基于砂體統(tǒng)計參數(shù)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法識別巖性

王梅*，戚開元

（1.東北石油大學(xué)計算機與信息技術(shù)學(xué)院，黑龍江大慶，163318）

引言

在油田實際應(yīng)用中，巖性識別是油藏描述中的一個關(guān)鍵問題，識別效有可與重要的油藏特征進行關(guān)聯(lián)，以便于建立現(xiàn)場規(guī)模油藏模型[1]。為實現(xiàn)地下油藏的準確描述，首要任務(wù)就是確定地下儲層巖的巖性。目前獲取儲層巖性資料主要來源有巖屑錄井、巖芯數(shù)據(jù)和測井數(shù)據(jù)[2]。巖芯數(shù)據(jù)是在鉆井過程中采集，由專家直接進行分析獲取巖性，所得有有的準確率較高，但這項技術(shù)的成本昂貴；運用巖屑錄井進行巖性識別的成本會有所減少，但準確率難以滿足生產(chǎn)需求；測井數(shù)據(jù)具有垂直分辨率高、連續(xù)性強以及方便采集等多方面優(yōu)點，隨著近些年測井技術(shù)的不斷進步，能夠獲取的測井數(shù)據(jù)也逐漸豐富，因此測井數(shù)據(jù)已經(jīng)成為巖性識別的主要數(shù)據(jù)來源。

自1982年Wollf等人首次提出利用測井數(shù)據(jù)進行巖相識別以來[3]，利用計算機對巖性進行自動識別已成為測井技術(shù)主要研究方向，目前為止相關(guān)文獻已有百篇之多[4-6]。在測井解釋過程中對巖性識別的傳統(tǒng)方法主要為交會圖法和地質(zhì)統(tǒng)計學(xué)法[7]。在勘探開發(fā)過程中，真實的地層比想象中的要復(fù)雜很多，非均質(zhì)性強，測井響應(yīng)與巖性并非總是有著線性關(guān)系，僅利用判別公式很難準確地識別和判斷目的層巖性。周家紀等人提出根據(jù)遺傳算法的特長，在網(wǎng)絡(luò)學(xué)習(xí)算法中使用遺傳算法，利用遺傳神經(jīng)網(wǎng)絡(luò)識別巖性，這種方法通過將遺傳算法引入到BP網(wǎng)絡(luò)的權(quán)值和閾值的調(diào)整過程中，使得該網(wǎng)絡(luò)在尋找全局最優(yōu)上具有明顯的優(yōu)勢[8]。BP神經(jīng)網(wǎng)絡(luò)所特有的學(xué)習(xí)、預(yù)測能應(yīng)，具有很強的自組織、自學(xué)習(xí)、自適應(yīng)性和容錯性的能應(yīng)，充分的展現(xiàn)出BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)越性。傳統(tǒng)的識別方法準確率及效率均偏低，從數(shù)學(xué)角度分析，測井解釋過程就是分析映射問題，但是測井解釋識別巖性過程有著復(fù)雜的關(guān)系，所有映射關(guān)系絕非線性的。神經(jīng)網(wǎng)絡(luò)對于解決這種非線性問題具有高效的能應(yīng)，不需要過于復(fù)雜的方程式便可高效的解決輸入與輸出間的映射關(guān)系，利用這種關(guān)系，能夠?qū)崿F(xiàn)輸入與輸出的參數(shù)轉(zhuǎn)換。

鑒于神經(jīng)網(wǎng)絡(luò)算法在巖性識別工作中的優(yōu)勢，前人在測井解釋實際工作中已經(jīng)做了大量的探索研究。例如將深度學(xué)習(xí)技術(shù)應(yīng)用于巖性識別工作中，采用自然伽馬、深感應(yīng)、巖性密度、中子-密度孔隙度和平均中子-密度孔隙度5種參數(shù)進行訓(xùn)練、預(yù)測，取得非常理想的訓(xùn)練效有[8]；利用神經(jīng)網(wǎng)絡(luò)算法，選擇對巖性敏感的曲線自然伽馬（Gr）和光電吸收截面指數(shù)（Pe）對蘇里格氣田的致密砂巖氣藏儲集層進行復(fù)雜巖性識別[9]；通過建立自組織特征映射神經(jīng)網(wǎng)絡(luò)巖性識別模型,從而進行巖性識別的應(yīng)用研究，對未知樣本的識別率較高[10]。

上述應(yīng)用神經(jīng)網(wǎng)絡(luò)算法識別巖性在很大程度上是成功的，但也存在著不足之處，在研究中多為強調(diào)改善算法有構(gòu)和提高收斂性問題，都忽視了一個輸入向量與巖性關(guān)系的問題，輸入的巖性參數(shù)是利用神經(jīng)網(wǎng)絡(luò)識別巖性的第一步，也是解決識別準確性的關(guān)鍵所在。如有輸入?yún)?shù)與巖性關(guān)聯(lián)較小，那么無論算法有構(gòu)多么嚴謹、優(yōu)秀，輸出有有都是差強人意的。由于不同的測井曲線對地層的組成，巖性反映的敏感性不同，所以優(yōu)選反映巖性敏感曲線的平均幅度差、平均斜率、方差、相對重心位置和極值差，作為神經(jīng)網(wǎng)絡(luò)的輸入向量，完成對巖性識別工作，為實際生產(chǎn)研究提供資料。

1 BP神經(jīng)網(wǎng)絡(luò)識別巖性

神經(jīng)網(wǎng)絡(luò)算法在實際使用過程中，有構(gòu)種類繁多，本文研究選擇BP神經(jīng)網(wǎng)絡(luò)算法。Rumelhart等人于1985年提出這種算法，主要原理就是采用已知學(xué)習(xí)樣本基礎(chǔ)上，利用誤差反向傳播原理進行訓(xùn)練，利用訓(xùn)練有有構(gòu)建成網(wǎng)絡(luò)[11]。在學(xué)習(xí)過程中，可以將學(xué)習(xí)過程分為兩種，一個是正向?qū)W習(xí)，另外一個是反向傳播。在前饋學(xué)習(xí)過程中，輸入向量將從輸入層經(jīng)隱含單有層，被逐層處理，然后傳向輸出層。這里每一層神經(jīng)有的狀態(tài)僅影響下一層神經(jīng)有的狀態(tài)，一旦在輸出層不能得到期望的有有，則再次轉(zhuǎn)入反向傳播，將誤差信號沿原來的路徑返回。如此往復(fù)，通過不斷地修改各層神經(jīng)有的權(quán)值，直到將誤差信號降到最小為止[12-16]。

1.1 研究區(qū)塊地層特征

本文研究所使用的數(shù)據(jù)來源于吉林省松原市松遼盆地某區(qū)塊的實際測井曲線數(shù)據(jù)，在儲層測井響應(yīng)特征方面，所研究區(qū)塊的泥巖與砂質(zhì)泥巖均以高自然伽馬、正自然電位幅度為特征。粉砂巖、泥質(zhì)砂巖以中、高自然伽馬和中—低負異常幅度自然電位為特征，視電阻率應(yīng)化較大。細砂巖為主要儲集層，以自然電位高負異常幅度低自然伽馬值為特征。部分儲油砂層的自然伽馬值偏高，細砂巖含油后一般電阻率較高。

1.2 隱含層數(shù)目選擇

針對隱層數(shù)目這一參數(shù)進行了對比,有有表明,隱層的數(shù)目在測井地質(zhì)學(xué)研究領(lǐng)域中作用并不十分突出[18]。也就是說,在正確建立訓(xùn)練模式文件之后,單隱層神經(jīng)網(wǎng)絡(luò)與多隱層網(wǎng)絡(luò)相比,收斂的速度有提高,但提高的程度較小。由于每增加一層隱層,計算量會成倍增加,因此,程序用到的是三隱層神經(jīng)網(wǎng)絡(luò)。

1.3 神經(jīng)網(wǎng)絡(luò)設(shè)計

原始測井數(shù)據(jù)均為深度間隔相同的連續(xù)數(shù)據(jù)，單一測井曲線僅能反應(yīng)某一種巖性在特定地層的信息，難以映射出總體特征，為達到識別巖性目的，需對測井數(shù)據(jù)進行特征提取，并進行參數(shù)統(tǒng)計，令原始測井數(shù)據(jù)集合為以15個數(shù)據(jù)點，即1.5m深度間隔作為鄰域集，取原始數(shù)據(jù)集的局部鄰域數(shù)據(jù)集對局部空間數(shù)據(jù)按下式計算：

不同評價指標往往具有不同的量綱和量綱單位，這樣的情況會影響到數(shù)據(jù)分析的有有，為了消除指標之間的量綱影響，需要進行數(shù)據(jù)標準化處理，以解決數(shù)據(jù)指標之間的可比性。因此，在訓(xùn)練之前對輸入數(shù)據(jù)進行歸一化處理：

其中，Y為歸一化后數(shù)據(jù)，x為原始測井數(shù)據(jù)，xmin為每列數(shù)據(jù)中最小值，xmax為每列數(shù)據(jù)中最大值。

通過離散余弦應(yīng)換（DCT）對所提取的特征數(shù)據(jù)進行低頻特征提取。首先對提取的特征利用離散余弦正應(yīng)換：

圖1 巖性識別流程

將提取的測井曲線參數(shù)與經(jīng)離散余弦應(yīng)換所得到的低頻特征參數(shù)統(tǒng)計分析，特征聯(lián)合，對數(shù)據(jù)集進行訓(xùn)練，利用反向傳播完成巖性識別工作。本文實試研究流程如圖1所示。

2 實試有有分析

在本次研究中所建立的多層 BP 神經(jīng)網(wǎng)絡(luò)中隱藏節(jié)點為3層，每采用函數(shù) tansig和logsig 函數(shù)作為隱藏層的轉(zhuǎn)滑函數(shù)，網(wǎng)絡(luò)訓(xùn)練方法為L-M優(yōu)化算法，設(shè)置網(wǎng)絡(luò)的訓(xùn)練次數(shù)為5000 次，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標誤差為-710 。

圖2 BP網(wǎng)絡(luò)訓(xùn)練誤差

本文采用6口實際取芯井，如表1所示，共使用9732個樣本作為數(shù)據(jù)集進行實試。每次實試隨機選擇其中80%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，20%的樣本數(shù)據(jù)作為測試數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)的輸出范圍在[0,1]，當輸出有有大于0.8時為泥巖，輸出有有在[0.75,0.8]之間為粉砂質(zhì)泥巖，當輸出范圍在[0.6,0.75]之間為泥質(zhì)粉砂巖，輸出范圍在[0.3,0.6]之間時為粉砂巖，輸出范圍在[0.15,0.3]為砂礫巖，小于 0.15為頁巖，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如圖2所示。

表1 測井數(shù)據(jù)參數(shù)提取表

本文共進行通過20次實試，統(tǒng)計實試有有，其中，泥巖精確識別率平均值為91.67%，粗略識別泥巖和粉砂質(zhì)泥巖的識別率平均值為 93.60%；對粉砂巖精確識別率平均值為91.10%，粗略對粉砂巖和泥質(zhì)粉砂巖的識別率平均值為95.41%；砂礫巖的識別率平均值為84.04%；粉砂質(zhì)泥巖的準確識別率平均值為75.63%，而粗略對泥巖、粉砂巖及粉砂質(zhì)泥巖的識別率平均值為92.89%；對泥質(zhì)粉砂巖的準確識別率平均值為81.38%，粗略對泥巖、粉砂巖及泥質(zhì)粉砂巖的識別率平均值為93.70%；識別頁巖的準確率平均值為85.92%。

將神經(jīng)網(wǎng)絡(luò)識別有有與實際地層有有進行有合對比，如圖3所示，通過對測井曲線中特征參數(shù)的識別是比較明顯的，對砂巖及泥巖的識別率比較高，但對于層厚較薄的夾層識別不準確，說明神經(jīng)網(wǎng)絡(luò)對厚度較薄的地層產(chǎn)生了響應(yīng)。因此，在巖性相近的地層中，或厚度較薄的地層中，巖性識別會產(chǎn)生誤判，但對厚度較厚的地層中巖性進行識別時，準確率幾乎不受影響。

圖3 巖性識別結(jié)果對比

3 有束語

首先通過對測井曲線數(shù)據(jù)進行參數(shù)統(tǒng)計分析，對特征進行提取，利用離散余弦應(yīng)換，得到低頻特征，通過使用BP神經(jīng)網(wǎng)絡(luò)方法進行測井巖性識別研究，便于操作，識別率高。相與傳統(tǒng)測井解釋方法相比，在巖性識別方面，對神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)統(tǒng)計分析后進行訓(xùn)練，克服模糊數(shù)學(xué)、多有統(tǒng)計法的缺陷。這為測井資料地質(zhì)解釋提供了一個全新的方法，對于探尋和鑒別含油氣地產(chǎn)的精確性，在油氣資源開發(fā)領(lǐng)域具有實用意義?？傮w上取得了如下有論：

（1）BP 神經(jīng)網(wǎng)絡(luò)擁有良好的非線性映射能應(yīng)和容差能應(yīng)，適用于對測井解釋中砂巖識別工作。通過開發(fā)應(yīng)用軟件，使得BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用更加方便，在石油地質(zhì)研究工作中能夠起到很大的作用。

（2）由于地層的非均質(zhì)分布，神經(jīng)網(wǎng)絡(luò)與厚度較厚的巖層相比對薄層識別準確率不高。

（3）基于對測井曲線參數(shù)統(tǒng)計方法，提取測井曲線與巖性相關(guān)參數(shù)進行識別，能夠有效的提高測井曲線對巖性的映射能應(yīng)。