基于細(xì)菌覓食算法的砂礫巖巖性識(shí)別方法

王飛+邊會(huì)媛+韓雪+張意+張永浩

摘要：砂礫巖儲(chǔ)層巖性復(fù)雜多變，母巖成分變化大，孔隙結(jié)構(gòu)復(fù)雜，難以精確劃分巖性并建立準(zhǔn)確的解釋模型，導(dǎo)致儲(chǔ)層參數(shù)計(jì)算精度不高。針對(duì)松遼盆地梨樹斷陷砂礫巖儲(chǔ)層特點(diǎn)，選擇多組分體積模型作為該地區(qū)的測(cè)井解釋模型，將該地層看成由局部均勻的孔隙、泥質(zhì)、石英、長(zhǎng)石、巖屑等5部分組成。根據(jù)多組分體積模型建立相應(yīng)的測(cè)井響應(yīng)方程，引入細(xì)菌覓食算法作多組分礦物模型的優(yōu)化算法，將優(yōu)化結(jié)果與巖芯分析孔隙度及全巖礦物分析的體積分?jǐn)?shù)進(jìn)行對(duì)比，結(jié)果驗(yàn)證了細(xì)菌覓食算法反演砂礫巖儲(chǔ)層多組分礦物模型的可靠性。采用該方法對(duì)松遼盆地砂礫巖儲(chǔ)層測(cè)井資料進(jìn)行處理，取得了較好的結(jié)果。

關(guān)鍵詞：測(cè)井解釋；砂礫巖；細(xì)菌覓食算法；多組分礦物模型；最優(yōu)化反演；巖性；孔隙度；松遼盆地

中圖分類號(hào)：P618.130.2；TE122文獻(xiàn)標(biāo)志碼：A

Identification Method of Sandyconglomerate Lithology Based on Bacterial Foraging Algorithm

WANG Fei1， BIAN Huiyuan2， HAN Xue3， ZHANG Yi3， ZHANG Yonghao4

（1. School of Geology Engineering and Geomatics， Changan University， Xian 710054， Shaanxi， China；

2. College of Geology and Environment， Xian University of Science and Technology， Xian 710054，

Shaanxi， China； 3. The First Branch of the Logging Company， Shengli Petroleum Engineering Co. Ltd.，

Dongying 257200， Shandong， China； 4. CNPC Logging Co. Ltd.， Xian 710077， Shaanxi， China

）

Abstract： Sandyconglomerate reservoir lithology is complex， composition variation of parent rock is large， pore structure is complex and strong heterogeneity， so that it is difficult to accurately divide lithology and build accurate interpretation model， resulting in low reservoir parameter calculation accuracy. Based on the characteristics of sandyconglomerate reservoir in Lishu fault of Songliao Basin， a multicomponent volume model was established for well logging interpretation， and the stratum was taken as the combination of local homogeneous pore， muddy， quartz， feldspar and rock debris. According to the multicomponent volume model， the corresponding log response equation was built， and the bacterial foraging algorithm was taken as the optimal solution of multicomponent mineral model， and then the optimized results were compared with the porosity by core analysis and the volume fraction by wholerock mineral analysis. The results verify that the bacteria foraging algorithm is reliable for the inversion of sandyconglomerate multicomponent mineral model. Based on bacteria foraging algorithm， the result is good for the well logging interpretation of sandyconglomerate reservoir in Songliao Basin.

Key words： well logging interpretaton； sandyconglomerate； bacterial foraging algorithm； multicomponent mineral model； optimization inversion； lithology； porosity； Songliao Basin

0引言

砂礫巖儲(chǔ)層巖性復(fù)雜多變，儲(chǔ)層巖石礦物主要成分包括石英、長(zhǎng)石和巖屑。部分長(zhǎng)石和巖屑具有放射性，對(duì)利用自然伽馬測(cè)井計(jì)算泥質(zhì)體積產(chǎn)生干擾，因此，充分考慮砂礫巖巖性，合理建立測(cè)井響應(yīng)方程，準(zhǔn)確求取各組分體積分?jǐn)?shù)，可以提高砂礫巖儲(chǔ)層地質(zhì)參數(shù)的評(píng)價(jià)精度。國(guó)內(nèi)外研究的思路是加強(qiáng)對(duì)砂礫巖巖性的分析，采用的方法為最優(yōu)化測(cè)井解釋方法[18]。

近年來(lái)，隨著對(duì)非線性反演領(lǐng)域的重視，已經(jīng)出現(xiàn)了一大批具有巨大潛力和應(yīng)用價(jià)值的非線性反演方法，并應(yīng)用于測(cè)井最優(yōu)化解釋領(lǐng)域。這些算法原理各不相同，有以數(shù)學(xué)為基礎(chǔ)的蒙特卡洛法、最速下降法、擬牛頓法等，這些方法都存在計(jì)算復(fù)雜和收斂速度方面的問(wèn)題。有基于仿生原理的遺傳算法等，這種算法已經(jīng)廣泛應(yīng)用于測(cè)井最優(yōu)化反演，并取得了很好的效果，但是容易過(guò)早收斂，且當(dāng)連續(xù)性條件嚴(yán)格時(shí)，搜索效率下降。隨著信息處理技術(shù)的發(fā)展，群體智能優(yōu)化算法成為解決多參數(shù)、非線性最優(yōu)化的有效手段，典型的群體智能算法有蟻群算法、粒子群算法、細(xì)菌覓食算法等，這些算法在石油地球物理勘探領(lǐng)域的應(yīng)用越來(lái)越廣泛[912]。

細(xì)菌覓食算法是Passino于2002年提出的一種新型仿生類群體智能算法，主要依靠以細(xì)菌特有的趨化、繁殖、遷徙3種行為為基礎(chǔ)的3種算子進(jìn)行位置更新和最優(yōu)解的搜索，進(jìn)而實(shí)現(xiàn)種群的進(jìn)化[1317]。本文將細(xì)菌覓食算法引入到最優(yōu)化測(cè)井解釋中，并應(yīng)用于砂礫巖儲(chǔ)層評(píng)價(jià)。

1最優(yōu)化測(cè)井解釋模型的建立

1.1最優(yōu)化測(cè)井解釋基本原理

最優(yōu)化測(cè)井解釋是根據(jù)地球物理學(xué)廣義反演理論，以反映地層特征的實(shí)際測(cè)井值ai為基礎(chǔ)，根據(jù)儲(chǔ)層地質(zhì)和孔隙結(jié)構(gòu)等特征建立適當(dāng)?shù)慕忉屇Ｐ筒⑦x擇多種測(cè)井響應(yīng)方程，合理選擇區(qū)域性解釋參數(shù)與儲(chǔ)層參數(shù)初始值，使反演結(jié)果充分逼近實(shí)際測(cè)井值，目標(biāo)函數(shù)值達(dá)到最小。

應(yīng)用最優(yōu)化方法進(jìn)行測(cè)井解釋的優(yōu)化數(shù)學(xué)模型可歸結(jié)為

min F（x，ai）=min∑mi=1（ai-fi（x，z））2σ2i+τ2i

s.t. hk（x）=0，k=1，2，…q

gj（x）≥0，j=1，2，…p（1）

式中：F（x，ai）為測(cè)井解釋的目標(biāo)函數(shù)；fi（x，z）為第i種測(cè)井響應(yīng)函數(shù)；x為未知儲(chǔ)層參數(shù)向量；z為區(qū)域性解釋參數(shù)向量；m為測(cè)井曲線個(gè)數(shù)；σi為第i種測(cè)井值的測(cè)量誤差；τi為第i種測(cè)井值的響應(yīng)方程誤差；gj（x）為不等式約束；hk（x）為等式約束；q為不等式個(gè)數(shù)；p為等式個(gè)數(shù)。

1.2砂礫巖儲(chǔ)層巖石礦物組分分析

松遼盆地梨樹斷陷砂礫巖儲(chǔ)層巖性復(fù)雜，對(duì)梨樹斷陷巖礦數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，結(jié)果表明砂礫巖儲(chǔ)層巖石礦物主要成分為巖屑、石英和長(zhǎng)石。其中，巖屑主要包括中、酸性噴出巖以及少量的碎裂巖和變質(zhì)巖。

1.3砂礫巖多組分體積模型及目標(biāo)函數(shù)

為簡(jiǎn)化模型，將鉀長(zhǎng)石和斜長(zhǎng)石作為一個(gè)整體，地層由孔隙、泥質(zhì)、石英、長(zhǎng)石和巖屑5個(gè)組分組成（圖1）。

2細(xì)菌覓食算法基本原理及最優(yōu)化測(cè)井解釋流程

2002年P(guān)assino提出的細(xì)菌覓食算法是一種新型仿生類群體智能算法，以趨化、繁殖、遷徙3種行為為基礎(chǔ)的3種算子進(jìn)行位置更新和最優(yōu)解的搜索，進(jìn)而實(shí)現(xiàn)種群的進(jìn)化。細(xì)菌覓食算法具有全局性、快速性、高精度和能源占用低等特點(diǎn)。

細(xì)菌覓食算法包括3個(gè)主要的算子，即趨化算子、繁殖算子和遷徙算子。這3個(gè)算子是算法的核心思想，并且決定算法的性能。

2.1趨化（Chemotaxis）

趨化是細(xì)菌朝著營(yíng)養(yǎng)豐富充足的地方聚攏的運(yùn)動(dòng)過(guò)程。細(xì)菌在趨化進(jìn)程內(nèi)運(yùn)動(dòng)方式由前進(jìn)（Swim）和翻轉(zhuǎn)（Tumble）組成。翻轉(zhuǎn)即為細(xì)菌朝著任意的方向前進(jìn)單位的步長(zhǎng)。

2.2聚集（Swarming）

在菌群尋取食物的過(guò)程中，細(xì)菌個(gè)體之間通過(guò)相互間的作用達(dá)到群體的聚集行為。細(xì)胞與細(xì)胞之間存在引力，又存在斥力。引力使細(xì)菌聚集在一起，甚至出現(xiàn)“抱團(tuán)”現(xiàn)象；斥力使每個(gè)細(xì)菌都有一定的位置，使其能在該位置上獲取能量，以維持生存。

2.3繁殖（Reproduction）

經(jīng)過(guò)一定的趨化步驟后，覓食結(jié)果較好的細(xì)菌進(jìn)行繁殖，通過(guò)細(xì)胞分裂生成與父代完全相同的子代，沒有繁殖的細(xì)菌將死掉，以此維持菌群的規(guī)模不變。繁殖是一個(gè)揀選的過(guò)程，通過(guò)健康度函數(shù)選擇出進(jìn)化繁殖的細(xì)菌。

2.4遷徙（Elimination and Dispersal）

細(xì)菌生活的區(qū)域可能會(huì)突然發(fā)生劇烈變化，也有可能突然受到其他影響。遷徙指實(shí)際環(huán)境中的細(xì)菌被外力殺死或者驅(qū)散到新的區(qū)域中去，這破壞了細(xì)菌的趨化過(guò)程，但是細(xì)菌也可能尋找到食物更為豐富的區(qū)域，因此，從長(zhǎng)遠(yuǎn)來(lái)看，這更有利于趨化算子跳出局部最優(yōu)解和尋找全局最優(yōu)解。

2.5細(xì)菌覓食算法最優(yōu)化測(cè)井解釋流程

細(xì)菌覓食算法求解最優(yōu)化問(wèn)題的具體步驟有5個(gè)部分（圖2）。隨機(jī)初始化種群，設(shè)置種群的大小為500，聚類數(shù)目為5，趨化次數(shù)為50，趨化操作中單向運(yùn)動(dòng)的最大步數(shù)為4，每個(gè)細(xì)菌的遷移概率為0.25，執(zhí)行種群的趨化、繁殖、遷徙操作，判斷新位置的適應(yīng)度值是否更好。如果更好，將新位置的適應(yīng)度值存儲(chǔ)為細(xì)菌目前最好的適應(yīng)度值；如果不是，返回重新計(jì)算新位置上的適應(yīng)度值，直到滿足全局最優(yōu)適應(yīng)度值，最后輸出結(jié)果。

4應(yīng)用實(shí)例及效果分析

表2為松遼盆地A井2 515～2 530 m深度段反演的各組分體積分?jǐn)?shù)與巖芯分析結(jié)果誤差對(duì)比。由表2可見：計(jì)算的孔隙度與巖芯分析數(shù)據(jù)相比，平均絕對(duì)誤差為0.016，平均相對(duì)誤差為0275；計(jì)算的石英體積與巖芯分析數(shù)據(jù)相比，平均絕對(duì)誤差為0.051，平均相對(duì)誤差為0.196；計(jì)算的長(zhǎng)石體積與巖芯分析數(shù)據(jù)相比，平均絕對(duì)誤差為0.087，平均相對(duì)誤差為0269；計(jì)算的巖屑體積與巖芯分析數(shù)據(jù)相比，平均絕對(duì)誤差為0.044，平均相對(duì)誤差為0160。圖3為A井2 515～2 530 m深度段細(xì)菌覓食算法反演結(jié)果。由誤差分析可知，重構(gòu)理論曲線與實(shí)際測(cè)井曲線平均絕對(duì)誤差與平均相對(duì)誤差均較小，說(shuō)明反演結(jié)果是正確的。

圖4為A井2 515～2 530 m深度段重構(gòu)曲線與實(shí)際測(cè)井曲線質(zhì)量檢測(cè)結(jié)果。表3為重構(gòu)曲線理論值與實(shí)際測(cè)井曲線誤差分析結(jié)果。由表3可見：重構(gòu)補(bǔ)償中子孔隙度曲線與實(shí)際補(bǔ)償中子孔隙度測(cè)井值相比，平均絕對(duì)誤差為1.410，平均相對(duì)誤差為0.143；重構(gòu)密度曲線與實(shí)際密度測(cè)井值相比，平均絕對(duì)誤差為0014，平均相對(duì)誤差為0.006；重構(gòu)聲波時(shí)差曲線與實(shí)際聲波時(shí)差測(cè)井值相比，平均絕對(duì)誤差為10660，平均相對(duì)誤差為0.048；重構(gòu)自然伽馬與實(shí)際自然伽馬相比，平均絕對(duì)誤差為3.550，平均相對(duì)誤差為0.038。由誤差分析可知，重構(gòu)理論曲線與實(shí)際測(cè)井值平均絕對(duì)誤差與平均相對(duì)誤差均較小，說(shuō)明反演結(jié)果是正確的。

圖5為松遼盆地B井1 330～1 350 m深度段細(xì)菌覓食算法反演結(jié)果。表2為B井反演的各部分體積分?jǐn)?shù)與巖芯分析數(shù)據(jù)誤差對(duì)比結(jié)果，B井只分析了巖芯孔隙度。由表2可見，計(jì)算的孔隙度與巖芯分析數(shù)據(jù)相比，平均絕對(duì)誤差為0.017，平均相對(duì)誤差為0.194。

圖6為B井1 330～1 350 m深度段重構(gòu)曲線與實(shí)際測(cè)井曲線質(zhì)量檢測(cè)結(jié)果。重構(gòu)曲線理論值與實(shí)際測(cè)井曲線誤差分析結(jié)果見表3。由表3可見：重構(gòu)補(bǔ)償中子孔隙度曲線與實(shí)際補(bǔ)償中子孔隙度測(cè)井值相比，平均絕對(duì)誤差為2.030，平均相對(duì)誤差為0.125；重構(gòu)密度曲線與實(shí)際密度測(cè)井值相比，平均絕對(duì)誤差為0033，平均相對(duì)誤差為0012；重構(gòu)聲波時(shí)差曲線與實(shí)際聲波時(shí)差測(cè)井值相比，平均絕對(duì)誤差為26970，平均相對(duì)誤差為0.096；重構(gòu)自然伽馬曲線與實(shí)際自然伽馬測(cè)井值相比，平均絕對(duì)誤差為7580，平均相對(duì)誤差為0.097。由誤差分析可知，B井中該方法反演結(jié)果也有效。

5結(jié)語(yǔ)

（1）砂礫巖儲(chǔ)層巖性復(fù)雜，巖石礦物包括石英、長(zhǎng)石和巖屑，并且?guī)r屑的成分比較復(fù)雜。合理建立多組分礦物模型并確定反演目標(biāo)函數(shù)，綜合利用多種常規(guī)測(cè)井曲線信息，設(shè)置合理的約束條件，利用細(xì)菌覓食算法可以獲取非線性多組分礦物模型的最優(yōu)解。

（2）將細(xì)菌覓食算法應(yīng)用于松遼盆地砂礫巖儲(chǔ)層多組分礦物模型解釋中，模型反演效果穩(wěn)定可靠，應(yīng)用效果較好。

（3）由于細(xì)菌覓食算法是一種新型的基于群體的優(yōu)化工具，雖然具有取得全局最優(yōu)解的能力，但其研究仍然處于起步階段，所以該算法的理論基礎(chǔ)及工程應(yīng)用仍需進(jìn)一步研究和推廣。

參考文獻(xiàn)：

References：

[1]韓雪，潘保芝，張意，等.遺傳最優(yōu)化算法在砂礫巖儲(chǔ)層測(cè)井評(píng)價(jià)中的應(yīng)用[J].測(cè)井技術(shù)，2012，36（4）：392396.

HAN Xue，PAN Baozhi，ZHANG Yi，et al.GAoptimal Log Interpretation Applied in Glutenite Reservoir Evaluation[J].Well Logging Technology，2012，36（4）：392396.

[2]田云英，夏宏泉.基于多礦物模型分析的最優(yōu)化測(cè)井解釋[J].西南石油學(xué)院學(xué)報(bào)，2006，28（4）：811.

TIAN Yunying，XIA Hongquan.The Optimal Logging Explantion Base on Multim in Erals Model Analysis[J].Journal of Southwest Petroleum Institute，2006，28（4）：811.

[3]段亞男，潘保芝，韓雪.砂礫巖儲(chǔ)層的多組分模型及最優(yōu)化測(cè)井解釋[J].國(guó)外測(cè)井技術(shù)，2012，33（6）：2023.

DUAN Yanan，PAN Baozhi，HAN Xue.Multicomponent Model and Optimization Logging Evaluation of Glutinite Reservoirs[J].Word Well Logging Technology，2012，33（6）：2023.

[4]申本科，趙紅兵，崔文富，等.砂礫巖儲(chǔ)層測(cè)井評(píng)價(jià)研究[J].地球物理學(xué)進(jìn)展，2012，27（3）：10511058.

SHEN Benke，ZHAO Hongbing，CUI Wenfu，et al.Sandy Conglomerate Reservoir Logging Evaluation Study[J].Progress in Geophysics，2012，27（3）：10511058.

[5]陳鋼花，王有濤，董維武，等.深層砂礫巖儲(chǔ)層測(cè)井精細(xì)評(píng)價(jià)[J].海洋石油，2010，30（2）：8286.

CHEN Ganghua，WANG Youtao，DONG Weiwu，et al.Fine Evaluation on Deep Glutenite Reservoirs with Well Logging Data[J].Offshore Oil，2010，30（2）：8286.

[6]熊杰，劉彩云，鄒長(zhǎng)春.基于粒子群優(yōu)化算法的感應(yīng)測(cè)井反演[J].物探與化探，2013，37（6）：11411145.

XIONG Jie，LIU Caiyun，ZOU Changchun.The Induction Logging Inversion Based on Particle Swarm Optimization[J].Geophysical and Geochemical Exploration，2013，37（6）：11411145.

[7]劉倩茹，薛林福，潘保芝，等.梨樹斷陷砂礫巖測(cè)井巖性識(shí)別[J].測(cè)井技術(shù)，2013，37（3）：269273.

LIU Qianru，XUE Linfu，PAN Baozhi，et al.Study on Glutenite Reservoir Lithology Identification in Lishu Fault[J].Well Logging Technology，2013，37（3）：269273.

[8]邊會(huì)媛，王飛，岳崇旺，等.利用彈性參數(shù)識(shí)別致密砂巖儲(chǔ)層流體性質(zhì)[J].地球科學(xué)與環(huán)境學(xué)報(bào)，2014，36（4）：99106.

BIAN Huiyuan，WANG Fei，YUE Chongwang，et al.Fluid Property of Tight Sandstone Reservoir Identified with Elastic Parameters[J].Journal of Earth Sciences and Environment，2014，36（4）：99106.

[9]鄒長(zhǎng)春，尉中良，柴細(xì)元，等.利用遺傳算法實(shí)現(xiàn)最優(yōu)化測(cè)井解釋[J].測(cè)井技術(shù)，1999，23（5）：361365.

ZOU Changchun，WEI Zhongliang，CHAI Xiyuan，et al.Optimization of Log Interpretation Using Genetic Algorithm[J].Well Logging Technology，1999，23（5）：361365.

[10]徐志成，王樹青.基于菌群優(yōu)化算法的非線性系統(tǒng)模型參數(shù)辨識(shí)[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（1）：4649.

XU Zhicheng，WANG Shuqing.Parameter Identification of Nonlinear System Model Based on Bacterial Swarm Foraging for Optimization[J].Computer Engineering and Applications，2013，49（1）：4649.

[11]孟令群，郭建青.利用混沌粒子群算法確定河流水質(zhì)模型參數(shù)[J].地球科學(xué)與環(huán)境學(xué)報(bào)，2009，31（2）：169172.

MENG Lingqun，GUO Jianqing.Application of Chaos Particle Swarm Optimization Algorithm to Determination of Water Quality Parameter of River Steam[J].Journal of Earth Sciences and Environment，2009，31（2）：169172.

[12]姜建國(guó)，周佳薇，鄭迎春，等.一種自適應(yīng)細(xì)菌覓食優(yōu)化算法[J].西安電子科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2015，42（1）：7581.

JIANG Jianguo，ZHOU Jiawei，ZHENG Yingchun，et al.Adaptive Bacterial Foraging Optimization Algorithm[J].Journal of Xidian University：Nature Science Edition，2015，42（1）：7581.

[13]周雅蘭.細(xì)菌覓食優(yōu)化算法的研究與應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（20）：1621.

ZHOU Yalan.Research and Application on Bacteria Foraging Optimization Algorithm[J].Computer Engineering and Applications，2010，46（20）：1621.

[14]楊尚君，王社偉，陶軍，等.基于混合細(xì)菌覓食算法的多目標(biāo)優(yōu)化方法[J].計(jì)算機(jī)仿真，2012，29（6）：218222.

YANG Shangjun，WANG Shewei，TAO Jun，et al.Multiobjective Optimization Method Based on Hybrid Swarm Intelligence Algorithm[J].Computer Simulation，2012，29（6）：218222.

[15]李博.細(xì)菌覓食優(yōu)化算法研究及其在圖像檢索中的應(yīng)用[D].西安：西安電子科技大學(xué)，2014.

LI Bo.Research on Bacterial Foraging Optimization Algorithm and Its Application in Image Retrieval[D].Xian：Xidian University，2014.

[16]吉佳紅，高尚.基于正交試驗(yàn)的細(xì)菌覓食算法的全局最優(yōu)化[J].電子設(shè)計(jì)工程，2015，23（12）：2830.

JI Jiahong，GAO Shang.An Bacterial Foraging Algorithm Based on Orthogonal Experimental Method for Global Optimization[J].Electronic Design Engineering，2015，23（12）：2830.

[17]段亞男.蘇里格致密砂巖儲(chǔ)層 BFACM 混合最優(yōu)化測(cè)井解釋方法研究[D].長(zhǎng)春：吉林大學(xué)，2015.

DUAN Yanan.Research on BFACM Hybrid Optimization Log Interpretation Method in Sandstone Reservoirs of Sulige Area[D].Changchun：Jilin University，2015.