基于多層感知器的流體識別

張 濤，趙 軍，韓 東，王偉明

（西南石油大學 地球科學與技術學院，四川成都 610500）

儲層流體識別是對儲層中流體類型的識別與描述，同時也是眾多學者研究的熱點問題之一。儲層流體識別，能為后期儲層開發技術前提，結合儲層分類為儲層開發提供有效手段。針對流體識別，已有前人做了大量的研究，利用測井資料以及儲層參數建立其識別手段，常用的方法包括交會圖法，統計建模法等[1-2]。隨著計算機智能化的加強，深度學習，BP神經網絡，決策樹算法，支持向量機等各種數據挖掘算法評判儲層流體識別被廣泛運用。針對本地區低滲儲層的物性相對較差，含油氣性較差，地震資料品質差，且測井資料受多種因素的影響，綜合運用多種方法建立儲層流體識別模型，在測井交會圖版法優選的敏感參數的基礎上，將這些敏感參數作為輸入數據，利用多層感知器的高度非線性全局作用與自學習功能，建立研究區低滲儲層流體識別模型。

1 基本地質特征

文昌A凹陷是南海北部大陸邊緣中珠江口盆地下珠三拗陷的一個次一級構造單元，同時該凹陷的地理位置的表現中為西部與文昌C、文昌B凹陷相連，北部與陽江低凸起相接，南部與神狐隆起相鄰，受珠三斷裂的控制，文昌區地層發育較為完整，自下而上發育了古近系神狐組、文昌組、恩平組、珠海組和新近系珠江組、韓江組、粵海組、萬山組以及第四系地層。其中珠海組是勘探開發中的主要地層，珠海組是文昌A凹陷下的低滲油氣的儲集層段，在沉積時期經歷大規模海侵，使得盆地由湖盆向潮坪轉化，整體演變成潮坪沉積環境，同時受到潮汐作用的影響伴生發育了扇三角洲沉積。

2 研究區流體測井響應特征

研究區內測井資料根據多種測錄井解釋方法與MDT測試、試采及生產數據的聯合結果，將研究區開發井的所有層段劃分為水層、氣層和氣水同層3類。不同的流體，在測井響應上的表現不盡相同。根據測井響應中的特征分析，研究區的測井參數與儲層流體性質之間無法建立常規的線性相關，單一的測井響應無法準確識別研究區的儲層流體性質，同時各參數之間存在一定的相關性，容易造成影響。為了消除各因素的相關性，同時為了放大各流體性質之間的差異，將不同參數做不同的處理，得到不同的效果分析。但是依據人工解釋時，其結果有較強的人為操作因素，準確性有待加強。可以利用多層感知器建立測井響應特征或測井參數之間的處理結果與儲層流體性質之間的非線性映射關系，準確識別儲層流體性質。

3 多層感知器原理

隨著深度學習的加強，多層感知器被廣泛運用在語音識別、圖像識別、機器翻譯等領域中。隨著多層感知器反向傳播算法的運用，多層感知器可以擬合復雜的函數，也能解決分類問題。本文基于多層感知器的流體識別模式，建立本地區低滲儲層流體識別模型。

3.1 MLP原理

多層感知器MLP（MulTI-layerPerceptron）是一種前向反饋的人工神經網絡，同時也叫深度前饋網絡。MLP具有映射的性質，可以將MLP看作有向圖，由輸入向量到輸出向量，同時輸入向量與輸出向量之間的數據點，視為節點。在同性質的向量數據點中構成節點層，進行數據的傳輸，網絡數據由輸入節點向下層傳輸的過程中，其他節點是帶有激活函數的神經元。神經網絡的訓練算法是模型運用最為重要的環節，MLP訓練中采用BP反向傳播算法，有監督的方式訓練能克服不可分數據識別的弱點。

一個前饋神經網絡可以包含三種節點。

輸入節點：同時也叫輸入層，主要是將特征信息與輸入節點之間進行關聯，為后一步隱藏節點傳遞信息，并為后一步計算提供數據支撐。

隱藏節點：同時也叫隱藏層，是將特征信息進一步加工的節層點，將輸入節點傳輸過來的數據進行計算，同時將計算后的信息傳遞到輸出節點，隱藏節點的多少對計算的速度與收斂有著密切的關系。

輸出節點：也叫輸出層，作為傳遞信息中最后一環，進一步將數據進行計算，向網絡外部傳遞信息。

MLP與單層感知器的對比，其輸出層由單一變成多個，且由上述節點分析中得知，兩層結構中多出一項隱藏層，其中隱藏層是在輸入層與輸出層之間，隱藏層的層數與輸入節點和輸出節點有關。

3.2 MLP訓練過程

訓練過程分為兩個階段：分為前向傳播與反向傳播階段。在前向傳播階段中，層與層之間通過傳播輸入信號獲取有用信息，最后到達輸出端。利用權值及輸入與輸出的過程，在這過程中輸入節點傳入的輸入信號限制在網絡中的隱藏層節點信號的輸出上。而反向傳播階段是訓練過程中最為重要的一環，通過比較網絡輸出與期望輸出產生的誤差信號，將這個誤差信號通過網絡層層傳播，這次信號傳播是從輸出層反饋到輸入層，是一次反方向的傳播，其目的是對權值進行校正。在上述訓練過程中，網絡產生了兩種信號，分為函數信號與誤差信號，在前向傳播過程中輸入層產生一個輸入信號，通過整個網絡最后到達輸出層，這個輸入信號也被稱為函數信號。而誤差信號是在反向傳播過程中，輸出層產生一個輸出信號，逆向傳播到輸入層，由于網絡中的每個節點對這個信號的計算都涉及誤差依賴函數，這個輸出信號也叫誤差信號。在訓練過程中同時伴隨著兩種信號的出現。MLP中除去輸入層，隱藏層與輸出層神經元經常對信號進行兩種計算，這兩種計算分別是計算信號與計算梯度，其中計算信號的表征為輸入信號與權重的非線性函數；另一種表征為在誤差反向傳播過程中，計算誤差傳播梯度向量，反向通過網絡。

人工神經網絡需要學習，針對不同的問題，采用不同的學習方式，在多層感知器中主要分為批量學習與在線學習。在MLP監督學習訓練中需要不斷調整權重，以期達到最優模型值，在權重調整中樣例出現之后，批量學習用來統計推斷解決回歸問題。感知器的權重調整是在樣例的基礎上展開的，通過對實例運用在線方法的權值校正，算法能夠更快執行，且針對分類問題能夠供有效解。

在多層感知器的監督訓練的在線學習中，常采用BP神經網絡算法誤差逆傳播的特點來調整網絡。MLP相鄰層節點之間有權重與偏置，通過BP神經網絡的不斷調節權重與偏置，最后達到預期的輸出值。

3.3 MLP激活函數

MLP的激活函數可以是任意函數，在網絡中常使用階梯函數或者邏輯乙形函數，但是在反向傳播過程中為了進行有效學習，函數要為可微函數。可微函數中邏輯乙形函數與雙曲正切函數具有很好的可微性，被用來作為激活函數。由于數據學習量較多，為解決計算梯度，本文采取的激活函數為雙曲正切函數。基于上述原理，利用測井響應特征與常規圖版分析得到的儲層流體識別的敏感參數，建立多層感知器識別模型，分別選取在測井響應分析中利用的全烴異常值、深側向電阻率RD、中子CNL、深淺側向電阻率的比值以及密度變化率與中子變化率之比，作為敏感參數的輸入數據，利用雙曲正切函數解決梯度消失問題，同時設置模型的隱含層數為一層，流體分類模型結果為輸出的多層感知器模型。

3.4 實驗驗證

實驗數據選取的為文昌區珠海組的MDT測試、試采及生產數據，氣層測試點數據113個，氣水同層85個，水層77個，建立的流體類型數據，與基于上述理論研究，選取樣本數據建立預測模型，得到儲層流體識別結果（表1）。

表1 MLP流體識別結果

在訓練集中氣層數據有84個樣本，氣水同層63個樣本數據，水層57個樣本數據被正確分類，準確率達到94.22%，同樣氣層數據中有6個樣本被誤判為氣水同層，水層數據中有4個樣本被誤判為氣水同層。在測試集中25個氣層樣本數據。19個氣水同層樣本數據，18個水層樣本數據被準確識別，準確率高達87.52%。

4 應用實例

以文昌區珠海組某口井為例，根據測井數據并結合取心資料，利用多層感知器MLP實際處理并對比其生產數據，檢驗效果。在文昌區1井的測量深度段為3 830～3 900m的測試氣中顯示的流體的性質為氣層，根據其測井響應特征，在交會圖中的識別中大部分為氣層，有一部分顯示為氣水同層，而多層感知器的識別中，顯示的是氣層，無氣水同層。根據測試段的生產結論，該段生產中不含水，這表明多層感知器的解釋模型相較于常規的測井交會圖法較為符合該段的流體性質識別。

5 結論

利用常規測井響應特征建立的儲層流體識別圖版，氣水同層與氣層的識別相對模糊。在交會圖法的基礎下，篩選出的測井敏感參數，為多層感知器提供輸入數據，增加了預測的精度和進一步提高了泛化能力。多層感知器模型的識別的準確率為87.52%，較為符合該地區的流體識別的精度要求，同時也為其他地區的流體識別提供借鑒。