BP神經(jīng)網(wǎng)絡(luò)在裂縫密度識(shí)別中的應(yīng)用

丁烽娟，徐守余，黨黎鋒

?

BP神經(jīng)網(wǎng)絡(luò)在裂縫密度識(shí)別中的應(yīng)用

丁烽娟1，徐守余1，黨黎鋒2

（1.中國(guó)石油大學(xué)（華東），山東 青島 266555； 2.中海油能源發(fā)展股份有限公司工程技術(shù) 深圳分公司，廣東 深圳 518000）

由于其很好的自適應(yīng)性和非線性映射能力，神經(jīng)網(wǎng)絡(luò)技術(shù)在石油領(lǐng)域得到了廣泛的應(yīng)用。結(jié)合模糊相關(guān)性分析和主成分分析的方法，利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的方法，通過(guò)巖心和成像標(biāo)定的常規(guī)測(cè)井?dāng)?shù)據(jù)實(shí)現(xiàn)對(duì)單井裂縫密度的識(shí)別，取得了很好的效果。

BP神經(jīng)網(wǎng)絡(luò)；模糊相關(guān)性分析；主成分分析；測(cè)井；單井裂縫密度

1 引 言

近幾年來(lái)人工神經(jīng)網(wǎng)絡(luò)的研究，不但在理論方面有了長(zhǎng)足的發(fā)展，而且也應(yīng)用到更多的領(lǐng)域。由于其很好的自適應(yīng)性、非線性映射能力和高度并行處理的能力而被廣泛地應(yīng)用于各個(gè)行業(yè)，在石油化工和石油地質(zhì)領(lǐng)域都取得了很多的成果。不僅應(yīng)用于石油化工、生產(chǎn)軟測(cè)量建模、深色油品評(píng)價(jià)，而且在試井分析、地震處理、測(cè)井解釋等方面也有很多研究［1-4］，同時(shí)越來(lái)越多的人將其應(yīng)用于裂縫研究［5,6］。

與常規(guī)的砂巖儲(chǔ)層相比，裂縫儲(chǔ)層巖性特征相對(duì)復(fù)雜、裂縫發(fā)育、非均質(zhì)性嚴(yán)重、具有雙重孔隙介質(zhì)等，對(duì)裂縫進(jìn)行識(shí)別和評(píng)價(jià)非常的困難，雖然成像測(cè)井技術(shù)在裂縫識(shí)別方面具有極大的優(yōu)勢(shì)，由于受成本的制約，只能在少數(shù)的幾口井中測(cè)量，并且測(cè)量過(guò)程中經(jīng)常受到井壁狀況的影響，使測(cè)量的結(jié)果受到一定的限制［7］，而常規(guī)測(cè)井成本低，應(yīng)用比較廣泛，但是在裂縫識(shí)別方面，常規(guī)測(cè)井方法具有很大的局限性，主觀解釋不確定性以及結(jié)果的多解性制約著常規(guī)測(cè)井在裂縫識(shí)別方面的應(yīng)用。神經(jīng)網(wǎng)絡(luò)方法的應(yīng)用使常規(guī)資料結(jié)合成像測(cè)井，降低成本，提高裂縫預(yù)測(cè)準(zhǔn)確性的問(wèn)題成為了可能。本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)井點(diǎn)裂縫密度進(jìn)行回歸和預(yù)測(cè)。

2 BP神經(jīng)網(wǎng)絡(luò)原理及改進(jìn)

（1）基本原理

人工神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱神經(jīng)網(wǎng)絡(luò)）是由大量處理單元（神經(jīng)元）廣泛互聯(lián)而成的網(wǎng)絡(luò)，其組織能夠模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)事件所作出的交互反應(yīng)［8］。BP算法是目前在各個(gè)領(lǐng)域應(yīng)用中使用最廣泛、最直觀、最易理解，同時(shí)也最為成熟的一種算法。BP神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的學(xué)習(xí)算法，具有誤差反向傳播的特點(diǎn)。

BP網(wǎng)絡(luò)主要由輸入層、隱含層和輸出層三部分組成，其中不同層之間相互連接，同一層內(nèi)不存在相互連接，隱含層的個(gè)數(shù)可以是一個(gè)，也可以有很多個(gè)［9］。通過(guò)訓(xùn)練，不斷的調(diào)解權(quán)重而達(dá)到輸出誤差最小化的目的。學(xué)習(xí)過(guò)程包括正向的計(jì)算和誤差的反向傳播兩部分。訓(xùn)練樣本輸入后經(jīng)過(guò)中間隱含層逐層計(jì)算和學(xué)習(xí)，通過(guò)權(quán)值和激活函數(shù)運(yùn)算后，得到一個(gè)輸出，如果與期望的輸出相差較大，則轉(zhuǎn)入誤差反向傳播過(guò)程，從輸出開(kāi)始反向傳播，通過(guò)修改各層神經(jīng)元的權(quán)值，使實(shí)際輸出與期望輸出誤差逐漸減小，不斷計(jì)算，直到達(dá)到給定值，學(xué)習(xí)階段結(jié)束。學(xué)習(xí)過(guò)程的作用是把隱含在輸入模式中的非線性關(guān)系隱藏到神經(jīng)網(wǎng)絡(luò)的內(nèi)部，分布到各個(gè)連接權(quán)值上，最終的權(quán)系數(shù)用作對(duì)屬性參數(shù)的預(yù)測(cè)。將預(yù)測(cè)值送入網(wǎng)絡(luò)中，即可獲得預(yù)測(cè)的輸出值。

（2）BP網(wǎng)絡(luò)算法的改進(jìn)

為了達(dá)到更好的預(yù)測(cè)效果，對(duì)于BP網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)（包括網(wǎng)絡(luò)中隱含層的層數(shù)，各層的節(jié)點(diǎn)數(shù)及網(wǎng)絡(luò)學(xué)習(xí)系數(shù)）必須根據(jù)實(shí)際的需要來(lái)設(shè)定。所以本文對(duì)于BP網(wǎng)絡(luò)進(jìn)行裂縫密度預(yù)測(cè)的過(guò)程中，進(jìn)行了如下的改進(jìn)：

①對(duì)輸入層參數(shù)的選擇問(wèn)題，本文采用主成分分析和模糊相關(guān)性分析［10］的方法，合理選擇所需要的測(cè)井曲線數(shù)據(jù)，有效降低了網(wǎng)絡(luò)的結(jié)構(gòu)，并且提高了收斂速度。通過(guò)對(duì)裂縫的測(cè)井響應(yīng)程度進(jìn)行評(píng)判和矩陣變換后，對(duì)輸入?yún)?shù)進(jìn)行排序，剔除敏感程度低的參數(shù)。

②對(duì)于隱含層的層數(shù)和節(jié)點(diǎn)數(shù)的問(wèn)題，并沒(méi)有成熟的理論來(lái)指導(dǎo)，而是根據(jù)經(jīng)驗(yàn)，按照滿足精度要求的情況下下盡可能少的原則來(lái)設(shè)定。

③由于網(wǎng)絡(luò)模型的不穩(wěn)定性，采用了疊加先前的學(xué)習(xí)模式和新的學(xué)習(xí)模式，然后不斷重新訓(xùn)練的方法,以此來(lái)改善網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程和網(wǎng)絡(luò)模型記憶的穩(wěn)定性。

3 實(shí)例應(yīng)用

成像測(cè)井在描述裂縫特征方面是目前最有效的方法［11］，根據(jù)BP神經(jīng)網(wǎng)絡(luò)的方法，將具有巖心和成像測(cè)井資料的井段及統(tǒng)計(jì)分析的裂縫密度作為網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證數(shù)據(jù)，將只有常規(guī)測(cè)井曲線的井段作為預(yù)測(cè)數(shù)據(jù)，通過(guò)建立的神經(jīng)網(wǎng)絡(luò)計(jì)算獲得對(duì)應(yīng)的井點(diǎn)裂縫密度。

（1）測(cè)井參數(shù)選擇和網(wǎng)絡(luò)結(jié)構(gòu)的建立

本文對(duì)于裂縫密度的識(shí)別采用標(biāo)準(zhǔn)的三層BP網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)輸出層神經(jīng)元只有一個(gè)，就是期望輸出的裂縫密度值，是經(jīng)過(guò)歸一化處理后的成像測(cè)井解釋得到的裂縫密度數(shù)據(jù)。本文所選用的學(xué)習(xí)樣本是能夠反映裂縫發(fā)育情況的常規(guī)測(cè)井曲線，并且提前做好標(biāo)準(zhǔn)化處理和巖心深度校正，然后根據(jù)模糊相關(guān)性分析和主成分分析，不斷的測(cè)試和調(diào)節(jié)自然伽馬、井徑、深淺側(cè)向電阻率、密度、聲波時(shí)差、補(bǔ)償中子測(cè)井曲線的不同組合，最終認(rèn)為自然伽馬、淺側(cè)向電阻率和井徑測(cè)井與裂縫密度相關(guān)性較好，而且彼此之間的影響小，因此確定輸入層單元數(shù)為三個(gè)。

（2）網(wǎng)絡(luò)模型建立

通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)的建立，選擇響應(yīng)特征比較明顯的自然伽馬、淺側(cè)向電阻率和井徑測(cè)井?dāng)?shù)據(jù)作為樣本，并對(duì)其進(jìn)行歸一化處理，電阻率曲線進(jìn)行對(duì)數(shù)歸一化處理，其他兩種曲線做線性歸一化，使輸入輸出值在0-1之間,網(wǎng)絡(luò)訓(xùn)練起來(lái)更加方便。然后給定初始的權(quán)值和閾值，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和校正，確定最終的權(quán)值系數(shù)，建立網(wǎng)絡(luò)模型。

（3）網(wǎng)絡(luò)模型的預(yù)測(cè)效果檢驗(yàn)及分析

根據(jù)訓(xùn)練好的網(wǎng)絡(luò)模型，對(duì)未知井段的常規(guī)測(cè)井?dāng)?shù)據(jù)進(jìn)行歸一化處理后，作為預(yù)測(cè)樣本輸入模型中，輸出預(yù)測(cè)的裂縫密度。

為了驗(yàn)證網(wǎng)絡(luò)的效果和準(zhǔn)確性,根據(jù)預(yù)測(cè)結(jié)果的實(shí)際對(duì)應(yīng)情況，從圖1可以看出，裂縫密度值的變化與實(shí)際測(cè)井響應(yīng)對(duì)應(yīng)性很好，表現(xiàn)為電阻率在碳酸鹽巖高阻值背景下明顯減小，裂縫密度越大，電阻率越低，伽馬值低，井徑一般呈現(xiàn)縮徑現(xiàn)象。另外，我們根據(jù)得到的裂縫發(fā)育段與成像測(cè)井解釋結(jié)果和斯通利波時(shí)差處理成果解釋進(jìn)行對(duì)比。由圖2可以看出，三者具有很好的一致性，裂縫發(fā)育段對(duì)應(yīng)成像測(cè)井顯示，并且強(qiáng)斯通利波衰減與反射異常，指示有裂縫發(fā)育，這說(shuō)明神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果是可靠的。

圖1 計(jì)算單井的裂縫密度與常規(guī)曲線對(duì)比圖

圖2 單井裂縫發(fā)育程度與成像測(cè)井對(duì)比圖

4 總 結(jié)

正研究表明，BP神經(jīng)網(wǎng)絡(luò)結(jié)合模糊相關(guān)性分析和主成分分析的方法能夠提高網(wǎng)絡(luò)收斂速度，提高識(shí)別的準(zhǔn)確性，對(duì)于裂縫的識(shí)別方面具有一定的優(yōu)勢(shì)，可以有效避免人為因素的干擾，但是這種方法適用于開(kāi)發(fā)程度相對(duì)較高的油田，在實(shí)際應(yīng)用中需要進(jìn)一步的探索。

參考文獻(xiàn)：

［1］ 才軼. 神經(jīng)網(wǎng)絡(luò)技術(shù)在石油化工過(guò)程中的應(yīng)用[D]. 北京：北京化工大學(xué)，2009.

［2］ 宋軍. 基于遞歸神經(jīng)網(wǎng)絡(luò)的石化生產(chǎn)軟測(cè)量建模方法研究[D]. 蘭州：蘭州大學(xué)，2008.

［3］ 高俊. 近紅外光譜分析技術(shù)在油品分析中的應(yīng)用研究[D]. 南京：南京工業(yè)大學(xué)，2005.

［4］ 張洪，鄒樂(lè)君，沈曉華. BP神經(jīng)網(wǎng)絡(luò)在測(cè)井巖性識(shí)別中的應(yīng)用[J]. 地質(zhì)與勘探，2002，06：63-65.

［5］ 張吉昌，邢玉忠，鄭麗輝. 利用人工智能技術(shù)進(jìn)行裂縫識(shí)別研究[J]. 測(cè)井技術(shù)，2005，01：52-54+90.

［6］ 申輝林，高松洋. 基于BP神經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫識(shí)別研究[J]. 斷塊油氣田，200702：60-62+93.

［7］ 潘欣. 構(gòu)造裂縫識(shí)別與建模研究——以鄂爾多斯盆地中西部定邊-華池地區(qū)延長(zhǎng)組為例[D]. 西安：西北大學(xué)，2010.

［8］ 楊斌. 神經(jīng)網(wǎng)絡(luò)及其在石油測(cè)井中的應(yīng)用[M]. 北京：石油工業(yè)出版社，2005.

［9］ 李愛(ài)國(guó)，王衛(wèi)，徐永勝. BP神經(jīng)網(wǎng)絡(luò)在局部似大地水準(zhǔn)面精化的應(yīng)用[J]. 全球定位系統(tǒng)，2008，03：29-31.

［10］ 汪忠德，王新海，張汶，等. BP人工神經(jīng)網(wǎng)絡(luò)法(ANNS)在塔中地區(qū)碳酸鹽巖測(cè)井評(píng)價(jià)中的應(yīng)用[J]. 石油天然氣學(xué)報(bào)，2008，02：253-255+656.

［11］ 曹嘉猷，劉士安，高敏. 測(cè)井資料綜合解釋[M]. 北京：石油工業(yè)出版社，2002.

Application of BP Neural Network in the Fracture Density Recognition

1,1，2

(1.China University of Petroleum, Shandong Qingdao 266580, China;2.CNOOCEnerTech-Drilling&Production Co. Shenzhen Branch, Guangdong Shenzhen 518000,China)

Because of its good adaptability and nonlinear mapping ability, neural network has been widely used in oil field. In this paper, combined with the fuzzy correlation analysis and principal component analysis method, the method of improved BP neural network, recognition of single well fracture density was realized based on conventional logging data, good results have been achieved.

BP neural network; fuzzy correlation analysis；principal component analysis；logging；single well fracture density

TQ 018

A

1671-0460（2016）09-2174-03

2016-03-24

丁烽娟（1990-），女，山東青島人，碩士研究生在讀，中國(guó)石油大學(xué)（華東）地質(zhì)資源與地質(zhì)工程專業(yè)，研究方向：油氣藏開(kāi)發(fā)地質(zhì)。