汪佳蓓, 黃捍東

(1.中國地質(zhì)大學 能源學院，北京100083; 2.中國石油大學 油氣資源與探測國家重點實驗室，北京102249)

?

基于BP神經(jīng)網(wǎng)絡的疊前流體識別方法

汪佳蓓1, 黃捍東2

(1.中國地質(zhì)大學 能源學院，北京100083; 2.中國石油大學 油氣資源與探測國家重點實驗室，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層流體識別方法。該地區(qū)儲層橫向變化大，流體類型復雜。本文提出利用BP神經(jīng)網(wǎng)絡的信息整合模式識別功能來進行儲層流體識別的方法，通過疊前反演得到對流體敏感的彈性參數(shù)數(shù)據(jù)體和電測解釋結果標定建模樣本，采取隨機抽樣形成建模樣本集與測試樣本集，選取26口井的700個樣本作為學習樣本，62個作為測試樣本，建立BP神經(jīng)網(wǎng)絡模型。預測結果和實鉆結果吻合程度高，正確率達90%以上。該方法可以很好地對桑塔木地區(qū)儲層中所含流體進行識別。

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

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，儲層復雜，巖性和流體識別很困難，增加了儲層預測和井位部署的難度。對于如何有效地進行儲層流體識別，國內(nèi)外學者都進行了深入的研究，Smith等[1]通過對疊前數(shù)據(jù)進行加權疊加,得到流體因子來預測流體。Goodway等[2-3]在儲層預測中發(fā)揮了拉梅系數(shù)的優(yōu)勢。Mukerji等[4]把統(tǒng)計巖石物理技術和地震阻抗反演相結合，用于識別儲層巖相和孔隙流體。Gray等[5-7]運用反演的λ和μ預測巖性和流體。Avseth[8]首先給出了巖石物理模板(RPT)技術，之后結合統(tǒng)計分類以及彈性參數(shù)反演方法運用于挪威北海Grane油田中，進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測流體。 印興耀等[11]在Russell基礎上進行改進，通過直接提取流體因子進行流體檢測。后續(xù)不斷有學者提出在不同區(qū)塊運用的新的流體識別方法[12-15]，解決了實際區(qū)塊的難題。本文在前人研究的基礎上，針對桑塔木地區(qū)的地質(zhì)和地球物理特征，利用疊前彈性參數(shù)反演得到對流體敏感的彈性參數(shù)成果，進行儲層預測和流體識別。由于研究區(qū)地質(zhì)條件復雜，單一的彈性參數(shù)反演結果很難識別流體，要優(yōu)選并綜合多種敏感彈性參數(shù)數(shù)據(jù)體進行流體識別。BP神經(jīng)網(wǎng)絡在解決這類非線性問題時具有極大的靈活性和自適應性，能夠?qū)崿F(xiàn)復雜函數(shù)關系的變換[16]。為此，我們利用BP神經(jīng)網(wǎng)絡建立基于疊前彈性參數(shù)反演成果的流體識別方法。

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。上、下層之間實現(xiàn)全連，而每層之間無連接。本文的網(wǎng)絡按照有樣本學習的方法，神經(jīng)元的激活值從輸入層經(jīng)中間層向輸出層傳播，在輸出層每個單元獲得網(wǎng)絡的輸入響應。按減小期望輸出與實際輸出的誤差方向，從輸出層經(jīng)中間層逐層調(diào)整各權值和閾值，最后回到輸入層。在誤差逆?zhèn)鞑サ倪^程中，網(wǎng)絡預測準確率也在提高。此過程一直進行到網(wǎng)絡輸出的誤差減少到可接受程度，或進行到預先設定的學習次數(shù)為止[17]。

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

2 BP神經(jīng)網(wǎng)絡建模

2.1 構建輸入層

用神經(jīng)網(wǎng)絡對儲層流體進行識別，就是尋求儲層流體與測井信息的映射關系，因此樣本的選取關乎神經(jīng)網(wǎng)絡識別模型的準確性。為了提高有效儲層流體識別的精度，在巖石孔隙流體研究的基礎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，能提供豐富的儲層流體的信息。在油氣指示上，體積模量通常對孔隙流體比較敏感，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，并分析儲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)變化的相對大小，優(yōu)選出對該區(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，圖2-B為拉梅系數(shù)乘密度(λρ)和泊松比的交會。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，即在兩者交會的低值區(qū)；而干砂巖正好與之相反，分布在兩者交會的高值區(qū)，具有高泊松比、高拉梅系數(shù)乘密度的特點；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，可以利用這些細微的差異來識別流體。

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

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

針對BP神經(jīng)網(wǎng)絡的輸入層的參數(shù)，應當能夠很好地描述輸出問題的信息，在選擇輸入特征時，要注意2點：一是輸入的變量必須選擇那些對輸出影響大且能夠檢測或提取的變量；二是要求各輸入變量之間相關性很小[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個對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)絡輸入層節(jié)點數(shù)設定為4。

2.2 構建輸出層

輸出層代表網(wǎng)絡預測中期望得到的結果，本文對應于油層、油水層、水層、干層4種檢測結果，輸出量為4位檢測編碼(表1)，分別對應4個類別，該網(wǎng)絡輸出層節(jié)點數(shù)設定為4。

2.3 隱含層數(shù)和層內(nèi)節(jié)點數(shù)的確定

Cybenko曾證明，3層網(wǎng)絡結構中，如若將隱藏的節(jié)點數(shù)設置足夠多，那么該網(wǎng)絡結構足夠逼近任何的函數(shù)[20]。由此可以看出，隱含層較少時，也是可以勝任的，故本文用的是1層隱含層。對于隱藏層節(jié)點數(shù)，在本文中采用試湊法，通過在保持其他設定參數(shù)不變的情況下，分析不同節(jié)點數(shù)時的計算精度以及最終預測結果的準確度，優(yōu)選確定隱含層節(jié)點數(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)驗公式

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

先設定一個初始的隱含層節(jié)點數(shù)，然后依次遞增節(jié)點數(shù)，對比不同隱含層節(jié)點數(shù)時的誤差，優(yōu)選出最合適的節(jié)點數(shù)。訓練的誤差情況如表2。由數(shù)據(jù)所得的誤差趨勢如圖3所示。

從表2和圖3中可以得出，在隱含層節(jié)點數(shù)為16時，誤差達到10-4數(shù)量級，滿足預測精度需求。當節(jié)點數(shù)繼續(xù)增加時，誤差變化趨于穩(wěn)定，在此設定隱含層節(jié)點數(shù)為16。選定神經(jīng)網(wǎng)絡的重要參數(shù)后，需要利用實際資料進行網(wǎng)絡的訓練和測試。

表2 不同的隱含層節(jié)點數(shù)時對應的全局誤差

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

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

圖3 不同隱含層節(jié)點數(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

標準BP 算法是一種最速下降靜態(tài)尋優(yōu)算法，在訓練過程中學習步長是恒定的，存在易陷入局部最優(yōu)值和訓練不收斂等缺點[21-22]。關于BP算法的改進，前人已經(jīng)做過大量研究，本文優(yōu)選變步長法和附加動量項法相結合來改進BP算法。

變步長法考慮到當神經(jīng)網(wǎng)絡誤差曲面比較平滑時，應加大網(wǎng)絡的學習步長，使得網(wǎng)絡能盡快收斂；當誤差曲面較陡時，應減小網(wǎng)絡學習步長，保證調(diào)整量不會過大，以免因步長過大而出現(xiàn)振蕩現(xiàn)象。所以引入變步長法能根據(jù)網(wǎng)絡誤差曲面的情況實現(xiàn)學習步長的自適應調(diào)整，能較好地解決局部極小點和訓練不收斂等問題。

附加動量項法在BP 網(wǎng)絡修正權值時，同時考慮了誤差在梯度上的作用以及誤差曲面上的變化趨勢。

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時刻的權值；a為動量學習率。附加動量項加入了前一次權值調(diào)整量，考慮到累計效應，對權值的調(diào)整起到了阻尼作用。

變步長法根據(jù)誤差曲面情況自適應地調(diào)整網(wǎng)絡的學習步長，加動量項BP算法通過增加動量項減輕網(wǎng)絡訓練過程中的振蕩現(xiàn)象。將附加動量項和變步長思想結合起來，既可以有效地抑制網(wǎng)絡陷入局部極小、加快收斂速度，又有利于提高運算效率和精度，可以較好地改進算法。在下面的實際應用中可以看到很好的改進效果。

3 實際應用

3.1 網(wǎng)絡訓練和測試

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；同時抽取該26口井T3油組第1層反演數(shù)據(jù)和測井解釋結果進行分析，建立了輸入層節(jié)點數(shù)為4、隱含層節(jié)點數(shù)為16、輸出層節(jié)點數(shù)為4的3層BP神經(jīng)網(wǎng)絡。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個樣本作為學習樣本，進行網(wǎng)絡訓練；另外62個作為預測樣本，用來檢驗網(wǎng)絡訓練的效果。700組數(shù)據(jù)首先用網(wǎng)絡模型進行自測，預測流體和實際流體如果一致，那么流體分類結果(圖4-A)中紅色代表的預測流體應該和藍色代表的實際流體完全重合；如果不重合，那么分類誤差圖(圖4-B)中就會出現(xiàn)非零的值，在零值上下跳躍即代表流體預測不準確。圖4-B中700個樣本，有601個結果正確，自測準確率達到87% 。

再用62組數(shù)據(jù)進行測試，圖4-C和D分別是62個預測樣本的預測結果和誤差。本次設定計算5 000次，通過統(tǒng)計分類誤差可以看出，算法改進前，預測流體類別和實際流體類別吻合率不是很好，62個樣本有15個錯誤分類(圖4-D)，準確率為76%。

當然，這和算法優(yōu)化以及設定的計算次數(shù)也有關系，優(yōu)化算法以及提高計算次數(shù)，都可以相應地提高識別準確率。在算法改進后，同樣的計算次數(shù)5 000次，圖4-E中預測流體和實際流體不是完全重合，圖4-F中有10個值在零值處跳動，即62個樣本有10個分類錯誤(圖4-F)，準確率提高到85%。

在算法優(yōu)化的同時，經(jīng)過多次計算的測試后，對算法優(yōu)化前后計算次數(shù)和準確率之間的關系進行了對比。圖5中可以看出，隨著計算次數(shù)的增加，準確率在前期大幅度提高；當達到20 000次這個臨界值后，預測準確率趨于穩(wěn)定。在算法優(yōu)化前，隨著計算次數(shù)的增加，準確率大致保持在87%左右；在算法優(yōu)化后，準確率上升到91%左右。綜合考慮計算效率以及準確率后，將最終的計算次數(shù)設定在拐點值20 000次。

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

圖5 準確率和計算次數(shù)關系圖Fig.5 The relationship between the accuracy and calculation times

如圖6-A、B，當計算次數(shù)設定為20 000次時，在算法優(yōu)化前， 62組樣本有9個分類錯誤，準確率為85.5%。據(jù)圖6-C、D，算法優(yōu)化后，計算次數(shù)同樣設定為20 000次，62個樣本有6個分類錯誤，準確率提高到90.3%，效果達到預期。選取部分樣本識別結果,有灰色底紋的部分表示流體預測不符之處(表3)。本次構建好的網(wǎng)絡，將運用到對全區(qū)油水性質(zhì)的預測中；同時數(shù)據(jù)量的增加，會使得油水性的統(tǒng)計性更強，趨勢更加明顯，也是得到好的預測效果的保證。

3.2 儲層流體識別

運用上述網(wǎng)絡對T3油組第1小層進行儲層流體識別，該小層全區(qū)預測結果準確率為88%，且預測出現(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小層預測結果成圖，可以得到油氣分布預測圖(圖7)，圖中紅色的點代表油井，藍色的點代表水井，紅藍相間的點代表油水井。右邊色標中粉紅色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)井處于預測厚度偏薄的區(qū)域，吻合程度較好；且含油氣儲層主要分布在工區(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，可以作為滾動挖潛的有利目標。

圖8是T3油組拉梅系數(shù)乘密度反演剖面，從反演結果中可以看出，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，流體預測結果與實際鉆探結果吻合較好。

圖6 樣本預測分類結果和分類誤差(算法優(yōu)化前后對比)Fig.6 Sample classification results and classification errors (before and after algorithm optimization)

Table 3 Part of prediction results

輸入?yún)?shù)期望輸出實際輸出IP/(m·s-1)(g·mL-1)μK/MPaλρ/[GPa·(g·mL-1)]測井解釋 分類網(wǎng)絡預測結果分類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小層油氣分布預測圖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 結束語

流體識別一直是油氣勘探中的重點與難點，特別是桑塔木地區(qū)儲層油水變化復雜，導致儲層流體識別需要結合多種方法進行多方位的研究。為此，我們從疊前多種彈性參數(shù)反演數(shù)據(jù)體出發(fā)，結合電測解釋資料，構建能夠識別油水性質(zhì)的BP神經(jīng)網(wǎng)絡解釋模型。BP神經(jīng)網(wǎng)絡具有較強的映射能力，能夠融合多方面的信息，對輸入的參數(shù)進行多元判別，得出準確率較高的判別結果。通過在塔里木盆地桑塔木地區(qū)的實際應用結果表明，該方法能夠很好地識別儲層流體性質(zhì)。同時需要強調(diào)的是，在選擇神經(jīng)網(wǎng)絡輸入層時，要針對研究的實際情況，優(yōu)選出能夠反映輸出層的敏感參數(shù)。因為實際研究區(qū)塊中，每個油層或油組參數(shù)的特性都不同，選擇的樣本參數(shù)要具有代表性，這樣才能訓練出適合研究區(qū)的網(wǎng)絡模型，并能夠有效運用在該區(qū)的流體識別中。

[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行儲層描述和流體識別[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,紀永禎,張騁,等.地震流體識別方法在四川盆地頁巖氣“甜點”預測中的應用[J].古地理學報,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)儲層預測中的應用[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,蔡月暉,等.大牛地氣田二疊系下石盒子組致密砂巖儲層含氣性識別因子研究[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,張益明,等.利用AVO正、反演預測深水濁積扇儲層[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)絡的碳酸鹽巖儲層縫洞充填物測井識別方法[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)絡導論[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)絡設計中的應用[J].華東交通大學學報,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)絡進行裂縫識別研究[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，張國英，王明君.改進的BP神經(jīng)網(wǎng)絡在石油測井解釋中的應用[J].北京石油化工學院學報,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。 [基金項目] 國家科技重大專項(2011ZX05006-006; 2011ZX05009); 國家“973”計劃項目(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