基于神經網絡的元素錄井巖性識別方法研究及應用

張方方

摘要：隨著我國對油田行業的不斷勘探和鉆井新工藝的應用，在鉆井的過程中會遇到復雜的巖層，巖屑細小等問題，傳統的錄井識別已經無法滿足常規的巖性識別，給巖性識別帶來了挑戰，在元素錄井數據標準化的基礎上，利用BP神經網絡的元素來進行構建錄井巖性識別方法，可以幫助提高巖性識別的準確度，說明該方法對提高錄井巖性識別有著較好的效果。

關鍵詞：神經網絡的元素;錄井巖性;識別方法

在油氣鉆井過程中需要保證施工參數、鉆井安全，提高油氣勘探的效率。地層巖性識別技術是油氣鉆井工程中一項重要的內容，目前所采用的傳統巖性識別方法主要是通過人工或者簡單的光學儀器觀察巖屑的組成成分，但是這種方法在使用的過程中會存在著一些差異，對于樣品的定義或者特征描述會出現差錯，甚至會對地層巖性造成錯誤理解。因此需要更為先進的錄井技術。元素錄井是一種比較先進的技術，通過人工神經網絡方法，可以對元素錄井進行巖性識別，提高復雜巖性識別的準確率。

1元素錄井的原理及方法

對于巖性元素的成分分析的X射線熒光分析儀主要分為兩種，分別為波長色散型和能量色散型。其中波長色散型分析儀是利用多個衍射晶體對各種巖石元素的特征進行波長分析，可以對元素進行全方位的測量。而能量色散型分析儀其主要的作用是一個探測儀器，可以測量所有能量的X射線，在進行實驗的過程中，需要將巖石樣品的X射線能量和強度激發出來，就可以進行元素測量。

元素錄井的樣品主要為從油氣鉆井中所采取的巖屑，利用X射線對這些樣品進行分析獲得的元素信息主要包括譜圖信息和元素含量信息。在譜圖信息中不同元素的電子躍遷能力會有所不同，譜圖信息中的橫坐標位置也會出現變化。從元素含量信息中可知X射線強度與巖屑中元素含量呈正相關系，因此可以通過數學運算得出元素含量數據。

2元素含量與巖性的關系

2.1元素含量與礦物含量

巖石的主要成分為礦物，不同巖性的巖石所含有的礦物成分和含量不同，油氣田地層中常見的巖石為石英、石灰巖、白云巖、鉀長石、高嶺石、云母等。不同的巖石所含有的元素也會有所不同，相反通過元素也可以判斷出地層中的巖性。

元素錄井主要是利用XRF進行巖屑分析，從而得出巖屑中元素的含量，通過對元素的分析，可以反映出油氣田地層中所含有的主要元素，因此當礦物的化學成分比較穩定時，說明礦物元素含量也會保持穩定。

2.2元素含量與測井曲線的相關性

測井是油氣田開采中一種常見的勘探技術，對巖性和儲存物性都有著合理的解釋方法。在元素錄井過程中需要加強元素含量和測井數據之間的聯系，利用測井數據來對元素錄井中各部分數據提供合理的依據，可以幫助提高元素錄井的準確性，為巖性的判別增添了新的技術手段，促進元素錄井技術在油氣田中的應用。

2.3不同巖性的XRF譜圖特征

元素錄井主要是利用XRF進行巖屑分析，利用對譜圖的處理來得到地層中各元素的含量，不同的巖性在進行分析時會出現不同的差異，但是會存在一定的規律性，巖性相同的譜圖具有相似特征，利用這一特性可以對不同地層的譜圖進行對比分析，有利于地層巖性的判斷，推動油氣田的勘探工作。

3神經網絡方法

3.1神經網絡處理方法的原理

神經網絡處理單元和大腦中樞神經細胞結構有著類似的節點，這些節點會通過不同的強度進行互相連接，每當神經網絡處理單元進行操作時，都會對這些信號乘以一個權值。用神經網絡巖性識別模型的方法主要是利用巖性資料和測井相應值進行網絡設計、網絡學習等環節所得出的模型，在利用神經網絡模型進行巖性識別。

3.2神經網絡結構的設計

針對現有的神經網絡算法進行分析，使用最為廣泛的算法就是誤差反向傳播。反向傳播主要由兩個方面為信息前饋和誤差反向傳播，其主要的原理就是調節各層的權值進行網絡學習，并把所得到的學習樣本集進行組合。

對于輸入向量可以采用測井曲線形態特征，用已知相對應的巖性來作為輸出向量。通過多個對比樣本進行分析，建立起與地質狀況相對應的測井特征，通過這樣的方法可以得知神經網絡是一個非線性系統，可以把具有多個分量的測井曲線轉換成一個輸出矢量。將神經網絡調整好后，就可以依靠其它地層信息曲線確定巖性。

3.3BP神經網絡在元素錄井巖性識別中的應用

人工神經網絡的樣本學習能力非常強，具有很強的自組織、自適應、容錯率低等特點，克服了傳統方法的缺陷，對巖性識別結果的準確率比較高。元素錄井測量數據種類比較多樣化，并且地層中的巖性變化情況也比較復雜，通過人工神經網絡的建立，可以幫助元素變化和巖性變化之間建立一定的關聯性，對元素錄井元素進行快速劃分，從而提高了油氣田現場巖性識別的準確率和高效性。

BP神經網絡是一種常用的人工神經網絡方式，BP神經網絡可以在已知學習樣本數據的基礎上，根據反方向傳播原理可以構建成網絡訓練模式，這種訓練模式的過程可以分為兩種情況，一種為正向訓練，另外一種則為反向訓練。在正向訓練的過程中，信號從輸入層進入，然后會從輸出層輸出，如果在輸出層得不到所要求的數值，就會進行反向訓練。在反向訓練的過程中，誤差信號會根據輸入途徑進行原路返回，然后通過自身的模型數值對各層神經元的權值進行修改，在最大程度上降低誤差信號。

4結束語

通過對元素錄井數據進行相關處理以后，消除了儀器刻度、測量環境等對元素錄井數據的影響，可以幫助井間同類元素具有橫向對比性。利用神經網絡來進行的元素錄井識別，方法比較簡單，而且準確率高。相比較一些傳統的錄井方法，神經網絡可以按照自身的樣本進行自動識別模式，為測井提供了一個全新的方法，在油氣資源開發方面的具有非常重要的意義。

參考文獻

[1]孟耀華，尚廷義，王兵.樣條過程神經元網絡在測井巖性識別中的應用研究[J].電子測試，2009（06）：4-8.

[2]陳袁，鮮讓之，吳德順，周飛，陳麗群.基于PCA-RBF神經網絡的新型錄井巖性識別方法[J].四川地質學報，2016，v.36;No.125（01）：15 8-162+167.

[3]趙杰，李春華.基于神經網絡的兩種巖性識別方法的研究[J].《現代電子技術》（23期）：136-138.