基于改進(jìn)BPNN與T2全譜的致密砂巖儲層滲透率預(yù)測

朱林奇,張 沖,何小菊,吳中彬,周新波,袛淑華,李 陽

(1.長江大學(xué)油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,湖北武漢430100;2.長江大學(xué)地球物理與石油資源學(xué)院,湖北武漢430100;3.中國石油天然氣集團(tuán)公司測井有限公司長慶事業(yè)部,陜西高陵710201;4.中國石油化工股份有限公司勝利油田有限公司樁西采油廠,山東東營257237;5.中國石油天然氣股份有限公司塔里木油田分公司天然氣事業(yè)部,新疆庫爾勒841000;6.中國石油天然氣集團(tuán)公司測井有限公司華北事業(yè)部,河北任丘062552)

基于改進(jìn)BPNN與T2全譜的致密砂巖儲層滲透率預(yù)測

朱林奇1,2,張 沖1,2,何小菊3,吳中彬4,周新波5,袛淑華6,李 陽6

(1.長江大學(xué)油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,湖北武漢430100;2.長江大學(xué)地球物理與石油資源學(xué)院,湖北武漢430100;3.中國石油天然氣集團(tuán)公司測井有限公司長慶事業(yè)部,陜西高陵710201;4.中國石油化工股份有限公司勝利油田有限公司樁西采油廠,山東東營257237;5.中國石油天然氣股份有限公司塔里木油田分公司天然氣事業(yè)部,新疆庫爾勒841000;6.中國石油天然氣集團(tuán)公司測井有限公司華北事業(yè)部,河北任丘062552)

針對現(xiàn)有核磁共振測井滲透率模型對孔隙結(jié)構(gòu)復(fù)雜的致密砂巖儲層預(yù)測精度不高的問題,在分析誤差反向傳播神經(jīng)網(wǎng)絡(luò)的缺陷后,提出了一種利用集成正則化改進(jìn)神經(jīng)網(wǎng)絡(luò)(BPNN)算法與核磁共振T2全譜預(yù)測致密砂巖儲層滲透率的方法。該方法采用自構(gòu)形算法自動確定隱層神經(jīng)元的個數(shù),采用自適應(yīng)雨林優(yōu)化算法避免BP神經(jīng)網(wǎng)絡(luò)迭代陷入局部極小值,利用L2正則化算子保證算法的穩(wěn)定性,采用Adaboost集成算法串聯(lián)若干BP神經(jīng)網(wǎng)絡(luò)以提高模型泛化能力。提取某區(qū)致密砂巖儲層192塊巖樣的核磁共振T2全譜數(shù)據(jù)進(jìn)行建模,并應(yīng)用于非建模井的滲透率評價,認(rèn)為基于集成正則化改進(jìn)BPNN算法評價儲層滲透率精度較高,均方誤差僅有0.286。

核磁共振測井;T2全譜;滲透率;集成算法;L2正則化;自適應(yīng)雨林算法;集成正則化改進(jìn)BPNN算法

致密砂巖儲層具有強(qiáng)非均質(zhì)性,其滲透率與儲層孔隙結(jié)構(gòu)關(guān)系密切,常需要利用可反映孔隙結(jié)構(gòu)的核磁共振測井資料進(jìn)行儲層滲透率評價[1-2]。由于核磁共振測井測量的地層孔隙結(jié)構(gòu)信息十分豐富,所以決定儲層滲透率評價精度的關(guān)鍵是對核磁共振測井信息的利用程度。核磁共振測井滲透率模型大致可以分為3類：第1類是建立橫向弛豫時間譜(T2全譜)劃分區(qū)間與滲透率統(tǒng)計(jì)關(guān)系的模型[3-5];第2類是SDR及其改進(jìn)模型[6];第3類是利用各種孔隙結(jié)構(gòu)參數(shù)計(jì)算滲透率模型[7-13]。

對于因孔隙結(jié)構(gòu)復(fù)雜導(dǎo)致T2全譜變化較大的致密砂巖儲層來說,使用第1類模型會丟失很多區(qū)間內(nèi)的信息[14-15];第2類模型采用T2全譜計(jì)算得到的孔隙結(jié)構(gòu)參數(shù)表征T2全譜,所反映的微觀孔隙信息有限,對于致密砂巖儲層明顯不適用[16];由壓汞毛管壓力曲線得到的孔隙結(jié)構(gòu)參數(shù)與滲透率有著較好的關(guān)系,但由于實(shí)際地層含烴導(dǎo)致T2全譜形態(tài)發(fā)生變化,使得T2全譜中摻雜了較多的流體信息,故第3類模型預(yù)測精度較低[17]。

因此,有必要提出一種新的預(yù)測方法,該預(yù)測方法應(yīng)能確定整個T2全譜與滲透率的函數(shù)關(guān)系?；谏鲜鲇懻?本文提出了結(jié)合Adaboost集成算法、L2正則化、自適應(yīng)雨林算法與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)(BPNN)的集成正則化改進(jìn)BPNN算法預(yù)測滲透率的方法,該方法將離散后的T2全譜作為輸入,滲透率作為輸出,通過對樣本進(jìn)行學(xué)習(xí),確定輸入與輸出的近似函數(shù)關(guān)系并用于預(yù)測。最后利用該集成正則化改進(jìn)BPNN算法對某區(qū)致密砂巖儲層進(jìn)行滲透率的建模預(yù)測,以檢驗(yàn)?zāi)Ｐ偷木取?/p>

1 基于集成正則化改進(jìn)BPNN算法預(yù)測滲透率的方法

BP神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)函數(shù)逼近的監(jiān)督學(xué)習(xí)算法。研究表明,神經(jīng)網(wǎng)絡(luò)具有逼近任意函數(shù)的能力,但是存在3方面的問題：收斂速度慢、隱層神經(jīng)元選取具有盲目性以及容易陷入極小。為此本文嘗試將Adaboost、自適應(yīng)雨林算法、BP神經(jīng)網(wǎng)絡(luò)進(jìn)行有機(jī)結(jié)合,克服彼此間的缺陷,得到效果較好的預(yù)測滲透率的集成正則化改進(jìn)BPNN算法。首先利用Adaboost算法構(gòu)建出若干BP神經(jīng)網(wǎng)絡(luò)框架(網(wǎng)絡(luò)個數(shù)可由經(jīng)驗(yàn)設(shè)定),在預(yù)測時由所有BP神經(jīng)網(wǎng)絡(luò)結(jié)果加權(quán)得到,這樣會使得算法具有多樣性及針對性,增強(qiáng)了神經(jīng)網(wǎng)絡(luò)的泛化能力。考慮到神經(jīng)網(wǎng)絡(luò)過于強(qiáng)大的函數(shù)逼近能力以及形態(tài)相似的T2全譜所計(jì)算得到的滲透率通常差異不大,在神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)中加入了L2正則化算子,以增加網(wǎng)絡(luò)的穩(wěn)定性。進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的誤差反向傳播迭代計(jì)算時,首先利用自適應(yīng)雨林算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值進(jìn)行尋優(yōu),將BP神經(jīng)網(wǎng)絡(luò)權(quán)值限制在最優(yōu)范圍內(nèi),然后將尋優(yōu)后的權(quán)值設(shè)置為初始值,輸入到誤差反向傳播迭代算法中,迭代得到最后的權(quán)值結(jié)果,并通過自構(gòu)形算法刪減神經(jīng)元。將幾種機(jī)器學(xué)習(xí)算法進(jìn)行結(jié)合,取長補(bǔ)短,能夠從不同的角度強(qiáng)化模型的能力。這也是目前機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展趨勢。對應(yīng)的滲透率模型預(yù)測流程見圖1。

圖1 滲透率模型預(yù)測流程

1.1 改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法

由于BP神經(jīng)網(wǎng)絡(luò)在地球物理中運(yùn)用比較廣泛,本文不再敘述其模型構(gòu)成以及學(xué)習(xí)過程,僅對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)方法進(jìn)行說明。BP神經(jīng)網(wǎng)絡(luò)具有收斂速度慢以及神經(jīng)元選擇盲目性的問題,基于上述問題本文提出兩點(diǎn)改進(jìn)措施：

1) 在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)步長中加入動量項(xiàng)。在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)中,通常初期應(yīng)該用較大的學(xué)習(xí)步長以尋找到局部最優(yōu)區(qū)域,后期應(yīng)該用較小的學(xué)習(xí)步長通過細(xì)微調(diào)整尋找到全局最優(yōu)解。為了避免這個矛盾,在權(quán)值更新時加入動量項(xiàng),起到微調(diào)權(quán)值的作用。除了加入動量項(xiàng)外,本文還設(shè)置了動態(tài)的學(xué)習(xí)率參數(shù),根據(jù)迭代時每代樣本輸出與實(shí)際輸出的誤差變化改變學(xué)習(xí)率。

2) 神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元個數(shù)難以確定,往往通過試湊法得到,這具有一定的盲目性。此處利用自構(gòu)形算法進(jìn)行隱層神經(jīng)元的合并或刪除,以確定最佳BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[18]。

設(shè)定在隱層中神經(jīng)元間相關(guān)系數(shù)與樣本分散度大于門限值時進(jìn)行合并,即：

(1)

式中：Rij為隱層神經(jīng)元間相關(guān)系數(shù);Qi和Qj分別為第i個神經(jīng)元與第j個神經(jīng)元的樣本分散度;σ1,σ2為門限值,分別取為0.6～0.9與0.001～0.010。設(shè)定在隱層中神經(jīng)元樣本分散度小于某值時進(jìn)行刪除,即：

(2)

1.2 自適應(yīng)雨林算法

考慮到神經(jīng)網(wǎng)絡(luò)極易陷入局部極小值,不利于確定神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個數(shù),其初始權(quán)值及閾值不應(yīng)隨機(jī)選取。元啟發(fā)式優(yōu)化算法受到自然界各類行為啟發(fā),是模仿其群集特征的智能算法,能夠利用自身或者全局的經(jīng)驗(yàn)來搜索策略,確定最優(yōu)參數(shù)。到目前為止,元啟發(fā)式優(yōu)化算法主要可分為4大類：①模仿自然界進(jìn)化過程的算法,如遺傳算法、差分進(jìn)化算法等[19-21];②模仿人類行為的算法,如煙花算法、免疫算法、頭腦風(fēng)暴算法等[22-24];③模仿動物行為的算法,如粒子群算法、蝙蝠算法、蟻群算法、磷蝦覓食算法等[25-28];④模仿植物行為的算法,如雜草算法、雨林算法等[29-30]。此處選用可避免采樣過程無約束性和樣本信息缺失的雨林算法作為尋優(yōu)算法。針對其可能陷入局部最優(yōu)的問題,嘗試對其改進(jìn),提出了自適應(yīng)雨林算法,即將算法中的學(xué)習(xí)因子改進(jìn)為隨迭代次數(shù)動態(tài)變化的學(xué)習(xí)因子,當(dāng)?shù)螖?shù)很小時學(xué)習(xí)因子趨近于1,當(dāng)?shù)螖?shù)將要達(dá)到限定次數(shù)時學(xué)習(xí)因子趨近于0,使得算法在前期具有更快的迭代速度,后期利用較慢的迭代速度尋找全局最優(yōu)解：

(3)

式中：α為算法中的學(xué)習(xí)因子;t為當(dāng)前迭代次數(shù);T為設(shè)置的迭代總次數(shù)。

1.3L2正則化方法

BP神經(jīng)網(wǎng)絡(luò)存在穩(wěn)定性較弱的特點(diǎn),使得預(yù)測滲透率的值在T2全譜變化不大的情況下存在跳變的可能?？紤]到相似T2全譜形態(tài)應(yīng)存在相似的滲透率值,本文提出在目標(biāo)函數(shù)中加入L2正則化項(xiàng),使得模型更為穩(wěn)定。加入L2正則化之后,BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù)變?yōu)椋?/p>

(4)

1.4Adaboost集成算法

除上述可能存在的問題之外,BP神經(jīng)網(wǎng)絡(luò)還存在過于敏感、模型泛化能力不強(qiáng)的問題。Adaboost為一種比較成熟、運(yùn)用廣泛的集成算法,能顯著提高算法的精度與泛化能力[31]。將若干個BP神經(jīng)網(wǎng)絡(luò)進(jìn)行組合,使神經(jīng)網(wǎng)絡(luò)之間互補(bǔ),算法的最后結(jié)果由所有BP神經(jīng)網(wǎng)絡(luò)結(jié)果加權(quán)得到。對于N個訓(xùn)練樣本((x1,y1),(x2,y2),…,(xN,yN))建立T個(具體值由人工給定)BP神經(jīng)網(wǎng)絡(luò)。之后進(jìn)行樣本的初始權(quán)值設(shè)定：

(5)

式中：Dt(i)表示在第t次迭代中樣本的權(quán)值。

在Dt(i)下,訓(xùn)練弱學(xué)習(xí)器ht(x)(即第t個BP神經(jīng)網(wǎng)絡(luò)),并計(jì)算各樣本誤差εi及平均誤差εt。利用εi及εt計(jì)算當(dāng)前的弱學(xué)習(xí)器權(quán)重以及更新下次迭代(第t+1個BP神經(jīng)網(wǎng)絡(luò))時樣本權(quán)重：

(6)

式中：Wt為第t個弱學(xué)習(xí)器的權(quán)重;Dt+1(i)為第t+1個BP神經(jīng)網(wǎng)絡(luò)樣本的權(quán)重。

對上述步驟迭代T次,可得到Adaboost集成預(yù)測方法。預(yù)測時,將各個弱學(xué)習(xí)器進(jìn)行加權(quán)得到最終預(yù)測結(jié)果：

(7)

理論上,利用該集成正則化改進(jìn)BPNN算法,能得到較其它單一非線性模型更加精確的結(jié)果。

2 實(shí)例分析

為了證明集成正則化改進(jìn)BPNN算法的有效性,利用鄂爾多斯盆地臨興地區(qū)致密砂巖儲層資料進(jìn)行方法驗(yàn)證。選擇7口井192塊巖樣進(jìn)行物性實(shí)驗(yàn),確定巖樣滲透率,并提取對應(yīng)深度核磁共振測井T2全譜。首先需對輸入輸出數(shù)據(jù)進(jìn)行歸一化,主要作用有3個：使模型快速收斂、避免模型對相對較小的輸入不敏感以及避免陷入局部極小值。將測得的T2全譜橫坐標(biāo)(橫向弛豫時間)在對數(shù)坐標(biāo)軸下離散化(均分)為30個或64個孔隙度分量。選擇將核磁共振測井測得的離散化T2全譜縱坐標(biāo)(見圖2,由于不同深度T2全譜的采樣點(diǎn)橫向弛豫時間固定,所以僅將若干個孔隙度分量值作為若干維輸入即可反映整個T2全譜的形態(tài))視為30維或64維數(shù)據(jù)并進(jìn)行歸一化,作為模型的輸入。

對應(yīng)的訓(xùn)練樣本的教師信號(滲透率)范圍見圖3。

圖2 離散化T2

圖3 訓(xùn)練樣本教師信號

從圖3中可以看出,對于訓(xùn)練樣本來說,其滲透率大多分布在小于0.5×10-3μm2的范圍內(nèi),表明該區(qū)儲層為低滲-特低滲儲層。結(jié)合該區(qū)以次生孔隙為主、成巖作用強(qiáng)烈的實(shí)際情況,認(rèn)為該地區(qū)儲層滲透率計(jì)算較為困難[32-33]。

將歸一化后巖心實(shí)驗(yàn)滲透率作為模型的輸出。歸一化公式為：

(8)

將數(shù)據(jù)進(jìn)行歸一化之后,利用集成正則化改進(jìn)BPNN神經(jīng)網(wǎng)絡(luò)尋優(yōu)時,除了選擇的自適應(yīng)雨林算法之外,選用了混合遺傳算法[21]、基于討論機(jī)制的頭腦風(fēng)暴算法[24]、基于對立搜索與混沌變異的磷蝦覓食優(yōu)化算法[28]、蟻群優(yōu)化算法[25]、粒子群優(yōu)化算法[27]以及未改進(jìn)的雨林算法[30]編程實(shí)現(xiàn)。算法設(shè)置迭代次數(shù)均為2000次?？紤]到優(yōu)化算法中的參數(shù)對算法結(jié)果影響巨大,在調(diào)節(jié)參數(shù)時選用“固定程序訓(xùn)練時間”思路,通過調(diào)整各算法參數(shù)將所有優(yōu)化算法對應(yīng)的訓(xùn)練時長調(diào)節(jié)到45000s左右,以保證對比的有效性。考慮到優(yōu)化算法對每一個神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)果不同,取所有神經(jīng)網(wǎng)絡(luò)優(yōu)化結(jié)果的平均樣本總誤差變化值成圖(圖4)。

由圖4可以看出,并不是所有的優(yōu)化算法都適應(yīng)于神經(jīng)網(wǎng)絡(luò)算法的尋優(yōu)。自適應(yīng)雨林算法的穩(wěn)定性與尋優(yōu)結(jié)果是7種算法中最好的,這也說明了前面理論分析的正確性。由于圖4中顯示的是平均總誤差,可以看出在尋優(yōu)算法迭代結(jié)束后,網(wǎng)絡(luò)的最后平均總誤差仍然較高,但是最終預(yù)測效果較好,說明Adaboost集成算法具有很強(qiáng)的提高模型預(yù)測精度的能力,這也是本文算法優(yōu)于其它算法的原因。

圖4 優(yōu)化算法尋優(yōu)效果對比

由于Adaboost算法的特性,樣本對不同神經(jīng)網(wǎng)絡(luò)權(quán)值有差異。通過模擬,各神經(jīng)網(wǎng)絡(luò)神經(jīng)元個數(shù)為12～18,在Adaboost算法中的權(quán)重為0.018～0.027。同時,利用1隱層20隱神經(jīng)元的BP神經(jīng)網(wǎng)絡(luò)模型與核極限學(xué)習(xí)機(jī)同時進(jìn)行學(xué)習(xí),利用K-CV方式,將192塊巖樣數(shù)據(jù)均分為4組進(jìn)行交叉驗(yàn)證,確定核極限學(xué)習(xí)機(jī)(選用較為常用的高斯核)正則化系數(shù)為225.2、核參數(shù)為24。通過對訓(xùn)練樣本進(jìn)行回判,BP神經(jīng)網(wǎng)絡(luò)模型、核極限學(xué)習(xí)機(jī)模型、集成改進(jìn)BPNN模型和集成正則化改進(jìn)BPNN模型計(jì)算相對誤差分別為0.721,0.022,0.020,0.018。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度較差,核極限學(xué)習(xí)機(jī)、集成改進(jìn)BPNN與集成正則化改進(jìn)BPNN效果比較接近,其中集成正則化改進(jìn)BPNN效果略好于其它2種。上述3種算法效果均好于BP神經(jīng)網(wǎng)絡(luò)。這3種算法的優(yōu)劣需要利用預(yù)測樣本去檢驗(yàn)。

用Timur-Coates模型、SDR模型建立預(yù)測滲透率模型進(jìn)行驗(yàn)證井處理。SDR模型與Timur-Coates模型的滲透率計(jì)算公式分別為：

(9)

式中：KSDR為由SDR模型計(jì)算得到的滲透率;KTC為由Timur-Coates模型計(jì)算得到的滲透率;T2LM為T2的幾何平均值;φ為孔隙度;m1,m2,m3,n1,n2,n3為地區(qū)經(jīng)驗(yàn)系數(shù);FFI為可動流體孔隙度;BVI為束縛流體孔隙度。

將公式(9)取對數(shù)進(jìn)行最小二乘法求解,利用該地區(qū)39塊巖樣核磁共振實(shí)驗(yàn)數(shù)據(jù)確定m1,m2,m3,n1,n2,n3分別為0.0001577,4.2540000,0.0245000,0.0023560,3.1660000,1.2210000。為了評價上述各模型的泛化能力,嘗試對驗(yàn)證井(XX1井、XX2井)進(jìn)行滲透率評價(圖5,圖6,圖中KCORE代表由巖心物性實(shí)驗(yàn)得到的空氣滲透率;KAR2BP為利用集成正則化改進(jìn)BPNN算法得到的儲層滲透率;KARBP為利用集成改進(jìn)BPNN算法得到的儲層滲透率;KKELM為利用核極限學(xué)習(xí)機(jī)算法得到的儲層滲透率;KBP為由BP神經(jīng)網(wǎng)絡(luò)算法得到的儲層滲透率;KTC為由Timur-Coates模型得到的儲層滲透率;KSDR為由SDR模型得到的儲層滲透率。)。

對比可以發(fā)現(xiàn),利用機(jī)器學(xué)習(xí)算法(集成正則化改進(jìn)BPNN算法、集成改進(jìn)BPNN算法、核極限學(xué)習(xí)機(jī)、BP神經(jīng)網(wǎng)絡(luò))預(yù)測的儲層滲透率精度明顯高于傳統(tǒng)的Timur-Coates模型與SDR模型。就4種機(jī)器學(xué)習(xí)算法來說,集成正則化改進(jìn)BPNN算法與集成改進(jìn)BPNN算法穩(wěn)定性強(qiáng),未出現(xiàn)其它機(jī)器學(xué)習(xí)算法出現(xiàn)的過于敏感的問題,在XX1井的1077～1082m深度段尤其明顯。其次,從1098～1105m深度段可明顯看出,集成正則化改進(jìn)BPNN算法與集成改進(jìn)BPNN算法泛化能力更強(qiáng),準(zhǔn)確地預(yù)測出了儲層滲透率的變化趨勢與滲透率值,評價精度較其它方法更高。最后,對比集成正則化改進(jìn)BPNN算法與集成改進(jìn)BPNN算法可以看出,正則化對算法的精度有所提高,尤其對于存在橫向弛豫時間比較大的小譜時(比如XX1井1078m左右以及1099～1100m深度段、XX2井1372～1373m深度段),正則化算子可以起到控制曲線預(yù)測結(jié)果的作用,使得曲線的抖動更小,預(yù)測結(jié)果更平滑,更符合實(shí)際情況。

圖5 XX1井處理結(jié)果

圖6 XX2井處理結(jié)果

提取巖心深度點(diǎn)所對應(yīng)的預(yù)測滲透率值,并計(jì)算預(yù)測誤差。圖7為XX1井與XX2井116個樣本采用不同方法得到的預(yù)測滲透率值。BP神經(jīng)網(wǎng)絡(luò)算法、核極限學(xué)習(xí)機(jī)算法、集成改進(jìn)BPNN算法和集成正則化改進(jìn)BPNN算法計(jì)算的相對誤差分別為1.006,0.748,0.309,0.286。由圖7可見,集成正則化改進(jìn)BPNN算法的效果更好,相對誤差僅為0.286,高于BP神經(jīng)網(wǎng)絡(luò)算法與核極限學(xué)習(xí)機(jī)算法。由此可見,提升弱學(xué)習(xí)器與模型集成兩種思路得到的模型具有很強(qiáng)的預(yù)測穩(wěn)定性,預(yù)測出的滲透率精度較高。

圖7 樣本預(yù)測結(jié)果

3 結(jié)論

分析了現(xiàn)有核磁共振測井滲透率模型,認(rèn)為沒有正確反映整個T2全譜與滲透率的關(guān)系是精度不高的主要原因。對于孔隙結(jié)構(gòu)復(fù)雜的儲層,盡可能多地利用T2全譜中孔隙結(jié)構(gòu)信息是準(zhǔn)確評價滲透率的前提。

為了確定T2全譜與滲透率的函數(shù)關(guān)系,以離散后T2全譜作為輸入,滲透率作為輸出,利用集成正則化改進(jìn)BPNN算法進(jìn)行學(xué)習(xí)。實(shí)際資料的處理及結(jié)果分析認(rèn)為,自適應(yīng)雨林算法較好地解決了神經(jīng)網(wǎng)絡(luò)容易陷入極小值的問題,而Adaboost集成算法通過增加BP神經(jīng)網(wǎng)絡(luò)數(shù)提高了模型的泛化能力,使其對預(yù)測井的預(yù)測精度高于其它模型。同時,由于L2正則化算子的存在,預(yù)測得到的滲透率曲線更為穩(wěn)定。與其它算法的預(yù)測結(jié)果對比表明本文提出的算法精度更高,可準(zhǔn)確地預(yù)測儲層滲透率值。

[1] 劉倩,印興耀,李超.含不連通孔隙的致密砂巖儲層巖石彈性模量預(yù)測方法[J].石油物探,2015,54(6):635-642 LIU Q,YIN X Y,LI C.Rock elastic modulus estimation for tight sandstone reservoirs with disconnected pores[J].Geophysical Prospecting for Petroleum,2015,54(6):635-642

[2] 洪忠,張猛剛,朱筱敏.基于巖石物理的致密碎屑巖氣藏巖性及流體概率預(yù)測[J].石油物探,2015,54(6):735-744 HONG Z,ZHANG M G,ZHU X M.Prediction on lithology and fluid probabilities of tight clastic gas reservoir based on rock physics[J].Geophysical Prospecting for Petroleum,2015,54(6):735-744

[3] COATES G R,MARSCHALL D,MARDON D,et al.A new characterization of bulk-volume irreducible using magnetic resonance[R].Texas,USA:SPWLA,1997

[4] 邵維志,解經(jīng)宇,遲秀榮,等.低孔隙度低滲透率巖石孔隙度與滲透率關(guān)系研究[J].測井技術(shù),2013,37(2)：149-153 SHAO W Z,XIE J Y,CHI X R,et al.On the relation of porosity and permeability in low porosity and low permeability rock[J].Well Logging Technology,2013,37(2):149-153

[5] TREVIZAN W,COUTINHO B,NETTO P,et al.Magnetic resonance(NMR) approach for permeability estimation in carbonate rocks[R].Rio de Janeiro,Brazil:Offshore Technology Conference,2015

[6] KENYON W E,DAY P I,STRALEY C,et al.A three-part study of NMR logitudinal relaxation properties of water-saturated sandstones[R].Rio de Janeiro,Brazil:SPE,1988

[7] 肖忠祥,肖亮.基于核磁共振測井和毛管壓力的儲層滲透率計(jì)算方法[J].原子能科學(xué)技術(shù),2008,42(10)：868-871 XIAO Z X,XIAO L.Method to calculate reservoir permeability using nuclear magnetic resonance logging and capillary pressure data[J].Atomic Energy Science and Technology,2008,42(10):868-871

[8] 肖亮,劉曉鵬,毛志強(qiáng).結(jié)合NMR和毛管壓力資料計(jì)算儲層滲透率的方法[J].石油學(xué)報,2009,30(1):100-103 XIAO L,LIU X P,MAO Z Q.A computation method for reservoir permeability by combining NMR log and capillary pressure data[J].Acta Petrolei Sinica,2009,30(1):100-103

[9] XIAO L,MAO Z Q,WANG Z N,et al.Comparison study of models for calculating absolute permeability using nuclear magnetic resonance imaging log technology in tight sandstone gas zones[R].Kuwait City,Kuwait:SPE,2009

[10] LI C L,ZHOU C C,LI X,et al.A novel model for assessing the pore structure of tight sands and its application[J].Applied Geophysics,2010,7(3):283-291

[11] 成志剛,羅少成,杜支文,等.基于儲層孔喉特征參數(shù)計(jì)算致密砂巖滲透率的新方法[J].測井技術(shù),2014,38(2):185-189 CHENG Z G,LUO S C,DU Z W,et al.The method to calculate tight sandstone reservoir permeability using pore throat characteristic parameters[J].Well Logging Technology,2014,38(2):185-189

[12] XIAO L,LIU X P,ZOU C C,et al.Comparative study of models for predicting permeability from nuclear magnetic resonance(NMR) logs in two chinese tight sandstone reservoirs[J].Acta Geophysica,2014,62(1):116-141

[13] 肖忠祥,肖亮,張偉.利用毛管壓力曲線計(jì)算砂巖滲透率的新方法[J].石油物探,2008,47(2):204-207 XIAO Z X,XIAO L,ZHANG W.A new method for calculating sandstone permeability by using capillary pressure curves[J].Geophysical Prospecting for Petroleum,2008,47(2):204-207

[14] 任曉霞,李愛芬,王永政,等.致密砂巖儲層孔隙結(jié)構(gòu)及其對滲流的影響[J].石油與天然氣地質(zhì),2015,36(5):774-779 REN X X,LI A F,WANG Y Z,et al.Pore structure of tight sand reservoir and its influence on percolation[J].Oil & Gas Geology,2015,36(5):774-779

[15] 李召成,孫建孟,耿生臣,等.應(yīng)用核磁共振測井T2譜劃分裂縫型儲層[J].石油物探,2001,40(4):113-118 LI Z C,SUN J M,GENG S C,et al.Classification of fractured reservoirs byT2spectrum of nuclear magnetic resonance log[J].Geophysical Prospecting for Petroleum,2001,40(4):113-118

[16] 朱林奇,張沖,胡佳,等.基于單元體模型的核磁共振測井滲透率評價方法[J].石油鉆探技術(shù),2016,44(4):120-126 ZHU L Q,ZHANG C,HU J,et al.An NMR logging permeability evaluation method based on the representative elementary volume model[J].Petroleum Drilling Techniques,2016,44(4):120-126

[17] 肖飛,何宗斌,周靜萍.核磁共振測井連續(xù)表征儲層孔隙結(jié)構(gòu)方法研究[J].石油與天然氣學(xué)報,2016,44(4):120-126 XIAO F,HE Z B,ZHOU J P.A research of successively characterizing reservoir pore structures with NMR logging data[J].Journal of Oil and Gas Technology,2016,44(4):120-126

[18] 任培罡,尹軍強(qiáng),楊加太,等.測錄井結(jié)合神經(jīng)網(wǎng)絡(luò)流體識別技術(shù)在高郵凹陷阜寧組的應(yīng)用[J].測井技術(shù),2015,39(2):241-246 REN P G,YIN J Q,YANG J T,et al.Application of fluid identification based on the neural networks by combination of wireline and mud logging in funing formation,gaoyou sag[J].Well Logging Technology,2015,39(2):241-246

[19] 李智強(qiáng),范宜仁,鄧少貴,等.基于改進(jìn)差分進(jìn)化算法的陣列側(cè)向測井反演[J].吉林大學(xué)學(xué)報:地球科學(xué)版,2010,40(5):1199-1204 LI Z Q,FAN Y R,DENG S G,et al.Inversion of array laterolog by improved difference evolution [J].Journal of Jilin University:Earth Science Edition,2010,40(5):1199-1204

[20] 王婧慈,郭海敏.基于標(biāo)準(zhǔn)層及改進(jìn)遺傳算法的剩余油測井評價[J].測井技術(shù),2012,36(5):537-542 WANG J C,GUO H M.On the remaining oil log evaluation based on standard layer and improved adaptive genetic algorithm[J].Well Logging Technology,2012,36(5):537-542

[21] 宋歡,胡耀垓,趙正予,等.基于混合遺傳算法的斜測電離圖參數(shù)反演[J].地球物理學(xué)報,2014,57(3)：703-714 SONG H,HU Y H,ZHAO Z Y,et al.Inversion of oblique ionograms based on hybrid genetic algorithm[J].Chinese Journal of Geophysics,2014,57(3):703-714

[22] 羅紅明,王家映,朱培民,等.基于免疫算法的地球物理反演研究[J].石油地球物理勘探,2008,43(2):222-228 LUO H M,WANG J Y,ZHU P M,et al.Study of geophysical inversion based on immunity algorithm[J].Oil Geophysical Prospecting,2008,43(2):222-228

[23] 曹炬,賈紅,李婷婷.煙花爆炸優(yōu)化算法[J].計(jì)算機(jī)工程科學(xué),2011,33(1):138-141 CAO J,JIA H,LI T T.A fireworks explosion optimization algorithm[J].Computer Engineering&Science,2011,33(1):138-141

[24] 楊玉婷,史玉回,夏順仁.基于討論機(jī)制的頭腦風(fēng)暴優(yōu)化算法[J].浙江大學(xué)學(xué)報:工學(xué)版,2013,47(10):1705-1711 YANG Y T,SHI Y H,XIA S R.Discussion mechanism based brain storm optimization algorithm[J].Journal of Zhejiang University:Engineering Science,2013,47(10):1705-1711

[25] 張進(jìn),安振芳,邢磊.基于混沌蟻群算法的彈性阻抗反演[J].石油物探,2015,54(6):716-723 ZHANG J,AN Z F,XING L.Elastic impedance inversion based on chaos ant colony algorithm[J].Geophysical Prospecting for Petroleum,2015,54(6):716-723

[26] 謝健,周永權(quán),陳歡.一種基于Lévy飛行軌跡的蝙蝠算法[J].模式識別與人工智能,2013,26(9):829-837 XIE J,ZHOU Y Q,CHEN H.A bat algorithm based on lévy flights trajectory[J].Pattern Recognition and Artificial Intelligence,2013,26(9):829-837

[27] 程九龍,李明星,肖艷麗,等.全空間條件下礦井瞬變電磁法粒子群優(yōu)化反演研究[J].地球物理學(xué)報,2014,57(10):3478-3484 CHENG J L,LI M X,XIAO Y L,et al.Study on particle swarm optimization inversion of mine transient electromagnetic method in whole-space[J].Chinese Journal of Geophysics,2014,57(10):3478-3484

[28] 王磊,張漢鵬,張東寧.基于對立搜索和混沌變異的磷蝦覓食優(yōu)化算法[J].控制與決策,2015,30(9):1617-1622 WANG L,ZHANG H P,ZHANG D N.An improved krill herd algorithm based on oppositional searching and chaos mutation[J].Control and Decision,2015,30(9):1617-1622

[29] 張氫,陳丹丹,秦仙蓉.雜草算法的收斂性分析及其在工程中的應(yīng)用[J].同濟(jì)大學(xué)學(xué)報：自然科學(xué)版,2010,38(11):1689-1693 ZHANG Q,CHEN D D,QIN X R.Convergence analysis of invasive weed optimization algorithm and its application in engineering[J].Journal of Tongji University:Natural Science,2010,38(11):1689-1693

[30] 高維尚,邵誠,高琴.群體智能優(yōu)化中的虛擬碰撞:雨林算法[J].物理學(xué)報,2013,62(19):190202 GAO W S,SHAO C,GAO Q.Pseudo-collision in swarm optimization algorithm and solution:rain forest algorithm[J].Acta Physica Sinica,2013,62(19):190202

[31] FREUND Y,SCHAPIRE R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].Journal of Computer and System Sciences,1997,55(1):119-139

[32] 趙達(dá),許浩,湯達(dá)禎,等.臨興地區(qū)下石盒子組致密砂巖儲層成巖作用及有利成巖相研究[J].科技通報,2016,32(7):30-35 ZHAO D,XU H,TANG D Z,et al.Diagenesis and favorable diagenetic analysis on the tight sandstone reservoirs of the Lower Shihezi Formation in Linxing Area[J].Bulletin of Science and Technology,2016,32(7):30-35

[33] 陳程,文曉濤,郝亞炬,等.基于White模型的砂巖儲層滲透率特性分析[J].石油地球物理勘探,2015,50(4):723-729 CHEN C,WEN X T,HAO Y J,et al.Sandstone reservoir permeability characteristics analysis based on White model[J].Oil Geophysical Prospecting,2015,50(4):723-729

(編輯：陳 杰)

PermeabilitypredictionoftightsandstonereservoirbasedonimprovedBPNNandT2full-spectrum

ZHU Linqi1,2,ZHANG Chong1,2,HE Xiaoju3,WU Zhongbin4,ZHOU Xinbo5,DI Shuhua6,LI Yang6

(1.KeyLaboratoryofExplorationTechnologiesforOilandGasResources,MinistryofEducation,YangtzeUniversity,Wuhan430100,China;2.GeophysicsandOilResourceInstitute,YangtzeUniversity,Wuhan430100,China;3.ChangqingDivision,CNPCLogging,Gaoling710201,China;4.ZhuangxiOilProductionPlant,SINOPECShengliOilfield,Dongying257237,China;5.NaturalGasDivision,TarimOilfield,CNPC,Korla841000,China;6.HuabeiDivision,CNPCLogging,Renqiu062552,China)

In view of the difficulty of the existing NMR logging permeability model in the prediction of a tight sandstone reservoir with complex pore structures,after analyzing the defects of the back-propagation neural network (BPNN),we propose a method for predicting the permeability of tight sandstone reservoirs by using the BPNN algorithm improved by integrated regularization and discrete NMRT2full-spectrum data.For this method,a self-shaping algorithm is employed to automatically determine the number of hidden neurons,an adaptive rainforest optimization algorithm is used to avoid the BPNN iterations into local minimum values,theL2regularization technique is used to guarantee the algorithm stability,and the AdaBoost algorithm is used to concatenate several BPNNs to improve the generalization ability of the model.Discrete NMRT2full-spectrum data were extracted from 192 samples of tight sandstone reservoirs in a certain area for model building,which was used to predict the permeability of non-modeling wells.The results showed that it was more accurate to use the BPNN algorithm improved by integrated regularization in evaluating reservoir permeability,with a mean squared error of 0.286 only.

NMR Logging,T2full-spectrum,permeability,integration algorithm,L2regulation,adaptive rain forest optimization algorithm,BPNN improved by integrated regularization

P631

：A

1000-1441(2017)05-0727-08DOI:10.3969/j.issn.1000-1441.2017.05.013

朱林奇,張沖,何小菊,等.基于改進(jìn)BPNN與T2全譜的致密砂巖儲層滲透率預(yù)測[J].石油物探,2017,56(5):734

ZHU Linqi,ZHANG Chong,HE Xiaoju,et al.Permeability prediction of tight sandstone reservoir based on improved BPNN and T2 fullspectrum

[J].Geophysical Prospecting for Petroleum,2017,56(5):734

2016-09-13;改回日期：2017-02-21。

朱林奇(1993—),男,博士在讀,主要從事巖石物理研究、機(jī)器學(xué)習(xí)的地球物理運(yùn)用研究以及地球物理測井解釋與評價工作。

張沖(1983—),男,副教授,主要從事地球物理測井解釋與評價工作。

湖北省自然科學(xué)基金項(xiàng)目(2013CFB396)與中國石油天然氣集團(tuán)公司重大專項(xiàng)(2013E-38-09)共同資助。

This research is financially supported by the Natural Science Foundation of Hubei Province,China (Grant No.2013CFB396) and Major project of China National Petroleum Corporation (Grant No.2013E-38-09).