xù)的流量對持水率的影響,我們使用138組樣本數(shù)據(jù)(含水、流量、持水率)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
對原始數(shù)據(jù)用式(3)進行歸一化,產(chǎn)生138組樣本數(shù)據(jù),利用這些樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,經(jīng)過20 000次訓(xùn)練學(xué)習(xí)以后,神經(jīng)網(wǎng)絡(luò)的輸出持水率與實測持水率關(guān)系曲線如圖3所示,可以看出,理論數(shù)據(jù)已趨向?qū)崪y數(shù)據(jù)。
表1 輸入數(shù)據(jù)編碼
表2 工業(yè)油氣流標(biāo)準(zhǔn)
表3 干層產(chǎn)液量標(biāo)準(zhǔn)
表4 輸出樣本編碼
圖3 網(wǎng)絡(luò)的輸出與實測數(shù)據(jù)關(guān)系曲線
將231個層位的錄井參數(shù)作為訓(xùn)練樣本,這些參數(shù)包括井名(地區(qū))、井深、巖性、C1、C1P、C2、C2P、C3、C3P、IC4、IC4P、IC5、NC5,對這些參數(shù)進行編碼后形成28個神經(jīng)元(見表1),將它們做為網(wǎng)絡(luò)輸入樣本參數(shù);輸出樣本是根據(jù)油、氣、水的日產(chǎn)液量(試油結(jié)論),分類為油層、油水同層、差油層、差油水層、水層、致密層,編碼后形成三個神元(見表4),做為網(wǎng)絡(luò)的輸出樣本參數(shù);利用三層神經(jīng)網(wǎng)絡(luò),分別設(shè)定隱含層為1,3,5,…,19,21,…,51,進行訓(xùn)練學(xué)習(xí),檢驗其收斂性,如圖4所示。從圖4明顯可以看出,在隱含層為19、21個神經(jīng)元時,神經(jīng)網(wǎng)絡(luò)收斂最快。
圖4 隱含層與網(wǎng)絡(luò)收斂的關(guān)系
采用21個隱含神經(jīng)元對231組樣本進行訓(xùn)練學(xué)習(xí),共訓(xùn)練7晝夜,當(dāng)誤差小于0.2時,訓(xùn)練學(xué)習(xí)結(jié)束,其連接權(quán)值如圖5所示。其中第1~28列表示輸入層上每個神經(jīng)元與隱含層神經(jīng)元(第29列)的連接權(quán)值,第29列是隱含層神經(jīng)元的序號,第Y1,Y2,Y3列表示從隱含層神經(jīng)元到輸出層神經(jīng)元的權(quán)值。從圖5中看出,權(quán)值分布并不均勻,有強有弱,它就是我們要求的映射關(guān)系。從權(quán)值分布圖圖6上可以更清楚看到這一點,權(quán)值明顯收斂在6個區(qū)間內(nèi),并且它們的值有高有低。這可能和輸出的6種結(jié)論(油層、油水同層、差油層、差油水層、水層、干層),以及它們的訓(xùn)練強度(次數(shù))有關(guān)。
圖5 網(wǎng)絡(luò)權(quán)值表
圖6 神經(jīng)網(wǎng)絡(luò)分布區(qū)域圖
本次試驗平均回判率為84.8%,其詳細統(tǒng)計分析數(shù)據(jù)見表5。
表5 231組樣本回判率分析表
本次試驗的231組樣本數(shù)據(jù)分類(根據(jù)試油數(shù)據(jù),分成油層、油水同層、差油層、差油水層、水層、致密層6類)比重(各種類型所占的比例)不均勻,對我們的訓(xùn)練結(jié)果產(chǎn)生了一定的影響。占分類比重大的回判率高,否則較低(見表5)。對油層的識別率為87.9(占28.6),對水層的識別率為94.3(占38.1),如表5所示。因此神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的分類比重最好均勻一些。
在試驗過程中,發(fā)現(xiàn)井名對回判結(jié)果也有較大的影響。分析原因是它含有地區(qū)信息,將含有地區(qū)信息的井名作為一項參數(shù),編碼后一同參與訓(xùn)練,并獲得了較好的效果,解釋符合率提高了10~20個百分點。
用13個層位的新井?dāng)?shù)據(jù)進行試解釋,成果見表6;其中第10層是趙117井在深度為2 940 m左右,試油是水層,網(wǎng)絡(luò)解釋是油層,它的錄井參數(shù)為 鉆時:10 min、C1:8.9%,C2:0.8%,C3:0.644,IC4:0.154,NC4:0.242%,IC5:0.15,NC5:0.023。從參數(shù)上可以看出,重組份含量較高,計算氣油比值為119,可能為重質(zhì)油或水淹層,應(yīng)進一步從地質(zhì)、錄井、電測、試油等資料上查找原因(這次的網(wǎng)絡(luò)識別試驗沒有用到電測資料);第5,13號層情況與第10號層都類似,提醒在老井復(fù)查時注意這些情況。本次解釋,油層解釋符合率為100%,水層解釋符合率是60%,綜合解釋率為76.9%。由于解釋樣本太少(共13層),這不能完全代表本神經(jīng)網(wǎng)絡(luò)的解釋精度。
表6 解釋結(jié)論統(tǒng)計表
4 結(jié) 語
近年來,在測井和地震勘探領(lǐng)域,都在油氣藏描術(shù)方面做過大量的研究工作,認(rèn)為錄井行業(yè)對油氣藏描術(shù)最有發(fā)言權(quán)。因為有大量的第一手資料(地質(zhì)的、氣測的和化驗分析的),而且由于專業(yè)的性質(zhì),所采用觀測手段比其他的(測井的和地震的)更直接。利用這些資料,采用神經(jīng)網(wǎng)絡(luò)的方法,去描述油藏的(或油層、或油柱)含油性、物性、壓力、產(chǎn)能,在技術(shù)上是可行的。
參考文獻
[1] 蔣宗禮.人工網(wǎng)絡(luò)神經(jīng)導(dǎo)論[M].北京:高等教育出版社,2001.
[2] 宋宜樹.神經(jīng)網(wǎng)絡(luò)在錄井氣測中的應(yīng)用[J].西部探礦工程,2005(11):94?95.
[3] 曹義親,柳健,彭復(fù)員.BP網(wǎng)絡(luò)在錄井氣測解釋中的應(yīng)用[J].華東交通大學(xué)學(xué)報,1996(2):46?49.
[4] 孫開瓊,周云才.改進的神經(jīng)網(wǎng)絡(luò)算法及其在油層識別中的應(yīng)用[J].石油機械,2004(3):28?30.
[5] 陳遵德,朱廣生.Kohonen網(wǎng)絡(luò)在油氣層橫向預(yù)測中的應(yīng)用[J].石油物探,1995(2):53?56.
[6] 彭復(fù)員,劉洪,柳健.遙感圖象分類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化及學(xué)習(xí)算法改進[M].武漢:華中理工大學(xué)出版社,1994.
[7] 湯新梁.自由手寫體數(shù)字識別的神經(jīng)網(wǎng)絡(luò)方法[J].東南大學(xué)學(xué)報,1991(5):61?63.
[8] 胡守仁.神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M].長沙:國防科技大學(xué)出版社,1993.
[9] 何小榮,陳丙珍,胡山鷹,等.一種新的BP神經(jīng)網(wǎng)絡(luò)培訓(xùn)方法[J].化工學(xué)報,1994(5):573?579.
[10] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安:西安電子科技大學(xué)出版社,1991.
在試驗過程中,發(fā)現(xiàn)井名對回判結(jié)果也有較大的影響。分析原因是它含有地區(qū)信息,將含有地區(qū)信息的井名作為一項參數(shù),編碼后一同參與訓(xùn)練,并獲得了較好的效果,解釋符合率提高了10~20個百分點。
用13個層位的新井?dāng)?shù)據(jù)進行試解釋,成果見表6;其中第10層是趙117井在深度為2 940 m左右,試油是水層,網(wǎng)絡(luò)解釋是油層,它的錄井參數(shù)為 鉆時:10 min、C1:8.9%,C2:0.8%,C3:0.644,IC4:0.154,NC4:0.242%,IC5:0.15,NC5:0.023。從參數(shù)上可以看出,重組份含量較高,計算氣油比值為119,可能為重質(zhì)油或水淹層,應(yīng)進一步從地質(zhì)、錄井、電測、試油等資料上查找原因(這次的網(wǎng)絡(luò)識別試驗沒有用到電測資料);第5,13號層情況與第10號層都類似,提醒在老井復(fù)查時注意這些情況。本次解釋,油層解釋符合率為100%,水層解釋符合率是60%,綜合解釋率為76.9%。由于解釋樣本太少(共13層),這不能完全代表本神經(jīng)網(wǎng)絡(luò)的解釋精度。
表6 解釋結(jié)論統(tǒng)計表
4 結(jié) 語
近年來,在測井和地震勘探領(lǐng)域,都在油氣藏描術(shù)方面做過大量的研究工作,認(rèn)為錄井行業(yè)對油氣藏描術(shù)最有發(fā)言權(quán)。因為有大量的第一手資料(地質(zhì)的、氣測的和化驗分析的),而且由于專業(yè)的性質(zhì),所采用觀測手段比其他的(測井的和地震的)更直接。利用這些資料,采用神經(jīng)網(wǎng)絡(luò)的方法,去描述油藏的(或油層、或油柱)含油性、物性、壓力、產(chǎn)能,在技術(shù)上是可行的。
參考文獻
[1] 蔣宗禮.人工網(wǎng)絡(luò)神經(jīng)導(dǎo)論[M].北京:高等教育出版社,2001.
[2] 宋宜樹.神經(jīng)網(wǎng)絡(luò)在錄井氣測中的應(yīng)用[J].西部探礦工程,2005(11):94?95.
[3] 曹義親,柳健,彭復(fù)員.BP網(wǎng)絡(luò)在錄井氣測解釋中的應(yīng)用[J].華東交通大學(xué)學(xué)報,1996(2):46?49.
[4] 孫開瓊,周云才.改進的神經(jīng)網(wǎng)絡(luò)算法及其在油層識別中的應(yīng)用[J].石油機械,2004(3):28?30.
[5] 陳遵德,朱廣生.Kohonen網(wǎng)絡(luò)在油氣層橫向預(yù)測中的應(yīng)用[J].石油物探,1995(2):53?56.
[6] 彭復(fù)員,劉洪,柳健.遙感圖象分類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化及學(xué)習(xí)算法改進[M].武漢:華中理工大學(xué)出版社,1994.
[7] 湯新梁.自由手寫體數(shù)字識別的神經(jīng)網(wǎng)絡(luò)方法[J].東南大學(xué)學(xué)報,1991(5):61?63.
[8] 胡守仁.神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M].長沙:國防科技大學(xué)出版社,1993.
[9] 何小榮,陳丙珍,胡山鷹,等.一種新的BP神經(jīng)網(wǎng)絡(luò)培訓(xùn)方法[J].化工學(xué)報,1994(5):573?579.
[10] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安:西安電子科技大學(xué)出版社,1991.
在試驗過程中,發(fā)現(xiàn)井名對回判結(jié)果也有較大的影響。分析原因是它含有地區(qū)信息,將含有地區(qū)信息的井名作為一項參數(shù),編碼后一同參與訓(xùn)練,并獲得了較好的效果,解釋符合率提高了10~20個百分點。
用13個層位的新井?dāng)?shù)據(jù)進行試解釋,成果見表6;其中第10層是趙117井在深度為2 940 m左右,試油是水層,網(wǎng)絡(luò)解釋是油層,它的錄井參數(shù)為 鉆時:10 min、C1:8.9%,C2:0.8%,C3:0.644,IC4:0.154,NC4:0.242%,IC5:0.15,NC5:0.023。從參數(shù)上可以看出,重組份含量較高,計算氣油比值為119,可能為重質(zhì)油或水淹層,應(yīng)進一步從地質(zhì)、錄井、電測、試油等資料上查找原因(這次的網(wǎng)絡(luò)識別試驗沒有用到電測資料);第5,13號層情況與第10號層都類似,提醒在老井復(fù)查時注意這些情況。本次解釋,油層解釋符合率為100%,水層解釋符合率是60%,綜合解釋率為76.9%。由于解釋樣本太少(共13層),這不能完全代表本神經(jīng)網(wǎng)絡(luò)的解釋精度。
表6 解釋結(jié)論統(tǒng)計表
4 結(jié) 語
近年來,在測井和地震勘探領(lǐng)域,都在油氣藏描術(shù)方面做過大量的研究工作,認(rèn)為錄井行業(yè)對油氣藏描術(shù)最有發(fā)言權(quán)。因為有大量的第一手資料(地質(zhì)的、氣測的和化驗分析的),而且由于專業(yè)的性質(zhì),所采用觀測手段比其他的(測井的和地震的)更直接。利用這些資料,采用神經(jīng)網(wǎng)絡(luò)的方法,去描述油藏的(或油層、或油柱)含油性、物性、壓力、產(chǎn)能,在技術(shù)上是可行的。
參考文獻
[1] 蔣宗禮.人工網(wǎng)絡(luò)神經(jīng)導(dǎo)論[M].北京:高等教育出版社,2001.
[2] 宋宜樹.神經(jīng)網(wǎng)絡(luò)在錄井氣測中的應(yīng)用[J].西部探礦工程,2005(11):94?95.
[3] 曹義親,柳健,彭復(fù)員.BP網(wǎng)絡(luò)在錄井氣測解釋中的應(yīng)用[J].華東交通大學(xué)學(xué)報,1996(2):46?49.
[4] 孫開瓊,周云才.改進的神經(jīng)網(wǎng)絡(luò)算法及其在油層識別中的應(yīng)用[J].石油機械,2004(3):28?30.
[5] 陳遵德,朱廣生.Kohonen網(wǎng)絡(luò)在油氣層橫向預(yù)測中的應(yīng)用[J].石油物探,1995(2):53?56.
[6] 彭復(fù)員,劉洪,柳健.遙感圖象分類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化及學(xué)習(xí)算法改進[M].武漢:華中理工大學(xué)出版社,1994.
[7] 湯新梁.自由手寫體數(shù)字識別的神經(jīng)網(wǎng)絡(luò)方法[J].東南大學(xué)學(xué)報,1991(5):61?63.
[8] 胡守仁.神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)[M].長沙:國防科技大學(xué)出版社,1993.
[9] 何小榮,陳丙珍,胡山鷹,等.一種新的BP神經(jīng)網(wǎng)絡(luò)培訓(xùn)方法[J].化工學(xué)報,1994(5):573?579.
[10] 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論[M].西安:西安電子科技大學(xué)出版社,1991.