■魏小龍　趙棟　何洲

（1西北大學(xué)地質(zhì)學(xué)系　陜西　西安　710069；2西北大學(xué)大陸動(dòng)力學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室　陜西　西安　710069；3延長(zhǎng)石油（集團(tuán)）有限公司油氣勘探公司　陜西　延安　716000）

基于BP神經(jīng)網(wǎng)絡(luò)的成巖相測(cè)井定量識(shí)別方法

■魏小龍1,2趙棟1,2何洲3

（1西北大學(xué)地質(zhì)學(xué)系陜西西安710069；2西北大學(xué)大陸動(dòng)力學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室陜西西安710069；3延長(zhǎng)石油（集團(tuán)）有限公司油氣勘探公司陜西延安716000）

BP神經(jīng)網(wǎng)絡(luò)對(duì)于解決成巖相類(lèi)型和常規(guī)測(cè)井資料之間的非線性關(guān)系具有獨(dú)特優(yōu)勢(shì)。分析鄂爾多斯盆地隴東地區(qū)延長(zhǎng)組長(zhǎng)8段致密儲(chǔ)層成巖相類(lèi)型的測(cè)井響應(yīng)特征，將成巖相類(lèi)型劃分為綠泥石襯邊弱溶蝕成巖相、斑狀方解石綠泥石膜成巖相、不穩(wěn)定組分溶蝕成巖相、碳酸鹽巖膠結(jié)成巖相和致密壓實(shí)成巖相。利用密度測(cè)井、自然伽馬測(cè)井、中子測(cè)井、中子-密度孔隙度差等對(duì)成巖相類(lèi)型劃分敏感性較強(qiáng)的參數(shù)，提出了基于BP神經(jīng)網(wǎng)絡(luò)的成巖相測(cè)井定量識(shí)別方法。利用該方法對(duì)研究區(qū)實(shí)際1口井資料進(jìn)行了處理，通過(guò)與薄片鑒定結(jié)果的對(duì)比，驗(yàn)證了成巖相識(shí)別方法的可靠性。

BP神經(jīng)網(wǎng)絡(luò)致密砂巖儲(chǔ)層成巖相

0　引言

近年來(lái)，深化對(duì)鄂爾多斯盆地隴東地區(qū)致密砂巖儲(chǔ)層的再認(rèn)識(shí)，尋找更多的有利勘探區(qū)塊，已經(jīng)是該地區(qū)石油勘探的重點(diǎn)。對(duì)于致密砂巖儲(chǔ)層來(lái)說(shuō)，成巖相類(lèi)型對(duì)于儲(chǔ)層質(zhì)量有著重要影響。成巖相是成巖礦物在一定沉積環(huán)境、成巖環(huán)境下，經(jīng)歷一定成巖演化過(guò)程的產(chǎn)物，主要包括巖石顆粒、膠結(jié)物、孔洞縫等綜合特征。成巖相是現(xiàn)今儲(chǔ)層特征的直接反映，是表征儲(chǔ)層性質(zhì)、類(lèi)型和優(yōu)劣的重要成因性標(biāo)志[1]~[3]。因此成巖相的劃分對(duì)于儲(chǔ)集層預(yù)測(cè)、油氣勘探有著重要意義。

目前，國(guó)內(nèi)學(xué)者對(duì)成巖相類(lèi)型的劃分主要利用鑄體薄片、電鏡掃描、常規(guī)薄片等資料進(jìn)行分析。然而，巖心取樣是間隔不連續(xù)的，只能準(zhǔn)確反映某點(diǎn)深度的成巖相類(lèi)型，無(wú)法連續(xù)判斷儲(chǔ)層成巖相[4]。此外，巖心取樣難度大、成本高，故而樣品資料有限。測(cè)井技術(shù)能夠連續(xù)記錄地下巖石的各種物理信息，不同成巖相在測(cè)井響應(yīng)特征上均不相同。BP神經(jīng)網(wǎng)絡(luò)對(duì)于解決成巖相類(lèi)型和測(cè)井響應(yīng)特征之間的非線性聯(lián)系具有獨(dú)特優(yōu)勢(shì)。在前人確定成巖相測(cè)井特征響應(yīng)的基礎(chǔ)上，提取敏感性參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建成巖相劃分模型，就能夠根據(jù)測(cè)井曲線資料快速、連續(xù)的劃分成巖相類(lèi)型。

1　方法原理

圖1　BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 The structure of BP neural network model

BP神經(jīng)網(wǎng)絡(luò)是一種通過(guò)誤差逆向傳播來(lái)改變算法權(quán)值的多層前端反饋網(wǎng)絡(luò)，它無(wú)需用數(shù)學(xué)方程便可直接體現(xiàn)非線性數(shù)據(jù)之間的映射關(guān)系，正是因?yàn)檫@種性質(zhì)，BP神經(jīng)網(wǎng)絡(luò)成為了目前世界上應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[5]~[7]。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般由三部分構(gòu)成（圖1）：輸入層、中間隱層和輸出層。輸入層是負(fù)責(zé)接收外界信號(hào)，輸入層接收的輸入信號(hào)，可以是單輸入信號(hào)也可以是多輸入信號(hào)。中間隱層是負(fù)責(zé)內(nèi)部信息處理，大多可以設(shè)計(jì)為單層或多層結(jié)構(gòu)，理論已經(jīng)證明，一個(gè)三層網(wǎng)絡(luò)可以任意精度實(shí)現(xiàn)各種復(fù)雜的非線性映射，因此一個(gè)三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型便可以解釋大部分測(cè)井問(wèn)題了[8]~[12]。設(shè)計(jì)中間層的時(shí)候，還需要確定神經(jīng)元數(shù)量、訓(xùn)練函數(shù)等。輸出層是負(fù)責(zé)輸出處理結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練流程如下：

第一步：正向輸入樣本數(shù)據(jù)，設(shè)置參數(shù)，選定訓(xùn)練函數(shù)。

第二步：當(dāng)輸出值與期望值不符時(shí)，誤差進(jìn)行反向逐層傳遞，并且會(huì)根據(jù)誤差減小最快的方向（一般為梯度方向）逐層修改各個(gè)神經(jīng)元的權(quán)系數(shù)。

第三步：直到誤差滿足要求或者達(dá)到設(shè)定的訓(xùn)練次數(shù)時(shí)停止訓(xùn)練，輸出結(jié)果。

2　成巖相敏感參數(shù)分析

利用BP神經(jīng)網(wǎng)絡(luò)模型來(lái)預(yù)測(cè)成巖相，關(guān)鍵要對(duì)成巖相敏感性參數(shù)進(jìn)行分析，旨在眾多測(cè)井?dāng)?shù)據(jù)類(lèi)型中選出與成巖相劃分關(guān)系最密切的數(shù)據(jù)類(lèi)型。在敏感性參數(shù)分析之前，為了使測(cè)井曲線數(shù)據(jù)有利于對(duì)比，要進(jìn)行數(shù)據(jù)歸一化處理[13]，即：

式中Y為歸一化后的測(cè)井?dāng)?shù)據(jù)；X為原始測(cè)井?dāng)?shù)據(jù)；Xmin為測(cè)井?dāng)?shù)據(jù)最小值；Xmax為測(cè)井?dāng)?shù)據(jù)最大值。

將鄂爾多斯盆地隴東地區(qū)101個(gè)測(cè)井樣本數(shù)據(jù)歸一化處理后，利用中子-密度視石灰?guī)r孔隙度差與常規(guī)測(cè)井?dāng)?shù)據(jù)繪制交會(huì)圖，建立儲(chǔ)層成巖相識(shí)別圖版，進(jìn)而對(duì)成巖相敏感性參數(shù)進(jìn)行分析（圖2），結(jié)果如下：

中子測(cè)井、密度測(cè)井、自然伽馬測(cè)井的數(shù)據(jù)對(duì)于研究區(qū)成巖相劃分效果良好，具有很高的辨識(shí)度，四種成巖相類(lèi)型數(shù)據(jù)點(diǎn)基本獨(dú)立，存在少量交集，無(wú)法線性準(zhǔn)確區(qū)分四種成巖相類(lèi)型。聲波時(shí)差對(duì)于研究區(qū)成巖相的劃分效果一般，對(duì)于綠泥石襯邊弱溶蝕成巖相、斑狀方解石綠泥石膜成巖相、不穩(wěn)定組分溶蝕成巖相具有良好的區(qū)分度，但是對(duì)于致密壓實(shí)成巖相的區(qū)分效果不是很好，數(shù)據(jù)點(diǎn)較為分散。因?yàn)槁暡〞r(shí)差的測(cè)量很容易受鉆井液、地下水、井壁等因素的影響，所以誤差較大。因此聲波時(shí)差數(shù)據(jù)對(duì)于成巖相類(lèi)型的劃分并不是十分敏感。

自然電位測(cè)井（圖3）對(duì)于研究區(qū)成巖相類(lèi)型的劃分效果不好，可以觀察到斑狀方解石綠泥石膜成巖相與致密壓實(shí)成巖相混淆在一起，無(wú)法準(zhǔn)確區(qū)分，且自然電位本身也波動(dòng)性較強(qiáng)。因此自然電位數(shù)據(jù)對(duì)成巖相類(lèi)型劃分不敏感。

綜上所述，中子（CNL）、密度（DEN）、自然伽馬（GR）、中子-密度視石灰?guī)r孔隙度差（φND）這四類(lèi)測(cè)井參數(shù)對(duì)于研究區(qū)成巖相類(lèi)型劃分十分敏感，故可以應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)建模中，來(lái)準(zhǔn)確、快速的劃分研究區(qū)成巖相類(lèi)型。而聲波時(shí)差（AC）、自然電位（SP）對(duì)于研究區(qū)成巖相類(lèi)型劃分并不敏感，故而不應(yīng)用于建模中，以免降低模型結(jié)果的精度。

3　BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

利用MATLAB內(nèi)置軟件工具箱建立BP神經(jīng)網(wǎng)絡(luò)模型，可以節(jié)省大量時(shí)間，同時(shí)也可以避免編寫(xiě)計(jì)算機(jī)程序的煩惱。BP神經(jīng)網(wǎng)絡(luò)模型在測(cè)井中的應(yīng)用一般由輸入層、隱含層、和輸出層三部分組成。模型的具體構(gòu)建方法如下：

圖2　中子-密度孔隙度差與敏感性參數(shù)交會(huì)圖Fig.2 The cross plot of neutron-density porosity difference and sensitive data

圖3　中子-密度孔隙度差與自然電位交會(huì)圖Fig.3 The cross plot of neutron-density porosity difference and natural potential

3.1構(gòu)建輸入層

用神經(jīng)網(wǎng)絡(luò)對(duì)研究區(qū)內(nèi)成巖相類(lèi)型劃分，就是建立一種成巖相類(lèi)型與測(cè)井曲線數(shù)據(jù)之間的映射關(guān)系。根據(jù)對(duì)成巖相敏感性參數(shù)的分析，選定中子（CNL）、密度（DEN）、自然伽馬（GR）、中子-密度視石灰?guī)r孔隙度差（φND）四類(lèi)測(cè)井曲線數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層

3.2構(gòu)建隱含層

確定BP神經(jīng)網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)量、和傳遞函數(shù)就是確定BP神經(jīng)網(wǎng)絡(luò)隱含層?，F(xiàn)有理論證明，通過(guò)改變神經(jīng)元數(shù)量，只含有一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)模型可以充分預(yù)測(cè)大部分測(cè)井問(wèn)題。但是如果神經(jīng)元數(shù)量過(guò)多就會(huì)大大增加訓(xùn)練時(shí)間，影響效率，反之，如果神經(jīng)元數(shù)量過(guò)少則又會(huì)影響精度。所以，在BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建中，先采用較小的神經(jīng)元數(shù)量，再逐漸增加，直到誤差滿足訓(xùn)練要求。BP神經(jīng)網(wǎng)絡(luò)的傳遞函數(shù)有多種，不同函數(shù)有不同的性質(zhì)（線性傳遞或非線性傳遞）對(duì)應(yīng)不同的輸入、輸出范圍。經(jīng)過(guò)研究試驗(yàn)，最終確定神經(jīng)元數(shù)量為200，訓(xùn)練函數(shù)為T(mén)RAINLM，適應(yīng)學(xué)習(xí)函數(shù)類(lèi)型為L(zhǎng)EARNGDM,誤差分析為MSE。

3.3構(gòu)建輸出層

目前，石玉江等人根據(jù)鑄體薄片資料將鄂爾多斯盆地隴東地區(qū)長(zhǎng)8儲(chǔ)層成巖相劃分為5類(lèi)，分別為綠泥石襯邊弱溶蝕成巖相、斑狀方解石綠泥石膜成巖相、碳酸鹽膠結(jié)成巖相、不穩(wěn)定組分溶蝕成巖相、致密壓實(shí)成巖相。根據(jù)鑄體薄片資料顯示，將BP神經(jīng)網(wǎng)絡(luò)模型的輸出層設(shè)定為四類(lèi)成巖相類(lèi)型。由于MATLB軟件無(wú)法識(shí)別漢字，因?yàn)閷⑤敵鼋Y(jié)果設(shè)定為數(shù)字，1——綠泥石襯邊弱溶蝕成巖相，2——斑狀方解石綠泥石膜成巖相，3——不穩(wěn)定組分溶蝕成巖相，4——致密壓實(shí)成巖相。

圖4　鄂爾多斯盆地隴東地區(qū)Z51井測(cè)井曲線及成巖相劃分Fig.4 The logging curves and diagenetic facies classification of Z51 well of Longdong region,Ordos Basin

當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建好之后，利用101個(gè)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果中，94個(gè)樣本數(shù)據(jù)預(yù)測(cè)準(zhǔn)確，精度達(dá)到93.1%。綠泥石襯邊弱溶蝕成巖相樣本數(shù)量22，其中19個(gè)數(shù)據(jù)預(yù)測(cè)準(zhǔn)確，精度達(dá)到86.4%；斑狀方解石綠泥石膜成巖相樣本數(shù)量25，其中25個(gè)數(shù)據(jù)預(yù)測(cè)準(zhǔn)確，精度達(dá)到100%；不穩(wěn)定組分溶蝕成巖相樣本數(shù)量27，其中24個(gè)數(shù)據(jù)預(yù)測(cè)準(zhǔn)確，精度達(dá)到88.9%；致密壓實(shí)成巖相樣本數(shù)量27，其中26個(gè)數(shù)據(jù)預(yù)測(cè)準(zhǔn)確，精度達(dá)到96.3%。預(yù)測(cè)結(jié)果與巖心資料匹配度高，說(shuō)明本文利用BP神經(jīng)網(wǎng)絡(luò)方法來(lái)劃分成巖相類(lèi)型方法是可行的。

4　模型驗(yàn)證

在鄂爾多斯盆地隴東地區(qū)研究區(qū)內(nèi)選取1口未被作為樣本參與建模的井（Z51），利用建立好的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)井次的連續(xù)地層進(jìn)行預(yù)測(cè)，并繪制成巖相分布柱狀圖，結(jié)果如圖4所示。

常規(guī)測(cè)井資料顯示，在2220-2222m和2234-2236m井段，中子-密度視石灰?guī)r孔隙度差約為13%，密度值約為2.6g/cm3，中子值約為20%，自然伽馬值大于150API。利用神經(jīng)網(wǎng)絡(luò)模型判斷該段為致密壓實(shí)成巖相，2221.50m處巖石薄片資料顯示該點(diǎn)為致密壓實(shí)成巖相，與神經(jīng)網(wǎng)絡(luò)模型判斷結(jié)果一致。在2225-2226m井段，中子-密度視石灰?guī)r孔隙度差約為6%，密度值約為2.4g/cm3，中子值約為16%，自然伽馬值小于100API，2225.25m處巖石薄片資料顯示該點(diǎn)為綠泥石襯邊弱溶蝕成巖相，與神經(jīng)網(wǎng)絡(luò)模型判斷結(jié)果一致，說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)劃分成巖相結(jié)果可靠。

5　結(jié)束語(yǔ)

（1）利用巖心取樣資料只能判斷地下某點(diǎn)的成巖相類(lèi)型，雖然結(jié)果精確但是成本高、效率低。為此，我們從測(cè)井曲線出發(fā)，提取成巖相的測(cè)井響應(yīng)特征，分析其敏感性參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)建立識(shí)別成巖相類(lèi)型模型。BP神經(jīng)網(wǎng)絡(luò)模型自適性強(qiáng)、構(gòu)建方法簡(jiǎn)單，可以充分利用測(cè)井?dāng)?shù)據(jù)，連續(xù)、快速的劃分成巖相類(lèi)型，與傳統(tǒng)成巖相劃分方法相比具有明顯優(yōu)勢(shì)。

（2）為了進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)的成巖相測(cè)井識(shí)別方法的精度，一方面要盡可能獲得更多一手測(cè)井資料，增加敏感性參數(shù)的樣本數(shù)量；另一方面要不斷優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法本身。隨著測(cè)井技術(shù)和計(jì)算機(jī)技術(shù)的進(jìn)步,BP神經(jīng)網(wǎng)絡(luò)模型在未來(lái)石油勘探中的應(yīng)用會(huì)愈發(fā)廣泛。

[1]石玉江,肖亮,毛志強(qiáng),等.低滲透砂巖儲(chǔ)層成巖相測(cè)井識(shí)別方法及其地質(zhì)意義--以鄂爾多斯盆地姬塬地區(qū)長(zhǎng)8段儲(chǔ)層為例 [J].石油學(xué)報(bào),2011,32(5):820-828.

[2]鄒才能,陶士振,周慧,等.成巖相的形成、分類(lèi)與定量評(píng)價(jià)方法 [J].石油勘探與開(kāi)發(fā),2008,35(5):526-540.

[3]劉林玉,王震亮.白豹地區(qū)延長(zhǎng)組長(zhǎng)3儲(chǔ)層的成巖作用與成巖相 [J].西北大學(xué)學(xué)報(bào):自然科學(xué)版,2008,38(1):99-102.

[4]鐘高潤(rùn),張小莉.鄂爾多斯盆地延長(zhǎng)組長(zhǎng)7段致密儲(chǔ)層成巖相測(cè)井識(shí)別方法--以隴東地區(qū)為例 [J].國(guó)外測(cè)井技術(shù),2014(4):23-27.

[5]劉全穩(wěn).測(cè)井神經(jīng)網(wǎng)絡(luò)技術(shù)綜述 [J].石油地球物理勘探,1996(S1):64-69.

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

[7]朱大奇.人工神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀及其展望 [J].江南大學(xué)學(xué)報(bào):自然科學(xué)版,2004 (01):103-110.

[8]吳燦燦,李壯福.基于BP神經(jīng)網(wǎng)絡(luò)的測(cè)井相分析及沉積相識(shí)別 [J].煤田地質(zhì)與勘探,2012,40(1):68-71.

[9]陳鋼花,胡琮,曾亞麗,等.基于BP神經(jīng)網(wǎng)絡(luò)的碳酸鹽巖儲(chǔ)層縫洞充填物測(cè)井識(shí)別方法 [J].石油物探,2015,54(1):99-104.

[10]羅利.神經(jīng)網(wǎng)絡(luò)在測(cè)井解釋中的應(yīng)用 [J].天然氣工業(yè),1997(5):23-26.

[11]珣肖慈,婁建立,譚世君.神經(jīng)網(wǎng)絡(luò)技術(shù)用于測(cè)井解釋的評(píng)述 [J].測(cè)井技術(shù),1999, 23(5):389-392.

[12]李道倫,盧德唐,孔祥言,等.BP神經(jīng)網(wǎng)絡(luò)隱式法在測(cè)井?dāng)?shù)據(jù)處理中的應(yīng)用 [J].石油學(xué)報(bào),2007,28(3):105-108.

[13]付晶,吳勝和,付金華,等.鄂爾多斯盆地隴東地區(qū)延長(zhǎng)組儲(chǔ)層定量成巖相研究[J].地學(xué)前緣,2013,20(2):86-97.

TheQuantitativeIdentification Method of Well Logging for Diagenetic Facies Based On BP Neural Network

WEI Xiaolong1,2,ZHAO Dong1,2, HE Zhou3

(1.Department of Geology,Northwest University,Xi’an,Shanxi 710069,China;2.State Key Laboratory of Continental Dynamics,Northwest University,Xi’an,Shanxi 710069,China; 3.Yanchang Petroleum(Group)Co.Ltd,Oil Exploration Co,Yan’an,Shanxi 716000,China)

BP neural net has an unique advantage in solving the nonlinear relationship between diagenetic facies types and conventional well logging data.The diagenetic facies types were divided into such five styles as diagenetic facies of weak corrosion with chlorite mat,corrosion of unstable components,compaction density,kaolinite filling and carbonate cementation by analyzing the log response characteristics of the diagenetic facies types with tight reservoirs of Yanchang formation Chang8 reservoirs in Longdong region,Ordos Basin.The quantitative identification method of well logging for diagenetic facies based on BP neural net was established by density logging, natural gamma logging,neutron logging and neutron-density porosity difference and selecting the parameters which were sensitive to the diagenetic facies.One actual log data of research region was processed by using this method and its reliability was validated by comparing with the casting section data.

BP neural net、tight sand reservoirs、diagenetic facies

F407.1[文獻(xiàn)碼]B

1000-405X（2016）-9-237-3

魏小龍（1992～），男，現(xiàn)正攻讀礦產(chǎn)普查與勘探碩士學(xué)位，研究方向?yàn)槭吞烊粴饪碧脚c綜合地質(zhì)。