司馬立強(qiáng)，肖華，袁龍，陸鳳才

（1.西南石油大學(xué)資源與環(huán)境學(xué)院，四川成都610500；2.江蘇油田勘探局地質(zhì)測(cè)井處，江蘇揚(yáng)州225002）

基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)的儲(chǔ)層流動(dòng)單元研究

司馬立強(qiáng)1，肖華1，袁龍1，陸鳳才2

（1.西南石油大學(xué)資源與環(huán)境學(xué)院，四川成都610500；2.江蘇油田勘探局地質(zhì)測(cè)井處，江蘇揚(yáng)州225002）

黃玨油田方4阜一段儲(chǔ)層屬低孔隙度、低滲透率儲(chǔ)層，儲(chǔ)層特性較為復(fù)雜，在進(jìn)行儲(chǔ)層參數(shù)的求取時(shí)存在較大誤差。結(jié)合取心物性資料、測(cè)井資料，選用流動(dòng)帶指數(shù)IFZ劃分方法將取心井儲(chǔ)層流動(dòng)單元?jiǎng)澐殖散?、Ⅱ、Ⅲ類?/p>

并建立流動(dòng)單元的識(shí)別和劃分標(biāo)準(zhǔn)。在此基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)取心井儲(chǔ)層流動(dòng)單元進(jìn)行學(xué)習(xí)訓(xùn)練，與測(cè)井曲線建立其相關(guān)的學(xué)習(xí)和預(yù)測(cè)模型，對(duì)非取心段儲(chǔ)層流動(dòng)單元進(jìn)行預(yù)測(cè)，明顯提高了測(cè)井解釋精度，為儲(chǔ)層精細(xì)評(píng)價(jià)提供一種較有效的研究方法。

測(cè)井解釋；流動(dòng)單元；低孔隙度；低滲透率；流動(dòng)帶指數(shù)；BP神經(jīng)網(wǎng)絡(luò)；黃玨油田

0 引 言

流動(dòng)單元［1］是指影響流體流動(dòng)的巖相和巖石物理性質(zhì)在內(nèi)部相似的、垂向上和橫向上連續(xù)的儲(chǔ)集巖體。在同一儲(chǔ)集巖體（流動(dòng)單元）內(nèi)部，影響流體流動(dòng)的地質(zhì)參數(shù)相似，而不同的流動(dòng)單元之間，巖相和巖石物理性質(zhì)差異明顯。流動(dòng)單元研究的主要目的和意義是明確剩余油的形成和分布，同時(shí)為油藏?cái)?shù)值模擬提供可靠的分層依據(jù)。由于具體的地質(zhì)條件和實(shí)際資料的限制及研究問(wèn)題的出發(fā)點(diǎn)不同，對(duì)流動(dòng)單元的認(rèn)識(shí)及研究方法也不完全一致。

本文研究對(duì)象黃玨油田方4斷塊阜一段是蘇北盆地下第三系重要的含油層段之一。該地區(qū)油層組砂體厚度變化大，空間分布復(fù)雜且非均質(zhì)性強(qiáng)，油層物性較差，巖心分析孔隙度主要分布在8%～12%，滲透率主要分布范圍為（0.1～1）×10－3μm2，巖石顆粒磨圓度以次棱角－次圓狀為主，分選中等。選取流動(dòng)帶指數(shù)劃分法在該層段開(kāi)展流動(dòng)單元精細(xì)解釋、識(shí)別研究，對(duì)該區(qū)的勘探、開(kāi)發(fā)有著重要的意義。由于方4阜一段儲(chǔ)層屬低孔隙度、低滲透率儲(chǔ)層，某些井在進(jìn)行儲(chǔ)層參數(shù)（特別是滲透率）的求取時(shí)存在較大誤差，故在特征值選取時(shí)避開(kāi)了求取的儲(chǔ)層參數(shù)，而直接利用測(cè)井曲線值作為特征變量，基于BP神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行流動(dòng)單元識(shí)別與預(yù)測(cè)，以提高流動(dòng)單元識(shí)別的準(zhǔn)確性。

1 儲(chǔ)層流動(dòng)單元的劃分

1.1 劃分方法

流動(dòng)單元往往受礦物成分和孔隙結(jié)構(gòu)控制，根據(jù)孔喉特征可以將厚層劃分為多個(gè)內(nèi)部滲流特征相似的相對(duì)均質(zhì)的流動(dòng)單元。Kozeny和Catmen根據(jù)滲流力學(xué)原理利用平均水力半徑建立了孔隙度與滲透率之間關(guān)系［2］

式中，K為滲透率，×10－3μm2；φe為有效孔隙度，小數(shù)；Fs為形狀系數(shù)；τ為孔隙介質(zhì)的迂曲度，小數(shù)；Fsτ2為Kozeny常數(shù)，其為一個(gè)變常數(shù)，在流動(dòng)單元之間是變化的，而在流動(dòng)單元內(nèi)部是一個(gè)常數(shù)，在實(shí)際儲(chǔ)層中取值范圍為5～100；Sgv為單位顆粒體積比表面積，μm－1。

式（1）兩邊分別除以φe并開(kāi)平方可得

如果滲透率的單位取×10－3μm2，則可以定義下列參數(shù)。油藏品質(zhì)因子

孔隙體積與巖石顆粒體積之比（標(biāo)準(zhǔn)化孔隙度指標(biāo)）

流動(dòng)層帶指標(biāo)

IFZ是一個(gè)把巖石結(jié)構(gòu)和礦物地質(zhì)特征、孔喉特征等結(jié)合起來(lái)的綜合判定參數(shù)，因此，能較準(zhǔn)確地描述油藏的非均質(zhì)特征。將式（5）兩邊取對(duì)數(shù)

由式（6）可知，在IRQ與φz的雙對(duì)數(shù)坐標(biāo)圖上，所有具有相似IFZ值的樣品點(diǎn)將形成1條斜率為1的直線。不同IFZ值的樣點(diǎn)將形成與其平行的直線。IFZ的數(shù)值可由該斜率直線與φz＝1相交的截距確定。一般認(rèn)為，屬于同一直線的樣品點(diǎn)具有相似的孔喉性質(zhì)，屬于同一類流動(dòng)單元。而不同的流動(dòng)單元，其IFZ值不同，因此，根據(jù)巖心資料計(jì)算出IRQ和IFZ之后，基于IFZ值即可劃分出流動(dòng)單元。

1.2 取心段流動(dòng)單元分類

從理論上講，由于儲(chǔ)層的非均質(zhì)性以及測(cè)量的誤差，同一類流動(dòng)單元［3］的各種參數(shù)應(yīng)該服從正態(tài)分布；各樣品具有相同的IFZ值，即其儲(chǔ)層品質(zhì)因子IRQ與標(biāo)準(zhǔn)化孔隙度指標(biāo)φz的雙對(duì)數(shù)交會(huì)圖呈現(xiàn)斜率為1的直線。而N類流動(dòng)單元共存時(shí)，在各參數(shù)的頻率直方圖應(yīng)具有N個(gè)不同的峰值，累積頻率圖上應(yīng)該呈現(xiàn)N條不同斜率直線，IRQ與φz的雙對(duì)數(shù)交會(huì)圖呈現(xiàn)N條相互平行的斜率為1的直線。

研究中對(duì)所選取的典型層樣品點(diǎn)分別進(jìn)行了儲(chǔ)層品質(zhì)因子、標(biāo)準(zhǔn)化孔隙度指標(biāo)、流動(dòng)層帶指標(biāo)的求取以及Winland孔喉半徑等參數(shù)的求取。由于低孔隙度低滲透率特性，造成該段儲(chǔ)層的IFZ值明顯較常規(guī)儲(chǔ)層低，由圖1知其主峰值分布于0.4～0.6之間。IFZ直方圖基本呈現(xiàn)多正態(tài)分布的組合（具有4～5個(gè)峰值），但是各正態(tài)分布不標(biāo)準(zhǔn)或峰值不明顯，一方面由于研究區(qū)塊為典型的低孔隙度、低滲透率儲(chǔ)層，巖石物性分布范圍較窄，特別是滲透率（0.1～1）×10－3μm2，這樣便造成計(jì)算的IFZ值分布范圍較窄，主要分布范圍為0.2～0.8μm，出現(xiàn)大量數(shù)據(jù)點(diǎn)落入同一數(shù)據(jù)范圍的情況，如落入0.2～0.8μm范圍內(nèi)的數(shù)據(jù)點(diǎn)約占70%；另一方面由于各層物性差距不大使巖心取樣分析數(shù)據(jù)近似較為嚴(yán)重。

圖1 方4斷塊IFZ頻率直方圖

從IFZ累積頻率圖（見(jiàn)圖2）可以看出，該曲線雖然沒(méi)有明顯的轉(zhuǎn)折點(diǎn)，整體相對(duì)比較光滑，特別是當(dāng)IFZ值比較小時(shí)。該圖大致可分為4段，用4條斜率不同的直線對(duì)其進(jìn)行描述。

通過(guò)K均值聚類分析確定各類流動(dòng)單元的流動(dòng)帶指標(biāo)IFZ具體范圍。為提高劃分的準(zhǔn)確性，根據(jù)IFZ與物性的相關(guān)性分析對(duì)一些異常IFZ值進(jìn)行了刪除，如較差物性對(duì)應(yīng)相對(duì)較高的IFZ值的樣品點(diǎn)。

由于Ⅰ類流動(dòng)單元到Ⅳ類流動(dòng)單元其儲(chǔ)層品質(zhì)逐漸變差。圖2可以看出Ⅰ、Ⅱ類流動(dòng)單元所占比例較小，Ⅲ、Ⅳ類流動(dòng)單元所占比例較大，這與該地區(qū)中、低產(chǎn)能儲(chǔ)層發(fā)育，而高產(chǎn)儲(chǔ)層較少的實(shí)際情況較為一致?？紤]到該地區(qū)儲(chǔ)層特性，如果對(duì)其儲(chǔ)層精細(xì)劃分時(shí)，分類越多，其劃分的不確定性越強(qiáng)，此時(shí)錯(cuò)判的可能性較常規(guī)物性儲(chǔ)層大得多。又由于Ⅰ、Ⅱ類流動(dòng)單元所占比例較小，所以將Ⅰ、Ⅱ類流動(dòng)單元合并為一類，這樣研究區(qū)內(nèi)儲(chǔ)層總體分為Ⅰ、Ⅱ、Ⅲ等3類流動(dòng)單元。表1為調(diào)整后每類流動(dòng)單元的樣品數(shù)及所占比例。

圖2 方4斷塊IFZ累積頻率圖

表1 調(diào)整后每類流動(dòng)單元的樣品數(shù)

由于物性相差較大的儲(chǔ)層可能具有相同的IFZ值，這樣可能降低利用IFZ進(jìn)行流動(dòng)單元?jiǎng)澐址椒ǖ臏?zhǔn)確性。根據(jù)地區(qū)具體情況，為了最大限度地限制這一問(wèn)題的出現(xiàn)，利用孔隙度與滲透率對(duì)各類流動(dòng)單元在大范圍進(jìn)行約束。通過(guò)對(duì)壓汞、物性、試油等資料的綜合分析，將該區(qū)塊研究的儲(chǔ)層分為3類。得出了每類流動(dòng)單元大致對(duì)應(yīng)的物性范圍。表2為方4阜一段儲(chǔ)層流動(dòng)單元分類［4］標(biāo)準(zhǔn)。圖3為分類后各流動(dòng)單元的lgIRQ與lgφz的關(guān)系，由圖3可知3條趨勢(shì)線基本平行，與理論分析一致。

表2 方4斷塊阜一段流動(dòng)單元分類標(biāo)準(zhǔn)

圖3 各類流動(dòng)單元的lg IRQ與lgφz的關(guān)系

2 BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，誤差反向傳播算法［5］的學(xué)習(xí)過(guò)程，由信息的正向傳播和誤差的反向傳播2個(gè)過(guò)程組成。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段。誤差通過(guò)輸出層按誤差梯度下降［6］的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過(guò)程是各層權(quán)值不斷調(diào)整的過(guò)程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過(guò)程，直到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

BP神經(jīng)網(wǎng)絡(luò)模型［7］包括輸入輸出模型、作用函數(shù)模型、誤差計(jì)算模型。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的流動(dòng)單元預(yù)測(cè)

（1）特征曲線的選取。選取具有代表性的數(shù)據(jù)進(jìn)行學(xué)習(xí)預(yù)測(cè)，一般應(yīng)選取反映孔隙結(jié)構(gòu)類型特征的自然伽馬（GR）、聲波時(shí)差（AC）、密度（DEN）、補(bǔ)償中子（CNL），深、淺側(cè)向電阻率（RILd，RLLs）等測(cè)井曲線作為BP神經(jīng)網(wǎng)絡(luò)判別模型的輸入變量，將IFZ劃分的流動(dòng)單元類型作為輸出。

（2）數(shù)據(jù)的預(yù)處理。① 測(cè)井資料的標(biāo)準(zhǔn)化，使各類測(cè)井信息在研究區(qū)域內(nèi)有一個(gè)統(tǒng)一的刻度標(biāo)準(zhǔn)，使可能影響原始測(cè)井?dāng)?shù)據(jù)的各種系統(tǒng)誤差減至最小。② 學(xué)習(xí)樣本的選取原則：學(xué)習(xí)樣本要有代表性；包含的范圍要廣，即所要預(yù)測(cè)的樣本盡量包含在訓(xùn)練樣本的范圍內(nèi)；歸一化處理。不同特征的測(cè)井?dāng)?shù)據(jù)在數(shù)值上相差很大，如果將這些數(shù)據(jù)用于同一方法的處理中，必然會(huì)造成不同特征的數(shù)據(jù)以不同的權(quán)值參加計(jì)算。文中使用了歸一化處理，對(duì)于具有近似線性特征的數(shù)據(jù)，采用線性歸一化公式［8］

對(duì)于電阻率等具有非線性特征的曲線，則采用對(duì)數(shù)歸一化公式

式中，X是經(jīng)歸一化后的測(cè)井?dāng)?shù)據(jù)，X∈［0，1］；X＊是原始測(cè)井?dāng)?shù)據(jù)、分別是原始測(cè)井?dāng)?shù)據(jù)的極大和極小值。

（3）流動(dòng)單元的識(shí)別與預(yù)測(cè)。所設(shè)計(jì)的3層BP神經(jīng)網(wǎng)絡(luò)［9］采用5個(gè)輸入神經(jīng)元（GR、AC、DEN、CNL、RLLd），1個(gè)隱含層單元，隱含層單元神經(jīng)元數(shù)目范圍設(shè)為5～12個(gè)，輸出為流動(dòng)單元類別。圖4為研究中實(shí)現(xiàn)流動(dòng)單元預(yù)測(cè)的BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖。在訓(xùn)練過(guò)程中，取網(wǎng)絡(luò)學(xué)習(xí)率α＝0.7，學(xué)習(xí)步長(zhǎng)η＝0.9，允許誤差ξ＝0.001，網(wǎng)絡(luò)最大迭代次數(shù)10 000。

將網(wǎng)絡(luò)參數(shù)設(shè)置好后，即可對(duì)所選典型樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練。通過(guò)經(jīng)驗(yàn)公式選取隱含層節(jié)點(diǎn)，當(dāng)節(jié)點(diǎn)數(shù)為7時(shí)，網(wǎng)絡(luò)誤差最小，從而選擇隱含層節(jié)點(diǎn)數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，當(dāng)?shù)螖?shù)達(dá)到6 862次時(shí)，訓(xùn)練誤差已經(jīng)達(dá)到要求，這時(shí)得到流動(dòng)單元預(yù)測(cè)模型的連接權(quán)值和閾值。通過(guò)以上的步驟，調(diào)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)程序，程序自動(dòng)調(diào)用學(xué)習(xí)網(wǎng)絡(luò)，用建立的模型對(duì)所選的20個(gè)驗(yàn)證樣本進(jìn)行預(yù)測(cè)，結(jié)果見(jiàn)表3。對(duì)實(shí)際IFZ與預(yù)測(cè)IFZ作回歸分析（見(jiàn)圖5）。圖5中預(yù)測(cè)IFZ值與實(shí)際值有比較高的吻合度。

圖4 實(shí)現(xiàn)流動(dòng)單元預(yù)測(cè)的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

圖5 實(shí)際IFZ與預(yù)測(cè)IFZ交會(huì)圖

表3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果表

圖6 方4斷塊某井流動(dòng)單元識(shí)別成果圖

對(duì)非取心段或整個(gè)井段流動(dòng)單元預(yù)測(cè)的實(shí)現(xiàn)方法：對(duì)目的層段按測(cè)井曲線數(shù)據(jù)點(diǎn)進(jìn)行預(yù)測(cè)，即將該層段對(duì)應(yīng)的特征測(cè)井曲線（GR、AC、DEN、CNL、RLLd）作為已訓(xùn)練好網(wǎng)絡(luò)的輸入，輸出為每個(gè)測(cè)井?dāng)?shù)據(jù)點(diǎn)對(duì)應(yīng)的曲線。此時(shí)，由于網(wǎng)絡(luò)比較靈敏或者局部測(cè)井曲線異常會(huì)致使某個(gè)儲(chǔ)層內(nèi)在某類流動(dòng)單元的背景下夾雜一些比較離散的其他類型的流動(dòng)單元，需要人為地對(duì)數(shù)據(jù)進(jìn)行局部的修改，以保證后面參數(shù)計(jì)算時(shí)模型選擇的正確性。

利用BP神經(jīng)網(wǎng)絡(luò)建立的儲(chǔ)層測(cè)井類型識(shí)別模型對(duì)研究區(qū)塊儲(chǔ)層進(jìn)行了流動(dòng)單元預(yù)測(cè)（見(jiàn)圖6）。由圖6可知，取心段第8、15、17、27號(hào)層分別識(shí)別為Ⅰ類流動(dòng)單元，第4、6號(hào)層分別識(shí)別為Ⅱ類流動(dòng)單元，第28號(hào)層被識(shí)別為Ⅲ類流動(dòng)單元；非取心層第5、7、26號(hào)層被識(shí)別為Ⅲ類流動(dòng)單元。通過(guò)巖心層的數(shù)據(jù)分析孔隙度、滲透率與IFZ值知，利用BP網(wǎng)絡(luò)識(shí)別模型的流動(dòng)單元識(shí)別結(jié)果與巖心分析的流動(dòng)單元類型結(jié)果具有較好的一致性，與表2分析數(shù)據(jù)較吻合。說(shuō)明該BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用效果較好，可以用于該層位的其他井段儲(chǔ)層的流動(dòng)單元預(yù)測(cè)。

應(yīng)用上述方法對(duì)工區(qū)內(nèi)其他井同一層位進(jìn)行了流動(dòng)單元預(yù)測(cè)，預(yù)測(cè)結(jié)果與巖心分析、試油結(jié)果有良好的一致性。該方法也在川中地區(qū)須家河組中應(yīng)用取得了良好的效果。

3 結(jié) 論

（1）通過(guò)測(cè)井、物性分析資料，利用流動(dòng)帶指數(shù)劃分方法建立了低孔隙度低滲透率儲(chǔ)層流動(dòng)單元?jiǎng)澐謽?biāo)準(zhǔn)。所定標(biāo)準(zhǔn)具有一定的合理性，該區(qū)塊流動(dòng)單元用本文劃分方法是可行的。

（2）在低孔隙度低滲透率復(fù)雜儲(chǔ)層和物性分析資料較少的情況下，某些井段在計(jì)算儲(chǔ)層參數(shù)時(shí)誤差較大，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)直接建立測(cè)井曲線響應(yīng)特征與流動(dòng)單元類型之間復(fù)雜的映射關(guān)系進(jìn)行流動(dòng)單元預(yù)測(cè)，提高了流動(dòng)單元識(shí)別的準(zhǔn)確性。

［1］ Hearn CL，Ebanks WJ JR，Tye RS.Geological Factors Influencing Reservoir Performance of the Hartzog Draw Field，Wyoming［J］.Petrol Tech，1984，36：1335－1344.

［2］ 宋子齊，陳榮環(huán)，康立明，等.儲(chǔ)層流動(dòng)單元?jiǎng)澐旨懊枋龅姆治龇椒ǎ跩］.西安石油大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，20（3）：56－59.

［3］ 李祖兵，羅明高，馬斌.非均質(zhì)綜合指數(shù)法劃分儲(chǔ)層流動(dòng)單元［J］.新疆地質(zhì)，2005，23（2）：203－206.

［4］ 李陽(yáng)，劉建明.流動(dòng)單元研究的原理和方法［J］.北京：地質(zhì)出版社，2005，6：11－19.

［5］ Koboon T.The Seh－organizing Map［J］.Proceedings of the IEEE，1990，78（9）：7－18.

［6］ 肖慈珣，婁建立，譚世君，等.神經(jīng)網(wǎng)絡(luò)技術(shù)用于測(cè)井解釋的評(píng)述［J］.物探化探計(jì)算技術(shù)，1996，18（3）：219－224.

［7］ 高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例［M］.北京：機(jī)械工業(yè)出版社，2003：44－54.

［8］ 鄒長(zhǎng)春，嚴(yán)成信，李學(xué)文.神經(jīng)網(wǎng)絡(luò)在棗北地區(qū)火成巖儲(chǔ)層測(cè)井解釋中的應(yīng)用［J］.石油地球物理勘探，1997，32（增刊2）：27－331.

［9］ 焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論［M］.西安：西安電子科技大學(xué)出版社，1992：35－48.

Research on Reservoir Flow Unit Based on BP Neural Network Technology

SIMA Liqiang1，XIAO Hua1，YUAN Long1，LU Fengcai2
（1.Department of Resource and Environment，Southwest Petroleum University，Chengdu，Sichuan 610500，China；2.Geological Logging Division of Jiangsu Petroleum Exploration Bureau，Yangzhou，Jiangsu 225002，China）

Fang 4block reservoir with low porosity and low permeability is complex in Huangjue oilfield，so，reservoir parameter calculated has bigger error.Combining with coring formation property material and log data，the reservoir is divided into three types of flow units by flow zone index（IFZ）.Established are the recognition and division standards of the flow units.Based on this，BP neural network technology is used to learn and train the reservoir flow units of coring wells.With such a technology，directly built is the mapping relation between log responses and flow unit types so as to learn and predict the flow units in the coring wells or non－coring wells.Log interpretation accuracy is obviously improved，which provides an effective way for fine reservoir interpretation.

log interpretation，flow unit，low porosity，low permeability，flow zone index，BP neural network，Huangjue oilfield

P631.84

A

2011－12－26 本文編輯 余迎）

1004－1338（2012）04－0421－05

司馬立強(qiáng)，男，1961年生，教授，從事油氣田測(cè)井方法、測(cè)井解釋、測(cè)井地質(zhì)應(yīng)用等領(lǐng)域的科研與教學(xué)工作。