人工神經(jīng)網(wǎng)絡(luò)巖性識(shí)別在地質(zhì)建模中的應(yīng)用

胡 泊，李 鋒，程光瑾，王 亮，童守強(qiáng)

（1.玉門油田分公司勘探開發(fā)研究院，甘肅酒泉 735019；2.玉門油田環(huán)慶分公司，甘肅慶陽 745700）

巖性識(shí)別是油藏描述中不可或缺的一部分，尤其在建模過程中，巖性模型更是不可缺少，不僅對(duì)后續(xù)孔隙度和滲透率模型起約束作用，還直接影響模型儲(chǔ)量的大小。傳統(tǒng)的巖性識(shí)別方法主要是人工擬合法，該方法不僅工作量大且常常依賴于操作人員的地質(zhì)經(jīng)驗(yàn)和工作熟練程度，解釋結(jié)果好壞因人而異。為了提高解釋精度，采用一種依靠計(jì)算機(jī)自動(dòng)識(shí)別巖性的方法成為地球物理學(xué)家的迫切要求，因此提出了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)法進(jìn)行巖性識(shí)別工作。在巖性識(shí)別過程中，神經(jīng)網(wǎng)絡(luò)對(duì)樣本有較強(qiáng)的學(xué)習(xí)能力，克服了以往人工統(tǒng)計(jì)法的缺陷，具有識(shí)別工作量小、解釋結(jié)果精度高等特點(diǎn)[1-3]。

1 神經(jīng)網(wǎng)絡(luò)概述

神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，通過模仿大腦的處理信息原理對(duì)外部刺激做出反應(yīng)。網(wǎng)絡(luò)系統(tǒng)可分為三個(gè)階段，首先對(duì)事物進(jìn)行感知，然后通過網(wǎng)絡(luò)傳播激活或抑制神經(jīng)元，最后做出反應(yīng)。其本身是一種計(jì)算模型，由大量的神經(jīng)元節(jié)點(diǎn)組成。每個(gè)節(jié)點(diǎn)均代表一個(gè)人為指定的輸入函數(shù)，簡(jiǎn)稱激活函數(shù)。每?jī)蓚€(gè)節(jié)點(diǎn)之間的鏈接均有權(quán)重，相當(dāng)于給神經(jīng)網(wǎng)絡(luò)賦予記憶功能。人工神經(jīng)網(wǎng)絡(luò)技術(shù)多用在函數(shù)逼近、某種無法進(jìn)行精確描述的算法的實(shí)現(xiàn)、邏輯策略表達(dá)等方面。能完成記憶、理解、學(xué)習(xí)、推理、判斷以及控制等復(fù)雜的工作。

神經(jīng)網(wǎng)絡(luò)模型主要分為三個(gè)組成部分，每個(gè)神經(jīng)元模型是由與輸入鏈接的處理單元和單個(gè)輸出組成。神經(jīng)元輸入xi的信號(hào)流向是單向的，神經(jīng)元輸出信號(hào)流也是如此。

用數(shù)學(xué)公式表達(dá)為：

其中：x1，x2...xp為輸入信號(hào)，wk1，wk2...wkp為神經(jīng)元k 的權(quán)值，uk為線性組合結(jié)果，φ（·）為激活函數(shù)，yk為神經(jīng)元k 的輸入值。

2 實(shí)例應(yīng)用

2.1 模型基本情況

文章建模用到的實(shí)例為一背斜構(gòu)造油藏，儲(chǔ)層厚度大，物性好且邊底水發(fā)育。本次建模平面網(wǎng)格為20 m×20 m，縱向網(wǎng)格0.5 m，共計(jì)501 923 個(gè)網(wǎng)格，模型縱向劃分6 個(gè)含油小層。

2.2 巖相劃分

建模過程中需要建立區(qū)塊的巖性模型，用來約束孔隙度、滲透率模型以及控制最終模型地質(zhì)儲(chǔ)量。一般建模常用方法是通過設(shè)置泥質(zhì)含量曲線門限值來區(qū)分巖性，但是這種單一的屬性對(duì)儲(chǔ)層巖性反映往往有偏差，且很難確定合理的門限值，導(dǎo)致計(jì)算結(jié)果不準(zhǔn)確，降低了模型的精度。因此本文建模采用神經(jīng)網(wǎng)絡(luò)技術(shù)以多種測(cè)井資料數(shù)據(jù)作為輸入值進(jìn)行模糊聚類和預(yù)測(cè)估算。

區(qū)塊所獲取井資料有GR、NPHI、PERM、POR、SP、SW、VSH 和RHOB 共八種，通過數(shù)據(jù)之間的相關(guān)性分析，對(duì)曲線進(jìn)行優(yōu)選和剔除，得到神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)（見表1）。

分析結(jié)果顯示，POR（0.967 9）、PERM（0.967 6）、VSH（0.949 7）和GR（0.808 7）四個(gè)數(shù)據(jù)和其他數(shù)據(jù)之間具有較強(qiáng)的相關(guān)性，因此該四項(xiàng)數(shù)據(jù)具有一定代表性，可作為輸入?yún)?shù)。其中POR、PERM 和VSH 三項(xiàng)數(shù)據(jù)兩兩之間呈現(xiàn)出較高的相關(guān)性，表明它們之間具有相同的數(shù)據(jù)來源，選其一作為輸入?yún)?shù)即可，因此最終確定POR 和GR 作為輸入項(xiàng)。建立神經(jīng)網(wǎng)絡(luò)模型，設(shè)置神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元為2，輸出層神經(jīng)元個(gè)數(shù)也為2，最大迭代次數(shù)為20，誤差控制范圍5%（見圖1）。

圖1 神經(jīng)網(wǎng)絡(luò)巖性判別結(jié)構(gòu)框圖

表1 井?dāng)?shù)據(jù)相關(guān)性表

計(jì)算求解，并與常規(guī)人工巖性識(shí)別結(jié)果進(jìn)行對(duì)比（見圖2）。

圖2 巖性計(jì)算結(jié)果對(duì)比圖

圖2 中可以看出，兩種方法巖性計(jì)算結(jié)果基本相似（左側(cè)為常規(guī)方法計(jì)算結(jié)果，右側(cè)為神經(jīng)網(wǎng)絡(luò)方法計(jì)算結(jié)果），差距不超過10 %。常規(guī)方法計(jì)算得到砂泥含量分別為28 %和72 %，神經(jīng)網(wǎng)絡(luò)模型計(jì)算得到的砂泥含量分別為31 %和69 %，神經(jīng)網(wǎng)絡(luò)模型計(jì)算出的砂泥比略微偏高，但整體縱向分布大致相同。

2.3 儲(chǔ)量計(jì)算

在相同的差值算法下依次建立出孔隙度模型和凈毛比模型，設(shè)置地層物性參數(shù)并求解模型地質(zhì)儲(chǔ)量（見表2、表3）。

表2 常規(guī)方法模型儲(chǔ)量誤差表

表3 神經(jīng)網(wǎng)絡(luò)方法模型儲(chǔ)量誤差表

巖性模型對(duì)孔隙度模型和凈毛比模型都有一定的影響，在一定程度上決定了模型儲(chǔ)量的大小。儲(chǔ)量結(jié)果對(duì)比來看，通過神經(jīng)網(wǎng)絡(luò)技術(shù)建立的巖性模型對(duì)于最終儲(chǔ)量的計(jì)算誤差更小，無論小層儲(chǔ)量還是總體儲(chǔ)量都接近真實(shí)儲(chǔ)量，證實(shí)了神經(jīng)網(wǎng)絡(luò)模型對(duì)于巖性分類的計(jì)算較常規(guī)方法更為準(zhǔn)確。

3 結(jié)論

（1）神經(jīng)網(wǎng)絡(luò)方法沒有嚴(yán)格的數(shù)學(xué)推導(dǎo)，但從實(shí)用性方面來說，由于其模擬了人類等生物的思維判斷方式，在樣品之間關(guān)系非常模糊的情況下，有著明顯的識(shí)別優(yōu)勢(shì)。本文通過神經(jīng)網(wǎng)絡(luò)模型計(jì)算的巖性結(jié)果與常規(guī)方法計(jì)算得到的巖性結(jié)果基本相似，誤差不超過百分之十，該方法操作簡(jiǎn)單，計(jì)算速度快，不需要太多經(jīng)驗(yàn)就能通過人工智能方法高效完成巖性識(shí)別，具有一定的實(shí)際應(yīng)用價(jià)值。

（2）從預(yù)測(cè)結(jié)果可以看出，利用神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)層巖性的計(jì)算結(jié)果更加準(zhǔn)確，通過模型儲(chǔ)量誤差對(duì)比，發(fā)現(xiàn)該方法減少了3.5 %的誤差，證實(shí)了神經(jīng)網(wǎng)絡(luò)的可靠性和精確性，讓分類變得簡(jiǎn)單智能化。