人工神經網絡巖性識別在地質建模中的應用

胡 泊，李 鋒，程光瑾，王 亮，童守強

（1.玉門油田分公司勘探開發研究院，甘肅酒泉 735019；2.玉門油田環慶分公司，甘肅慶陽 745700）

巖性識別是油藏描述中不可或缺的一部分，尤其在建模過程中，巖性模型更是不可缺少，不僅對后續孔隙度和滲透率模型起約束作用，還直接影響模型儲量的大小。傳統的巖性識別方法主要是人工擬合法，該方法不僅工作量大且常常依賴于操作人員的地質經驗和工作熟練程度，解釋結果好壞因人而異。為了提高解釋精度，采用一種依靠計算機自動識別巖性的方法成為地球物理學家的迫切要求，因此提出了應用人工神經網絡法進行巖性識別工作。在巖性識別過程中，神經網絡對樣本有較強的學習能力，克服了以往人工統計法的缺陷，具有識別工作量小、解釋結果精度高等特點[1-3]。

1 神經網絡概述

神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型，通過模仿大腦的處理信息原理對外部刺激做出反應。網絡系統可分為三個階段，首先對事物進行感知，然后通過網絡傳播激活或抑制神經元，最后做出反應。其本身是一種計算模型，由大量的神經元節點組成。每個節點均代表一個人為指定的輸入函數，簡稱激活函數。每兩個節點之間的鏈接均有權重，相當于給神經網絡賦予記憶功能。人工神經網絡技術多用在函數逼近、某種無法進行精確描述的算法的實現、邏輯策略表達等方面。能完成記憶、理解、學習、推理、判斷以及控制等復雜的工作。

神經網絡模型主要分為三個組成部分，每個神經元模型是由與輸入鏈接的處理單元和單個輸出組成。神經元輸入xi的信號流向是單向的，神經元輸出信號流也是如此。

用數學公式表達為：

其中：x1，x2...xp為輸入信號，wk1，wk2...wkp為神經元k 的權值，uk為線性組合結果，φ（·）為激活函數，yk為神經元k 的輸入值。

2 實例應用

2.1 模型基本情況

文章建模用到的實例為一背斜構造油藏，儲層厚度大，物性好且邊底水發育。本次建模平面網格為20 m×20 m，縱向網格0.5 m，共計501 923 個網格，模型縱向劃分6 個含油小層。

2.2 巖相劃分

建模過程中需要建立區塊的巖性模型，用來約束孔隙度、滲透率模型以及控制最終模型地質儲量。一般建模常用方法是通過設置泥質含量曲線門限值來區分巖性，但是這種單一的屬性對儲層巖性反映往往有偏差，且很難確定合理的門限值，導致計算結果不準確，降低了模型的精度。因此本文建模采用神經網絡技術以多種測井資料數據作為輸入值進行模糊聚類和預測估算。

區塊所獲取井資料有GR、NPHI、PERM、POR、SP、SW、VSH 和RHOB 共八種，通過數據之間的相關性分析，對曲線進行優選和剔除，得到神經網絡輸入參數（見表1）。

分析結果顯示，POR（0.967 9）、PERM（0.967 6）、VSH（0.949 7）和GR（0.808 7）四個數據和其他數據之間具有較強的相關性，因此該四項數據具有一定代表性，可作為輸入參數。其中POR、PERM 和VSH 三項數據兩兩之間呈現出較高的相關性，表明它們之間具有相同的數據來源，選其一作為輸入參數即可，因此最終確定POR 和GR 作為輸入項。建立神經網絡模型，設置神經網絡輸入層神經元為2，輸出層神經元個數也為2，最大迭代次數為20，誤差控制范圍5%（見圖1）。

圖1 神經網絡巖性判別結構框圖

表1 井數據相關性表

計算求解，并與常規人工巖性識別結果進行對比（見圖2）。

圖2 巖性計算結果對比圖

圖2 中可以看出，兩種方法巖性計算結果基本相似（左側為常規方法計算結果，右側為神經網絡方法計算結果），差距不超過10 %。常規方法計算得到砂泥含量分別為28 %和72 %，神經網絡模型計算得到的砂泥含量分別為31 %和69 %，神經網絡模型計算出的砂泥比略微偏高，但整體縱向分布大致相同。

2.3 儲量計算

在相同的差值算法下依次建立出孔隙度模型和凈毛比模型，設置地層物性參數并求解模型地質儲量（見表2、表3）。

表2 常規方法模型儲量誤差表

表3 神經網絡方法模型儲量誤差表

巖性模型對孔隙度模型和凈毛比模型都有一定的影響，在一定程度上決定了模型儲量的大小。儲量結果對比來看，通過神經網絡技術建立的巖性模型對于最終儲量的計算誤差更小，無論小層儲量還是總體儲量都接近真實儲量，證實了神經網絡模型對于巖性分類的計算較常規方法更為準確。

3 結論

（1）神經網絡方法沒有嚴格的數學推導，但從實用性方面來說，由于其模擬了人類等生物的思維判斷方式，在樣品之間關系非常模糊的情況下，有著明顯的識別優勢。本文通過神經網絡模型計算的巖性結果與常規方法計算得到的巖性結果基本相似，誤差不超過百分之十，該方法操作簡單，計算速度快，不需要太多經驗就能通過人工智能方法高效完成巖性識別，具有一定的實際應用價值。

（2）從預測結果可以看出，利用神經網絡對儲層巖性的計算結果更加準確，通過模型儲量誤差對比，發現該方法減少了3.5 %的誤差，證實了神經網絡的可靠性和精確性，讓分類變得簡單智能化。