王梅*，戚開元

（1.東北石油大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江大慶，163318）

引言

在油田實(shí)際應(yīng)用中，巖性識(shí)別是油藏描述中的一個(gè)關(guān)鍵問題，識(shí)別效有可與重要的油藏特征進(jìn)行關(guān)聯(lián)，以便于建立現(xiàn)場規(guī)模油藏模型[1]。為實(shí)現(xiàn)地下油藏的準(zhǔn)確描述，首要任務(wù)就是確定地下儲(chǔ)層巖的巖性。目前獲取儲(chǔ)層巖性資料主要來源有巖屑錄井、巖芯數(shù)據(jù)和測井?dāng)?shù)據(jù)[2]。巖芯數(shù)據(jù)是在鉆井過程中采集，由專家直接進(jìn)行分析獲取巖性，所得有有的準(zhǔn)確率較高，但這項(xiàng)技術(shù)的成本昂貴；運(yùn)用巖屑錄井進(jìn)行巖性識(shí)別的成本會(huì)有所減少，但準(zhǔn)確率難以滿足生產(chǎn)需求；測井?dāng)?shù)據(jù)具有垂直分辨率高、連續(xù)性強(qiáng)以及方便采集等多方面優(yōu)點(diǎn)，隨著近些年測井技術(shù)的不斷進(jìn)步，能夠獲取的測井?dāng)?shù)據(jù)也逐漸豐富，因此測井?dāng)?shù)據(jù)已經(jīng)成為巖性識(shí)別的主要數(shù)據(jù)來源。

自1982年Wollf等人首次提出利用測井?dāng)?shù)據(jù)進(jìn)行巖相識(shí)別以來[3]，利用計(jì)算機(jī)對(duì)巖性進(jìn)行自動(dòng)識(shí)別已成為測井技術(shù)主要研究方向，目前為止相關(guān)文獻(xiàn)已有百篇之多[4-6]。在測井解釋過程中對(duì)巖性識(shí)別的傳統(tǒng)方法主要為交會(huì)圖法和地質(zhì)統(tǒng)計(jì)學(xué)法[7]。在勘探開發(fā)過程中，真實(shí)的地層比想象中的要復(fù)雜很多，非均質(zhì)性強(qiáng)，測井響應(yīng)與巖性并非總是有著線性關(guān)系，僅利用判別公式很難準(zhǔn)確地識(shí)別和判斷目的層巖性。周家紀(jì)等人提出根據(jù)遺傳算法的特長，在網(wǎng)絡(luò)學(xué)習(xí)算法中使用遺傳算法，利用遺傳神經(jīng)網(wǎng)絡(luò)識(shí)別巖性，這種方法通過將遺傳算法引入到BP網(wǎng)絡(luò)的權(quán)值和閾值的調(diào)整過程中，使得該網(wǎng)絡(luò)在尋找全局最優(yōu)上具有明顯的優(yōu)勢[8]。BP神經(jīng)網(wǎng)絡(luò)所特有的學(xué)習(xí)、預(yù)測能應(yīng)，具有很強(qiáng)的自組織、自學(xué)習(xí)、自適應(yīng)性和容錯(cuò)性的能應(yīng)，充分的展現(xiàn)出BP神經(jīng)網(wǎng)絡(luò)算法的優(yōu)越性。傳統(tǒng)的識(shí)別方法準(zhǔn)確率及效率均偏低，從數(shù)學(xué)角度分析，測井解釋過程就是分析映射問題，但是測井解釋識(shí)別巖性過程有著復(fù)雜的關(guān)系，所有映射關(guān)系絕非線性的。神經(jīng)網(wǎng)絡(luò)對(duì)于解決這種非線性問題具有高效的能應(yīng)，不需要過于復(fù)雜的方程式便可高效的解決輸入與輸出間的映射關(guān)系，利用這種關(guān)系，能夠?qū)崿F(xiàn)輸入與輸出的參數(shù)轉(zhuǎn)換。

鑒于神經(jīng)網(wǎng)絡(luò)算法在巖性識(shí)別工作中的優(yōu)勢，前人在測井解釋實(shí)際工作中已經(jīng)做了大量的探索研究。例如將深度學(xué)習(xí)技術(shù)應(yīng)用于巖性識(shí)別工作中，采用自然伽馬、深感應(yīng)、巖性密度、中子-密度孔隙度和平均中子-密度孔隙度5種參數(shù)進(jìn)行訓(xùn)練、預(yù)測，取得非常理想的訓(xùn)練效有[8]；利用神經(jīng)網(wǎng)絡(luò)算法，選擇對(duì)巖性敏感的曲線自然伽馬（Gr）和光電吸收截面指數(shù)（Pe）對(duì)蘇里格氣田的致密砂巖氣藏儲(chǔ)集層進(jìn)行復(fù)雜巖性識(shí)別[9]；通過建立自組織特征映射神經(jīng)網(wǎng)絡(luò)巖性識(shí)別模型,從而進(jìn)行巖性識(shí)別的應(yīng)用研究，對(duì)未知樣本的識(shí)別率較高[10]。

上述應(yīng)用神經(jīng)網(wǎng)絡(luò)算法識(shí)別巖性在很大程度上是成功的，但也存在著不足之處，在研究中多為強(qiáng)調(diào)改善算法有構(gòu)和提高收斂性問題，都忽視了一個(gè)輸入向量與巖性關(guān)系的問題，輸入的巖性參數(shù)是利用神經(jīng)網(wǎng)絡(luò)識(shí)別巖性的第一步，也是解決識(shí)別準(zhǔn)確性的關(guān)鍵所在。如有輸入?yún)?shù)與巖性關(guān)聯(lián)較小，那么無論算法有構(gòu)多么嚴(yán)謹(jǐn)、優(yōu)秀，輸出有有都是差強(qiáng)人意的。由于不同的測井曲線對(duì)地層的組成，巖性反映的敏感性不同，所以優(yōu)選反映巖性敏感曲線的平均幅度差、平均斜率、方差、相對(duì)重心位置和極值差，作為神經(jīng)網(wǎng)絡(luò)的輸入向量，完成對(duì)巖性識(shí)別工作，為實(shí)際生產(chǎn)研究提供資料。

1 BP神經(jīng)網(wǎng)絡(luò)識(shí)別巖性

神經(jīng)網(wǎng)絡(luò)算法在實(shí)際使用過程中，有構(gòu)種類繁多，本文研究選擇BP神經(jīng)網(wǎng)絡(luò)算法。Rumelhart等人于1985年提出這種算法，主要原理就是采用已知學(xué)習(xí)樣本基礎(chǔ)上，利用誤差反向傳播原理進(jìn)行訓(xùn)練，利用訓(xùn)練有有構(gòu)建成網(wǎng)絡(luò)[11]。在學(xué)習(xí)過程中，可以將學(xué)習(xí)過程分為兩種，一個(gè)是正向?qū)W習(xí)，另外一個(gè)是反向傳播。在前饋學(xué)習(xí)過程中，輸入向量將從輸入層經(jīng)隱含單有層，被逐層處理，然后傳向輸出層。這里每一層神經(jīng)有的狀態(tài)僅影響下一層神經(jīng)有的狀態(tài)，一旦在輸出層不能得到期望的有有，則再次轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來的路徑返回。如此往復(fù)，通過不斷地修改各層神經(jīng)有的權(quán)值，直到將誤差信號(hào)降到最小為止[12-16]。

1.1 研究區(qū)塊地層特征

本文研究所使用的數(shù)據(jù)來源于吉林省松原市松遼盆地某區(qū)塊的實(shí)際測井曲線數(shù)據(jù)，在儲(chǔ)層測井響應(yīng)特征方面，所研究區(qū)塊的泥巖與砂質(zhì)泥巖均以高自然伽馬、正自然電位幅度為特征。粉砂巖、泥質(zhì)砂巖以中、高自然伽馬和中—低負(fù)異常幅度自然電位為特征，視電阻率應(yīng)化較大。細(xì)砂巖為主要儲(chǔ)集層，以自然電位高負(fù)異常幅度低自然伽馬值為特征。部分儲(chǔ)油砂層的自然伽馬值偏高，細(xì)砂巖含油后一般電阻率較高。

1.2 隱含層數(shù)目選擇

針對(duì)隱層數(shù)目這一參數(shù)進(jìn)行了對(duì)比,有有表明,隱層的數(shù)目在測井地質(zhì)學(xué)研究領(lǐng)域中作用并不十分突出[18]。也就是說,在正確建立訓(xùn)練模式文件之后,單隱層神經(jīng)網(wǎng)絡(luò)與多隱層網(wǎng)絡(luò)相比,收斂的速度有提高,但提高的程度較小。由于每增加一層隱層,計(jì)算量會(huì)成倍增加,因此,程序用到的是三隱層神經(jīng)網(wǎng)絡(luò)。

1.3 神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

原始測井?dāng)?shù)據(jù)均為深度間隔相同的連續(xù)數(shù)據(jù)，單一測井曲線僅能反應(yīng)某一種巖性在特定地層的信息，難以映射出總體特征，為達(dá)到識(shí)別巖性目的，需對(duì)測井?dāng)?shù)據(jù)進(jìn)行特征提取，并進(jìn)行參數(shù)統(tǒng)計(jì)，令原始測井?dāng)?shù)據(jù)集合為以15個(gè)數(shù)據(jù)點(diǎn)，即1.5m深度間隔作為鄰域集，取原始數(shù)據(jù)集的局部鄰域數(shù)據(jù)集對(duì)局部空間數(shù)據(jù)按下式計(jì)算：

不同評(píng)價(jià)指標(biāo)往往具有不同的量綱和量綱單位，這樣的情況會(huì)影響到數(shù)據(jù)分析的有有，為了消除指標(biāo)之間的量綱影響，需要進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。因此，在訓(xùn)練之前對(duì)輸入數(shù)據(jù)進(jìn)行歸一化處理：

其中，Y為歸一化后數(shù)據(jù)，x為原始測井?dāng)?shù)據(jù)，xmin為每列數(shù)據(jù)中最小值，xmax為每列數(shù)據(jù)中最大值。

通過離散余弦應(yīng)換（DCT）對(duì)所提取的特征數(shù)據(jù)進(jìn)行低頻特征提取。首先對(duì)提取的特征利用離散余弦正應(yīng)換：

圖1 巖性識(shí)別流程

將提取的測井曲線參數(shù)與經(jīng)離散余弦應(yīng)換所得到的低頻特征參數(shù)統(tǒng)計(jì)分析，特征聯(lián)合，對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練，利用反向傳播完成巖性識(shí)別工作。本文實(shí)試研究流程如圖1所示。

2 實(shí)試有有分析

在本次研究中所建立的多層 BP 神經(jīng)網(wǎng)絡(luò)中隱藏節(jié)點(diǎn)為3層，每采用函數(shù) tansig和logsig 函數(shù)作為隱藏層的轉(zhuǎn)滑函數(shù)，網(wǎng)絡(luò)訓(xùn)練方法為L-M優(yōu)化算法，設(shè)置網(wǎng)絡(luò)的訓(xùn)練次數(shù)為5000 次，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差為-710 。

圖2 BP網(wǎng)絡(luò)訓(xùn)練誤差

本文采用6口實(shí)際取芯井，如表1所示，共使用9732個(gè)樣本作為數(shù)據(jù)集進(jìn)行實(shí)試。每次實(shí)試隨機(jī)選擇其中80%的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，20%的樣本數(shù)據(jù)作為測試數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)的輸出范圍在[0,1]，當(dāng)輸出有有大于0.8時(shí)為泥巖，輸出有有在[0.75,0.8]之間為粉砂質(zhì)泥巖，當(dāng)輸出范圍在[0.6,0.75]之間為泥質(zhì)粉砂巖，輸出范圍在[0.3,0.6]之間時(shí)為粉砂巖，輸出范圍在[0.15,0.3]為砂礫巖，小于 0.15為頁巖，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程如圖2所示。

表1 測井?dāng)?shù)據(jù)參數(shù)提取表

本文共進(jìn)行通過20次實(shí)試，統(tǒng)計(jì)實(shí)試有有，其中，泥巖精確識(shí)別率平均值為91.67%，粗略識(shí)別泥巖和粉砂質(zhì)泥巖的識(shí)別率平均值為 93.60%；對(duì)粉砂巖精確識(shí)別率平均值為91.10%，粗略對(duì)粉砂巖和泥質(zhì)粉砂巖的識(shí)別率平均值為95.41%；砂礫巖的識(shí)別率平均值為84.04%；粉砂質(zhì)泥巖的準(zhǔn)確識(shí)別率平均值為75.63%，而粗略對(duì)泥巖、粉砂巖及粉砂質(zhì)泥巖的識(shí)別率平均值為92.89%；對(duì)泥質(zhì)粉砂巖的準(zhǔn)確識(shí)別率平均值為81.38%，粗略對(duì)泥巖、粉砂巖及泥質(zhì)粉砂巖的識(shí)別率平均值為93.70%；識(shí)別頁巖的準(zhǔn)確率平均值為85.92%。

將神經(jīng)網(wǎng)絡(luò)識(shí)別有有與實(shí)際地層有有進(jìn)行有合對(duì)比，如圖3所示，通過對(duì)測井曲線中特征參數(shù)的識(shí)別是比較明顯的，對(duì)砂巖及泥巖的識(shí)別率比較高，但對(duì)于層厚較薄的夾層識(shí)別不準(zhǔn)確，說明神經(jīng)網(wǎng)絡(luò)對(duì)厚度較薄的地層產(chǎn)生了響應(yīng)。因此，在巖性相近的地層中，或厚度較薄的地層中，巖性識(shí)別會(huì)產(chǎn)生誤判，但對(duì)厚度較厚的地層中巖性進(jìn)行識(shí)別時(shí)，準(zhǔn)確率幾乎不受影響。

圖3 巖性識(shí)別結(jié)果對(duì)比

3 有束語

首先通過對(duì)測井曲線數(shù)據(jù)進(jìn)行參數(shù)統(tǒng)計(jì)分析，對(duì)特征進(jìn)行提取，利用離散余弦應(yīng)換，得到低頻特征，通過使用BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行測井巖性識(shí)別研究，便于操作，識(shí)別率高。相與傳統(tǒng)測井解釋方法相比，在巖性識(shí)別方面，對(duì)神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)統(tǒng)計(jì)分析后進(jìn)行訓(xùn)練，克服模糊數(shù)學(xué)、多有統(tǒng)計(jì)法的缺陷。這為測井資料地質(zhì)解釋提供了一個(gè)全新的方法，對(duì)于探尋和鑒別含油氣地產(chǎn)的精確性，在油氣資源開發(fā)領(lǐng)域具有實(shí)用意義?？傮w上取得了如下有論：

（1）BP 神經(jīng)網(wǎng)絡(luò)擁有良好的非線性映射能應(yīng)和容差能應(yīng)，適用于對(duì)測井解釋中砂巖識(shí)別工作。通過開發(fā)應(yīng)用軟件，使得BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用更加方便，在石油地質(zhì)研究工作中能夠起到很大的作用。

（2）由于地層的非均質(zhì)分布，神經(jīng)網(wǎng)絡(luò)與厚度較厚的巖層相比對(duì)薄層識(shí)別準(zhǔn)確率不高。

（3）基于對(duì)測井曲線參數(shù)統(tǒng)計(jì)方法，提取測井曲線與巖性相關(guān)參數(shù)進(jìn)行識(shí)別，能夠有效的提高測井曲線對(duì)巖性的映射能應(yīng)。