趙忠軍，黃強東，石林輝，王憲文，單敬福

（1．中國石油長慶油田分公司蘇里格氣田研究中心，陜西 西安710018；2．低滲透油氣田勘探開發(fā)國家工程實驗室，陜西 西安710018；3．長江大學油氣資源與勘探技術(shù)教育部重點實驗室，湖北 武漢430100）

0 引 言

蘇里格氣田平面上顯示為近南北向的條帶狀巖性圈閉氣藏，主力含氣層段為二疊系下石盒子組盒8段和山西組山1段。研究區(qū)位于鄂爾多斯盆地伊陜斜坡西部，巖性類型主要包括石英砂巖、巖屑石英砂巖和巖屑砂巖，屬河流相－三角洲砂巖儲層。作為蘇里格氣田的主力產(chǎn)氣層，盒8段和山1段目前大部分尚處于開發(fā)評價階段［1－2］。目的層段砂巖顆粒磨圓度中等，多呈次圓狀，其次為次圓－次棱角狀，具有中等的結(jié)構(gòu)成熟度。雜基含量較低，以顆粒支撐為主，接觸方式以點接觸和點－線狀接觸為主，偶見雜基支撐結(jié)構(gòu)，雜基含量也反映出有較高的結(jié)構(gòu)成熟度。根據(jù)研究區(qū)取心井薄片資料分析統(tǒng)計，石英含量自西向東逐漸減少，巖屑含量則逐漸增多，這種變化規(guī)律在盒8段儲層中表現(xiàn)尤為突出。蘇西至蘇東，盒8段儲層石英含量由90．8%減少至79．1%；巖屑含量則有9．2%增至20．7%［3－9］。以往在巖性識別過程中，常規(guī)的測井識別方法巖性識別率偏低，為了提高巖性識別精度，本文提出了通過BP神經(jīng)網(wǎng)絡(luò)預測算進行巖性預測，取得了很好的效果。

1 巖心標定優(yōu)選巖性敏感曲線

以薄片鑒定資料確定的地層巖性為基礎(chǔ)，分別將自然伽馬（GR）、補償中子（CNL）和光電吸收截面指數(shù)（Pe）測井值進行相關(guān)性分析，以優(yōu)選對巖性敏感的測井曲線。交會結(jié)果表明，自然伽馬（GR）與光電吸收截面指數(shù)（Pe）對巖性較為敏感，且可以較好地區(qū)分英砂巖、巖屑石英砂巖、巖屑砂巖和泥巖這4類巖性，即石英砂巖、巖屑石英砂巖、巖屑砂巖和泥巖（見圖1、表1）。

圖1 GR與Pe交會圖

表1 蘇里格氣田盒8、山1儲層識別參數(shù)

2 BP神經(jīng)網(wǎng)絡(luò)巖性識別

2．1 曲線和對應(yīng)巖性樣本采集與歸一化

收集GR、Pe曲線作為輸入層的神經(jīng)元，逐個讀取所采集的樣本，以獲取曲線樣本和目標巖性的對應(yīng)關(guān)系。將曲線樣本歸一化后的數(shù)據(jù)作為輸入層，輸入前要對GR和Pe進行歸一化處理［10－15］，其采用的歸一化公式為

式中，ΔΦ為歸一化的曲線值；Φ為任意曲線值；Φmax為最大曲線值；Φmin為最小曲線值。

2．2 樣本學習正向傳播計算各層神經(jīng)元輸出

將輸入的樣本向量加入到輸入層，計算隱含層和輸出層各單元輸出，BP網(wǎng)絡(luò)的正向?qū)W習過程見圖2，輸出結(jié)果為

式中，netk＝∑（Wjk·Oj＋Tk）為輸出層獲得的輸入總和；Wjk為隱含層j神經(jīng)元到輸出層k神經(jīng)元的權(quán)值；Oj為上一層即隱含層的輸出；Tk為隱含層k神經(jīng)元閾值為活化函數(shù)。

2．3 樣本學習反向傳播計算誤差、修改權(quán)值和閾值

在網(wǎng)絡(luò)學習（訓練）中，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到想要的輸出結(jié)果，就會立即轉(zhuǎn)入反向傳播程序，誤差信號沿原來的路徑返回，修改各層神經(jīng)元中的權(quán)值，使得誤差信號降到最小，逐層計算反傳誤差。樣本學習反向傳播流程見圖3所示，權(quán)值網(wǎng)絡(luò)統(tǒng)一調(diào)整公式為

式中，Wi（j＋1）為輸入層i節(jié)點到隱含層j節(jié)點權(quán)值；Wij為輸入層i節(jié)點到隱含層節(jié)點j處的權(quán)值；η為學習步長（默認η＝0．9，且η∈［0．7，0．9］）；δj為隱含層j節(jié)點的誤差項；Ok為輸出層k節(jié)點的輸出；Oi為輸入層i節(jié)點的輸出；α為動量因子（默認α＝0．7，α∈［0．5－0．9］）。

圖2 神經(jīng)網(wǎng)絡(luò)正向傳播輸出示意圖

圖3 神經(jīng)網(wǎng)絡(luò)反向傳播計算誤差、修改權(quán)值閾值示意圖

計算輸出層和隱含層單元的閾值T調(diào)整公式，隱含層（輸出層）單元

式中，ΔTj為隱含層（輸出層）j節(jié)點閾值；η為學習步長（默認η＝0．9，且η∈［0．7，0．9］）；δj為隱含層j節(jié)點的誤差項。閾值調(diào)整公式為

式中，Tj＋1為隱含層j＋1點處的閾值；α為動量因子（默認α＝0．7，α∈［0．5－0．9］）；Tj為隱含層j點處的閾值；ΔTj＋1為隱含層j＋1點處的閾值調(diào)整量。

2．4 誤差檢測和學習次數(shù)控制

定義誤差函數(shù)為

式中，E為學習過程誤差計算結(jié)果；Ok為輸出層k節(jié)點的輸出；tk為輸出層節(jié)點k所期望產(chǎn)生的響應(yīng)；N為學習樣本的個數(shù)（即行數(shù)，N∈［0，5000］）。網(wǎng)絡(luò)迭代次數(shù)10000次，從第1次開始，每迭代1次，系統(tǒng)學習1次，然后修改權(quán)值和閾值，最后檢查計算出的誤差函數(shù)是否滿足E≤0．0001。

（1）若在10000次以內(nèi)，便有計算出的誤差函數(shù)E≤0．0001，便跳出迭代，直接保存下最后一次計算得到的權(quán)值和閾值，若E≥0．0001再返回到步驟4再次迭代計算。

（2）若到10000次，仍然沒有計算出的誤差函數(shù)E≤0．0001，程序跳出迭代，保存下最后一次計算得到的權(quán)值和閾值。整個學習網(wǎng)絡(luò)拓撲和學習方式流程圖如圖4所示。

圖4 判別巖性類別的神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)示意圖

3 巖性識別結(jié)果與比較

蘇里格氣田蘇東和蘇西2個區(qū)塊以往曾分別利用交會圖和模糊數(shù)學巖性預測方法進行了實踐與應(yīng)用，結(jié)果巖性預測符合率偏低。通過引用BP神經(jīng)網(wǎng)絡(luò)算法，巖性預測結(jié)果顯著提高。例如蘇東、蘇西地區(qū)盒8、山1段按交會圖法識別符合率分別為60．71%和62．62%，按模糊數(shù)學法識別符合率分別為55．37%和56．08%，而按神經(jīng)網(wǎng)絡(luò)法識別符合率則分別達到了83．29%和85．67%（見表2、圖5和圖6）。顯然，巖性識別結(jié)果表明，神經(jīng)網(wǎng)絡(luò)法和交會圖法識別巖性效果最好。

圖5 蘇84井巖性識別成果圖

圖6 蘇370井巖性識別成果圖

表2 蘇里格盒8和山1段儲層巖性識別符合率

利用光電吸收截面指數(shù)（Pe）進行巖性識別時一定要注意適用性，不同研究區(qū)域測井曲線Pe對巖性的敏感程度是有差異的。如長慶油田蘇里格氣田敏感些，而有些地方可能就差些，如果盲目直接用該曲線參與BP神經(jīng)網(wǎng)絡(luò)進行巖性識別，會存在對巖性誤判的可能。建議在使用該方法前，一定要對Pe測井曲線與巖性進行相關(guān)性進行分析，當相關(guān)性較高時，宜采用BP神經(jīng)網(wǎng)絡(luò)法對致密砂巖氣藏儲集層復雜巖性進行識別；對于研究區(qū)沒有Pe測井曲線情況，建議綜合采用其他判別方法，按識別符合率高低優(yōu)選算法進行巖性識別。

4 結(jié) 論

（1）通過對巖性敏感曲線的優(yōu)選、測井數(shù)據(jù)的標準化以及網(wǎng)絡(luò)學習過程的控制，提高了神經(jīng)網(wǎng)絡(luò)預測巖性的精度，并建立了一套成熟的基于BP神經(jīng)網(wǎng)絡(luò)模型致密砂巖儲層復雜巖性識別流程和方法，為后續(xù)儲層和沉積相精細化研究提供了重要參考依據(jù)。

（2）通過與前期交會圖和模糊數(shù)學巖性識別方法的對比，神經(jīng)網(wǎng)絡(luò)法應(yīng)用效果較好，平均符合率達84．48%，這與選用對巖性差異反映較敏感的自然伽馬（GR）和光電吸收截面指數(shù)（Pe）曲線有關(guān)，與之比較的模糊數(shù)學法巖性識別效果則欠佳，其平均符合率僅為55．73%。

［1］楊西燕，沈昭國，方少仙，等．鄂爾多斯盆地烏審旗氣田中二疊統(tǒng)下石盒子組盒8段下亞段灘壩砂體沉積特征［J］．古地理學報，2007，9（2）：175－183．

［2］徐蒙，王家豪，徐東浩，等．蘇里格氣田蘇120區(qū)塊盒8段淺水辮狀河三角洲砂體演化規(guī)律［J］沉積學報，2013，31（2）：340－349．

［3］劉建新，雍學善，吳會良，等．蘇里格氣田盒8段地震多技術(shù)儲層沉積相研究［J］．巖性油氣藏，2007，19（2）：80－83．

［4］劉行軍，張吉，尤世梅．蘇里格中部地區(qū)盒8段儲層沉積相控測井解釋分析［J］．測井技術(shù)，2008，32（3）：228－232．

［5］唐波．蘇里格地區(qū)南部盒8段沉積相特征［J］．遼寧化工，2010，39（3）：324－328．

［6］郭小波，黃志龍，涂小仙，等．馬朗凹陷蘆草溝組致密儲集層復雜巖性識別［J］．新疆石油地質(zhì)，2013，34（6）：649－652．

［7］王俊懷，吳俊軍，尹昌霞，等．準噶爾盆地東部阜東斜坡區(qū)侏羅系巖性圈閉識別［J］．巖性油氣藏，2013，25（6）：62－66．

［8］陳新剛，張旭光．塔河油田三疊系中油組巖性圈閉識別研究［J］．新疆地質(zhì)，2013，31（增刊2）：122－126．

［9］金劍，田淑芳，焦?jié)櫝桑龋诘匚锕庾V分析的WorldView－2數(shù)據(jù)巖性識別：以新疆烏魯克薩依地區(qū)為例［J］．現(xiàn)代地質(zhì)，2013，27（2）：489－496．

［10］劉明軍．測井數(shù)據(jù)巖性識別軟件系統(tǒng)的開發(fā)與應(yīng)用［J］．地球物理學進展，2013，28（2）：908－913．

［11］楊輝，黃健全，胡雪濤，等．BP神經(jīng)網(wǎng)絡(luò)在致密砂巖氣藏巖性識別中的應(yīng)用［J］．油氣地球物理，2013，11（1）：39－42．

［12］田玉昆，周輝，袁三一，等．基于馬爾科夫隨機場的巖性識別方法［J］．地球物理學報，2013，56（4）：1360－1368．

［13］劉愛疆，左烈，李景景，等．主成分分析法在碳酸鹽巖巖性識別中的應(yīng)用：以地區(qū)寒武系碳酸鹽巖儲層為例［J］．石油與天然氣地質(zhì)，2013，34（2）：192－196．

［14］崔琳，李秀芹，邢強．王家崗油田W塊沙一段薄儲層巖性識別方法和流體識別模式［J］．石油天然氣學報，2013，35（8）：85－88．

［15］王宏波，姚軍，李雙文，等．利用對應(yīng)分析法校正火成巖巖性識別圖版：以黃驊凹陷為例［J］．天然氣地球科學，2013，24（4）：719－724．