邊會媛，潘保芝，王飛

（1.中國地質大學，北京 100083；2.吉林大學地球探測科學與技術學院，吉林 長春 130026）

0 引 言

偶極橫波測井與地層電阻率無關，對于低電阻率地層，利用偶極橫波測井可以獲取真實的地層骨架以及流體聲波速度信息，如地層運動學參數(shù)、彈性力學參數(shù)、頻譜信息，這些聲學信息對儲層含氣性都有一定的響應［1］。Kohonen神經(jīng)網(wǎng)絡的學習速度快，分類精度高，抗噪聲能力強，因此可用于判別儲層中流體性質［2］。

松南氣田營城組火山巖氣藏位于長嶺斷陷中央隆起帶。該區(qū)火山巖孔隙結構復雜，孔洞、裂縫發(fā)育。當巖石孔隙中含氣時，地層橫波時差與縱波時差都有所變化。本文利用偶極橫波測井資料，建立了縱波等效彈性模量差比、壓縮系數(shù)、泊松比以及縱橫波速度比4個氣層識別指標。這些氣層指標都存在一定的優(yōu)缺點，所以本文結合神經(jīng)網(wǎng)絡建立了綜合識別火山巖氣層的方法。

1 利用偶極橫波建立氣層識別指標

1.1 縱波等效彈性模量差比氣層識別指標

如果地層中的縱波速度為vp，地層的體積密度為ρb，那么地層的縱波等效彈性模量

巖石的縱波等效模量差比為第1個氣層識別指標

式中，Epw、Ep分別為水層和目的層巖石的等效彈性模量［3］。巖石的剪切模量等于施加在巖石上的應力與切應變的比值，它與橫波速度的平方成正比。相對于偶極橫波測井而言，縱波速度更易從聲波測井中獲得，故這種方法的優(yōu)點在于，在缺少橫波速度vs信息時仍然能夠應用。

當DR大于0時地層含氣。與含水的巖石相比，當巖石孔隙中含氣時，氣體的密度小于水的密度，巖石的體積密度偏小，縱波在水中比氣體中傳播得快，縱波速度也偏小。所以，含氣地層的縱波等效彈性模量小于含水地層的縱波等效彈性模量。

1.2 縱橫波速度比氣層識別指標

地層中，孔隙度和流體性質對橫波的傳播速度有影響。與含水地層相比，含氣地層的橫波速度偏大而縱波速度偏小，所以利用縱波和橫波的速度比可以識別地層中的氣體或輕質油［4－5］。縱橫波速度比為第2個氣層識別指標

在水層上選擇背景值，當縱橫波速度比小于背景值時，地層含氣。對于松南氣田的深部火山巖，背景值為1.68。

1.3 彈性力學參數(shù)氣層識別指標

當?shù)貙雍瑲鈺r，地層的彈性力學參數(shù)將發(fā)生變化，泊松比降低，壓縮系數(shù)升高。由偶極橫波測井得到的地層縱橫波速度可以計算得到壓縮系數(shù)、泊松比，分別定義壓縮系數(shù)、泊松比為第3個和第4個氣層識別指標［6］

圖1 利用偶極橫波數(shù)據(jù)識別氣層效果圖

式中，vp、vs分別為橫、縱波聲波速度，DTSC＝vp／vs。與水層上獲得的背景值相比，當?shù)貙又写嬖跉鈱訒r，體積壓縮系數(shù)BBC會變大，而泊松比U偏小。因此，根據(jù)實際地區(qū)的試氣結論數(shù)據(jù)確定壓縮系數(shù)和泊松比的背景值，當大于其背景值而泊松比小于自身背景值時，地層含氣。

利用松南氣田的試氣資料得出了利用壓縮系數(shù)和泊松比識別氣層的標準：當?shù)貙拥膲嚎s系數(shù)大于背景值2.4、泊松比小于背景值0.21時地層含氣；而且壓縮系數(shù)曲線與泊松比曲線形成明顯的鏡像包絡線，這使測井解釋更加直觀。

將這4種方法應用于松南氣田深部火山巖段，典型層的效果見圖1。從圖1中可以看出，DTSC參數(shù)能夠指示氣的存在，但是縱橫波速度比不僅對地層中的氣敏感，它還受到地層孔隙度和巖性的影響。有研究表明，DTSC會隨著孔隙度的增大而減小，不同巖性的儲層，其縱橫波速度比的背景值（即骨架的縱橫波速度比）也不同［7］。第6道為壓縮系數(shù)與泊松比，背景值基線對應的壓縮系數(shù)為2.4，對應的泊松比為0.21，二者形成了良好的鏡像包絡線，但是也受到巖性、高角度縫的影響。第7道為縱波等效彈性模量差比，它能識別氣層，但是無法更精確地區(qū)分干層與水層。

在松南氣田深部火山巖的試氣層段，利用偶極橫波數(shù)據(jù)計算得到4個氣層識別指標并兩兩作交會圖。從縱橫波速度比與縱波等效彈性模量差比的交會圖（見圖2）、泊松比與壓縮系數(shù)的交會圖（見圖3）可以看出，同時應用2個指標時，右上方區(qū)域為氣層區(qū)域。綜合上述4個氣層識別指標在一定程度上都能指示氣層的存在，但是單個指標不能將氣層、差氣層、氣水同層、水層、干層都區(qū)分開來，為此引入Kohonen神經(jīng)網(wǎng)絡方法綜合識別流體。

圖2 DTSC與DR交會圖

圖3 泊松比與壓縮系數(shù)交會圖

2 Kohonen神經(jīng)網(wǎng)絡識別流體性質

2.1 Kohonen神經(jīng)網(wǎng)絡進行逐點流體性質識別

1984年T.Kohonen提出的自組織特征映射人工神經(jīng)網(wǎng)絡是一個雙層的網(wǎng)絡，每一個輸入節(jié)點與所有輸出節(jié)點通過權ω聯(lián)系，從而實現(xiàn)對輸入信號的非線性降維映射。映射中保持了拓樸不變性，即把拓樸意義下相似的輸入映射至相近的輸出節(jié)點上。神經(jīng)網(wǎng)絡在接受外界輸入時，會分成不同的區(qū)域，這些區(qū)域對不同的模式的響應特征不同，從而形成一種拓撲意義上的有序圖。這種有序圖也稱為特征圖，它實際上是一種非線性映射關系，它將信號空間中各模式的拓撲關系幾乎不變地反映在這張圖上，即各神經(jīng)元的輸出響應上。由于這種映射是通過無監(jiān)督的自適應過程完成的，所以也稱它為自組織特征圖。

在這種網(wǎng)絡中，輸出節(jié)點與其鄰域其他節(jié)點廣泛相連，并相互激勵。輸入節(jié)點和輸出節(jié)點之間通過強度ωj（n）相連接。通過某種規(guī)則，不斷地調整ωj（n），使得在穩(wěn)定時，每一鄰域的所有節(jié)點對某種輸入具有類似的輸出，并且這聚類的概率分布與輸入模式的概率分布相接近［8］。

將上述4個氣層識別指標作為輸入，流體性質作為輸出。應用Kohonen自組織特征映射算法進行氣層識別的步驟［9－11］：

（1）初始化。初始化權值矢量ωj（0）時可選隨機值，一般取值?。怀跏蓟瘜W習效率η（0）以及鄰域函數(shù)Ng（n）的初始值Ng（0），一般取值大；Ng（n）表示在第n次學習過程中，鄰域中包含的神經(jīng)元個數(shù)，確定總學習次數(shù)N。

（2）對樣本中的每個矢量x，即由上述4個氣層識別指標組成的矢量

將其送入到網(wǎng)絡的輸入層上，并且進行歸一化處理；進行相似匹配，對權矢量進行歸一化處理并運用歐氏法則選擇距離最小的神經(jīng)元作為權值矢量最匹配x的神經(jīng)元；訓練權值矢量。

（3）更新學習速率η（n）。學習率線性減小從而產(chǎn)生滿意結果。

（4）減小鄰域函數(shù)Ng（n）。

（5）檢查結束條件。特征映射變化不再明顯時結束，否則回到步驟（2）。

首先應用有試氣結論的層段的測井數(shù)據(jù)計算得到氣層識別指標等效彈性模量差比、壓縮系數(shù)、泊松比以及縱橫波速度比的值，利用這些試氣層段的4個氣層識別指標組成神經(jīng)網(wǎng)絡的樣本，樣本中包含了氣層、差氣層、水層、干層等多種結論。利用Kohonen神經(jīng)網(wǎng)絡進行訓練，訓練參數(shù)選擇初始學習速率0.9，訓練次數(shù)為500，輸出層為10×10的平面二維陣列（見圖4）。選擇樣本個數(shù)為21個，回判符合率為100%。

這樣不僅能識別出氣層、水層、干層，而且可以區(qū)分開氣水層、差氣層以及微含氣層，干層的分布為2個區(qū)域，代表了2種不同性質的干層，

即孔隙度很小的致密層以及正?？紫抖雀蓪?。

然后計算得到單井中各深度點的等效彈性模量差比、壓縮系數(shù)、泊松比以及縱橫波速度比，將其提供給自組織神經(jīng)元，通過神經(jīng)網(wǎng)絡得到各個深度點處的流體性質識別結果。

圖4 自組織網(wǎng)絡輸出層二維陣列（10×10）的訓練結果

2.2 流體性質自動識別剖面

為了使流體性質的識別更為直觀，對神經(jīng)網(wǎng)絡獲得的各深度點的流體性質進行合層處理。設定最小儲層厚度，如0.5m，在連續(xù)的0.5m深度段內(nèi)識別出來的流體性質一致時自動合層，得出連續(xù)的儲層流體性質識別剖面。將松南氣田深部火山巖的試氣層段的氣層識別指標數(shù)據(jù)作為Kohonen神經(jīng)網(wǎng)絡的樣本數(shù)據(jù)，從而建立了流體自動識別方法。典型層的效果見圖5。

3 預測效果分析

在松南氣田各井中進行流體性質預測，預測樣本數(shù)為12個，符合率為83.3%。以×102井的神經(jīng)網(wǎng)絡識別流體性質效果圖為例，從解釋結論道（第7道）可以看出（見圖6），深度小于3 705m時，地層為差氣層與干層，3 705～3 810m層段中為氣水同層，超過3 810m之后地層為水層與干層，這與試氣結論（第6道）相符。

圖5 神經(jīng)網(wǎng)絡識別流體性質效果圖

圖6 ×102井神經(jīng)網(wǎng)絡識別流體性質效果圖

4 結 論

（1）對于復雜的火山巖氣藏，可以應用偶極橫波數(shù)據(jù)進行氣層識別，聲波速度不受電學性質和放射性的影響。等效彈性模量差比、壓縮系數(shù)、泊松比以及縱橫波速度比都可以作為氣層識別指標。

（2）等效彈性模量差比、壓縮系數(shù)、泊松比以及縱橫波速度比這4個氣層識別指標在一定程度上都能指示氣層的存在，但是單個指標不能將氣層、差氣層、氣水同層、水層、干層都區(qū)分開，為此引入Kohonen神經(jīng)網(wǎng)絡方法綜合識別流體性質，再應用合層技術，自動得到流體解釋剖面。

［1］李舟波，潘保芝，范曉敏.測井數(shù)據(jù)處理與綜合解釋［M］.北京：地質出版社，2008：104-106.

［2］田冷，何順利.基于改進人工神經(jīng)網(wǎng)絡的氣水層識別技術 ［J］.測井技術，2009，33（5）：449-452.

［3］李佳陽，夏寧，秦啟榮.成像測井評價致密碎屑巖儲層的裂縫與含氣性 ［J］.測井技術，2007，31（1）：17-20.

［4］張延宇，康惠.幾種氣層識別方法的原理及應用 ［J］.吐哈油氣，1998，3（1）：16-24.

［5］張志存，王佳平，王淑賢.利用橫縱波時差比值評價致密性儲層裂縫的方法 ［J］.測井技術，2008，32（2）：155-158.

［6］令狐松，王敬農(nóng)，王黎，等.利用偶極橫波資料進行疑難氣層評價 ［J］.測井技術，2006，30（3）：230-232.

［7］羅寧，劉子平，殷增華，等.利用縱橫波速度比判斷儲層流體性質 ［J］.測井技術，2008，32（4）：331-333.

［8］張科，王永剛，樂友喜，等.利用Kohonen神經(jīng)網(wǎng)絡劃分烏夏地區(qū)深層沉積相 ［J］.新疆石油地質，2007，28（4）.

［9］張冰，潘保芝，王英偉，等.神經(jīng)網(wǎng)絡方法識別測井曲線形態(tài) ［J］.物探化探計算技術，2009，31（6）：611-617.

［10］張平，潘保芝，張瑩，等.自組織神經(jīng)網(wǎng)絡在火成巖巖性識別中的應用 ［J］.石油物探，2009，48（1）：53-57.

［11］薛林福，潘保芝.自組織神經(jīng)網(wǎng)絡自動識別巖相 ［J］.長春科技大學學報，1999，29（2）：144-147.