李民, 陳科貴, 楊智, 張家浩, 劉鑫

(1.西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院, 四川 成都 266100; 2.新疆油田公司勘探開(kāi)發(fā)研究院, 新疆 克拉瑪依 834000)

0 引 言

在復(fù)雜巖性油氣藏的研究中,傳統(tǒng)的巖性識(shí)別方法,如交會(huì)圖法、重疊法等[1]無(wú)法有效識(shí)別儲(chǔ)層巖性。模式識(shí)別法[2]被應(yīng)用到測(cè)井解釋巖性識(shí)別中,模式識(shí)別方法主要包括聚類(lèi)分析法、貝葉斯(Bayes)判別法、費(fèi)歇(Fisher)判別法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)以及極限學(xué)習(xí)機(jī)(ELM)等[3-4]。聚類(lèi)分析法屬于無(wú)監(jiān)督的分類(lèi),其他幾種方法則屬于有監(jiān)督的分類(lèi),兩者區(qū)別在于實(shí)驗(yàn)樣本所屬類(lèi)別是否已經(jīng)知道[5]。基于這一特點(diǎn),有監(jiān)督分類(lèi)效果在多數(shù)情況下要優(yōu)于無(wú)監(jiān)督分類(lèi)[6-8]。

新疆風(fēng)城油田某井區(qū)侏羅系八道灣組(J1b)油藏為典型的稠油油藏,儲(chǔ)層段巖性以中-細(xì)砂巖、含礫砂巖和砂礫巖為主,含少量粉砂巖、泥巖和煤層,薄巖層較多,巖性錯(cuò)綜復(fù)雜,傳統(tǒng)的交會(huì)圖法無(wú)法有效識(shí)別儲(chǔ)層巖性。本文基于模式識(shí)別法,分別利用費(fèi)歇判別法、BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)3種方法,對(duì)風(fēng)城油田八道灣組儲(chǔ)層巖性進(jìn)行識(shí)別,均得到了不錯(cuò)的應(yīng)用效果。

1 不同巖性測(cè)井響應(yīng)特征

研究區(qū)所使用的測(cè)井項(xiàng)目主要有自然電位、井徑、自然伽馬、密度、微球聚焦及雙側(cè)向測(cè)井,輸出SP、CAL、GR、DEN、Rxo、Ri及Rt共7條測(cè)井曲線。圖1為利用FZ034井的取心資料建立的巖心剖面圖。由巖心剖面圖可以看出,中-細(xì)砂巖物性最好,測(cè)井曲線顯示為低自然伽馬、低密度、高電阻率,自然電位呈現(xiàn)明顯幅度的異常(487.5～490.6 m段);砂礫巖物性變化較大,測(cè)井曲線顯示為低自然伽馬、較高密度、較高電阻率,自然電位具有一定的異常幅度(505.5～509.5 m段);含礫砂巖物性較好,測(cè)井曲線顯示為低自然伽馬、較低密度、高電阻率,自然電位具有較為明顯的異常幅度(504.5～505.5 m段);粉砂巖的物性較差,測(cè)井曲線顯示為高自然伽馬、高密度、低電阻率,自然電位異常幅度小(486.7～487.5 m段);泥巖為非儲(chǔ)層,測(cè)井曲線顯示為高自然伽馬、較高密度、極低電阻率,自然電位平直無(wú)異常(510～501.5 m段);煤層的測(cè)井曲線表現(xiàn)為低自然伽馬和極低密度(509.5～510 m段)。

圖1 巖心剖面與測(cè)井關(guān)系圖*非法定計(jì)量單位,1 ft=12 in=0.308 4 m,下同

2 模式識(shí)別法識(shí)別巖性

2.1 選取樣本數(shù)據(jù)

根據(jù)研究區(qū)取心資料,可以將八道灣組油層巖性劃分為5種。本文共選取12口取心井的巖心分析數(shù)據(jù)作為模式識(shí)別法識(shí)別巖性的實(shí)驗(yàn)數(shù)據(jù),共計(jì)496個(gè)樣本,樣本覆蓋研究區(qū)所有種類(lèi)巖性(見(jiàn)表1)。將選取的樣本分為訓(xùn)練樣本集、參數(shù)測(cè)試樣本集以及驗(yàn)證樣本集3種,其中訓(xùn)練樣本集包括5口井的202個(gè)樣本,參數(shù)測(cè)試樣本集包括2口井的86個(gè)樣本,其余5口井的208個(gè)樣本為驗(yàn)證樣本集。

表1 巖性實(shí)驗(yàn)樣本分布統(tǒng)計(jì)表

2.2 費(fèi)歇判別法

費(fèi)歇判別法是利用投影的原理,將多維問(wèn)題簡(jiǎn)化為低維度問(wèn)題進(jìn)行處理,其優(yōu)勢(shì)在于對(duì)數(shù)據(jù)的分布、方差等不進(jìn)行限制,應(yīng)用范圍較廣[9]。測(cè)井解釋中,利用費(fèi)歇判別法識(shí)別巖性步驟:①提取具有代表性的測(cè)井曲線參數(shù),對(duì)巖性進(jìn)行分類(lèi);②利用相關(guān)軟件求取典則函數(shù),建立巖性判別分析圖版;③建立巖性識(shí)別模型。

研究區(qū)GR、Rt、Ri、Rxo、DEN這5條測(cè)井曲線能夠較好地反映巖性的變化,因而使用這5個(gè)測(cè)井參數(shù)進(jìn)行判別分析。本文從訓(xùn)練樣本集中,選取83個(gè)樣本點(diǎn),利用典則函數(shù)F1、F2建立判別圖版(見(jiàn)圖2)。這里由于費(fèi)歇函數(shù)為線性函數(shù),而電阻率并非線性規(guī)律變化,為了更好地建立判別函數(shù),故使用電阻率的自然對(duì)數(shù)形式lnRt進(jìn)行計(jì)算。

F1=0.27GR+13.676lnRt-7.543lnRi+

2.368lnRxo-15.161DEN-10.575

(1)

F2=0.17GR+15.218lnRt-9.195lnRi+

0.241lnRxo+44.311DEN-135.291

(2)

式中,F1、F2為典則判別函數(shù),無(wú)量綱;GR為自然伽馬測(cè)井值,API;Rt為深側(cè)向電阻率測(cè)井值,Ω·m;Ri為淺側(cè)向電阻率測(cè)井值,Ω·m;Rxo為沖洗帶電阻率測(cè)井值,Ω·m;DEN為密度測(cè)井值,g·cm-3。

圖2 八道灣組巖性Fisher判別函數(shù)交會(huì)圖

由費(fèi)歇判別分析結(jié)果可以得到各類(lèi)巖性分類(lèi)模型,計(jì)算公式為

f1=20.585GR+1984.118lnRt-1134.77lnRi+43.736lnRxo+6262.319DEN-9693.258

(3)

f2=22.644GR+1985.782lnRt-1097.473lnRi+54.73lnRxo+5806.232DEN-8888.513

(4)

f3=25.7GR+2207.459lnRt-219.538lnRi+61.91lnRxo+6209.833DEN-10428.972

(5)

f4=20.03GR+1844.083lnRt-990.971lnRi+7.385lnRxo+6227.832DEN-9474.465

(6)

f5=22.126GR+1956.272lnRt-1075.191lnRi+47.199lnRxo+5741.98DEN-8662.982

(7)

式中,f1、f2、f3、f4、f5為巖性概率函數(shù),分別對(duì)應(yīng)粉砂巖、砂礫巖、含礫砂巖、泥巖、中-細(xì)砂巖,無(wú)量綱。當(dāng)進(jìn)行巖性判別時(shí),需要對(duì)5種巖性的概率依次進(jìn)行計(jì)算,計(jì)算得到的5種巖性函數(shù)值中得分最高者即為該樣本的歸屬分類(lèi),例如f1的計(jì)算值若最大,則該樣本識(shí)別為粉砂巖。

2.3 BP神經(jīng)網(wǎng)絡(luò)識(shí)別法

BP神經(jīng)網(wǎng)絡(luò)采用多層前饋網(wǎng)絡(luò)的誤差反向傳播學(xué)習(xí)算法,在解決內(nèi)部機(jī)制復(fù)雜的問(wèn)題時(shí)有著非常好的效果。神經(jīng)網(wǎng)絡(luò)的建立很大程度上依賴(lài)于學(xué)習(xí)樣本的可靠性,盡可能多地選擇帶有明顯特征、具有普遍代表性的學(xué)習(xí)樣本,排除明顯異常的樣本點(diǎn)以及薄層、巖性界面處的樣本點(diǎn),可以提高預(yù)測(cè)結(jié)果的正確性[10]。

選取訓(xùn)練樣本集中全部的202個(gè)訓(xùn)練樣本,所有樣本均符合上述神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本的選擇條件。同樣選擇GR、Rt、Ri、Rxo、DEN這5條對(duì)巖性較為敏感的測(cè)井曲線,進(jìn)行分類(lèi)訓(xùn)練。為了防止網(wǎng)絡(luò)訓(xùn)練時(shí)陷入局部極小并且消除測(cè)井曲線中與地層性質(zhì)無(wú)關(guān)的響應(yīng),在分類(lèi)訓(xùn)練前,需要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化預(yù)處理,即將數(shù)據(jù)限制在[0,1]區(qū)間內(nèi)。其中,電阻率測(cè)井曲線具有非線性對(duì)數(shù)特征,因此,電阻率測(cè)井值需要作對(duì)數(shù)歸一化處理。將歸一化后作為輸入曲線(其中Ri、Rt利用對(duì)數(shù)歸一化),構(gòu)建了5×10×10×1的網(wǎng)絡(luò)結(jié)構(gòu)(見(jiàn)圖3),訓(xùn)練次數(shù)上限設(shè)置為50 000次,極限誤差設(shè)置為0.000 1。網(wǎng)絡(luò)訓(xùn)練完畢,樣本的相關(guān)系數(shù)R達(dá)到0.999 95,整個(gè)操作過(guò)程耗時(shí)30 min以上。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

2.4 極限學(xué)習(xí)機(jī)識(shí)別法

極限學(xué)習(xí)機(jī)(ELM)作為一種針對(duì)單隱含層前饋神經(jīng)網(wǎng)絡(luò)的新型算法,與傳統(tǒng)的訓(xùn)練方法相比,極限學(xué)習(xí)機(jī)具有學(xué)習(xí)速度快、泛化性能好等優(yōu)點(diǎn)。不同于其他網(wǎng)絡(luò)算法在訓(xùn)練過(guò)程中需要調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱元的偏置,極限學(xué)習(xí)機(jī)只需要選擇好激勵(lì)函數(shù)、設(shè)置隱含層的節(jié)點(diǎn)個(gè)數(shù),便可以獲得唯一的最優(yōu)解,極限學(xué)習(xí)機(jī)的出現(xiàn),給網(wǎng)絡(luò)算法的使用,提供了一個(gè)新的選擇[11-12]。

本文優(yōu)選網(wǎng)絡(luò)訓(xùn)練中常用的Sigmoidal函數(shù)[見(jiàn)式(8)]作為激勵(lì)函數(shù),利用已經(jīng)選好的86個(gè)參數(shù)測(cè)試樣本,確定隱層節(jié)點(diǎn)個(gè)數(shù)。測(cè)試開(kāi)始,將隱層節(jié)點(diǎn)數(shù)設(shè)置為20,之后隱層節(jié)點(diǎn)個(gè)數(shù)每次增加20個(gè),由此分析不同隱層節(jié)點(diǎn)數(shù)對(duì)ELM識(shí)別巖性正確率的影響(見(jiàn)圖4)。

(8)

圖4 Sigmoidal激勵(lì)函數(shù)測(cè)試正確率

圖4給出了隱層節(jié)點(diǎn)個(gè)數(shù)在20～420變化時(shí)Sigmoidal函數(shù)測(cè)試正確率的變化情況,表現(xiàn)為正確率隨隱層節(jié)點(diǎn)個(gè)數(shù)的增加而提高,并且變化趨勢(shì)趨于穩(wěn)定。當(dāng)隱層節(jié)點(diǎn)數(shù)大于350時(shí),分類(lèi)的正確率達(dá)到90%左右,并且趨于穩(wěn)定。為確保識(shí)別結(jié)果的準(zhǔn)確性,本文隱層節(jié)點(diǎn)數(shù)設(shè)置為400,選取與BP神經(jīng)網(wǎng)絡(luò)相同的訓(xùn)練樣本和測(cè)井參數(shù),對(duì)研究區(qū)巖性進(jìn)行分類(lèi)。從選取激勵(lì)函數(shù)到確定隱含層的節(jié)點(diǎn)數(shù),整個(gè)過(guò)程耗時(shí)不到3 min。

3 應(yīng)用實(shí)例分析

為了驗(yàn)證各方法的應(yīng)用效果,本文選取了驗(yàn)證樣本集全部5口取心井的208個(gè)樣本點(diǎn),分別利用費(fèi)歇判別法、BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)3種方法進(jìn)行巖性識(shí)別,并對(duì)識(shí)別結(jié)果對(duì)比分析。表2列出了3種模式識(shí)別方法的驗(yàn)證結(jié)果,3種方法在巖性識(shí)別中均取得了較好的效果。費(fèi)歇判別法識(shí)別巖性平均正確率為81.2%,而采用BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)的巖性識(shí)別效果要比費(fèi)歇判別法更好,平均正確率分別為90.3%和92%。

根據(jù)上述實(shí)驗(yàn)分析結(jié)果,本文選取研究區(qū)FZ018取心井,對(duì)八道灣組儲(chǔ)層巖性進(jìn)行識(shí)別,圖5為取心井387～ 405 m井段巖心剖面與3種巖性識(shí)別方法的結(jié)果圖。通過(guò)與巖心柱狀圖對(duì)比,可以看出,3種方法均收到了不錯(cuò)的效果,只是在薄巖層及巖性復(fù)雜多變的井段,BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)2種方法的識(shí)別效果要更好一些。

表2 3種模式識(shí)別方法結(jié)果對(duì)比

圖5 取心井FZ018巖性識(shí)別應(yīng)用實(shí)例*非法定計(jì)量單位,1 ft=12 in=0.304 8 m,下同

4 結(jié) 論

(1) 費(fèi)歇判別法、BP神經(jīng)網(wǎng)絡(luò)以及極限學(xué)習(xí)機(jī)3種模式識(shí)別方法在測(cè)井巖性識(shí)別中均有不錯(cuò)的應(yīng)用效果。費(fèi)歇判別法具有繁瑣的計(jì)算過(guò)程和判別標(biāo)準(zhǔn),工作量大;BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)均屬于新型網(wǎng)絡(luò)算法,2種方法在巖性識(shí)別正確率要優(yōu)于費(fèi)歇判別法,且均可由計(jì)算機(jī)自動(dòng)分類(lèi),操作簡(jiǎn)單,識(shí)別效率高。

(2) 在樣本相同的情況下,極限學(xué)習(xí)機(jī)方法在使用方面要優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)需要人為設(shè)置大量參數(shù),參數(shù)設(shè)置不當(dāng),容易導(dǎo)致訓(xùn)練收斂速度慢、分類(lèi)正確率不高。而極限學(xué)習(xí)機(jī)只需在訓(xùn)練前選擇適當(dāng)?shù)募?lì)函數(shù)、和隱含層節(jié)點(diǎn)個(gè)數(shù),就可以很好的對(duì)巖性進(jìn)行識(shí)別分類(lèi)。

參考文獻(xiàn):

[1] 雍世和, 張超謨, 等. 測(cè)井?dāng)?shù)據(jù)處理與綜合解釋 [M]. 東營(yíng): 中國(guó)石油大學(xué)出版社, 2007.

[2] 楊淑瑩. 模式識(shí)別與智能計(jì)算 [M]. 北京: 電子工業(yè)出版社, 2008.

[3] BISHOP C M. Pattern Recognition and Machine Learning [M]. Springer, 2006

[4] 胡紅, 曾恒英, 梁海波, 等. 基于主成分分析和學(xué)習(xí)矢量化的神經(jīng)網(wǎng)絡(luò)巖性識(shí)別方法 [J]. 測(cè)井技術(shù), 2015, 39(5): 586-590.

[5] DUDA R O, HART P E, STORK D G. 模式分類(lèi) [M]. 2版. 李宏?yáng)|, 譯. 北京: 機(jī)械工業(yè)出版社,

2003.

[6] 馬海, 王延江, 胡睿, 等. 測(cè)井巖性識(shí)別新方法研究 [J]. 地球物理學(xué)進(jìn)展, 2009, 24(1): 263-269.

[7] 尋知鋒, 余繼峰. 聚類(lèi)和判別分析在測(cè)井巖性識(shí)別中的應(yīng)用 [J]. 山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2008, 27(5): 10-13.

[8] 周繼宏, 袁瑞. 基于支持向量機(jī)的復(fù)雜碎屑巖儲(chǔ)層巖性識(shí)別 [J]. 石油天然氣學(xué)報(bào), 2012, 34(7): 72-75+6.

[9] 鐘沖, 郭強(qiáng). 費(fèi)歇爾判別法及其應(yīng)用 [J]. 西南交通大學(xué)學(xué)報(bào), 2008, 43(1): 136-141.

[10] 楊斌, 匡立春, 孫中春, 等. 神經(jīng)網(wǎng)絡(luò)及其在石油測(cè)井中的應(yīng)用 [M]. 北京: 石油工業(yè)出版社, 2005.

[11] HUANG G B, ZHU Q Y, SIEW C K. Extreme Learning Machine: Theory and Applications [J]. Neurocomputing, 2006, 70(1-3): 489-501.

[12] 蔡磊, 程國(guó)建, 潘華賢. 極限學(xué)習(xí)機(jī)在巖性識(shí)別中的應(yīng)用 [J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2010, 31(9): 2010-2012.