基于細菌覓食算法的砂礫巖巖性識別方法

王飛+邊會媛+韓雪+張意+張永浩

摘要：砂礫巖儲層巖性復雜多變，母巖成分變化大，孔隙結構復雜，難以精確劃分巖性并建立準確的解釋模型，導致儲層參數計算精度不高。針對松遼盆地梨樹斷陷砂礫巖儲層特點，選擇多組分體積模型作為該地區的測井解釋模型，將該地層看成由局部均勻的孔隙、泥質、石英、長石、巖屑等5部分組成。根據多組分體積模型建立相應的測井響應方程，引入細菌覓食算法作多組分礦物模型的優化算法，將優化結果與巖芯分析孔隙度及全巖礦物分析的體積分數進行對比，結果驗證了細菌覓食算法反演砂礫巖儲層多組分礦物模型的可靠性。采用該方法對松遼盆地砂礫巖儲層測井資料進行處理，取得了較好的結果。

關鍵詞：測井解釋；砂礫巖；細菌覓食算法；多組分礦物模型；最優化反演；巖性；孔隙度；松遼盆地

中圖分類號：P618.130.2；TE122文獻標志碼：A

Identification Method of Sandyconglomerate Lithology Based on Bacterial Foraging Algorithm

WANG Fei1， BIAN Huiyuan2， HAN Xue3， ZHANG Yi3， ZHANG Yonghao4

（1. School of Geology Engineering and Geomatics， Changan University， Xian 710054， Shaanxi， China；

2. College of Geology and Environment， Xian University of Science and Technology， Xian 710054，

Shaanxi， China； 3. The First Branch of the Logging Company， Shengli Petroleum Engineering Co. Ltd.，

Dongying 257200， Shandong， China； 4. CNPC Logging Co. Ltd.， Xian 710077， Shaanxi， China

）

Abstract： Sandyconglomerate reservoir lithology is complex， composition variation of parent rock is large， pore structure is complex and strong heterogeneity， so that it is difficult to accurately divide lithology and build accurate interpretation model， resulting in low reservoir parameter calculation accuracy. Based on the characteristics of sandyconglomerate reservoir in Lishu fault of Songliao Basin， a multicomponent volume model was established for well logging interpretation， and the stratum was taken as the combination of local homogeneous pore， muddy， quartz， feldspar and rock debris. According to the multicomponent volume model， the corresponding log response equation was built， and the bacterial foraging algorithm was taken as the optimal solution of multicomponent mineral model， and then the optimized results were compared with the porosity by core analysis and the volume fraction by wholerock mineral analysis. The results verify that the bacteria foraging algorithm is reliable for the inversion of sandyconglomerate multicomponent mineral model. Based on bacteria foraging algorithm， the result is good for the well logging interpretation of sandyconglomerate reservoir in Songliao Basin.

Key words： well logging interpretaton； sandyconglomerate； bacterial foraging algorithm； multicomponent mineral model； optimization inversion； lithology； porosity； Songliao Basin

0引言

砂礫巖儲層巖性復雜多變，儲層巖石礦物主要成分包括石英、長石和巖屑。部分長石和巖屑具有放射性，對利用自然伽馬測井計算泥質體積產生干擾，因此，充分考慮砂礫巖巖性，合理建立測井響應方程，準確求取各組分體積分數，可以提高砂礫巖儲層地質參數的評價精度。國內外研究的思路是加強對砂礫巖巖性的分析，采用的方法為最優化測井解釋方法[18]。

近年來，隨著對非線性反演領域的重視，已經出現了一大批具有巨大潛力和應用價值的非線性反演方法，并應用于測井最優化解釋領域。這些算法原理各不相同，有以數學為基礎的蒙特卡洛法、最速下降法、擬牛頓法等，這些方法都存在計算復雜和收斂速度方面的問題。有基于仿生原理的遺傳算法等，這種算法已經廣泛應用于測井最優化反演，并取得了很好的效果，但是容易過早收斂，且當連續性條件嚴格時，搜索效率下降。隨著信息處理技術的發展，群體智能優化算法成為解決多參數、非線性最優化的有效手段，典型的群體智能算法有蟻群算法、粒子群算法、細菌覓食算法等，這些算法在石油地球物理勘探領域的應用越來越廣泛[912]。

細菌覓食算法是Passino于2002年提出的一種新型仿生類群體智能算法，主要依靠以細菌特有的趨化、繁殖、遷徙3種行為為基礎的3種算子進行位置更新和最優解的搜索，進而實現種群的進化[1317]。本文將細菌覓食算法引入到最優化測井解釋中，并應用于砂礫巖儲層評價。

1最優化測井解釋模型的建立

1.1最優化測井解釋基本原理

最優化測井解釋是根據地球物理學廣義反演理論，以反映地層特征的實際測井值ai為基礎，根據儲層地質和孔隙結構等特征建立適當的解釋模型并選擇多種測井響應方程，合理選擇區域性解釋參數與儲層參數初始值，使反演結果充分逼近實際測井值，目標函數值達到最小。

應用最優化方法進行測井解釋的優化數學模型可歸結為

min F（x，ai）=min∑mi=1（ai-fi（x，z））2σ2i+τ2i

s.t. hk（x）=0，k=1，2，…q

gj（x）≥0，j=1，2，…p（1）

式中：F（x，ai）為測井解釋的目標函數；fi（x，z）為第i種測井響應函數；x為未知儲層參數向量；z為區域性解釋參數向量；m為測井曲線個數；σi為第i種測井值的測量誤差；τi為第i種測井值的響應方程誤差；gj（x）為不等式約束；hk（x）為等式約束；q為不等式個數；p為等式個數。

1.2砂礫巖儲層巖石礦物組分分析

松遼盆地梨樹斷陷砂礫巖儲層巖性復雜，對梨樹斷陷巖礦數據進行統計，結果表明砂礫巖儲層巖石礦物主要成分為巖屑、石英和長石。其中，巖屑主要包括中、酸性噴出巖以及少量的碎裂巖和變質巖。

1.3砂礫巖多組分體積模型及目標函數

為簡化模型，將鉀長石和斜長石作為一個整體，地層由孔隙、泥質、石英、長石和巖屑5個組分組成（圖1）。

2細菌覓食算法基本原理及最優化測井解釋流程

2002年Passino提出的細菌覓食算法是一種新型仿生類群體智能算法，以趨化、繁殖、遷徙3種行為為基礎的3種算子進行位置更新和最優解的搜索，進而實現種群的進化。細菌覓食算法具有全局性、快速性、高精度和能源占用低等特點。

細菌覓食算法包括3個主要的算子，即趨化算子、繁殖算子和遷徙算子。這3個算子是算法的核心思想，并且決定算法的性能。

2.1趨化（Chemotaxis）

趨化是細菌朝著營養豐富充足的地方聚攏的運動過程。細菌在趨化進程內運動方式由前進（Swim）和翻轉（Tumble）組成。翻轉即為細菌朝著任意的方向前進單位的步長。

2.2聚集（Swarming）

在菌群尋取食物的過程中，細菌個體之間通過相互間的作用達到群體的聚集行為。細胞與細胞之間存在引力，又存在斥力。引力使細菌聚集在一起，甚至出現“抱團”現象；斥力使每個細菌都有一定的位置，使其能在該位置上獲取能量，以維持生存。

2.3繁殖（Reproduction）

經過一定的趨化步驟后，覓食結果較好的細菌進行繁殖，通過細胞分裂生成與父代完全相同的子代，沒有繁殖的細菌將死掉，以此維持菌群的規模不變。繁殖是一個揀選的過程，通過健康度函數選擇出進化繁殖的細菌。

2.4遷徙（Elimination and Dispersal）

細菌生活的區域可能會突然發生劇烈變化，也有可能突然受到其他影響。遷徙指實際環境中的細菌被外力殺死或者驅散到新的區域中去，這破壞了細菌的趨化過程，但是細菌也可能尋找到食物更為豐富的區域，因此，從長遠來看，這更有利于趨化算子跳出局部最優解和尋找全局最優解。

2.5細菌覓食算法最優化測井解釋流程

細菌覓食算法求解最優化問題的具體步驟有5個部分（圖2）。隨機初始化種群，設置種群的大小為500，聚類數目為5，趨化次數為50，趨化操作中單向運動的最大步數為4，每個細菌的遷移概率為0.25，執行種群的趨化、繁殖、遷徙操作，判斷新位置的適應度值是否更好。如果更好，將新位置的適應度值存儲為細菌目前最好的適應度值；如果不是，返回重新計算新位置上的適應度值，直到滿足全局最優適應度值，最后輸出結果。

4應用實例及效果分析

表2為松遼盆地A井2 515～2 530 m深度段反演的各組分體積分數與巖芯分析結果誤差對比。由表2可見：計算的孔隙度與巖芯分析數據相比，平均絕對誤差為0.016，平均相對誤差為0275；計算的石英體積與巖芯分析數據相比，平均絕對誤差為0.051，平均相對誤差為0.196；計算的長石體積與巖芯分析數據相比，平均絕對誤差為0.087，平均相對誤差為0269；計算的巖屑體積與巖芯分析數據相比，平均絕對誤差為0.044，平均相對誤差為0160。圖3為A井2 515～2 530 m深度段細菌覓食算法反演結果。由誤差分析可知，重構理論曲線與實際測井曲線平均絕對誤差與平均相對誤差均較小，說明反演結果是正確的。

圖4為A井2 515～2 530 m深度段重構曲線與實際測井曲線質量檢測結果。表3為重構曲線理論值與實際測井曲線誤差分析結果。由表3可見：重構補償中子孔隙度曲線與實際補償中子孔隙度測井值相比，平均絕對誤差為1.410，平均相對誤差為0.143；重構密度曲線與實際密度測井值相比，平均絕對誤差為0014，平均相對誤差為0.006；重構聲波時差曲線與實際聲波時差測井值相比，平均絕對誤差為10660，平均相對誤差為0.048；重構自然伽馬與實際自然伽馬相比，平均絕對誤差為3.550，平均相對誤差為0.038。由誤差分析可知，重構理論曲線與實際測井值平均絕對誤差與平均相對誤差均較小，說明反演結果是正確的。

圖5為松遼盆地B井1 330～1 350 m深度段細菌覓食算法反演結果。表2為B井反演的各部分體積分數與巖芯分析數據誤差對比結果，B井只分析了巖芯孔隙度。由表2可見，計算的孔隙度與巖芯分析數據相比，平均絕對誤差為0.017，平均相對誤差為0.194。

圖6為B井1 330～1 350 m深度段重構曲線與實際測井曲線質量檢測結果。重構曲線理論值與實際測井曲線誤差分析結果見表3。由表3可見：重構補償中子孔隙度曲線與實際補償中子孔隙度測井值相比，平均絕對誤差為2.030，平均相對誤差為0.125；重構密度曲線與實際密度測井值相比，平均絕對誤差為0033，平均相對誤差為0012；重構聲波時差曲線與實際聲波時差測井值相比，平均絕對誤差為26970，平均相對誤差為0.096；重構自然伽馬曲線與實際自然伽馬測井值相比，平均絕對誤差為7580，平均相對誤差為0.097。由誤差分析可知，B井中該方法反演結果也有效。

5結語

（1）砂礫巖儲層巖性復雜，巖石礦物包括石英、長石和巖屑，并且巖屑的成分比較復雜。合理建立多組分礦物模型并確定反演目標函數，綜合利用多種常規測井曲線信息，設置合理的約束條件，利用細菌覓食算法可以獲取非線性多組分礦物模型的最優解。

（2）將細菌覓食算法應用于松遼盆地砂礫巖儲層多組分礦物模型解釋中，模型反演效果穩定可靠，應用效果較好。

（3）由于細菌覓食算法是一種新型的基于群體的優化工具，雖然具有取得全局最優解的能力，但其研究仍然處于起步階段，所以該算法的理論基礎及工程應用仍需進一步研究和推廣。

參考文獻：

References：

[1]韓雪，潘保芝，張意，等.遺傳最優化算法在砂礫巖儲層測井評價中的應用[J].測井技術，2012，36（4）：392396.

HAN Xue，PAN Baozhi，ZHANG Yi，et al.GAoptimal Log Interpretation Applied in Glutenite Reservoir Evaluation[J].Well Logging Technology，2012，36（4）：392396.

[2]田云英，夏宏泉.基于多礦物模型分析的最優化測井解釋[J].西南石油學院學報，2006，28（4）：811.

TIAN Yunying，XIA Hongquan.The Optimal Logging Explantion Base on Multim in Erals Model Analysis[J].Journal of Southwest Petroleum Institute，2006，28（4）：811.

[3]段亞男，潘保芝，韓雪.砂礫巖儲層的多組分模型及最優化測井解釋[J].國外測井技術，2012，33（6）：2023.

DUAN Yanan，PAN Baozhi，HAN Xue.Multicomponent Model and Optimization Logging Evaluation of Glutinite Reservoirs[J].Word Well Logging Technology，2012，33（6）：2023.

[4]申本科，趙紅兵，崔文富，等.砂礫巖儲層測井評價研究[J].地球物理學進展，2012，27（3）：10511058.

SHEN Benke，ZHAO Hongbing，CUI Wenfu，et al.Sandy Conglomerate Reservoir Logging Evaluation Study[J].Progress in Geophysics，2012，27（3）：10511058.

[5]陳鋼花，王有濤，董維武，等.深層砂礫巖儲層測井精細評價[J].海洋石油，2010，30（2）：8286.

CHEN Ganghua，WANG Youtao，DONG Weiwu，et al.Fine Evaluation on Deep Glutenite Reservoirs with Well Logging Data[J].Offshore Oil，2010，30（2）：8286.

[6]熊杰，劉彩云，鄒長春.基于粒子群優化算法的感應測井反演[J].物探與化探，2013，37（6）：11411145.

XIONG Jie，LIU Caiyun，ZOU Changchun.The Induction Logging Inversion Based on Particle Swarm Optimization[J].Geophysical and Geochemical Exploration，2013，37（6）：11411145.

[7]劉倩茹，薛林福，潘保芝，等.梨樹斷陷砂礫巖測井巖性識別[J].測井技術，2013，37（3）：269273.

LIU Qianru，XUE Linfu，PAN Baozhi，et al.Study on Glutenite Reservoir Lithology Identification in Lishu Fault[J].Well Logging Technology，2013，37（3）：269273.

[8]邊會媛，王飛，岳崇旺，等.利用彈性參數識別致密砂巖儲層流體性質[J].地球科學與環境學報，2014，36（4）：99106.

BIAN Huiyuan，WANG Fei，YUE Chongwang，et al.Fluid Property of Tight Sandstone Reservoir Identified with Elastic Parameters[J].Journal of Earth Sciences and Environment，2014，36（4）：99106.

[9]鄒長春，尉中良，柴細元，等.利用遺傳算法實現最優化測井解釋[J].測井技術，1999，23（5）：361365.

ZOU Changchun，WEI Zhongliang，CHAI Xiyuan，et al.Optimization of Log Interpretation Using Genetic Algorithm[J].Well Logging Technology，1999，23（5）：361365.

[10]徐志成，王樹青.基于菌群優化算法的非線性系統模型參數辨識[J].計算機工程與應用，2013，49（1）：4649.

XU Zhicheng，WANG Shuqing.Parameter Identification of Nonlinear System Model Based on Bacterial Swarm Foraging for Optimization[J].Computer Engineering and Applications，2013，49（1）：4649.

[11]孟令群，郭建青.利用混沌粒子群算法確定河流水質模型參數[J].地球科學與環境學報，2009，31（2）：169172.

MENG Lingqun，GUO Jianqing.Application of Chaos Particle Swarm Optimization Algorithm to Determination of Water Quality Parameter of River Steam[J].Journal of Earth Sciences and Environment，2009，31（2）：169172.

[12]姜建國，周佳薇，鄭迎春，等.一種自適應細菌覓食優化算法[J].西安電子科技大學學報：自然科學版，2015，42（1）：7581.

JIANG Jianguo，ZHOU Jiawei，ZHENG Yingchun，et al.Adaptive Bacterial Foraging Optimization Algorithm[J].Journal of Xidian University：Nature Science Edition，2015，42（1）：7581.

[13]周雅蘭.細菌覓食優化算法的研究與應用[J].計算機工程與應用，2010，46（20）：1621.

ZHOU Yalan.Research and Application on Bacteria Foraging Optimization Algorithm[J].Computer Engineering and Applications，2010，46（20）：1621.

[14]楊尚君，王社偉，陶軍，等.基于混合細菌覓食算法的多目標優化方法[J].計算機仿真，2012，29（6）：218222.

YANG Shangjun，WANG Shewei，TAO Jun，et al.Multiobjective Optimization Method Based on Hybrid Swarm Intelligence Algorithm[J].Computer Simulation，2012，29（6）：218222.

[15]李博.細菌覓食優化算法研究及其在圖像檢索中的應用[D].西安：西安電子科技大學，2014.

LI Bo.Research on Bacterial Foraging Optimization Algorithm and Its Application in Image Retrieval[D].Xian：Xidian University，2014.

[16]吉佳紅，高尚.基于正交試驗的細菌覓食算法的全局最優化[J].電子設計工程，2015，23（12）：2830.

JI Jiahong，GAO Shang.An Bacterial Foraging Algorithm Based on Orthogonal Experimental Method for Global Optimization[J].Electronic Design Engineering，2015，23（12）：2830.

[17]段亞男.蘇里格致密砂巖儲層 BFACM 混合最優化測井解釋方法研究[D].長春：吉林大學，2015.

DUAN Yanan.Research on BFACM Hybrid Optimization Log Interpretation Method in Sandstone Reservoirs of Sulige Area[D].Changchun：Jilin University，2015.