基于測(cè)井曲線(xiàn)自動(dòng)分層的巖性識(shí)別方法研究

吳非 王衛(wèi) 王佳琦

關(guān)鍵詞：測(cè)井?dāng)?shù)據(jù);曲線(xiàn)分層;交會(huì)圖;BP神經(jīng)網(wǎng)絡(luò);支持向量機(jī);巖性識(shí)別

1緒論

地層巖性識(shí)別在水平井與地層關(guān)系解釋、及隨鉆導(dǎo)向評(píng)價(jià)等方面具有的重要的研究意義。目前，可以通過(guò)巖屑錄井、取芯和測(cè)井資料的處理解釋等方式來(lái)獲取地下三維空間的巖性信息。在巖性識(shí)別過(guò)程中，主要以sP、GR、AC、RT、DEN和CN等曲線(xiàn)作為巖性響應(yīng)特征數(shù)據(jù)，實(shí)現(xiàn)對(duì)測(cè)井曲線(xiàn)分層、巖性識(shí)別和預(yù)測(cè)進(jìn)行分析。而測(cè)井曲線(xiàn)分層、不同巖性識(shí)別方法對(duì)識(shí)別結(jié)果影響很大。

測(cè)井曲線(xiàn)分層一直是關(guān)注的熱點(diǎn)。目前，測(cè)井曲線(xiàn)分層主流的方法有人工智能、數(shù)理統(tǒng)計(jì)和非數(shù)理統(tǒng)計(jì)等方法。雍世和認(rèn)為測(cè)井曲線(xiàn)的數(shù)值變化不大的可以歸為同一層，不同的層其差別比較大，就是所謂的層內(nèi)差異法，基于統(tǒng)計(jì)學(xué)方法的測(cè)井曲線(xiàn)分層有李廣場(chǎng)的有序聚類(lèi)分析和Danilo R.Velis的變點(diǎn)分析法。閻輝等提出了小波變換方法的非數(shù)理統(tǒng)計(jì)方法。近年來(lái)人工智能的興起，相關(guān)的算法也在測(cè)井曲線(xiàn)分層中有較多方法的應(yīng)用，如劉春桃等提出了基于神經(jīng)網(wǎng)絡(luò)的測(cè)井曲線(xiàn)分層方法，梁亞納等提出了基于支持向量機(jī)測(cè)井曲線(xiàn)分層方法等。上述方法各有優(yōu)劣，數(shù)理統(tǒng)計(jì)方法計(jì)算量大，但數(shù)學(xué)理論嚴(yán)密;非數(shù)理統(tǒng)計(jì)方法一般只考慮局部或整體，不適合于多因素綜合;人工智能方法受樣本數(shù)據(jù)影響較大，如果樣本訓(xùn)練準(zhǔn)確率較高，則識(shí)別的效果相對(duì)較好。

巖性識(shí)別方法更是受專(zhuān)家和學(xué)者探討和研究的熱點(diǎn)之一。國(guó)內(nèi)外關(guān)于這兩方面的研究比較成熟，交會(huì)圖技術(shù)法是利用測(cè)井資料進(jìn)行巖性識(shí)別的常用方法，隨著IT技術(shù)的發(fā)展和多學(xué)科的交叉融合應(yīng)用，模式識(shí)別領(lǐng)域的人工智能方法也被引入到巖性識(shí)別中來(lái)，比如：聚類(lèi)分析法、BP神經(jīng)網(wǎng)絡(luò)等方法。

總之，現(xiàn)有研究主要單一的考慮測(cè)井曲線(xiàn)分層方法或者巖性識(shí)別方法，并沒(méi)有很好地結(jié)合二者對(duì)分層的數(shù)據(jù)采取不同的識(shí)別方法或者測(cè)井資料進(jìn)行巖性識(shí)別，同時(shí)對(duì)各種識(shí)別方法缺少對(duì)比分析。本文先采用移動(dòng)平均方法，主要利用自然伽馬（GR）曲線(xiàn)進(jìn)行分層，然后根據(jù)不同的分層結(jié)果使用相對(duì)應(yīng)的測(cè)井資料和交會(huì)圖、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等方法方法進(jìn)行識(shí)別，識(shí)別結(jié)果與井壁取芯樣本以及MATLAB識(shí)別結(jié)果基本一致。

2數(shù)據(jù)處理與曲線(xiàn)分層

2.1數(shù)據(jù)處理

目前，國(guó)內(nèi)主要的測(cè)井?dāng)?shù)據(jù)處理解釋軟件支持的主流數(shù)據(jù)格式主要有LAS和WIS等，LAS和WIS有相似的數(shù)據(jù)存放結(jié)構(gòu)，其數(shù)據(jù)的組成包括標(biāo)題塊和數(shù)據(jù)塊兩部分。標(biāo)題塊主要包含井名，采樣的起始值、終止值及測(cè)井曲線(xiàn)名等，如下圖1所示，x1井?dāng)?shù)據(jù)格式。其中存在無(wú)效值，因此需要對(duì)其進(jìn)行數(shù)據(jù)處理。

2.2基于測(cè)井曲線(xiàn)自動(dòng)分層

在隨鉆導(dǎo)向井與地層關(guān)系的解釋過(guò)程中，首要的任務(wù)就是要基于測(cè)井?dāng)?shù)據(jù)進(jìn)行地質(zhì)分層。測(cè)井曲線(xiàn)分層的目的是為了提高巖性識(shí)別的準(zhǔn)確率，特別是對(duì)于復(fù)雜儲(chǔ)層，分層處理顯得更為重要，對(duì)不同的儲(chǔ)層可以選取不同的樣本數(shù)據(jù)和不同研究方法，以提高巖性識(shí)別的穩(wěn)定性和正確性。本文提出了一種移動(dòng)平均算法，該算法的詳細(xì)步驟描述如下：

步驟1：首先設(shè)定移動(dòng)平均法的步長(zhǎng)n，一般可以n取8個(gè)數(shù)據(jù)，對(duì)i到i+2n，i+n到i+3n，i+2n到i+4n，…進(jìn)行移動(dòng)平均求解，因此每相鄰的n個(gè)測(cè)井曲線(xiàn)的移動(dòng)平均值為：

式中：為測(cè)井曲線(xiàn)數(shù)據(jù)，代表in節(jié)點(diǎn)處的平均值。同時(shí)記錄當(dāng)前索引點(diǎn)：

步驟2：設(shè)定曲線(xiàn)變化率的閾值P，P值初始可以定為30至60左右，發(fā)現(xiàn)不合適時(shí)可以交互修改直至結(jié)果滿(mǎn)意為止。如果兩相鄰的節(jié)點(diǎn)A和A差值小于閾值P，則對(duì)其進(jìn)行合并，求A與A和的平均值作為新的均值，刪除集合I中kn值。

步驟3：求索引點(diǎn)集合I的移動(dòng)均值，并將求得移動(dòng)均值記為V。

步驟4：設(shè)定巖性變化幅度閾值Y，Y值一般需要考慮目標(biāo)井所在的儲(chǔ)層情況來(lái)取值，對(duì)集合V進(jìn)行判斷，如果V.大于給定的閾值Y，則該層對(duì)應(yīng)的巖性歸為第一大類(lèi);否則，該層對(duì)應(yīng)的巖性歸為第二大類(lèi)。

3巖性識(shí)別方法及應(yīng)用

3.1交會(huì)圖法

測(cè)井曲線(xiàn)交會(huì)圖版方法是一種測(cè)井資料的解釋技術(shù)，它是基于測(cè)井曲線(xiàn)數(shù)據(jù)標(biāo)給出可識(shí)別的圖像的圖版。它需要在平面上把兩種不同的測(cè)井曲線(xiàn)進(jìn)行交會(huì)，并根據(jù)兩曲線(xiàn)的交點(diǎn)，標(biāo)定出未知變量的值和范圍的方法。巖石的主要礦物成分與一些微量元素具有很強(qiáng)的相關(guān)性。因此根據(jù)不同的測(cè)井資料，應(yīng)選取與其合適的微量元素（Mg、A1、si等）作交會(huì)圖來(lái)識(shí)別巖性。然而在測(cè)井中自然伽馬、中子、密度、光電吸收界面指數(shù)等對(duì)不同巖性的反應(yīng)比較靈敏，因此選擇自然伽馬、中子、密度、光電吸收界面指數(shù)比較合適，該方法在巖性識(shí)別中應(yīng)用廣泛，但在復(fù)雜巖性識(shí)別中，如果不作特殊處理，其直接識(shí)別巖性的準(zhǔn)確率較低。

3.2 BP神經(jīng)網(wǎng)絡(luò)

該網(wǎng)絡(luò)由Rumethart等人于1985年提出，是一種前饋網(wǎng)絡(luò)，又稱(chēng)為誤差反向傳播網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)是一種由輸入層、隱含層和輸出層3層組成的網(wǎng)絡(luò)結(jié)構(gòu)，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2所示。該方法主要是采用AC曲線(xiàn)、GR曲線(xiàn)、RT曲線(xiàn)和sP曲線(xiàn)等來(lái)預(yù)測(cè)地層的巖性，該方法也是目前巖性識(shí)別的主流方法之一，識(shí)別巖性的準(zhǔn)確率高，應(yīng)用廣泛。

3.3支持向量機(jī)

支持向量機(jī)（sVM）是屬于模式識(shí)別中的一種新的方法，它的明顯優(yōu)勢(shì)主要在于對(duì)小樣本數(shù)據(jù)和非線(xiàn)性關(guān)系等方面的識(shí)別問(wèn)題，其顯著特點(diǎn)在于數(shù)學(xué)形式簡(jiǎn)單、人機(jī)交互設(shè)置參數(shù)少，并且能尋找到極值解，該方法也是目前主流的巖性識(shí)別方法之一，識(shí)別巖性的準(zhǔn)確率相對(duì)較高，應(yīng)用廣泛。

3.4應(yīng)用

本文以A油田x1井?dāng)?shù)據(jù)為例，采用傳統(tǒng)方式對(duì)整口井不分層段直接用巖性響應(yīng)特征曲線(xiàn)數(shù)據(jù)進(jìn)行全井段識(shí)別，交會(huì)圖、神經(jīng)網(wǎng)絡(luò)以及支持向量的識(shí)別率只有60%至80%識(shí)別準(zhǔn)確率，有的井識(shí)別率甚至低于50%。本文先根據(jù)明碼格式的測(cè)井曲線(xiàn)結(jié)構(gòu)，將數(shù)據(jù)劃分為標(biāo)題塊+數(shù)據(jù)塊，對(duì)其中存在的無(wú)效值進(jìn)行處理，再利用移動(dòng)平均的方法對(duì)測(cè)井曲線(xiàn)進(jìn)行分層，在分層過(guò)程中，主要采用GR曲線(xiàn)作為特征曲線(xiàn)進(jìn)行分層，分層結(jié)果如下圖3所示。

為了提高巖性識(shí)別正確率，在自動(dòng)分層的基礎(chǔ)上，將巖性響應(yīng)特征數(shù)據(jù)按變質(zhì)巖、巖漿巖和沉積巖等巖性分大類(lèi)分別處理，針對(duì)不同的巖性大類(lèi)生成不同的交會(huì)圖版和學(xué)習(xí)樣本，并對(duì)目標(biāo)井各選取上述提到的三方法進(jìn)行巖性識(shí)別，并與商業(yè)軟件MATLAB提供的支持向量機(jī)算法識(shí)別結(jié)果進(jìn)行對(duì)比，取3580～3610米左右的井段識(shí)別的結(jié)果如圖4所示。

通過(guò)識(shí)別結(jié)果的對(duì)比分析，得出以下幾點(diǎn)認(rèn)識(shí)：（1）在分層處理基礎(chǔ)上，按大類(lèi)分別設(shè)置不同參數(shù)和方法進(jìn)行巖性識(shí)別，其識(shí)別結(jié)果更加準(zhǔn)確，如圖中所展示的三種巖性識(shí)別結(jié)果都和實(shí)際相符;（2）井壁取芯處三種方法的巖性識(shí)別都相同，其他地方存在細(xì)微的差別;（3）通過(guò)圖4對(duì)比分析，可以發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)和支持向量的識(shí)別相似度較高，且識(shí)別正確率達(dá)到90%以上。（4）與商業(yè)軟件MATLAB進(jìn)行識(shí)別結(jié)果對(duì)比，結(jié)果基本一致，說(shuō)明按分層處理后的識(shí)別方法達(dá)到了商業(yè)軟件識(shí)別效果，本方法具有很好的推廣價(jià)值。

4結(jié)語(yǔ)

本文提出了一種基于移動(dòng)平均對(duì)GR等測(cè)井曲線(xiàn)進(jìn)行自動(dòng)分層方法，能快速標(biāo)定出不同的層對(duì)應(yīng)的大類(lèi)巖性，并對(duì)不同的大類(lèi)巖性指定合適的巖性響應(yīng)測(cè)井?dāng)?shù)據(jù)，作為交會(huì)圖圖版和樣本學(xué)習(xí)的原始數(shù)據(jù)，然后分別采用支持向量機(jī)、交會(huì)圖和BP神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行巖性識(shí)別以進(jìn)行對(duì)比。通過(guò)自動(dòng)分層的各種識(shí)別方法能夠有效地提高巖性識(shí)別率，為測(cè)井資料處理、解釋等工作提供了很好的指引。通過(guò)對(duì)比這三種方法與井壁取芯樣本點(diǎn)巖性以及MATLAB識(shí)別結(jié)果，說(shuō)明基于自動(dòng)分層巖性識(shí)別方法的有較高的準(zhǔn)確率，其推廣價(jià)值較高。