任培罡, 尹軍強(qiáng), 楊加太, 曹書(shū)坡, 雷磊

(1.中國(guó)石化江蘇石油工程有限公司地質(zhì)測(cè)井處, 江蘇 揚(yáng)州 225007;2.江蘇油田博士后工作站, 江蘇 揚(yáng)州 225007)

0 引 言

江蘇油田高郵凹陷阜寧組低孔隙度低滲透率油氣層測(cè)井響應(yīng)受巖性、物性和地層水影響較大,測(cè)井識(shí)別油氣的信噪比降低,不同流體儲(chǔ)層的電阻率差異變小,流體識(shí)別困難。雖然錄井資料獲得的是地下油氣的直接信息,具有直觀準(zhǔn)確的特點(diǎn),受油氣藏儲(chǔ)層巖性、地層水性質(zhì)、物性影響相對(duì)較小,但其缺點(diǎn)是采樣間隔大、分層精度低、儲(chǔ)層厚度解釋不夠精確。基于以上認(rèn)識(shí),提出了綜合測(cè)井與錄井,發(fā)揮測(cè)井和錄井資料的各自優(yōu)勢(shì),對(duì)低孔隙度低滲透率儲(chǔ)層開(kāi)展油氣識(shí)別,并將人工智能中較為成熟的BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到油氣解釋中,提出了一種基于BP人工神經(jīng)網(wǎng)絡(luò)的綜合測(cè)、錄井資料對(duì)低孔隙度低滲透率儲(chǔ)層進(jìn)行油氣識(shí)別的新方法,在江蘇油田高郵凹陷阜寧組低孔隙度低滲透率儲(chǔ)層流體解釋中應(yīng)用,取得了較好的效果。

1 BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)

在實(shí)際應(yīng)用中最基本的BP神經(jīng)網(wǎng)絡(luò)算法存在許多不足,普遍公認(rèn)的問(wèn)題是收斂速度慢和容易陷入局部極小。另外,隱層神經(jīng)元個(gè)數(shù)的確定存在盲目性[1]。本文方法改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)算法的不足。

(1) 加入動(dòng)量項(xiàng),提高收斂速度和避免陷入局部極小。BP算法中學(xué)習(xí)步長(zhǎng)η的選取很重要,η值大,網(wǎng)絡(luò)收斂快,但過(guò)大會(huì)引起振蕩不穩(wěn)定;η值過(guò)小,收斂速度變慢。要解決這一矛盾最簡(jiǎn)單的方法是加入動(dòng)量項(xiàng),即令

Δωij(n+1)=αΔωij(n)+ηδj(n)οj

(1)

式中,α為動(dòng)量項(xiàng),通常為整數(shù);n+1表示第n+1次迭代;第2項(xiàng)表示ωij第n+1次修正量應(yīng)該在一定程度上保持第n次修正量的慣性,使變化律的慣量在某種程度上守恒。在BP算法中加入動(dòng)量項(xiàng)不僅可以微調(diào)連接權(quán)值的修正量,加快收斂速度,也可以使學(xué)習(xí)避免陷入局部極小[2-4]。

(2) 自適應(yīng)調(diào)整學(xué)習(xí)參數(shù)η。BP算法學(xué)習(xí)過(guò)程的長(zhǎng)短與每次迭代的步長(zhǎng)(學(xué)習(xí)率)η有很大的關(guān)系。最優(yōu)學(xué)習(xí)步長(zhǎng)的選取與局部誤差的曲面形狀有關(guān),由此根據(jù)2次迭代結(jié)果的誤差變化和誤差的變化趨勢(shì)建立η調(diào)整規(guī)則,確定一個(gè)對(duì)當(dāng)前狀態(tài)較好的學(xué)習(xí)步長(zhǎng)。

每個(gè)迭代步驟考察所有樣本的誤差平方和較上次迭代是否有所下降,再對(duì)學(xué)習(xí)率加以調(diào)整。每個(gè)迭代步驟考察樣本輸出和實(shí)際輸出的誤差平方。

(2)

在迭代開(kāi)始時(shí),采用較小的學(xué)習(xí)率,每迭代一次考察總誤差是否下降,學(xué)習(xí)率的選取

η(t+1)=βη(t)

(3)

如果E(t)1;反之則0<β<1。

這種方法使網(wǎng)絡(luò)在學(xué)習(xí)時(shí)能夠自適應(yīng)地根據(jù)誤差曲面的要求調(diào)整連接權(quán)值,使網(wǎng)絡(luò)避免在學(xué)習(xí)過(guò)程中陷入局部極小和發(fā)生振蕩現(xiàn)象,大大加速網(wǎng)絡(luò)的收斂速度。

(3) 優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),確定隱層神經(jīng)元個(gè)數(shù)。BP算法的學(xué)習(xí)其層節(jié)點(diǎn)個(gè)數(shù)的選取成為決定網(wǎng)絡(luò)性能的關(guān)鍵。實(shí)際應(yīng)用中一般根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)結(jié)果選取適當(dāng)?shù)碾[節(jié)點(diǎn)數(shù)。雷鳴等提出了自構(gòu)神經(jīng)網(wǎng)絡(luò)算法,其思想是先用較多的隱層神經(jīng)元確定初始神經(jīng)網(wǎng)絡(luò)模型,然后根據(jù)隱層神經(jīng)元之間的相關(guān)性使其在學(xué)習(xí)中將冗余的隱層神經(jīng)元合并或刪除,從而構(gòu)造出合適的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),這種網(wǎng)絡(luò)稱為自構(gòu)形快速BP網(wǎng)絡(luò)。隱層神經(jīng)元之間的相關(guān)性用相關(guān)系數(shù)和樣本分散度評(píng)價(jià)[5]。

(4)

它們之間的相關(guān)系數(shù)為

(5)

隱層神經(jīng)元的相關(guān)系數(shù)說(shuō)明同一隱層神經(jīng)元間的輸出線性相關(guān)。當(dāng)Rij較大時(shí),說(shuō)明其中有冗余單元,需要壓縮。

樣本分散度定義為

(6)

樣本分散度說(shuō)明隱層神經(jīng)元i輸出與平均輸出之間的差異情況。樣本分散度過(guò)小,說(shuō)明該神經(jīng)元沒(méi)有起作用,需要?jiǎng)h除[6-10]。隱層冗余神經(jīng)元合并和刪除原則:

(1) 神經(jīng)元合并原則。同一隱層中相關(guān)系數(shù)過(guò)高的2個(gè)神經(jīng)元在滿足下述條件時(shí)給與合并[11-14],即

|Rij|≥σ1,且Qi、Qj≥σ2

(7)

式中,σ1、σ2為規(guī)定的門(mén)限值。其中σ1為相關(guān)系數(shù)的上限值,一般取為0.6～0.9;σ2為分散度的下限值,一般取為0.001～0.01。2個(gè)神經(jīng)元i、j合并為一個(gè)神經(jīng)元i,其與后一層任一神經(jīng)元k的連接權(quán)值和閾值修正

wk i←wk i+awk j

(8)

θk←θk+bwk j

(9)

其中

(10)

(2) 無(wú)效神經(jīng)元?jiǎng)h除原則。當(dāng)樣本的分散度Qi<σ2時(shí),該隱層神經(jīng)元可以刪除。刪除后其后一層任一神經(jīng)元k的閾值調(diào)整

θk←θk+oi·wk i

(11)

2 測(cè)錄井資料結(jié)合建立神經(jīng)網(wǎng)絡(luò)

2.1 學(xué)習(xí)樣本參數(shù)的選取

圖1 曲線敏感性分析圖

(1) 參數(shù)敏感性分析。通過(guò)對(duì)常規(guī)曲線和氣測(cè)曲線值的綜合響應(yīng)分析(見(jiàn)圖1),地層真電阻率Rt、孔隙度指示曲線AC以及泥質(zhì)指示曲線GR對(duì)儲(chǔ)層響應(yīng)強(qiáng)烈。氣測(cè)錄井資料中絕對(duì)含量3組參數(shù)、相對(duì)含量4組比值以及氣測(cè)錄井油氣性質(zhì)識(shí)別的派生參數(shù)3組對(duì)油氣層識(shí)別較為敏感。

(2) 輸入?yún)?shù)的選取。選取對(duì)流體性質(zhì)識(shí)別貢獻(xiàn)較大的測(cè)井和氣測(cè)錄井資料作為神經(jīng)網(wǎng)絡(luò)輸入。

測(cè)井資料選取的參數(shù):選取聲波曲線(AC)和深電阻率曲線(Rt)以及自然伽馬曲線(GR)等3個(gè)參數(shù)作為測(cè)井輸入;從14個(gè)氣測(cè)錄井資料中挑選出氣測(cè)錄井資料的絕對(duì)含量,分別為甲烷(C1)、乙烷(C2)、丙烷(C3)以及相對(duì)含量C1/C2、C1/C3、C1/C4、C2/C3和氣測(cè)錄井油氣性質(zhì)識(shí)別的派生參數(shù)烴濕度比(WH)、烴平衡比(BH)、烴特征比(CH)等10個(gè)參數(shù)作為錄井資料輸入信息。上述派生參數(shù)來(lái)源于氣測(cè)錄井識(shí)別油水方法涉及的3個(gè)參數(shù),其計(jì)算公式如下。

*非法定計(jì)量單位,1 ft=12 in=0.304 8 m,下同

烴濕度比

WH=(C2+C3+C4+C5)/(C1+C2+

C3+C4)

(12)

烴平衡比

BH=(C1+C2)/(C3+C4+C5)

(13)

烴特征比

CH=(C4+C5)/C3

(14)

共選取以上13個(gè)參數(shù)作為網(wǎng)絡(luò)的輸入,即網(wǎng)絡(luò)輸入層神經(jīng)元個(gè)數(shù)為13。

(3) 輸出參數(shù)的確定與編碼。根據(jù)試油資料的儲(chǔ)層類(lèi)型和常規(guī)方法的解釋結(jié)論,并結(jié)合輸入?yún)?shù)對(duì)各種儲(chǔ)層流體性質(zhì)的敏感程度。最終確定輸出層的儲(chǔ)層分類(lèi)類(lèi)型為油層、水層、干層3個(gè)類(lèi)型,分別對(duì)應(yīng)輸出層的3個(gè)神經(jīng)元。為了實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)數(shù)字化處理,分別對(duì)3種儲(chǔ)層分類(lèi)類(lèi)型編碼:油層(0.9,0.1,0.1)、水層(0.1,0.9,0.1)、干層(0.1,0.1,0.9)。

神經(jīng)元的激勵(lì)函數(shù)采用Sigmoid形函數(shù),其漸進(jìn)值為1和0(見(jiàn)圖2)。其取值很難達(dá)到0和1,為了避免學(xué)習(xí)算法不收斂,提高學(xué)習(xí)速度,對(duì)輸出參數(shù)的編碼為0.1和0.9,而不取1和0。

圖2 Sigmoid函數(shù)圖

2.2 學(xué)習(xí)樣本的選取與預(yù)處理

首先用統(tǒng)計(jì)方法對(duì)各種參數(shù)進(jìn)行深度對(duì)齊和環(huán)境校正,以避免井眼環(huán)境、鉆井條件、儀器誤差和人為操作對(duì)測(cè)井和錄井資料準(zhǔn)確性造成的影響。在深度對(duì)齊處理中以測(cè)井深度為準(zhǔn)。為了能達(dá)到2類(lèi)參數(shù)應(yīng)用不存在深度誤差,一般將氣測(cè)地質(zhì)錄井資料按測(cè)井資料的采樣間隔進(jìn)行采樣并加入wis文件進(jìn)行處理。

以試油資料的儲(chǔ)層流體類(lèi)型為準(zhǔn),對(duì)校正后的資料在儲(chǔ)層厚度內(nèi)讀取各學(xué)習(xí)參數(shù)平均值,獲得和已建立的BP神經(jīng)網(wǎng)絡(luò)模型中3種儲(chǔ)層流體類(lèi)型相對(duì)應(yīng)的學(xué)習(xí)樣本。由于測(cè)井資料和氣測(cè)錄井資料組成的學(xué)習(xí)樣本數(shù)值在數(shù)量級(jí)上有很大的不同,如測(cè)井參數(shù)AC的數(shù)值范圍在130～30 μs/ft之間,而氣測(cè)錄井參數(shù)QT等參數(shù)的數(shù)值范圍卻僅僅在1～10之間。如果這些數(shù)據(jù)直接加入網(wǎng)絡(luò)模型中進(jìn)行學(xué)習(xí)預(yù)測(cè),致使網(wǎng)絡(luò)學(xué)習(xí)的計(jì)算量增大、學(xué)習(xí)速度變慢并且預(yù)測(cè)精度也會(huì)大大下降,因此,必須對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。采用的歸一化方法

(15)

各輸入?yún)?shù)經(jīng)過(guò)歸一化處理后其數(shù)值均被統(tǒng)一在(0,1)之間,這樣形成的樣本集進(jìn)行BP網(wǎng)絡(luò)學(xué)習(xí)可以減小學(xué)習(xí)的計(jì)算量,放大了不同儲(chǔ)層類(lèi)型所對(duì)應(yīng)的樣本參數(shù)間的差距,提高了流體類(lèi)型預(yù)測(cè)精度。

將地層的層響應(yīng)特征值作為油氣水識(shí)別網(wǎng)絡(luò)的輸入信息,能更好地進(jìn)行層段油水識(shí)別。以試油資料的儲(chǔ)層流體類(lèi)型為準(zhǔn),對(duì)校正后的資料在儲(chǔ)層厚度內(nèi)讀取各學(xué)習(xí)參數(shù)平均值,獲得和已建立的BP神經(jīng)網(wǎng)絡(luò)模型中3種儲(chǔ)層類(lèi)型相對(duì)應(yīng)的學(xué)習(xí)樣本,對(duì)樣本進(jìn)行逐一篩選,從中剔除矛盾樣本,適當(dāng)減少相同特征點(diǎn)數(shù),補(bǔ)充特征明顯的典型樣點(diǎn),以保證樣本具有真實(shí)性、代表性和廣泛性。應(yīng)用以上方法,在蘇北盆地經(jīng)過(guò)幾次挑選及驗(yàn)證,最終共獲得3種儲(chǔ)層類(lèi)型的26個(gè)樣本組成學(xué)習(xí)樣本集(見(jiàn)表1)。

2.3 網(wǎng)絡(luò)結(jié)構(gòu)的確定

在輸入和輸出確定的同時(shí),分別進(jìn)行了1層隱含層和2層隱含層的學(xué)習(xí)預(yù)測(cè),并對(duì)比分析油水識(shí)別效果發(fā)現(xiàn),1層隱含層即3層網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)結(jié)果較2層隱含層預(yù)測(cè)效果更好、更穩(wěn)定,由此最終確定用3層網(wǎng)絡(luò)結(jié)構(gòu)。隱含層神經(jīng)元的個(gè)數(shù)應(yīng)用網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的自構(gòu)形算法在學(xué)習(xí)過(guò)程中自動(dòng)確定,最終確定為11個(gè)。

表1 蘇北盆地歸一化學(xué)習(xí)樣本表

學(xué)習(xí)樣本的數(shù)量不是一次就確定合適,而是一個(gè)由最基本樣本數(shù)開(kāi)始經(jīng)過(guò)學(xué)習(xí)和預(yù)測(cè)再添加樣本,再學(xué)習(xí)和預(yù)測(cè)多次循環(huán)往復(fù)的過(guò)程,每次循環(huán)均比上次效果有所提高,呈螺旋上升過(guò)程。研究首先選取了26個(gè)樣本與3種儲(chǔ)層類(lèi)型組成學(xué)習(xí)樣本集,通過(guò)學(xué)習(xí)預(yù)測(cè),預(yù)測(cè)效果不滿足要求,再經(jīng)過(guò)挑選并添加,確定了最終學(xué)習(xí)樣本集。

最終建立測(cè)錄井綜合資料儲(chǔ)層解釋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為輸入層神經(jīng)元13個(gè),隱含層為1層,11個(gè)神經(jīng)元,輸出層神經(jīng)元3個(gè),并保存了連接權(quán)值及閾值以實(shí)現(xiàn)儲(chǔ)層外推預(yù)測(cè)。

3 實(shí)例分析

應(yīng)用改進(jìn)后的神經(jīng)網(wǎng)絡(luò)對(duì)江蘇油田×1井儲(chǔ)層進(jìn)行了實(shí)際應(yīng)用,油氣層預(yù)測(cè)結(jié)論與試油結(jié)論基本一致。圖3為江蘇油田×1井神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果圖與原解釋成果圖的對(duì)比。井段2 976～2 980 m試油結(jié)論為油層,原測(cè)井解釋結(jié)論為油層。應(yīng)用修改后的BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行解釋,第4道和第5道分別是油層和水層的預(yù)測(cè)成果曲線,計(jì)算油層線約為0.9,水層線小于0.3,解釋儲(chǔ)層為油層,與試油結(jié)果一致。井段3 437～3 448 m試油結(jié)論為水層,而原測(cè)井解釋結(jié)論為油層,與試油結(jié)論不符。應(yīng)用修改后的BP神經(jīng)網(wǎng)絡(luò)法進(jìn)行解釋,在第4道中計(jì)算的油層線在0.2左右,第5道中計(jì)算水層線約為0.9,解釋為水層,與試油結(jié)論吻合。

圖3 ×1井神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果圖與原解釋成果圖

應(yīng)用修改后的BP算法將測(cè)錄井資料綜合應(yīng)用之后,解釋處理新井60多口,單層解釋符合率達(dá)到85%以上,對(duì)低孔隙度低滲透率流體性質(zhì)的識(shí)別能力大大提高,提高了解釋符合率。

4 結(jié) 論

(1) 改進(jìn)后的BP算法通過(guò)加入動(dòng)量項(xiàng)提高收斂速度且避免陷入局部極小,自適應(yīng)調(diào)整學(xué)習(xí)參數(shù),優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),確定隱層神經(jīng)元個(gè)數(shù);同時(shí)將測(cè)井資料、錄井資料相結(jié)合,有效提高了高郵凹陷低孔隙度低滲透率儲(chǔ)層流體識(shí)別的準(zhǔn)確性。

(2) 該方法在測(cè)井資料與錄井資料具有較好相關(guān)性的地區(qū)應(yīng)用效果較好,但是在構(gòu)造復(fù)雜、儲(chǔ)層變化快、測(cè)井質(zhì)量差的地區(qū)應(yīng)用效果較差,應(yīng)結(jié)合不同地區(qū)實(shí)際情況,進(jìn)行更為深入研究。

參考文獻(xiàn):

[1] 劉瑞林. 神經(jīng)網(wǎng)絡(luò)在油氣評(píng)價(jià)和預(yù)測(cè)方面的應(yīng)用研究 [J]. 地球物理學(xué)進(jìn)展, 1995, 10(2): 20-241.

[2] 楊小明. 神經(jīng)網(wǎng)絡(luò)模型識(shí)別碳酸鹽巖儲(chǔ)層方法研究 [D].荊州: 長(zhǎng)江大學(xué), 2005.[3] 羅利,姚聲賢.神經(jīng)網(wǎng)絡(luò)及模式識(shí)別技術(shù)在測(cè)井解釋中的應(yīng)用[J].測(cè)井技術(shù),2002,26(5):364-368.

[4] 侯俊勝, 尉中良. 自組織神經(jīng)網(wǎng)絡(luò)在測(cè)井資料解釋中的應(yīng)用 [J]. 測(cè)井技術(shù), 1996, 20(3): 197-200.

[5] 雷鳴, 楚威, 李陽(yáng). 基于BP神經(jīng)網(wǎng)絡(luò)的系統(tǒng)綜合效能評(píng)估方法 [J]. 指揮系統(tǒng)與技術(shù), 2012, 3(1): 8-19.

[6] 王向公. 應(yīng)用地球物理常用數(shù)學(xué)方法 [M]. 武漢: 武漢工業(yè)大學(xué)出版社, 1995.

[7] 薛林福, 潘保芝. 自組織神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別巖相 [J]. 長(zhǎng)春科技大學(xué)學(xué)報(bào), 1999, 29(2): 144-147.

[8] 張治國(guó), 楊毅恒, 夏立顯. 自組織特征映射神經(jīng)網(wǎng)絡(luò)在測(cè)井巖性識(shí)別中的應(yīng)用 [J]. 地球物理學(xué)進(jìn)展, 2005, 20(2): 332-336.

[9] 許少華, 劉揚(yáng), 何新貴. 基于過(guò)程神經(jīng)網(wǎng)絡(luò)的水淹層自動(dòng)識(shí)別系統(tǒng) [J]. 石油學(xué)報(bào), 2004, 25(4): 54-57.

[10] 閻鐵, 劉春天, 畢雪亮, 等. 人工神經(jīng)網(wǎng)絡(luò)在大慶深井鉆頭優(yōu)選中的應(yīng)用 [J]. 石油學(xué)報(bào), 2002, 23(4): 102-106.

[11] Burns B A. Fluvial Responesin Asequence Stratigraphic Framework: Example from the Montserrat Fan Delta, Spain [J]. Joural of Sedimentary Research, 1997, 67(2): 311-321.

[12] 李道倫, 盧德唐, 孔祥言. 基于徑向基函數(shù)的隱式曲線 [J]. 計(jì)算機(jī)研究與發(fā)展, 2005, 42(4): 599-603.

[13] Li Daolun, Lu Detang, Kong Xiangyan. Implicit Curves and Surfaces Based on BP Neural Network [J]. Journal of Information & Computational Science, 2005, 2(2): 259-271.

[14] Rolon L F, Mohagegh S D, Ameri S, et al. Developing Synthetic Well Logs for the Upper Devonian Units in Southern Pennsylvania [C]∥SPE98013, 2005: 1-10.