郭海敏，趙亞寧，時新磊，彭紅浪（油氣資源與勘探技術教育部重點實驗室（長江大學）長江大學地球物理與石油資源學院 ，湖北 荊州434023）

基于BP神經網絡技術的水淹層評價

郭海敏，趙亞寧，時新磊，彭紅浪（油氣資源與勘探技術教育部重點實驗室（長江大學）長江大學地球物理與石油資源學院 ，湖北 荊州434023）

油層水淹后，油層的電阻率、自然電位、聲學性質以及核物理性質等均會發(fā)生一系列變化，而且這些變化同油層的物理性質、注入水性質以及注入量等有關。不同的注水時期，這些變化也是不同的，因而使地質情況更加復雜多變。此時如果僅僅依靠常規(guī)測井曲線的變化建立模型來評價水淹層，勢必造成很大誤差。根據常規(guī)測井資料，借助BP神經網絡，建立了BP網絡模型，用建立的模型對某斷塊的15口具有試油資料的井進行了水淹級別預測，正確率高達80%以上。結果表明，基于BP神經網絡的水淹層識別技術具有良好的應用效果。

常規(guī)測井曲線；試油資料；測井數據；BP神經網絡；水淹層評價

在水洗作用下，油層的粘土和泥質含量下降。注入水與原始地層水相混，混合水的電阻率隨著注入水的礦化度和注入水量的變化而變化。從電阻率曲線上看，與原始地層水電阻率Rw相比，混合水電阻率Rwz有3種可能：①淡水型水淹層，Rwz增高，Rwz＞Rw；②地層水型水淹層，Rwz近似不變，Rwz≈Rw；③污水型水淹層，當污水的礦化度大于原始地層水礦化度時，Rwz＜Rw。因而混合地層水電阻率復雜多變且難以確定，給應用電阻率測井資料計算水淹層含水飽和度造成了極大的困難［1］。油層經長期注水后，巖石的孔隙度和滲透率增加，而在蒙脫石較多的油層中，由于蒙脫石具有遇水膨脹的水敏特性，滲透率的變化比較復雜。對油層水淹后進行水淹評價十分困難，常規(guī)水淹層識別與評價的方法均存在著局限性，評價水淹層的其他測井方法比如核磁共振測井技術優(yōu)勢明顯，但是代價太高，只能在少數井中應用。筆者基于改進的BP神經網絡［2～6］開展水淹層識別研究，提取出能較好反映水淹層特征的測井參數值，對所選取的測井數據進行歸一化處理，來建立識別模型，避免了求取混合地層水電阻率的困難。利用所建立的網絡模型對某一斷塊15口井的計算結果表明，該方法應用效果良好。

1 應用BP神經網絡技術評價水淹層的原理與方法

1.1 BP網絡原理

BP網絡即誤差回傳神經網絡，它是一種無反饋的前向網絡，是一種有教師的學習算法。網絡中的神經元分層排列。除了有輸入層、輸出層之外，還至少有一層隱蔽層；每一層內神經元的輸出均傳送到下一層，這種傳送由連接權來達到增強、減弱或抑制這些輸出的作用。除了輸入層的神經元外，隱蔽層和輸出層神經元的凈輸入是前一層神經元輸出的加權和。每個神經元均由它的輸入、活化函數和閾值來決定它的活化程度［2］。

BP網絡的工作過程分為學習期和工作期兩個部分。學習期由輸入信息的正向傳播和誤差的反向傳播兩個過程組成。在正向傳播過程中，輸入信息從輸入層到隱蔽層再到輸出層進行逐層處理，每一個神經元的狀態(tài)只影響下一層神經元的狀態(tài)，如果輸出層的輸出與給出的樣本期望輸出（教師信號）不一致，則計算出輸出誤差，轉入誤差反向傳播過程，將誤差沿原來的連接通路返回，通過修改各層神經元之間的權值，使誤差達到最小。經過大量學習樣本訓練之后，各層神經元之間的連接權就固定了下來，可以開始工作期。工作期中只有輸入信息的正向傳播。BP網絡的計算關鍵在于學習期中的誤差反向傳播過程，該過程是通過一個目標函數最小化來完成的。通常目標函數定義為實際輸出與期望輸出之間的誤差平方和，可以利用梯度計算法計算。該研究所用的BP網絡結構原理如圖1所示。

圖1 BP網絡結構原理

1.2 利用BP神經網絡識別水淹層

BP神經網絡識別水淹層的基本流程如圖2所示。

圖2 BP神經網絡識別水淹層的基本流程

1.2.1 水淹層評價特征參數的選取

油層水淹后，地層的電阻率、自然電位、聲波時差、自然伽馬、孔隙度以及滲透率等將發(fā)生某種程度的變化。筆者在所提取的能反映水淹層的參數中篩選出8個最能指示油層水淹的特征參數作為神經網絡的輸入，具體見圖1。

1.2.2 網絡訓練樣本的選取

根據該區(qū)塊的水淹特點，將該區(qū)塊的水淹等級劃分為［1］：①油層（未水淹），Fw≤10%；②弱水淹，10%＜Fw≤40%；③中水淹，40%＜Fw≤80%；④強水淹，Fw＞80%。

依據油層水淹特點，從該區(qū)塊中合理地選取35個具有試油資料的水淹與非水淹的樣本點，對樣本的特征參數曲線進行歸一化處理，使它們統(tǒng)一刻度在（0，1）之間，并且將每個樣本的試油結論（在網絡訓練中將作為教師信號）用數字范圍來表示，設定產水率在（0，0.25）之間的數表示油層（未水淹層），（0.25，0.5）之間的數表示為弱水淹層，（0.5，0.75）之間的數表示為中水淹層，（0.75，1）之間的數表示為強水淹層，這樣就組成了35個樣本對，分別表示網絡訓練時的輸入和期望輸出。

1.2.3 網絡的學習

該研究采用3層BP神經網絡對水淹層進行評價，8個水淹層特征參數作為網絡的輸入節(jié)點，隱含層有10個節(jié)點，輸出層1個節(jié)點。訓練成4種模式：未水淹層期望輸出值在（0，0.25）之間，弱水淹層的期望輸出值在（0.25，0.5）之間，中水淹層期望輸出值在（0.5，0.75）之間，強水淹層期望輸出值在（0.75，1）之間。用所選的35個樣本進行網絡的學習訓練。

1.2.4 網絡模型建立過程

用C＋＋編制改進神經網絡的識別程序，實現了BP網絡對樣本的算法。步驟為：

1）變量及參數定義。定義網絡的輸入節(jié)點數n，隱含層節(jié)點數p，輸出層節(jié)點數q，網絡訓練的樣本數據，各層神經元與其下一層神經元的連接權值wij，隱含層和輸出層各個神經元的閾值θ，網絡的最大訓練次數為2000次，以及網絡訓練時的允許誤差5%。

2）網絡初始化。給各連接權值和閾值分別賦一個區(qū)間（－1，1）內的隨機數，規(guī)定活化函數，要求活化函數可微，一般取s型函數。

3）從訓練集中取一樣本訓練對，把特征參數曲線作為網絡輸入層的輸入，計算網絡隱含層和輸出層各神經元的輸入和輸出。

隱含層中第i個神經元的輸入為：

式中，wij為輸入層第j個神經元與隱含層第i個神經元的連接權值；inputj為網絡輸入層第j個神經元的值。

隱含層中第i個神經元的輸出為：

輸出層第k個神經元的輸入為：

式中，wki為隱含層第i個神經元與輸出層第k個神經元的連接權值。輸出層第k個神經元的輸出為：

因此隱含層和輸出層各神經元的輸出可分別表示成：

式中，θi為隱含層第i個神經元的閾值；θk為輸出層第k個神經元的閾值。

4）計算網絡輸出矢量與所期望輸出矢量的差異e為：

式中，expect＿outputk為網絡的期望輸出。

5）判斷網絡誤差是否滿足要求。當誤差大于預設的精度時，從輸出矢量反向計算到隱含層，向減小差異方向調整網絡權值和閾值。由以上各式可以得到網絡模型連接權值的修正公式，首先利用網絡期望輸出和實際輸出，計算誤差函數e對輸出層各神經元的偏導數δk（m）：

利用輸出層各神經元的δk（m）和隱含層各神經元的輸出導出隱含層到輸出層的權值調整公式：

式中，η為學習效率。

利用隱含層到輸出層的連接權值、輸出層的δk（m）和隱含層的輸出計算誤差函數e對隱含層各神經元的偏導數δi（m）：

利用隱含層各神經元的δi（m）和輸入層各神經元的輸入導出輸入層到隱含層的權值調整公式為：

6）對訓練集中的每一個訓練對重復上述第③步～第⑤步，直到整個訓練集的誤差最小，滿足網絡要求精度，即必須使全網絡平均差異平方和E最小，即：

式中，m為訓練對的個數。

用編制的BP神經網絡學習程序進行學習，經過約2000次的迭代，網絡收斂達到預設精度，網絡的輸出與實際值的相對誤差達到約4.8%。

2 實例應用

研究區(qū)塊是某構造中的一個斷鼻型斷塊，呈南抬北傾狹長型斷鼻。儲層的含油分布受注水開發(fā)影響比較明顯。由于油層的非均質性，造成注水開發(fā)時原來的好油層變成強水淹層；而較差的油層（包括物性差的油層和薄油層），則有可能成為“主力油層”。對于該區(qū)塊，通過綜合研究測井資料和試油資料，初步認為：弱水洗和中等水洗的油層，平均含油飽和度下降10%～15%；強水洗的油層，平均含油飽和度下降20%。

用訓練好的網絡處理了該斷塊上的部分井，對已有試油資料的15口井的15個單層進行了統(tǒng)計，結果如表1所示。

從表1可以看出，用BP神經網絡處理的結果與試油資料相比，其中完全符合的有12層，有2層與試油結果不符合，基本符合但不完全一致的有1層，解釋精度高達80%以上。

表1 15口井15個單層的統(tǒng)計結果

3 結 語

應用BP神經網絡技術對研究區(qū)塊進行水淹層評價，從處理實例可以看出神經網絡為該區(qū)塊的水淹層識別和水淹等級的劃分提供了一種新的手段和方法，評價效果顯著，與常規(guī)測井資料解釋所建立的評價模型相比，解釋結果的準確率較高，方法簡單并且容易操作。

值得指出的是，應用神經網絡模型進行水淹層識別時，網絡訓練樣本集的選取對網絡的解釋效果起關鍵作用，識別時要選取該地區(qū)最能反映油層水淹特征的有代表性的參數值，通過調整網絡的權值和閾值，使網絡誤差達到最小，從而提高識別精度。該網絡模型只適合該研究斷塊，如果需要推廣到其他區(qū)域，則需要重新選取樣本對網絡進行訓練以建立網絡解釋模型。增加具有代表性的訓練樣本，則可進一步提高解釋精度。

［1］雍世和，張超謨.測井資料數據處理與綜合解釋［M］.北京：中國石油大學出版社，2007.

［2］田景文，高美娟.人工神經網絡算法研究及應用［M］.北京：北京理工大學出版社，2006.

［3］劉瑞林，馬在田.神經網絡在油氣評價和預測方面的研究現狀［J］.地球物理學進展，1995，10（1）：76～83.

［4］劉瑞林，華運隆，張超謨，等.延遲神經網絡測井資料評價水淹層的方法及應用［J］.石油學報，1997，18（4）：76～80.

［5］宋子齊，譚成仟，吳少波，等.灰色系統(tǒng)與神經網絡技術在水淹層測井評價中的應用［J］.石油勘探與開發(fā)，1999，26（3）：90～92.

［6］鄒偉，李瑞，汪興旺.BP神經網絡在致密砂巖儲層測井識別中的應用［J］.勘探地球物理進展，2006，29（6）：428～432.

Waterflooded Reservoir Evaluation Based on BP Neural Network Technology

GUO Hai－min，ZHAO Ya－ning，SHI Xin－lei，PENG Hong－lang（Key Laboratory of Exploration Technologies for Oil and Gas Resources（Yangtze University），Ministry of Education；College of Geophysics and Oil Resources，Yangtze University，Jingzhou434023，Hubei，China）

After waterflooding in oil reservoirs，a series of changes，such as resistivity，spontaneous potential，acoustic properties and the nature of nuclear physics were induced，and these changes were related with reservoir physical properties，character of water injection and as well as injection rate and so on.The changes were different in different injection times，it would result in more complex geologic conditions.Therefore if only conventional logging curve was used to establish a model to evaluate the changes in waterflooded reservoirs，serious errors would be caused inevitably.According to conventional logging data，a BP（Back－Propagation）neural network was used to establish a BP network model，waterflooding grade is predicted for 15wells with the oil test data in a block by using the model，its accuracy is 80%.The results show that BP neural network technology has good prospects of application in oilfield.

conventional logging curve；oil testing data；well logging data；BP neural network；waterflooded reservoir evaluation

P631.84

A

1000－9752（2010）05－0079－05

2010－08－10

中國石油“十一五”后三年測井科技項目（2008A－2703）。

郭海敏（1964－），男，1985年江漢石油學院畢業(yè)，博士（后），教授，博士生導師，長江大學副校長，現主要從事油藏動態(tài)監(jiān)測方面的教學和科研工作。

［編輯］ 蕭 雨