基于模式識別的稠油油藏復(fù)雜巖性識別方法

李民, 陳科貴, 楊智, 張家浩, 劉鑫

(1.西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院, 四川 成都 266100; 2.新疆油田公司勘探開發(fā)研究院, 新疆 克拉瑪依 834000)

0 引 言

在復(fù)雜巖性油氣藏的研究中,傳統(tǒng)的巖性識別方法,如交會圖法、重疊法等[1]無法有效識別儲層巖性。模式識別法[2]被應(yīng)用到測井解釋巖性識別中,模式識別方法主要包括聚類分析法、貝葉斯(Bayes)判別法、費歇(Fisher)判別法、神經(jīng)網(wǎng)絡(luò)、支持向量機(SVM)以及極限學(xué)習(xí)機(ELM)等[3-4]。聚類分析法屬于無監(jiān)督的分類,其他幾種方法則屬于有監(jiān)督的分類,兩者區(qū)別在于實驗樣本所屬類別是否已經(jīng)知道[5]。基于這一特點,有監(jiān)督分類效果在多數(shù)情況下要優(yōu)于無監(jiān)督分類[6-8]。

新疆風(fēng)城油田某井區(qū)侏羅系八道灣組(J1b)油藏為典型的稠油油藏,儲層段巖性以中-細砂巖、含礫砂巖和砂礫巖為主,含少量粉砂巖、泥巖和煤層,薄巖層較多,巖性錯綜復(fù)雜,傳統(tǒng)的交會圖法無法有效識別儲層巖性。本文基于模式識別法,分別利用費歇判別法、BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機3種方法,對風(fēng)城油田八道灣組儲層巖性進行識別,均得到了不錯的應(yīng)用效果。

1 不同巖性測井響應(yīng)特征

研究區(qū)所使用的測井項目主要有自然電位、井徑、自然伽馬、密度、微球聚焦及雙側(cè)向測井,輸出SP、CAL、GR、DEN、Rxo、Ri及Rt共7條測井曲線。圖1為利用FZ034井的取心資料建立的巖心剖面圖。由巖心剖面圖可以看出,中-細砂巖物性最好,測井曲線顯示為低自然伽馬、低密度、高電阻率,自然電位呈現(xiàn)明顯幅度的異常(487.5～490.6 m段);砂礫巖物性變化較大,測井曲線顯示為低自然伽馬、較高密度、較高電阻率,自然電位具有一定的異常幅度(505.5～509.5 m段);含礫砂巖物性較好,測井曲線顯示為低自然伽馬、較低密度、高電阻率,自然電位具有較為明顯的異常幅度(504.5～505.5 m段);粉砂巖的物性較差,測井曲線顯示為高自然伽馬、高密度、低電阻率,自然電位異常幅度小(486.7～487.5 m段);泥巖為非儲層,測井曲線顯示為高自然伽馬、較高密度、極低電阻率,自然電位平直無異常(510～501.5 m段);煤層的測井曲線表現(xiàn)為低自然伽馬和極低密度(509.5～510 m段)。

圖1 巖心剖面與測井關(guān)系圖*非法定計量單位,1 ft=12 in=0.308 4 m,下同

2 模式識別法識別巖性

2.1 選取樣本數(shù)據(jù)

根據(jù)研究區(qū)取心資料,可以將八道灣組油層巖性劃分為5種。本文共選取12口取心井的巖心分析數(shù)據(jù)作為模式識別法識別巖性的實驗數(shù)據(jù),共計496個樣本,樣本覆蓋研究區(qū)所有種類巖性(見表1)。將選取的樣本分為訓(xùn)練樣本集、參數(shù)測試樣本集以及驗證樣本集3種,其中訓(xùn)練樣本集包括5口井的202個樣本,參數(shù)測試樣本集包括2口井的86個樣本,其余5口井的208個樣本為驗證樣本集。

表1 巖性實驗樣本分布統(tǒng)計表

2.2 費歇判別法

費歇判別法是利用投影的原理,將多維問題簡化為低維度問題進行處理,其優(yōu)勢在于對數(shù)據(jù)的分布、方差等不進行限制,應(yīng)用范圍較廣[9]。測井解釋中,利用費歇判別法識別巖性步驟:①提取具有代表性的測井曲線參數(shù),對巖性進行分類;②利用相關(guān)軟件求取典則函數(shù),建立巖性判別分析圖版;③建立巖性識別模型。

研究區(qū)GR、Rt、Ri、Rxo、DEN這5條測井曲線能夠較好地反映巖性的變化,因而使用這5個測井參數(shù)進行判別分析。本文從訓(xùn)練樣本集中,選取83個樣本點,利用典則函數(shù)F1、F2建立判別圖版(見圖2)。這里由于費歇函數(shù)為線性函數(shù),而電阻率并非線性規(guī)律變化,為了更好地建立判別函數(shù),故使用電阻率的自然對數(shù)形式lnRt進行計算。

F1=0.27GR+13.676lnRt-7.543lnRi+

2.368lnRxo-15.161DEN-10.575

(1)

F2=0.17GR+15.218lnRt-9.195lnRi+

0.241lnRxo+44.311DEN-135.291

(2)

式中,F1、F2為典則判別函數(shù),無量綱;GR為自然伽馬測井值,API;Rt為深側(cè)向電阻率測井值,Ω·m;Ri為淺側(cè)向電阻率測井值,Ω·m;Rxo為沖洗帶電阻率測井值,Ω·m;DEN為密度測井值,g·cm-3。

圖2 八道灣組巖性Fisher判別函數(shù)交會圖

由費歇判別分析結(jié)果可以得到各類巖性分類模型,計算公式為

f1=20.585GR+1984.118lnRt-1134.77lnRi+43.736lnRxo+6262.319DEN-9693.258

(3)

f2=22.644GR+1985.782lnRt-1097.473lnRi+54.73lnRxo+5806.232DEN-8888.513

(4)

f3=25.7GR+2207.459lnRt-219.538lnRi+61.91lnRxo+6209.833DEN-10428.972

(5)

f4=20.03GR+1844.083lnRt-990.971lnRi+7.385lnRxo+6227.832DEN-9474.465

(6)

f5=22.126GR+1956.272lnRt-1075.191lnRi+47.199lnRxo+5741.98DEN-8662.982

(7)

式中,f1、f2、f3、f4、f5為巖性概率函數(shù),分別對應(yīng)粉砂巖、砂礫巖、含礫砂巖、泥巖、中-細砂巖,無量綱。當(dāng)進行巖性判別時,需要對5種巖性的概率依次進行計算,計算得到的5種巖性函數(shù)值中得分最高者即為該樣本的歸屬分類,例如f1的計算值若最大,則該樣本識別為粉砂巖。

2.3 BP神經(jīng)網(wǎng)絡(luò)識別法

BP神經(jīng)網(wǎng)絡(luò)采用多層前饋網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)算法,在解決內(nèi)部機制復(fù)雜的問題時有著非常好的效果。神經(jīng)網(wǎng)絡(luò)的建立很大程度上依賴于學(xué)習(xí)樣本的可靠性,盡可能多地選擇帶有明顯特征、具有普遍代表性的學(xué)習(xí)樣本,排除明顯異常的樣本點以及薄層、巖性界面處的樣本點,可以提高預(yù)測結(jié)果的正確性[10]。

選取訓(xùn)練樣本集中全部的202個訓(xùn)練樣本,所有樣本均符合上述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本的選擇條件。同樣選擇GR、Rt、Ri、Rxo、DEN這5條對巖性較為敏感的測井曲線,進行分類訓(xùn)練。為了防止網(wǎng)絡(luò)訓(xùn)練時陷入局部極小并且消除測井曲線中與地層性質(zhì)無關(guān)的響應(yīng),在分類訓(xùn)練前,需要對樣本數(shù)據(jù)進行歸一化預(yù)處理,即將數(shù)據(jù)限制在[0,1]區(qū)間內(nèi)。其中,電阻率測井曲線具有非線性對數(shù)特征,因此,電阻率測井值需要作對數(shù)歸一化處理。將歸一化后作為輸入曲線(其中Ri、Rt利用對數(shù)歸一化),構(gòu)建了5×10×10×1的網(wǎng)絡(luò)結(jié)構(gòu)(見圖3),訓(xùn)練次數(shù)上限設(shè)置為50 000次,極限誤差設(shè)置為0.000 1。網(wǎng)絡(luò)訓(xùn)練完畢,樣本的相關(guān)系數(shù)R達到0.999 95,整個操作過程耗時30 min以上。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.4 極限學(xué)習(xí)機識別法

極限學(xué)習(xí)機(ELM)作為一種針對單隱含層前饋神經(jīng)網(wǎng)絡(luò)的新型算法,與傳統(tǒng)的訓(xùn)練方法相比,極限學(xué)習(xí)機具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點。不同于其他網(wǎng)絡(luò)算法在訓(xùn)練過程中需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱元的偏置,極限學(xué)習(xí)機只需要選擇好激勵函數(shù)、設(shè)置隱含層的節(jié)點個數(shù),便可以獲得唯一的最優(yōu)解,極限學(xué)習(xí)機的出現(xiàn),給網(wǎng)絡(luò)算法的使用,提供了一個新的選擇[11-12]。

本文優(yōu)選網(wǎng)絡(luò)訓(xùn)練中常用的Sigmoidal函數(shù)[見式(8)]作為激勵函數(shù),利用已經(jīng)選好的86個參數(shù)測試樣本,確定隱層節(jié)點個數(shù)。測試開始,將隱層節(jié)點數(shù)設(shè)置為20,之后隱層節(jié)點個數(shù)每次增加20個,由此分析不同隱層節(jié)點數(shù)對ELM識別巖性正確率的影響(見圖4)。

(8)

圖4 Sigmoidal激勵函數(shù)測試正確率

圖4給出了隱層節(jié)點個數(shù)在20～420變化時Sigmoidal函數(shù)測試正確率的變化情況,表現(xiàn)為正確率隨隱層節(jié)點個數(shù)的增加而提高,并且變化趨勢趨于穩(wěn)定。當(dāng)隱層節(jié)點數(shù)大于350時,分類的正確率達到90%左右,并且趨于穩(wěn)定。為確保識別結(jié)果的準(zhǔn)確性,本文隱層節(jié)點數(shù)設(shè)置為400,選取與BP神經(jīng)網(wǎng)絡(luò)相同的訓(xùn)練樣本和測井參數(shù),對研究區(qū)巖性進行分類。從選取激勵函數(shù)到確定隱含層的節(jié)點數(shù),整個過程耗時不到3 min。

3 應(yīng)用實例分析

為了驗證各方法的應(yīng)用效果,本文選取了驗證樣本集全部5口取心井的208個樣本點,分別利用費歇判別法、BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機3種方法進行巖性識別,并對識別結(jié)果對比分析。表2列出了3種模式識別方法的驗證結(jié)果,3種方法在巖性識別中均取得了較好的效果。費歇判別法識別巖性平均正確率為81.2%,而采用BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機的巖性識別效果要比費歇判別法更好,平均正確率分別為90.3%和92%。

根據(jù)上述實驗分析結(jié)果,本文選取研究區(qū)FZ018取心井,對八道灣組儲層巖性進行識別,圖5為取心井387～ 405 m井段巖心剖面與3種巖性識別方法的結(jié)果圖。通過與巖心柱狀圖對比,可以看出,3種方法均收到了不錯的效果,只是在薄巖層及巖性復(fù)雜多變的井段,BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機2種方法的識別效果要更好一些。

表2 3種模式識別方法結(jié)果對比

圖5 取心井FZ018巖性識別應(yīng)用實例*非法定計量單位,1 ft=12 in=0.304 8 m,下同

4 結(jié) 論

(1) 費歇判別法、BP神經(jīng)網(wǎng)絡(luò)以及極限學(xué)習(xí)機3種模式識別方法在測井巖性識別中均有不錯的應(yīng)用效果。費歇判別法具有繁瑣的計算過程和判別標(biāo)準(zhǔn),工作量大;BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機均屬于新型網(wǎng)絡(luò)算法,2種方法在巖性識別正確率要優(yōu)于費歇判別法,且均可由計算機自動分類,操作簡單,識別效率高。

(2) 在樣本相同的情況下,極限學(xué)習(xí)機方法在使用方面要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)需要人為設(shè)置大量參數(shù),參數(shù)設(shè)置不當(dāng),容易導(dǎo)致訓(xùn)練收斂速度慢、分類正確率不高。而極限學(xué)習(xí)機只需在訓(xùn)練前選擇適當(dāng)?shù)募詈瘮?shù)、和隱含層節(jié)點個數(shù),就可以很好的對巖性進行識別分類。

參考文獻:

[1] 雍世和, 張超謨, 等. 測井?dāng)?shù)據(jù)處理與綜合解釋 [M]. 東營: 中國石油大學(xué)出版社, 2007.

[2] 楊淑瑩. 模式識別與智能計算 [M]. 北京: 電子工業(yè)出版社, 2008.

[3] BISHOP C M. Pattern Recognition and Machine Learning [M]. Springer, 2006

[4] 胡紅, 曾恒英, 梁海波, 等. 基于主成分分析和學(xué)習(xí)矢量化的神經(jīng)網(wǎng)絡(luò)巖性識別方法 [J]. 測井技術(shù), 2015, 39(5): 586-590.

[5] DUDA R O, HART P E, STORK D G. 模式分類 [M]. 2版. 李宏東, 譯. 北京: 機械工業(yè)出版社,

2003.

[6] 馬海, 王延江, 胡睿, 等. 測井巖性識別新方法研究 [J]. 地球物理學(xué)進展, 2009, 24(1): 263-269.

[7] 尋知鋒, 余繼峰. 聚類和判別分析在測井巖性識別中的應(yīng)用 [J]. 山東科技大學(xué)學(xué)報(自然科學(xué)版), 2008, 27(5): 10-13.

[8] 周繼宏, 袁瑞. 基于支持向量機的復(fù)雜碎屑巖儲層巖性識別 [J]. 石油天然氣學(xué)報, 2012, 34(7): 72-75+6.

[9] 鐘沖, 郭強. 費歇爾判別法及其應(yīng)用 [J]. 西南交通大學(xué)學(xué)報, 2008, 43(1): 136-141.

[10] 楊斌, 匡立春, 孫中春, 等. 神經(jīng)網(wǎng)絡(luò)及其在石油測井中的應(yīng)用 [M]. 北京: 石油工業(yè)出版社, 2005.

[11] HUANG G B, ZHU Q Y, SIEW C K. Extreme Learning Machine: Theory and Applications [J]. Neurocomputing, 2006, 70(1-3): 489-501.

[12] 蔡磊, 程國建, 潘華賢. 極限學(xué)習(xí)機在巖性識別中的應(yīng)用 [J]. 計算機工程與設(shè)計, 2010, 31(9): 2010-2012.