陈钢花，胡 琮，曾亚丽，马中高

(1.中国石油大学(华东),山东青岛266580;2.中国石油化工股份有限公司石油物探技术研究院,江苏南京211103)

基于BP神经网络的碳酸盐岩储层缝洞充填物测井识别方法

陈钢花1，胡 琮1，曾亚丽1，马中高2

(1.中国石油大学(华东),山东青岛266580;2.中国石油化工股份有限公司石油物探技术研究院,江苏南京211103)

缝洞是碳酸盐岩储层重要的储集空间和渗流通道,缝洞充填物的识别对评价油气储集能力和渗流能力具有重要作用。解决缝洞充填物与常规测井响应之间的非线性问题,BP神经网络法具有突出的优势。为此,通过结合成像测井和岩心资料,将碳酸盐岩储层缝洞充填物划分为泥质充填、砂质充填和结晶碳酸盐岩充填3类类型;分析不同充填类型的缝洞测井响应特征,选取敏感性较强的泥质含量、裂缝孔隙度、中子比、密度比和深侧向电阻率等5个参数,利用BP神经网络建立了碳酸盐岩储层缝洞充填物的识别方法。应用所建立的方法对实际井资料进行了处理评价,其预测结果与实际结果有较好的一致性,取得了较好的应用效果。

碳酸盐岩储层;缝洞充填物;BP神经网络;模式识别;敏感参数

作为碳酸盐岩储层主要储集空间和渗流通道的裂缝和洞穴是地球物理学者们研究的重中之重。然而,并非所有缝洞都是有效张开裂缝和溶蚀孔洞,其中往往夹杂着各种各样的充填物。碳酸盐岩储层缝洞充填物的识别研究对评价缝洞的油气储集能力和渗流能力具有重要作用。

目前,国内外学者对碳酸盐岩储层缝洞的测井识别研究主要是从常规测井和成像测井两方面展开[1],以声波测井和双侧向测井的研究最为充分,其中，李善军等[2]建立的基于双侧向测井的裂缝孔隙度定量解释模型较有代表性;谭廷栋[1]、赵良孝[3]等人也做了大量工作,其文献具有很好的指导意义。然而,前人的研究成果多集中于有效张开裂缝和溶蚀孔洞的研究,对充填缝洞,尤其是缝洞中充填物的识别研究较少。碳酸盐岩储层孔隙结构复杂,非均质性严重,使得缝洞充填物与各常规测井响应之间的关系很难确定,而BP神经网络在解决这类非线性问题时具有极大的灵活性和自适应性,能够实现复杂函数关系的变换。为此,我们利用BP神经网络建立了一种有效的碳酸盐岩储层缝洞充填物识别方法。

1 BP神经网络模型简介

BP神经网络是一种多层前向型神经网络,主要通过学习来实现输入目标与输出目标之间的非线性映射。其基本过程为:输入训练样本和目标样本,不断调整权值和阈值,通过梯度下降法的学习算法,使训练输出样本与目标样本不断趋于一致[4]。在缝洞充填物的识别过程中恰好能运用到BP神经网络高度的非线性映射能力,解决缝洞充填物与测井响应之间关系的非线性问题,因此,用BP神经网络来识别缝洞充填物是有利的。在这里我们使用的是前馈反向传播(Feed-forward Back Propagation)神经网络[5-6]。前向型神经网络通常由一个输入层、一个输出层和具有一个或多个sigmoid神经元构成的隐层构成(图1)。

BP算法的运行主要为正向传播和误差反向传播两个阶段[4]:

1) 正向传播阶段。首先在样本集中取一训练对,将输入矢量输入网络;然后计算相应的输出矢量。

2) 误差反向传播阶段。首先计算实际输出矢量与理想输出矢量的差;然后按极小化误差的方式调整权矩阵。

BP算法沿着误差函数减小最快的方向,也就是梯度的反方向改变权值和偏差。

BP神经网络通过其特有的样本学习能力获得充填物识别模式,智能化程度高,这样不仅有效地解决了差别因素少带来的识别难的困扰,而且样本和识别参数原则上不受任何限制,可以充分利用一切可用的参数,进一步提高了预测的精度[7-8]。

图1 BP神经网络模型

2 BP神经网络建模

2.1 构建输出层

前人已对碳酸盐岩储层缝洞充填物的类型做了不少研究工作。郑聪斌等[9]将其划分为岩溶改造岩和岩溶建造岩两大类8个亚类;Loucks等[10]把洞穴充填物分为裂纹角砾、混杂角砾和洞穴沉积充填三大类;徐微等[11]将塔河油田奥陶系溶洞充填相划分为化学沉积岩相、搬运型岩相、垮塌型岩相、渗流充填相四大类9相;钟广法等[12]将溶洞充填物分为角砾岩、砂泥岩和结晶碳酸盐岩3种类型。在前人研究的基础上[13-18],针对研究区的地质、地球物理特征及油气储层测井评价的需要,最终确定将充填物类型划分为泥质充填、砂质充填和结晶碳酸盐岩充填3类,作为BP神经网络模型的输出层。针对这3种充填类型,通过成像测井和岩心资料选取缝洞充填层段,分析总结相应的测井响应特征,选取敏感性较强的测井参数,作为神经网络识别样本。

2.2 构建输入层

用神经网络对缝洞充填物进行识别,就是寻求缝洞充填物特征与测井信息的映射关系,因此样本的选取关乎神经网络识别模型的准确性。通过分析碳酸盐岩储层常规测井响应特征可以看出:双侧向测井对于碳酸盐岩储层缝洞具有较好的响应,双侧向测井的深、浅侧向幅度差与裂缝角度有较强的关联性,若存在溶洞一般也会表现为正差异;而双侧向电阻率测井对于缝洞充填物类型也有响应,一般来说泥质充填的电阻率最低,砂质充填电阻率较高,结晶碳酸盐岩充填电阻率最高。泥质含量对于泥质充填的情况也有反映,一般自然伽马曲线升高,泥质含量也较高。另外,在结晶碳酸盐岩充填洞穴时,三孔隙度测井曲线特征与围岩相似,而在泥质填充时则显示声波时差变大,中子孔隙度变大,密度降低。为了利用测井资料有效识别缝洞填充物类型,我们综合提取了以下对缝洞充填物识别更为敏感的组合参数。

1) 测井密度与岩石骨架密度之比(简称“密度比”)C1:

(1)

式中：ρ为密度值；γ为自然伽马测井值；PDG为岩石骨架密度。

2) 声波时差比(简称“声波比”)C2:

(2)

式中：TAC为声波时差测井值；PTM为岩石骨架声波时差。

3) 中子相对孔隙度(简称“中子比”)C3:

(3)

式中：CNL为补偿中子测井值。

4) 深、浅侧向电阻率差比RTC:

(4)

式中：RT为地层真电阻率；RLLS为浅侧向测井值。

图2为A井处理结果,由成像测井资料显示该井5653～5655m处存在一个溶洞,同时岩心资料显示该溶洞存在泥质充填。在测井曲线上也有较为明显的变化,双侧向有幅度差,且测井值均出现降低,密度测井值下降,补偿中子测井值和声波时差测井值升高,自然伽马测井值升高。所提取的参数中,三孔隙度比、电阻率差比均出现异常,裂缝孔隙度升高,泥质含量升高。

图2 A井测井曲线

基于大量的实际井资料分析和岩电相关关系对比研究,最终确立了泥质含量、裂缝孔隙度、中子比、密度比和深侧向电阻率等5个参数作为自变量(输入层),泥质、砂质和结晶碳酸盐岩3种充填结果为因变量(输出层)进行神经网络的训练和预测。

2.3 输入参数的归一化处理

在上述工作中提取的敏感性参数的量纲并不统一,为了提高预测模型的准确性,需要对所提取参数进行归一化处理。

在归一化时一般按照下式的原则进行,即线性特征参数公式:

(5)

式中:yi，xi分别为归一化前、后的测井值;ymax，ymin分别为该参数的最大、最小值。

对于非线性特征参数,例如电阻率,则按以下公式进行:

(6)

式中:lgyi,lgxi分别为归一化前、后的测井值的对数;lgymax,lgymin分别为该参数最大、最小值的对数。

3 实际应用

运用上述方法对A,B,C,D井进行处理。选取这4口井的泥质含量(VSH)、裂缝孔隙度(PORL)、中子比(C3)、密度比(C1)和深侧向电阻率(RD)等5个参数作为输入参数,泥质(CTSH)、砂质(CTSD)和结晶碳酸盐岩(CTCB)3种充填结果作为输出参数,构建一个输入层神经元为5,输出层神经元为3,隐层神经元为20的3层BP神经网络。

对于隐层神经元的个数,一般依靠经验来定。一般来说神经元个数越多预测精度越高,但神经元越多训练速度越慢,所以两者要综合考虑。实际处理中,我们将343个样本分为训练样本集和测试样本集,其中训练样本集228个,用于进行网络训练;测试样本集115个,用于测试验证网络的准确性。

建立的BP神经网络的隐层传递函数为tansig函数,网络最大训练次数1000,训练误差精度为1×10-6。当网络系统误差小于给定的误差时训练结束,训练共进行了19步,在第13步时达到最佳效果,均方误差最小为0.049468(如图3)。

当预测模型构建好后,用其对115个测试样本进行预测,预测结果见表1所示,其中有105个结果识别正确,识别准确率达到了91.3%。可见预测结果与缝洞统计结果有很好的匹配,并且与体积模型的计算结果有较好的一致性,说明利用本文方法进行碳酸盐岩储层缝洞充填物识别是可行的。

图3 所构建3层BP神经网络的训练误差传播曲线

表1 实例井碳酸盐岩缝洞充填物识别结果(部分)

输入参数目标结果识别结果VSHPORLC1C3RDCTSHCTSDCTCBCTSHCTSDCTCB0．0630．0020．0770．1070．9570010010．060．0010．0690．1000．9610010010．060．0020．0740．1320．9440100010．0580．0020．0620．0820．9190010010．0750．0210．1370．2060．6181001000．0740．0200．1310．2010．6231001000．0710．0200．1200．2000．6301001000．0210．0030．2420．1080．8970000000．0240．0030．2490．1150．8960000000．0750．0040．3230．1330．6600100000．1740．0830．4960．2420．2411001000．1820．0970．5040．2940．2101001000．1870．1060．5110．3440．1931001000．1890．1080．5120．3840．1891001000．1010．0150．3750．1340．6150100100．1030．0130．3780．1240．6540100100．140．0420．4170．2800．4171001000．1370．0530．4140．3200．3751001000．0210．0010．1140．0640．9170010000．0090．0010．0560．0270．984000000

注:CTSH代表泥质充填;CTSD代表砂质充填;CTCB代表结晶碳酸盐岩充填。

4 结束语

碳酸盐岩储层复杂的储集空间类型和不同的缝洞充填物类型使其岩石物理响应特征极其复杂,导致测井储层评价的困难。为此,我们从缝洞充填物测井响应特征入手,优选测井敏感性参数,利用BP神经网络建立缝洞充填物类型识别的解释模型。BP神经网络具有较强的自适应性和抗干扰能力,样本的选取原则上无限制,可以利用一切可用信息,也无需事先建立任何理论模型,识别结果客观可靠。实际应用结果表明,本文方法与其它方法(如交会图法等)相比具有显著优势,大大提高了缝洞充填物的识别效果。

需要指出的是,基于BP神经网络的碳酸盐岩储层缝洞充填物识别方法的识别精度一定程度上受到样本层和敏感性参数的影响,为此,在提高神经网络模型识别精度方面,有3个方向值得进一步研究:①针对神经网络本身,对算法进行优化;②根据典型测井响应特征,优化样本的选取,提高样本的代表性;③改进当前测井方法和装备,获得识别能力更强的测井第一手资料。

[1] 谭廷栋.裂缝性油气藏测井解释模型与评价方法[M].北京:石油工业出版社,1987:2-5 Tan T D.Logging interpretation model and evaluation method of fractured reservoir[M].Beijing:Petroleum Industry Press,1987:2-5

[2] 李善军,肖永文,汪涵明,等.裂缝的双侧向测井响应的数学模型及裂缝孔隙度的定量解释[J].地球物理学报,1996,39(6):845-854 Li S J,Xiao Y W,Wang H M,et al.Mathematical model of the dual laterolog respons of the cracks and quantitative interpretation of fracture porosity[J].Chinese Journal Geophysics,1996,39(6):845-854

[3] 赵良孝.碳酸盐岩储层测井评价技术[M].北京:石油工业出版社,1994:85-90 Zhao L X.Technology of logging evaluation of carbonate reservoir[M].Beijing:Petroleum Industry Press,1994:85-90

[4] 蒋宗礼.人工神经网络导论[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

[5] 杨小明,刘瑞林.神经网络模型识别碳酸盐岩储层[J].内蒙古石油化工,2006,32(5):166-167 Yang X M,Liu R L.Using neural network model to identify carbonate reservoir[J].Inner Mongolia Petrochemical Industry,2006,32(5):166-167

[6] 张永军,程超,梁涛,等.基于BP神经网络的测井曲线构建[J].西部探矿工程,2006(2):82-85 Zhang Y J,Cheng C,Liang T,et al.Construction of well logging curve based on BP neural network[J].West-china Exploration Engineering,2006(2):82-85

[7] 崔小平.几种前馈型神经网络分类性能的比较分析研究[D].太原:中北大学,2011 Cui X P.Comparative analysis of the performance of Several type feed-forward neural network classification [D].Taiyuan:North University of China,2011

[8] 陈钢花,董维武.遗传神经网络在煤质测井评价中的应用[J].测井技术,2011,35(2):171-175. Chen G H,Dong W W.Application of genetic neural network to coal quality evaluation based on log data[J].Well Logging Technology,2011,35(2):171-175

[9] 郑聪斌,贾疏源.陕甘宁盆地中部奥陶系风化壳岩溶岩及岩溶相模式[J].中国岩溶,1997,16(4):351-361 Zheng C B,Jia S Y.The ordovician weathering crust karst rock and karst facies model in the middle of Weald basin[J].Carsologica Sinica,1997,16(4):351-361

[10] Loucks R G,Mescher P K,Mcmechan G A.Three-dimensional architecture of a coalesced collapsed-paleocave system in the Lower Ordovician Ellenburger Group central Texas[J].AAPG Bulletin,2004,88(5):545-564

[11] 徐微,蔡忠贤,贾振远,等.塔河油田奥陶系碳酸盐岩油藏溶洞充填物特征[J].现代地质,2010,24(2):287-293 Xu W,Cai Z X,Jia Z Y,et al.Characteristics of the cave fillings of ordovician carbonate reservoir in Tahe oilfield[J].Modern Geology,2010,24(2):287-293

[12] 钟广法,刘瑞林,柳建华,等.塔北隆起奥陶系古岩溶的电成像测井识别[J].天然气工业,2004,24(6):57-60 Zhong G F,Liu R L,Liu J H,et al.Identifying the paleocaves in Ordovician in tabei uplift by electro imaging logs[J].Natural Gas Industry,2004,24(6):57-60

[13] 王文博.塔中 45 井区奥陶系碳酸盐岩裂缝研究[D].西安:西安科技大学,2009 Wang W B.Study on Factures Base on Carbonate Reservoir in Ordovician in Tazhong-45 Area[D].Xi’an:Xi’an University of Science and Technology,2009

[14] 田飞,金强,李阳,等.塔河油田奥陶系缝洞型储层小型缝洞及其充填物测井识别[J].石油与天然气地质,2012,33(6):900-908 Tian F,Jin Q,Li Y,et al.Identification of small fracture-vugs and their fillings through log interpretation in fractured-vuggy Ordovician reservoirs in Tahe oilfield[J].Oil & Gas Geology,2012,33(6):900-908

[15] 杨坚,程倩,李江龙,等.塔里木盆地塔河4区缝洞型油藏井间连通程度[J].石油与天然气地质,2012,33(3):484-489 Yang J,Cheng Q,Li J L,et al.Interwell-connectivity analysis for fracture-vug reservoirs in the block-4 of Tahe oilfield,Tarim Basin[J].Oil & Gas Geology,2012,33(3):484-489

[16] 罗智,祁兴中,张贵斌,等.碳酸盐岩洞穴储层有效性评价方法研究[J].石油天然气学报,2010,32(4):92-96 Luo Z,Qi X Z,Zhang G B,et al.Study on effectiveness evaluation method of carbonate cave reservoir[J].Journal of Oil and Gas Technology,2010,32(4):92-96

[17] 胡向阳,李阳,权莲顺,等.碳酸盐岩缝洞型油藏三维地质建模方法——以塔河油田四区奥陶系油藏为例[J].石油与天然气地质,2013,34(3):383-387 Hu X Y,Li Y,Quan L S.Three-dimensional geological modeling of fractured-vuggy carbonate reservoirs:a case from the Ordovician reservoirs in Tahe-Ⅳ block,Tahe oilfield[J].Oil & Gas Geology,2013,34(3):383-387

[18] 王立静.塔河油田12区奥陶系碳酸盐岩溶洞发育特征[J].吐哈油气,2009(4):320-323 Wang L J.Characteristics of ordovician carbonate karst cave of 12 area in Tahe oilfield[J].Tuha Oil and Gas,2010,24(2):287-293

(编辑：朱文杰)

Logging identification method of fillings in fractures and caverns in carbonate reservoir based on BP neural network

Chen Ganghua1,Hu Cong1,Zeng Yali1,Ma Zhonggao2

(1.ChinaUniversityofPetroleum,Qingdao266580,China; 2.SinopecGeophysicalResearchInstitute,Nanjing211103,China)

Fractures and caverns are the mainly part of storage space and seepage channel of carbonate reservoir.The identification on fillings in fractures and caverns plays an important role in the evaluation of storage and seepage capacity of oil reservoir.BP neural network has advantages in solving non-linear problems between fillings and conventional logging responses.Therefore,combining imaging logging with core data,fillings in fractures and caverns in carbonate reservoir are divided into three types,including argillaceous filling,sand filling and crystallization carbonate filling.Five sensitive parameters are used for modeling,such as shale content,fracture porosity,neutron ratio,density ratio and deep lateral resistivity,and so on,which are extracted according to the characteristics of different fillings in the fractures and caverns.Moreover,BP neural network is utilized to establish the identification method for the fillings in fractures and caverns in carbonate reservoirs.The method has been applied to evaluate practical well logging data,and the prediction results is well coinciding with actual data.

carbonate reservoir,fillings in fractures and caverns,BP neural network,pattern recognition,sensitive parameters

2014-03-04;改回日期：2014-07-26。

陈钢花(1963—),女,教授,主要从事测井数据处理与综合解释方面的教学与科研工作。

国家重点基础研究发展计划(973计划)项目“碳酸盐岩缝洞型油藏缝洞单元地球物理表征研究”(2011CB201002)资助。

P631

A

1000-1441(2015)01-0099-06

10.3969/j.issn.1000-1441.2015.01.014