基于多層感知器的流體識別

張 濤，趙 軍，韓 東，王偉明

（西南石油大學(xué) 地球科學(xué)與技術(shù)學(xué)院，四川成都 610500）

儲層流體識別是對儲層中流體類型的識別與描述，同時(shí)也是眾多學(xué)者研究的熱點(diǎn)問題之一。儲層流體識別，能為后期儲層開發(fā)技術(shù)前提，結(jié)合儲層分類為儲層開發(fā)提供有效手段。針對流體識別，已有前人做了大量的研究，利用測井資料以及儲層參數(shù)建立其識別手段，常用的方法包括交會圖法，統(tǒng)計(jì)建模法等[1-2]。隨著計(jì)算機(jī)智能化的加強(qiáng)，深度學(xué)習(xí)，BP神經(jīng)網(wǎng)絡(luò)，決策樹算法，支持向量機(jī)等各種數(shù)據(jù)挖掘算法評判儲層流體識別被廣泛運(yùn)用。針對本地區(qū)低滲儲層的物性相對較差，含油氣性較差，地震資料品質(zhì)差，且測井資料受多種因素的影響，綜合運(yùn)用多種方法建立儲層流體識別模型，在測井交會圖版法優(yōu)選的敏感參數(shù)的基礎(chǔ)上，將這些敏感參數(shù)作為輸入數(shù)據(jù)，利用多層感知器的高度非線性全局作用與自學(xué)習(xí)功能，建立研究區(qū)低滲儲層流體識別模型。

1 基本地質(zhì)特征

文昌A凹陷是南海北部大陸邊緣中珠江口盆地下珠三拗陷的一個(gè)次一級構(gòu)造單元，同時(shí)該凹陷的地理位置的表現(xiàn)中為西部與文昌C、文昌B凹陷相連，北部與陽江低凸起相接，南部與神狐隆起相鄰，受珠三斷裂的控制，文昌區(qū)地層發(fā)育較為完整，自下而上發(fā)育了古近系神狐組、文昌組、恩平組、珠海組和新近系珠江組、韓江組、粵海組、萬山組以及第四系地層。其中珠海組是勘探開發(fā)中的主要地層，珠海組是文昌A凹陷下的低滲油氣的儲集層段，在沉積時(shí)期經(jīng)歷大規(guī)模海侵，使得盆地由湖盆向潮坪轉(zhuǎn)化，整體演變成潮坪沉積環(huán)境，同時(shí)受到潮汐作用的影響伴生發(fā)育了扇三角洲沉積。

2 研究區(qū)流體測井響應(yīng)特征

研究區(qū)內(nèi)測井資料根據(jù)多種測錄井解釋方法與MDT測試、試采及生產(chǎn)數(shù)據(jù)的聯(lián)合結(jié)果，將研究區(qū)開發(fā)井的所有層段劃分為水層、氣層和氣水同層3類。不同的流體，在測井響應(yīng)上的表現(xiàn)不盡相同。根據(jù)測井響應(yīng)中的特征分析，研究區(qū)的測井參數(shù)與儲層流體性質(zhì)之間無法建立常規(guī)的線性相關(guān)，單一的測井響應(yīng)無法準(zhǔn)確識別研究區(qū)的儲層流體性質(zhì)，同時(shí)各參數(shù)之間存在一定的相關(guān)性，容易造成影響。為了消除各因素的相關(guān)性，同時(shí)為了放大各流體性質(zhì)之間的差異，將不同參數(shù)做不同的處理，得到不同的效果分析。但是依據(jù)人工解釋時(shí)，其結(jié)果有較強(qiáng)的人為操作因素，準(zhǔn)確性有待加強(qiáng)?？梢岳枚鄬痈兄鹘y井響應(yīng)特征或測井參數(shù)之間的處理結(jié)果與儲層流體性質(zhì)之間的非線性映射關(guān)系，準(zhǔn)確識別儲層流體性質(zhì)。

3 多層感知器原理

隨著深度學(xué)習(xí)的加強(qiáng)，多層感知器被廣泛運(yùn)用在語音識別、圖像識別、機(jī)器翻譯等領(lǐng)域中。隨著多層感知器反向傳播算法的運(yùn)用，多層感知器可以擬合復(fù)雜的函數(shù)，也能解決分類問題。本文基于多層感知器的流體識別模式，建立本地區(qū)低滲儲層流體識別模型。

3.1 MLP原理

多層感知器MLP（MulTI-layerPerceptron）是一種前向反饋的人工神經(jīng)網(wǎng)絡(luò)，同時(shí)也叫深度前饋網(wǎng)絡(luò)。MLP具有映射的性質(zhì)，可以將MLP看作有向圖，由輸入向量到輸出向量，同時(shí)輸入向量與輸出向量之間的數(shù)據(jù)點(diǎn)，視為節(jié)點(diǎn)。在同性質(zhì)的向量數(shù)據(jù)點(diǎn)中構(gòu)成節(jié)點(diǎn)層，進(jìn)行數(shù)據(jù)的傳輸，網(wǎng)絡(luò)數(shù)據(jù)由輸入節(jié)點(diǎn)向下層傳輸?shù)倪^程中，其他節(jié)點(diǎn)是帶有激活函數(shù)的神經(jīng)元。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法是模型運(yùn)用最為重要的環(huán)節(jié)，MLP訓(xùn)練中采用BP反向傳播算法，有監(jiān)督的方式訓(xùn)練能克服不可分?jǐn)?shù)據(jù)識別的弱點(diǎn)。

一個(gè)前饋神經(jīng)網(wǎng)絡(luò)可以包含三種節(jié)點(diǎn)。

輸入節(jié)點(diǎn)：同時(shí)也叫輸入層，主要是將特征信息與輸入節(jié)點(diǎn)之間進(jìn)行關(guān)聯(lián)，為后一步隱藏節(jié)點(diǎn)傳遞信息，并為后一步計(jì)算提供數(shù)據(jù)支撐。

隱藏節(jié)點(diǎn)：同時(shí)也叫隱藏層，是將特征信息進(jìn)一步加工的節(jié)層點(diǎn)，將輸入節(jié)點(diǎn)傳輸過來的數(shù)據(jù)進(jìn)行計(jì)算，同時(shí)將計(jì)算后的信息傳遞到輸出節(jié)點(diǎn)，隱藏節(jié)點(diǎn)的多少對計(jì)算的速度與收斂有著密切的關(guān)系。

輸出節(jié)點(diǎn)：也叫輸出層，作為傳遞信息中最后一環(huán)，進(jìn)一步將數(shù)據(jù)進(jìn)行計(jì)算，向網(wǎng)絡(luò)外部傳遞信息。

MLP與單層感知器的對比，其輸出層由單一變成多個(gè)，且由上述節(jié)點(diǎn)分析中得知，兩層結(jié)構(gòu)中多出一項(xiàng)隱藏層，其中隱藏層是在輸入層與輸出層之間，隱藏層的層數(shù)與輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)有關(guān)。

3.2 MLP訓(xùn)練過程

訓(xùn)練過程分為兩個(gè)階段：分為前向傳播與反向傳播階段。在前向傳播階段中，層與層之間通過傳播輸入信號獲取有用信息，最后到達(dá)輸出端。利用權(quán)值及輸入與輸出的過程，在這過程中輸入節(jié)點(diǎn)傳入的輸入信號限制在網(wǎng)絡(luò)中的隱藏層節(jié)點(diǎn)信號的輸出上。而反向傳播階段是訓(xùn)練過程中最為重要的一環(huán)，通過比較網(wǎng)絡(luò)輸出與期望輸出產(chǎn)生的誤差信號，將這個(gè)誤差信號通過網(wǎng)絡(luò)層層傳播，這次信號傳播是從輸出層反饋到輸入層，是一次反方向的傳播，其目的是對權(quán)值進(jìn)行校正。在上述訓(xùn)練過程中，網(wǎng)絡(luò)產(chǎn)生了兩種信號，分為函數(shù)信號與誤差信號，在前向傳播過程中輸入層產(chǎn)生一個(gè)輸入信號，通過整個(gè)網(wǎng)絡(luò)最后到達(dá)輸出層，這個(gè)輸入信號也被稱為函數(shù)信號。而誤差信號是在反向傳播過程中，輸出層產(chǎn)生一個(gè)輸出信號，逆向傳播到輸入層，由于網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)對這個(gè)信號的計(jì)算都涉及誤差依賴函數(shù)，這個(gè)輸出信號也叫誤差信號。在訓(xùn)練過程中同時(shí)伴隨著兩種信號的出現(xiàn)。MLP中除去輸入層，隱藏層與輸出層神經(jīng)元經(jīng)常對信號進(jìn)行兩種計(jì)算，這兩種計(jì)算分別是計(jì)算信號與計(jì)算梯度，其中計(jì)算信號的表征為輸入信號與權(quán)重的非線性函數(shù)；另一種表征為在誤差反向傳播過程中，計(jì)算誤差傳播梯度向量，反向通過網(wǎng)絡(luò)。

人工神經(jīng)網(wǎng)絡(luò)需要學(xué)習(xí)，針對不同的問題，采用不同的學(xué)習(xí)方式，在多層感知器中主要分為批量學(xué)習(xí)與在線學(xué)習(xí)。在MLP監(jiān)督學(xué)習(xí)訓(xùn)練中需要不斷調(diào)整權(quán)重，以期達(dá)到最優(yōu)模型值，在權(quán)重調(diào)整中樣例出現(xiàn)之后，批量學(xué)習(xí)用來統(tǒng)計(jì)推斷解決回歸問題。感知器的權(quán)重調(diào)整是在樣例的基礎(chǔ)上展開的，通過對實(shí)例運(yùn)用在線方法的權(quán)值校正，算法能夠更快執(zhí)行，且針對分類問題能夠供有效解。

在多層感知器的監(jiān)督訓(xùn)練的在線學(xué)習(xí)中，常采用BP神經(jīng)網(wǎng)絡(luò)算法誤差逆?zhèn)鞑サ奶攸c(diǎn)來調(diào)整網(wǎng)絡(luò)。MLP相鄰層節(jié)點(diǎn)之間有權(quán)重與偏置，通過BP神經(jīng)網(wǎng)絡(luò)的不斷調(diào)節(jié)權(quán)重與偏置，最后達(dá)到預(yù)期的輸出值。

3.3 MLP激活函數(shù)

MLP的激活函數(shù)可以是任意函數(shù)，在網(wǎng)絡(luò)中常使用階梯函數(shù)或者邏輯乙形函數(shù)，但是在反向傳播過程中為了進(jìn)行有效學(xué)習(xí)，函數(shù)要為可微函數(shù)。可微函數(shù)中邏輯乙形函數(shù)與雙曲正切函數(shù)具有很好的可微性，被用來作為激活函數(shù)。由于數(shù)據(jù)學(xué)習(xí)量較多，為解決計(jì)算梯度，本文采取的激活函數(shù)為雙曲正切函數(shù)?；谏鲜鲈?，利用測井響應(yīng)特征與常規(guī)圖版分析得到的儲層流體識別的敏感參數(shù)，建立多層感知器識別模型，分別選取在測井響應(yīng)分析中利用的全烴異常值、深側(cè)向電阻率RD、中子CNL、深淺側(cè)向電阻率的比值以及密度變化率與中子變化率之比，作為敏感參數(shù)的輸入數(shù)據(jù)，利用雙曲正切函數(shù)解決梯度消失問題，同時(shí)設(shè)置模型的隱含層數(shù)為一層，流體分類模型結(jié)果為輸出的多層感知器模型。

3.4 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)數(shù)據(jù)選取的為文昌區(qū)珠海組的MDT測試、試采及生產(chǎn)數(shù)據(jù)，氣層測試點(diǎn)數(shù)據(jù)113個(gè)，氣水同層85個(gè)，水層77個(gè)，建立的流體類型數(shù)據(jù)，與基于上述理論研究，選取樣本數(shù)據(jù)建立預(yù)測模型，得到儲層流體識別結(jié)果（表1）。

表1 MLP流體識別結(jié)果

在訓(xùn)練集中氣層數(shù)據(jù)有84個(gè)樣本，氣水同層63個(gè)樣本數(shù)據(jù)，水層57個(gè)樣本數(shù)據(jù)被正確分類，準(zhǔn)確率達(dá)到94.22%，同樣氣層數(shù)據(jù)中有6個(gè)樣本被誤判為氣水同層，水層數(shù)據(jù)中有4個(gè)樣本被誤判為氣水同層。在測試集中25個(gè)氣層樣本數(shù)據(jù)。19個(gè)氣水同層樣本數(shù)據(jù)，18個(gè)水層樣本數(shù)據(jù)被準(zhǔn)確識別，準(zhǔn)確率高達(dá)87.52%。

4 應(yīng)用實(shí)例

以文昌區(qū)珠海組某口井為例，根據(jù)測井?dāng)?shù)據(jù)并結(jié)合取心資料，利用多層感知器MLP實(shí)際處理并對比其生產(chǎn)數(shù)據(jù)，檢驗(yàn)效果。在文昌區(qū)1井的測量深度段為3 830～3 900m的測試氣中顯示的流體的性質(zhì)為氣層，根據(jù)其測井響應(yīng)特征，在交會圖中的識別中大部分為氣層，有一部分顯示為氣水同層，而多層感知器的識別中，顯示的是氣層，無氣水同層。根據(jù)測試段的生產(chǎn)結(jié)論，該段生產(chǎn)中不含水，這表明多層感知器的解釋模型相較于常規(guī)的測井交會圖法較為符合該段的流體性質(zhì)識別。

5 結(jié)論

利用常規(guī)測井響應(yīng)特征建立的儲層流體識別圖版，氣水同層與氣層的識別相對模糊。在交會圖法的基礎(chǔ)下，篩選出的測井敏感參數(shù)，為多層感知器提供輸入數(shù)據(jù)，增加了預(yù)測的精度和進(jìn)一步提高了泛化能力。多層感知器模型的識別的準(zhǔn)確率為87.52%，較為符合該地區(qū)的流體識別的精度要求，同時(shí)也為其他地區(qū)的流體識別提供借鑒。