BP神經網絡法在三塘湖盆地蘆草溝組頁巖巖相識別中的應用

劉躍杰，劉書強，馬 強，姚宗森，佘家朝

（中國石油吐哈油田分公司勘探開發研究院，新疆哈密839009）

0 引言

富含有機質頁巖是重要的非常規油氣資源，巖相表征是頁巖油藏評價前的一項重要的基礎性研究，其研究的方式與精細程度直接影響著頁巖油儲層質量評價及開發方案的制定［1-2］。富含有機質頁巖具有巖相類型多、變化快的特點。依靠傳統常規測井曲線建立巖性圖版的方法由于未充分考慮到測井數據間的相似性造成的干擾以及與巖心實驗數據尺度上的差異性，導致所建立的圖版中不同類別的樣本點相互重疊、界限模糊，辨識準確率受限，巖相預測偏差較大。BP神經網絡法依據其輸入、監督數據的靈活、多樣性及其內部強大的樣本學習算法獲取的映射網絡模型，很好地彌補了以往諸如圖版法、模糊聚類法和統計法的不足［3］，將該方法應用于巖性、巖相的識別，許多學者做過有意義的嘗試，并且取得了較好的效果。周成當等［4］嘗試將模糊神經網絡結合貝葉斯分析的方法用于構建巖性分類與識別系統，并經適當修改，進行巖相識別；張洪等［5］在BP神經網絡的收斂性方面做了一些改進性的研究，并用此方法對金衝盆地金66井的巖性進行了判別，獲得了較好的效果；羅偉平等［6］嘗試在人工神經網絡巖性識別中引入監督模式，對大慶外圍油田某一地區的火山碎屑巖層段的巖性進行了判別，取得了容錯性較好的聚類效果；張平等［7］針對層段可用數據較少的情況，用神經網絡法對松遼盆地南部某地區火成巖儲層進行巖性判別，獲得了較好的效果；朱怡翔等［8］用多元回歸分析、支持向量機和人工神經網絡3種算法對三塘湖盆地馬朗凹陷牛東油田火山巖儲層的巖性進行了預測，尤其對各參數間復雜的非線性關系具有很好的適應性；趙忠軍等［9］用BP神經網絡方法對蘇里格氣田致密砂巖氣儲層的巖性進行了識別，識別結果與錄井巖性吻合度較高；胡嘉良等［10］以Matlab為平臺運用基于主成分的PCA-BP神經網絡方法，對濟陽凹陷非常規儲層的巖性進行了識別，使常規測井巖性識別的準確率得到大幅度提高；馬崢等［11］以蘇里格氣田東41-33區塊馬家溝組五段碳酸鹽巖測井數據為例，采用一種基于主成分分析與模糊識別相結合的方法解決了巖性識別過程中特征曲線間的模糊性和相關性問題。

基于對三塘湖盆地馬朗凹陷蘆草溝組二段復雜巖性的認識，對該段巖相進行合理分類，采用基于主成分分析的神經網絡方法，以期準確而高效地實現批量識別復雜巖性頁巖巖相的目的。

1 理論與方法原理

1.1 主成分分析

主成分分析的基本思想是構建原始變量相關矩陣，分析內部結構，擬合得出幾個能夠最大程度保留原始變量信息且相互之間不相關的主成分［12-13］。具體實現步驟為：

（1）對原始數據作標準化處理，剔除量綱干擾。在 l維隨機向量 m=（m1，m2，…，ml）T中選出 k 個樣本 mi=（mi1，mi2，…，mil）T，i=1，…，k，k ＜ l，構筑矩陣。本文采取最常用的極值歸一化方法，歸一化后數據Yij為

式中：mijmax和mijmin分別為某曲線最大值、最小值。

主成分中的各主分量均嚴重依賴于原始數據的測量尺度，測量尺度變化則特征值λ也隨之變化，克服此問題的主要方法是對原始數據進行標準化處理，使其方差均為1［10］。因測井曲線自然伽馬（GR）、聲波時差（AC）、補償密度（DEN）、補償中子（CNL）均為線性特征，故宜采取線性歸一化方法；電阻率（Rt）為非線性特征，故宜采取對數歸一化方法。

（2）對矩陣Y作以下變換以求取相關系數矩陣S：

1.2 BP神經網絡

BP 神經網絡的全稱為誤差信號反饋網絡［10，14］，是一種基于誤差反向傳播算法的并行結構網絡，包括輸入層、隱含層和輸出層3層。該算法以梯度下降法實現快速收斂，從而得到N維到M維的非線性映射。其一般過程為：首先對原始變量參數進行初始化，設置初始權重、閾值和學習速率等，其次利用給定樣本通過sigmoid作用函數計算各層的輸入值和輸出值，最終采用誤差梯度下降法對權值和閾值不斷進行修正，直至輸出結果接近期望目標［14-16］［圖1（a）］。BP神經網絡用于測井識別巖相的原理是，以樣本井的測井信息作為輸入變量，以對應的巖相類型作為輸出變量，通過特定的算法得出各測井曲線與對應巖相之間的映射關系，再通過此映射關系對未知井目的層段進行批量巖相識別。

為了提高訓練網絡模型的性能，構建由3層神經元組成的BP神經網絡模型，輸入層為訓練樣本的第 2（PC2）、第 3（PC3）和第 4（PC4）個主成分，共計3個輸入節點，輸出層為3種巖相類型（富凝灰質紋層相、富碳酸鹽紋層相和富有機質紋層相），共計3個輸出節點［圖1（b）］。依據Kolmogorov定理，輸入節點數為n時，隱含層節點數一般為2 n+1［10］，故隱含層節點數為 7。選取 f(x)=(1 +e-x)-1為激活函數，最大迭代次數為500次，目標誤差為0.01，學習速率為0.01。

圖1 BP網絡算法流程（a）與結構（b）Fig.1 Flowchart（a）and structure（b）of BPneural network

2 巖相及測井參數特征

2.1 研究區概況及巖相特征

研究區位于三塘湖盆地馬朗凹陷，目的層段為二疊系蘆草溝組二段。三塘湖盆地位于新疆維吾爾自治區東北部，呈長條狀、北西向展布。馬朗凹陷位于三塘湖盆地中東部［17-20］的中央坳陷帶，為目前主要的勘探區。馬朗凹陷蘆草溝組地層發育廣泛，沉積厚度較大，最厚處超過600 m（圖2），是主力的烴源巖及儲油層。二疊系沉積時期，三塘湖盆地處于斷陷期，主要發育陸相咸化湖盆沉積，同時伴有火山噴發［19-20］。目前的勘探實踐證明，蘆草溝組頁巖油已鉆探井油氣顯示豐富，但獲得工業產能的井較少，儲層巖相分布預測是制約該區勘探取得突破的關鍵因素之一。

蘆草溝組為一套火山活動構造背景下形成于水動力較弱的半深湖—深湖亞相的細粒巖沉積［19-20］，沉積時期水體受季節性變化影響較大，加之受到火山活動的影響，沉積物來源多樣，導致礦物成分種類繁雜、巖相變化較快、縱橫向非均質性均較強。通過對13口井340余個樣品進行X射線衍射分析表明，蘆草溝組沉積物多為粒度較細的泥級顆粒，主要含有凝灰質（石英、鉀長石、斜長石）、碳酸鹽礦物（方解石、白云石）、黏土礦物、黃鐵礦和有機質等［圖3（a）］；巖性主要有凝灰巖、沉凝灰巖、白云質凝灰巖、灰質云巖、凝灰質云巖、泥質云巖、灰質泥巖、凝灰質泥巖、云質泥巖及泥巖等。宏觀上，巖心主要表現為富凝灰質、富碳酸鹽、富有機質3種紋層類型互層［圖3（b）］，三者相互組合、交替旋回變換［19］。

圖2 三塘湖盆地馬朗凹陷區域構造位置（a）及巖性、測井綜合柱狀圖（b）（據文獻［18］修改）Fig.2 Structural location（a）and stratigraphic column（b）of Malang Sag in Santanghu Basin

圖3 三塘湖盆地馬朗凹陷蘆草溝組二段礦物組成Fig.3 Mineral content of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

巖相劃分上遵循便于油氣儲層評價與開發實用性的原則，同時為了盡量減小測井曲線取值與巖心薄片取樣尺度不同造成的誤差，將蘆草溝組二段巖相劃分為富凝灰質紋層相、富碳酸鹽紋層相和富有機質紋層相3類。

（1）富凝灰質紋層相。該巖相主要分布在蘆草溝組二段下部，其中凝灰質、碳酸鹽礦物、黏土礦物和黃鐵礦的平均質量分數分別為67.0%，29.5%，4.8%和3.8%（圖3），巖性以凝灰巖、沉凝灰巖、碳酸鹽質凝灰巖和泥質凝灰巖為主（圖4）。巖石薄片可見紋層厚度為10～40 μm，由粉砂級的長石晶屑和玻屑組成，見少量有機質，斜長石主要來源于火山噴發形成的中基性凝灰質物質［圖5（a）］。晶屑磨圓度較差，且紋層表現出間隔出現特征，說明為不同方向季風攜帶物質，紋層間碳酸鹽沉淀表明原始沉積環境為季風停歇期靜水低能環境［19］。

圖4 三塘湖盆地馬朗凹陷蘆草溝組二段巖相特征Fig.4 Lithofacies characteristics of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

圖5 三塘湖盆地馬朗凹陷蘆草溝組二段紋層特征Fig.5 Laminar characteristics of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

（2）富碳酸鹽紋層相。該巖相主要分布在蘆草溝組二段上部，其中凝灰質、碳酸鹽礦物、黏土礦物和黃鐵礦的平均質量分數分別為21.5%，65.2%，4.6%和3.2%（圖3），巖性以碳酸鹽巖、凝灰質碳酸鹽巖、泥質碳酸鹽巖和泥質凝灰質碳酸鹽巖為主（圖4）。巖石薄片可見紋層厚度為80～300 μm，由細粒的微晶方解石、白云石及少量鐵白云石組成，晶間有少量有機質［圖5（b）］。碳酸鹽晶形多為半自形，部分因重結晶而呈粗粒狀，晶形較差，表明白云石形成于安靜、溫暖、低能量的環境［19］。

圖6 巖相測井響應特征Fig.6 Logging response characteristics of shale lithofacies

（3）富有機質紋層相。該巖相主要分布在蘆草溝組二段中部，其中凝灰質、碳酸鹽礦物、黏土礦物和黃鐵礦的平均質量分數分別為48.9%，31.6%，6.5%和3.5%（圖3）。巖性以泥巖、碳酸鹽質泥巖、凝灰質泥巖和碳酸鹽質凝灰質泥巖為主（圖4）。巖石薄片可見紋層厚度為6～35 μm，紋理構造清晰可見，有機質以無定形腐泥組為主，部分可見藻類絲狀體，淺綠色—黃色熒光較強，為極好的生油母質［19］［圖 5（c）］，表明原始沉積環境是一種靜水缺氧的環境，具有較強的生物生產能力。

通過研究認為蘆草溝組為典型源儲一體頁巖油藏，自生自儲，含油不分構造高低，成藏受控于優質源巖和有利相帶；凝灰質含量與儲層物性正相關，且長英質含量高的凝灰巖發育層段為頁巖油發育的最有利層段。因此，有效識別出凝灰質富集層對蘆草溝組頁巖油“甜點”預測具有重要的指示意義。

2.2 巖相測井響應特征

有機質含量和礦物成分的不同造成了不同頁巖巖相之間的差異，而常規測井資料反映的就是巖石構造、礦物成分和流體信息，因此，不同頁巖巖相的測井響應特征也存在一定的差異［21-22］。結合研究區的勘探實踐，認為蘆草溝組頁巖巖相在自然伽馬（GR）、聲波時差（AC）、補償中子（CNL）、補償密度（DEN）和電阻率（Rt）等測井曲線上均具有較為明顯的對比特征，為此對研究區13口井蘆草溝組二段的巖相進行了劃分［圖 6（a）］，總結出各井不同巖相對應測井曲線的響應特征（表1），并提取了340個巖石薄片對應的測井曲線值繪制了各測井相-巖相蛛網圖［圖6（b）］來直觀地反映各巖相測井參數指標的變動趨勢。

由圖6可以看出，自然伽馬曲線和電阻率曲線變化幅度均較大，而聲波時差等反映孔隙度大小的曲線差異明顯。其中富有機質紋層相因有機質的影響而具有較高自然伽馬、高聲波時差、高補償中子、低密度、高電阻率的特征；電成像圖上以亮色顯示為主。相對貧有機質的富凝灰質紋層相礦物成分多來源于火山噴發時形成的中基性凝灰巖，火山灰粒度細、比表面積大，有機質吸附力較強，相較于富有機質紋層相具有高自然伽馬、高密度、低電阻率、低聲波時差、低補償中子的特征；電成像圖上顯示為紋層狀的黑色、棕色條紋。因大部分有機質賦存于富有機質紋層和富凝灰質紋層中，只有很少一部分的有機質存在于富碳酸鹽紋層，且該紋層富含大量的方解石、白云石等脆性礦物，使得其相較于前2種紋層相呈現出較低自然伽馬、聲波時差、補償中子，較高密度、電阻率的特征；成像圖上顯示為層狀的棕黃色條紋。

表1 三塘湖盆地馬朗凹陷蘆草溝組二段巖相測井響應特征Table 1 Logging response characteristics of shale lithofacies of the second member of Lucaogou Formation in Malang Sag，Santanghu Basin

2.3 測井參數敏感性分析

每一條測井曲線反映的都只是巖石某一物理性質或物理參數的變化，都是從某一側面間接地反映巖層的地質特性［23-24］。由于測量環境的不同和地質環境的復雜性等因素的影響，使得不同測井曲線之間存在著大量的相關性和模糊性［23］。傳統的交會圖法因受制于人為因素的影響，其巖相劃分沒有具體的標準，尤其是針對蘆草溝組的復雜巖性地層，通常需要依靠經驗豐富的解釋人員利用多個二維交會圖，采取逐步剝離、組合判斷的方法才能達到較好的識別效果［25］。以聲波時差、電阻率與自然伽馬交會圖（圖7）為例，富有機質紋層相較其他2種相測井響應明顯，可以很好地區分，但對于測井響應較為接近的富碳酸鹽和富凝灰質紋層巖相，樣本點則有大量的重疊現象，因此，僅僅依靠測井曲線原始數據并不能很好地識別出各類巖相。

圖7 蘆草溝組二段AC-GR（a）和Rt-GR（b）交會圖Fig.7 Crossplots ofAC-GR（a）and Rt-GR（b）of the second member of Lucaogou Formation

3 主成分分析與選擇

為了解決測井曲線之間相關性和模糊性的問題，有必要對主成分進行分析，選擇盡量少且包含最多巖相信息的曲線進行聚類。主成分分析主要是分析因子載荷矩陣。因子載荷代表著原始數據與主成分之間的相關程度，因子載荷越大二者相關性越高［26-27］。因子載荷分析地學方面的解釋主要是依據主成分中占顯著地位的變量（測井曲線）組合所代表的地質因素，再計算其特征值在特征值總和中所占比例，來說明該地質因素在所有影響因素中所起作用的大小［26-27］。其中因子載荷的正負號反映的是其與主成分的正負相關性質，在地學解釋時可以取絕對值。從圖8（a）中可以看出PC1受聲波時差、補償中子和密度作用顯著；PC2受自然伽馬、聲波時差和電阻率作用顯著；PC3受自然伽馬、電阻率作用顯著；PC4受聲波時差、補償中子和電阻率作用顯著；PC5受聲波時差、補償中子和密度作用顯著。結合曲線地質含義分析，對比第一主成分使用與否2種方案進行巖相聚類。第1種方案因使用了PC1，且PC1與三孔隙度曲線高度相關，反映的主要是孔隙度方面的信息，幾乎沒有能夠區分巖相的信息，故與標準圖版［圖8（b）］相比，其聚類結果［圖8（c）］與標準圖版特征類似；第2種方案使用了PC2，PC3和PC4，且PC2和PC3與自然伽馬、電阻率曲線相關性較好，在很大程度上削弱了孔隙度的干擾，使得所選主成分包含著大量的巖相信息，突出了巖相的影響，分類結果［圖8（d）］與交會圖版（圖7）趨勢基本一致。

圖8 主成分分析與選擇Fig.8 Principal component analysis and selection

4 應用效果評價

本次研究篩選出馬朗凹陷蘆草溝組二段巖心薄片、測井資料及地質資料齊全、完備的12口井作為基準井，蘆1井作為檢驗井不參與網絡模型的建立。選取由曲線敏感性分析得出的自然伽馬、聲波時差等5條電測曲線作為原始變量，以主成分分析得出的PC2，PC3和PC4作為BP神經網絡的輸入變量，以巖性薄片分析數據標定后的巖相作為監督數據建立巖相網絡模型，然后據此巖相識別模型對蘆1井蘆草溝組二段進行巖相判別。因蘆1井蘆草溝組二段為連續取心，故以薄片鑒定成果數據結合上述巖性到巖相組合原則，對蘆草溝組二段整體進行巖相標定和劃分，并以劃分結果作為檢驗數據，計算各巖相的符合率。計算后可知：總體符合率為81.49%，其中富有機質紋層相、富碳酸鹽紋層相和富凝灰質紋層相的符合率分別為81.31%，75.12%和88.03%。通過與成像測井和巖心的典型特征進行對比后可以看出，巖相識別結果與薄片標定巖相一致性較好（圖 9），達到了預期目的。

5 結論

（1）馬朗凹陷蘆草溝組二段富有機質頁巖巖性復雜，為了有效避免因數據尺度不同造成的巖相預測誤差，基于有機質和礦物組成的富集程度的原則，將巖相劃分為富有機質紋層相、富碳酸鹽紋層相和富凝灰質紋層相3類，既最大限度地保留了原始信息，又有助于提高巖相識別方法的實用性。

（2）測井曲線之間的相似性造成的干擾，使得巖相識別具有較大難度。以主成分分析法選出了對巖相劃分貢獻較大的3個主成分，再結合BP神經網絡方法，不僅消除了測井曲線之間的相關性與模糊性，同時也確保了每一主成分對相應的巖相具有最佳的辨識度，使得頁巖巖相的識別準確率得到了有效提高。