BP神經網絡在巖相預測中的應用

周傳友，李少華，何維領，丁 芳，黃 鑫

（1.長江大學 地球科學學院，武漢 430100；2.中海油 上海分公司，上海 200030）

0 引言

沉積微相控制下的儲層建模方法，是針對鉆井資料缺乏以及不同微相物性差異性大等特點采取的，其目的是為了提高建模的精確度，降低模擬實現的不確定性［1］。應用相控建模技術建立的三維精細地質模型，能夠合理地反映地下儲層非均質特性［2-4］，甚至對于油藏后期開發的生產調整以及采收率的提高同樣具有重大意義［5-6］。因此，建立合理的巖相模型對于儲層物性參數模型的建立具有重要意義，也是決定整個模型質量的重要環節。

N氣田僅有4口探井，僅僅依靠井數據無法建立可靠的巖相地質模型。地震屬性約束建模能夠有效降低儲層建模中的不確定性［7-9］，但是由于研究區氣層埋藏深，地震資料識別能力有限。地球物理研究已經建立了幾種地震屬性體，如巖性概率體、孔隙度數據體、“甜點”概率體等。這些單一地震屬性體與井上巖相的相關性均較差，很難直接利用某種地震屬性對井間巖相建模進行有效約束。因此，需要提高地震屬性對巖相識別的分辨率。

傳統的巖相預測主要是人工分析對比法，即以巖芯分析資料為基礎，與測井資料相對比，進行人工劃分［10］。該方法工作量繁復，而且無法規避人為因素的影響，導致預測結果與實際地質狀況差異性大。筆者在綜合幾種地震屬性的基礎上，利用BP神經網絡技術來預測巖相［11-12］，并對BP神經網絡的隱含層數、訓練集和驗證集樣本數進行了敏感性分析。研究表明，基于多種地震屬性組合，采用神經網絡技術可以較大幅度提高巖相的識別能力，為三維巖相模型的建立提供借鑒。

1 單井巖相和地震屬性分析

N氣田位于東海陸架盆地［13-14］，已發現的3套氣藏儲層厚度均達一百多米，總氣藏厚度超過400 m。探井無阻流量達308×104m3／d，圈閉面積在30 km2～51 km2之間，圈閉幅度在210 m～276 m之間。目前已鉆探井4口，“甜點”在剖面上主要分布在花港組上段H3氣層組，尤其是H3b砂層組，其綜合解釋氣層厚度高達116.1 m。“甜點”的分布受控于多種因素，其中巖相對“甜點”的分布有重要的控制作用。

圖1 N-1-x井取芯段單井巖相圖Fig.1 Single well facies diagram of core section of N-1-x well

通過對N氣田四口探井以及鄰區兩口井的巖性、電性、沉積旋回、沉積構造的觀察分析，結合研究區區域古地貌特征，認為N氣田花港組為辮狀河三角洲前緣沉積，主要劃分為4種巖相類型：①粗粒心灘；②細粒心灘；③河道滯留沉積；④泥質沉積。

N-1-x井H3段取芯段較長，跨越了整個H3b砂層組，巖相代號1代表河道滯留沉積，2代表粗粒心灘，3代表細粒心灘，4代表泥質沉積，從圖1中可以看出巖相以粗粒心灘和細粒心灘為主，且厚度較大，河道滯留沉積厚度較薄。

研究區鉆井數少，僅四口探井，井距較大，基本上在2千米左右。為了更好地對井間巖相預測，需要充分利用地震資料進行約束。地球物理研究提供了多種數據體，主要包括：甜點概率體、縱波阻抗、縱橫波阻抗比、砂巖概率體、平均孔隙度。從圖1中可以直觀地看出，采樣到模型分辨率的地震屬性體很難對井上劃分的巖相進行區分。

從表1可以看出：只有縱波阻抗與心灘（粗粒和細粒）有一定的相關性，分別達到了0.592 7和0.508 3，其他地震屬性與巖相的相關性都非常弱，即單一地震屬性與巖相之間的相關性不好。地震屬性與巖相直接的關系復雜，不是簡單的線性關系，且單一地震屬性很難實現較高的巖相識別。

表1 地震屬性與巖相相關性系數Tab.1 Correlation coefficient between seismic attributes and lithofacies

2 BP神經網絡原理

根據上述分析，嘗試采用基于多種地震屬性組合的BP神經網絡對巖相進行預測。首先回顧一下BP神經網絡的基本原理，一個典型的BP神經網絡拓撲結構（圖2）。

圖2 單隱含層BP神經網絡拓撲結構Fig.2 Single hidden layer BP neural network topology

BP神經網絡隱含層可以為一層或者多層，BP神經網絡層與層之間是全連接的形式，對于同一層，神經元之間不連接。BP神經網絡采用的是誤差反向傳播算法，在學習的過程中，計算過程是從輸入層向輸出正向進行。為了修正權值，使得輸出層與期望輸出之間的誤差降到一定大小，再開始從輸出層逐層反向計算。通過多次迭代計算，最終誤差會逐次降低，直到滿足精度要求，便得到輸入和期望輸出之間的關系。

邱穎［15］分析了神經網絡用于巖性及巖相預測的可行性，給出了合理選擇隱含層節點數的一個標準，來確定最優的神經網絡結構，論證了隱含層節點數由相態類型決定，這樣確定的神經網絡結構可以保證在數學上一定有解，這里的相態類型可以是沉積相、沉積微相、地層巖相，相態類型抽象為神經網絡結構中輸出節點數。訓練數據的分布要具有代表性，即不同相態類型對應的輸入參數要具備一定的差異性，具有區分特征，最終達到預測亦或分類的目的，這樣對訓練集進行學習才能反映輸入和輸出間的必然聯系。

3 BP神經網絡模型的建立

這里使用MATLAB軟件工具來實現BP神經網絡模型的創建，包括輸入層、隱含層和輸出層。利用采樣到模型尺度的4口井的地震屬性和巖相數據，作為BP神經網絡的學習樣本（表2），模型網格平面大小為50 m*50 m，垂向上為1 m。以H3b砂層組為例，輸入層參數是五種地震屬性值，即甜點（x1）、縱波阻抗（x2）、縱橫波阻抗比（x3）、砂巖概率（x4）、平均孔隙度（x5）。輸出層參數是巖相，即河道滯留沉積（1）、粗粒心灘（2）、細粒心灘（3）和泥質沉積（4）。

表2 BP神經網絡部分學習樣本參數Tab.2 Partial learning sample parameters of BP neural network

一共選取了研究區的4口井的591個學習樣本對BP神經網絡進行訓練和檢驗，并通過多次改變隱含層數及訓練集和驗證集的樣本數，記錄程序運行的結果進行對比分析，確定了適合研究區的神經網絡結構，創建了4種巖相類型的識別模式［16-18］。

將地震屬性數據作為輸入［19-20］，地震數據有5個屬性，故輸入向量維數為5，如式（1）所示。

X=［x1，x2，x3，x4，x5］T

（1）

為了消除量綱的影響，便于數據處理，將輸入數據進行歸一化［21］，如式（2）所示。

X=mapminmax（X，0，1）

（2）

式中：將巖相數據作為期望輸出；1為河道滯留沉積；2為粗粒心灘；3為細粒心灘；4為泥質沉積。由于巖相僅僅是個代號，需要采用獨熱編碼的方式。用grp2idx（）、ind2vec（）函數將期望輸出矢量化，這樣代號1就轉化為1 0 0 0，代號2轉化為0 1 0 0，代號3轉化為0 0 1 0，代號4轉化為0 0 0 1，公式使用如下：

［Y，～］=grp2idx（Y）

（3）

Y=full（ind2vec（Y'））

（4）

BP神經網絡有專門用于模式識別的函數patternnet（），這里的研究正是采用patternnet（）函數來進行模擬仿真。研究區內目前僅有四口探井，用固定的井數據作檢驗，發現檢驗的正確率不高，為了消除人為因素的影響，將數據進行隨機排序，再來劃分訓練集、驗證集和測試集。主要工作是設計隱含層，通過for循環的方法（隱含層神經元個數從1遞增到50）來找相對合理的神經元個數。為了消除偶然性，通過多次隨機組合訓練集數據和檢驗數據的方式，確定相對穩定的神經元個數。

3.1 單隱含層方案

首先設計單隱含層，用固定的井數據作檢驗。采用1、2井作為訓練集，3井作為驗證集，4井作為測試集。采用for循環程序設計結構，即隱含層神經元個數從1遞增到50，得到所有的計算結果，如圖3所示。從圖3可以很明顯看出，采用固定的井做檢驗，整體檢驗正確率很低。

圖3 固定的井數據檢驗模擬結果Fig.3 Fixed well data test simulation results

為了消除人為因素的影響，將數據進行隨機排序，并隨機組合多次進行模擬。取樣本數據的80%用來訓練［22］，10%用來驗證，10%用來測試整個網絡，隨機組合四次進行模擬，模擬結果如圖4所示。

通過對圖4中的數據進行分析，得到效果較好的隱含層神經元個數為：25、29、40、42、46，其檢驗正確率都大于73%。上述5種神經元各自四次模擬的檢驗正確率均值為：0.754 2、0.770 8、0.770 8、0.754 2、0.770 8，其檢驗正確率均值都大于75%。通過分析模擬結果可以看出，當隱含層神經元個數大于25之后，檢驗正確率的上升已相對穩定。

取樣本數據的70%用來訓練，15%用來驗證，15%用來測試整個網絡，計算結果如圖5所示。得到較好結果的隱含層神經元個數為：19、25，其四次檢驗正確率每次都大于73%，均值都在74%左右。進一步降低訓練集樣本的比例，比如將訓練集比例調整為50%，模擬結果整體檢驗正確率更不理想。

圖5 隨機組合井數據檢驗模擬結果2Fig.5 Random combination well data test simulation results 2

3.2 雙隱含層方案

取樣本數據的80%用來訓練，10%用來驗證，10%用來測試整個網絡，隨機組合四次進行模擬。圖6是隨機模擬一次（隨機種子值為pi）得到的模擬結果。通過編寫MATLAB小程序，綜合比對隨機組合四次模擬的結果，得到一個相對較好的模型，隱含層的神經元個數為：［18，13］，其檢驗正確率在78%左右。

圖6 雙隱含層模擬結果Fig.6 Double hidden layer simulation results

取樣本數據的70%用來訓練，15%用來驗證，15%用來測試整個網絡，最高檢驗正確率處在75%左右。

3.3 多隱含層方案

設計一個具有五個隱含層的網絡結構，每層給定25個神經元。樣本數據的80%用來訓練，10%用來驗證，10%用來測試整個網絡，改變種子數，隨機模擬四次，檢驗正確率最高為75%，最低為63.3%。設計一個具有十個隱含層的網絡結構，每層給定25個神經元。樣本數據的80%用來訓練，10%用來驗證，10%用來測試整個網絡，改變種子數，隨機模擬四次，檢驗正確率最高為76.7%，最低為60%。多次試驗的結果表明，多隱含層網絡結構并沒有顯著提高模擬正確率，而且檢驗正確率并不穩定。

通過多組試驗結果分析：單隱含層神經網絡足以表征研究課題的非線性關系。最終建議研究區選取單隱含層神經網絡結構，神經元個數為25。

3.4 三維巖相模型的建立

確定了合理的神經網絡模擬方案，可以對井間未鉆井區域的巖相分布進行預測，為最終三維巖相模型的建立提供約束條件。采用上述訓練集為80%的單隱含層，隱含層神經元個數為25建立一個訓練模型，用此模型來做未鉆井區域巖相預測。圖7為研究區某一區域的三維預測結果，i、j方向11個網格，k方向40個網格。從圖7（a）中的三維顯示和圖7（b）中的切片圖可以看出，預測模型雖然很小，但是具有一定的連通性，可將三維預測結果作為多點地質統計學MPS算法的軟數據進一步預測工區巖相。在區域地質勘探資料有限的情況下，采用BP神經網絡來預測巖相，不失為一種可取的方法。

圖7 井間三維巖相模型Fig.7 Interwell 3D lithofacies model（a）模擬結果三維顯示；（b）模擬結果柵格圖

4 結論

1）采用BP神經網絡方法，利用多種地震屬性組合，提高了單井巖相預測的準確性。

2）通過單隱含層、雙隱含層、多隱含層方案試驗對比，分析了各方案的檢驗正確率，最終確定了適合研究區的模擬方案，為三維巖相模型的建立奠定了基礎。

3）就研究工區而言，由于地震資料的原始分辨率較低，增加神經網絡的隱含層數對巖相識別率的提高作用有限且可能造成過擬合，為了得到更好的識別效果，需要有高質量的地震資料。