张方方

摘要：随着我国对油田行业的不断勘探和钻井新工艺的应用，在钻井的过程中会遇到复杂的岩层，岩屑细小等问题，传统的录井识别已经无法满足常规的岩性识别，给岩性识别带来了挑战，在元素录井数据标准化的基础上，利用BP神经网络的元素来进行构建录井岩性识别方法，可以帮助提高岩性识别的准确度，说明该方法对提高录井岩性识别有着较好的效果。

关键词：神经网络的元素;录井岩性;识别方法

在油气钻井过程中需要保证施工参数、钻井安全，提高油气勘探的效率。地层岩性识别技术是油气钻井工程中一项重要的内容，目前所采用的传统岩性识别方法主要是通过人工或者简单的光学仪器观察岩屑的组成成分，但是这种方法在使用的过程中会存在着一些差异，对于样品的定义或者特征描述会出现差错，甚至会对地层岩性造成错误理解。因此需要更为先进的录井技术。元素录井是一种比较先进的技术，通过人工神经网络方法，可以对元素录井进行岩性识别，提高复杂岩性识别的准确率。

1元素录井的原理及方法

对于岩性元素的成分分析的X射线荧光分析仪主要分为两种，分别为波长色散型和能量色散型。其中波长色散型分析仪是利用多个衍射晶体对各种岩石元素的特征进行波长分析，可以对元素进行全方位的测量。而能量色散型分析仪其主要的作用是一个探测仪器，可以测量所有能量的X射线，在进行实验的过程中，需要将岩石样品的X射线能量和强度激发出来，就可以进行元素测量。

元素录井的样品主要为从油气钻井中所采取的岩屑，利用X射线对这些样品进行分析获得的元素信息主要包括谱图信息和元素含量信息。在谱图信息中不同元素的电子跃迁能力会有所不同，谱图信息中的横坐标位置也会出现变化。从元素含量信息中可知X射线强度与岩屑中元素含量呈正相关系，因此可以通过数学运算得出元素含量数据。

2元素含量与岩性的关系

2.1元素含量与矿物含量

岩石的主要成分为矿物，不同岩性的岩石所含有的矿物成分和含量不同，油气田地层中常见的岩石为石英、石灰岩、白云岩、钾长石、高岭石、云母等。不同的岩石所含有的元素也会有所不同，相反通过元素也可以判断出地层中的岩性。

元素录井主要是利用XRF进行岩屑分析，从而得出岩屑中元素的含量，通过对元素的分析，可以反映出油气田地层中所含有的主要元素，因此当矿物的化学成分比较稳定时，说明矿物元素含量也会保持稳定。

2.2元素含量与测井曲线的相关性

测井是油气田开采中一种常见的勘探技术，对岩性和储存物性都有着合理的解释方法。在元素录井过程中需要加强元素含量和测井数据之间的联系，利用测井数据来对元素录井中各部分数据提供合理的依据，可以帮助提高元素录井的准确性，为岩性的判别增添了新的技术手段，促进元素录井技术在油气田中的应用。

2.3不同岩性的XRF谱图特征

元素录井主要是利用XRF进行岩屑分析，利用对谱图的处理来得到地层中各元素的含量，不同的岩性在进行分析时会出现不同的差异，但是会存在一定的规律性，岩性相同的谱图具有相似特征，利用这一特性可以对不同地层的谱图进行对比分析，有利于地层岩性的判断，推动油气田的勘探工作。

3神经网络方法

3.1神经网络处理方法的原理

神经網络处理单元和大脑中枢神经细胞结构有着类似的节点，这些节点会通过不同的强度进行互相连接，每当神经网络处理单元进行操作时，都会对这些信号乘以一个权值。用神经网络岩性识别模型的方法主要是利用岩性资料和测井相应值进行网络设计、网络学习等环节所得出的模型，在利用神经网络模型进行岩性识别。

3.2神经网络结构的设计

针对现有的神经网络算法进行分析，使用最为广泛的算法就是误差反向传播。反向传播主要由两个方面为信息前馈和误差反向传播，其主要的原理就是调节各层的权值进行网络学习，并把所得到的学习样本集进行组合。

对于输入向量可以采用测井曲线形态特征，用已知相对应的岩性来作为输出向量。通过多个对比样本进行分析，建立起与地质状况相对应的测井特征，通过这样的方法可以得知神经网络是一个非线性系统，可以把具有多个分量的测井曲线转换成一个输出矢量。将神经网络调整好后，就可以依靠其它地层信息曲线确定岩性。

3.3BP神经网络在元素录井岩性识别中的应用

人工神经网络的样本学习能力非常强，具有很强的自组织、自适应、容错率低等特点，克服了传统方法的缺陷，对岩性识别结果的准确率比较高。元素录井测量数据种类比较多样化，并且地层中的岩性变化情况也比较复杂，通过人工神经网络的建立，可以帮助元素变化和岩性变化之间建立一定的关联性，对元素录井元素进行快速划分，从而提高了油气田现场岩性识别的准确率和高效性。

BP神经网络是一种常用的人工神经网络方式，BP神经网络可以在已知学习样本数据的基础上，根据反方向传播原理可以构建成网络训练模式，这种训练模式的过程可以分为两种情况，一种为正向训练，另外一种则为反向训练。在正向训练的过程中，信号从输入层进入，然后会从输出层输出，如果在输出层得不到所要求的数值，就会进行反向训练。在反向训练的过程中，误差信号会根据输入途径进行原路返回，然后通过自身的模型数值对各层神经元的权值进行修改，在最大程度上降低误差信号。

4结束语

通过对元素录井数据进行相关处理以后，消除了仪器刻度、测量环境等对元素录井数据的影响，可以帮助井间同类元素具有横向对比性。利用神经网络来进行的元素录井识别，方法比较简单，而且准确率高。相比较一些传统的录井方法，神经网络可以按照自身的样本进行自动识别模式，为测井提供了一个全新的方法，在油气资源开发方面的具有非常重要的意义。

参考文献

[1]孟耀华，尚廷义，王兵.样条过程神经元网络在测井岩性识别中的应用研究[J].电子测试，2009（06）：4-8.

[2]陈袁，鲜让之，吴德顺，周飞，陈丽群.基于PCA-RBF神经网络的新型录井岩性识别方法[J].四川地质学报，2016，v.36;No.125（01）：15 8-162+167.

[3]赵杰，李春华.基于神经网络的两种岩性识别方法的研究[J].《现代电子技术》（23期）：136-138.