基于BP神經(jīng)網(wǎng)絡的成巖相測井定量識別方法

■魏小龍　趙棟　何洲

（1西北大學地質(zhì)學系　陜西　西安　710069；2西北大學大陸動力學國家重點實驗室　陜西　西安　710069；3延長石油（集團）有限公司油氣勘探公司　陜西　延安　716000）

基于BP神經(jīng)網(wǎng)絡的成巖相測井定量識別方法

■魏小龍1,2趙棟1,2何洲3

（1西北大學地質(zhì)學系陜西西安710069；2西北大學大陸動力學國家重點實驗室陜西西安710069；3延長石油（集團）有限公司油氣勘探公司陜西延安716000）

BP神經(jīng)網(wǎng)絡對于解決成巖相類型和常規(guī)測井資料之間的非線性關(guān)系具有獨特優(yōu)勢。分析鄂爾多斯盆地隴東地區(qū)延長組長8段致密儲層成巖相類型的測井響應特征，將成巖相類型劃分為綠泥石襯邊弱溶蝕成巖相、斑狀方解石綠泥石膜成巖相、不穩(wěn)定組分溶蝕成巖相、碳酸鹽巖膠結(jié)成巖相和致密壓實成巖相。利用密度測井、自然伽馬測井、中子測井、中子-密度孔隙度差等對成巖相類型劃分敏感性較強的參數(shù)，提出了基于BP神經(jīng)網(wǎng)絡的成巖相測井定量識別方法。利用該方法對研究區(qū)實際1口井資料進行了處理，通過與薄片鑒定結(jié)果的對比，驗證了成巖相識別方法的可靠性。

BP神經(jīng)網(wǎng)絡致密砂巖儲層成巖相

0　引言

近年來，深化對鄂爾多斯盆地隴東地區(qū)致密砂巖儲層的再認識，尋找更多的有利勘探區(qū)塊，已經(jīng)是該地區(qū)石油勘探的重點。對于致密砂巖儲層來說，成巖相類型對于儲層質(zhì)量有著重要影響。成巖相是成巖礦物在一定沉積環(huán)境、成巖環(huán)境下，經(jīng)歷一定成巖演化過程的產(chǎn)物，主要包括巖石顆粒、膠結(jié)物、孔洞縫等綜合特征。成巖相是現(xiàn)今儲層特征的直接反映，是表征儲層性質(zhì)、類型和優(yōu)劣的重要成因性標志[1]~[3]。因此成巖相的劃分對于儲集層預測、油氣勘探有著重要意義。

目前，國內(nèi)學者對成巖相類型的劃分主要利用鑄體薄片、電鏡掃描、常規(guī)薄片等資料進行分析。然而，巖心取樣是間隔不連續(xù)的，只能準確反映某點深度的成巖相類型，無法連續(xù)判斷儲層成巖相[4]。此外，巖心取樣難度大、成本高，故而樣品資料有限。測井技術(shù)能夠連續(xù)記錄地下巖石的各種物理信息，不同成巖相在測井響應特征上均不相同。BP神經(jīng)網(wǎng)絡對于解決成巖相類型和測井響應特征之間的非線性聯(lián)系具有獨特優(yōu)勢。在前人確定成巖相測井特征響應的基礎(chǔ)上，提取敏感性參數(shù)，利用BP神經(jīng)網(wǎng)絡構(gòu)建成巖相劃分模型，就能夠根據(jù)測井曲線資料快速、連續(xù)的劃分成巖相類型。

1　方法原理

圖1　BP神經(jīng)網(wǎng)絡模型結(jié)構(gòu)Fig.1 The structure of BP neural network model

BP神經(jīng)網(wǎng)絡是一種通過誤差逆向傳播來改變算法權(quán)值的多層前端反饋網(wǎng)絡，它無需用數(shù)學方程便可直接體現(xiàn)非線性數(shù)據(jù)之間的映射關(guān)系，正是因為這種性質(zhì)，BP神經(jīng)網(wǎng)絡成為了目前世界上應用最廣泛的神經(jīng)網(wǎng)絡模型之一[5]~[7]。BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)一般由三部分構(gòu)成（圖1）：輸入層、中間隱層和輸出層。輸入層是負責接收外界信號，輸入層接收的輸入信號，可以是單輸入信號也可以是多輸入信號。中間隱層是負責內(nèi)部信息處理，大多可以設計為單層或多層結(jié)構(gòu)，理論已經(jīng)證明，一個三層網(wǎng)絡可以任意精度實現(xiàn)各種復雜的非線性映射，因此一個三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡模型便可以解釋大部分測井問題了[8]~[12]。設計中間層的時候，還需要確定神經(jīng)元數(shù)量、訓練函數(shù)等。輸出層是負責輸出處理結(jié)果。

BP神經(jīng)網(wǎng)絡模型訓練流程如下：

第一步：正向輸入樣本數(shù)據(jù)，設置參數(shù)，選定訓練函數(shù)。

第二步：當輸出值與期望值不符時，誤差進行反向逐層傳遞，并且會根據(jù)誤差減小最快的方向（一般為梯度方向）逐層修改各個神經(jīng)元的權(quán)系數(shù)。

第三步：直到誤差滿足要求或者達到設定的訓練次數(shù)時停止訓練，輸出結(jié)果。

2　成巖相敏感參數(shù)分析

利用BP神經(jīng)網(wǎng)絡模型來預測成巖相，關(guān)鍵要對成巖相敏感性參數(shù)進行分析，旨在眾多測井數(shù)據(jù)類型中選出與成巖相劃分關(guān)系最密切的數(shù)據(jù)類型。在敏感性參數(shù)分析之前，為了使測井曲線數(shù)據(jù)有利于對比，要進行數(shù)據(jù)歸一化處理[13]，即：

式中Y為歸一化后的測井數(shù)據(jù)；X為原始測井數(shù)據(jù)；Xmin為測井數(shù)據(jù)最小值；Xmax為測井數(shù)據(jù)最大值。

將鄂爾多斯盆地隴東地區(qū)101個測井樣本數(shù)據(jù)歸一化處理后，利用中子-密度視石灰?guī)r孔隙度差與常規(guī)測井數(shù)據(jù)繪制交會圖，建立儲層成巖相識別圖版，進而對成巖相敏感性參數(shù)進行分析（圖2），結(jié)果如下：

中子測井、密度測井、自然伽馬測井的數(shù)據(jù)對于研究區(qū)成巖相劃分效果良好，具有很高的辨識度，四種成巖相類型數(shù)據(jù)點基本獨立，存在少量交集，無法線性準確區(qū)分四種成巖相類型。聲波時差對于研究區(qū)成巖相的劃分效果一般，對于綠泥石襯邊弱溶蝕成巖相、斑狀方解石綠泥石膜成巖相、不穩(wěn)定組分溶蝕成巖相具有良好的區(qū)分度，但是對于致密壓實成巖相的區(qū)分效果不是很好，數(shù)據(jù)點較為分散。因為聲波時差的測量很容易受鉆井液、地下水、井壁等因素的影響，所以誤差較大。因此聲波時差數(shù)據(jù)對于成巖相類型的劃分并不是十分敏感。

自然電位測井（圖3）對于研究區(qū)成巖相類型的劃分效果不好，可以觀察到斑狀方解石綠泥石膜成巖相與致密壓實成巖相混淆在一起，無法準確區(qū)分，且自然電位本身也波動性較強。因此自然電位數(shù)據(jù)對成巖相類型劃分不敏感。

綜上所述，中子（CNL）、密度（DEN）、自然伽馬（GR）、中子-密度視石灰?guī)r孔隙度差（φND）這四類測井參數(shù)對于研究區(qū)成巖相類型劃分十分敏感，故可以應用于BP神經(jīng)網(wǎng)絡建模中，來準確、快速的劃分研究區(qū)成巖相類型。而聲波時差（AC）、自然電位（SP）對于研究區(qū)成巖相類型劃分并不敏感，故而不應用于建模中，以免降低模型結(jié)果的精度。

3　BP神經(jīng)網(wǎng)絡模型構(gòu)建

利用MATLAB內(nèi)置軟件工具箱建立BP神經(jīng)網(wǎng)絡模型，可以節(jié)省大量時間，同時也可以避免編寫計算機程序的煩惱。BP神經(jīng)網(wǎng)絡模型在測井中的應用一般由輸入層、隱含層、和輸出層三部分組成。模型的具體構(gòu)建方法如下：

圖2　中子-密度孔隙度差與敏感性參數(shù)交會圖Fig.2 The cross plot of neutron-density porosity difference and sensitive data

圖3　中子-密度孔隙度差與自然電位交會圖Fig.3 The cross plot of neutron-density porosity difference and natural potential

3.1構(gòu)建輸入層

用神經(jīng)網(wǎng)絡對研究區(qū)內(nèi)成巖相類型劃分，就是建立一種成巖相類型與測井曲線數(shù)據(jù)之間的映射關(guān)系。根據(jù)對成巖相敏感性參數(shù)的分析，選定中子（CNL）、密度（DEN）、自然伽馬（GR）、中子-密度視石灰?guī)r孔隙度差（φND）四類測井曲線數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡模型的輸入層

3.2構(gòu)建隱含層

確定BP神經(jīng)網(wǎng)絡層數(shù)、神經(jīng)元數(shù)量、和傳遞函數(shù)就是確定BP神經(jīng)網(wǎng)絡隱含層?，F(xiàn)有理論證明，通過改變神經(jīng)元數(shù)量，只含有一個隱含層的BP神經(jīng)網(wǎng)絡模型可以充分預測大部分測井問題。但是如果神經(jīng)元數(shù)量過多就會大大增加訓練時間，影響效率，反之，如果神經(jīng)元數(shù)量過少則又會影響精度。所以，在BP神經(jīng)網(wǎng)絡模型構(gòu)建中，先采用較小的神經(jīng)元數(shù)量，再逐漸增加，直到誤差滿足訓練要求。BP神經(jīng)網(wǎng)絡的傳遞函數(shù)有多種，不同函數(shù)有不同的性質(zhì)（線性傳遞或非線性傳遞）對應不同的輸入、輸出范圍。經(jīng)過研究試驗，最終確定神經(jīng)元數(shù)量為200，訓練函數(shù)為TRAINLM，適應學習函數(shù)類型為LEARNGDM,誤差分析為MSE。

3.3構(gòu)建輸出層

目前，石玉江等人根據(jù)鑄體薄片資料將鄂爾多斯盆地隴東地區(qū)長8儲層成巖相劃分為5類，分別為綠泥石襯邊弱溶蝕成巖相、斑狀方解石綠泥石膜成巖相、碳酸鹽膠結(jié)成巖相、不穩(wěn)定組分溶蝕成巖相、致密壓實成巖相。根據(jù)鑄體薄片資料顯示，將BP神經(jīng)網(wǎng)絡模型的輸出層設定為四類成巖相類型。由于MATLB軟件無法識別漢字，因為將輸出結(jié)果設定為數(shù)字，1——綠泥石襯邊弱溶蝕成巖相，2——斑狀方解石綠泥石膜成巖相，3——不穩(wěn)定組分溶蝕成巖相，4——致密壓實成巖相。

圖4　鄂爾多斯盆地隴東地區(qū)Z51井測井曲線及成巖相劃分Fig.4 The logging curves and diagenetic facies classification of Z51 well of Longdong region,Ordos Basin

當BP神經(jīng)網(wǎng)絡模型構(gòu)建好之后，利用101個樣本數(shù)據(jù)進行預測，預測結(jié)果中，94個樣本數(shù)據(jù)預測準確，精度達到93.1%。綠泥石襯邊弱溶蝕成巖相樣本數(shù)量22，其中19個數(shù)據(jù)預測準確，精度達到86.4%；斑狀方解石綠泥石膜成巖相樣本數(shù)量25，其中25個數(shù)據(jù)預測準確，精度達到100%；不穩(wěn)定組分溶蝕成巖相樣本數(shù)量27，其中24個數(shù)據(jù)預測準確，精度達到88.9%；致密壓實成巖相樣本數(shù)量27，其中26個數(shù)據(jù)預測準確，精度達到96.3%。預測結(jié)果與巖心資料匹配度高，說明本文利用BP神經(jīng)網(wǎng)絡方法來劃分成巖相類型方法是可行的。

4　模型驗證

在鄂爾多斯盆地隴東地區(qū)研究區(qū)內(nèi)選取1口未被作為樣本參與建模的井（Z51），利用建立好的BP神經(jīng)網(wǎng)絡模型對井次的連續(xù)地層進行預測，并繪制成巖相分布柱狀圖，結(jié)果如圖4所示。

常規(guī)測井資料顯示，在2220-2222m和2234-2236m井段，中子-密度視石灰?guī)r孔隙度差約為13%，密度值約為2.6g/cm3，中子值約為20%，自然伽馬值大于150API。利用神經(jīng)網(wǎng)絡模型判斷該段為致密壓實成巖相，2221.50m處巖石薄片資料顯示該點為致密壓實成巖相，與神經(jīng)網(wǎng)絡模型判斷結(jié)果一致。在2225-2226m井段，中子-密度視石灰?guī)r孔隙度差約為6%，密度值約為2.4g/cm3，中子值約為16%，自然伽馬值小于100API，2225.25m處巖石薄片資料顯示該點為綠泥石襯邊弱溶蝕成巖相，與神經(jīng)網(wǎng)絡模型判斷結(jié)果一致，說明利用BP神經(jīng)網(wǎng)絡劃分成巖相結(jié)果可靠。

5　結(jié)束語

（1）利用巖心取樣資料只能判斷地下某點的成巖相類型，雖然結(jié)果精確但是成本高、效率低。為此，我們從測井曲線出發(fā)，提取成巖相的測井響應特征，分析其敏感性參數(shù)，利用BP神經(jīng)網(wǎng)絡建立識別成巖相類型模型。BP神經(jīng)網(wǎng)絡模型自適性強、構(gòu)建方法簡單，可以充分利用測井數(shù)據(jù)，連續(xù)、快速的劃分成巖相類型，與傳統(tǒng)成巖相劃分方法相比具有明顯優(yōu)勢。

（2）為了進一步提高神經(jīng)網(wǎng)絡的成巖相測井識別方法的精度，一方面要盡可能獲得更多一手測井資料，增加敏感性參數(shù)的樣本數(shù)量；另一方面要不斷優(yōu)化神經(jīng)網(wǎng)絡的算法本身。隨著測井技術(shù)和計算機技術(shù)的進步,BP神經(jīng)網(wǎng)絡模型在未來石油勘探中的應用會愈發(fā)廣泛。

[1]石玉江,肖亮,毛志強,等.低滲透砂巖儲層成巖相測井識別方法及其地質(zhì)意義--以鄂爾多斯盆地姬塬地區(qū)長8段儲層為例 [J].石油學報,2011,32(5):820-828.

[2]鄒才能,陶士振,周慧,等.成巖相的形成、分類與定量評價方法 [J].石油勘探與開發(fā),2008,35(5):526-540.

[3]劉林玉,王震亮.白豹地區(qū)延長組長3儲層的成巖作用與成巖相 [J].西北大學學報:自然科學版,2008,38(1):99-102.

[4]鐘高潤,張小莉.鄂爾多斯盆地延長組長7段致密儲層成巖相測井識別方法--以隴東地區(qū)為例 [J].國外測井技術(shù),2014(4):23-27.

[5]劉全穩(wěn).測井神經(jīng)網(wǎng)絡技術(shù)綜述 [J].石油地球物理勘探,1996(S1):64-69.

[6]梅紅,張厚福,孫紅軍,等.神經(jīng)網(wǎng)絡技術(shù)在測井相分析及水淹層判別中的應用 [J].中國石油大學學報:自然科學版,1997(3):24-28.

[7]朱大奇.人工神經(jīng)網(wǎng)絡研究現(xiàn)狀及其展望 [J].江南大學學報:自然科學版,2004 (01):103-110.

[8]吳燦燦,李壯福.基于BP神經(jīng)網(wǎng)絡的測井相分析及沉積相識別 [J].煤田地質(zhì)與勘探,2012,40(1):68-71.

[9]陳鋼花,胡琮,曾亞麗,等.基于BP神經(jīng)網(wǎng)絡的碳酸鹽巖儲層縫洞充填物測井識別方法 [J].石油物探,2015,54(1):99-104.

[10]羅利.神經(jīng)網(wǎng)絡在測井解釋中的應用 [J].天然氣工業(yè),1997(5):23-26.

[11]珣肖慈,婁建立,譚世君.神經(jīng)網(wǎng)絡技術(shù)用于測井解釋的評述 [J].測井技術(shù),1999, 23(5):389-392.

[12]李道倫,盧德唐,孔祥言,等.BP神經(jīng)網(wǎng)絡隱式法在測井數(shù)據(jù)處理中的應用 [J].石油學報,2007,28(3):105-108.

[13]付晶,吳勝和,付金華,等.鄂爾多斯盆地隴東地區(qū)延長組儲層定量成巖相研究[J].地學前緣,2013,20(2):86-97.

TheQuantitativeIdentification Method of Well Logging for Diagenetic Facies Based On BP Neural Network

WEI Xiaolong1,2,ZHAO Dong1,2, HE Zhou3

(1.Department of Geology,Northwest University,Xi’an,Shanxi 710069,China;2.State Key Laboratory of Continental Dynamics,Northwest University,Xi’an,Shanxi 710069,China; 3.Yanchang Petroleum(Group)Co.Ltd,Oil Exploration Co,Yan’an,Shanxi 716000,China)

BP neural net has an unique advantage in solving the nonlinear relationship between diagenetic facies types and conventional well logging data.The diagenetic facies types were divided into such five styles as diagenetic facies of weak corrosion with chlorite mat,corrosion of unstable components,compaction density,kaolinite filling and carbonate cementation by analyzing the log response characteristics of the diagenetic facies types with tight reservoirs of Yanchang formation Chang8 reservoirs in Longdong region,Ordos Basin.The quantitative identification method of well logging for diagenetic facies based on BP neural net was established by density logging, natural gamma logging,neutron logging and neutron-density porosity difference and selecting the parameters which were sensitive to the diagenetic facies.One actual log data of research region was processed by using this method and its reliability was validated by comparing with the casting section data.

BP neural net、tight sand reservoirs、diagenetic facies

F407.1[文獻碼]B

1000-405X（2016）-9-237-3

魏小龍（1992～），男，現(xiàn)正攻讀礦產(chǎn)普查與勘探碩士學位，研究方向為石油天然氣勘探與綜合地質(zhì)。