BP神經(jīng)網(wǎng)絡(luò)在復(fù)雜儲層流體識別中的應(yīng)用

王少龍，楊 斌，趙 倩，魏 杰

（成都理工大學(xué)能源學(xué)院，四川成都 610059）

W油田位于柴達木盆地西部英雄嶺構(gòu)造帶東段，具有豐富的油氣資源，W油田是一個縱向疊置復(fù)雜斷塊構(gòu)造油氣藏，存在斷層發(fā)育且斷距大，地層重復(fù)嚴重，油氣水系統(tǒng)多，井間差異大，油氣分布異常復(fù)雜，巖石物理評價及油氣系統(tǒng)的認識面臨諸多挑戰(zhàn)；基于在常規(guī)圖版法識別流體性質(zhì)的基礎(chǔ)上建立了神經(jīng)網(wǎng)絡(luò)模型的方法對W油田進行流體識別，與試油結(jié)論相比較吻合，能夠滿足識別流體類型的精度要求。

1 常規(guī)儲層流體識別方法—圖版法

利用常規(guī)測井資料識別流體性質(zhì)方面，前人提出了不少方法，如基于孔隙度電阻率測井的交會圖版法，陣列感應(yīng)測井法識別油水層，基于阿爾奇公式的全微分法[1-5]。選取W油田試油層段的測井曲線數(shù)據(jù)值，可以采用幅度值法、比值法、差值法、曲線校正法等建立不同參數(shù)類型的交會圖版。建立的DEN～HT09交會圖（見圖1），該圖版以補償密度與陣列感應(yīng)電阻率進行交會，試油結(jié)論有氣層、油層、水層、含油水層、干層等，利用該圖版能夠較好地區(qū)分干層、水層類和油氣層類，但是油層與氣層是混淆的，不能區(qū)分；建立的CNL與HT09/LLD的交會圖版（見圖2），該圖版能夠較好地區(qū)分油氣層和水層類，但該圖版存在流體界限分別不清晰，識別精度不高的問題；以聲波時差幅度、電阻率比值進行交會圖（見圖3），其中△AC由小層聲波時差極大值減去該井聲波時差極小值獲得，該圖版能夠較好地區(qū)分油層、氣層和水層，但該圖版不能區(qū)分出油氣同層。因此在復(fù)雜儲層的識別過程中，圖版法很難一一的對流體性質(zhì)進行識別，利用單個圖版更是不能解釋儲層的流體性質(zhì)，并且圖版法識別儲層流體性質(zhì)過程太過于繁瑣，不利于實踐，綜合以上圖版法存在的眾多問題，建立了神經(jīng)網(wǎng)絡(luò)模型對儲層流體性質(zhì)進行了識別。

2 神經(jīng)網(wǎng)絡(luò)在儲層流體識別中的應(yīng)用

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直到輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)[6]。如果輸出層達不到開始設(shè)置好的誤差精度，網(wǎng)絡(luò)會自動的反向傳播，根據(jù)預(yù)測的誤差自動調(diào)整權(quán)值和閥值，不斷靠近期望輸出，最終達到想要的精度，并輸出結(jié)果[7]。

本次研究在傳統(tǒng)的圖版法流體識別的基礎(chǔ)方法上，引入BP神經(jīng)網(wǎng)絡(luò)測井解釋方法，建立適應(yīng)本地區(qū)的儲層流體識別模型，對模型精度進行評價并應(yīng)用于單井儲層流體的預(yù)測。

2.1 BP神經(jīng)網(wǎng)絡(luò)流體識別模型的建立

學(xué)習(xí)樣本的挑選是神經(jīng)網(wǎng)絡(luò)模型建立的關(guān)鍵，其特點是規(guī)律性強、與測井響應(yīng)的相關(guān)性好，同時具有較好的區(qū)域代表性[8]，基于之前建立的圖版法識別流體性質(zhì)可以看出，△AC、DEN、CNL、HT09和 HT09/LLD 這 5條測井曲線值對流體性質(zhì)的分類效果較好，具有代表性。為確保所有輸入數(shù)據(jù)度量單位的統(tǒng)一及消除相差懸殊造成的影響，神經(jīng)網(wǎng)絡(luò)的輸入測井也要求是在0～1的數(shù)值，對BP神經(jīng)網(wǎng)絡(luò)流體識別輸入數(shù)據(jù)均采用了歸一化處理，在對本研究區(qū)測井曲線進行歸一化處理時，對于具有近似線性特征的測井曲線，如△AC、DEN、CNL參數(shù)采用線性歸一化公式：

對于具有非線性對數(shù)特征的測井曲線，如HT09、HT09/LLD采用對數(shù)歸一化公式：

圖1 DEN～HT09交會圖

圖2 CNL～HT09/LLD交會圖

圖3 △AC～HT09/LLD交會圖

表1 神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)歸一化極值統(tǒng)計表

式中：Xi-測井曲線值；Xmin、Xmax-該測井曲線極小值和極大值。各曲線歸一化數(shù)值（見表1），不同流體類別的期望輸出矢量表示（見表2）。

表2 流體類別的期望輸出矢量表

2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與學(xué)習(xí)評價

本次BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)樣本共有70個，每個樣本點均由試油解釋結(jié)論與相對應(yīng)的測井響應(yīng)值組成。5條測井曲線值作為輸入層，油層、氣層、油氣層、水層、干層、油水層共6種流體類型作為輸出層，所以神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元為5，輸出神經(jīng)元為6，設(shè)計隱層節(jié)點10個，模型結(jié)構(gòu)（見圖4）；另外預(yù)留了15個試油樣本用于網(wǎng)絡(luò)檢測，即系統(tǒng)驗證的過程。將15個檢驗數(shù)據(jù)送入訓(xùn)練好的BP網(wǎng)絡(luò)流體識別模型進行預(yù)測，預(yù)測結(jié)果（見表3），從表3中可知BP神經(jīng)網(wǎng)絡(luò)流體識別模型的識別結(jié)果與實際情況符合，其符合數(shù)達到14個，符合率為93.3%，說明該模型對本地區(qū)的流體性質(zhì)識別效果較好，可以運用該模型對W油田儲層段進行識別。

圖4 流體識別模型結(jié)構(gòu)圖

2.3 模型應(yīng)用實例

利用已建立的BP神經(jīng)網(wǎng)絡(luò)模型對研究區(qū)各單井進行儲層流體性質(zhì)的預(yù)測（見圖5），是W油田A井神經(jīng)網(wǎng)絡(luò)模型的判別結(jié)果的實例，顯示了神經(jīng)網(wǎng)絡(luò)模型解釋的儲層流體性質(zhì)與電測解釋結(jié)果和試油結(jié)論的對比，可以看出神經(jīng)網(wǎng)絡(luò)解釋的結(jié)論和試油結(jié)論一致，而且與常規(guī)的電測解釋結(jié)果不同的是，神經(jīng)網(wǎng)絡(luò)模型判別結(jié)果對油氣層和油層，水層和油水層更加有效，對應(yīng)的測井曲線響應(yīng)特征更明顯，該方法有效的解決了復(fù)雜儲層流體識別難的問題。

表3 W油田預(yù)留樣本神經(jīng)網(wǎng)絡(luò)識別結(jié)果與試油結(jié)果對比表

圖5 W油田A井神經(jīng)網(wǎng)絡(luò)模型對流體性質(zhì)判別結(jié)果示意圖

3 總結(jié)

從交會圖法中可以得出常規(guī)測井流體識別的方法能大致的區(qū)分儲層的流體性質(zhì)，但存在精度不高，識別界限不清楚，部分點有交叉現(xiàn)象的問題。

運用BP神經(jīng)網(wǎng)絡(luò)法建立流體識別模型能較好的解決油層和油氣層；水層和油水層存在的測井特征不清晰，圖版法識別繁瑣且精度不高的問題，解決了本地區(qū)流體識別困難這一最大難題，對今后油田的合理開采提供了技術(shù)上的支持。