BP神經網絡在砂巖儲層流體識別中的應用

摘 要：莫北地區侏羅紀三工河組，巖性主要是中、細砂巖，屬低孔低滲儲層，所以儲層流體性質的識別是該地區急需解決的問題。針對常規測井儲層識別準確率不佳的情況，提出了Bp神經網絡這種數學方法進行儲層的油、氣、水、干層的識別。提出43個試油層段的測井曲線特征值，以對流體性質敏感并且在交會圖上具有比較明顯區分度的密度值（DEN）、孔隙度（POR）、電阻率值（RT）和含水飽和度值（SW）作為輸入向量，經程序訓練判別準確率達到滿足的要求后根據得到的權值、閾值編寫神經網絡預測的程序掛接在測井解釋軟件中，從而實現了Bp神經網絡在儲層中的自動化識別。

關鍵詞：Bp神經網絡 流體識別 測井解釋

中圖分類號：P631.8 文獻標識碼：A 文章編號：1672-3791（2013）02（b）-0011-02

1 BP神經網絡基本原理

1.2 BP神經網絡構造

根據與儲層特征相關的測井響應值本文采用4-10-5的神經網絡結構，即輸入層采用4個節點對應的是4種測井響應值，單隱含層采用10個節點，輸出層為4個節點對應的是4種儲層類別，分別對應是油層、油水同層、水層、干層并且依次表示為1類、2類、3類、4類，用數字0與1代表其屬性，油層表示為[1，0，0，0]，油水同層表示為[0，1，0，0]，水層表示為[0，0，1，0]，干層表示為[0，0，0，1]。隨機初始化神經網絡權值和閾值，然后根據誤差反饋不斷的調整權值閾值。其中隱含層節點數和迭代資料的選擇是在Matlab中用數據反復演練，直到得出能夠滿足實際儲層解釋判斷正確率后得出的準確值。本文中采用附加動量方法算法網絡進行網絡收斂彌補神經網絡算法的不足，使其學習過程收斂加快。網絡實際輸出是一個四維向量，其數值在0和1之間，我們取向量中最接近1所在的數組編號作為類別的輸出。

2 BP神經網絡實際應用

2.1 建立模型

網絡訓練樣本設計的好壞，是直接關系到網絡識別儲層準確率的一個關鍵環節。訓練樣本由輸入值和期望輸出值兩部分構成，如果訓練樣本任何一部分存在問題，首先會導致網絡不易收斂，計算精度較低，從而影響識別儲層的準確率。有時訓練樣本設置和實際情況相矛盾，如對同一輸入值，可能給出不同的期望輸出值。如何合理的確定訓練樣本的輸入值和期望輸出值就顯得尤為重要。

儲層類型與含油性、孔隙度有密切的關系。因此可選擇對流體性質敏感并且在交會圖上具有比較明顯區分度的與物性相關的密度值（DEN）、孔隙度（POR）、與含油性相關的電阻率值（RT）和含水飽和度值（SW）4個參數將其歸一化后作為輸入神經元；以儲層類型決策向量作為輸出神經元。

對三工河組6口井43個試油樣點取其層段平均值，將取值向量作為輸入向量。首先對輸入變量統一進行歸一化處理，在此基礎上對樣本采用隨機選樣，用43個樣本建立模型進行回判，網絡輸入變量為密度相對值（DEN）、孔隙度相對值（POR）、電阻率值相對值（RT）；輸出變量為油層、油水同層、水層、干層。采用1個隱含層，隱含層節點單元有10個，在訓練過程中，取網絡學習率0.3，誤差0.0001，網絡迭代次數1000。

些網絡模型效果較好，油層，油水同層、水層、干層識別正確率分別為0.86，0.90，0.87，0.82，滿足油田需要。

2.2 儲層預測驗證

根據訓練得出的權值、閥值編寫Forrtan程序，并將此程序加載到Forward軟件中分層段處理井。將其處理其它未知層位的井，然后將處理結果與該井中的試油結果相對比查看其運用效果的好壞（表1）。

從（表1）中可以看出用神經網絡預測儲層流體性質基本與試油結果基本符合，A4井4270～4273.2（m）中試油結果為油水同層，神經網絡判別結果與試油結果相同，而測井解釋結果為油層；其它幾個井中神經網絡判別結果與試油結果基本相符合，從中可見上述數學方法在油水層判別中運用效果較好。

3 結語

三工河組儲層為中、細砂巖為主的低孔低滲砂巖，流體性質的識別是測井解釋中不可缺少的一部分。測井曲線值對不同類型流體變化波動微小，常規方法在測井解釋中不能起到理想的預期效果，所以本文提出了Bp神經網絡這種模式識別的方法運用在流體識別中。

Bp神經網絡方法是以自身特有的樣本學習能力獲得識別模式。它具有自組織、自學習、自適應容錯及搞干擾能力；具有自動學習的特點，不需要事先建立任何理論模型，只需要騎過對已有的樣本學習，自適應地建立測井響應與儲層參數的映射關系[5]，它在石油測井解釋中的應用說明了不同領域知識的融合、交叉。

在實際運用中，對其它待處理的井經過該方法處理后與這些井的試油結果相對比，我們發現經過Bp神經網絡流體判別后的結果與試油結果基本相符合，這也證明了該方法在實際運用中的可靠、準確性。

參考文獻

[1] 史峰，王小川，郁磊.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010：1-30.

[2] 焦李成.神經網絡的應用與實現[M].哈爾濱：哈爾濱工業大學出版社，1998：50-111.

[3] 雍世和，張超謨.測井數據與處理與綜合解釋[M].北京：石油大學出版社，1996.

[4] 楊斌，肖慈詢.基于神經模糊系統的領導參數反演[J].石油與天然氣地質，2000，21（2）：173-175.

[5] 鄒瑋，李瑞.BP神經網絡在致密砂巖儲層測井識別中的應用[J].勘探地球物理進展，2006，14（2）：24-27.