神經網絡模擬交會圖在 H油田低阻油層流體識別中的應用

梁麗梅,喻高明,黎 明,楊 歡

(1.長江大學石油工程學院,湖北荊州434023;2.中國海洋大學)

神經網絡模擬交會圖在 H油田低阻油層流體識別中的應用

梁麗梅1,喻高明1,黎 明2,楊 歡1

(1.長江大學石油工程學院,湖北荊州434023;2.中國海洋大學)

在H油田含油層系中,低阻油層與高阻水層并存,儲層的巖性和孔隙結構復雜多變,粘土礦物普遍存在,在電性上直接區分油水層比較困難,常規測井解釋符合率較低。本次研究以BP神經網絡為基礎,設計出一種神經網絡模擬交會圖版,用于開發中、后期油層的流體識別。對H油田的儲層流體性質及類型進行識別,獲得了較高的識別率,為復雜地層以及其它一些特殊情況下的測井解釋和流體識別提供了一條切實可行的新途徑。

BP神經網絡;低阻油層;流體識別

儲層中流體性質的準確識別是新井試油、老井挖潛,提高油氣開發效益的基礎。但在復雜油氣藏尤其是低阻油藏中,油水分布十分復雜,加上巖性、地層水及成巖后生變化的影響,使得測井曲線復雜多變,很難準確地劃分油、水層,使試油成功率低,造成了很大的經濟損失。

H油田地區斷裂系統復雜,小斷層、微構造多,致使油藏構造幅度低、非均質性強、多種流體共存,油藏類型多樣、控制因素復雜。多年的勘探開發實踐表明,該油田內分布有規模不等的低阻油層,油水層識別較為困難,給利用常規測井解釋手段評價油水層的工作帶來了較大困難。為了提高測井解釋精度,加深對特殊儲層的認識,本文在分析低阻儲層特征和整理大量準確試油資料的前提下,嘗試利用建立的神經網絡模擬交會圖對研究區的儲層流體性質進行分類,在此基礎上對低阻油層進行識別[1]。

1 模擬交會圖法流體識別基本步驟

利用BP神經網絡技術識別流體類型的關鍵是選擇高質量的測井曲線、生產資料及網絡結構參數。

1.1 輸入輸出向量的選擇

試油確定的油水層對應的測井曲線是網絡訓練的輸入向量。考慮到測井曲線與流體性質相關性和計算精度需要,從現有的測井數據中選取6條測井曲線用于網絡輸入:自然電位測井曲線(SP),自然伽瑪測井曲線(GR),0.5m底部梯度電阻率測井曲線(R05),2.5m底部梯度電阻率測井曲線(R25),深感應電阻率(RILD)和中感應電阻率測井曲線(RILM)。這6條曲線基本上可以反映儲層巖性、電性特征,對它們進行合理組合,使神經網絡模型有更有效的識別效果。在選定的6條曲線中,由于其量綱不一致,數值大小及變化也不統一,所以在神經網絡訓練之前必須對測井曲線歸一化[2],使各條曲線數值在0～1之間。

試油資料對應的流體類型是神經網絡訓練中的目標向量,資料的好壞直接影響到處理結果,選用資料來自于H油田試油數據資料。考慮到測井值與分析數據的相關性,必須對所有分析數據進行仔細篩選,并對試油資料對應的流體類型做數字化處理,使其與輸入向量(即測井曲線)有較好的對應關系。

1.2 網絡結構參數的選擇

BP神經網絡是多層次結構網絡,輸入層對應測井曲線,輸出層對應流體類型,而中間層沒有統一的標準選定,當各節點均采用S型壓縮函數時,一個中間層就可以實現任意判決分類問題。通過多次、反復的測試,選擇200個隱含層節點構成預測儲層參數的網絡模型拓撲結構來進行訓練,自適應地修改權值,以使其輸入值與期望值之間的總平方誤差最小[3]。不同的網絡輸出,采用不同的輸入值和節點數。

神經網絡的訓練是針對已知的輸入向量和目標向量而進行的,當網絡學習成功后,網絡的各種參數已經確定,不能改變[4]。所謂網絡的正常操作,就是對訓練好的網絡,加入輸入向量,就可正確地回憶出相應的輸出(即處理實際測井資料)(圖1)。

圖1 神經網絡模擬交會圖的操作流程

1.3 流體識別模型的建立

利用試油井產油產水資料,對流體識別模型進行訓練。網絡模型經過28步迭代,誤差小于0.01。將訓練后網絡輸出值與試油結論疊加,可以看出樣本與目標值之間有很好的相關性,從而得到我們的識別模型(圖2,圖3)。

圖2 H油田訓練樣本與目標值疊加圖版

圖3 網絡訓練誤差示意圖

2 實際應用

在非樣本的試油資料中選取了20個砂層深度對應的測井曲線值,輸入網絡模型中對流體類型進行回判,以此檢驗模型的準確性。為了使試油結論與測井數據有很好的對應關系,對一段深度范圍內的測井曲線值進行了加權平均,得到一定深度范圍內的測井曲線的平均值作為網絡的輸入值。導入網絡模型中后得到識別結果在模擬交會圖中的分布點,計算該點離各流體類型中心的距離,距離四個中心最近的中心點,即為該點的流體類型,從而得到最后的判別結果,如圖4。

圖4 測試結果在模擬交會圖上的分布圖

對輸入的20個砂層深度段對應的測試數據進行網絡回判,結果與試油資料相符的樣本的個數為18個,不符的為2個,正確率達90%。應用該方法對 H油田的試油井Q4井進行流體識別,識別結果與試油結論對應很好,說明該網絡模型能夠很好的對流體類型進行判斷,與傳統的流體識別相對具有明顯的優勢。

3 結論

低阻油層常規測井解釋符合率低,應用神經網絡方法綜合考慮儲層的巖性、物性、流體導電性及儲集空間大小等到多種因素建立流體識別模型,綜合利用多條測井曲線特征進行測井解釋,可以提高解釋精度。運用BP神經網絡的關鍵在于選擇好用于訓練的標準樣品,一方面要有代表性,即能代表某范圍內的各待測樣品的特性;另一方面包含的范圍又要廣,即所要預測的樣品盡量包含在訓練樣品的范圍內。此外,裂縫性儲層其流體分布的受控因素很多,使相同類型中有亞類型,各類型間又相互交錯混雜,可能會影響到模型的準確性,這點在交會圖模型上有所表現。

[1] 史忠植.神經計算[M].北京:電子工業出版社,1993:45-83.

[2] 靳蕃.神經網絡與神經計算機[M].成都:西南交通大學出版社,1991:56-68.

[3] 肖慈,王旬.神經網絡技術應用于測井解釋的評述[J].測井技術,1999,23(5):389-392.

[4] 聞新.MATLAB神經網絡應用及設計[M].北京:中國地質大學出版社,2000:102-135.

編輯:彭 剛

P631.842

A

2010-05-25;改回日期:2010-09-05

梁麗梅,1984年生,2008年畢業于長江大學石油工程專業,在讀碩士研究生,主要從事油藏工程、數值模擬研究。

1673-8217(2011)01-0039-02