胡 泊，李 锋，程光瑾，王 亮，童守强

（1.玉门油田分公司勘探开发研究院，甘肃酒泉 735019；2.玉门油田环庆分公司，甘肃庆阳 745700）

岩性识别是油藏描述中不可或缺的一部分，尤其在建模过程中，岩性模型更是不可缺少，不仅对后续孔隙度和渗透率模型起约束作用，还直接影响模型储量的大小。传统的岩性识别方法主要是人工拟合法，该方法不仅工作量大且常常依赖于操作人员的地质经验和工作熟练程度，解释结果好坏因人而异。为了提高解释精度，采用一种依靠计算机自动识别岩性的方法成为地球物理学家的迫切要求，因此提出了应用人工神经网络法进行岩性识别工作。在岩性识别过程中，神经网络对样本有较强的学习能力，克服了以往人工统计法的缺陷，具有识别工作量小、解释结果精度高等特点[1-3]。

1 神经网络概述

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型，通过模仿大脑的处理信息原理对外部刺激做出反应。网络系统可分为三个阶段，首先对事物进行感知，然后通过网络传播激活或抑制神经元，最后做出反应。其本身是一种计算模型，由大量的神经元节点组成。每个节点均代表一个人为指定的输入函数，简称激活函数。每两个节点之间的链接均有权重，相当于给神经网络赋予记忆功能。人工神经网络技术多用在函数逼近、某种无法进行精确描述的算法的实现、逻辑策略表达等方面。能完成记忆、理解、学习、推理、判断以及控制等复杂的工作。

神经网络模型主要分为三个组成部分，每个神经元模型是由与输入链接的处理单元和单个输出组成。神经元输入xi的信号流向是单向的，神经元输出信号流也是如此。

用数学公式表达为：

其中：x1，x2...xp为输入信号，wk1，wk2...wkp为神经元k 的权值，uk为线性组合结果，φ（·）为激活函数，yk为神经元k 的输入值。

2 实例应用

2.1 模型基本情况

文章建模用到的实例为一背斜构造油藏，储层厚度大，物性好且边底水发育。本次建模平面网格为20 m×20 m，纵向网格0.5 m，共计501 923 个网格，模型纵向划分6 个含油小层。

2.2 岩相划分

建模过程中需要建立区块的岩性模型，用来约束孔隙度、渗透率模型以及控制最终模型地质储量。一般建模常用方法是通过设置泥质含量曲线门限值来区分岩性，但是这种单一的属性对储层岩性反映往往有偏差，且很难确定合理的门限值，导致计算结果不准确，降低了模型的精度。因此本文建模采用神经网络技术以多种测井资料数据作为输入值进行模糊聚类和预测估算。

区块所获取井资料有GR、NPHI、PERM、POR、SP、SW、VSH 和RHOB 共八种，通过数据之间的相关性分析，对曲线进行优选和剔除，得到神经网络输入参数（见表1）。

分析结果显示，POR（0.967 9）、PERM（0.967 6）、VSH（0.949 7）和GR（0.808 7）四个数据和其他数据之间具有较强的相关性，因此该四项数据具有一定代表性，可作为输入参数。其中POR、PERM 和VSH 三项数据两两之间呈现出较高的相关性，表明它们之间具有相同的数据来源，选其一作为输入参数即可，因此最终确定POR 和GR 作为输入项。建立神经网络模型，设置神经网络输入层神经元为2，输出层神经元个数也为2，最大迭代次数为20，误差控制范围5%（见图1）。

图1 神经网络岩性判别结构框图

表1 井数据相关性表

计算求解，并与常规人工岩性识别结果进行对比（见图2）。

图2 岩性计算结果对比图

图2 中可以看出，两种方法岩性计算结果基本相似（左侧为常规方法计算结果，右侧为神经网络方法计算结果），差距不超过10 %。常规方法计算得到砂泥含量分别为28 %和72 %，神经网络模型计算得到的砂泥含量分别为31 %和69 %，神经网络模型计算出的砂泥比略微偏高，但整体纵向分布大致相同。

2.3 储量计算

在相同的差值算法下依次建立出孔隙度模型和净毛比模型，设置地层物性参数并求解模型地质储量（见表2、表3）。

表2 常规方法模型储量误差表

表3 神经网络方法模型储量误差表

岩性模型对孔隙度模型和净毛比模型都有一定的影响，在一定程度上决定了模型储量的大小。储量结果对比来看，通过神经网络技术建立的岩性模型对于最终储量的计算误差更小，无论小层储量还是总体储量都接近真实储量，证实了神经网络模型对于岩性分类的计算较常规方法更为准确。

3 结论

（1）神经网络方法没有严格的数学推导，但从实用性方面来说，由于其模拟了人类等生物的思维判断方式，在样品之间关系非常模糊的情况下，有着明显的识别优势。本文通过神经网络模型计算的岩性结果与常规方法计算得到的岩性结果基本相似，误差不超过百分之十，该方法操作简单，计算速度快，不需要太多经验就能通过人工智能方法高效完成岩性识别，具有一定的实际应用价值。

（2）从预测结果可以看出，利用神经网络对储层岩性的计算结果更加准确，通过模型储量误差对比，发现该方法减少了3.5 %的误差，证实了神经网络的可靠性和精确性，让分类变得简单智能化。