周傳友，李少華，何維領(lǐng)，丁 芳，黃 鑫

（1.長(zhǎng)江大學(xué) 地球科學(xué)學(xué)院，武漢 430100；2.中海油 上海分公司，上海 200030）

0 引言

沉積微相控制下的儲(chǔ)層建模方法，是針對(duì)鉆井資料缺乏以及不同微相物性差異性大等特點(diǎn)采取的，其目的是為了提高建模的精確度，降低模擬實(shí)現(xiàn)的不確定性［1］。應(yīng)用相控建模技術(shù)建立的三維精細(xì)地質(zhì)模型，能夠合理地反映地下儲(chǔ)層非均質(zhì)特性［2-4］，甚至對(duì)于油藏后期開(kāi)發(fā)的生產(chǎn)調(diào)整以及采收率的提高同樣具有重大意義［5-6］。因此，建立合理的巖相模型對(duì)于儲(chǔ)層物性參數(shù)模型的建立具有重要意義，也是決定整個(gè)模型質(zhì)量的重要環(huán)節(jié)。

N氣田僅有4口探井，僅僅依靠井?dāng)?shù)據(jù)無(wú)法建立可靠的巖相地質(zhì)模型。地震屬性約束建模能夠有效降低儲(chǔ)層建模中的不確定性［7-9］，但是由于研究區(qū)氣層埋藏深，地震資料識(shí)別能力有限。地球物理研究已經(jīng)建立了幾種地震屬性體，如巖性概率體、孔隙度數(shù)據(jù)體、“甜點(diǎn)”概率體等。這些單一地震屬性體與井上巖相的相關(guān)性均較差，很難直接利用某種地震屬性對(duì)井間巖相建模進(jìn)行有效約束。因此，需要提高地震屬性對(duì)巖相識(shí)別的分辨率。

傳統(tǒng)的巖相預(yù)測(cè)主要是人工分析對(duì)比法，即以巖芯分析資料為基礎(chǔ)，與測(cè)井資料相對(duì)比，進(jìn)行人工劃分［10］。該方法工作量繁復(fù)，而且無(wú)法規(guī)避人為因素的影響，導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際地質(zhì)狀況差異性大。筆者在綜合幾種地震屬性的基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)預(yù)測(cè)巖相［11-12］，并對(duì)BP神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)、訓(xùn)練集和驗(yàn)證集樣本數(shù)進(jìn)行了敏感性分析。研究表明，基于多種地震屬性組合，采用神經(jīng)網(wǎng)絡(luò)技術(shù)可以較大幅度提高巖相的識(shí)別能力，為三維巖相模型的建立提供借鑒。

1 單井巖相和地震屬性分析

N氣田位于東海陸架盆地［13-14］，已發(fā)現(xiàn)的3套氣藏儲(chǔ)層厚度均達(dá)一百多米，總氣藏厚度超過(guò)400 m。探井無(wú)阻流量達(dá)308×104m3／d，圈閉面積在30 km2～51 km2之間，圈閉幅度在210 m～276 m之間。目前已鉆探井4口，“甜點(diǎn)”在剖面上主要分布在花港組上段H3氣層組，尤其是H3b砂層組，其綜合解釋氣層厚度高達(dá)116.1 m?！疤瘘c(diǎn)”的分布受控于多種因素，其中巖相對(duì)“甜點(diǎn)”的分布有重要的控制作用。

圖1 N-1-x井取芯段單井巖相圖Fig.1 Single well facies diagram of core section of N-1-x well

通過(guò)對(duì)N氣田四口探井以及鄰區(qū)兩口井的巖性、電性、沉積旋回、沉積構(gòu)造的觀(guān)察分析，結(jié)合研究區(qū)區(qū)域古地貌特征，認(rèn)為N氣田花港組為辮狀河三角洲前緣沉積，主要?jiǎng)澐譃?種巖相類(lèi)型：①粗粒心灘；②細(xì)粒心灘；③河道滯留沉積；④泥質(zhì)沉積。

N-1-x井H3段取芯段較長(zhǎng)，跨越了整個(gè)H3b砂層組，巖相代號(hào)1代表河道滯留沉積，2代表粗粒心灘，3代表細(xì)粒心灘，4代表泥質(zhì)沉積，從圖1中可以看出巖相以粗粒心灘和細(xì)粒心灘為主，且厚度較大，河道滯留沉積厚度較薄。

研究區(qū)鉆井?dāng)?shù)少，僅四口探井，井距較大，基本上在2千米左右。為了更好地對(duì)井間巖相預(yù)測(cè)，需要充分利用地震資料進(jìn)行約束。地球物理研究提供了多種數(shù)據(jù)體，主要包括：甜點(diǎn)概率體、縱波阻抗、縱橫波阻抗比、砂巖概率體、平均孔隙度。從圖1中可以直觀(guān)地看出，采樣到模型分辨率的地震屬性體很難對(duì)井上劃分的巖相進(jìn)行區(qū)分。

從表1可以看出：只有縱波阻抗與心灘（粗粒和細(xì)粒）有一定的相關(guān)性，分別達(dá)到了0.592 7和0.508 3，其他地震屬性與巖相的相關(guān)性都非常弱，即單一地震屬性與巖相之間的相關(guān)性不好。地震屬性與巖相直接的關(guān)系復(fù)雜，不是簡(jiǎn)單的線(xiàn)性關(guān)系，且單一地震屬性很難實(shí)現(xiàn)較高的巖相識(shí)別。

表1 地震屬性與巖相相關(guān)性系數(shù)Tab.1 Correlation coefficient between seismic attributes and lithofacies

2 BP神經(jīng)網(wǎng)絡(luò)原理

根據(jù)上述分析，嘗試采用基于多種地震屬性組合的BP神經(jīng)網(wǎng)絡(luò)對(duì)巖相進(jìn)行預(yù)測(cè)。首先回顧一下BP神經(jīng)網(wǎng)絡(luò)的基本原理，一個(gè)典型的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)（圖2）。

圖2 單隱含層BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 Single hidden layer BP neural network topology

BP神經(jīng)網(wǎng)絡(luò)隱含層可以為一層或者多層，BP神經(jīng)網(wǎng)絡(luò)層與層之間是全連接的形式，對(duì)于同一層，神經(jīng)元之間不連接。BP神經(jīng)網(wǎng)絡(luò)采用的是誤差反向傳播算法，在學(xué)習(xí)的過(guò)程中，計(jì)算過(guò)程是從輸入層向輸出正向進(jìn)行。為了修正權(quán)值，使得輸出層與期望輸出之間的誤差降到一定大小，再開(kāi)始從輸出層逐層反向計(jì)算。通過(guò)多次迭代計(jì)算，最終誤差會(huì)逐次降低，直到滿(mǎn)足精度要求，便得到輸入和期望輸出之間的關(guān)系。

邱穎［15］分析了神經(jīng)網(wǎng)絡(luò)用于巖性及巖相預(yù)測(cè)的可行性，給出了合理選擇隱含層節(jié)點(diǎn)數(shù)的一個(gè)標(biāo)準(zhǔn)，來(lái)確定最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，論證了隱含層節(jié)點(diǎn)數(shù)由相態(tài)類(lèi)型決定，這樣確定的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以保證在數(shù)學(xué)上一定有解，這里的相態(tài)類(lèi)型可以是沉積相、沉積微相、地層巖相，相態(tài)類(lèi)型抽象為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中輸出節(jié)點(diǎn)數(shù)。訓(xùn)練數(shù)據(jù)的分布要具有代表性，即不同相態(tài)類(lèi)型對(duì)應(yīng)的輸入?yún)?shù)要具備一定的差異性，具有區(qū)分特征，最終達(dá)到預(yù)測(cè)亦或分類(lèi)的目的，這樣對(duì)訓(xùn)練集進(jìn)行學(xué)習(xí)才能反映輸入和輸出間的必然聯(lián)系。

3 BP神經(jīng)網(wǎng)絡(luò)模型的建立

這里使用MATLAB軟件工具來(lái)實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)模型的創(chuàng)建，包括輸入層、隱含層和輸出層。利用采樣到模型尺度的4口井的地震屬性和巖相數(shù)據(jù)，作為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本（表2），模型網(wǎng)格平面大小為50 m*50 m，垂向上為1 m。以H3b砂層組為例，輸入層參數(shù)是五種地震屬性值，即甜點(diǎn)（x1）、縱波阻抗（x2）、縱橫波阻抗比（x3）、砂巖概率（x4）、平均孔隙度（x5）。輸出層參數(shù)是巖相，即河道滯留沉積（1）、粗粒心灘（2）、細(xì)粒心灘（3）和泥質(zhì)沉積（4）。

表2 BP神經(jīng)網(wǎng)絡(luò)部分學(xué)習(xí)樣本參數(shù)Tab.2 Partial learning sample parameters of BP neural network

一共選取了研究區(qū)的4口井的591個(gè)學(xué)習(xí)樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和檢驗(yàn)，并通過(guò)多次改變隱含層數(shù)及訓(xùn)練集和驗(yàn)證集的樣本數(shù)，記錄程序運(yùn)行的結(jié)果進(jìn)行對(duì)比分析，確定了適合研究區(qū)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，創(chuàng)建了4種巖相類(lèi)型的識(shí)別模式［16-18］。

將地震屬性數(shù)據(jù)作為輸入［19-20］，地震數(shù)據(jù)有5個(gè)屬性，故輸入向量維數(shù)為5，如式（1）所示。

X=［x1，x2，x3，x4，x5］T

（1）

為了消除量綱的影響，便于數(shù)據(jù)處理，將輸入數(shù)據(jù)進(jìn)行歸一化［21］，如式（2）所示。

X=mapminmax（X，0，1）

（2）

式中：將巖相數(shù)據(jù)作為期望輸出；1為河道滯留沉積；2為粗粒心灘；3為細(xì)粒心灘；4為泥質(zhì)沉積。由于巖相僅僅是個(gè)代號(hào)，需要采用獨(dú)熱編碼的方式。用grp2idx（）、ind2vec（）函數(shù)將期望輸出矢量化，這樣代號(hào)1就轉(zhuǎn)化為1 0 0 0，代號(hào)2轉(zhuǎn)化為0 1 0 0，代號(hào)3轉(zhuǎn)化為0 0 1 0，代號(hào)4轉(zhuǎn)化為0 0 0 1，公式使用如下：

［Y，～］=grp2idx（Y）

（3）

Y=full（ind2vec（Y'））

（4）

BP神經(jīng)網(wǎng)絡(luò)有專(zhuān)門(mén)用于模式識(shí)別的函數(shù)patternnet（），這里的研究正是采用patternnet（）函數(shù)來(lái)進(jìn)行模擬仿真。研究區(qū)內(nèi)目前僅有四口探井，用固定的井?dāng)?shù)據(jù)作檢驗(yàn)，發(fā)現(xiàn)檢驗(yàn)的正確率不高，為了消除人為因素的影響，將數(shù)據(jù)進(jìn)行隨機(jī)排序，再來(lái)劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集。主要工作是設(shè)計(jì)隱含層，通過(guò)for循環(huán)的方法（隱含層神經(jīng)元個(gè)數(shù)從1遞增到50）來(lái)找相對(duì)合理的神經(jīng)元個(gè)數(shù)。為了消除偶然性，通過(guò)多次隨機(jī)組合訓(xùn)練集數(shù)據(jù)和檢驗(yàn)數(shù)據(jù)的方式，確定相對(duì)穩(wěn)定的神經(jīng)元個(gè)數(shù)。

3.1 單隱含層方案

首先設(shè)計(jì)單隱含層，用固定的井?dāng)?shù)據(jù)作檢驗(yàn)。采用1、2井作為訓(xùn)練集，3井作為驗(yàn)證集，4井作為測(cè)試集。采用for循環(huán)程序設(shè)計(jì)結(jié)構(gòu)，即隱含層神經(jīng)元個(gè)數(shù)從1遞增到50，得到所有的計(jì)算結(jié)果，如圖3所示。從圖3可以很明顯看出，采用固定的井做檢驗(yàn)，整體檢驗(yàn)正確率很低。

圖3 固定的井?dāng)?shù)據(jù)檢驗(yàn)?zāi)M結(jié)果Fig.3 Fixed well data test simulation results

為了消除人為因素的影響，將數(shù)據(jù)進(jìn)行隨機(jī)排序，并隨機(jī)組合多次進(jìn)行模擬。取樣本數(shù)據(jù)的80%用來(lái)訓(xùn)練［22］，10%用來(lái)驗(yàn)證，10%用來(lái)測(cè)試整個(gè)網(wǎng)絡(luò)，隨機(jī)組合四次進(jìn)行模擬，模擬結(jié)果如圖4所示。

通過(guò)對(duì)圖4中的數(shù)據(jù)進(jìn)行分析，得到效果較好的隱含層神經(jīng)元個(gè)數(shù)為：25、29、40、42、46，其檢驗(yàn)正確率都大于73%。上述5種神經(jīng)元各自四次模擬的檢驗(yàn)正確率均值為：0.754 2、0.770 8、0.770 8、0.754 2、0.770 8，其檢驗(yàn)正確率均值都大于75%。通過(guò)分析模擬結(jié)果可以看出，當(dāng)隱含層神經(jīng)元個(gè)數(shù)大于25之后，檢驗(yàn)正確率的上升已相對(duì)穩(wěn)定。

取樣本數(shù)據(jù)的70%用來(lái)訓(xùn)練，15%用來(lái)驗(yàn)證，15%用來(lái)測(cè)試整個(gè)網(wǎng)絡(luò)，計(jì)算結(jié)果如圖5所示。得到較好結(jié)果的隱含層神經(jīng)元個(gè)數(shù)為：19、25，其四次檢驗(yàn)正確率每次都大于73%，均值都在74%左右。進(jìn)一步降低訓(xùn)練集樣本的比例，比如將訓(xùn)練集比例調(diào)整為50%，模擬結(jié)果整體檢驗(yàn)正確率更不理想。

圖5 隨機(jī)組合井?dāng)?shù)據(jù)檢驗(yàn)?zāi)M結(jié)果2Fig.5 Random combination well data test simulation results 2

3.2 雙隱含層方案

取樣本數(shù)據(jù)的80%用來(lái)訓(xùn)練，10%用來(lái)驗(yàn)證，10%用來(lái)測(cè)試整個(gè)網(wǎng)絡(luò)，隨機(jī)組合四次進(jìn)行模擬。圖6是隨機(jī)模擬一次（隨機(jī)種子值為pi）得到的模擬結(jié)果。通過(guò)編寫(xiě)MATLAB小程序，綜合比對(duì)隨機(jī)組合四次模擬的結(jié)果，得到一個(gè)相對(duì)較好的模型，隱含層的神經(jīng)元個(gè)數(shù)為：［18，13］，其檢驗(yàn)正確率在78%左右。

圖6 雙隱含層模擬結(jié)果Fig.6 Double hidden layer simulation results

取樣本數(shù)據(jù)的70%用來(lái)訓(xùn)練，15%用來(lái)驗(yàn)證，15%用來(lái)測(cè)試整個(gè)網(wǎng)絡(luò)，最高檢驗(yàn)正確率處在75%左右。

3.3 多隱含層方案

設(shè)計(jì)一個(gè)具有五個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，每層給定25個(gè)神經(jīng)元。樣本數(shù)據(jù)的80%用來(lái)訓(xùn)練，10%用來(lái)驗(yàn)證，10%用來(lái)測(cè)試整個(gè)網(wǎng)絡(luò)，改變種子數(shù)，隨機(jī)模擬四次，檢驗(yàn)正確率最高為75%，最低為63.3%。設(shè)計(jì)一個(gè)具有十個(gè)隱含層的網(wǎng)絡(luò)結(jié)構(gòu)，每層給定25個(gè)神經(jīng)元。樣本數(shù)據(jù)的80%用來(lái)訓(xùn)練，10%用來(lái)驗(yàn)證，10%用來(lái)測(cè)試整個(gè)網(wǎng)絡(luò)，改變種子數(shù)，隨機(jī)模擬四次，檢驗(yàn)正確率最高為76.7%，最低為60%。多次試驗(yàn)的結(jié)果表明，多隱含層網(wǎng)絡(luò)結(jié)構(gòu)并沒(méi)有顯著提高模擬正確率，而且檢驗(yàn)正確率并不穩(wěn)定。

通過(guò)多組試驗(yàn)結(jié)果分析：?jiǎn)坞[含層神經(jīng)網(wǎng)絡(luò)足以表征研究課題的非線(xiàn)性關(guān)系。最終建議研究區(qū)選取單隱含層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)元個(gè)數(shù)為25。

3.4 三維巖相模型的建立

確定了合理的神經(jīng)網(wǎng)絡(luò)模擬方案，可以對(duì)井間未鉆井區(qū)域的巖相分布進(jìn)行預(yù)測(cè)，為最終三維巖相模型的建立提供約束條件。采用上述訓(xùn)練集為80%的單隱含層，隱含層神經(jīng)元個(gè)數(shù)為25建立一個(gè)訓(xùn)練模型，用此模型來(lái)做未鉆井區(qū)域巖相預(yù)測(cè)。圖7為研究區(qū)某一區(qū)域的三維預(yù)測(cè)結(jié)果，i、j方向11個(gè)網(wǎng)格，k方向40個(gè)網(wǎng)格。從圖7（a）中的三維顯示和圖7（b）中的切片圖可以看出，預(yù)測(cè)模型雖然很小，但是具有一定的連通性，可將三維預(yù)測(cè)結(jié)果作為多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)MPS算法的軟數(shù)據(jù)進(jìn)一步預(yù)測(cè)工區(qū)巖相。在區(qū)域地質(zhì)勘探資料有限的情況下，采用BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)巖相，不失為一種可取的方法。

圖7 井間三維巖相模型Fig.7 Interwell 3D lithofacies model（a）模擬結(jié)果三維顯示；（b）模擬結(jié)果柵格圖

4 結(jié)論

1）采用BP神經(jīng)網(wǎng)絡(luò)方法，利用多種地震屬性組合，提高了單井巖相預(yù)測(cè)的準(zhǔn)確性。

2）通過(guò)單隱含層、雙隱含層、多隱含層方案試驗(yàn)對(duì)比，分析了各方案的檢驗(yàn)正確率，最終確定了適合研究區(qū)的模擬方案，為三維巖相模型的建立奠定了基礎(chǔ)。

3）就研究工區(qū)而言，由于地震資料的原始分辨率較低，增加神經(jīng)網(wǎng)絡(luò)的隱含層數(shù)對(duì)巖相識(shí)別率的提高作用有限且可能造成過(guò)擬合，為了得到更好的識(shí)別效果，需要有高質(zhì)量的地震資料。