BP神經(jīng)網(wǎng)絡在鉆孔測井資料分類識別雜鹵石中的研究

陳科貴, 劉 利, 陳愿愿, 韋 航, 王 剛

(1. 西南石油大學地球科學與技術(shù)學院,四川成都610500; 2. 西南石油大學機電工程學院,四川成都610500;3.中國石化中原油田分公司，河南濮陽 457001; 4.川慶鉆探工程有限公司地球物理勘探公司,四川成都610213;5.中國石油新疆油田分公司石西油田作業(yè)區(qū),新疆克拉瑪依 834000;6.中國石油新疆油田分公司勘探開發(fā)研究院,新疆克拉瑪依 834000)

?

BP神經(jīng)網(wǎng)絡在鉆孔測井資料分類識別雜鹵石中的研究

陳科貴1, 劉 利2,3, 陳愿愿4, 韋 航5, 王 剛6

(1. 西南石油大學地球科學與技術(shù)學院,四川成都610500; 2. 西南石油大學機電工程學院,四川成都610500;3.中國石化中原油田分公司，河南濮陽 457001; 4.川慶鉆探工程有限公司地球物理勘探公司,四川成都610213;5.中國石油新疆油田分公司石西油田作業(yè)區(qū),新疆克拉瑪依 834000;6.中國石油新疆油田分公司勘探開發(fā)研究院,新疆克拉瑪依 834000)

以BP神經(jīng)網(wǎng)絡理論和測井解釋為基礎,測井數(shù)據(jù)作為輸入,構(gòu)建神經(jīng)網(wǎng)絡模型。對川中地區(qū)下中三疊統(tǒng)雜鹵石層做精細識別,將識別結(jié)果與錄井資料對比,正確率達到86.3%,在改變約束條件的情況下正確率達到97.7%,識別效果好;以雜鹵石含量高低對測井響應值的影響程度不同為依據(jù),構(gòu)建雜鹵石層分類識別模型,模型識別正確率達到82.51%,能較為準確且快速地識別出雜鹵石層、石膏質(zhì)雜鹵石層和雜鹵石膏巖層,與常規(guī)測井解釋方法相比具有明顯優(yōu)勢。結(jié)果表明,將BP神經(jīng)網(wǎng)絡運用到鉀礦勘探中具有良好前景。

雜鹵石; BP神經(jīng)網(wǎng)絡模型; 分類識別; 測井響應

雜鹵石(K2SO4·MgSO4·2CaSO4·2H2O)是一種廣泛分布在硫酸鹽型鉀鹽礦床中的難溶性鉀礦[1],是四川盆地主要的鉀礦物。中國第一座雜鹵石礦床位于四川省農(nóng)樂地區(qū),其含鉀量相當于一座中型規(guī)模的氯化鉀礦床[2-4]。目前主要靠地球物理測井資料識別和劃分雜鹵石層段,如用曲線重疊法和交會圖法識別雜鹵石等[5-6];是否為純雜鹵石層則主要依靠測井曲線幅度的高低來判斷。這些方法都是建立在研究者的肉眼觀察和測井解釋經(jīng)驗之上,識別速度較慢,并會產(chǎn)生一定的錯誤或誤差,尤其在研究區(qū)內(nèi)部分井的雜鹵石成分不純,多含石膏,甚至有些為雜鹵石膏巖,這使得用測井曲線識別雜鹵石類別、判斷雜鹵石含量非常困難。近年來,神經(jīng)網(wǎng)絡技術(shù)在模式識別、劃分油氣水層、預測儲層段參數(shù)等方面的應用[7-10]越來越多,并且該技術(shù)在識別礦物類型甚至成鹽相、沉積相的區(qū)分方面的應用效果良好[11-13],利用該方法識別固體鉀礦,為尋找鉀資源提供了新的思路。筆者在測井資料和錄井資料的基礎上,利用BP神經(jīng)網(wǎng)絡技術(shù)并不斷優(yōu)化約束條件識別雜鹵石,然后進一步對雜鹵石含量作出判斷、劃分類別,最后用準確的錄井分析結(jié)果和模型識別結(jié)果進行對比,對模型的識別能力進行評價。

1 研究區(qū)雜鹵石分布概況

川中地區(qū)位于四川盆地川西凹陷中東部,構(gòu)造上為一次級凹陷,華鎣山凸起、平昌凸起、梓潼凸起和資威凸起分別構(gòu)成研究區(qū)的東部、東北、西北和西南邊緣[14]。早中三疊世時期四川盆地受早期印支運動的影響以升降運動為主[15-16],海水入侵退出頻繁,海水升降造成盆地從開闊海環(huán)境逐漸演化至局限—蒸發(fā)臺地環(huán)境,在地層縱向上體現(xiàn)為碳酸鹽巖—蒸發(fā)巖的沉積韻律。川中地區(qū)在海退期沉積石膏、鹽巖、雜鹵石等蒸發(fā)巖類,而雜鹵石在龍女寺構(gòu)造地區(qū)和廣安地區(qū)沉積情況較好(圖1)。龍女寺地區(qū)雜鹵石沉積厚度為24 m，但含石膏較多,錄井顯示大部分為雜鹵石膏巖。廣安地區(qū)雜鹵石最厚沉積20 m，且稍含石膏,部分地區(qū)夾薄層石膏或鹽巖。

圖1 川中地區(qū)雜鹵石等厚圖Fig.1 Polyhalite isopch map of in the middle of Sichuan Basin

2 雜鹵石測井響應特征

雜鹵石屬高電阻率難溶含鉀礦物,密度為2.72～2.78 g/cm3[17]。四川盆地雜鹵石主要沉積于石膏、硬石膏和鹽巖之中,形態(tài)主要有層狀、浸染狀、團塊狀、星點浸染狀或板塊狀4種[2]。雜鹵石的常規(guī)測井響應特征為:高自然伽馬(GR)、高補償中子(CNL)、高電阻率(RLLD)、聲波時差(AC)和密度(DEN)相對高值(圖2),與泥巖、菱鎂礦泥巖區(qū)分困難。由于雜鹵石含K40,自然伽馬能譜測井曲線在雜鹵石層的響應是非常明顯的:高K、低Th、低U[5-6，17],但地層中黏土礦物類型及含量變化大,給解釋造成了困難。

3 模型建立及算法步驟

BP神經(jīng)網(wǎng)絡是基于BP算法的多層前饋網(wǎng)絡,由輸入層、中間層(隱層)和輸出層組成。每層包含不同數(shù)目的神經(jīng)元,每層每個神經(jīng)元的輸出都傳送到下一層作為輸入。傳送時各層間的連接權(quán)對上一層的輸出進行增強、減弱等控制,因此隱層和輸出層的輸入都是上一層所有神經(jīng)元輸出的加權(quán)和[18]。BP網(wǎng)絡分為輸入信號的正向傳播和誤差的反向傳播兩個過程。正向傳播時輸入樣本從輸入層傳入,經(jīng)各隱層逐層處理后,傳向輸出層。若輸出層的實際輸出與期望的輸出不符,則轉(zhuǎn)入誤差的反向傳播階段。在誤差反傳時不斷調(diào)整網(wǎng)絡的權(quán)值和閾值,使網(wǎng)絡的誤差平方和達到最小。BP網(wǎng)絡能學習和存儲大量的輸入輸出模式映射關(guān)系,且不需要提前揭示這種映射關(guān)系[19]。

圖2 雜鹵石測井綜合解釋Fig.2 Logging interpretation of polyhalite

3.1 模型結(jié)構(gòu)設計

在建立BP神經(jīng)網(wǎng)絡時,輸入層的輸入因素盡量選擇對輸出對象影響較為明顯的因素,在網(wǎng)絡建立時選擇測井響應中GR、AC、DEN、CNL和RLLD作為輸入,因此輸入層一共5個節(jié)點。隱層節(jié)點數(shù)需要根據(jù)輸入輸出節(jié)點數(shù)來確定,如果太少,模型反映輸入輸出映射關(guān)系的能力不夠;如果太多,模型會出現(xiàn)過于吻合的問題。根據(jù)Kolmogorov定理,如果輸入層節(jié)點數(shù)為n,那么隱層節(jié)點數(shù)一般可以取為2n+1[18],在訓練網(wǎng)絡時,可以2n+1為基準調(diào)節(jié)隱層節(jié)點的個數(shù)提高網(wǎng)絡性能。多層前饋網(wǎng)在學習不連續(xù)函數(shù)時最多需要兩個隱層[19],測井曲線為不連續(xù)函數(shù),因此研究中隱層設置為兩層。對于網(wǎng)絡來說,本文模型的輸出只有一個結(jié)果,即輸入對象是否是雜鹵石層,因此輸出層只有一個節(jié)點(圖3)。

圖3 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)Fig.3 Structure of BP neural network

3.2 數(shù)據(jù)歸一化處理

為了防止網(wǎng)絡訓練時陷入局部極小并且為了消除測井曲線中與地層性質(zhì)無關(guān)的響應,需要對數(shù)據(jù)進行歸一化預處理。一般是將曲線進行線性歸一化處理,即通過變換處理將網(wǎng)絡的輸入、輸出數(shù)據(jù)限制在[0,1]的區(qū)間內(nèi)。大多數(shù)測井曲線(GR、AC、DEN和CNL)的歸一化處理在訓練時用線性歸一化公式即可。但RLLD為非線性對數(shù)特征曲線,在輸入網(wǎng)絡之前,需要先進行對數(shù)變換[20-22]。圖4為RLLD對數(shù)歸一化、線性歸一化對比。從圖4可以看出,RLLD曲線線性歸一化和對數(shù)歸一化存在很大差異,對數(shù)歸一化在數(shù)值分布上更合理。

3.3 算法過程

對建立的神經(jīng)網(wǎng)絡進行訓練并保存以進行未知層段的識別和劃分,其實現(xiàn)過程[23-25]如下:

(1) 定義變量和參數(shù)。本文中所用的神經(jīng)網(wǎng)絡為四層前饋網(wǎng)絡,包括輸入層(x),第一隱層(p),第二隱層(q),輸出層(y),各層均未加閾值。網(wǎng)絡的輸入矢量為x∈Rn,x=(x0,x1,…,xn-1)T;第一隱層n1個神經(jīng)元,它們的輸出為p∈Rn1,p=(p1,p2,…,pn1-1)T,輸入層到第一隱層的權(quán)值為ωij;第二隱層有n2個神經(jīng)元,它們的輸出為q∈Rn2,q=(q0,q1,…,qn2-1)T,第一隱層到第二隱層的權(quán)值為υjk;輸出層有m個神經(jīng)元,輸出y∈Rm,y=(y0,y1,…,ym-1)T,第二隱層到輸出層的權(quán)值為μkl。設定訓練目標為0.000 1,兩次顯示之間的訓練步數(shù)為25,最大訓練步數(shù)為20 000。

(2) 初始化。給各層連接權(quán)值賦一個(-1,1)區(qū)間的隨機數(shù),一般取S型函數(shù),增益λ=1。

圖4 RLLD對數(shù)歸一化、線性歸一化對比Fig.4 Correlation between logarithmic normalized and linear normalized of RLLD

(3) 輸入訓練樣本。對于第一隱層第j個節(jié)點的輸入為

(1)

(2)

各層輸出為

(3)

(4) 誤差計算。輸出層誤差

(4)

第二隱層誤差

(5)

第一隱層誤差

(6)

(5) 從后至前逐層修改權(quán)值。迭代次數(shù)為t,對輸出層,權(quán)值調(diào)整公式為

(7)

第二隱層權(quán)值調(diào)整公式為

(8)

第一隱層權(quán)值調(diào)整公式為

(9)

式中,α、β、γ為學習效率。

(6) 網(wǎng)絡總誤差計算。一個樣本(設為第s個樣本)輸入網(wǎng)絡并產(chǎn)生輸出,均方誤差為各輸出單元誤差平方之和,即

(10)

式中,dl為對應的期望值。當所有樣本都輸入一次后,總誤差為

(11)

若ET

(7) 用編寫的網(wǎng)絡程序進行學習,收斂達到預設精度后結(jié)束學習過程,保存模型,進行未知雜鹵石層的識別。

4 識別結(jié)果與分析

4.1 雜鹵石層識別

在選擇研究區(qū)內(nèi)含雜鹵石井的GR、AC、CNL、DEN和RLLD 5條曲線值作為訓練樣本時,以每一種巖性的輸入曲線平均值為基準,以這一基準為中心,選取與之較貼近的數(shù)據(jù)組可作為較好的樣本,建立5×10×10×1的網(wǎng)絡模型,設定迭代次數(shù)為20 000,目標誤差極限為0.001,網(wǎng)絡訓練后保存,然后用未作為學習樣本的雜鹵石層段測試所訓練的網(wǎng)絡模型,最后將測試結(jié)果與錄井分析結(jié)果對比。華西2井雜鹵石層對比情況如圖5所示。

對比結(jié)果表明:神經(jīng)網(wǎng)絡預測結(jié)果與實際結(jié)果符合度較高,與測井解釋結(jié)果相比具有明顯優(yōu)勢;在巖石交界面處與實際結(jié)果有較大的偏差,這是因為在這些層位上雜鹵石與石膏或者鹽巖夾雜情況比較復雜,交界面處純度不高,識別準確性也有所下降。在研究區(qū)內(nèi)選擇了4口井進行雜鹵石層的識別,統(tǒng)計識別結(jié)果,得出各井的正確率如表1所示。

從上述4口井的測試結(jié)果來看,以5條測井曲線作為輸入的正確率約為83%,可見神經(jīng)網(wǎng)絡模型的識別能力是很好的。

圖5 華西2井雜鹵石層識別結(jié)果對比Fig.5 Correlation of polyhalite discrimination in well Huaxi2

井名測試點符合點正確率/%華西2井685682.4廣3井574782.5廣100井20016783.5女110井22121686.3

4.2 雜鹵石層分類識別

研究區(qū)雜鹵石沉積情況比較復雜,有些與薄層石膏或者鹽巖互層,有些為石膏質(zhì)雜鹵石,也有些為雜鹵石膏巖。在測井響應特征上,由于雜鹵石含量不同,GR、AC和CNL的曲線值變化較大,RLLD則由于摻雜石膏后增大。常規(guī)測井解釋時把這些與純雜鹵石層有差異的層段都解釋為雜鹵石層,這顯然與實際錄井分析資料不符合。本文中采用圖3的神經(jīng)網(wǎng)絡模型,對廣100井的含雜鹵石層段進行測試,并將結(jié)果與錄井分析和測井解釋的結(jié)果對比,對比結(jié)果如表2所示。識別正確率達到82.51%,效果顯著。

表2 分類識別雜鹵石層結(jié)果對比

4.3 結(jié)果分析

在上述預測雜鹵石層結(jié)果的基礎上,以GR、AC、DEN、CNL、RLLD、K、U、Th 8條曲線值作為輸入,構(gòu)建了8×17×17×1的網(wǎng)絡模型,實驗結(jié)果預測正確率高達97.7%。這說明在建立網(wǎng)絡時有利的約束因素越多,得到的結(jié)果越精確。尤其是對于雜鹵石而言,GR曲線不能直接反映K40放射性,而自然伽馬能譜曲線中K曲線反映的是地層中總的K40放射性的高低,Th曲線反映了泥質(zhì)含量的高低,所以加上自然伽馬能譜曲線對網(wǎng)絡模型進行約束,對雜鹵石的識別是非常有效的。但在研究區(qū)內(nèi),只有部分井有自然伽馬能譜測井資料,以8條曲線值作為輸入構(gòu)建的網(wǎng)絡模型并不能大范圍應用,相較之下圖3構(gòu)建的模型適用范圍更廣。

神經(jīng)網(wǎng)絡是極大依賴輸入值的純數(shù)據(jù)計算方法,測井曲線的值對其有決定性的影響,因此本文中構(gòu)建的網(wǎng)絡模型要高精度識別出雜鹵石的類別,尤其是薄層雜鹵石和巖性交界面處巖石礦物,仍然是比較困難的,有必要對研究區(qū)雜鹵石組分進行分析。以雜鹵石層中各組分的含量為輸入,構(gòu)建網(wǎng)絡模型,可預測出未知層段雜鹵石含量并計算出鉀含量,該方法有待后續(xù)做進一步研究。

5 結(jié) 論

應用BP神經(jīng)網(wǎng)絡技術(shù)對川中地區(qū)部分井的雜鹵石進行了識別,模型識別結(jié)果與錄井分析對比正確率達到86.3%,在改變約束條件的情況下達到97%,證實BP神經(jīng)網(wǎng)絡識別雜鹵石效果好。依據(jù)雜鹵石含量不同對測井響應值影響程度不同的特性,運用BP神經(jīng)網(wǎng)絡劃分出雜鹵石層的類別,即雜鹵石層、石膏質(zhì)雜鹵石層和雜鹵石膏巖層,劃分正確率達到82.51%,并以此判斷出層段中雜鹵石含量的高低。神經(jīng)網(wǎng)絡為雜鹵石的識別、雜鹵石含量和復雜巖性的判斷提供了一種新的手段,且識別和劃分效果顯著,與常規(guī)測井解釋方法對比,該方法識別速度快,識別準確率較高,且簡單易操作。

[1] 黎春閣. 雜鹵石溶解性能研究及綜合利用[D].成都:成都理工大學,2013.

LI Chunge. Dissolution property and comprehensive utilization of polyhalite[D].Chengdu: Chengdu University of Technology,2013.

[2] 黃宣鎮(zhèn). 中國首例雜鹵石礦床[J]. 云南地質(zhì),1996,15(1):52-61.

HUANG Xuanzhen. The first polyhalite deposit of China[J].Yunnan Geology, 1996,15(1):52-61.

[3] 林耀庭,尹世明. 四川渠縣淺層雜鹵石礦分布特征及其成因和意義[J]. 四川地質(zhì)學報,1998,18(2):42-46.

LIN Yaoting, YIN Shiming. Distribution, genesis and significance of shallow-seated polyhalite ore in Quxian,Sichuan[J]. Acta Geologica Sichuan,1998,18(2):42-46.

[4] 林耀庭,何金權(quán). 四川華鎣山淺層雜鹵石鉀礦地質(zhì)特征及其成因意義[J]. 化工礦產(chǎn)地質(zhì),2004,26(3):145-149.

LIN Yaoting, HE Jinquan. The characters and genies meanings of shallow polyhalite potash deposit in Huayingshan,Sichuan[J].Geology of Chemical Minerals,2004, 26(3):145-149.

[5] 蒲杰,吳霞,李航. 四川盆地固態(tài)鉀鹽測井方法研究[J]. 石油工業(yè)計算機應用,2013(1):31-34.

PU Jie, WU Xia, LI Hang. Reseach of the solid potash salts logging method in Sichuan Basin[J].Computer Applications of Petroleum,2013(1):31-34.

[6] 陳科貴,李春梅,李利,等. 四川盆地含鉀地層的地球物理測井標志、判別模型與應用:以川中廣安地區(qū)為例[J]. 地球?qū)W報,2013,34(5):623-630.

CHEN Kegui, LI Chunmei, LI Li, et al. Geophysical logging citeria and discriminant model for the potassium-rich strata and their application to Sichuan Basin: a case study of Guangan area of Central Sichuan[J]. Acta Geoscientica Sinica,2013,34(5):623-630.

[7] JALALALHOSSEINI S M, ALI H, MOSAFAZADEH M. Predicting porosity by using seismic multi-attributes and well data and combining these available data by geostatistical methods in a South Iranian Oil Field[J]. Petroleum Science and Technology,2014,32(1):29-37.

[8] BANESHI M. The determination of lithofacies using an optimized neural network and well log data[J]. Petroleum Science and Technology,2014,32(8):897-903.

[9] 李斌斌,郭大立,毛新軍,等. 基于BP 神經(jīng)網(wǎng)絡的儲集層物性參數(shù)預測與評價: 以準噶爾盆地東部北三臺地區(qū)為例[J].重慶科技學院學報(自然科學版),2014,16(2):39-42.

LI Binbin, GUO Dali, MAO Xinjun, et al. Prediction and evaluation about physical parameter of reservoir stratum based on neural network:taking Beisantai Area of Junggar Basin as an example[J]. Journal of Chongqing University of Science and Technology(Natural Sciences Edition),2014, 16(2):39-42.

[10] 黃炳家,王健,溫艷青,等.帶光滑L1/2正則化項的神經(jīng)網(wǎng)絡逆向迭代算法收斂性分析[J]. 中國石油大學學報(自然科學版),2015,39(2):164-170.

HUANG Bingjia, WANG Jian, WEN Yanqing, et al. Convergence analysis of inverse iterative algorithms for neural networks with L1/2penalty[J]. Journal of China University of Petroleum(Edition of Natural Science), 2015,39(2):164-170.

[11] OJHA M, MAITI S. Sediment classification using neural networks: an example from the site-U1344A of IODP Expedition 323 in the Bering Sea[J]. Deep-Sea Res, 2013,II:1-12.

[12] 張洪,鄒樂君,沈曉華. BP神經(jīng)網(wǎng)絡在測井巖性識別中的應用[J]. 地質(zhì)與勘探,2002,38(6):63-65.

ZHANG Hong, ZOU Lejun, SHEN Xiaohua. The application of BP neural network in well lithology identification[J].Geology and Prospecting,2002,38(6):63-65.

[13] 白燁,薛林福,石玉江,等. 測井成巖相自動識別及其在鄂爾多斯盆地蘇里格地區(qū)的應用[J]. 中國石油大學學報(自然科學版),2013,37(1):35-41.

BAI Ye, XUE Linfu, SHI Yujiang, et al. An automatic identification method of log diagenetic facies and its application in Sulige area, Ordos Basin[J]. Journal of China University of Petroleum(Edition of Natural Science),2013,37(1):35-41.

[14] 陳科貴,李利,王剛,等. 四川盆地南充鹽盆下、中三疊統(tǒng)測井響應特征及成鉀條件分析[J]. 礦床地質(zhì),2014,33(5):1069-1080.

CHEN Kegui, LI Li, WANG Gang, et al. Analysis of logging response characteristics and potassium-forming conditions of Early and Middle Triassic Strata in Nanchong Basin[J].Mineral Deposits,2014,33(5):1069-1080.

[15] 劉君龍,紀友亮,楊克明,等.川西須家河組前陸盆地構(gòu)造層序及沉積充填響應特征[J].中國石油大學學報(自然科學版),2015,39(6):11-23.

LIU Junlong, JI Youliang, YANG Keming, et al. Tectono-stratigraphy and sedimentary infill characteristics of Xujiahe Formation in western Sichuan foreland basin[J]. Journal of China University of Petroleum (Edition of Natural Science),2015,39(6):11-23.

[16] 黃熙. 四川盆地三疊紀鹽盆富鉀鹵水富集規(guī)律[D].北京:中國地質(zhì)大學,2013.

HUANG Xi. The enrichment regularity of Triassic potassium-rich Brines of the salt-bearing Sichuan Basin[D].Beijing: China University of Geosciences,2013.

[17] 陳科貴,李春梅,張杰,等. 運用測井資料進行K2O視含量計算方法研究[J]. 石油天然氣學報,2012,34(3):96-100,167.

CHEN Kegui, LI Chunmei, ZHANG Jie, et al. Calculating the apparent content of K2O with logging data[J].Journal of Oil and Gas Technology,2012,34(3):96-100,167.

[18] 田雨波.混合神經(jīng)網(wǎng)絡技術(shù)[M].北京:科學出版社,2009:33-57.

[19] 韓力群.人工神經(jīng)網(wǎng)絡理論、設計及應用[M].北京:化學工業(yè)出版社,2001:43-60.

[20] 楊斌.神經(jīng)網(wǎng)絡及其在石油測井中的應用[M].北京:石油工業(yè)出版社,2005:94-191.

[21] 羅治形,王仕莉,丁艷,等. 相對滲透率曲線歸一化方法的改進[J]. 新疆石油天然氣,2014,10(1):27-31.

LUO Zhixing, WANG Shili, DING Yan, et al. Improvement of relative permeability curve normalization method[J].Xinjiang Oil & Gas,2014,10(1):27-31.

[22] 趙軍龍,李綱,麻平社,等. 神經(jīng)網(wǎng)絡在石油測井解釋中的應用綜述[J]. 地球物理學進展,2010,25(5):1744-1751.

ZHAO Junlong, LI Gang, MA Pingshe, et al. The application of network technology to petroleum logging interpretation[J]. Progress in Geophysics,2010,25(5):1744-1751.

[23] 郭海敏,趙亞寧,時新磊,等. 基于BP神經(jīng)網(wǎng)絡技術(shù)的水淹層評價[J]. 石油天然氣學報,2010,32(5):79-83,402.

GUO Haimin, ZHAO Yaning, SHI Xinlei, et al. Waterflooded reservoir evaluation based on BP neural network technology[J].Journal of Oil and Gas Technology,2010,32(5):79-83,402.

[24] 潘和平,劉國強. 應用BP神經(jīng)網(wǎng)絡預測煤質(zhì)參數(shù)及含氣量[J]. 地球科學——中國地質(zhì)大學學報,1997,22(2):210-214.

PAN Heping, LIU Guoqiang. Applying back-propagation artificial neural networks to predict coal quality parameters and coalbed gas content[J]. Earth Science—Journal of China University of Geosciences, 1997, 22(2):210-214.

[25] 周金應,桂碧雯,李茂,等. 基于巖控的人工神經(jīng)網(wǎng)絡在滲透率預測中的應用[J]. 石油學報,2010,31(6):985-988.

ZHOU Jinying, GUI Biwen, LI Mao,et al. An application of the artificial neural net dominated by lithology topermeability prediction[J].Acta Petrolei Sinica,2010,31(6):985-988.

(編輯 修榮榮)

Research on classification and discrimination of polyhalite with drilling and logging data by BP neural network

CHEN Kegui1, LIU Li2,3, CHEN Yuanyuan4, WEI Hang5, WANG Gang6

(1.SchoolofGeoscienceandTechnology,SouthwestPetroleumUniversity,Chengdu610500,China;2.SchoolofMechatronicEngineering,SouthwestPetroleumUniversity,Chengdu610500,China;3.SINOPECZhongyuanOilfieldCompany,Puyang457001,China;4.GeophysicalExplorationCompany,ChuanqingDrillingEngineeringCompanyLimited,Chengdu610213,China;5.ShixiOilfieldOperatingArea,PetroChinaXinjiangOilfieldCompany,Karamay834000,China;6.ResearchInstituteofDevelopment,PetroChinaXinjiangOilfieldCompany,Karamay834000,China)

Based on the theory of back propagation neural network and logging interpretation methods, a neural network model with logging curves as input was built, and applied to the polyhalite reservoirs in the lower-middle Triassic strata. The discrimination results were compared with logging data. The accuracy rate of the model reaches 86.3%, and achieves 97% if changing the constraint conditions, suggesting that the discrimination ability of the new model is good. The new model shows the accuracy rate reaches 82.51% to classify the polyhalite reservoirs. The model can efficiently discriminate pure polyhalite reservoirs, gypsiferous polyhalite reservoirs and polyhalite-gypsum reservoirs, thus is more advanced than regular logging interpretation methods. This study demonstrates the great potential applying the BP neural network in potash exploration.

polyhalite; BP neural network model; classification and discrimination; logging response

2015-04-10

國家自然科學基金項目(41372103)；國家重點基礎研究發(fā)展計劃項目(2011CB403002)

陳科貴(1959-)，男，教授，博士，研究方向為石油地質(zhì)、測井儲層評價技術(shù)、測井地質(zhì)與工程測井應用。E-mail:chenkegui@21cn.com。

1673-5005(2016)04-0066-07

10.3969/j.issn.1673-5005.2016.04.008

P 588.247

A

陳科貴,劉利,陳愿愿,等. BP神經(jīng)網(wǎng)絡在鉆孔測井資料分類識別雜鹵石中的研究 [J].中國石油大學學報(自然科學版),2016,40(4):66-72.

CHEN Kegui, LIU Li, CHEN Yuanyuan, et al. Research on classification and discrimination of polyhalite with drilling and logging data by BP neural network [J]. Journal of China University of Petroleum (Edition of Natural Science), 2016,40(4):66-72.