基于徑向基過程神經網絡的儲層巖性識別①

秦研博, 許少華,2

?

基于徑向基過程神經網絡的儲層巖性識別①

秦研博1, 許少華1,2

1(東北石油大學計算機與信息技術學院, 大慶 163318)2(山東科技大學信息科學與工程學院, 青島 266590)

識別并評價油氣儲層是油田勘探開發工作中至關重要的部分, 而目前現有的巖性識別方法一般不能表述地層的非均質性, 也沒有考慮到地層參數隨著深度而變化所產生的影響. 本文提出一種基于徑向基過程神經網絡的巖性識別模型, 并用實際數據進行了驗證. 實驗結果表明, 所提出的方法有著較高的識別率, 是一種可以實際應用的方法.

徑向基過程神經元; 神經網絡; 巖性識別

如何發現油氣儲層并準確評價油氣儲層及其產量是油氣田勘探開發工作中不可或缺的部分. 因此儲層巖性識別作為發現、評價油氣儲層的核心部分, 顯得尤其重要. 最初, 儲層巖性識別工作都是在專業的實驗室內做的, 直接從取芯井中取出巖芯, 采用物理或者化學方法進行儲層的定性與定量描述, 雖然得到了十分精確的儲層評價結果, 但是缺點也很突出, 該方法對時間與經費的消耗是巨大的. 隨著科學技術的發展, 地球物理測井技術改善了這一現狀, 利用測井資料進行儲層評價已經成為一種快速、低耗和廣泛的方法. 常規測井資料測量了地層的放射性、密度、孔隙度、自然電位、微電位電阻率、微梯度電阻率等數據. 這些參數是地層巖性、物性和含油性的單一響應或綜合響應, 因此, 利用測井資料做巖性識別是可行的[2,5,6,8-12].

交會圖法就是一種常規測井資料識別地層巖性的方法, 特點是使用方便、快捷, 因此被科研人員廣泛采用. 但是常規測井數據處理方法是以線性的數學方法作為運算的理論基礎, 而實際情況中, 地層往往表現出非均質性的特性. 此時再運用線性的方法來確定測井資料與地層巖性之間的關系, 就是人為的簡化了實際地層情況, 將地層視為均質性了, 因此, 用線性模型進行巖性判別描述, 會導致較多的誤判情況. 而且在實際工作中, 工作人員的經驗也是十分重要的, 往往經驗豐富, 對區塊地層實際情況比較熟悉的人員才能夠對地層巖性的判別有比較高的正確率. 所以從實際結果來看, 現有的方法并不理想, 而隨著科學技術的發展, 運用人工智能技術來做模式識別的方法越來越被科研人員所重視. 人工神經網絡就是目前發展比較成熟的一種用于模式識別的人工智能方法, 人工神經網絡的數學理論基礎是非線性的, 因此能夠較好的表述地層的非均質性, 同時結合區域巖心資料、錄井資料和人為經驗, 建立合適的非線性數學模型, 可以更加高效準確的識別巖性.

運用普通神經網絡做巖性識別, 前人已經做了不少研究. 但是普通神經網絡的輸入輸出是幾何點式的, 模型中使用某個深度的測井曲線值代表整個小層的巖性, 沒有考慮到在實際情況中, 小層內的測井曲線值是隨著深度的變化而變化的, 單純的用確定的某個深度的值代表整個小層并不是十分準確的. 因此本文提出一種過程神經網絡模型, 考慮到整個小層內的測井曲線值的變化, 將一整段測井曲線作為輸入并結合人為經驗選取訓練數據與指標來訓練模型. 最終實驗結果表明, 該模型用來做巖性識別取得了較好的結果, 是一種較好的方法, 該方法能夠為工作人員提供較高價值的參考, 更好的識別油氣層, 服務于測井解釋.

1　徑向基過程神經元

徑向基神經網絡的起源要追溯到1985年, 當年由Powell提出了多變量差值的徑向基函數方法(Radical Basis Function, RBF). 而在1988年Broomhead和Lowe最先將徑向基函數應用于人工神經網絡的設計, 構成了徑向基函數神經網絡. 該網絡是一種前饋型神經網絡, 通過改變神經元非線性變換函數的參數以實現非線性映射, 由此導致連接權調整的線性化以提高網絡的學習速度. 該網絡能夠以任意精度逼近任意連續函數, 特別適合于解決分類問題[4].

2000年, 何新貴院士提出了過程神經元網絡模型. 而后, 許少華提出徑向基過程神經元網絡模型[1,3]. 該網絡模型是一種3層前向結構. 第1層為輸入層, 由過程信號源節點組成, 完成過程信號向網絡的輸入; 中間層為過程神經元隱層, 變換函數為徑向基核函數, 完成對輸入過程信號的聚合運算; 第3層為輸出層, 對輸入的過程信號做出響應.

1.1 徑向基過程神經元模型

徑向基過程神經元是由時、空二維聚合以及徑向基核函數變換等部分組成. 單個徑向基過程神經元的模型如圖1所示.

圖1　徑向基過程神經元

徑向基過程神經元輸入與輸出之間的關系為

1.2徑向基過程神經網絡構建

徑向基過程神經網絡為一種3層前向結構. 輸入層有個節點單元, 完成過程信號的輸入; 中間徑向基過程神經元隱層有個節點單元, 單元的變換函數是徑向基核函數, 完成對輸入信號的聚合運算; 輸出層為隱層節點輸出信號的線性加權和[2]. 網絡拓撲結構如圖2所示.

圖2　徑向基過程神經元網絡

徑向基神經網絡的訓練主要包括對徑向基核函數(?)中性質參數的調整, 確定徑向基核中心函數, 以及對輸出層權系數的迭代修正, 使之在有監督模式下, 網絡滿足訓練樣本輸入與輸出之間的映射關系.

由于式中對于時間的聚合運算過程十分復雜, 為此, 在輸入空間中引入函數正交基, 將輸入函數進行正交基展開, 利用基函數的正交性, 簡化聚合運算[7]. 設為輸入空間中能夠滿足輸入函數與核中心函數擬合精度要求的標準正交基函數,為輸入空間中的任意函數, 則可表示為:

同理隱層第個神經元的核中心函數可表示為基展開形式, 即:

其中,=1,2,3,...,.

根據式(2)(3)及基函數的標準正交性可得:

因此, 隱層第個神經元的輸出為:

1.3網絡模型學習規則

若徑向基核函數取為高斯函數, 即:

式中,稱為個核中心函數的平均離差, 可由下式確定:

網絡訓練借鑒傳統梯度下降算法, 輸出層權系數的學習迭代式為:

其中為學習迭代次數,為網絡學習效率.

2　徑向基過程神經元網絡巖性識別模型

常用的測井曲線有SP(自然電位)、RLLD(雙側向(深) )、RLLS(雙側向(淺))、RXO(微球形聚焦電阻率)、RMN(微電位電阻率)、 RMG(微梯度電阻率)、R25(2.5米底部梯度)、CAL(井徑)、GR(自然伽馬)、DEN(密度)等. 一般在做巖性識別的時候, 根據實際工區概況, 選取幾個測井指標組合起來識別巖性. 本次實驗數據來源于大慶油田采油一廠某區塊, 該區塊主要以砂泥巖為主, 選取了自然電位、微梯度電阻率、微電位電阻率三個指標來組合識別巖性. 本次實驗選取了七口取芯井的解釋資料, 總共得到382個小層解釋數據. 最終選取了345個小層數據作為有效數據, 實驗分類巖性為泥巖(分類代號1)、粉砂巖(分類代號2)和細砂巖(分類代號3), 隨機選取其中300個小層數據作為訓練數據, 剩余45個小層數據作為測試數據. 部分數據如表1所示.

表1 部分實驗所用數據

由于測井數據為離散測量值, 選擇離散Walsh函數系作為輸入函數的擬合基函數. 模型設計最大迭代次數為1000, 精度為0.0001, 學習效率為0.01. 通過修改實驗數據的排序, 隨機選取訓練數據和測試數據. 共做了五組實驗, 最終實驗結果, 平均分類正確率達到92%, 結果還是比較理想的, 能夠在實際應用中為工作人員提供有價值的參考. 部分小層巖性識別實驗結果如表2所示.

表2 部分小層巖性識別實驗結果

3　結語

由于工區地層呈現非均質性, 地質情況比較復雜, 傳統的取芯方法識別并評價儲層, 代價太大, 其他方法也沒有考慮到實際的測井曲線會隨著深度變化的情況. 本文提出的基于徑向基過程神經元網絡模型, 較好的表述了地層的非均質特性, 又兼顧了測井曲線值變化產生的影響, 達到了預期的結果, 提高了巖性識別的精度.

1 許少華,何新貴.徑向基過程神經元網絡及其應用研究.北京航空航天大學學報,2004,1:14–17.

2 代青樓.薄差層厚度識別技術及其應用.大慶石油地質與開發,2015,34(4):152–157.

3 何新貴,梁久禎,許少華.過程神經網絡的訓練及其應用.中國工程科學,2001,3(4):31–35.

4 李盼池.過程神經網絡模型及學習算法研究[碩士學位論文].大慶:東北石油大學,2004.

5 王洪濤.海拉爾盆地復雜巖性測井識別方法研究及應用[碩士學位論文].大慶:東北石油大學,2009.

6 趙羅臣.BP神經網絡在測井解釋不通巖性識別中的應用研究[碩士學位論文].杭州:浙江大學,2011.

7 許少華,何新貴.基于函數正交基展開的過程神經網絡學習算法.計算機學報,2004,27(5):645–650.

8 顧玉君,申曉娟,吳愛紅,等.泌陽凹陷南部陡坡帶砂礫巖儲層巖性識別研究.石油地質與工程,2009,23(2):40–42.

9 王宏建,李慶峰,趙杰,等.塔東古城地區碳酸鹽儲層測井評價.大慶石油地質與開發,2014,33(5):215–219.

10 宋梅遠,張善文,王永詩等.沾化凹陷沙三段下亞段泥巖裂縫儲層巖性分類及測井識別,2011,18(6):18–23.

11 王娜娜.神經網絡在測井巖性識別中的應用[碩士學位論文].北京:北京化工大學,2009.

12 李慶峰,何雪瑩,周彥球.營城組砂礫巖儲層巖性及孔隙度求取技術.大慶石油地質與開發,2014,33(4):145–149.

Lithology Identification Based on Radial Basis Process Neural Network

QIN Yan-Bo1, XU Shao-Hua1,2

1(Institute of Computer and Information Technology, Northeast Petroleum University, Daqing 163318, China)2(College of Information Science and Engineering, Shandong University of Science and Technology, Qingdao 266590, China)

Identification and evaluation of oil and gas reservoirs is an essential part in the work of oil exploration and development. Generally speaking, the existing lithology identification methods can’t be expressed in formation heterogeneity, the impact of layer parameters varies with depth arising is not taken into account. This paper presents a model of lithologic identification based on radial basis process neural network, which is verified by the actual data. The experimental result shows that the proposed method has a high recognition rate, and it is a practical application method.

radial basis process neural network ; neural network; lithology identification

2016-06-28;

2016-07-27

[10.15888/j.cnki.csa.005649]