張學(xué)磊，沈 楠，樊 茹，張守良，唐 瑋

(1.中國石油勘探開發(fā)研究院，北京 100083；2.中國石油勘探與生產(chǎn)分公司，北京 100011)

神經(jīng)網(wǎng)絡(luò)技術(shù)在復(fù)雜斷塊油藏水淹層評價中的應(yīng)用

張學(xué)磊1，沈 楠1，樊 茹1，張守良2，唐 瑋1

(1.中國石油勘探開發(fā)研究院，北京 100083；2.中國石油勘探與生產(chǎn)分公司，北京 100011)

復(fù)雜斷塊油藏巖性縱向上變化大，水淹后物性和電性也與原始狀態(tài)有明顯差距，使用一般測井解釋方法識別水淹層級別具有難度，再加上眾多確定的以及不確定的斷層的存在，使得從動態(tài)上定性識別水淹層也難以做到。以復(fù)雜斷塊G油田試油資料為基礎(chǔ)，運用BP神經(jīng)網(wǎng)絡(luò)技術(shù)，優(yōu)選對水淹程度敏感的電阻率測井、自然電位測井、聲波時差測井以及自然伽馬測井?dāng)?shù)據(jù)作為學(xué)習(xí)數(shù)據(jù)，建立了水淹層網(wǎng)絡(luò)訓(xùn)練模型，并據(jù)此對未試油小層的水淹層級別進行了預(yù)測，證實水淹層評價符合率達到80%以上，由此可以證明BP神經(jīng)網(wǎng)絡(luò)技術(shù)對此類油田水淹層評價具有很好的適應(yīng)性。

油田開發(fā) 神經(jīng)網(wǎng)絡(luò)技術(shù) 復(fù)雜斷塊油藏 測井解釋 水淹層評價

水淹層的識別與評價是高含水油田開發(fā)中后期井網(wǎng)加密調(diào)整必須面對及解決的課題之一。大量資料表明，在油田注水開發(fā)的不同階段，儲層內(nèi)巖石的物性、電性和含油性的變化遠比開發(fā)初期復(fù)雜的多[1]，因此，水淹層的解釋一直是困擾老油田井網(wǎng)調(diào)整的難題。目前水淹層的測井評價分定性識別和定量識別兩種，定性識別方法均來自于常規(guī)測井，主要有自然電位法、徑向電阻率對比法、聲波時差分析法、自然伽馬-聲波時差曲線組合法、地層水礦化度分析法等，以自然電位和電阻率方法應(yīng)用最為普遍。這些評價方法都比較單一，對于相對復(fù)雜的水淹層解釋，無法做出準(zhǔn)確的判斷[2]。而在定量識別方面，寶浪油田[3]、中原油田[4,5]、冀東油田[6]等都發(fā)展了自己的水淹層測井解釋技術(shù)，但在適應(yīng)性方面都有自己的局限性，具體表現(xiàn)在對地質(zhì)條件及資料要求高，成本高，精度低，實用性差等方面[7]。

本文的研究區(qū)塊為渤海灣復(fù)雜斷塊G油田Es32+3儲層，此儲層埋藏深度大，目的層3 000～4 000 m，縱向上層系多，有76個小層，非均質(zhì)性強，且不同層系的注入水質(zhì)不同。由于斷層多且很多小斷層無法準(zhǔn)確認識，層間連通關(guān)系變得十分復(fù)雜，又加上受邊水影響，所以從動態(tài)上定性識別水淹層也變得十分困難。對水淹層級別的認識關(guān)系到區(qū)塊后期井網(wǎng)層系調(diào)整的成敗，本文以渤海灣復(fù)雜斷塊G油田為例，通過應(yīng)用BP神經(jīng)網(wǎng)絡(luò)綜合判定的方法，對水淹層的級別進行了預(yù)測，一定程度上解決了動態(tài)資料監(jiān)測技術(shù)和單一測井系列多解性的缺陷，提高此區(qū)塊水淹層認識的精度，為區(qū)塊井網(wǎng)調(diào)整提供了依據(jù)。

1 傳統(tǒng)測井解釋水淹層級別的局限性

G油田是一個被多個斷層復(fù)雜化的油田，儲層電性、物性及含油性在縱向上變化范圍較大。注采關(guān)系建立后，注入水會導(dǎo)致儲層性質(zhì)及其測井響應(yīng)產(chǎn)生復(fù)雜的變化，同時油層水淹前后以及不同水淹階段的測井響應(yīng)特征也沒有規(guī)律可循，且由于該油田實際注入水性質(zhì)變化(既有淡水，又有污水回注)，使得水淹層混合液電阻率難以求準(zhǔn)，影響了水淹層測井解釋的精度[8]。因此，水淹層的識別成為G油田新鉆開發(fā)井測井解釋評價的難點及重點。

油層注入淡水后，注入水電阻率對地層電阻率影響明顯。水淹初期，地層電阻率降低，而到了水淹中后期，隨著地層水的不斷淡化，地層電阻率急劇增高，甚至遠高于原始油層電阻率，形成測井界公認的“U”型曲線(圖1)[1]。從曲線上看，一個電阻率對應(yīng)兩個飽和度，高電阻率對應(yīng)的不一定是油層，說明僅憑電阻率的高低來判斷油層是行不通的[9]。

圖1 注淡水過程中地層電阻率的變化曲線

對自然電位而言，注入水礦化度與泥漿濾液礦化度及原始地層水礦化度之間的差異，可能造成自然電位異常幅度的增加、降低或泥漿基線偏移，同時單個油層的水淹部位、水淹程度不同，SP基線偏移也不同，SP偏移也具有多解性。

油層水淹對聲波時差曲線的影響主要表現(xiàn)在孔隙度的變化上，由于原始地層水礦化度與注入水礦化度有較大的差異，隨著注入水的不斷驅(qū)替和沖刷，有可能造成以高嶺石為主的粘土礦物被沖洗帶走，孔隙空間增大；對于以蒙脫石為主的粘土礦物，容易吸水發(fā)生膨脹，造成孔隙通道進一步阻塞，引起孔隙度減小[10]。隨注入水的推進，自然伽馬曲線可能改變地層中放射性物質(zhì)的分布，使某些層的自然伽馬增高，而另一些層卻降低，因此常規(guī)測井曲線對G油田水淹層的識別并不十分有效。

2 BP神經(jīng)網(wǎng)絡(luò)的工作原理

BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)由輸入層、隱含層、輸出層構(gòu)成(圖2)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

BP神經(jīng)網(wǎng)絡(luò)算法所采用的學(xué)習(xí)過程由正向傳播處理和反向傳播處理兩部分組成。在正向傳播過程中，輸入模式從輸入層經(jīng)隱含層逐層處理并傳向輸出層，每一層神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)，如果在輸出層得不到期望的輸出，則轉(zhuǎn)向誤差信號的反向傳播階段，此時，誤差信號從輸出層向輸入層傳播并沿途調(diào)整各層間連接權(quán)值以及各層神經(jīng)元的偏置值，執(zhí)行誤差函數(shù)梯度下降策略以使誤差信號不斷減少，權(quán)值不斷調(diào)整使網(wǎng)絡(luò)誤差函數(shù)達到最小值。這種算法的實質(zhì)是通過多個學(xué)習(xí)樣本的反復(fù)訓(xùn)練并采用最快下降法，使得權(quán)值沿誤差函數(shù)的負梯度方向改變，并收斂于最小點[11]。

BP神經(jīng)網(wǎng)絡(luò)實質(zhì)上實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學(xué)理論已證明它具有實現(xiàn)任何復(fù)雜非線性映射的功能，這使得它特別適合于求解內(nèi)部機制復(fù)雜的問題。它能通過學(xué)習(xí)帶正確答案的實例集自動提取“合理的”求解規(guī)則，所以，BP神經(jīng)網(wǎng)絡(luò)技術(shù)具有一定的概括能力[12]。

3 BP神經(jīng)網(wǎng)絡(luò)水淹層識別的流程

3.1訓(xùn)練樣本的選取

本文設(shè)計了以可調(diào)衰減器和定向耦合器為核心器件的發(fā)射機互調(diào)發(fā)射測量鏈路，建立了基于衰減量調(diào)節(jié)的互調(diào)發(fā)射抑制比測量方法，并以某型電臺為實驗對象，對fc=|ft±fj|、fc=|2ft±fj|、fc=|3ft±fj|、fc=|2ft±2fj|和fc=|2fj±ft|等10種互調(diào)發(fā)射類型的互調(diào)發(fā)射抑制比進行了測量.所有測量結(jié)果均符合本文的分析結(jié)論，說明本文提出的測量方法是合理可行，測量結(jié)果準(zhǔn)確可信.

選取樣本的原則是樣本的代表性和有效性。選擇的樣本越有代表性,解決問題的能力就越強,預(yù)測的效果就越好。

3.2測井資料的標(biāo)準(zhǔn)化

由于每口井測井曲線所測時間不同，深度、井下環(huán)境、儀器系列不同，同樣屬性的測井曲線在不同井中雖然經(jīng)過了編輯和環(huán)境校正，仍存在儀器刻度誤差，這就造成了同一測井系列在同類地層中差異較大。為消除與地層性質(zhì)無關(guān)的誤差，需要對測井資料進行標(biāo)準(zhǔn)化處理。這個標(biāo)準(zhǔn)通常是選定的關(guān)鍵井或分布穩(wěn)定、響應(yīng)顯著、各井都存在的標(biāo)準(zhǔn)層，以標(biāo)準(zhǔn)層為模板，對測井?dāng)?shù)據(jù)進行標(biāo)準(zhǔn)化處理。

3.3網(wǎng)絡(luò)訓(xùn)練

在訓(xùn)練過程中，可以適當(dāng)調(diào)節(jié)參數(shù)的大小，以免迭代步長過大而產(chǎn)生震蕩或陷入局部極小。經(jīng)過多次迭代，實際輸出和期望輸出的絕對誤差均要求在0.01以下。

3.4識別效果的檢驗

為檢驗神經(jīng)網(wǎng)絡(luò)在識別水淹層時的有效性，對全部訓(xùn)練網(wǎng)絡(luò)的已知樣品交叉驗證，即選擇訓(xùn)練樣品中任意一個樣品作為未知樣品，用其它樣品來訓(xùn)練網(wǎng)絡(luò)，然后用此網(wǎng)絡(luò)狀態(tài)對這個作為未知的已知樣品進行識別。如果計算出的輸出結(jié)果與實際結(jié)果一致，則該樣品識別正確，反之，識別錯誤。

訓(xùn)練好的網(wǎng)絡(luò)實際上是獲得了一組適合學(xué)習(xí)樣本類型的權(quán)重集合，在進行油氣水層識別時就調(diào)用這組權(quán)重集合來獲得輸出層的實際輸出。

4 實例分析

G油田位于渤海灣盆地，由眾多小斷塊油田組成，目的層自下而上為下第三系沙河街組(Es)、東營組(Ed)、上第三系館陶組(Ng)、明化鎮(zhèn)組(Nm)和第四系平原組(Qp)。本研究區(qū)是其中的一個斷塊，主要儲層位于沙河街組，共13口生產(chǎn)井，6口注水井，生產(chǎn)井大都有試油資料，但單層試油的井并不多，大部分都是多層合試。再加上注水井鉆井或轉(zhuǎn)注的時間跨度大(第一口注水井開始于1990年)，注入水礦化度的差異也較大，所以很難利用單一測井系列評價水淹層。

用MATLAB構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，本文采用的BP神經(jīng)網(wǎng)絡(luò)模型為三層網(wǎng)絡(luò)，結(jié)構(gòu)為4-6-1，即輸入層為4個神經(jīng)元，隱含層為6個神經(jīng)元，輸出層為1個神經(jīng)元。根據(jù)各測井信息反應(yīng)水淹級別的能力，以及該區(qū)共有的測井系列，選取了與油層、水層、水淹層類型特征相關(guān)關(guān)系較強的GR、SP、AC、Rt四種測井信息作為可供輸入的信息量。

表1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測儲層水淹狀況部分學(xué)習(xí)樣本

在網(wǎng)絡(luò)學(xué)習(xí)與預(yù)測的過程中，需要量化試油資料反映的信息。根據(jù)行業(yè)標(biāo)準(zhǔn)SY/T6178-2000《水淹層測井資料處理解釋規(guī)范》中的規(guī)定，對水淹層進行分級，并結(jié)合高尚堡油田實際情況，經(jīng)過分析確定量化的結(jié)果為:油層=0.2；弱水淹層=0.4；中水淹層=0.6；強水淹層=0.8；水層=1。

利用試油試采的資料，對已知油水層、水淹層段的測井?dāng)?shù)據(jù)(樣本)進行學(xué)習(xí)訓(xùn)練。經(jīng)過數(shù)據(jù)整理，剔除明顯異常數(shù)據(jù)后，共得到528組樣本學(xué)習(xí)訓(xùn)練數(shù)據(jù)。利用選出的學(xué)習(xí)樣本，以及樣本的各測井值和量化輸出值一起組成了訓(xùn)練樣本的數(shù)據(jù)集。這部分數(shù)據(jù)經(jīng)過學(xué)習(xí)后，與實際試油資料進行交叉驗證，當(dāng)符合率較低的時候，就需要重新進行學(xué)習(xí)樣本及測試樣本的選擇與提取，同時應(yīng)考慮對人工神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化處理，直至符合率達到滿意值。當(dāng)測試結(jié)果滿意時，所訓(xùn)練的網(wǎng)絡(luò)就可以投入到區(qū)域儲層含油性預(yù)測識別過程中[1]。

利用此學(xué)習(xí)樣本選擇方法，共得到有代表性的樣本數(shù)據(jù)100個，其中油層15個，弱水淹層22個，中水淹層23個，強水淹層25個，水層15個，樣本選擇的結(jié)果既考慮了各種樣本種類之間的平衡問題，又考慮了水淹層預(yù)測的精度，符合學(xué)習(xí)樣本選擇原則。部分學(xué)習(xí)樣本如表1。

經(jīng)過多次的測試，最終確定學(xué)習(xí)速率自適應(yīng)調(diào)整參數(shù)為0.01，收斂誤差為0.002，網(wǎng)絡(luò)訓(xùn)練5 220次。由于學(xué)習(xí)樣本代表性強，特征明顯，所以本次學(xué)習(xí)效果好，識別效果檢驗符合率達到90%以上，達到了對其它樣本進行預(yù)測的條件。

利用此學(xué)習(xí)訓(xùn)練數(shù)據(jù)對剩余的428個試油樣品點進行預(yù)測，結(jié)果顯示預(yù)測準(zhǔn)確率較高的測井點集中在強水淹、油層和水層，預(yù)測偏差率較高的測井點分布在中水淹層和弱水淹層，預(yù)測偏差的主要原因可能還是由于該油藏的電性、物性及含油性復(fù)雜，測井解釋的多解性無法完全排除，但整體預(yù)測的符合率已經(jīng)達到80%以上(圖3，圖4)，證明了綜合利用這些信息識別水淹級別的有效性，同時說明BP神經(jīng)網(wǎng)絡(luò)適合該油田水淹狀況的判定，由此可以推廣到該油藏未進行試油或者合試的層段。

圖3 水淹層評價的符合率

圖4 G油田X井神經(jīng)網(wǎng)絡(luò)水淹級別預(yù)測

5 結(jié)論

(1)BP神經(jīng)網(wǎng)絡(luò)技術(shù)是一種綜合評價方法，可以解決傳統(tǒng)測井解釋技術(shù)對水淹層評價具有多解性的難題。

(2)本次研究利用試油資料與學(xué)習(xí)樣本模型交叉驗證，客觀上提高了水淹層預(yù)測的精度。

(3)實例證實BP神經(jīng)網(wǎng)絡(luò)可以對復(fù)雜斷塊儲層的水淹層級別進行較準(zhǔn)確的預(yù)測，與試油資料相比，符合率可達80%以上，說明BP神經(jīng)網(wǎng)絡(luò)技術(shù)對此類油田水淹層評價具有很好的適應(yīng)性。

[1] 趙培華.油田開發(fā)水淹層測井技術(shù)[M].北京:石油工業(yè)出版社,2003:176-194.

[2] 潘有軍,徐贏,張中勁,等.牛圈湖油田水淹層測井評價方法[J].巖性油氣藏,2011,23(2):85-89.

[3] 魏忠元,姚光慶,周鋒德.基于流動單元基礎(chǔ)上的水淹層定量識別方法研究——以寶浪油田寶北區(qū)塊為例[J].地質(zhì)科學(xué)情報,2007,26(2):86-90.

[4] 黃宏才,賈文玉,譚海芳,等.利用碳氧比測井資料解釋水淹層的方法探討[J].測井技術(shù),2000，22(3):110-112.

[5] 田素月.利用雙自然電位測井研究水淹層測井解釋[J].斷塊油氣田,2002,9(3):84-85.

[6] 王秀艷,周鳳鳴,王文先.淺談利用正態(tài)分布法識別水淹層[J].測井技術(shù),1999,23(1):29-32.

[7] 韓曉梅.南堡油田高柳地區(qū)水淹層測井評價方法[D].青島：中國石油大學(xué)(華東),2011:1-3.

[8] 楊斌,匡立春,孫中春,等.神經(jīng)網(wǎng)絡(luò)及其在石油測井中的應(yīng)用[M].北京:石油工業(yè)出版社,2005:191-195.

[9] 梅紅,張厚福,孫紅軍.神經(jīng)網(wǎng)絡(luò)技術(shù)在測井相分析及水淹層判別中的應(yīng)用[J].石油大學(xué)學(xué)報(自然科學(xué)版),1997,21(3):24-28.

[10] 張玎,梅紅,冉文瓊.應(yīng)用人工神經(jīng)網(wǎng)絡(luò)識別水淹層[J].測井技術(shù),1996,20(3):210-214.

[11] 劉瑞林,華運隆.延遲神經(jīng)網(wǎng)絡(luò)測井資料評價水淹層的方法及應(yīng)用[J].石油學(xué)報,1997,18(4):76-80.

[12] 楊建剛.人工神經(jīng)網(wǎng)絡(luò)實用教程[M].杭州:浙江大學(xué)出版社,2001:41-58.

(編輯 王建年)

Application of neural network technique in evaluating watered-out zonein complex faulted block reservoir

Zhang Xuelei1,Shen Nan1，F(xiàn)an Ru1，Zhang Shouliang2，Tang Wei1

(1.ResearchInstituteofPetroleumExploration&Development，PetroChina，Beijing100083，China； 2.ExplorationandProductionCompany，PetroChina，Beijing100011，China)

In vertical direction of complex faulted-block reservoir，lithology varies greatly.And then rock physical property between the initial state and watered-out state shows obvious disparity，as well as electrical property.So it is difficult to identify watered-out zones by general log interpretation methods.It is also hard to explain levels of watered-out zone because of the existence of a multitude of definite and undefined faults.In the article，based on formation test data of G Oilfield，resistivity logging，spontaneous potential logging，acoustic logging，gamma ray logging，which are sensitive to watered-out zones，were chosen for learn-training data.And then the BP neural network model for watered-out zones was built.Thus the watered-out zones were predicted by the BP neural network technique.The results proved that the coincidence rate of evaluating watered-out zone is above 80%.Therefore，it was confirmed that the BP neural network technique fits well for evaluating watered-out zone in this type of oilfield.

neural network technique；complex faulted block reservoir；log interpretation；watered-out zone evaluation

TE319

A

2015-06-01；改回日期2015-06-28。

張學(xué)磊(1983—)，博士，從事油氣田開發(fā)規(guī)劃及方案的研究，電話：010-83592271，E-mail：zhang.xl@petrochina.com.cn。

中國石油重大專項“水驅(qū)提高采收率關(guān)鍵技術(shù)研究”(2011B-1103)。

10.16181/j.cnki.fzyqc.2015.03.012