摘 要:針對低孔低滲儲層物性差、孔隙結(jié)構(gòu)復雜以及含水飽和度高等特點，為了解決利用測井資料進行低孔低滲儲層流體性質(zhì)準確識別較困難的問題，提出了一種概率神經(jīng)網(wǎng)絡判別解釋方法。以中國西南某一低孔低滲氣藏為例，結(jié)合試油資料，對不同流體性質(zhì)的儲層進行了測井響應特征分析，根據(jù)測井響應特征與流體性質(zhì)的相關(guān)性對概率神經(jīng)網(wǎng)絡進行了訓練，從而對該區(qū)儲層流體性質(zhì)進行了預測和識別。實際資料處理的結(jié)果表明:解釋符合率顯著提高，取得了較好的應用效果。

關(guān)鍵詞:概率神經(jīng)網(wǎng)絡 低孔低滲 流體性質(zhì) 測井識別

中圖分類號:TE3文獻標識碼:A文章編號:1674-098X(2012)04(a)-0089-02

1 引言

低孔低滲儲層由于孔隙結(jié)構(gòu)復雜、孔隙間連通性差，往往驅(qū)替不充分，一般形成低飽和度油氣層，又低孔低滲儲層儲集空間小，測井信息中來自流體的貢獻少，導致測井對油氣的敏感性降低，而儲層巖性和孔隙結(jié)構(gòu)的復雜性以及鉆井液的侵入作用進一步掩蓋或模糊了電阻率測井反映油氣特征的能力[1-2]。這種類型的油氣層，在電阻率曲線上常表現(xiàn)為油氣層和水層的電阻率比較接近，直接根據(jù)電阻率測井值的大小將它們區(qū)分開較困難[3]。

概率神經(jīng)網(wǎng)絡是一種基于概率密度函數(shù)理論且泛化能力很強的神經(jīng)網(wǎng)絡，可以用這種網(wǎng)絡來描述各種測井響應特征與流體性質(zhì)之間的復雜關(guān)系，把低孔低滲儲層分為氣層、氣水同層和水層，作為輸出層;把控制因素作為輸入層，對網(wǎng)絡樣本進行訓練和學習，可以達到預測低孔低滲氣層的目的。

2 概率神經(jīng)網(wǎng)絡的理論基礎

概率神經(jīng)網(wǎng)絡(Probabilistic Neural Networks，PNN)由Specht于1990年提出，它是一種基于概率密度函數(shù)理論且泛化能力很強的神經(jīng)網(wǎng)絡，其本質(zhì)上是對徑向基函數(shù)神經(jīng)網(wǎng)絡的一種重要變形，具有計算復雜度低、結(jié)構(gòu)簡單等特性;在解決分類問題上，當訓練樣本數(shù)據(jù)足夠多時，收斂于一個貝葉斯分類器，具有良好的泛化能力[4]。

概率神經(jīng)網(wǎng)絡是由輸入層、隱含層和輸出層組成的三層前向式網(wǎng)絡，其結(jié)構(gòu)如圖1所示。設輸入層有n個神經(jīng)元，即x1，x2，…，xn;輸出層有m個神經(jīng)元，即y1，y2，…，ym;隱含層有1×m個神經(jīng)元，分為m個類別，其中l(wèi)為同類學習樣本矢量個數(shù)。輸入層與隱含層各神經(jīng)元之間均有連接。輸出層又稱求和層，其每一個神經(jīng)元代表一種模式類型，且只與屬于自己類別的隱含層神經(jīng)元相連接，而與隱含層的其它神經(jīng)元沒有連接。輸出為相應神經(jīng)元之間的加權(quán)和。隱含層與求和層以等權(quán)值連接來匹配概率。隱含層的基函數(shù)為高斯函數(shù)。輸出層的傳遞函數(shù)為競爭函數(shù)，用其來尋找輸入矢量中的最大元素，并把相應神經(jīng)元的輸出置為1，其余輸出置為0。

學習訓練過程如下:

①樣本數(shù)據(jù)的標準化處理:對訓練樣本和檢測數(shù)據(jù)要進行標準化處理，其中包含歸一化處理，歸一化公式如下:

(1)

式中，xij—網(wǎng)絡輸入的第i個樣本的第j個屬性參數(shù)的值，屬性參數(shù)數(shù)目為n。

②網(wǎng)絡結(jié)構(gòu)設計:根據(jù)概率神經(jīng)網(wǎng)絡結(jié)構(gòu)和學習樣本的關(guān)系，確定網(wǎng)絡各層神經(jīng)元的數(shù)目和層與層之間相應神經(jīng)元的連接關(guān)系。

③隱含層基函數(shù)中心的確定:將學習樣本歸一化計算出的Cij作為隱含層基函數(shù)的中心。

預測識別過程如下:

①把歸一化處理的待預測樣本輸入隱含層，計算待預測樣本矩陣中的每個樣本與訓練矩陣中各模式之間的距離，一般采用歐氏距離公式:

(2)

式中，dik—待預測的第i個樣本的第k個屬性參數(shù)的值;cjk—隱層基函數(shù)的中心。

②將Dij輸給高斯函數(shù)，按下式計算，輸出結(jié)果Pij稱為初始概率:

(3)

式中，σj—基函數(shù)的標準差，一般取0. 1/0.8326。

③在求和層計算待預測樣本矩陣中，每個樣本歸入各個類型的初始概率之和，即計算隱含層每一類徑向基元的輸出對求和層各個神經(jīng)元的加權(quán)之和sij:

(4)

這里的權(quán)值可以根據(jù)概率神經(jīng)網(wǎng)絡的不同而相異，傳統(tǒng)作法是采用相等權(quán)值的方式且一般設為1。

④計算每個樣本歸入各個類別的歸一化概率，即按下式進行:

(5)

式中，Pij—第i個樣本歸入第j種類型的歸一化概率。

3 概率神經(jīng)網(wǎng)絡油氣層識別模型的建立以及在matlab7.0中的實現(xiàn)

以中國西南某一氣田為例，結(jié)合試油和測井資料，提取了40個層作為概率神經(jīng)網(wǎng)絡訓練樣本。把DEN、CNL、AC、RLLD、M2RX等5個測井響應參數(shù)作為概率神經(jīng)網(wǎng)絡輸入層的神經(jīng)元，網(wǎng)絡的期望輸出按氣層、氣水同層以及水層三個等級，分別用A、B、C表示，因此可以設計概率神經(jīng)網(wǎng)絡的輸出層有三個神經(jīng)元，分別用(1，0，0)，(0，1，0)，(0，0，1)來表示A、B、C這三個等級的期望輸出。網(wǎng)絡的實際輸出結(jié)果在matlab7.0中用ind2vec函數(shù)將之轉(zhuǎn)化為相應的單值矢量。

3.1 樣本數(shù)據(jù)歸一化

在建立概率神經(jīng)網(wǎng)絡模型前，首先要對訓練樣本和檢驗樣本進行歸一化，使樣本值在0～1范圍內(nèi)。歸一化公式如下:

(6)

式中:為歸一化后的數(shù)據(jù)，為歸一化前的數(shù)據(jù)，為第j個輸入?yún)?shù)的最大值，為第j個輸入?yún)?shù)的最小值。

其在matlab7.0中的實現(xiàn)為:

for j=1:5

A(:，j)=(max(A(:，j))-A(:，j))/(max(A(:，j))-min(A(:，j)));

end

3.2 概率神經(jīng)網(wǎng)絡模型的建立

在matlab7.0中利用newpnn建立此概率神經(jīng)網(wǎng)絡模型，具體指令為:

net=newpnn(P，T，spread)

P為歸一化的訓練樣本，T為期望輸出，spread為擴展常數(shù)，這里取為0.05。

3.3 預測識別

把檢驗樣本輸入設計完成的概率神經(jīng)網(wǎng)絡，通過下式進行預測。

Y=sim(net，jiany)

Jiany為歸一化的檢驗樣本，Y為預測結(jié)果。

4 應用效果分析

為驗證概率神經(jīng)網(wǎng)絡預測模型的準確性，提取了具有試油結(jié)論的10個層進行油氣識別，這10個層未參與概率神經(jīng)網(wǎng)絡訓練與學習。經(jīng)過模型預測，預測的結(jié)果與試油結(jié)論相比，有8個層預測正確，2個層預測錯誤，符合率達到80%，預測效果良好，即可以用概率神經(jīng)網(wǎng)絡方法來識別低孔低滲氣層。

5 結(jié)語

低孔低滲儲層由于復雜的孔隙結(jié)構(gòu)、儲層的非均質(zhì)性以及高含水飽和度，導致常規(guī)測井識別方法很難有效對這類儲層進行準確識別。概率神經(jīng)網(wǎng)絡能夠描述低孔低滲儲層流體性質(zhì)與測井響應特征值之間的這種非線性關(guān)系，利用概率神經(jīng)網(wǎng)絡建立了油氣層預測模型。對某區(qū)塊的氣層識別結(jié)果表明:符合率達80%，預測效果良好，可以用概率神經(jīng)網(wǎng)絡方法來識別低孔低滲氣層。

參考文獻

[1]中國石油勘探與生產(chǎn)分公司.低孔低滲油氣藏測井評價技術(shù)及應用[M].石油工業(yè)出版社，2009.

[2] 蔣凌志，顧家裕，郭彬程.中國含油氣盆地碎屑巖低滲透儲層的特征及形成機理[J].沉積學報，2004，22(1):13～17.

[3] 畢林銳.塔中志留系低孔低滲儲層流體識別及產(chǎn)能評價方法研究[D]:[碩士學位論文].中國石油大學(北京)，2004.

[4] 杜紅斌，郭巧占.概率神經(jīng)網(wǎng)絡及其在儲層產(chǎn)能預測中的應用[J].石油儀器，2005，19(4):54～56.