神經網絡技術在錄井參數解釋中的應用

單元偉

摘 要： 近年來，隨著計算機技術的飛速發展，涌現出許多新方法新技術，人工神經網絡技術就是其中之一。神經網絡模型的語言識別、圖像處理等方面獲得了有價值的應用和進展，其研究成果也很快被引入到油氣田勘探開發領域，其中包括資料的處理及解釋。將計算機神經網絡技術應用于錄井行業，處理受鉆井條件影響大、地質條件復雜，油氣水層識別有一定困難的錄井資料解釋中，已成為目前國內錄井行業探索的一個方向。

關鍵詞： 神經網絡； 氣測錄井； 油氣層識別； BP算法

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）04?0021?04

Application of neural network technology in interpretation of well logging parameters

SHAN Yuan?wei1，2

（1. Xian Resesrch Institute Co.， Ltd of China Coal Technology & Engineering Group Corp， Xian 710054， China；

2.Xian University of Science and Technology， Xian 710054， China）

Abstract：Artificial neural network technology is one of the new methods and technologies springing up along with the rapid development of computer technology in recent years. Valuable application and progress of neural network model have been achieved in the fields of speech reorganization and image processing. Its research findings have been introduced to the oil and gas field exploration and development， including the processing and interpretation of documents. It has become a new direction of domestic investigation in well logging to apply the artificial neural network technology to the logging of well. It is capable of processing and explaining well logging documents collected from the wells which are greatly influenced by the condition of well drilling， located in complicated geological conditions， and are difficult in oil?gas?water layers identification.

Keywords： neural network； gas well logging； oil layer identification； BP algorithm

0 引 言

在對氣測錄井檢測評價油氣儲層技術的研究中，錄井作為一種直接手段，在我國石油勘探中發揮著重要的作用，為油田的發現和發展做出了重要貢獻。隨著錄井技術的不斷發展，錄井解釋評價方法也在不斷進步，如三角圖版法和3H比值法改變了早期的定性解釋評價方法[1]、由于定性解釋評價受人為因素影響很大，雖然這些方法是不錯的有效方法，但在使用過程中并非完美。比如在同一油氣區使用這兩種解釋方法總結出的數據不一定復合[2]。因此，為了進一步發現新油層，擴大地質儲量，要求用更先進的錄井解釋配套技術來提高油氣層發現率，滿足油田勘探開發的需要。

基于神經網絡的信號濾波、譜估計、信號檢測、系統識別等技術[3]，在自動控制、石油勘探、機器人、通信、雷達等領域有著廣泛的應用。神經網絡主要有以下四種基本模型，即Hopfield神經網絡、多層感知器、自組織神經網絡和概率神經網絡[4]。本文章涉及的神經網絡是多層感知器。應用該技術進行油氣層識別，目前已有成功的范例。

1 神經網絡基本原理

多層感知器是最常用的一種神經網絡。它由一個輸入層、幾個隱含層和一個輸出層組成，每個層都由多個神經元組成，神經元的輸入通過傳遞函數輸出，各個層上的神經元用權值相互連接，構成網絡系統[5]，如圖1所示。

多層感知器屬于映射型神經網絡。它的信息處理功能實際上是把N0維歐幾里德空間中的子空間A映射成Nm維歐幾里德空間中的子空間f（A），如圖2所示。比如，把輸入樣本（錄井、測井數據）通過復雜的數學變換關系變換成輸出樣本[6]。

三層感知器是目前應用較多的一種，是一種典型的前神經饋網絡，理論上也較為成熟[7]。它由輸出層、隱含層、輸出層組成，第k層的神經元Y（k）應具有下列輸入/輸出關系：

[Y（k）=f（W（k-1））×Y（k-1）-θ（k））] （1）

式中：f（·）為神經元的傳遞函數，[f（x）=1（1+e-（x-θ））]；W（K-1）為神經元之間的連接強度；q（k） 為對應神經元的閾值。

利用式（1）可以求出網絡總輸入與總輸出的關系。實際上，代表輸入/輸出關系的有關信息主要分布在神經元之間的連接強度上，即不同的連接強度反映著不同的輸入/輸出關系[8]。

圖1 神經網絡示意圖

圖2 輸入與輸出的映射關系

可以證明，對于三層感知器，存在這種映射關系：

定理1 對于[?]e>0和任意的L2函數f：[0，1][N0][?RN0][→RNm]，總存在著一個三層感知器，使得感知器完成的映射與f的均方差小于e。

定理2 隱層神經元數目為2N0+1的三層感知器可以精確實現任意的連續映射f：[0，1][N0][?][RN0→RNm]（Kolmogorov定理）。

第一個定理證明，對于三層感知器，在[0，1]范圍內的輸入/輸出樣本，一定存在一種關系，使輸出的樣本與預期的結論可以逼近；第二個定理進一步證明對于隱含層為奇數（2N+1）的三層感知器，可以實現定理一的效果。這樣問題就歸結為尋找隱含層為奇數的三層感知器的連接權值（強度）上[9]。

在研究中，已知的是A[?][0，1]中若干個錄井參數樣本集[Y01，Y02，…，Y0I]和試油結論樣本集[YM1，YM2，…，YMI]，而非準確知道映射關系f。此時，網絡的連結權值W可通過求解下列優化問題學習得到：

[minWIYMI-YmI2] （2）

式中[YmI]為式（1）計算的理論值。

所謂的權值學習，就是不斷地調整W，使[YMI]與[YmI]的空間距離最小，以期最終的W所確定的網絡能在最小二乘意義上逼近所對應的映象關系f。

2 數據處理

2.1 數據規一化

在進行神經網絡訓練之前，要對原始樣本數據進行歸一化處理，以保證樣本矢量空間在[0，1]范圍內，采用的公式是：

[Y=（X-Xmin）（Xmax-Xmin）] （3）

式中：Y為處理結果；X為輸入數據；Xmin為輸入數據最小值；Xmax輸入數據最大值。

2.2 數據編碼

對數據進行分類編碼是神經網絡識別系統常用的一種方法，它可以加快神經網絡的收斂速度[10]。采用了231個層位的20多項泥漿錄井參數，經過試驗性訓練，從中篩選了15項對輸出貢獻較大的參數，并依據統計規律進行了數據編碼，做為網絡的輸入（樣本參數編碼方案見表1）；輸出樣本（試油結論）的編碼是以試油日產液量為依據，并根據地質勘探公司《探井解釋符合率統計規范》和錄井公司《綜合錄井文件匯編》中對地層流體性質的定義（見表2、表3），給出了6個編碼結論（見表4），作為網絡的輸出。

3 應用實例

持水率試驗中持水率（S）是采油過程的一項重要參數。它是含水（W）和流量（L）的函數：S=F（L，W）。通常是固定流量數據，使持水率成為含水的一元函數，做出一組持水率?含水關系曲線圖板，通過人工查找持水率?含水關系曲線圖板（它由是一組曲線組成）求持水率。為了求出連續的流量對持水率的影響，我們使用138組樣本數據（含水、流量、持水率）對神經網絡進行訓練。

對原始數據用式（3）進行歸一化，產生138組樣本數據，利用這些樣本數據對神經網絡進行訓練，經過20 000次訓練學習以后，神經網絡的輸出持水率與實測持水率關系曲線如圖3所示，可以看出，理論數據已趨向實測數據。

表1 輸入數據編碼

表2 工業油氣流標準

表3 干層產液量標準

表4 輸出樣本編碼

圖3 網絡的輸出與實測數據關系曲線

將231個層位的錄井參數作為訓練樣本，這些參數包括井名（地區）、井深、巖性、C1、C1P、C2、C2P、C3、C3P、IC4、IC4P、IC5、NC5，對這些參數進行編碼后形成28個神經元（見表1），將它們做為網絡輸入樣本參數；輸出樣本是根據油、氣、水的日產液量（試油結論），分類為油層、油水同層、差油層、差油水層、水層、致密層，編碼后形成三個神元（見表4），做為網絡的輸出樣本參數；利用三層神經網絡，分別設定隱含層為1，3，5，…，19，21，…，51，進行訓練學習，檢驗其收斂性，如圖4所示。從圖4明顯可以看出，在隱含層為19、21個神經元時，神經網絡收斂最快。

圖4 隱含層與網絡收斂的關系

采用21個隱含神經元對231組樣本進行訓練學習，共訓練7晝夜，當誤差小于0.2時，訓練學習結束，其連接權值如圖5所示。其中第1～28列表示輸入層上每個神經元與隱含層神經元（第29列）的連接權值，第29列是隱含層神經元的序號，第Y1，Y2，Y3列表示從隱含層神經元到輸出層神經元的權值。從圖5中看出，權值分布并不均勻，有強有弱，它就是我們要求的映射關系。從權值分布圖圖6上可以更清楚看到這一點，權值明顯收斂在6個區間內，并且它們的值有高有低。這可能和輸出的6種結論（油層、油水同層、差油層、差油水層、水層、干層），以及它們的訓練強度（次數）有關。

圖5 網絡權值表

圖6 神經網絡分布區域圖

本次試驗平均回判率為84.8%，其詳細統計分析數據見表5。

表5 231組樣本回判率分析表

本次試驗的231組樣本數據分類（根據試油數據，分成油層、油水同層、差油層、差油水層、水層、致密層6類）比重（各種類型所占的比例）不均勻，對我們的訓練結果產生了一定的影響。占分類比重大的回判率高，否則較低（見表5）。對油層的識別率為87.9（占28.6），對水層的識別率為94.3（占38.1），如表5所示。因此神經網絡訓練樣本的分類比重最好均勻一些。

在試驗過程中，發現井名對回判結果也有較大的影響。分析原因是它含有地區信息，將含有地區信息的井名作為一項參數，編碼后一同參與訓練，并獲得了較好的效果，解釋符合率提高了10～20個百分點。

用13個層位的新井數據進行試解釋，成果見表6；其中第10層是趙117井在深度為2 940 m左右，試油是水層，網絡解釋是油層，它的錄井參數為 鉆時：10 min、C1：8.9%，C2：0.8%，C3：0.644，IC4：0.154，NC4：0.242%，IC5：0.15，NC5：0.023。從參數上可以看出，重組份含量較高，計算氣油比值為119，可能為重質油或水淹層，應進一步從地質、錄井、電測、試油等資料上查找原因（這次的網絡識別試驗沒有用到電測資料）；第5，13號層情況與第10號層都類似，提醒在老井復查時注意這些情況。本次解釋，油層解釋符合率為100%，水層解釋符合率是60%，綜合解釋率為76.9%。由于解釋樣本太少（共13層），這不能完全代表本神經網絡的解釋精度。

表6 解釋結論統計表

4 結 語

近年來，在測井和地震勘探領域，都在油氣藏描術方面做過大量的研究工作，認為錄井行業對油氣藏描術最有發言權。因為有大量的第一手資料（地質的、氣測的和化驗分析的），而且由于專業的性質，所采用觀測手段比其他的（測井的和地震的）更直接。利用這些資料，采用神經網絡的方法，去描述油藏的（或油層、或油柱）含油性、物性、壓力、產能，在技術上是可行的。

參考文獻

[1] 蔣宗禮.人工網絡神經導論[M].北京：高等教育出版社，2001.

[2] 宋宜樹.神經網絡在錄井氣測中的應用[J].西部探礦工程，2005（11）：94?95.

[3] 曹義親，柳健，彭復員.BP網絡在錄井氣測解釋中的應用[J].華東交通大學學報，1996（2）：46?49.

[4] 孫開瓊，周云才.改進的神經網絡算法及其在油層識別中的應用[J].石油機械，2004（3）：28?30.

[5] 陳遵德，朱廣生.Kohonen網絡在油氣層橫向預測中的應用[J].石油物探，1995（2）：53?56.

[6] 彭復員，劉洪，柳健.遙感圖象分類神經網絡結構優化及學習算法改進[M].武漢：華中理工大學出版社，1994.

[7] 湯新梁.自由手寫體數字識別的神經網絡方法[J].東南大學學報，1991（5）：61?63.

[8] 胡守仁.神經網絡應用技術[M].長沙：國防科技大學出版社，1993.

[9] 何小榮，陳丙珍，胡山鷹，等.一種新的BP神經網絡培訓方法[J].化工學報，1994（5）：573?579.

[10] 焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1991.

在試驗過程中，發現井名對回判結果也有較大的影響。分析原因是它含有地區信息，將含有地區信息的井名作為一項參數，編碼后一同參與訓練，并獲得了較好的效果，解釋符合率提高了10～20個百分點。

用13個層位的新井數據進行試解釋，成果見表6；其中第10層是趙117井在深度為2 940 m左右，試油是水層，網絡解釋是油層，它的錄井參數為 鉆時：10 min、C1：8.9%，C2：0.8%，C3：0.644，IC4：0.154，NC4：0.242%，IC5：0.15，NC5：0.023。從參數上可以看出，重組份含量較高，計算氣油比值為119，可能為重質油或水淹層，應進一步從地質、錄井、電測、試油等資料上查找原因（這次的網絡識別試驗沒有用到電測資料）；第5，13號層情況與第10號層都類似，提醒在老井復查時注意這些情況。本次解釋，油層解釋符合率為100%，水層解釋符合率是60%，綜合解釋率為76.9%。由于解釋樣本太少（共13層），這不能完全代表本神經網絡的解釋精度。

表6 解釋結論統計表

4 結 語

近年來，在測井和地震勘探領域，都在油氣藏描術方面做過大量的研究工作，認為錄井行業對油氣藏描術最有發言權。因為有大量的第一手資料（地質的、氣測的和化驗分析的），而且由于專業的性質，所采用觀測手段比其他的（測井的和地震的）更直接。利用這些資料，采用神經網絡的方法，去描述油藏的（或油層、或油柱）含油性、物性、壓力、產能，在技術上是可行的。

參考文獻

[1] 蔣宗禮.人工網絡神經導論[M].北京：高等教育出版社，2001.

[2] 宋宜樹.神經網絡在錄井氣測中的應用[J].西部探礦工程，2005（11）：94?95.

[3] 曹義親，柳健，彭復員.BP網絡在錄井氣測解釋中的應用[J].華東交通大學學報，1996（2）：46?49.

[4] 孫開瓊，周云才.改進的神經網絡算法及其在油層識別中的應用[J].石油機械，2004（3）：28?30.

[5] 陳遵德，朱廣生.Kohonen網絡在油氣層橫向預測中的應用[J].石油物探，1995（2）：53?56.

[6] 彭復員，劉洪，柳健.遙感圖象分類神經網絡結構優化及學習算法改進[M].武漢：華中理工大學出版社，1994.

[7] 湯新梁.自由手寫體數字識別的神經網絡方法[J].東南大學學報，1991（5）：61?63.

[8] 胡守仁.神經網絡應用技術[M].長沙：國防科技大學出版社，1993.

[9] 何小榮，陳丙珍，胡山鷹，等.一種新的BP神經網絡培訓方法[J].化工學報，1994（5）：573?579.

[10] 焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1991.

在試驗過程中，發現井名對回判結果也有較大的影響。分析原因是它含有地區信息，將含有地區信息的井名作為一項參數，編碼后一同參與訓練，并獲得了較好的效果，解釋符合率提高了10～20個百分點。

用13個層位的新井數據進行試解釋，成果見表6；其中第10層是趙117井在深度為2 940 m左右，試油是水層，網絡解釋是油層，它的錄井參數為 鉆時：10 min、C1：8.9%，C2：0.8%，C3：0.644，IC4：0.154，NC4：0.242%，IC5：0.15，NC5：0.023。從參數上可以看出，重組份含量較高，計算氣油比值為119，可能為重質油或水淹層，應進一步從地質、錄井、電測、試油等資料上查找原因（這次的網絡識別試驗沒有用到電測資料）；第5，13號層情況與第10號層都類似，提醒在老井復查時注意這些情況。本次解釋，油層解釋符合率為100%，水層解釋符合率是60%，綜合解釋率為76.9%。由于解釋樣本太少（共13層），這不能完全代表本神經網絡的解釋精度。

表6 解釋結論統計表

4 結 語

近年來，在測井和地震勘探領域，都在油氣藏描術方面做過大量的研究工作，認為錄井行業對油氣藏描術最有發言權。因為有大量的第一手資料（地質的、氣測的和化驗分析的），而且由于專業的性質，所采用觀測手段比其他的（測井的和地震的）更直接。利用這些資料，采用神經網絡的方法，去描述油藏的（或油層、或油柱）含油性、物性、壓力、產能，在技術上是可行的。

參考文獻

[1] 蔣宗禮.人工網絡神經導論[M].北京：高等教育出版社，2001.

[2] 宋宜樹.神經網絡在錄井氣測中的應用[J].西部探礦工程，2005（11）：94?95.

[3] 曹義親，柳健，彭復員.BP網絡在錄井氣測解釋中的應用[J].華東交通大學學報，1996（2）：46?49.

[4] 孫開瓊，周云才.改進的神經網絡算法及其在油層識別中的應用[J].石油機械，2004（3）：28?30.

[5] 陳遵德，朱廣生.Kohonen網絡在油氣層橫向預測中的應用[J].石油物探，1995（2）：53?56.

[6] 彭復員，劉洪，柳健.遙感圖象分類神經網絡結構優化及學習算法改進[M].武漢：華中理工大學出版社，1994.

[7] 湯新梁.自由手寫體數字識別的神經網絡方法[J].東南大學學報，1991（5）：61?63.

[8] 胡守仁.神經網絡應用技術[M].長沙：國防科技大學出版社，1993.

[9] 何小榮，陳丙珍，胡山鷹，等.一種新的BP神經網絡培訓方法[J].化工學報，1994（5）：573?579.

[10] 焦李成.神經網絡系統理論[M].西安：西安電子科技大學出版社，1991.