赵忠军，黄强东，石林辉，王宪文，单敬福

（1．中国石油长庆油田分公司苏里格气田研究中心，陕西 西安710018；2．低渗透油气田勘探开发国家工程实验室，陕西 西安710018；3．长江大学油气资源与勘探技术教育部重点实验室，湖北 武汉430100）

0 引 言

苏里格气田平面上显示为近南北向的条带状岩性圈闭气藏，主力含气层段为二叠系下石盒子组盒8段和山西组山1段。研究区位于鄂尔多斯盆地伊陕斜坡西部，岩性类型主要包括石英砂岩、岩屑石英砂岩和岩屑砂岩，属河流相－三角洲砂岩储层。作为苏里格气田的主力产气层，盒8段和山1段目前大部分尚处于开发评价阶段［1－2］。目的层段砂岩颗粒磨圆度中等，多呈次圆状，其次为次圆－次棱角状，具有中等的结构成熟度。杂基含量较低，以颗粒支撑为主，接触方式以点接触和点－线状接触为主，偶见杂基支撑结构，杂基含量也反映出有较高的结构成熟度。根据研究区取心井薄片资料分析统计，石英含量自西向东逐渐减少，岩屑含量则逐渐增多，这种变化规律在盒8段储层中表现尤为突出。苏西至苏东，盒8段储层石英含量由90．8%减少至79．1%；岩屑含量则有9．2%增至20．7%［3－9］。以往在岩性识别过程中，常规的测井识别方法岩性识别率偏低，为了提高岩性识别精度，本文提出了通过BP神经网络预测算进行岩性预测，取得了很好的效果。

1 岩心标定优选岩性敏感曲线

以薄片鉴定资料确定的地层岩性为基础，分别将自然伽马（GR）、补偿中子（CNL）和光电吸收截面指数（Pe）测井值进行相关性分析，以优选对岩性敏感的测井曲线。交会结果表明，自然伽马（GR）与光电吸收截面指数（Pe）对岩性较为敏感，且可以较好地区分英砂岩、岩屑石英砂岩、岩屑砂岩和泥岩这4类岩性，即石英砂岩、岩屑石英砂岩、岩屑砂岩和泥岩（见图1、表1）。

图1 GR与Pe交会图

表1 苏里格气田盒8、山1储层识别参数

2 BP神经网络岩性识别

2．1 曲线和对应岩性样本采集与归一化

收集GR、Pe曲线作为输入层的神经元，逐个读取所采集的样本，以获取曲线样本和目标岩性的对应关系。将曲线样本归一化后的数据作为输入层，输入前要对GR和Pe进行归一化处理［10－15］，其采用的归一化公式为

式中，ΔΦ为归一化的曲线值；Φ为任意曲线值；Φmax为最大曲线值；Φmin为最小曲线值。

2．2 样本学习正向传播计算各层神经元输出

将输入的样本向量加入到输入层，计算隐含层和输出层各单元输出，BP网络的正向学习过程见图2，输出结果为

式中，netk＝∑（Wjk·Oj＋Tk）为输出层获得的输入总和；Wjk为隐含层j神经元到输出层k神经元的权值；Oj为上一层即隐含层的输出；Tk为隐含层k神经元阈值为活化函数。

2．3 样本学习反向传播计算误差、修改权值和阈值

在网络学习（训练）中，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到想要的输出结果，就会立即转入反向传播程序，误差信号沿原来的路径返回，修改各层神经元中的权值，使得误差信号降到最小，逐层计算反传误差。样本学习反向传播流程见图3所示，权值网络统一调整公式为

式中，Wi（j＋1）为输入层i节点到隐含层j节点权值；Wij为输入层i节点到隐含层节点j处的权值；η为学习步长（默认η＝0．9，且η∈［0．7，0．9］）；δj为隐含层j节点的误差项；Ok为输出层k节点的输出；Oi为输入层i节点的输出；α为动量因子（默认α＝0．7，α∈［0．5－0．9］）。

图2 神经网络正向传播输出示意图

图3 神经网络反向传播计算误差、修改权值阈值示意图

计算输出层和隐含层单元的阈值T调整公式，隐含层（输出层）单元

式中，ΔTj为隐含层（输出层）j节点阈值；η为学习步长（默认η＝0．9，且η∈［0．7，0．9］）；δj为隐含层j节点的误差项。阈值调整公式为

式中，Tj＋1为隐含层j＋1点处的阈值；α为动量因子（默认α＝0．7，α∈［0．5－0．9］）；Tj为隐含层j点处的阈值；ΔTj＋1为隐含层j＋1点处的阈值调整量。

2．4 误差检测和学习次数控制

定义误差函数为

式中，E为学习过程误差计算结果；Ok为输出层k节点的输出；tk为输出层节点k所期望产生的响应；N为学习样本的个数（即行数，N∈［0，5000］）。网络迭代次数10000次，从第1次开始，每迭代1次，系统学习1次，然后修改权值和阈值，最后检查计算出的误差函数是否满足E≤0．0001。

（1）若在10000次以内，便有计算出的误差函数E≤0．0001，便跳出迭代，直接保存下最后一次计算得到的权值和阈值，若E≥0．0001再返回到步骤4再次迭代计算。

（2）若到10000次，仍然没有计算出的误差函数E≤0．0001，程序跳出迭代，保存下最后一次计算得到的权值和阈值。整个学习网络拓扑和学习方式流程图如图4所示。

图4 判别岩性类别的神经网络拓扑结构示意图

3 岩性识别结果与比较

苏里格气田苏东和苏西2个区块以往曾分别利用交会图和模糊数学岩性预测方法进行了实践与应用，结果岩性预测符合率偏低。通过引用BP神经网络算法，岩性预测结果显著提高。例如苏东、苏西地区盒8、山1段按交会图法识别符合率分别为60．71%和62．62%，按模糊数学法识别符合率分别为55．37%和56．08%，而按神经网络法识别符合率则分别达到了83．29%和85．67%（见表2、图5和图6）。显然，岩性识别结果表明，神经网络法和交会图法识别岩性效果最好。

图5 苏84井岩性识别成果图

图6 苏370井岩性识别成果图

表2 苏里格盒8和山1段储层岩性识别符合率

利用光电吸收截面指数（Pe）进行岩性识别时一定要注意适用性，不同研究区域测井曲线Pe对岩性的敏感程度是有差异的。如长庆油田苏里格气田敏感些，而有些地方可能就差些，如果盲目直接用该曲线参与BP神经网络进行岩性识别，会存在对岩性误判的可能。建议在使用该方法前，一定要对Pe测井曲线与岩性进行相关性进行分析，当相关性较高时，宜采用BP神经网络法对致密砂岩气藏储集层复杂岩性进行识别；对于研究区没有Pe测井曲线情况，建议综合采用其他判别方法，按识别符合率高低优选算法进行岩性识别。

4 结 论

（1）通过对岩性敏感曲线的优选、测井数据的标准化以及网络学习过程的控制，提高了神经网络预测岩性的精度，并建立了一套成熟的基于BP神经网络模型致密砂岩储层复杂岩性识别流程和方法，为后续储层和沉积相精细化研究提供了重要参考依据。

（2）通过与前期交会图和模糊数学岩性识别方法的对比，神经网络法应用效果较好，平均符合率达84．48%，这与选用对岩性差异反映较敏感的自然伽马（GR）和光电吸收截面指数（Pe）曲线有关，与之比较的模糊数学法岩性识别效果则欠佳，其平均符合率仅为55．73%。

［1］杨西燕，沈昭国，方少仙，等．鄂尔多斯盆地乌审旗气田中二叠统下石盒子组盒8段下亚段滩坝砂体沉积特征［J］．古地理学报，2007，9（2）：175－183．

［2］徐蒙，王家豪，徐东浩，等．苏里格气田苏120区块盒8段浅水辫状河三角洲砂体演化规律［J］沉积学报，2013，31（2）：340－349．

［3］刘建新，雍学善，吴会良，等．苏里格气田盒8段地震多技术储层沉积相研究［J］．岩性油气藏，2007，19（2）：80－83．

［4］刘行军，张吉，尤世梅．苏里格中部地区盒8段储层沉积相控测井解释分析［J］．测井技术，2008，32（3）：228－232．

［5］唐波．苏里格地区南部盒8段沉积相特征［J］．辽宁化工，2010，39（3）：324－328．

［6］郭小波，黄志龙，涂小仙，等．马朗凹陷芦草沟组致密储集层复杂岩性识别［J］．新疆石油地质，2013，34（6）：649－652．

［7］王俊怀，吴俊军，尹昌霞，等．准噶尔盆地东部阜东斜坡区侏罗系岩性圈闭识别［J］．岩性油气藏，2013，25（6）：62－66．

［8］陈新刚，张旭光．塔河油田三叠系中油组岩性圈闭识别研究［J］．新疆地质，2013，31（增刊2）：122－126．

［9］金剑，田淑芳，焦润成，等．基于地物光谱分析的WorldView－2数据岩性识别：以新疆乌鲁克萨依地区为例［J］．现代地质，2013，27（2）：489－496．

［10］刘明军．测井数据岩性识别软件系统的开发与应用［J］．地球物理学进展，2013，28（2）：908－913．

［11］杨辉，黄健全，胡雪涛，等．BP神经网络在致密砂岩气藏岩性识别中的应用［J］．油气地球物理，2013，11（1）：39－42．

［12］田玉昆，周辉，袁三一，等．基于马尔科夫随机场的岩性识别方法［J］．地球物理学报，2013，56（4）：1360－1368．

［13］刘爱疆，左烈，李景景，等．主成分分析法在碳酸盐岩岩性识别中的应用：以地区寒武系碳酸盐岩储层为例［J］．石油与天然气地质，2013，34（2）：192－196．

［14］崔琳，李秀芹，邢强．王家岗油田W块沙一段薄储层岩性识别方法和流体识别模式［J］．石油天然气学报，2013，35（8）：85－88．

［15］王宏波，姚军，李双文，等．利用对应分析法校正火成岩岩性识别图版：以黄骅凹陷为例［J］．天然气地球科学，2013，24（4）：719－724．