準噶爾盆地火成巖巖性特征及神經網絡識別方法

陳繼華,蘇小軍

(1.中國石油大學(北京),北京昌平 102249;2.中國石化石油勘探開發研究院）

準噶爾盆地火成巖巖性特征及神經網絡識別方法

陳繼華1,2,蘇小軍2

(1.中國石油大學(北京),北京昌平 102249;2.中國石化石油勘探開發研究院）

火成巖油氣藏評價中,巖性識別是十分重要的部分,通過對準噶爾盆地北部石炭系火成巖地層的測井資料與巖心及地質錄井資料對比分析,總結了不同巖性火成巖測井曲線特征,提取了各種巖性的測井特征參數。利用神經網絡模式識別技術對火成巖巖性進行了識別,巖性判別符合率達到85%以上。

準噶爾盆地;火成巖 ;巖性識別;神經網絡

準噶爾盆地北緣石炭系地層火成巖儲層發育,具有良好的儲集性能,20世紀90年代以來,在該地區石炭系地層發現儲量豐富的火成巖油藏。火成巖由于成巖礦物較多,巖性復雜,對火成巖地層評價中,識別火成巖巖性是火成巖儲層參數計算和火成巖描述的基礎[1]。現在對火成巖識別的方法主要分2類,第一類是討論特殊測井方法對火成巖巖性的識別[2-3],如 ECS測井、放射性測井、成像測井等特殊測井進行測井方法;第二類是利用常規測井資料組合分析方法,如測井交會圖分析法[4]。由于不同的火成巖巖石在物理性質上的差異,使得利用多種測井信息劃分巖性成分的方法成為可能。

1 火成巖的測井響應特征

在油氣勘探中,對火成巖巖性的認識主要來自于鉆井取心和巖屑錄井,鉆井取心較為可靠,而巖屑錄井資料可以供參考。測井識別火成巖巖性主要是根據測井曲線的形態特征及測井曲線值定性劃分巖性,然后采用交會圖技術和數理統計方法或模式識別技術劃分巖性。這里包含兩個主要內容:一是測井曲線特征分析,二是對火成巖巖性反映敏感的測井參數篩選。

對于準噶爾盆地北部石炭系地層火成巖儲層,火成巖巖性類型主要有安山巖、玄武巖、流紋巖、凝灰巖4類。通過統計同一種巖性在不同井段測井響應值分布范圍,通過分析,不同巖性的火成巖在自然電位、井徑、微電位測井曲線上的特征上規律性弱,因此總結歸納了研究區各類火成巖巖性在GR、RT、AC、DEN、CNL測井曲線上的特征:

安山巖是中酸性火成巖中分布較廣泛的一種熔巖[5],SiO2介于52%～63%之間的亞堿性系列的火成巖,主要礦物成分包括斜長石、角閃石、輝石、黑云母等。從測井曲線上看,安山巖具有低伽馬(15～55API)、中等電阻率(10～500Ω·m),較高中子和聲波孔隙度的特征。

玄武巖屬于基性巖火成巖類,SiO2含量在45%～53%,礦物成分上以基性斜長石和輝石為主要組成,也常見橄欖石,副礦物可出現磁鐵礦、磷灰石、鋯石等。測井曲線特征是高電阻率(一般大于200Ω·m)、低中子孔隙度(4%～13%)、低聲波時差(50～65μs/ft)、中低自然伽馬(45～70API)特征。

流紋巖則是屬于火成酸性噴出巖,SiO2含量大于69%,礦物成分以石英、堿性長石、及少量斜長石。測井特征是中等偏高自然伽馬(55～85API)較高密度測井值(2.65～2.80g/cm3)、中等偏低電阻率的特征,測井曲線形態上變化幅度較小。

火山碎屑巖是各種火山碎屑堆積后經多種方式固結而成,其中可含少量的正常沉積物,是火山巖與沉積巖的過渡類型;火山凝灰巖是屬于粒度介于2.0000～0.0625mm之間的火山碎屑巖,火山碎屑物含量一般大于50%,不少于1/3。在測井上特征是:高自然伽馬(大部分在80～120API之間)、較高聲波時差(55～90μs/ft),電阻率值相對較低。

根據表1可以看到,不同巖性在測井曲線值域分布范圍上都存在一定的重疊,因而在利用單一參數來判別巖性時,判別準確率不盡如人意,由于不同的巖性巖石物理性質都有各自的特點,其測井參數組合也體現出了這種物理特性上的差別。因此在組合考慮多個巖石物理性質參數后,將會提高巖性判別準確率。經過分析,優選了自然伽馬、電阻率、聲波、密度、中子曲線的組合來識別巖性,各類巖性測井組合特征如圖1所示。

表1 研究區火成巖的測井響應特征

圖1 歸一化后不同巖性火成巖測井曲線組合特征

2 神經網絡巖性識別方法

神經網絡作為一種自適應的模式識別技術,并不需要預先給出有關模式的經驗知識和判別函數。它通過自身的學習機制自動形成所要求的決策區域。網絡的特性由其拓撲結構、神經元特性、學習和訓練規則所決定。

基于神經網絡的巖性判別過程分兩步,首先,基于一定數量的訓練樣本集對神經網絡進行訓練,得到期望的巖性判別網絡,其次,根據當前的測井組合參數對巖性進行判別,判別過程即為利用神經網絡進行向前計算的過程。

在學習和判別之前,通常需要對判別原始數據和訓練樣本數據進行適當的處理,包括預處理和特征參數提取,目的是為判別網絡提供合適的判別輸入和訓練樣本。一般來說,三層網絡可以很好的解決巖性這類的問題。利用神經網絡判別巖性的步驟如下。

2.1 確定合理的網絡結構和規模

神經網絡確定時,網絡各中間層的神經元個數選擇是網絡結構確定和網絡性能的關鍵。在三層網絡中,隱含層的神經元個數n1和輸入層神經元個數n2之間有以下近似關系:

上式僅是一個近似的關系,最終隱含層的神經元個數并不是固定的,需要經過實際訓練的檢驗來不斷調整。

神經網絡輸入的確定實際上是特征量的提取,對于特征量的選取,主要考慮是測井參數對不同的巖性是否有顯著差異或一定的差異,如果對某一測井參數,不同巖性的該測井值基本重合交織在一起,說明這個測井參數不能識別巖性,這個測井參數就不能作為神經網絡的輸入。

分析研究區對于不同巖性巖石差異比較明顯的測井曲線 ,經過篩選有 GR、RT、CNL 、DEN 、AC,因此可以確定網絡的輸入層神經元個數為5個,需要判別的巖性有4種,因而輸出神經元個數可以確定為4個。隱含層的神經個數并不是固定的,需要經過實際訓練的檢驗來不斷調整(如圖2)。網絡訓練過程是一個不斷修正權值和閾值的過程,使網絡的輸出誤差達到最小,滿足實際應用要求。

圖2 BP神經網絡巖性識別結構

2.2 確定訓練樣本數據和測試數據

訓練樣本數據用于對網絡進行訓練,而測試數據用于檢測網絡的訓練效果和推廣能力。一般來說要求訓練樣本數據應該全面涵蓋巖性所有的測井特征參數組合數據,還要有一定的代表性,并保證學習的有效性。

需要注意的是網絡輸入就是一個5維的向量。這些數據具有不同的單位和量級,所以輸入神經網絡之前應該首先進行歸一化處理。

由于原始數據往往單位不一,取值范圍不同,若直接用原始數據計算,會突出那些絕對值大的因子,而壓低絕對值較小的因子的作用,影響處理的結果,所以進入網絡之前,無論是學習樣本或預測數據,均需要進行歸一化處理:

式中:x——歸一化后的數據,X∈[0,1];X——原始數據;Xmax,Xmin——某條測井曲線的最大值、最小值。

原始測井參數組合數據輸入模式為:

上式中 GR、AC等測井參數都為歸一化后測井參數。確定測井組合輸入之后,巖性輸入可以有以下輸入來表示:

2.3 根據訓練樣本數據對網絡進行訓練

經過測試的訓練結果即為神經網絡巖性判別知識庫,即可利用網絡進行巖性識別。

2.4 應用

按以上步驟,運用神經網絡模式識別方法對CAI25、D5、DX3井的火成巖巖性進行了判別,通過將判別結果與巖心分析及錄井資料對比,解釋結果如表2所示,從表2看出火成巖巖性判斷比較準確的,符合率達到85%。從圖3可以看到,神經網絡巖性識別結果(第4欄)與實際巖性剖面(第5欄)基本一致,圖中小毛刺通常表這個深度測井數據與巖性測井組合特征數據相關性稍低造成的。

3 結論與認識

本文通過對準噶爾盆地北部地區石炭系不同巖性火成巖在常規測井曲線上的特征分析,總結該地區各類巖性火成巖的測井曲線特征,提取了測井曲線組合特征參數,通過建立合適的神經網絡模型,利用神經網絡模式識別技術對火成巖巖性進行了識別,判別準確率較高。

表2 神經網絡巖性判別與巖心及錄井分析結果

圖3 巖性識別結果與實際巖性對比圖(C井)

[1] 陳鋼花,范宜仁,代詩華.火山巖儲層測井評價技術[J].中國海上油氣(地質),2000,(6):422-428.

[2] 王擁軍,冉啟全,童敏,等.ECS測井在火山巖巖性識別中的應用[J].國外測井技術,2006,21(1):13-16.

[3] 張瑩,潘保芝,印長海,等.成像測井圖像在火山巖巖性識別中的應用[J].石油物探,2007,46(3):288-293.

[4] 趙建,高福紅.測井資料交會圖法在火山巖巖性識別中的應用[J].世界地質,2003,22(2):136-140.

[5] 路鳳香,桑隆康,等.巖石學[M].北京:地質出版社,2001:55-60.

P631.842

A

1673-8217(2011)02-0030-03

2010-08-04;改回日期:2010-11-22

陳繼華,1978年生,2003年碩士研究生畢業于石油大學(北京),現從事測井資料處理解釋技術研究工作。

編輯:彭剛