汪佳蓓, 黃捍東

(1.中國(guó)地質(zhì)大學(xué) 能源學(xué)院，北京100083; 2.中國(guó)石油大學(xué) 油氣資源與探測(cè)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京102249)

?

基于BP神經(jīng)網(wǎng)絡(luò)的疊前流體識(shí)別方法

汪佳蓓1, 黃捍東2

(1.中國(guó)地質(zhì)大學(xué) 能源學(xué)院，北京100083; 2.中國(guó)石油大學(xué) 油氣資源與探測(cè)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京102249)

探討塔里木盆地桑塔木地區(qū)三疊系辮狀河三角洲沉積儲(chǔ)層流體識(shí)別方法。該地區(qū)儲(chǔ)層橫向變化大，流體類型復(fù)雜。本文提出利用BP神經(jīng)網(wǎng)絡(luò)的信息整合模式識(shí)別功能來進(jìn)行儲(chǔ)層流體識(shí)別的方法，通過疊前反演得到對(duì)流體敏感的彈性參數(shù)數(shù)據(jù)體和電測(cè)解釋結(jié)果標(biāo)定建模樣本，采取隨機(jī)抽樣形成建模樣本集與測(cè)試樣本集，選取26口井的700個(gè)樣本作為學(xué)習(xí)樣本，62個(gè)作為測(cè)試樣本，建立BP神經(jīng)網(wǎng)絡(luò)模型。預(yù)測(cè)結(jié)果和實(shí)鉆結(jié)果吻合程度高，正確率達(dá)90%以上。該方法可以很好地對(duì)桑塔木地區(qū)儲(chǔ)層中所含流體進(jìn)行識(shí)別。

彈性參數(shù)；BP神經(jīng)網(wǎng)絡(luò)；模式識(shí)別；流體識(shí)別

桑塔木地區(qū)位于塔里木盆地塔北隆起輪南低凸起的斜坡帶上，三疊系是重要的油氣產(chǎn)層。該區(qū)屬于深層薄層油氣藏，儲(chǔ)層復(fù)雜，巖性和流體識(shí)別很困難，增加了儲(chǔ)層預(yù)測(cè)和井位部署的難度。對(duì)于如何有效地進(jìn)行儲(chǔ)層流體識(shí)別，國(guó)內(nèi)外學(xué)者都進(jìn)行了深入的研究，Smith等[1]通過對(duì)疊前數(shù)據(jù)進(jìn)行加權(quán)疊加,得到流體因子來預(yù)測(cè)流體。Goodway等[2-3]在儲(chǔ)層預(yù)測(cè)中發(fā)揮了拉梅系數(shù)的優(yōu)勢(shì)。Mukerji等[4]把統(tǒng)計(jì)巖石物理技術(shù)和地震阻抗反演相結(jié)合，用于識(shí)別儲(chǔ)層巖相和孔隙流體。Gray等[5-7]運(yùn)用反演的λ和μ預(yù)測(cè)巖性和流體。Avseth[8]首先給出了巖石物理模板(RPT)技術(shù)，之后結(jié)合統(tǒng)計(jì)分類以及彈性參數(shù)反演方法運(yùn)用于挪威北海Grane油田中，進(jìn)行巖性和流體的定量解釋。Russell等[9-10]提出新的流體指示因子預(yù)測(cè)流體。 印興耀等[11]在Russell基礎(chǔ)上進(jìn)行改進(jìn)，通過直接提取流體因子進(jìn)行流體檢測(cè)。后續(xù)不斷有學(xué)者提出在不同區(qū)塊運(yùn)用的新的流體識(shí)別方法[12-15]，解決了實(shí)際區(qū)塊的難題。本文在前人研究的基礎(chǔ)上，針對(duì)桑塔木地區(qū)的地質(zhì)和地球物理特征，利用疊前彈性參數(shù)反演得到對(duì)流體敏感的彈性參數(shù)成果，進(jìn)行儲(chǔ)層預(yù)測(cè)和流體識(shí)別。由于研究區(qū)地質(zhì)條件復(fù)雜，單一的彈性參數(shù)反演結(jié)果很難識(shí)別流體，要優(yōu)選并綜合多種敏感彈性參數(shù)數(shù)據(jù)體進(jìn)行流體識(shí)別。BP神經(jīng)網(wǎng)絡(luò)在解決這類非線性問題時(shí)具有極大的靈活性和自適應(yīng)性，能夠?qū)崿F(xiàn)復(fù)雜函數(shù)關(guān)系的變換[16]。為此，我們利用BP神經(jīng)網(wǎng)絡(luò)建立基于疊前彈性參數(shù)反演成果的流體識(shí)別方法。

1 基本原理

BP算法全稱為“誤差逆?zhèn)鞑ニ惴ā?，是一種具有3層或3層以上的階層型神經(jīng)網(wǎng)絡(luò)。上、下層之間實(shí)現(xiàn)全連，而每層之間無連接。本文的網(wǎng)絡(luò)按照有樣本學(xué)習(xí)的方法，神經(jīng)元的激活值從輸入層經(jīng)中間層向輸出層傳播，在輸出層每個(gè)單元獲得網(wǎng)絡(luò)的輸入響應(yīng)。按減小期望輸出與實(shí)際輸出的誤差方向，從輸出層經(jīng)中間層逐層調(diào)整各權(quán)值和閾值，最后回到輸入層。在誤差逆?zhèn)鞑サ倪^程中，網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率也在提高。此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可接受程度，或進(jìn)行到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[17]。

本文分析井點(diǎn)處重點(diǎn)層段的流體敏感疊前彈性參數(shù)反演數(shù)據(jù)體與實(shí)際電測(cè)解釋的油水性之間的關(guān)系，建立兩者間相互關(guān)聯(lián)的神經(jīng)網(wǎng)絡(luò)，將優(yōu)選出的敏感彈性參數(shù)反演數(shù)據(jù)作為輸入值，井點(diǎn)處電測(cè)解釋結(jié)果作為期望輸出，通過調(diào)試網(wǎng)絡(luò)，使輸入和期望輸出相符。訓(xùn)練好的網(wǎng)絡(luò)可以用來預(yù)測(cè)無井控制處的流體類型，從而實(shí)現(xiàn)重點(diǎn)砂層段含油氣預(yù)測(cè)(圖1)。

2 BP神經(jīng)網(wǎng)絡(luò)建模

2.1 構(gòu)建輸入層

用神經(jīng)網(wǎng)絡(luò)對(duì)儲(chǔ)層流體進(jìn)行識(shí)別，就是尋求儲(chǔ)層流體與測(cè)井信息的映射關(guān)系，因此樣本的選取關(guān)乎神經(jīng)網(wǎng)絡(luò)識(shí)別模型的準(zhǔn)確性。為了提高有效儲(chǔ)層流體識(shí)別的精度，在巖石孔隙流體研究的基礎(chǔ)上提出了多種能夠反映巖性或流體的彈性參數(shù)，如縱波阻抗(IP)、 橫波阻抗(IS)、縱橫波速度比(vP/vS)、泊松比(μ)、體積模量(K)、剪切模量(G)、楊氏模量(E)、拉梅系數(shù)(λ)等，諸多彈性參數(shù)是巖石骨架和孔隙流體的綜合反映，具有明確的物理意義，能提供豐富的儲(chǔ)層流體的信息。在油氣指示上，體積模量通常對(duì)孔隙流體比較敏感，含油砂巖較含水砂巖體積模量偏低。選取桑塔木地區(qū)鉆井資料開展巖石物理統(tǒng)計(jì)，并分析儲(chǔ)層中含不同流體后彈性參數(shù)的變化情況，分析該區(qū)目的層段各參數(shù)變化的相對(duì)大小，優(yōu)選出對(duì)該區(qū)敏感的彈性參數(shù)組合[18]。圖2-A為縱波阻抗和縱橫波速度比的交會(huì)，圖2-B為拉梅系數(shù)乘密度(λρ)和泊松比的交會(huì)。圖中顯示干層阻抗最高，油層、油水層阻抗略微大于水層，含油水砂巖多分布在縱橫波速比、泊松比和拉梅系數(shù)乘密度值皆低的區(qū)域，即在兩者交會(huì)的低值區(qū)；而干砂巖正好與之相反，分布在兩者交會(huì)的高值區(qū)，具有高泊松比、高拉梅系數(shù)乘密度的特點(diǎn)；水層、油水層和油層的分布基本上介于二者之間，兩端略有交互。油層和水層特性差異較小，尤其油水層與水層的疊置范圍更大；但分析發(fā)現(xiàn)，油層和油水層拉梅系數(shù)乘密度值比水層的要稍微小一些，可以利用這些細(xì)微的差異來識(shí)別流體。

圖1 流體識(shí)別原理圖Fig.1 Diagram showing the principle of fluid identification

圖2 IP-vP/vS和λρ-μ交會(huì)圖Fig.2 The crossplot between IP-vP/vS and λρ-μ

針對(duì)BP神經(jīng)網(wǎng)絡(luò)的輸入層的參數(shù)，應(yīng)當(dāng)能夠很好地描述輸出問題的信息，在選擇輸入特征時(shí)，要注意2點(diǎn)：一是輸入的變量必須選擇那些對(duì)輸出影響大且能夠檢測(cè)或提取的變量；二是要求各輸入變量之間相關(guān)性很小[19]。彈性參數(shù)及其不同的組合形式反映含油氣特征的靈敏程度具有很大的差異，通過大量的彈性參數(shù)敏感度分析對(duì)比研究，最終確立了縱波阻抗、泊松比、體積模量和拉梅系數(shù)乘密度4個(gè)對(duì)流體更為敏感的彈性參數(shù)數(shù)據(jù)體作為輸入層，則該網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)設(shè)定為4。

2.2 構(gòu)建輸出層

輸出層代表網(wǎng)絡(luò)預(yù)測(cè)中期望得到的結(jié)果，本文對(duì)應(yīng)于油層、油水層、水層、干層4種檢測(cè)結(jié)果，輸出量為4位檢測(cè)編碼(表1)，分別對(duì)應(yīng)4個(gè)類別，該網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)設(shè)定為4。

2.3 隱含層數(shù)和層內(nèi)節(jié)點(diǎn)數(shù)的確定

Cybenko曾證明，3層網(wǎng)絡(luò)結(jié)構(gòu)中，如若將隱藏的節(jié)點(diǎn)數(shù)設(shè)置足夠多，那么該網(wǎng)絡(luò)結(jié)構(gòu)足夠逼近任何的函數(shù)[20]。由此可以看出，隱含層較少時(shí)，也是可以勝任的，故本文用的是1層隱含層。對(duì)于隱藏層節(jié)點(diǎn)數(shù)，在本文中采用試湊法，通過在保持其他設(shè)定參數(shù)不變的情況下，分析不同節(jié)點(diǎn)數(shù)時(shí)的計(jì)算精度以及最終預(yù)測(cè)結(jié)果的準(zhǔn)確度，優(yōu)選確定隱含層節(jié)點(diǎn)數(shù)。

表1 流體類型編碼

Table 1 Fluid type codes

油水類型輸出編碼分類干層(1 0 0 0)1水層(0 1 0 0)2油水層(0 0 1 0)3油層(0 0 0 1)4

一般利用經(jīng)驗(yàn)公式

式中：l為隱含層的節(jié)點(diǎn)數(shù)；m和n分別為輸入層和輸出層節(jié)點(diǎn)數(shù)，本文中m=4，n=4；α為1～10之間的某個(gè)常數(shù)。

先設(shè)定一個(gè)初始的隱含層節(jié)點(diǎn)數(shù)，然后依次遞增節(jié)點(diǎn)數(shù)，對(duì)比不同隱含層節(jié)點(diǎn)數(shù)時(shí)的誤差，優(yōu)選出最合適的節(jié)點(diǎn)數(shù)。訓(xùn)練的誤差情況如表2。由數(shù)據(jù)所得的誤差趨勢(shì)如圖3所示。

從表2和圖3中可以得出，在隱含層節(jié)點(diǎn)數(shù)為16時(shí)，誤差達(dá)到10-4數(shù)量級(jí)，滿足預(yù)測(cè)精度需求。當(dāng)節(jié)點(diǎn)數(shù)繼續(xù)增加時(shí)，誤差變化趨于穩(wěn)定，在此設(shè)定隱含層節(jié)點(diǎn)數(shù)為16。選定神經(jīng)網(wǎng)絡(luò)的重要參數(shù)后，需要利用實(shí)際資料進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和測(cè)試。

表2 不同的隱含層節(jié)點(diǎn)數(shù)時(shí)對(duì)應(yīng)的全局誤差

Table 2 The overall error in different node number in hidden layer

節(jié)點(diǎn)數(shù)2468誤差0．32654780．14126970．00935860．0027492節(jié)點(diǎn)數(shù)10121416誤差0．00199810．00097630．00046780．0001137節(jié)點(diǎn)數(shù)18202224誤差0．00008170．00003140．00002690．0000146

圖3 不同隱含層節(jié)點(diǎn)數(shù)的誤差分析Fig.3 The relationship between overall error and node number in hidden layer

2.4 BP算法的改進(jìn)

標(biāo)準(zhǔn)BP 算法是一種最速下降靜態(tài)尋優(yōu)算法，在訓(xùn)練過程中學(xué)習(xí)步長(zhǎng)是恒定的，存在易陷入局部最優(yōu)值和訓(xùn)練不收斂等缺點(diǎn)[21-22]。關(guān)于BP算法的改進(jìn)，前人已經(jīng)做過大量研究，本文優(yōu)選變步長(zhǎng)法和附加動(dòng)量項(xiàng)法相結(jié)合來改進(jìn)BP算法。

變步長(zhǎng)法考慮到當(dāng)神經(jīng)網(wǎng)絡(luò)誤差曲面比較平滑時(shí)，應(yīng)加大網(wǎng)絡(luò)的學(xué)習(xí)步長(zhǎng)，使得網(wǎng)絡(luò)能盡快收斂；當(dāng)誤差曲面較陡時(shí)，應(yīng)減小網(wǎng)絡(luò)學(xué)習(xí)步長(zhǎng)，保證調(diào)整量不會(huì)過大，以免因步長(zhǎng)過大而出現(xiàn)振蕩現(xiàn)象。所以引入變步長(zhǎng)法能根據(jù)網(wǎng)絡(luò)誤差曲面的情況實(shí)現(xiàn)學(xué)習(xí)步長(zhǎng)的自適應(yīng)調(diào)整，能較好地解決局部極小點(diǎn)和訓(xùn)練不收斂等問題。

附加動(dòng)量項(xiàng)法在BP 網(wǎng)絡(luò)修正權(quán)值時(shí)，同時(shí)考慮了誤差在梯度上的作用以及誤差曲面上的變化趨勢(shì)。

ω(k)= ω(k-1)+Δω(k)+

a[ω(k-1)-ω(k-2)]

式中：ω(k)，ω(k-1)，ω(k-2)分別是k，k-1，k-2時(shí)刻的權(quán)值；a為動(dòng)量學(xué)習(xí)率。附加動(dòng)量項(xiàng)加入了前一次權(quán)值調(diào)整量，考慮到累計(jì)效應(yīng)，對(duì)權(quán)值的調(diào)整起到了阻尼作用。

變步長(zhǎng)法根據(jù)誤差曲面情況自適應(yīng)地調(diào)整網(wǎng)絡(luò)的學(xué)習(xí)步長(zhǎng)，加動(dòng)量項(xiàng)BP算法通過增加動(dòng)量項(xiàng)減輕網(wǎng)絡(luò)訓(xùn)練過程中的振蕩現(xiàn)象。將附加動(dòng)量項(xiàng)和變步長(zhǎng)思想結(jié)合起來，既可以有效地抑制網(wǎng)絡(luò)陷入局部極小、加快收斂速度，又有利于提高運(yùn)算效率和精度，可以較好地改進(jìn)算法。在下面的實(shí)際應(yīng)用中可以看到很好的改進(jìn)效果。

3 實(shí)際應(yīng)用

3.1 網(wǎng)絡(luò)訓(xùn)練和測(cè)試

選取桑塔木T3油組第1層的26口井，包括13口油井、6口油水井、5口水井和2口干井；同時(shí)抽取該26口井T3油組第1層反演數(shù)據(jù)和測(cè)井解釋結(jié)果進(jìn)行分析，建立了輸入層節(jié)點(diǎn)數(shù)為4、隱含層節(jié)點(diǎn)數(shù)為16、輸出層節(jié)點(diǎn)數(shù)為4的3層BP神經(jīng)網(wǎng)絡(luò)。26口井總共有數(shù)據(jù)762組，其中油層數(shù)據(jù)131組、油水層數(shù)據(jù)411組、水層數(shù)據(jù)165組、干層數(shù)據(jù)65組。本研究目的層有4種對(duì)油氣較敏感的反演數(shù)據(jù)體可供利用，即縱橫波速度比、縱波阻抗、泊松比、拉梅系數(shù)乘密度。取出700個(gè)樣本作為學(xué)習(xí)樣本，進(jìn)行網(wǎng)絡(luò)訓(xùn)練；另外62個(gè)作為預(yù)測(cè)樣本，用來檢驗(yàn)網(wǎng)絡(luò)訓(xùn)練的效果。700組數(shù)據(jù)首先用網(wǎng)絡(luò)模型進(jìn)行自測(cè)，預(yù)測(cè)流體和實(shí)際流體如果一致，那么流體分類結(jié)果(圖4-A)中紅色代表的預(yù)測(cè)流體應(yīng)該和藍(lán)色代表的實(shí)際流體完全重合；如果不重合，那么分類誤差圖(圖4-B)中就會(huì)出現(xiàn)非零的值，在零值上下跳躍即代表流體預(yù)測(cè)不準(zhǔn)確。圖4-B中700個(gè)樣本，有601個(gè)結(jié)果正確，自測(cè)準(zhǔn)確率達(dá)到87% 。

再用62組數(shù)據(jù)進(jìn)行測(cè)試，圖4-C和D分別是62個(gè)預(yù)測(cè)樣本的預(yù)測(cè)結(jié)果和誤差。本次設(shè)定計(jì)算5 000次，通過統(tǒng)計(jì)分類誤差可以看出，算法改進(jìn)前，預(yù)測(cè)流體類別和實(shí)際流體類別吻合率不是很好，62個(gè)樣本有15個(gè)錯(cuò)誤分類(圖4-D)，準(zhǔn)確率為76%。

當(dāng)然，這和算法優(yōu)化以及設(shè)定的計(jì)算次數(shù)也有關(guān)系，優(yōu)化算法以及提高計(jì)算次數(shù)，都可以相應(yīng)地提高識(shí)別準(zhǔn)確率。在算法改進(jìn)后，同樣的計(jì)算次數(shù)5 000次，圖4-E中預(yù)測(cè)流體和實(shí)際流體不是完全重合，圖4-F中有10個(gè)值在零值處跳動(dòng)，即62個(gè)樣本有10個(gè)分類錯(cuò)誤(圖4-F)，準(zhǔn)確率提高到85%。

在算法優(yōu)化的同時(shí)，經(jīng)過多次計(jì)算的測(cè)試后，對(duì)算法優(yōu)化前后計(jì)算次數(shù)和準(zhǔn)確率之間的關(guān)系進(jìn)行了對(duì)比。圖5中可以看出，隨著計(jì)算次數(shù)的增加，準(zhǔn)確率在前期大幅度提高；當(dāng)達(dá)到20 000次這個(gè)臨界值后，預(yù)測(cè)準(zhǔn)確率趨于穩(wěn)定。在算法優(yōu)化前，隨著計(jì)算次數(shù)的增加，準(zhǔn)確率大致保持在87%左右；在算法優(yōu)化后，準(zhǔn)確率上升到91%左右。綜合考慮計(jì)算效率以及準(zhǔn)確率后，將最終的計(jì)算次數(shù)設(shè)定在拐點(diǎn)值20 000次。

圖4 樣本分類結(jié)果和分類誤差圖Fig.4 Sample classification results and classification errors

圖5 準(zhǔn)確率和計(jì)算次數(shù)關(guān)系圖Fig.5 The relationship between the accuracy and calculation times

如圖6-A、B，當(dāng)計(jì)算次數(shù)設(shè)定為20 000次時(shí)，在算法優(yōu)化前， 62組樣本有9個(gè)分類錯(cuò)誤，準(zhǔn)確率為85.5%。據(jù)圖6-C、D，算法優(yōu)化后，計(jì)算次數(shù)同樣設(shè)定為20 000次，62個(gè)樣本有6個(gè)分類錯(cuò)誤，準(zhǔn)確率提高到90.3%，效果達(dá)到預(yù)期。選取部分樣本識(shí)別結(jié)果,有灰色底紋的部分表示流體預(yù)測(cè)不符之處(表3)。本次構(gòu)建好的網(wǎng)絡(luò)，將運(yùn)用到對(duì)全區(qū)油水性質(zhì)的預(yù)測(cè)中；同時(shí)數(shù)據(jù)量的增加，會(huì)使得油水性的統(tǒng)計(jì)性更強(qiáng)，趨勢(shì)更加明顯，也是得到好的預(yù)測(cè)效果的保證。

3.2 儲(chǔ)層流體識(shí)別

運(yùn)用上述網(wǎng)絡(luò)對(duì)T3油組第1小層進(jìn)行儲(chǔ)層流體識(shí)別，該小層全區(qū)預(yù)測(cè)結(jié)果準(zhǔn)確率為88%，且預(yù)測(cè)出現(xiàn)偏差的地方主要是油水層和水層，這兩者特性很接近，所以區(qū)分效果稍差。將T3油組第1小層預(yù)測(cè)結(jié)果成圖，可以得到油氣分布預(yù)測(cè)圖(圖7)，圖中紅色的點(diǎn)代表油井，藍(lán)色的點(diǎn)代表水井，紅藍(lán)相間的點(diǎn)代表油水井。右邊色標(biāo)中粉紅色3代表油水層，黃色4代表油層。從油氣分布圖中可以看出，電測(cè)解釋為油氣層的井大多分布在油氣顯示特征明顯的紅色和黃色區(qū)域，僅有極少數(shù)井處于預(yù)測(cè)厚度偏薄的區(qū)域，吻合程度較好；且含油氣儲(chǔ)層主要分布在工區(qū)的東部，由東向西逐漸變薄。在工區(qū)東部、中部均有多口井鉆遇油層；但仍有較多的油砂體發(fā)育區(qū)無井控制，例如工區(qū)西南角，可以作為滾動(dòng)挖潛的有利目標(biāo)。

圖8是T3油組拉梅系數(shù)乘密度反演剖面，從反演結(jié)果中可以看出，JF121、JF126和JF1233口井分別在T3油組的第1、第2小層砂體中鉆遇較好的油層顯示；JF121井電測(cè)解釋于4 663～4 675.5 m深度鉆遇14.5 m(4層)的油層，4 675.5～4 677.5 m深度鉆遇2 m油水同層，4 677.5～4 686 m深度鉆遇8.5 m含油水層；JF126井于4 670～4 683 m深度共鉆遇12 m(2層)油層，4 684～4 690.5 m深度鉆遇6.5 m含油水層，4 690.5～4 725 m深度鉆遇34.5 m水層。從色標(biāo)中可以看到，3口井鉆遇油層段的拉梅系數(shù)乘密度值為20～38 GPa·g/mL，鉆遇油水層的拉梅系數(shù)乘密度值為36～46 GPa·g/mL，鉆遇水層的拉梅系數(shù)乘密度值一般都>44 GPa·g/mL。通過對(duì)完鉆井在拉梅系數(shù)乘密度剖面上的分析，可以看出在縱向反演剖面上，流體預(yù)測(cè)結(jié)果與實(shí)際鉆探結(jié)果吻合較好。

圖6 樣本預(yù)測(cè)分類結(jié)果和分類誤差(算法優(yōu)化前后對(duì)比)Fig.6 Sample classification results and classification errors (before and after algorithm optimization)

Table 3 Part of prediction results

輸入?yún)?shù)期望輸出實(shí)際輸出IP/(m·s-1)(g·mL-1)μK/MPaλρ/[GPa·(g·mL-1)]測(cè)井解釋 分類網(wǎng)絡(luò)預(yù)測(cè)結(jié)果分類9078．210．2638．0035．31油層4000149047．400．2839．7937．88油層4000149357．610．3137．8338．20油層4001039324．730．2640．0538．25油層4000149010．420．2540．0538．41油層4000149135．740．2337．8438．44油層4000149091．840．2840．7239．33油層4000149237．820．3338．5440．01油水層3001039681．590．2742．2240．42油水層3001039326．140．3339．3941．20油水層30001410048．380．2543．2141．55油水層3001039570．240．2441．1141．99油水層3001039016．720．2641．1142．01油水層3001039662．860．3341．8744．85油水層30010310079．410．3245．3544．90水層2010029180．780．3742．1445．53水層2010029244．660．2642．2146．01水層2010029463．730．2743．9546．67水層20100210498．490．2944．1947．93水層2000149783．460．2845．1648．49水層2010029823．710．3149．3849．65水層20100210708．750．3347．4149．83水層20100210195．850．3849．8555．42干層11000110881．500．3651．8057．04干層11000111326．470．3756．4565．09干層11000111217．780．3858．5070．65干層10100210945．850．4264．3973．80干層110001

圖7 T3油組第1小層油氣分布預(yù)測(cè)圖Fig.7 Map showing fluid identification in the first sand layer of T3 oil group

圖8 T3油組拉梅系數(shù)乘密度反演剖面Fig.8 The inversion profile based on lame coefficient multiply density seismic in T3 oil group

4 結(jié)束語

流體識(shí)別一直是油氣勘探中的重點(diǎn)與難點(diǎn)，特別是桑塔木地區(qū)儲(chǔ)層油水變化復(fù)雜，導(dǎo)致儲(chǔ)層流體識(shí)別需要結(jié)合多種方法進(jìn)行多方位的研究。為此，我們從疊前多種彈性參數(shù)反演數(shù)據(jù)體出發(fā)，結(jié)合電測(cè)解釋資料，構(gòu)建能夠識(shí)別油水性質(zhì)的BP神經(jīng)網(wǎng)絡(luò)解釋模型。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的映射能力，能夠融合多方面的信息，對(duì)輸入的參數(shù)進(jìn)行多元判別，得出準(zhǔn)確率較高的判別結(jié)果。通過在塔里木盆地桑塔木地區(qū)的實(shí)際應(yīng)用結(jié)果表明，該方法能夠很好地識(shí)別儲(chǔ)層流體性質(zhì)。同時(shí)需要強(qiáng)調(diào)的是，在選擇神經(jīng)網(wǎng)絡(luò)輸入層時(shí)，要針對(duì)研究的實(shí)際情況，優(yōu)選出能夠反映輸出層的敏感參數(shù)。因?yàn)閷?shí)際研究區(qū)塊中，每個(gè)油層或油組參數(shù)的特性都不同，選擇的樣本參數(shù)要具有代表性，這樣才能訓(xùn)練出適合研究區(qū)的網(wǎng)絡(luò)模型，并能夠有效運(yùn)用在該區(qū)的流體識(shí)別中。

[1] Smith G C, Gidlow P M. Weighted stacking for rock property estimation and detection of gas[J]. Geophysical Prospecting, 1987, 35(9): 915-942.

[2] Goodway B, Chen T, Downton J. Improved AVO fluid detection and lithology discrimination using Lame petrophysical parameters from P and S inversions[A]// Expanded Abstract of 67th Annual Internat SEG Mtg, SEG, Dallas, 1997: 183-186.

[3] Dufour J, Goodway B, Shook I,etal. AVO analysis to extract rock parameters on the Blackfoot 3C-3D seismic data[C]//Expanded Abstract of 68th Annual Internat SEG Mtg, SEG, New Orleans, 1998: 174-177.

[4] Mukerji T, Jorstad A, Avseth P,etal. Mapping lithofacies and pore-fluid probabilities in a North Sea reservoir: Seismic inversions and statistical rock physics[J]. Geophysics, 2001, 66(4): 988-1001.

[5] Gray D. Bridging the gap: Using AVO to detect changes in fundamental elastic constants[C]// Expanded Abstract of 59th Annual Internat SEG Mtg, SEG, Dallas, 1999: 852-855.

[6] Gray D, Andersen E. The application of AVO and inversion to the estimation of rock properties[C]//Expanded Abstracts of 70th Annual Internat SEG Mtg, SEG, Calgary, 2000: 549-552.

[7] Gray D. Elastic inversion for Lame parameters[C]//Expanded Abstracts of 72thAnnual Internat SEG Mtg, SEG, Utah, 2002: 679-700.

[8] Avseth P, Mukerji T, Jorstad A,etal. Seismic reservoir mapping from 3-D AVO in a North Sea turbidite system[J]. Geophysics, 2001, 66(4): 1157-1176.

[9] Russell B H, Hedlin K, Hilterman F J,etal. Fluid property discrimination with AVO: A Biot-Gassmann perspecive[J]. Geophysics, 2003, 68(1): 29-39.

[10] Russell B, Gray D, Hampson D. Linearized AVO and poroelasticity[J]. Geophysics, 2011, 76(3): 19-29.

[11] 印興耀,張世鑫,張繁昌,等.利用基于Russell近似的彈性波阻抗反演進(jìn)行儲(chǔ)層描述和流體識(shí)別[J].石油地球物理勘探,2010,45(3):373-380. Yin X Y, Zhang S X, Zhang F C,etal. Utilizing Russell approximation-based elastic wave impedance inversion to conduct reservoir description and fluid identification[J]. Oil Geophysical Prospecting, 2010, 45(3): 373-380. (In Chinese)

[12] 黃捍東,紀(jì)永禎,張騁,等.地震流體識(shí)別方法在四川盆地頁巖氣“甜點(diǎn)”預(yù)測(cè)中的應(yīng)用[J].古地理學(xué)報(bào),2013,15(5):672-678. Huang H D, Ji Y Z, Zhang C,etal. Application of seismic liquid identification method in prediction of shale gas “sweet spots” in Sichuan Basin [J]. Journal of Palaeogeography, 2013, 15(5): 672-678. (In Chinese)

[13] 郝前勇,印興耀,王玉梅,等.彈性模量流體因子在永新工區(qū)儲(chǔ)層預(yù)測(cè)中的應(yīng)用[J].石油物探, 2012,51(5):502-507. Hao Q Y, Yin X Y, Wang Y M,etal. Application of elastic modulus fluid factor on reservoir prediction at Yongxin Block[J]. Geophysical Prospecting for Petroleum, 2012, 51(5): 502-507. (In Chinese)

[14] 馬中高,張金強(qiáng),蔡月暉,等.大牛地氣田二疊系下石盒子組致密砂巖儲(chǔ)層含氣性識(shí)別因子研究[J].石油物探,2012,51(4):414-419. Ma Z G, Zhang J Q, Cai Y H,etal. Study on gas identification factor of tight sandstone reservoirs in Lower Shihezi Formation from Daniudi Gasfield, Ordos Basin[J]. Geophysical Prospecting for Petroleum, 2012, 51(4): 414-419. (In Chinese)

[15] 閔小剛,陳開遠(yuǎn),張益明,等.利用AVO正、反演預(yù)測(cè)深水濁積扇儲(chǔ)層[J].石油地球物理勘探, 2011,46(6):911-918. Min X G, Chen K Y, Zhang Y M,etal. Reservoir prediction in deep-water turbidite fans by using AVO forward modeling and inversion[J]. Oil Geophysical Prospecting, 2011, 46(6): 911-918. (In Chinese)

[16] 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. Chen G H, Hu C, Zeng Y L,etal. Logging identification method of fillings in fractures and caverns in carbonate reservoir based on BP neural network[J]. Geophysical Prospecting for Petroleum, 2015, 54(1): 99-104. (In Chinese)

[17] 蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京:高等教育出版社,2001:39-44. Jiang Z L. Introduction to Artificial Neural Networks[M]. Beijing: Higher Education Press, 2001: 39-44. (In Chinese)

[18] 喬玉雷.孔隙流體對(duì)巖石物理彈性參數(shù)的影響及敏感屬性參數(shù)優(yōu)選——以濟(jì)陽坳陷為例[J].油氣地質(zhì)與采收率,2011,18(3):39-43. Qiao Y L. Influence on petrophysics elastic parameter by pore fluid optimization of sensitive attribute parameter-case of Jiyang depression[J]. Petroleum Geology and Recovery Efficiency, 2011, 18(3): 39-43. (In Chinese)

[19] 曹青松,周繼惠.MATLAB在神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中的應(yīng)用[J].華東交通大學(xué)學(xué)報(bào),2004,21(4):86-88. Cao Q S, Zhou J H. The application of MATLAB in design of neural networks[J]. Journal of East China Jiaotong University, 2004, 21(4): 86-88. (In Chinese)

[20] Cybenko G. Approximation by superpositions of sigmoidal functions[J]. Mathematics of Control, Signals and Systems, 1989, 2(3): 303-314.

[21] 申輝林，高松洋.基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫識(shí)別研究[J].斷塊油氣田,2007,14(2):60-62. Shen H L，Gao S Y. Research on fracture identification based on BP neural network[J]. Fault-Block Oil & Gas Field, 2007, 14(2): 60-62. (In Chinese)

[22] 王娜娜，張國(guó)英，王明君.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在石油測(cè)井解釋中的應(yīng)用[J].北京石油化工學(xué)院學(xué)報(bào),2008,16(1):17-20. Wang N N, Zhang G Y, Wang M J. The application of improved BP ANN in oil well-log interpretation[J]. Journal of Beijing Institute of Petro-Chemical Technology, 2008, 16(1): 17-20. (In Chinese)

Study of pre-stack fluid identification method based on BP neural network

WANG Jia-bei1, HUANG Han-dong2

1.CollegeofEnergyResources,ChinaUniversityofGeosciences,Beijing100083,China; 2.StateKeyLaboratoryofPetroleumResourceandProspecting,ChinaUniversityofPetroleum,Beijing102249,China

The delta deposits of Triassic reservoirs in Sangtamu area of Tarim oilfield vary laterally, so it is very difficult to identify the fluid type in the reservoir. Discrimination of reservoirs is vital to oil and gas exploration in this formation. Therefore, a method of fluid identification in reservoir by application of distinguishing oil-bearing layers from water-bearing or dry layers by BP neural network is proposed. Pre-stack sensitive elastic parameters inversion data and logging interpretation results are used to generate training samples, and to divide the training samples into subsets of modeling building and verification by adopting random sampling. Accordingly, 700 training samples and 62 test samples from 26 wells are used to build BP neural network. It shows that the success rate is more than 90% and the model is used to predict the whole sand formation successfully. The practice indicates that the method is suitable for fluid identification in the study area.

elastic parameters; BP neural network; pattern recognition; fluid identification

10.3969/j.issn.1671-9727.2016.06.04

1671-9727(2016)06-0663-08

2015-06-04。 [基金項(xiàng)目] 國(guó)家科技重大專項(xiàng)(2011ZX05006-006; 2011ZX05009); 國(guó)家“973”計(jì)劃項(xiàng)目(2011CB201104)。

汪佳蓓(1986-)，女，博士研究生，礦產(chǎn)普查與勘探專業(yè)， E-mail:lemon357@126.com。

TP183; TE133

A