BP神經(jīng)網(wǎng)絡(luò)在致密砂巖巖石相測井識別中的應(yīng)用
——以鄂爾多斯盆地杭錦旗地區(qū)J72井區(qū)盒1段儲層為例

郭 輝

(中國石化華北油氣分公司，河南鄭州 450006)

致密砂巖巖石相識別是低滲致密儲層評價的重要工作之一，前人研究表明，巖石相類型對致密氣藏物性及含氣性有一定的控制作用[1]，其研究方式與識別結(jié)果精準(zhǔn)度直接影響致密砂巖氣藏儲層質(zhì)量評價與開發(fā)方案部署。在傳統(tǒng)巖石相識別中，交匯圖版法未考慮測井曲線相似性的干擾，從而導(dǎo)致圖版中的樣本點(diǎn)相互重疊、界限模糊，巖石相識別效果較差[2]；BP神經(jīng)網(wǎng)絡(luò)算法通過輸入訓(xùn)練集、學(xué)習(xí)以及監(jiān)督，再反向傳播學(xué)習(xí)誤差，多次迭代，從而使誤差收斂到最小值，該算法能彌補(bǔ)傳統(tǒng)圖版法、模糊聚類法以及主成分分析法的不足[3]。BP神經(jīng)網(wǎng)絡(luò)算法在識別巖性或者巖石相的應(yīng)用中比較成熟，取得了較好效果，張洪(2002)等[4]利用BP神經(jīng)網(wǎng)絡(luò)對金衢盆地巖性進(jìn)行識別，并改善了算法收斂性；薛文卓(2019)等[5]將BP神經(jīng)網(wǎng)絡(luò)在銀額盆地巖性識別中進(jìn)行應(yīng)用，識別精度提高約20%；區(qū)舫[6]等將基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于Fauqi油田巖性識別中，識別精度達(dá)到84.1%；單敬福[3](2017)等通過優(yōu)選對巖性反映較為敏感的自然伽馬以及光電吸收截面指數(shù)作為輸入向量，基于BP神經(jīng)網(wǎng)絡(luò)算法對氣田石英砂巖、巖屑石英砂巖、巖屑砂巖以及泥巖共4種巖性進(jìn)行識別，符合率為90%，但只用自然伽馬以及光電吸收截面指數(shù)這兩種曲線作為輸入向量，對于研究區(qū)5種巖石相(礫巖相、礫質(zhì)砂巖相、粗砂巖相、中細(xì)砂巖相以及泥巖相)識別精度不高，約71%。因此，文中通過對鄂爾多斯盆地杭錦旗地區(qū)J72井區(qū)盒1段巖石相的合理分類，在BP神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上進(jìn)行改進(jìn)，通過優(yōu)選自然伽馬(GR)、聲波時差(AC)、補(bǔ)償中子(CNL)、補(bǔ)償密度(DEN)以及地層真電阻率(RT)共5條測井曲線，對全區(qū)已鉆井目的層非取心段進(jìn)行巖石相識別預(yù)測，為有效砂體預(yù)測及井位部署提供支撐。

1 BP神經(jīng)網(wǎng)絡(luò)方法原理

1986年Rumelhalt等提出BP神經(jīng)網(wǎng)絡(luò)算法，該算法是在按照誤差逆向傳播算法訓(xùn)練基礎(chǔ)上形成的多層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)模型包括輸入層、隱含層和輸出層[7]。首先，批量輸入學(xué)習(xí)樣本后初始化、設(shè)置初始權(quán)值、閾值、初始學(xué)習(xí)效率以及學(xué)習(xí)精度等；其次，利用公式(1)、公式(2)以及公式(3)計算各層的輸入值和輸出值，其誤差值與設(shè)置誤差值進(jìn)行比較，不滿足時進(jìn)行逆向反饋，最終采用誤差梯度最大下降法對權(quán)值和閾值不斷進(jìn)行修正；最后，通過設(shè)置迭代終止條件，即輸出值與期望目標(biāo)值接近，誤差小于一定值時終止遞歸[8]。

隱藏層、輸出層以及激活函數(shù)如下式：

(1)

(2)

激活函數(shù)：f(x)=(1+e-x)-1

(3)

式中：αh為第h個隱藏層輸出，無量綱；Xi為輸入層第i個樣本點(diǎn)，無量綱；Vih為輸入層第i個節(jié)點(diǎn)到隱藏層的權(quán)值，無量綱；γh為隱藏層第h個神經(jīng)元的閾值，無量綱；Whi為隱藏層第h個節(jié)點(diǎn)到輸出層的權(quán)值，無量綱；βj為輸出層第j個神經(jīng)元的閾值，無量綱。

BP神經(jīng)網(wǎng)絡(luò)算法以取心井段的各種敏感曲線值作為輸入變量，相對應(yīng)的巖石相類型作為輸出變量，通過修正、迭代得出各曲線值與對應(yīng)巖石相之間特征映射關(guān)系，最終對未取心井段進(jìn)行巖石相識別。

2 地質(zhì)概況

鄂爾多斯盆發(fā)育于華北克拉通之上，將其劃分為天環(huán)坳陷、伊盟隆起、伊陜斜坡、渭北隆起、晉西撓褶帶和西緣逆沖斷裂構(gòu)造帶等六個一級構(gòu)造單元[10-11]。杭錦旗地區(qū)位于鄂爾多斯伊陜斜坡北部，與伊盟北部隆起，天環(huán)坳陷相接觸，J72井區(qū)位于伊陜斜坡與伊盟隆起的過渡帶，北部為泊爾江海子斷裂[12]。

杭錦旗地區(qū)J72井區(qū)目的層為二疊系下石盒子組，地層厚度100～160 m，可劃分為盒1段、盒2段、盒3段，其中，盒1段為主力含氣層系。二疊世時期，盆地性質(zhì)由海盆演變?yōu)楹瑁率凶咏M沉積環(huán)境也相應(yīng)的由海相轉(zhuǎn)變?yōu)殛懴?，環(huán)境濕熱，北部古陸強(qiáng)烈剝蝕，物源充足，沉積物粒度變化大、礦物成分種類復(fù)雜、巖石相類型變化快，為沖積扇背景下的辮狀河沉積[13-15]，發(fā)育心灘、辮狀河道以及泛濫平原等沉積微相。該區(qū)鉆井、測試資料表明，下石盒子組致密氣資源豐富，但獲得工業(yè)產(chǎn)能的井較少[17-18]。

通過J72井區(qū)盒1段12口取心井共計106個巖石薄片資料分析，盒1段巖石類型主要為巖屑砂巖，其次為巖屑石英砂巖。其中，石英含量56.0%～79.0%，平均68.9%；巖屑含量16.0%～45.0%，平均30.0%；長石含量較低，平均0.6%。盒1段沉積物多為粒度較粗的砂礫級顆粒，粒度變化大，膠結(jié)物主要為方解石、自生黏土礦物，其次為石英。

3 巖石相類型及測井響應(yīng)特征

3.1 巖石相類型

巖石相是控制優(yōu)質(zhì)儲層分布的重要因素之一，巖石相研究是儲層評價的基礎(chǔ)[19]?；?8口取心井共388.6 m巖心觀察與描述，依據(jù)沉積構(gòu)造、粒度等因素，綜合考慮巖石相劃分及識別的必要性和可能性，將盒1段巖石相分為5類：礫巖相、礫質(zhì)砂巖相、粗砂巖相、中細(xì)砂巖相以及泥巖相。

礫巖相：雜基支撐或顆粒支撐，分選較差、磨圓中等，常見礫石定向排列，分布在心灘底部或河道底部，儲層物性較差，孔隙度為4%～8%，滲透率為0.1×10-3～0.7×10-3μm2。

礫質(zhì)砂巖相：分布在心灘底部或河道底部，儲層物性較好，孔隙度為4%～12%，滲透率為0.3×10-3～0.9×10-3μm2。

粗砂巖相：分布在心灘或辮狀水道中，是盒1段優(yōu)勢巖石相，儲層物性最好，孔隙度為6%～12%，滲透率為0.3×10-3～0.9×10-3μm2。

中細(xì)砂巖相：分布在心灘頂部或辮狀水道中，儲層物性較差，孔隙度為2%～6%，滲透率為0.1×10-3～0.3×10-3μm2。

泥巖相：含泥質(zhì)粉砂巖、粉砂質(zhì)泥巖以及泥巖，主要分布在溢岸、泛濫平原等沉積微相中。

3.2 巖石相測井響應(yīng)

沉積構(gòu)造、顆粒大小、礦物成分以及泥質(zhì)含量等因素導(dǎo)致巖石相測井曲線特征存在一定差異，可反映巖石地質(zhì)特征與物理性質(zhì)的變化[20]。其中，J72井區(qū)對GR、AC、DEN、CNL、RT曲線最為敏感，結(jié)合取心觀察、巖石相描述、巖心標(biāo)定，總結(jié)出盒1段不同巖石相測井曲線響應(yīng)特征(圖1)。結(jié)果表明，礫巖相具有中-高自然伽馬(齒化箱形)，中-低聲波時差、中-低補(bǔ)償中子以及中-高密度等特征；礫質(zhì)砂巖相具有中-低自然伽馬(鐘形)、中-低聲波時差、中-高密度以及低地層電阻率等特征；粗砂巖相具有低自然伽馬(光滑箱形)、低聲波時差、中-低密度及中-低電阻率等特征；中細(xì)砂巖相具有中-高自然伽馬(齒化指形)、中-高聲波時差、高密度以及中高地層電阻率等特征；泥巖相具有高自然伽馬(平直狀)、高聲波時差、低密度以及中電阻率等特征(表1)。

表1 J72井區(qū)盒1段巖石相測井響應(yīng)特征

圖1 杭錦旗地區(qū)J72井區(qū)測井交匯分析

4 巖石相識別

4.1 BP神經(jīng)網(wǎng)絡(luò)識別巖石相流程

4.1.1 樣本采集與歸一化

由于測井儀器在測試過程中受到泥漿、井徑等測量因素的影響而存在誤差，常規(guī)測井曲線標(biāo)準(zhǔn)化可以消除誤差，但測井曲線的儀器故障、刻度錯誤等特殊誤差仍存在，因此有必要對曲線進(jìn)行歸一化處理[21-26]。將5條敏感曲線進(jìn)行歸一化，公式為：

(4)

式中：Δφ為歸一化的曲線值，無量綱；φ為任意曲線的值，無量綱；φmax為最大曲線值，無量綱；φmin為最小曲線值，無量綱。

4.1.2 曲線相關(guān)性分析

在識別巖石相之前，先對5條敏感曲線做相關(guān)性分析，了解曲線之間的相關(guān)性，避免曲線之間存在多重共線性特征。在相關(guān)系數(shù)矩陣中，AC曲線與DEN曲線相關(guān)系數(shù)最大，最大值僅為0.193 9，因此，各曲線間不存在多重共線性特征，故不影響識別結(jié)果(表2)。

表2 各曲線相關(guān)系數(shù)矩陣

4.1.3 初始化網(wǎng)絡(luò)

輸入樣本數(shù)據(jù)點(diǎn)，以[GR，AC，DEN，CNL，RT，巖石相]的文本格式輸入，建立BP神經(jīng)網(wǎng)絡(luò)，采用梯度下降法，激活函數(shù)為f(x)=(1+e-x)-1。取網(wǎng)絡(luò)中初始化參數(shù)：學(xué)習(xí)步長α=0.7，學(xué)習(xí)效率η=0.88，網(wǎng)絡(luò)迭代1 000次，學(xué)習(xí)總誤差δ=0.000 1；將曲線總類數(shù)作為輸入層的節(jié)點(diǎn)數(shù)，選取5條測井曲線(GR、AC、DEN、DEN、RT)，將輸入層節(jié)點(diǎn)數(shù)設(shè)計為5；設(shè)計1個隱含層數(shù)，當(dāng)輸入節(jié)點(diǎn)數(shù)為n時，隱含層節(jié)點(diǎn)數(shù)一般為2n+1[7]，將隱含層節(jié)點(diǎn)數(shù)設(shè)計為11；本次巖石相類型歸為5大類，將輸出層輸出節(jié)點(diǎn)數(shù)設(shè)計為5；然后將各權(quán)值設(shè)計在(-1，1)區(qū)間內(nèi)隨機(jī)提取權(quán)值，最后設(shè)置每個閾值為1。

4.1.4 計算各層神經(jīng)元輸出

將整理好的樣本數(shù)據(jù)以[GR，AC，DEN，CNL，RT，巖石相]的文本格式輸入到輸入層中，利用隱含層計算公式(1)以及輸出層公式(2)計算隱含層和輸出層單元輸出激活函數(shù)f(x)=(1+e-x)-1的結(jié)果，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)模型正向傳遞學(xué)習(xí)。

4.1.5 計算誤差、修改權(quán)值和閾值

測井曲線值作為學(xué)習(xí)樣本，對應(yīng)的巖石相類型作為監(jiān)督數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練中，學(xué)習(xí)樣本以神經(jīng)元信號正向傳遞學(xué)習(xí)，每一層的神經(jīng)元學(xué)習(xí)結(jié)果只會影響下一層的神經(jīng)元，因此，如果輸出層誤差范圍大于設(shè)置好的容忍誤差值，就會啟動逆向反饋程序，誤差信號返回輸入層及隱含層；然后，基于梯度下降法修改各層神經(jīng)元中的權(quán)值以及閾值，從而使得誤差值降到最小，持續(xù)迭代計算反傳誤差。權(quán)值調(diào)整計算公式如下：

Wi(j+1)=ασjβkαi+τΔWij

(5)

式中：Wi(j+1)為輸入層第i個節(jié)點(diǎn)到隱含層第j個節(jié)點(diǎn)處的權(quán)值，無量綱；α為學(xué)習(xí)步長(默認(rèn)0.7)；σj為隱含層第j個節(jié)點(diǎn)數(shù)的誤差項(xiàng)，無量綱；βk為輸出層第k個節(jié)點(diǎn)數(shù)的輸出項(xiàng)，無量綱；αi為輸入層第i個節(jié)點(diǎn)數(shù)的輸出項(xiàng)，無量綱；τ為動量因子(默認(rèn)0.8)。

4.1.6 巖石相識別計算

由于此次網(wǎng)絡(luò)迭代次數(shù)為1 000次，從第1次開始，每迭代1次，系統(tǒng)學(xué)習(xí)1次，持續(xù)迭代根據(jù)誤差值修改各層的權(quán)值和閾值，計算誤差值是否滿足δ小于0.000 1。若在1 000次以內(nèi)，計算誤差δ小于0.000 1，則跳出迭代，保存最后一次計算的權(quán)值與閾值；若到1 000次計算誤差δ仍然大于0.000 1，則跳出迭代程序，保存第1 000次計算的權(quán)值與閾值。

將歸一化曲線引入計算，巖石相有5類，分別為礫巖相(相代碼1)、礫質(zhì)砂巖相(相代碼2)、粗砂巖相(相代碼3)、中細(xì)砂巖相(相代碼4)以及泥巖相(相代碼5)。按分配的巖石相自然數(shù)識別結(jié)果輸出，如表3所示，按照程序記錄下的巖石相為自然數(shù)1、2、3、4、5，根據(jù)事先迭代完成后得出的權(quán)值以及閾值，確定自然數(shù)與巖石相的特征映射關(guān)系，基于此映射關(guān)系可識別出J72井區(qū)盒1段非取心段相對應(yīng)曲線的巖石相類型。

表3 識別結(jié)果分類

4.2 識別效果與驗(yàn)證

前期利用傳統(tǒng)交匯圖版法對J72井區(qū)盒1段巖性以及巖石相進(jìn)行了識別與預(yù)測，通過預(yù)測結(jié)果與取心井段驗(yàn)證，識別符合率較低，僅為50.3%。

利用研究區(qū)18口取心井總共988個樣本點(diǎn)，基于巖心刻度測井，并對曲線歸一化，將760個樣本點(diǎn)利用python軟件進(jìn)行BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練以及巖石相識別，預(yù)留錦7井以及錦88井總共228個樣本點(diǎn)帶入已完成BP神經(jīng)網(wǎng)絡(luò)識別巖石相中，驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性。識別結(jié)果表明：基于BP神經(jīng)網(wǎng)絡(luò)的巖石相預(yù)測準(zhǔn)確率顯著提高，平均識別符合率83.5%，其中，錦7井符合率為85.3%、錦88井符合率為82.8%(圖2)。以上分析可以看出，與傳統(tǒng)交會圖版法相比，BP神經(jīng)網(wǎng)絡(luò)算法的巖石相識別準(zhǔn)確度更高，可為精細(xì)刻畫砂體奠定堅實(shí)的基礎(chǔ)。

圖2 錦88井BP神經(jīng)網(wǎng)絡(luò)巖石相識別結(jié)果

5 結(jié)論

(1)杭錦旗地區(qū)J72井區(qū)盒1段巖石類型主要為巖屑砂巖和巖屑石英砂巖，粒度較粗，膠結(jié)物主要為方解石和自生黏土礦物。

(2)J72井區(qū)盒1段發(fā)育的巖石相可歸類為五大類，分別為礫巖相、礫質(zhì)砂巖相、粗砂巖相、中細(xì)砂巖相以及泥巖相，其中粗砂巖相和礫質(zhì)砂巖相的物性較好，為優(yōu)勢巖石相類型。

(3)不同巖石相類型的測井曲線響應(yīng)具有一定的差異性，優(yōu)選出自然伽馬、聲波時差、補(bǔ)償中子、補(bǔ)償密度、地層真電阻率共5條敏感曲線對巖石相進(jìn)行了識別，交會圖版法的識別正確率為50.3%，BP神經(jīng)網(wǎng)絡(luò)算法的識別正確率為83.5%，相較于交會圖版法準(zhǔn)確率提高了約30.0%。