田 士 偉

(中國(guó)石油長(zhǎng)城鉆探工程有限公司錄井公司)

0 引 言

隨著勘探開(kāi)發(fā)的不斷深入，研究對(duì)象越來(lái)越復(fù)雜，低孔隙度、低滲透率和低飽和度的油氣藏已成為油氣勘探與開(kāi)發(fā)中研究的重點(diǎn)。蘇里格氣田是典型的低孔隙度、低滲透率且豐度較低的天然氣田，目前已在天然氣成藏條件[1-2]、層序地層和沉積體系[3-7]、油氣富集規(guī)律及勘探開(kāi)發(fā)方面進(jìn)行了大量全面精細(xì)的研究[8-9]，而且形成了很多氣層解釋評(píng)價(jià)方法，如電阻率比值法[10]、測(cè)井資料結(jié)合光電截面參數(shù)建立解釋模型[11]、測(cè)井綜合評(píng)價(jià)[12-14]、氣測(cè)全烴和輕烴錄井評(píng)價(jià)方法等[15-17]。隨著信息技術(shù)的不斷進(jìn)步，正在嘗試加強(qiáng)統(tǒng)計(jì)分析法、挖掘系統(tǒng)法和神經(jīng)網(wǎng)絡(luò)法在氣層解釋識(shí)別中的應(yīng)用，尤其是利用神經(jīng)網(wǎng)絡(luò)法確定測(cè)試參數(shù)與含油氣性之間的復(fù)雜關(guān)系。

錄井資料中蘊(yùn)藏著大量的統(tǒng)計(jì)特征與模糊信息，多層感知器神經(jīng)網(wǎng)絡(luò)方法又具有較好的識(shí)別能力和判別分析效果，因而利用已知的錄井?dāng)?shù)據(jù)資料作為樣本，通過(guò)智能訓(xùn)練學(xué)習(xí)，對(duì)未知井的錄井?dāng)?shù)據(jù)進(jìn)行識(shí)別預(yù)測(cè)，可以建立儲(chǔ)集層含氣性識(shí)別的網(wǎng)絡(luò)模型。本文以蘇里格氣田南區(qū)主要產(chǎn)氣層山西組及石盒子組儲(chǔ)集層為例，通過(guò)收集該地區(qū)近幾年試氣井段核磁共振錄井?dāng)?shù)據(jù)和試氣結(jié)論，利用一種基于多層感知器神經(jīng)網(wǎng)絡(luò)方法進(jìn)行快速智能解釋評(píng)價(jià)預(yù)測(cè)，該方法可以極大地提高錄井資料評(píng)價(jià)識(shí)別速度和識(shí)別的準(zhǔn)確度，為儲(chǔ)集層含氣性識(shí)別提供參考依據(jù)。

1 研究區(qū)概況

蘇里格氣田南區(qū)位于陜西省榆林市定邊縣、靖邊縣和延安市吳起縣、志丹縣境內(nèi)，勘探面積2 392.4 km2[18]，區(qū)域構(gòu)造屬于鄂爾多斯盆地伊陜斜坡西部中段，主要受控于近南北向分布的大型河流、三角洲砂體帶，是典型的巖性圈閉氣藏，由多個(gè)單砂體橫向復(fù)合疊置而成，為典型的低孔隙度、低滲透率、低豐度的大型氣藏[19]。蘇里格氣田生儲(chǔ)蓋層組合良好，上古生界生氣源巖主要為石炭-二疊紀(jì)煤系地層和暗色泥巖，有機(jī)質(zhì)類(lèi)型以腐殖型為主，僅本溪組、太原組泥巖有機(jī)質(zhì)類(lèi)型為腐泥腐殖型。上古生界儲(chǔ)集層砂巖從本溪組到石千峰組都有氣層分布，以山西組和下石盒子組為主，儲(chǔ)集層以石英砂巖、巖屑砂巖為主。上部穩(wěn)定展布的湖相泥巖構(gòu)成了氣藏良好的區(qū)域蓋層[1]。其儲(chǔ)集層沉積相為辮狀河沉積體系，儲(chǔ)集層物性較差，屬于低孔隙度、低滲透率儲(chǔ)集層，低壓氣藏。該區(qū)上古氣藏地層水型以CaCl2型為主，地層水礦化度較低，范圍為30～216.94 g/L，氣藏特征主要表現(xiàn)為甲烷含量較高，凝析油含量較低[20-21]。

2 多層感知器神經(jīng)網(wǎng)絡(luò)模型建立

2.1 多層感知器神經(jīng)網(wǎng)絡(luò)基本原理

多層感知器是人工神經(jīng)網(wǎng)絡(luò)中非常重要的一種類(lèi)型，可以將一組輸入向量映射到一組輸出向量，輸入與輸出之間可以多層加權(quán)連接。多層感知器既可以解決線性可分問(wèn)題也可以解決非線性可分問(wèn)題。

多層感知器的結(jié)構(gòu)基本類(lèi)似于一套級(jí)聯(lián)的感知器，主要由輸入層、隱藏層和輸出層組成。多層感知器一般包含一個(gè)或多個(gè)隱藏層，并且每個(gè)隱藏層中均有數(shù)個(gè)并行的感知器神經(jīng)元，這些隱藏層神經(jīng)元能夠從輸入樣本中逐步提取多種有用特征。在使用之前需要先對(duì)它進(jìn)行訓(xùn)練，通過(guò)輸入樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，能夠從數(shù)據(jù)樣本中自動(dòng)地學(xué)習(xí)并揭示樣本中所蘊(yùn)含的非線性關(guān)系，其對(duì)事物和環(huán)境具有很強(qiáng)的自學(xué)習(xí)、自適應(yīng)、聯(lián)想記憶、并行處理和非線性轉(zhuǎn)換的能力[22]。

2.2 多層感知器神經(jīng)網(wǎng)絡(luò)模型建立流程

本次模型建立用到了統(tǒng)計(jì)學(xué)軟件SPSS，模型所含的人工神經(jīng)網(wǎng)絡(luò)模型主要有多層感知器和徑向基函數(shù)(RBF)方法，其中的多層感知器是一種前饋式有監(jiān)督的機(jī)器學(xué)習(xí)方法，多用于發(fā)現(xiàn)數(shù)據(jù)間極為復(fù)雜的關(guān)系[23]。

具體實(shí)現(xiàn)流程：首先將“試油結(jié)論”移入因變量(輸出層)中，將分類(lèi)變量“層位”移入因子框中，其他數(shù)值變量移入到協(xié)變量框中。因各輸入變量量綱不同，需對(duì)輸入數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。網(wǎng)絡(luò)結(jié)構(gòu)模型如圖1所示，模型包括1個(gè)輸入層、1個(gè)隱藏層和1個(gè)輸出層。輸入層為孔隙度、含氣飽和度、含水飽和度、束縛水飽和度、可動(dòng)水飽和度、初始狀態(tài)束縛水飽和度、初始狀態(tài)可動(dòng)水飽和度7個(gè)核磁共振錄井測(cè)得的參數(shù)，3個(gè)地層信息和1個(gè)偏置量，共11個(gè)神經(jīng)單元；隱藏層包含6個(gè)神經(jīng)單元；輸出層為氣層、氣水同層、含氣層、水層4個(gè)神經(jīng)單元。其隱藏層激活函數(shù)采用雙曲正切函數(shù)，輸出層激活函數(shù)采用Softmax函數(shù)，神經(jīng)網(wǎng)絡(luò)優(yōu)化算法采用調(diào)整的共軛梯度算法。

2.3 多層感知器神經(jīng)網(wǎng)絡(luò)模型建立

首次建立模型需要預(yù)防過(guò)度訓(xùn)練現(xiàn)象，為此經(jīng)過(guò)了多次訓(xùn)練確定本文樣本分區(qū)。

選擇蘇里格氣田南區(qū)有試氣結(jié)論的核磁共振數(shù)據(jù)樣本302組，將其中157組(52%)作為多層感知器模型訓(xùn)練樣本，55組(18.2%)作為保持樣本，90組(29.8%)作為測(cè)試樣本，建立自學(xué)習(xí)多層感知器神經(jīng)網(wǎng)絡(luò)模型。利用訓(xùn)練樣本在Softmax函數(shù)激活函數(shù)的作用下，計(jì)算出隱藏層各神經(jīng)元的鍵結(jié)值即代表相關(guān)聯(lián)的兩個(gè)變量之間的系數(shù)估計(jì)值(表1)；然后用已建立的多層感知器神經(jīng)網(wǎng)絡(luò)模型將3個(gè)分區(qū)樣本進(jìn)行交叉對(duì)比，其橫坐標(biāo)為試氣結(jié)論，縱坐標(biāo)為預(yù)測(cè)擬概率(圖2)。觀察預(yù)測(cè)圖中多層感知器神經(jīng)網(wǎng)絡(luò)模型默認(rèn)采用0.5為儲(chǔ)集層含氣性判別正確和錯(cuò)誤概率分界。按照儲(chǔ)集層含氣性進(jìn)行分組，當(dāng)任一類(lèi)儲(chǔ)集層含氣性為預(yù)測(cè)目標(biāo)時(shí)，則其預(yù)測(cè)概率明顯高于其他三類(lèi)儲(chǔ)集層含氣性，分類(lèi)識(shí)別效果較好。同時(shí)，由觀察預(yù)測(cè)圖可以看出每個(gè)分類(lèi)數(shù)據(jù)都存在一定的異常值，分析認(rèn)為一方面可能是因?yàn)榻?shù)據(jù)量少，另一方面在鉆取過(guò)程中因地層壓力變化，原始地層氣體膨脹逸散，導(dǎo)致核磁共振數(shù)據(jù)存在一定的異常值。因此，在后期研究中可以考慮附加一個(gè)補(bǔ)償系數(shù)恢復(fù)原始儲(chǔ)集層含氣量，同時(shí)取樣和測(cè)試過(guò)程中采用有效的保護(hù)而提高測(cè)試數(shù)據(jù)的準(zhǔn)確性。

由于輸入層的自變量對(duì)模型輸出的結(jié)論有重大影響，多層感知器神經(jīng)網(wǎng)絡(luò)具有對(duì)自變量的重要性進(jìn)行排序功能(圖3)。從圖3中看出孔隙度和層位影響程度最大，其次是初始狀態(tài)可動(dòng)水飽和度、可動(dòng)水飽和度、含氣飽和度，而初始狀態(tài)束縛水飽和度、含水飽和度、束縛水飽和度對(duì)含氣性識(shí)別影響較小。這也符合核磁共振弛豫時(shí)間T2譜圖的一般規(guī)律特征，可以說(shuō)明已建立的多層感知器神經(jīng)網(wǎng)絡(luò)模型對(duì)儲(chǔ)集層含氣性判別的預(yù)測(cè)具備一定可信性。

表1 隱藏層神經(jīng)元節(jié)點(diǎn)的鍵結(jié)值

圖2 觀察預(yù)測(cè)圖

圖3 輸入層參數(shù)重要性排序?qū)Ρ?/p>

2.4 多層感知器神經(jīng)網(wǎng)絡(luò)模型分類(lèi)結(jié)果

建立的多層感知器神經(jīng)網(wǎng)絡(luò)模型對(duì)所有樣本的儲(chǔ)集層含氣性識(shí)別結(jié)果見(jiàn)表2。訓(xùn)練集中有157個(gè)核磁共振樣本，其中154個(gè)樣本被正確分類(lèi)，整體準(zhǔn)確率達(dá) 98.1% ，2個(gè)氣層誤測(cè)為含氣水層和水層，1個(gè)水層誤測(cè)為氣層；測(cè)試集中有55個(gè)核磁共振樣本，其中53個(gè)樣本被正確分類(lèi)，整體準(zhǔn)確率為96.3%，1個(gè)氣層誤測(cè)為水層，1個(gè)水層誤測(cè)為氣層；保持樣本集中有90個(gè)核磁共振樣本，其中82個(gè)樣本被正確分類(lèi)，整體準(zhǔn)確率為91.1%，4個(gè)含氣水層誤判為氣層和水層，3個(gè)氣層被分別誤判為其他儲(chǔ)集層含氣性分類(lèi)。整體上可以看出氣層判別準(zhǔn)確率相對(duì)較低，分析原因可能是由于該區(qū)為低孔隙度、低滲透率、低壓氣藏，儲(chǔ)集層含氣飽和度相對(duì)較低，或者儲(chǔ)集層樣品中氣體逸散，使得氣層預(yù)測(cè)相對(duì)準(zhǔn)確率偏低。但是，整體上建立的多層感知器網(wǎng)絡(luò)模型對(duì)儲(chǔ)集層含氣性的識(shí)別預(yù)測(cè)效果較好，基本實(shí)現(xiàn)了快速、有效預(yù)測(cè)低滲透率儲(chǔ)集層含氣性的目標(biāo)。

表2 多層感知器神經(jīng)網(wǎng)絡(luò)訓(xùn)練、測(cè)試、保持樣本結(jié)果分類(lèi)

3 應(yīng)用效果分析

以蘇里格南區(qū)S 1井、S 2井兩口井的盒8段和山1段共60組核磁共振錄井?dāng)?shù)據(jù)為研究對(duì)象，選擇層位、孔隙度、初始狀態(tài)束縛水飽和度、含氣飽和度、含水飽和度、可動(dòng)水飽和度、初始狀態(tài)可動(dòng)水飽和度、束縛水飽和度作為神經(jīng)網(wǎng)絡(luò)的輸入層，利用構(gòu)建的多層感知器神經(jīng)網(wǎng)絡(luò)模型，對(duì)儲(chǔ)集層含氣性進(jìn)行預(yù)測(cè)。

S 1井30組氣層中有2組數(shù)據(jù)誤判為含氣水層和水層，13個(gè)含氣水層中有2個(gè)含氣水層誤判為水層；S 2井17個(gè)水層中有1個(gè)誤判為含氣水層。相對(duì)試氣結(jié)論55組樣本被正確分類(lèi)，整體準(zhǔn)確率達(dá) 91.7%(圖4)。可見(jiàn)，應(yīng)用多層感知器神經(jīng)網(wǎng)絡(luò)模型得到的儲(chǔ)集層含氣性評(píng)價(jià)與試油結(jié)果具有較好的一致性，取得的預(yù)測(cè)效果較為準(zhǔn)確，表明該方法能為儲(chǔ)集層含氣性評(píng)價(jià)提供可靠依據(jù)和技術(shù)支撐。

圖4 核磁共振錄井綜合評(píng)價(jià)圖

4 結(jié) 論

基于核磁共振錄井的測(cè)試參數(shù)，利用多層感知器神經(jīng)網(wǎng)絡(luò)分析方法，可對(duì)儲(chǔ)集層含氣性進(jìn)行評(píng)價(jià)，并在初步的模型應(yīng)用中，取得了較好的應(yīng)用效果。本次建模選擇有試氣結(jié)論的核磁共振錄井?dāng)?shù)據(jù)，數(shù)據(jù)量相對(duì)較少，隨著數(shù)據(jù)量的增大，多層感知器神經(jīng)網(wǎng)絡(luò)模型自學(xué)習(xí)能力越強(qiáng)，模型越準(zhǔn)確。

儲(chǔ)集層含氣性影響因素復(fù)雜，不僅與巖石結(jié)構(gòu)、物性、巖性、含油氣性相關(guān)，還與樣品鉆取和測(cè)試過(guò)程中氣體逸散特性相關(guān)，從而影響到數(shù)據(jù)的準(zhǔn)確性和模型的預(yù)測(cè)精度，下一步研究中可通過(guò)嘗試附加一個(gè)補(bǔ)償系數(shù)恢復(fù)原始儲(chǔ)集層含氣量，以提高測(cè)試數(shù)據(jù)的準(zhǔn)確性。也可以用核磁共振錄井參數(shù)結(jié)合地化錄井、地質(zhì)信息等相關(guān)參數(shù)嘗試進(jìn)行模型建立，進(jìn)一步完善方法，提高儲(chǔ)集層含油氣性預(yù)測(cè)準(zhǔn)確率。

多層感知器神經(jīng)網(wǎng)絡(luò)能快速有效地進(jìn)行儲(chǔ)集層含氣性評(píng)價(jià)，同時(shí)還能確定各參與模型參數(shù)與儲(chǔ)集層含氣性的相關(guān)程度的大小，為今后解釋評(píng)價(jià)提供較好的參考。