交會(huì)圖和BP神經(jīng)網(wǎng)絡(luò)技術(shù)在碎屑巖識(shí)別中的應(yīng)用

國(guó)景星,彭雪還,李 飛

(1.中國(guó)石油大學(xué)(華東) 地球科學(xué)與技術(shù)學(xué)院,山東 青島 266580;2.塔里木油田勘探開(kāi)發(fā)研究院,新疆 庫(kù)爾勒 841000)

?

交會(huì)圖和BP神經(jīng)網(wǎng)絡(luò)技術(shù)在碎屑巖識(shí)別中的應(yīng)用

國(guó)景星1,彭雪還1,李 飛2

(1.中國(guó)石油大學(xué)(華東) 地球科學(xué)與技術(shù)學(xué)院,山東 青島 266580;2.塔里木油田勘探開(kāi)發(fā)研究院,新疆 庫(kù)爾勒 841000)

饒陽(yáng)凹陷新近系館陶組巖性以碎屑巖為主,巖性復(fù)雜多樣,單純利用測(cè)井曲線難以對(duì)巖性進(jìn)行較好地識(shí)別,對(duì)后續(xù)測(cè)井解釋的結(jié)果造成了不利的影響。針對(duì)該問(wèn)題,以測(cè)井資料為基礎(chǔ),提出了一種首先利用交會(huì)圖技術(shù)將各類巖性進(jìn)行歸納總結(jié),然后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)歸納后的巖性進(jìn)行快速識(shí)別的方法。從此種方法在留西地區(qū)的應(yīng)用效果來(lái)看,該方法對(duì)樣本數(shù)據(jù)庫(kù)中各類巖性的識(shí)別精度達(dá)到了90%以上,其中泥巖和粉砂巖的識(shí)別精度更是達(dá)到了100%,大大提高了單純利用測(cè)井曲線對(duì)巖性進(jìn)行分類識(shí)別的精度,在油氣勘探開(kāi)發(fā)過(guò)程中能夠發(fā)揮較為重要的作用。

交會(huì)圖;BP神經(jīng)網(wǎng)絡(luò);巖性識(shí)別;碎屑巖

1 碎屑巖巖性分類

1.1 樣本數(shù)據(jù)來(lái)源及巖性的初步判別

測(cè)井曲線交會(huì)圖是把兩種測(cè)井?dāng)?shù)據(jù)在平面圖上交匯,根據(jù)交匯點(diǎn)的坐標(biāo)定出所求參數(shù)的數(shù)值和范圍的一種方法。交匯圖法是確定巖性、孔隙度和含油氣飽和度時(shí)廣泛采用的一種方法,有助于解釋參數(shù)的選擇和趨勢(shì)的識(shí)別。通過(guò)繪制交匯圖,不僅能直觀地反映測(cè)井曲線參數(shù)與巖性之間的關(guān)系,還能反映出各種巖性的分界和所分布的區(qū)域,能夠比較清晰地劃分巖性的種類[4,5]。

研究區(qū)館陶組巖性包括泥巖、細(xì)砂巖、泥質(zhì)粉砂巖、鈣質(zhì)粉砂巖、中砂巖、含礫砂巖、砂礫巖、粗砂巖、粉砂巖等類型,而交會(huì)圖技術(shù)是一種偏定性的識(shí)別方法,不能精確地識(shí)別出相近類型的巖性,因此研究在取心井段確定的巖性類別基礎(chǔ)上,根據(jù)相應(yīng)的測(cè)井資料對(duì)巖性進(jìn)行合并,將成分相近而結(jié)構(gòu)構(gòu)造不同的巖石類型歸為一類巖性。將自然電位(SP)、自然伽馬(GR)、密度(DEN)、聲波時(shí)差(AC)、深側(cè)向電阻率(RLLD)及微電極幅度差(ΔR)7條測(cè)井曲線作為繪制交會(huì)圖的數(shù)據(jù)來(lái)源并相互組合,最終發(fā)現(xiàn)自然伽馬(GR)、密度(DEN)、深側(cè)向電阻率(RLLD)建立的交會(huì)圖的應(yīng)用效果較好(見(jiàn)圖1)。

1.2 樣本數(shù)據(jù)的歸納總結(jié)

巖性初步識(shí)別交會(huì)圖見(jiàn)圖1。研究圖1發(fā)現(xiàn),研究區(qū)內(nèi)粉砂質(zhì)泥巖與泥巖的成分及結(jié)構(gòu)相似,其密度都介于1.9～2.08 g/cm3之間,電阻率多在1～6 Ω·m之間,泥巖的電阻率略低于粉砂質(zhì)泥巖的電阻率,自然伽馬值集中在107～125 API,且泥巖的伽馬值略高于粉砂質(zhì)泥巖,但是其區(qū)分性較差,并且在研究區(qū)內(nèi)泥巖與粉砂質(zhì)泥巖都沒(méi)有成為儲(chǔ)層的潛力,故可將粉砂質(zhì)泥巖合并到泥巖中去;同樣,由圖1可以看出,含礫粗砂巖和粗砂巖的電阻率都集中在6～11 Ω·m之間,密度在2.01～2.25 g/cm3之間,自然伽馬值集中在80～125 API,而且兩種巖性的測(cè)井?dāng)?shù)據(jù)較為混雜分布,其結(jié)構(gòu)及成分也相近,故同樣將含礫粗砂巖合并到粗砂巖中;而細(xì)砂巖和中砂巖都是研究區(qū)內(nèi)主要的儲(chǔ)層類型,而且由于細(xì)砂巖分布的較為雜亂,多和中砂巖混雜在一塊,在交會(huì)圖中識(shí)別難度較大,因此,也將中砂巖和細(xì)砂巖合并為細(xì)砂巖;這樣通過(guò)測(cè)井交會(huì)圖的識(shí)別方法可以較為準(zhǔn)確地識(shí)別出共5種巖性(見(jiàn)圖2),分別為泥巖、粉砂巖、細(xì)砂巖、粗砂巖和細(xì)礫巖,其中粉砂巖的密度集中在2.22～2.3 g/cm3之間,電阻率多在3～6 Ω·m之間,自然伽馬值集中在92～110 API,細(xì)礫巖的測(cè)井響應(yīng)值為:電阻率都集中在11～21 Ω·m之間,密度在2.15～2.25 g/cm3之間,自然伽馬值集中在80～93 API之間,總共統(tǒng)計(jì)了不同巖性的測(cè)井響應(yīng)數(shù)據(jù)145組,通過(guò)測(cè)井交會(huì)圖法可以判別出128組巖性數(shù)據(jù),判別準(zhǔn)確度達(dá)到了88.3%。

圖1 巖性初步識(shí)別交會(huì)圖Fig.1 Lithology primarily identification crossplot

圖2 巖性合并后的交會(huì)圖Fig.2 Crossplot after lithology combined

2 BP神經(jīng)網(wǎng)絡(luò)技術(shù)的巖性識(shí)別

2.1 BP神經(jīng)網(wǎng)絡(luò)原理及工作流程

1986年,Rumelhart和McCelland提出了多層前饋網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)算法,簡(jiǎn)稱BP算法,這是一種多層網(wǎng)絡(luò)的逆推學(xué)習(xí)算法。因此采用BP算法的多層前饋網(wǎng)絡(luò)也被廣泛稱為BP網(wǎng)絡(luò)。它是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)并存儲(chǔ)非常多的輸入模式與輸出模式之間的映射關(guān)系,卻無(wú)需在學(xué)習(xí)和存儲(chǔ)前事先揭小并描述輸入輸出間映射關(guān)系的一種數(shù)學(xué)方程。BP網(wǎng)絡(luò)的學(xué)習(xí)算法使用的是最速下降法,通過(guò)對(duì)輸出誤差的反向傳播,獲得不斷調(diào)整網(wǎng)絡(luò)連接權(quán)系數(shù)和閾值的信息,最終使神經(jīng)網(wǎng)絡(luò)的平方誤差最小,達(dá)到期望要求[6,7]。

BP神經(jīng)網(wǎng)絡(luò)的基本原理是把一個(gè)輸入向量經(jīng)過(guò)隱含層的一系列變換,然后得到一個(gè)輸出向量,從而實(shí)現(xiàn)輸入與輸出數(shù)據(jù)間的一個(gè)映射關(guān)系。輸入信息的正向傳播,以及輸出誤差的反向傳播,構(gòu)成了BP網(wǎng)絡(luò)的信息循環(huán)。BP網(wǎng)絡(luò)是一種有導(dǎo)師的學(xué)習(xí)網(wǎng)絡(luò),它需要實(shí)際輸出與期望輸出之間的誤差來(lái)確定是否要修改神經(jīng)元間的連接權(quán)系數(shù)。其中,期望輸出便是此種意義上的“導(dǎo)師”。BP網(wǎng)絡(luò)具有對(duì)稱性的網(wǎng)絡(luò)結(jié)構(gòu)。在BP網(wǎng)絡(luò),輸出端的每一個(gè)處理單元基本上都具有一個(gè)相同的激勵(lì)函數(shù)[8]。BP算法的工作流程見(jiàn)圖3。

“這驢肉不比西市胡姬酒肆中的差?。÷?tīng)說(shuō)萬(wàn)花谷滿山滿谷都種著花，長(zhǎng)著草，養(yǎng)得牛羊滿山遍野，野豬成群結(jié)隊(duì)，是一個(gè)可以天天吃肉的地方。有一個(gè)由六詔來(lái)的小丫頭，會(huì)用花瓣釀‘百花酒’，唉喲喂，老子想到這個(gè)，肚里的酒蟲就一拱一拱的往喉嚨里躥！”左邊桌子上一個(gè)滿臉胡子的大叔在朝著他身邊的幾個(gè)兄弟嚷嚷，由他腿邊包袱里露出來(lái)的泥刀與灰板來(lái)看，他們多半是長(zhǎng)安匠作行里出來(lái)覓活的師傅吧！

圖3 BP神經(jīng)網(wǎng)絡(luò)工作流程Fig.3 BP neural network working process

2.2 在研究區(qū)的應(yīng)用及效果分析

以經(jīng)過(guò)交會(huì)圖分類合并的5種巖性作為BP神經(jīng)網(wǎng)絡(luò)的輸出向量。神經(jīng)網(wǎng)絡(luò)建模的評(píng)判標(biāo)準(zhǔn)使網(wǎng)絡(luò)具有泛化能力,測(cè)試的數(shù)據(jù)越多,則建立模型的預(yù)測(cè)精度就越準(zhǔn)確,而訓(xùn)練的數(shù)據(jù)越多,則越能逼近數(shù)據(jù)之間隱含的函數(shù)關(guān)系,所以研究的基礎(chǔ)數(shù)據(jù)是以測(cè)井交會(huì)數(shù)據(jù)進(jìn)行篩選所得,共計(jì)得到81組數(shù)據(jù),選取其中65組作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),并利用剩余的16組數(shù)據(jù)對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn)。

(1) BP神經(jīng)網(wǎng)絡(luò)模型的建立 圖4為BP神經(jīng)網(wǎng)絡(luò)巖性識(shí)別模型。模型由輸入層、隱含層和輸出層組成,選取以自然伽馬(GR)、密度測(cè)井(DEN)、微電位(RMN)與微梯度(RML)的幅度差(ΔR)、深側(cè)向電阻率(RLLD)及聲波時(shí)差(AC)5條測(cè)井曲線作為輸出層的輸入向量,選取泥巖、粉砂巖、細(xì)砂巖、粗砂巖和細(xì)礫巖5種巖性類別作為輸出層的輸出向量。

圖4 BP神經(jīng)網(wǎng)絡(luò)巖性識(shí)別模型Fig.4 BP neural network lithology identification model

(2) 建立巖性識(shí)別的樣本訓(xùn)練數(shù)據(jù)庫(kù) 首先,對(duì)測(cè)井曲線進(jìn)行歸一化處理,以確保所有輸入數(shù)據(jù)度量單位的統(tǒng)一及消除數(shù)值相差懸殊造成的影響。我們對(duì)巖性識(shí)別輸入數(shù)據(jù)庫(kù)中的測(cè)井?dāng)?shù)據(jù)均采用了歸一化處理,采用極差歸一化方法對(duì)測(cè)井進(jìn)行歸一化處理,公式為

(1)

其中:X′為經(jīng)過(guò)歸一化后的測(cè)井?dāng)?shù)據(jù);X為原始測(cè)井?dāng)?shù)據(jù);XMAX為測(cè)井?dāng)?shù)據(jù)最大值;XMIN為測(cè)井?dāng)?shù)據(jù)的最小值。

BP神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練庫(kù)如表1所列,選取上述5條測(cè)井曲線的歸一化數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入值;輸出層神經(jīng)網(wǎng)絡(luò)的輸出參數(shù),則是要識(shí)別的巖性的種類,設(shè)置為5種巖性單元。

對(duì)期望輸出進(jìn)行如下編碼:

Y1-泥巖(1 0 0 0 0);

Y2-粉砂巖(0 1 0 0 0);

Y3-細(xì)砂巖(0 0 1 0 0);

Y4-粗砂巖(0 0 0 1 0);

Y5-細(xì)礫巖(0 0 0 0 1)。

(3) BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 本次BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練研究采用MATLAB軟件中自帶的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行編程訓(xùn)練,在訓(xùn)練中選取S型函數(shù)作為激勵(lì)函數(shù),MATLAB中BP神經(jīng)網(wǎng)絡(luò)工具箱中提供了很多網(wǎng)絡(luò)訓(xùn)練算法,本次采用trainlm算法,其具有收斂速度快、精度高的特點(diǎn)。設(shè)置收斂誤差目標(biāo)為0.000 1,最大收斂次數(shù)(epochs)為5 000次,最小梯度值為默認(rèn)的1×10-5,顯示間隔為50,樣本訓(xùn)練時(shí)最大失敗次數(shù)為6次。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差見(jiàn)圖5。由圖5及訓(xùn)練輸出表2顯示:建立的神經(jīng)網(wǎng)絡(luò)模型能夠滿足訓(xùn)練參數(shù)的要求,經(jīng)過(guò)訓(xùn)練達(dá)到了所給定的訓(xùn)練誤差目標(biāo)值,由輸出數(shù)據(jù)可以得到,經(jīng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,在選取的65組數(shù)據(jù)中,識(shí)別準(zhǔn)確度達(dá)到了92.19%且其中泥巖和粉砂巖的識(shí)別的準(zhǔn)確率達(dá)到了100%,這證明神經(jīng)網(wǎng)絡(luò)在該區(qū)巖性識(shí)別中是完全適用的。

表1 BP神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練庫(kù)(部分)

圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線Fig.5 BP neural network training error curve

(4) BP神經(jīng)網(wǎng)絡(luò)的檢驗(yàn) 選取剩余16組數(shù)據(jù)對(duì)建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行檢驗(yàn),輸入網(wǎng)絡(luò)后的識(shí)別結(jié)果如表3所列,經(jīng)驗(yàn)證,研究建立的神經(jīng)網(wǎng)絡(luò)精度高、收斂速度快,在研究區(qū)內(nèi)巖性識(shí)別方面準(zhǔn)確率高。

3 結(jié)論

根據(jù)碎屑巖性分類的復(fù)雜性,總結(jié)了一種基于交會(huì)圖和BP神經(jīng)網(wǎng)絡(luò)的巖性識(shí)別方法,首先以研究區(qū)測(cè)井?dāng)?shù)據(jù)為基礎(chǔ),通過(guò)交會(huì)圖技術(shù)對(duì)分類復(fù)雜巖性的歸納與總結(jié),建立BP神經(jīng)網(wǎng)絡(luò)模型對(duì)巖性進(jìn)行識(shí)別,巖性識(shí)別符合率達(dá)到了92.19%,其中泥巖和粉砂巖的識(shí)別精度更是達(dá)到了100%,這說(shuō)明該方法是可行和可靠的,這為巖性復(fù)雜地區(qū)的巖性識(shí)別提供了一種新思路。

表2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出(部分)

表3 檢驗(yàn)樣本及訓(xùn)練輸出

[1] 張濤,莫修文.基于交會(huì)圖與模糊聚類算法的復(fù)雜巖性識(shí)別[J].吉林大學(xué)學(xué)報(bào):地球科學(xué)版,2007,37(S1):109-113.

[2] 王鄭庫(kù),歐成華,李鳳霞.火山巖儲(chǔ)層巖性識(shí)別方法研究[J].國(guó)外測(cè)井技術(shù),2007,22(1):8-13.

[3] 崔勇,趙澄林.神經(jīng)網(wǎng)絡(luò)技術(shù)在油田地質(zhì)學(xué)領(lǐng)域中的應(yīng)用—以測(cè)井巖性識(shí)別為例[J].西安石油學(xué)院學(xué)報(bào):自然科學(xué)版,2002,17(4):16-19.

[4] 趙建,高福紅.測(cè)井資料交會(huì)圖法在火山巖巖性識(shí)別中的應(yīng)用[J].世界地質(zhì),2003:22(2):136-140.

[5] 吳磊,徐懷民,季漢成.基于交會(huì)圖和多元統(tǒng)計(jì)法的神經(jīng)網(wǎng)絡(luò)技術(shù)在火山巖識(shí)別中的應(yīng)用[J].石油地球物理勘探,2006,41(1):81-89.

[6] Demuth H,Beale M.Neural Network Toolbox,User’s Guide(Version 4)[M].Natick:The Mathworks Inc.,2002.

[7] 馬曉龍.扶新隆起帶扶余油層測(cè)井資料巖性識(shí)別及巖相劃分[D].大慶:東北石油大學(xué),2011.

[8] 閻平凡,張長(zhǎng)水.人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計(jì)算[M].北京:清華大學(xué)出版社,2000.

Application of Crossplot and BP Neural Network Technique in the Identification of Clastic Rock

Guo Jingxing1,Peng Xuehuan1,Li Fei2

(1.SchoolofGeosciences,ChinaUniversityofPetroleum,Qingdao266580,China; 2.ResearchInstituteofPetroleumExplorationandDevelopment,TarimOilfieldCompanyPetreChina,Korla841000,China)

The lithology of Raoyang depression Neogene Guantao group mainly is clastic rocks,the lithologic characteristic is complicated and varied of which better identification is hard to be achieved only using the logging curve,it has unfavorable influence on subsequent well logging interpretation. Targeting at this problem and based on the logging data to propose a method which first using the crossplot technique to generalize and summarize all kinds of lithologies and then using the BP neural network technique to quick identify the generalized lithologies. According to the application effect of this method in Liuxi area,the identification precision of all kinds of lithologies in the sample data base has reached over 90% and the identification precision of mudstone and siltstone have even reached 100%,it greatly improve the classification and identification precision of all kinds of lithologies only using the logging curve,it has more importantly influence in the oil and gas exploration and development process.

Crossplot;BP neural network;Lithology identification;Clastic rocks

Guo Jingxing,Peng Xuehuan,Li Fei.Application of Crossplot and BP Neural Network Technique in the Identification of Clastic Rock[J].Journal of Gansu Sciences,2016,28(6):13-17.[國(guó)景星,彭雪還,李飛.交會(huì)圖和BP神經(jīng)網(wǎng)絡(luò)技術(shù)在碎屑巖識(shí)別中的應(yīng)用[J].甘肅科學(xué)學(xué)報(bào),2016,28(6):13-17.]

10.16468/j.cnki.issn1004-0366.2016.06.004.

2016-03-29;

2016-05-09.

華北油田2011年校企合作科研項(xiàng)目“留西留北構(gòu)造帶上第三系油藏沉積相研究”(HBYT-CY3-2011-JS-345).

國(guó)景星(1953-)，男，河北隆堯人，博士，教授，研究方向?yàn)橛蜌鈨?chǔ)層地質(zhì)學(xué)、油氣田開(kāi)發(fā)地質(zhì)學(xué).E-mail:pengxuehuan@163.com.

TE19

A

1004-0366(2016)06-0013-05