基于BP神經(jīng)網(wǎng)絡技術的儲層流動單元研究

司馬立強，肖華，袁龍，陸鳳才

（1.西南石油大學資源與環(huán)境學院，四川成都610500；2.江蘇油田勘探局地質(zhì)測井處，江蘇揚州225002）

基于BP神經(jīng)網(wǎng)絡技術的儲層流動單元研究

司馬立強1，肖華1，袁龍1，陸鳳才2

（1.西南石油大學資源與環(huán)境學院，四川成都610500；2.江蘇油田勘探局地質(zhì)測井處，江蘇揚州225002）

黃玨油田方4阜一段儲層屬低孔隙度、低滲透率儲層，儲層特性較為復雜，在進行儲層參數(shù)的求取時存在較大誤差。結(jié)合取心物性資料、測井資料，選用流動帶指數(shù)IFZ劃分方法將取心井儲層流動單元劃分成Ⅰ、Ⅱ、Ⅲ類，

并建立流動單元的識別和劃分標準。在此基礎上，利用BP神經(jīng)網(wǎng)絡技術對取心井儲層流動單元進行學習訓練，與測井曲線建立其相關的學習和預測模型，對非取心段儲層流動單元進行預測，明顯提高了測井解釋精度，為儲層精細評價提供一種較有效的研究方法。

測井解釋；流動單元；低孔隙度；低滲透率；流動帶指數(shù)；BP神經(jīng)網(wǎng)絡；黃玨油田

0 引 言

流動單元［1］是指影響流體流動的巖相和巖石物理性質(zhì)在內(nèi)部相似的、垂向上和橫向上連續(xù)的儲集巖體。在同一儲集巖體（流動單元）內(nèi)部，影響流體流動的地質(zhì)參數(shù)相似，而不同的流動單元之間，巖相和巖石物理性質(zhì)差異明顯。流動單元研究的主要目的和意義是明確剩余油的形成和分布，同時為油藏數(shù)值模擬提供可靠的分層依據(jù)。由于具體的地質(zhì)條件和實際資料的限制及研究問題的出發(fā)點不同，對流動單元的認識及研究方法也不完全一致。

本文研究對象黃玨油田方4斷塊阜一段是蘇北盆地下第三系重要的含油層段之一。該地區(qū)油層組砂體厚度變化大，空間分布復雜且非均質(zhì)性強，油層物性較差，巖心分析孔隙度主要分布在8%～12%，滲透率主要分布范圍為（0.1～1）×10－3μm2，巖石顆粒磨圓度以次棱角－次圓狀為主，分選中等。選取流動帶指數(shù)劃分法在該層段開展流動單元精細解釋、識別研究，對該區(qū)的勘探、開發(fā)有著重要的意義。由于方4阜一段儲層屬低孔隙度、低滲透率儲層，某些井在進行儲層參數(shù)（特別是滲透率）的求取時存在較大誤差，故在特征值選取時避開了求取的儲層參數(shù)，而直接利用測井曲線值作為特征變量，基于BP神經(jīng)網(wǎng)絡技術進行流動單元識別與預測，以提高流動單元識別的準確性。

1 儲層流動單元的劃分

1.1 劃分方法

流動單元往往受礦物成分和孔隙結(jié)構(gòu)控制，根據(jù)孔喉特征可以將厚層劃分為多個內(nèi)部滲流特征相似的相對均質(zhì)的流動單元。Kozeny和Catmen根據(jù)滲流力學原理利用平均水力半徑建立了孔隙度與滲透率之間關系［2］

式中，K為滲透率，×10－3μm2；φe為有效孔隙度，小數(shù)；Fs為形狀系數(shù)；τ為孔隙介質(zhì)的迂曲度，小數(shù)；Fsτ2為Kozeny常數(shù)，其為一個變常數(shù)，在流動單元之間是變化的，而在流動單元內(nèi)部是一個常數(shù)，在實際儲層中取值范圍為5～100；Sgv為單位顆粒體積比表面積，μm－1。

式（1）兩邊分別除以φe并開平方可得

如果滲透率的單位取×10－3μm2，則可以定義下列參數(shù)。油藏品質(zhì)因子

孔隙體積與巖石顆粒體積之比（標準化孔隙度指標）

流動層帶指標

IFZ是一個把巖石結(jié)構(gòu)和礦物地質(zhì)特征、孔喉特征等結(jié)合起來的綜合判定參數(shù)，因此，能較準確地描述油藏的非均質(zhì)特征。將式（5）兩邊取對數(shù)

由式（6）可知，在IRQ與φz的雙對數(shù)坐標圖上，所有具有相似IFZ值的樣品點將形成1條斜率為1的直線。不同IFZ值的樣點將形成與其平行的直線。IFZ的數(shù)值可由該斜率直線與φz＝1相交的截距確定。一般認為，屬于同一直線的樣品點具有相似的孔喉性質(zhì)，屬于同一類流動單元。而不同的流動單元，其IFZ值不同，因此，根據(jù)巖心資料計算出IRQ和IFZ之后，基于IFZ值即可劃分出流動單元。

1.2 取心段流動單元分類

從理論上講，由于儲層的非均質(zhì)性以及測量的誤差，同一類流動單元［3］的各種參數(shù)應該服從正態(tài)分布；各樣品具有相同的IFZ值，即其儲層品質(zhì)因子IRQ與標準化孔隙度指標φz的雙對數(shù)交會圖呈現(xiàn)斜率為1的直線。而N類流動單元共存時，在各參數(shù)的頻率直方圖應具有N個不同的峰值，累積頻率圖上應該呈現(xiàn)N條不同斜率直線，IRQ與φz的雙對數(shù)交會圖呈現(xiàn)N條相互平行的斜率為1的直線。

研究中對所選取的典型層樣品點分別進行了儲層品質(zhì)因子、標準化孔隙度指標、流動層帶指標的求取以及Winland孔喉半徑等參數(shù)的求取。由于低孔隙度低滲透率特性，造成該段儲層的IFZ值明顯較常規(guī)儲層低，由圖1知其主峰值分布于0.4～0.6之間。IFZ直方圖基本呈現(xiàn)多正態(tài)分布的組合（具有4～5個峰值），但是各正態(tài)分布不標準或峰值不明顯，一方面由于研究區(qū)塊為典型的低孔隙度、低滲透率儲層，巖石物性分布范圍較窄，特別是滲透率（0.1～1）×10－3μm2，這樣便造成計算的IFZ值分布范圍較窄，主要分布范圍為0.2～0.8μm，出現(xiàn)大量數(shù)據(jù)點落入同一數(shù)據(jù)范圍的情況，如落入0.2～0.8μm范圍內(nèi)的數(shù)據(jù)點約占70%；另一方面由于各層物性差距不大使巖心取樣分析數(shù)據(jù)近似較為嚴重。

圖1 方4斷塊IFZ頻率直方圖

從IFZ累積頻率圖（見圖2）可以看出，該曲線雖然沒有明顯的轉(zhuǎn)折點，整體相對比較光滑，特別是當IFZ值比較小時。該圖大致可分為4段，用4條斜率不同的直線對其進行描述。

通過K均值聚類分析確定各類流動單元的流動帶指標IFZ具體范圍。為提高劃分的準確性，根據(jù)IFZ與物性的相關性分析對一些異常IFZ值進行了刪除，如較差物性對應相對較高的IFZ值的樣品點。

由于Ⅰ類流動單元到Ⅳ類流動單元其儲層品質(zhì)逐漸變差。圖2可以看出Ⅰ、Ⅱ類流動單元所占比例較小，Ⅲ、Ⅳ類流動單元所占比例較大，這與該地區(qū)中、低產(chǎn)能儲層發(fā)育，而高產(chǎn)儲層較少的實際情況較為一致?？紤]到該地區(qū)儲層特性，如果對其儲層精細劃分時，分類越多，其劃分的不確定性越強，此時錯判的可能性較常規(guī)物性儲層大得多。又由于Ⅰ、Ⅱ類流動單元所占比例較小，所以將Ⅰ、Ⅱ類流動單元合并為一類，這樣研究區(qū)內(nèi)儲層總體分為Ⅰ、Ⅱ、Ⅲ等3類流動單元。表1為調(diào)整后每類流動單元的樣品數(shù)及所占比例。

圖2 方4斷塊IFZ累積頻率圖

表1 調(diào)整后每類流動單元的樣品數(shù)

由于物性相差較大的儲層可能具有相同的IFZ值，這樣可能降低利用IFZ進行流動單元劃分方法的準確性。根據(jù)地區(qū)具體情況，為了最大限度地限制這一問題的出現(xiàn)，利用孔隙度與滲透率對各類流動單元在大范圍進行約束。通過對壓汞、物性、試油等資料的綜合分析，將該區(qū)塊研究的儲層分為3類。得出了每類流動單元大致對應的物性范圍。表2為方4阜一段儲層流動單元分類［4］標準。圖3為分類后各流動單元的lgIRQ與lgφz的關系，由圖3可知3條趨勢線基本平行，與理論分析一致。

表2 方4斷塊阜一段流動單元分類標準

圖3 各類流動單元的lg IRQ與lgφz的關系

2 BP神經(jīng)網(wǎng)絡的應用

2.1 BP神經(jīng)網(wǎng)絡原理

BP（Back Propagation）神經(jīng)網(wǎng)絡，誤差反向傳播算法［5］的學習過程，由信息的正向傳播和誤差的反向傳播2個過程組成。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層按誤差梯度下降［6］的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡學習訓練的過程，直到網(wǎng)絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數(shù)為止。

BP神經(jīng)網(wǎng)絡模型［7］包括輸入輸出模型、作用函數(shù)模型、誤差計算模型。

2.2 基于BP神經(jīng)網(wǎng)絡的流動單元預測

（1）特征曲線的選取。選取具有代表性的數(shù)據(jù)進行學習預測，一般應選取反映孔隙結(jié)構(gòu)類型特征的自然伽馬（GR）、聲波時差（AC）、密度（DEN）、補償中子（CNL），深、淺側(cè)向電阻率（RILd，RLLs）等測井曲線作為BP神經(jīng)網(wǎng)絡判別模型的輸入變量，將IFZ劃分的流動單元類型作為輸出。

（2）數(shù)據(jù)的預處理。① 測井資料的標準化，使各類測井信息在研究區(qū)域內(nèi)有一個統(tǒng)一的刻度標準，使可能影響原始測井數(shù)據(jù)的各種系統(tǒng)誤差減至最小。② 學習樣本的選取原則：學習樣本要有代表性；包含的范圍要廣，即所要預測的樣本盡量包含在訓練樣本的范圍內(nèi)；歸一化處理。不同特征的測井數(shù)據(jù)在數(shù)值上相差很大，如果將這些數(shù)據(jù)用于同一方法的處理中，必然會造成不同特征的數(shù)據(jù)以不同的權(quán)值參加計算。文中使用了歸一化處理，對于具有近似線性特征的數(shù)據(jù)，采用線性歸一化公式［8］

對于電阻率等具有非線性特征的曲線，則采用對數(shù)歸一化公式

式中，X是經(jīng)歸一化后的測井數(shù)據(jù)，X∈［0，1］；X＊是原始測井數(shù)據(jù)、分別是原始測井數(shù)據(jù)的極大和極小值。

（3）流動單元的識別與預測。所設計的3層BP神經(jīng)網(wǎng)絡［9］采用5個輸入神經(jīng)元（GR、AC、DEN、CNL、RLLd），1個隱含層單元，隱含層單元神經(jīng)元數(shù)目范圍設為5～12個，輸出為流動單元類別。圖4為研究中實現(xiàn)流動單元預測的BP網(wǎng)絡的拓撲結(jié)構(gòu)圖。在訓練過程中，取網(wǎng)絡學習率α＝0.7，學習步長η＝0.9，允許誤差ξ＝0.001，網(wǎng)絡最大迭代次數(shù)10 000。

將網(wǎng)絡參數(shù)設置好后，即可對所選典型樣本進行網(wǎng)絡訓練。通過經(jīng)驗公式選取隱含層節(jié)點，當節(jié)點數(shù)為7時，網(wǎng)絡誤差最小，從而選擇隱含層節(jié)點數(shù)進行網(wǎng)絡訓練，當?shù)螖?shù)達到6 862次時，訓練誤差已經(jīng)達到要求，這時得到流動單元預測模型的連接權(quán)值和閾值。通過以上的步驟，調(diào)用BP神經(jīng)網(wǎng)絡預測程序，程序自動調(diào)用學習網(wǎng)絡，用建立的模型對所選的20個驗證樣本進行預測，結(jié)果見表3。對實際IFZ與預測IFZ作回歸分析（見圖5）。圖5中預測IFZ值與實際值有比較高的吻合度。

圖4 實現(xiàn)流動單元預測的BP網(wǎng)絡拓撲結(jié)構(gòu)圖

圖5 實際IFZ與預測IFZ交會圖

表3 BP神經(jīng)網(wǎng)絡預測結(jié)果表

圖6 方4斷塊某井流動單元識別成果圖

對非取心段或整個井段流動單元預測的實現(xiàn)方法：對目的層段按測井曲線數(shù)據(jù)點進行預測，即將該層段對應的特征測井曲線（GR、AC、DEN、CNL、RLLd）作為已訓練好網(wǎng)絡的輸入，輸出為每個測井數(shù)據(jù)點對應的曲線。此時，由于網(wǎng)絡比較靈敏或者局部測井曲線異常會致使某個儲層內(nèi)在某類流動單元的背景下夾雜一些比較離散的其他類型的流動單元，需要人為地對數(shù)據(jù)進行局部的修改，以保證后面參數(shù)計算時模型選擇的正確性。

利用BP神經(jīng)網(wǎng)絡建立的儲層測井類型識別模型對研究區(qū)塊儲層進行了流動單元預測（見圖6）。由圖6可知，取心段第8、15、17、27號層分別識別為Ⅰ類流動單元，第4、6號層分別識別為Ⅱ類流動單元，第28號層被識別為Ⅲ類流動單元；非取心層第5、7、26號層被識別為Ⅲ類流動單元。通過巖心層的數(shù)據(jù)分析孔隙度、滲透率與IFZ值知，利用BP網(wǎng)絡識別模型的流動單元識別結(jié)果與巖心分析的流動單元類型結(jié)果具有較好的一致性，與表2分析數(shù)據(jù)較吻合。說明該BP神經(jīng)網(wǎng)絡模型應用效果較好，可以用于該層位的其他井段儲層的流動單元預測。

應用上述方法對工區(qū)內(nèi)其他井同一層位進行了流動單元預測，預測結(jié)果與巖心分析、試油結(jié)果有良好的一致性。該方法也在川中地區(qū)須家河組中應用取得了良好的效果。

3 結(jié) 論

（1）通過測井、物性分析資料，利用流動帶指數(shù)劃分方法建立了低孔隙度低滲透率儲層流動單元劃分標準。所定標準具有一定的合理性，該區(qū)塊流動單元用本文劃分方法是可行的。

（2）在低孔隙度低滲透率復雜儲層和物性分析資料較少的情況下，某些井段在計算儲層參數(shù)時誤差較大，利用BP神經(jīng)網(wǎng)絡技術直接建立測井曲線響應特征與流動單元類型之間復雜的映射關系進行流動單元預測，提高了流動單元識別的準確性。

［1］ Hearn CL，Ebanks WJ JR，Tye RS.Geological Factors Influencing Reservoir Performance of the Hartzog Draw Field，Wyoming［J］.Petrol Tech，1984，36：1335－1344.

［2］ 宋子齊，陳榮環(huán)，康立明，等.儲層流動單元劃分及描述的分析方法［J］.西安石油大學學報：自然科學版，2005，20（3）：56－59.

［3］ 李祖兵，羅明高，馬斌.非均質(zhì)綜合指數(shù)法劃分儲層流動單元［J］.新疆地質(zhì)，2005，23（2）：203－206.

［4］ 李陽，劉建明.流動單元研究的原理和方法［J］.北京：地質(zhì)出版社，2005，6：11－19.

［5］ Koboon T.The Seh－organizing Map［J］.Proceedings of the IEEE，1990，78（9）：7－18.

［6］ 肖慈珣，婁建立，譚世君，等.神經(jīng)網(wǎng)絡技術用于測井解釋的評述［J］.物探化探計算技術，1996，18（3）：219－224.

［7］ 高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例［M］.北京：機械工業(yè)出版社，2003：44－54.

［8］ 鄒長春，嚴成信，李學文.神經(jīng)網(wǎng)絡在棗北地區(qū)火成巖儲層測井解釋中的應用［J］.石油地球物理勘探，1997，32（增刊2）：27－331.

［9］ 焦李成.神經(jīng)網(wǎng)絡系統(tǒng)理論［M］.西安：西安電子科技大學出版社，1992：35－48.

Research on Reservoir Flow Unit Based on BP Neural Network Technology

SIMA Liqiang1，XIAO Hua1，YUAN Long1，LU Fengcai2
（1.Department of Resource and Environment，Southwest Petroleum University，Chengdu，Sichuan 610500，China；2.Geological Logging Division of Jiangsu Petroleum Exploration Bureau，Yangzhou，Jiangsu 225002，China）

Fang 4block reservoir with low porosity and low permeability is complex in Huangjue oilfield，so，reservoir parameter calculated has bigger error.Combining with coring formation property material and log data，the reservoir is divided into three types of flow units by flow zone index（IFZ）.Established are the recognition and division standards of the flow units.Based on this，BP neural network technology is used to learn and train the reservoir flow units of coring wells.With such a technology，directly built is the mapping relation between log responses and flow unit types so as to learn and predict the flow units in the coring wells or non－coring wells.Log interpretation accuracy is obviously improved，which provides an effective way for fine reservoir interpretation.

log interpretation，flow unit，low porosity，low permeability，flow zone index，BP neural network，Huangjue oilfield

P631.84

A

2011－12－26 本文編輯 余迎）

1004－1338（2012）04－0421－05

司馬立強，男，1961年生，教授，從事油氣田測井方法、測井解釋、測井地質(zhì)應用等領域的科研與教學工作。