朱为赟 郝 翰 王志恒 白 泽 黄艳辉

安徽理工大学地球与环境学院 安徽淮南 232001

地球物理测井是通过分析一系列来自钻孔周围地层声、电和放射性等数据寻找地下油、气、水和矿产等自然资源的一种方法,也被称作地质学家的“眼睛”[1]。大量的勘探工作开发实践和理论性的研究证实:地下储集层的岩石物理学性质和测井响应之间存在非线性映射关系,基于理论分析和实验数据统计等方法很难构建准确的测井曲线和地层岩石物理参数之间的关系,亟须去寻找一种更加有效的测井储层评价方法,为地下能源与资源的勘探和开发提供新的技术及思路[2]。

目前,大数据挖掘技术发展迅速,可应用于储层评价、措施作业方式的优选、生产指标的预测以及故障诊断等方面。高翔指出大数据技术能够帮助油气田依据提取的数据和发布的正确信息为决策者提供及时和正确的决策,尤其是对一些测井响应关系特征不明显的复杂储层来说,如何利用数据挖掘技术有效地解决油田实际生产中存在的一些复杂问题具有重要意义[3]。袁凯涛等基于数据挖掘提升水质达标率、水驱动用程度以及水淹井综合利用率,获取了满意的治理效果[4]。苗涛等利用数据挖掘算法计算出各个敏感参数并建立岩性识别图版,有效提升了岩性识别精度[5]。谷建伟等基于数据挖掘技术提出利用长短期记忆网络(LSTM)深度学习模型,实现具有长期记忆能力的时间序列预测,可以准确预测油井产量,在石油方面的应用研究具有重要意义[6]。

为此,本研究采用集成的思想,即将几种不同的专家神经网络方法按照加权平均的规则组装在一起,形成一种复合的神经网络预测模型,从而能够将各种单一训练模型的优点综合利用起来进行储层评价,以提高神经网络技术的泛化能力和对复杂储层参数的预测精度。

一、方法原理

针对致密储层参数预测的需要,选用BP神经网络、支持向量机(SVM)神经网络和径向基函数(RBF)神经网络构建一种复合神经网络储层参数预测的方法,即根据几种网络模型预测结果的平均相对误差作为计算权重,采用加权平均方法对单一模型预测结果进行复合来得到最终的储层孔隙度、渗透率和饱和度参数预测结果(如下图)。

复合神经网络模型预测储层参数流程图

具体的实现流程说明如下:

(一)输入数据集的确定

根据预测储层参数类型,选择与之相关性较好的测井曲线数据作为输入。对于储层孔隙度和渗透率参数的预测,选取的测井曲线数据包括电阻率(RT)、密度(DEN)、声波时差(AC)、中子孔隙度(CNL)、自然伽马(GR)和自然电位(SP)测井曲线。而对于饱和度参数的预测,除上述曲线外,在进行饱和度模型训练时还额外加入了全烃录井曲线(QT)。

(二)数据归一化处理

由于输入的测井曲线数据具有不同的物理意义和不同的量纲及数量级,直接进行训练容易由于奇异样本的存在而导致数据无法收敛,同时还会引起训练时间增大。归一化处理就是要把需要处理的数据经过处理后(通过某种算法)限制在需要的一定范围内。数据归一化处理首先是为了后面数据处理的方便,其次是保证程序运行时收敛加快。因此,在各神经网络训练前需要对原始数据进行归一化处理。本文选择的归一化方法是MATLAB归一化工具包中的mapminmax函数,其归一化公式为:

(1)

(三)单一神经网络模型平均相对误差和权重的计算

(2)

利用模型预测误差的好坏来确定单一模型的权重,即预测结果精度较高的模型赋予更大的权重。单一网络模型权重的计算公式为:

(3)

式中,wi是第i种神经网络的权重;|ei|为第i种神经网络模型预测结果的平均相对误差的绝对值;n代表选择的神经网络个数,本文n=3。

基于单一模型对不同储层参数的训练结果,计算得到的各个模型的平均相对误差绝对值与复合预测权重值见表1。

表1 模型预测值平均相对误差与复合预测权重数值表

(四)复合神经网络储层预测

复合神经网络预测模型是对各个单一神经网络模型预测结果取加权平均值作为最终的预测结果,因此复合神经网络预测模型的最终表达式为:

(4)

二、模型应用效果与分析

为了分析上述所建立的复合网络模型的预测效果,分别利用上面三种神经网络模型和复合网络模型对额外的10组测井曲线数据进行预测。表2是不同模型预测结果与对应岩心分析数据的对比情况,可以看出,BP神经网络模型预测的孔隙度、渗透率和含水饱和度的平均相对误差分别为0.152、0.354和0.259;SVM神经网络模型预测的孔隙度、渗透率和含水饱和度的平均相对误差分别为0.131、0.413和0.301;RBF神经网络模型预测的孔隙度、渗透率和含水饱和度的平均相对误差分别为0.112、0.305和0.235;复合神经网络模型预测的孔隙度、渗透率和含水饱和度的平均相对误差分别为0.108、0.299和0.184,这证实了利用复合神经网络模型预测得到的储层参数结果的平均相对误差均小于各单一神经网络模型的预测结果,表明基于加权平均策略建立起来的复合神经网络模型用于致密砂岩储层的参数预测是合理和可行的。

表2 不同模型对储层参数的预测结果及其比较

三、结论

(1)复合神经网络将多个智能系统结合在一起,能够综合利用各种训练模型的优点,既考虑了不同专家网络预测的结果,又体现了多种网络模型的有机结合,能够有效弥补单一神经网络参数预测的不足和局限性,从而提高预测的精度。因此复合神经网络模型构建的思路和理论是可行和有效的,能够为复杂储层的测井解释和评价工作提供一定的技术支持。

(2)从应用效果来看,利用构建的复合神经网络模型对储层孔隙度、渗透率及饱和度参数的预测效果整体还是不错的,其计算结果均比单个专家神经网络模型的效果要好,精度更高,具备较好的推广和实际应用价值。

(3)不同的专家神经网络模型在不同地区的应用效果也存在差异,即同一种神经网络模型不一定适用于所有区域。因此,针对不同地区的储层特点,应该选择更加适合于预测参数的训练数据集作为输入,同时应选择精度更高、效果更好的专家神经网络来组装更优秀的复合神经网络模型,这将有助于进一步提高对储层的评价效果。