基于核磁共振錄井數(shù)據(jù)的多層感知器神經(jīng)網(wǎng)絡對蘇里格氣田南區(qū)的評價預測

田 士 偉

(中國石油長城鉆探工程有限公司錄井公司)

0 引 言

隨著勘探開發(fā)的不斷深入，研究對象越來越復雜，低孔隙度、低滲透率和低飽和度的油氣藏已成為油氣勘探與開發(fā)中研究的重點。蘇里格氣田是典型的低孔隙度、低滲透率且豐度較低的天然氣田，目前已在天然氣成藏條件[1-2]、層序地層和沉積體系[3-7]、油氣富集規(guī)律及勘探開發(fā)方面進行了大量全面精細的研究[8-9]，而且形成了很多氣層解釋評價方法，如電阻率比值法[10]、測井資料結合光電截面參數(shù)建立解釋模型[11]、測井綜合評價[12-14]、氣測全烴和輕烴錄井評價方法等[15-17]。隨著信息技術的不斷進步，正在嘗試加強統(tǒng)計分析法、挖掘系統(tǒng)法和神經(jīng)網(wǎng)絡法在氣層解釋識別中的應用，尤其是利用神經(jīng)網(wǎng)絡法確定測試參數(shù)與含油氣性之間的復雜關系。

錄井資料中蘊藏著大量的統(tǒng)計特征與模糊信息，多層感知器神經(jīng)網(wǎng)絡方法又具有較好的識別能力和判別分析效果，因而利用已知的錄井數(shù)據(jù)資料作為樣本，通過智能訓練學習，對未知井的錄井數(shù)據(jù)進行識別預測，可以建立儲集層含氣性識別的網(wǎng)絡模型。本文以蘇里格氣田南區(qū)主要產(chǎn)氣層山西組及石盒子組儲集層為例，通過收集該地區(qū)近幾年試氣井段核磁共振錄井數(shù)據(jù)和試氣結論，利用一種基于多層感知器神經(jīng)網(wǎng)絡方法進行快速智能解釋評價預測，該方法可以極大地提高錄井資料評價識別速度和識別的準確度，為儲集層含氣性識別提供參考依據(jù)。

1 研究區(qū)概況

蘇里格氣田南區(qū)位于陜西省榆林市定邊縣、靖邊縣和延安市吳起縣、志丹縣境內(nèi)，勘探面積2 392.4 km2[18]，區(qū)域構造屬于鄂爾多斯盆地伊陜斜坡西部中段，主要受控于近南北向分布的大型河流、三角洲砂體帶，是典型的巖性圈閉氣藏，由多個單砂體橫向復合疊置而成，為典型的低孔隙度、低滲透率、低豐度的大型氣藏[19]。蘇里格氣田生儲蓋層組合良好，上古生界生氣源巖主要為石炭-二疊紀煤系地層和暗色泥巖，有機質類型以腐殖型為主，僅本溪組、太原組泥巖有機質類型為腐泥腐殖型。上古生界儲集層砂巖從本溪組到石千峰組都有氣層分布，以山西組和下石盒子組為主，儲集層以石英砂巖、巖屑砂巖為主。上部穩(wěn)定展布的湖相泥巖構成了氣藏良好的區(qū)域蓋層[1]。其儲集層沉積相為辮狀河沉積體系，儲集層物性較差，屬于低孔隙度、低滲透率儲集層，低壓氣藏。該區(qū)上古氣藏地層水型以CaCl2型為主，地層水礦化度較低，范圍為30～216.94 g/L，氣藏特征主要表現(xiàn)為甲烷含量較高，凝析油含量較低[20-21]。

2 多層感知器神經(jīng)網(wǎng)絡模型建立

2.1 多層感知器神經(jīng)網(wǎng)絡基本原理

多層感知器是人工神經(jīng)網(wǎng)絡中非常重要的一種類型，可以將一組輸入向量映射到一組輸出向量，輸入與輸出之間可以多層加權連接。多層感知器既可以解決線性可分問題也可以解決非線性可分問題。

多層感知器的結構基本類似于一套級聯(lián)的感知器，主要由輸入層、隱藏層和輸出層組成。多層感知器一般包含一個或多個隱藏層，并且每個隱藏層中均有數(shù)個并行的感知器神經(jīng)元，這些隱藏層神經(jīng)元能夠從輸入樣本中逐步提取多種有用特征。在使用之前需要先對它進行訓練，通過輸入樣本對神經(jīng)網(wǎng)絡進行訓練，能夠從數(shù)據(jù)樣本中自動地學習并揭示樣本中所蘊含的非線性關系，其對事物和環(huán)境具有很強的自學習、自適應、聯(lián)想記憶、并行處理和非線性轉換的能力[22]。

2.2 多層感知器神經(jīng)網(wǎng)絡模型建立流程

本次模型建立用到了統(tǒng)計學軟件SPSS，模型所含的人工神經(jīng)網(wǎng)絡模型主要有多層感知器和徑向基函數(shù)(RBF)方法，其中的多層感知器是一種前饋式有監(jiān)督的機器學習方法，多用于發(fā)現(xiàn)數(shù)據(jù)間極為復雜的關系[23]。

具體實現(xiàn)流程：首先將“試油結論”移入因變量(輸出層)中，將分類變量“層位”移入因子框中，其他數(shù)值變量移入到協(xié)變量框中。因各輸入變量量綱不同，需對輸入數(shù)據(jù)進行標準化處理。網(wǎng)絡結構模型如圖1所示，模型包括1個輸入層、1個隱藏層和1個輸出層。輸入層為孔隙度、含氣飽和度、含水飽和度、束縛水飽和度、可動水飽和度、初始狀態(tài)束縛水飽和度、初始狀態(tài)可動水飽和度7個核磁共振錄井測得的參數(shù)，3個地層信息和1個偏置量，共11個神經(jīng)單元；隱藏層包含6個神經(jīng)單元；輸出層為氣層、氣水同層、含氣層、水層4個神經(jīng)單元。其隱藏層激活函數(shù)采用雙曲正切函數(shù)，輸出層激活函數(shù)采用Softmax函數(shù)，神經(jīng)網(wǎng)絡優(yōu)化算法采用調整的共軛梯度算法。

2.3 多層感知器神經(jīng)網(wǎng)絡模型建立

首次建立模型需要預防過度訓練現(xiàn)象，為此經(jīng)過了多次訓練確定本文樣本分區(qū)。

選擇蘇里格氣田南區(qū)有試氣結論的核磁共振數(shù)據(jù)樣本302組，將其中157組(52%)作為多層感知器模型訓練樣本，55組(18.2%)作為保持樣本，90組(29.8%)作為測試樣本，建立自學習多層感知器神經(jīng)網(wǎng)絡模型。利用訓練樣本在Softmax函數(shù)激活函數(shù)的作用下，計算出隱藏層各神經(jīng)元的鍵結值即代表相關聯(lián)的兩個變量之間的系數(shù)估計值(表1)；然后用已建立的多層感知器神經(jīng)網(wǎng)絡模型將3個分區(qū)樣本進行交叉對比，其橫坐標為試氣結論，縱坐標為預測擬概率(圖2)。觀察預測圖中多層感知器神經(jīng)網(wǎng)絡模型默認采用0.5為儲集層含氣性判別正確和錯誤概率分界。按照儲集層含氣性進行分組，當任一類儲集層含氣性為預測目標時，則其預測概率明顯高于其他三類儲集層含氣性，分類識別效果較好。同時，由觀察預測圖可以看出每個分類數(shù)據(jù)都存在一定的異常值，分析認為一方面可能是因為建模數(shù)據(jù)量少，另一方面在鉆取過程中因地層壓力變化，原始地層氣體膨脹逸散，導致核磁共振數(shù)據(jù)存在一定的異常值。因此，在后期研究中可以考慮附加一個補償系數(shù)恢復原始儲集層含氣量，同時取樣和測試過程中采用有效的保護而提高測試數(shù)據(jù)的準確性。

由于輸入層的自變量對模型輸出的結論有重大影響，多層感知器神經(jīng)網(wǎng)絡具有對自變量的重要性進行排序功能(圖3)。從圖3中看出孔隙度和層位影響程度最大，其次是初始狀態(tài)可動水飽和度、可動水飽和度、含氣飽和度，而初始狀態(tài)束縛水飽和度、含水飽和度、束縛水飽和度對含氣性識別影響較小。這也符合核磁共振弛豫時間T2譜圖的一般規(guī)律特征，可以說明已建立的多層感知器神經(jīng)網(wǎng)絡模型對儲集層含氣性判別的預測具備一定可信性。

表1 隱藏層神經(jīng)元節(jié)點的鍵結值

圖2 觀察預測圖

圖3 輸入層參數(shù)重要性排序對比

2.4 多層感知器神經(jīng)網(wǎng)絡模型分類結果

建立的多層感知器神經(jīng)網(wǎng)絡模型對所有樣本的儲集層含氣性識別結果見表2。訓練集中有157個核磁共振樣本，其中154個樣本被正確分類，整體準確率達 98.1% ，2個氣層誤測為含氣水層和水層，1個水層誤測為氣層；測試集中有55個核磁共振樣本，其中53個樣本被正確分類，整體準確率為96.3%，1個氣層誤測為水層，1個水層誤測為氣層；保持樣本集中有90個核磁共振樣本，其中82個樣本被正確分類，整體準確率為91.1%，4個含氣水層誤判為氣層和水層，3個氣層被分別誤判為其他儲集層含氣性分類。整體上可以看出氣層判別準確率相對較低，分析原因可能是由于該區(qū)為低孔隙度、低滲透率、低壓氣藏，儲集層含氣飽和度相對較低，或者儲集層樣品中氣體逸散，使得氣層預測相對準確率偏低。但是，整體上建立的多層感知器網(wǎng)絡模型對儲集層含氣性的識別預測效果較好，基本實現(xiàn)了快速、有效預測低滲透率儲集層含氣性的目標。

表2 多層感知器神經(jīng)網(wǎng)絡訓練、測試、保持樣本結果分類

3 應用效果分析

以蘇里格南區(qū)S 1井、S 2井兩口井的盒8段和山1段共60組核磁共振錄井數(shù)據(jù)為研究對象，選擇層位、孔隙度、初始狀態(tài)束縛水飽和度、含氣飽和度、含水飽和度、可動水飽和度、初始狀態(tài)可動水飽和度、束縛水飽和度作為神經(jīng)網(wǎng)絡的輸入層，利用構建的多層感知器神經(jīng)網(wǎng)絡模型，對儲集層含氣性進行預測。

S 1井30組氣層中有2組數(shù)據(jù)誤判為含氣水層和水層，13個含氣水層中有2個含氣水層誤判為水層；S 2井17個水層中有1個誤判為含氣水層。相對試氣結論55組樣本被正確分類，整體準確率達 91.7%(圖4)。可見，應用多層感知器神經(jīng)網(wǎng)絡模型得到的儲集層含氣性評價與試油結果具有較好的一致性，取得的預測效果較為準確，表明該方法能為儲集層含氣性評價提供可靠依據(jù)和技術支撐。

圖4 核磁共振錄井綜合評價圖

4 結 論

基于核磁共振錄井的測試參數(shù)，利用多層感知器神經(jīng)網(wǎng)絡分析方法，可對儲集層含氣性進行評價，并在初步的模型應用中，取得了較好的應用效果。本次建模選擇有試氣結論的核磁共振錄井數(shù)據(jù)，數(shù)據(jù)量相對較少，隨著數(shù)據(jù)量的增大，多層感知器神經(jīng)網(wǎng)絡模型自學習能力越強，模型越準確。

儲集層含氣性影響因素復雜，不僅與巖石結構、物性、巖性、含油氣性相關，還與樣品鉆取和測試過程中氣體逸散特性相關，從而影響到數(shù)據(jù)的準確性和模型的預測精度，下一步研究中可通過嘗試附加一個補償系數(shù)恢復原始儲集層含氣量，以提高測試數(shù)據(jù)的準確性。也可以用核磁共振錄井參數(shù)結合地化錄井、地質信息等相關參數(shù)嘗試進行模型建立，進一步完善方法，提高儲集層含油氣性預測準確率。

多層感知器神經(jīng)網(wǎng)絡能快速有效地進行儲集層含氣性評價，同時還能確定各參與模型參數(shù)與儲集層含氣性的相關程度的大小，為今后解釋評價提供較好的參考。