潘拓 馬鑫 謝安

摘 ?要：準噶爾盆地瑪湖凹陷JL57井區(qū)上烏爾禾組發(fā)育塊狀砂礫巖儲層，砂礫巖可以細分為粗礫巖、中礫巖、細礫巖、中粗砂巖和粉細砂巖5類巖性，有效儲層為中礫巖、細礫巖和中粗砂巖3種巖性，如何識別出有效儲層巖性，是油田生產(chǎn)試油選層亟待解決的問題。傳統(tǒng)利用測井曲線與巖性間簡單線性關(guān)系的交會圖法無法滿足油田生產(chǎn)對巖性識別的要求，而傳統(tǒng)利用非線性關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型巖性識別方法，雖然能識別部分砂礫巖種類，但該方法需要輸入?yún)?shù)多，運算量大，識別結(jié)果準確率一般。本文探索性利用主成分分析法先從自然伽馬、自然電位、地層電阻率、聲波時差、密度、補償中子6種測井曲線中計算出主成分特征值X、Y、Z三個參數(shù)，然后用三個特征值參數(shù)替代傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型中6個油氣參數(shù)作為新的輸入?yún)?shù)，與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型對比，簡化了BP神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)，減少了模型計算量，而且?guī)r性識別準確率得到了有效提高，有效地解決了研究區(qū)測井識別巖性問題。

關(guān)鍵詞：上烏爾禾組;主成分分析法;BP神經(jīng)網(wǎng)絡(luò)模型;砂礫巖;巖性識別

近年來新疆油田在瑪湖凹陷發(fā)現(xiàn)10×10-8 t規(guī)模儲量，其中二疊系上烏爾禾組為主要目的層之一。二疊系上烏爾禾組發(fā)育厚層狀-塊狀砂礫巖，單層砂礫巖厚度普遍在10～100 m，砂礫巖可細分為粗礫巖、中礫巖、細礫巖、中粗礫巖和粉細砂巖5類，其中有效儲集層為中礫巖、細礫巖和中粗礫巖3類。因砂礫巖單層厚度普遍較大，層內(nèi)巖性變化較快，如何識別有效儲層巖性，是油田生產(chǎn)試油選層亟待解決的問題。傳統(tǒng)的利用常規(guī)測井曲線交會圖法和地質(zhì)統(tǒng)計學(xué)法等線性關(guān)系類方法無法準確識別出有效儲集層巖性。而傳統(tǒng)利用非線性關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型巖性識別方法，雖然能識別部分砂礫巖種類，但該方法需要輸入?yún)?shù)多，運算量大。如何快速準確識別研究區(qū)的巖性，本文探索性地利用主成分分析法對BP神經(jīng)網(wǎng)絡(luò)模型進行優(yōu)化。

1 ?方法原理

1.1 ?主成分分析法（PCA）原理

主成分分析法是一種減少信息損失將高維數(shù)據(jù)映射到低維數(shù)據(jù)（即主成分）的數(shù)據(jù)壓縮和特征信息提取技術(shù)。主成分能反映原始數(shù)據(jù)的大部分信息，且各主成分互不重復(fù)。主成分求解主要步驟如下[1-5]：

對方程求解，得到特征值[λ]及特征向量α;按大小順序?qū)λ]進行排序，即[λ][1]≥[λ][1][≥]···≥[λ][p]。α為[λ]對應(yīng)的特征向量。

（4）選擇合適的主成分數(shù)量實現(xiàn)最終的分析。

通常采用[i=1ei=λip×100%λi]作為主成分的貢獻率;[i=1pei]即為累計貢獻率。一般認為累計貢獻率大于85%時的主成分個數(shù)即為最佳的變量個數(shù)。

1.2 ?BP神經(jīng)網(wǎng)絡(luò)原理

BP（back propagation）神經(jīng)網(wǎng)絡(luò)基本思想是梯度下降法，利用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸出值和期望輸出值的誤差均方差為最小[6]。它具有很強的非線性映射能力，在巖性識別應(yīng)用中，能夠較好地解決巖性識別過程中，因多種因素造成的測井信息與巖性之間為非單純的線性關(guān)系。

目前，BP神經(jīng)網(wǎng)絡(luò)方法在測井巖性識別領(lǐng)域已得到成熟的研究與應(yīng)用，在火成巖、碳酸鹽巖等巖性識別和儲層評價中應(yīng)用效果良好[7-16]。該模型在研究區(qū)識別巖性的優(yōu)點是：無需在測井曲線和巖性之間建立準確的相互關(guān)系，缺點是與地層巖性有關(guān)的測井曲線，一般都要作為模型的輸入?yún)?shù)，輸入?yún)?shù)越多，模型的計算時間越長，參數(shù)越多模型的識別準確率并未有效提高[17-18]。

1.3 ?PCA與BP神經(jīng)網(wǎng)絡(luò)模型關(guān)系

主成分分析法（PCA）和BP神經(jīng)網(wǎng)絡(luò)模型是相互獨立的兩種算法，其中PCA可以最大限度在保證原始數(shù)據(jù)主要特征不變的情況下，將高維數(shù)據(jù)轉(zhuǎn)換為低維度。BP神經(jīng)網(wǎng)絡(luò)模型則是盡可能減小實際輸出值和期望輸出值的誤差而進行的梯度下降法。因此，將PCA提取的特征值作為BP神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)，理論上可以減少無效信息帶來的干擾，從而優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)，減少模型的計算量。

2 ?應(yīng)用實例

2.1 ?樣本參數(shù)設(shè)定

據(jù)研究區(qū)錄井、測井、取心資料和薄片鑒定的分析得出，研究區(qū)主要巖性為泥巖、粉細砂巖、中粗砂巖、細礫巖、中礫巖和粗礫巖共6類。研究區(qū)與巖性相關(guān)的測井資料有自然伽馬、自然電位、地層電阻率、聲波時差、密度、補償中子6種測井曲線，選取346個樣本作為樣本集。

2.2 ?主成分分析法特征提取

在進行主成分分析法提取特征值之前，首先對樣本數(shù)據(jù)進行標準化處理。本文采用標準差標準化方法。具有線性特征的測井曲線，采用線性歸一化公式：

2.3 ?模型建立

為了和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對比，本文分別建立兩種模型。模型一為傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型，將歸一化后的自然伽馬、自然電位、地層電阻率、聲波時差、密度、補償中子6條曲線作為輸入層結(jié)構(gòu);模型二采用前文主成分分析法提取出的特征值X，Y，Z為輸入層，結(jié)構(gòu)見圖1。設(shè)定兩種網(wǎng)絡(luò)模型的迭代次數(shù)為300次，誤差3次迭代不下降，誤差終值0.01。將346個樣本中290個樣本數(shù)據(jù)作為訓(xùn)練樣本。利用MATLAB軟件對兩種模型進行多次訓(xùn)練，模型一最佳網(wǎng)絡(luò)結(jié)構(gòu)為6-12-6，模型二最佳網(wǎng)絡(luò)結(jié)構(gòu)為3-8-6。訓(xùn)練完畢后將56個檢驗樣本數(shù)據(jù)導(dǎo)入模型以驗證模型的有效性，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)識別正確率為76%，而使用主成分分析法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)識別正確率提高到了89%。對兩種模型的誤差曲線對比發(fā)現(xiàn)（圖2），優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型只需要10步就能將值誤差縮小到0.009 53，而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型30步時的誤差仍然高達0.177 06，表明優(yōu)化后的模型識別巖性不僅提高了準確率（表2），且簡化了模型網(wǎng)絡(luò)結(jié)構(gòu)，減小模型的計算量。

2.4 ?應(yīng)用效果

利用前文訓(xùn)練好的優(yōu)化后的神經(jīng)網(wǎng)絡(luò)模型，對JL57井烏爾組進行巖性識別，見圖3。第三道為巖屑錄井的巖性，第四道為PCA-BP神經(jīng)網(wǎng)絡(luò)識別的巖性，第五道為傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)識的巖性，將兩個模型識別的巖性分別與巖屑錄井、鉆井取心巖性進行對比（圖4），兩種模型基本都能識別JL57井的巖性，但在深度4 978.3 m的錄井巖屑和取心巖性都為中礫巖，PCA-BP神經(jīng)網(wǎng)絡(luò)巖性準確識別為中礫巖，而傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型識別為粗礫巖;同樣PCA-BP神經(jīng)網(wǎng)絡(luò)模型可準確識別出4 980.6 m為中粗砂巖，4 983.7 m為粉細砂巖，而傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型均識別錯誤。實際應(yīng)用表明，優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型識別巖性準確率高，可有效識別研究區(qū)上烏爾禾組砂礫巖巖性，為油田生產(chǎn)選取有效儲層進行試油射孔提供依據(jù)。

3 ?結(jié)論

（1） 采用自然伽馬、自然電位、地層電阻率、聲波時差、密度、補償中子6條測井曲線所提取的3個主成分特征值X，Y，Z，將其作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)，不僅簡化了模型的網(wǎng)絡(luò)結(jié)構(gòu)，減少了模型計算量，并且有效地提高了研究區(qū)的巖性識別準確率。

（2） 本文利用主成分法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，在研究區(qū)對砂礫巖的識別得到較好的應(yīng)用效果，但是影響B(tài)P神經(jīng)網(wǎng)絡(luò)模型的因素還有黑匣子中的激活函數(shù)和隱層的數(shù)量等參數(shù)。因此，BP神經(jīng)網(wǎng)絡(luò)模型仍有進一步優(yōu)化的潛力。

參考文獻

[1] ? ?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)巖性識別方法[J].測井技術(shù)，2015，39（5）：586-590.

[2] ? ?馬崢，張春雷，高世臣.主成分分析與模糊識別在巖性識別中的應(yīng)用[J].巖性油氣藏，2017，29（5）：127-133.

[3] ? ?劉毅，陸正元，呂晶，等.主成分分析法在泥頁巖地層巖性識別中的應(yīng)用[J].斷塊油氣田，2017，24（3）：360-363.

[4] ? ?楊兆栓，林暢松，尹宏， 等.主成分分析在塔中地區(qū)奧陶系鷹山組碳酸鹽巖巖性識別中的應(yīng)用[J].天然氣地球科學(xué)，2015，26（1）：54-59.

[5] ? ?劉愛疆，左烈，李景景，等.主成分分析法在碳酸鹽巖巖性識別中的應(yīng)用——以地區(qū)寒武系碳酸鹽巖儲層為例[J].石油與天然氣地質(zhì)，2013，34（2）：192-196.

[6] ? ?聞新，張興旺，朱亞萍，等.智能故障診斷技術(shù)[M].北京：北京航空航天大學(xué)出版社，2015.

[7] ? ?單敬福，陳欣欣，趙忠軍，等.利用BP神經(jīng)網(wǎng)絡(luò)法對致密砂巖氣藏儲集層復(fù)雜巖性的識別[J].地球物理學(xué)進展，2015，30（3）：1257-1263.

[8] ? ?紀福全，程國建，王瀟瀟，等.構(gòu)造性神經(jīng)網(wǎng)絡(luò)在測井巖性識別中的應(yīng)用[J].石油礦場機械，2007（4）：52-55.

[9] ? ?徐海浪，吳小平.電阻率二維神經(jīng)網(wǎng)絡(luò)反演[J].地球物理學(xué)報，2006（2）：584-589.

[10] ?管志寧，侯俊勝，黃臨平，等.重磁異常反演的擬BP神經(jīng)網(wǎng)絡(luò)方法及其應(yīng)用[J].地球物理學(xué)報，1998（2）：242-251.

[11] ?劉宗彥，王燕，曹潤榮，等.測井儲層分類評價方法的研究[J].國外測井技術(shù)，2008（4）：19-22.

[12] ?王文娟，曹俊興，張元標，等.基于微粒群算法的神經(jīng)網(wǎng)絡(luò)儲層物性參數(shù)預(yù)測[J].西南石油大學(xué)學(xué)報，2007（6）：31-33.

[13] ?鄒長春，嚴成信，李學(xué)文.神經(jīng)網(wǎng)絡(luò)在棗北地區(qū)火成巖儲層測井解釋中的應(yīng)用[J].石油地球物理勘探，1997（2）：27-33.

[14] ?郭巧占.基于神經(jīng)網(wǎng)絡(luò)的LM算法預(yù)測儲層聲波孔隙度[J].石油鉆采工藝，2007（1）：97-101.

[15] ?袁爽，張曉波.根據(jù)測井資料估算儲層滲透率的新神經(jīng)網(wǎng)絡(luò)方法[J].國外油田工程，2007（4）：30-32.

[16] ?朱麗紅，杜慶龍，魏麗影，等.神經(jīng)網(wǎng)絡(luò)技術(shù)識別厚油層層內(nèi)剩余油方法[J].石油學(xué)報，2006（1）：129-132.

[17] ?連承波，李漢林，渠芳，等.基于測井資料的BP神經(jīng)網(wǎng)絡(luò)模型在孔隙度定量預(yù)測中的應(yīng)用[J].天然氣地球科學(xué)，2006（3）：382-384.

[18] ?趙成，桂志先.基于神經(jīng)網(wǎng)絡(luò)的儲層參數(shù)預(yù)測方法及應(yīng)用[J].石油天然氣學(xué)報（江漢石油學(xué)院學(xué)報），2005（3）：69-70.

Abstract： The massive glutenite reservoirs are developed in the Upper Wuerhe Formation in JL57 region，Mahu deepresssion，Junggar Basin.The glutenites are classified into five types，which are coarse grained rock，medium-grained rock， fine conglomerate，medium coarse sandstone and siltstone.The medium-grained rock， fine conglomerate，medium coarse sandstone are the main lithologies in the effective formations. How to identify effective reservoir lithology is an urgent problem to be solved in oilfield production test.The classic method based on the crossplot technology cannot be used in the target glutenite reservoirs.In addition，the classic BP neural network model is not advisable due to the needed a large number of input parameters and computation.The accuracy of lithology identification is low.In this study，the principal component analysis method is used to first calculate three eigenvalues of X，Y and Z from three well logging curves.These curves are natural gamma ray （GR），spontaneous potential （SP），formation resistivity （RT），acoustic travel time （AC），density （DEN） and compensated neutron （CNL）.Afterwards，there three eigenvalues are used as the input parameters in the BP neural network model to identify formation lithology.Comparing with the classic BP neural network model，the composition of the improved model is simplified，the computing time is reduced，and the lithology identification accuracy is improved.The lithology identification problem of the target formation is effectively solved by using the proposed method.

Key words：Upper Wuerhe formation;Principal component analysis（PCA）;BP neural network;Glutenite;Lithology identification