儲層綜合識別智能模型的建立及在準噶爾盆地西北緣的應用

郭大立，許江文，賈海正，柯西軍，李雪彬

(1.西南石油大學理學院，四川 成都610500;2.新疆油田公司 工程技術研究院，新疆克拉瑪依834000;3.新疆油田公司勘探公司，新疆克拉瑪依834000)

準噶爾盆地西北緣三疊系油藏是新疆油田近年來重點勘探的儲層之一，該油藏巖性復雜，以砂礫巖為主，滲透率低，需進行壓裂改造。而儲層識別符合率低限制了該油藏的有效開發(fā)。

可能油層一般通過常規(guī)方法［1-3］辨別，其針對具體儲層情況非常有效。然而，這種方法同時考慮到的因素太少，當儲層情況非常復雜時很難得到有效的交會圖。且當處理龐大的數(shù)據(jù)量時，由于數(shù)據(jù)的模糊性、不精確性和冗余性，交會圖法常常較耗時、難操作。一些學者嘗試用智能方法和測井、錄井等數(shù)據(jù)來對歷史數(shù)據(jù)進行學習的基礎上對新的井進行識別。Zhou等［4］曾嘗試用模糊神經(jīng)網(wǎng)絡(FNN)和人工神經(jīng)網(wǎng)絡(ANN)方法識別油氣;Yang等［5］通過支持向量機方法利用測井和錄井數(shù)據(jù)識別油氣層;Elshafei和Hamada［6］于2007年利用 ANN 方法識別泥質(zhì)砂巖儲層中可能油層;Gao等［7］構件自組織映射網(wǎng)絡識別油氣以取得更好的精度;Li等［8］使用決策樹(DC)、支持向量機(SVM)和粗糙集(RS)識別低含氣飽和度油藏;Fernandes［9］使用多個神經(jīng)網(wǎng)絡模型和經(jīng)驗公式預測油氣;郭大立等［10］用神經(jīng)網(wǎng)絡對儲集層的改造效果進行了評價。

影響地下流體識別的因素很多，巖性、物性和儲層電性相應綜合反映出儲層流體信息。預測模型應該考慮到數(shù)據(jù)量的龐大、冗余、模糊性，針對實際儲層情況，以數(shù)據(jù)的精選為前提。本文在對目標區(qū)塊的資料進行統(tǒng)計分析的基礎上，建立了綜合識別儲層的智能模型。

1 儲層綜合識別模型的建立

根據(jù)影響目標區(qū)塊綜合評價的參數(shù)分析結果，本文首先采用BP神經(jīng)網(wǎng)絡［11］建立儲層識別模型。人工神經(jīng)網(wǎng)絡是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的數(shù)學模型。它通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關系，達到處理信息的目的。本文的模型由輸入層、雙隱層和輸出層組成，且采用Sigmoid功能函數(shù)的向前三層神經(jīng)網(wǎng)絡。Sigmoid功能函數(shù)

在網(wǎng)絡權值的反向?qū)W習中，采用誤差在W空間中梯度的最陡下降算法。即按式

完成對網(wǎng)絡的所有權值的修正計算。

綜合常規(guī)測井、核磁測井、錄井、巖心實驗等4類數(shù)據(jù)，結合“四性”關系，包括巖性、物性、電性和流體性質(zhì)，優(yōu)選出目標區(qū)塊的8個參數(shù)用于構建神經(jīng)網(wǎng)絡模型(圖1)。8個輸入?yún)?shù)分別是:巖性、含油級別、全烴增幅、地層電阻率(RT)、沖洗帶電阻率(RXO)、自然伽馬(GR)、滲透率、有效孔隙度。輸出層由2個參數(shù)組成，其中(1，0)代表油層，(1，1)代表油水同層，(0，1)代表水層，(0，0)代表干層，若輸出非0或1，則按四舍五入方法劃分到最近數(shù)字類別中去。

圖1 目標區(qū)塊儲層識別的三層神經(jīng)網(wǎng)絡模型(專家之一)Fig.1 Three-layer neural network model for reservoir identification of target block(one of the experts)

本文收集了123層目標區(qū)塊的輸入?yún)?shù)和輸出參數(shù)作為學習樣本。選用了90%的數(shù)據(jù)(111層)作為訓練，10% 的數(shù)據(jù)(12層)作為驗證。所有的輸入數(shù)據(jù)在訓練之前都經(jīng)過式

進行標準化處理。

同時，根據(jù)神經(jīng)網(wǎng)絡理論，隱層結點數(shù)選擇8～18較為合理，通過反復試算，隱層結點數(shù)選擇12最佳。因此，建立的神經(jīng)網(wǎng)絡模型為8×12×12×2的模型。神經(jīng)網(wǎng)絡算法在進行訓練的時候，由于初始權值隨機生成，而該權值對最終的訓練結果影響較大，為消除這種影響，本文建立10個專家來進行綜合識別。這類似于委員會機的思想。

在這10個專家中，如果有一半或者超過一半的專家識別結果一致，得到識別結果。若沒有，本文根據(jù)目標區(qū)塊的特點，尋求了另一種識別方法，即模糊聚類分析技術。與傳統(tǒng)交會圖法相比，該方法的優(yōu)勢在于可以綜合考慮多個因素的三維或多維交會，不需人工，自動實現(xiàn)，方便快捷。

聚類分析［12］(Cluster Analysis)又被稱為群分析或簇分析，是多元統(tǒng)計分析的一種，也是非監(jiān)督模式識別的一個重要分支。它把一個沒有類別標記的樣本集按某種準則劃分成若干個子集(類)，使相似的樣本盡可能歸為一類，而不相似的樣本盡量劃分到不同的類中。

針對目標區(qū)塊儲層的特點，建立模糊聚類分析模型。該模型實際上就是一個模式識別系統(tǒng)，它通過定義有監(jiān)督的FCM算法和超長方體的合并、擴展策略，得到一組能覆蓋訓練樣本集中模式類的超長方體，進而便于模糊IF—THEN分類規(guī)則的提取，以達到輸出識別結果的目的。事實上，基于模糊聚類分析模型的儲層評價也就是利用模糊聚類分析分類規(guī)則提取中規(guī)則數(shù)目不隨特征維數(shù)增加而急劇增多的優(yōu)越性，完成特征空間到儲層類型空間的模式分類識別。

應用圖2中的過程，對歷史數(shù)據(jù)進行訓練以后，即可得到相應的權值和中心，應用該結果，可進行儲層識別。根據(jù)影響儲層綜合評價的參數(shù)分析結果，本文建立的模糊聚類分析模型的輸入?yún)?shù)與神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)一致。應用該模型和算法，對收集的目標區(qū)塊的樣本進行學習，得到相應的知識。

因此，本文提出的綜合識別儲層的方法為:用10個專家(用BP神經(jīng)網(wǎng)絡獲取的知識)進行識別，如果有一半或者超過一半的專家識別結果一致，則得到識別結果，否則采用模糊聚類分析模型進行識別。綜合2種方法的優(yōu)點在于:若有大于或者等于一半的神經(jīng)網(wǎng)絡專家識別結果一致，則該識別結果的可信度高，若10個專家沒得到結果，則可綜合模糊聚類分析模型的優(yōu)點得到最終的結論。這樣可大大提高儲層識別的準確性。整個流程如圖3所示。

圖2 模糊聚類分析模型的基本框圖Fig.2 Basic block diagram of the fuzzy cluster analysis model

圖3 儲層綜合識別模型的流程圖Fig.3 Flow chart of reservoir comprehensive recognition model

2 現(xiàn)場分析與應用

基于上述模型和方法，研制相應軟件，已在目標區(qū)塊的勘探工作中發(fā)揮巨大作用，取得了顯著成果。

本文以收集的123層數(shù)據(jù)作為知識學習與獲取樣本和驗證樣本，得到10個神經(jīng)網(wǎng)絡專家知識和1個模糊聚類分析知識。10個專家學習效果均較好，訓練的符合率都在95%以上。模糊聚類分析的訓練符合率為91.43%。

應用訓練得到的專家知識，對目標區(qū)塊17層進行了現(xiàn)場應用，符合率為76.47%，大大提高了該儲層的獲油率，具體見表1。從表1可以看出，在不符合的4層中，僅有1個油水同層與1個油層的井被錯誤識別為水層。而另外2個水層被錯誤識別為油水同層與干層。因此，從勘探發(fā)現(xiàn)的角度來說，本方法的錯失油氣概率很小。

這里以F11井為例，該井的地層電阻率為48.02 Ω·m，沖洗帶電阻率為32.57Ω·m，自然伽馬為87.01 API，巖性為灰色砂礫巖，含油級別為熒光，全烴增幅為0.262 7%，孔隙度為6.7%，滲透率為3×10—3μm2。綜合識別結果見表2，10個專家中有5個專家識別結果為油層，且模糊聚類分析識別結果也為油層，因此綜合識別為油層，與實際結論相符。

本文建立的綜合識別模型適應于西北緣三疊系儲層，在對其他儲層可借鑒該方法，在對具體的儲層特征進行分析的基礎上，建立適用于具體儲層的綜合識別方法。

表1 目標區(qū)塊17層應用結果Tab.1 Application results of 17 layers in target block

表2 F11井儲層綜合識別結果Tab.2 Comprehensive recognition results of reservoir of well F11

3 結論

(1)常規(guī)的交會圖法能用到的參數(shù)較少，對復雜巖性低滲儲層的識別存在局限性。本文建立了識別儲層類型的BP神經(jīng)網(wǎng)絡法，并用10個專家(神經(jīng)網(wǎng)絡獲取的專家知識)來對儲層類型進行綜合識別。如果有大于或等于一半的專家識別結果一致，則得到綜合識別結果。若10個專家沒有判別出儲層類型，此時本文建立了識別儲層類型的模糊聚類分析方法，用來識別儲層類型。該方法的優(yōu)勢在于可以綜合考慮多個因素的三維或多維交會。

(2)應用訓練得到的專家知識，對目標區(qū)塊17層進行了識別，符合率為76.47%。該方法的效果好，可指導下一步措施方案的制定。

［1］ 程相志.低阻油氣層識別評價技術及分布規(guī)律研究［D］.北京:中國石油大學(北京)，2008.

［2］ 朱定偉，王香增，丁文龍，等.測井資料在優(yōu)質(zhì)頁巖氣儲層識別中的應用:以鄂爾多斯盆地東南部長7段黑色頁巖為例［J］.西安石油大學學報:自然科學版，2013，28(2):25-29.

ZHU Ding-wei，WANG Xiang-zeng，DING Wen-long，et al.Application of logging data in the identification of high quality shale gas reservoirs:an example from the Chang-7 black shale in southeastern Ordos Basin［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2013，28(2):25-29.

［3］ 楊玉祥.鄂爾多斯盆地北部FF區(qū)低阻油氣層評價方法［J］.西安石油大學學報:自然科學版，2010，25(5):1-5.

YANG Yu-xiang.Evaluation methods of low-resistivity reservoir in FF block in the northern Ordos Basin［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2010，25(5):1-5.

［4］ ZHOU Cheng-dang，WU Xi-ling，CHENG Ju-an.Determining reservoir properties in reservoir studies using a fuzzy neural network［C］.SPE 26430，1993.

［5］ 楊斌，匡立春，孫中春，等.一種用于測井油氣層綜合識別的支持向量機方法［J］.測井技術，2005，29(6):511-515.

［6］ Moustafa Elshafei，Gharib M Hamada.Neural network identification of hydrocarbon potential of shaly sand reservoir［C］.SPE 110959，2007.

［7］ 高榮芳，王曉燕，程國建.基于涌現(xiàn)自組織映射的油氣層識別及分析［J］.西安石油大學學報:自然科學版，2009，24(6):74-77.

GAO Rong-fang，WANG Xiao-yan，CHENG Guo-jian.I-dentification of oil and gasreservoirs based on emergent spontaneous-organizing feature maps［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2009，24(6):74-77.

［8］ LI Xiong-yan，LI Hong-qi，ZHOU Jin-yu，et al.Identification of the quaternary low gas-saturation reservoirs in the Sanhu area of the Qaidam Basin［J］.Petroleum Science，2011(8):49-54.

［9］ Mateus Fernandes.Using neural networks for determining hydrocarbons presence from well logs:A case study for alagoas basin［C］.SPE 153446，2012.

［10］郭大立，凌立蘇，許江文，等.基于神經(jīng)網(wǎng)絡的儲集層改造效果評價技術及應用［J］.新疆石油地質(zhì)，2011，32(2):181-182.

［11］田景文，高美娟.人工神經(jīng)網(wǎng)絡算法研究及應用［M］.北京:北京理工大學出版社，2006.

［12］高新波.模糊聚類分析及其應用［M］.西安:西安電子科技大學出版社，2004.