BP神經網絡在致密砂巖巖石相測井識別中的應用
——以鄂爾多斯盆地杭錦旗地區J72井區盒1段儲層為例

郭 輝

(中國石化華北油氣分公司，河南鄭州 450006)

致密砂巖巖石相識別是低滲致密儲層評價的重要工作之一，前人研究表明，巖石相類型對致密氣藏物性及含氣性有一定的控制作用[1]，其研究方式與識別結果精準度直接影響致密砂巖氣藏儲層質量評價與開發方案部署。在傳統巖石相識別中，交匯圖版法未考慮測井曲線相似性的干擾，從而導致圖版中的樣本點相互重疊、界限模糊，巖石相識別效果較差[2]；BP神經網絡算法通過輸入訓練集、學習以及監督，再反向傳播學習誤差，多次迭代，從而使誤差收斂到最小值，該算法能彌補傳統圖版法、模糊聚類法以及主成分分析法的不足[3]。BP神經網絡算法在識別巖性或者巖石相的應用中比較成熟，取得了較好效果，張洪(2002)等[4]利用BP神經網絡對金衢盆地巖性進行識別，并改善了算法收斂性；薛文卓(2019)等[5]將BP神經網絡在銀額盆地巖性識別中進行應用，識別精度提高約20%；區舫[6]等將基于主成分分析的BP神經網絡應用于Fauqi油田巖性識別中，識別精度達到84.1%；單敬福[3](2017)等通過優選對巖性反映較為敏感的自然伽馬以及光電吸收截面指數作為輸入向量，基于BP神經網絡算法對氣田石英砂巖、巖屑石英砂巖、巖屑砂巖以及泥巖共4種巖性進行識別，符合率為90%，但只用自然伽馬以及光電吸收截面指數這兩種曲線作為輸入向量，對于研究區5種巖石相(礫巖相、礫質砂巖相、粗砂巖相、中細砂巖相以及泥巖相)識別精度不高，約71%。因此，文中通過對鄂爾多斯盆地杭錦旗地區J72井區盒1段巖石相的合理分類，在BP神經網絡算法基礎上進行改進，通過優選自然伽馬(GR)、聲波時差(AC)、補償中子(CNL)、補償密度(DEN)以及地層真電阻率(RT)共5條測井曲線，對全區已鉆井目的層非取心段進行巖石相識別預測，為有效砂體預測及井位部署提供支撐。

1 BP神經網絡方法原理

1986年Rumelhalt等提出BP神經網絡算法，該算法是在按照誤差逆向傳播算法訓練基礎上形成的多層前饋神經網絡，其網絡模型包括輸入層、隱含層和輸出層[7]。首先，批量輸入學習樣本后初始化、設置初始權值、閾值、初始學習效率以及學習精度等；其次，利用公式(1)、公式(2)以及公式(3)計算各層的輸入值和輸出值，其誤差值與設置誤差值進行比較，不滿足時進行逆向反饋，最終采用誤差梯度最大下降法對權值和閾值不斷進行修正；最后，通過設置迭代終止條件，即輸出值與期望目標值接近，誤差小于一定值時終止遞歸[8]。

隱藏層、輸出層以及激活函數如下式：

(1)

(2)

激活函數：f(x)=(1+e-x)-1

(3)

式中：αh為第h個隱藏層輸出，無量綱；Xi為輸入層第i個樣本點，無量綱；Vih為輸入層第i個節點到隱藏層的權值，無量綱；γh為隱藏層第h個神經元的閾值，無量綱；Whi為隱藏層第h個節點到輸出層的權值，無量綱；βj為輸出層第j個神經元的閾值，無量綱。

BP神經網絡算法以取心井段的各種敏感曲線值作為輸入變量，相對應的巖石相類型作為輸出變量，通過修正、迭代得出各曲線值與對應巖石相之間特征映射關系，最終對未取心井段進行巖石相識別。

2 地質概況

鄂爾多斯盆發育于華北克拉通之上，將其劃分為天環坳陷、伊盟隆起、伊陜斜坡、渭北隆起、晉西撓褶帶和西緣逆沖斷裂構造帶等六個一級構造單元[10-11]。杭錦旗地區位于鄂爾多斯伊陜斜坡北部，與伊盟北部隆起，天環坳陷相接觸，J72井區位于伊陜斜坡與伊盟隆起的過渡帶，北部為泊爾江海子斷裂[12]。

杭錦旗地區J72井區目的層為二疊系下石盒子組，地層厚度100～160 m，可劃分為盒1段、盒2段、盒3段，其中，盒1段為主力含氣層系。二疊世時期，盆地性質由海盆演變為湖盆，下石盒子組沉積環境也相應的由海相轉變為陸相，環境濕熱，北部古陸強烈剝蝕，物源充足，沉積物粒度變化大、礦物成分種類復雜、巖石相類型變化快，為沖積扇背景下的辮狀河沉積[13-15]，發育心灘、辮狀河道以及泛濫平原等沉積微相。該區鉆井、測試資料表明，下石盒子組致密氣資源豐富，但獲得工業產能的井較少[17-18]。

通過J72井區盒1段12口取心井共計106個巖石薄片資料分析，盒1段巖石類型主要為巖屑砂巖，其次為巖屑石英砂巖。其中，石英含量56.0%～79.0%，平均68.9%；巖屑含量16.0%～45.0%，平均30.0%；長石含量較低，平均0.6%。盒1段沉積物多為粒度較粗的砂礫級顆粒，粒度變化大，膠結物主要為方解石、自生黏土礦物，其次為石英。

3 巖石相類型及測井響應特征

3.1 巖石相類型

巖石相是控制優質儲層分布的重要因素之一，巖石相研究是儲層評價的基礎[19]。基于18口取心井共388.6 m巖心觀察與描述，依據沉積構造、粒度等因素，綜合考慮巖石相劃分及識別的必要性和可能性，將盒1段巖石相分為5類：礫巖相、礫質砂巖相、粗砂巖相、中細砂巖相以及泥巖相。

礫巖相：雜基支撐或顆粒支撐，分選較差、磨圓中等，常見礫石定向排列，分布在心灘底部或河道底部，儲層物性較差，孔隙度為4%～8%，滲透率為0.1×10-3～0.7×10-3μm2。

礫質砂巖相：分布在心灘底部或河道底部，儲層物性較好，孔隙度為4%～12%，滲透率為0.3×10-3～0.9×10-3μm2。

粗砂巖相：分布在心灘或辮狀水道中，是盒1段優勢巖石相，儲層物性最好，孔隙度為6%～12%，滲透率為0.3×10-3～0.9×10-3μm2。

中細砂巖相：分布在心灘頂部或辮狀水道中，儲層物性較差，孔隙度為2%～6%，滲透率為0.1×10-3～0.3×10-3μm2。

泥巖相：含泥質粉砂巖、粉砂質泥巖以及泥巖，主要分布在溢岸、泛濫平原等沉積微相中。

3.2 巖石相測井響應

沉積構造、顆粒大小、礦物成分以及泥質含量等因素導致巖石相測井曲線特征存在一定差異，可反映巖石地質特征與物理性質的變化[20]。其中，J72井區對GR、AC、DEN、CNL、RT曲線最為敏感，結合取心觀察、巖石相描述、巖心標定，總結出盒1段不同巖石相測井曲線響應特征(圖1)。結果表明，礫巖相具有中-高自然伽馬(齒化箱形)，中-低聲波時差、中-低補償中子以及中-高密度等特征；礫質砂巖相具有中-低自然伽馬(鐘形)、中-低聲波時差、中-高密度以及低地層電阻率等特征；粗砂巖相具有低自然伽馬(光滑箱形)、低聲波時差、中-低密度及中-低電阻率等特征；中細砂巖相具有中-高自然伽馬(齒化指形)、中-高聲波時差、高密度以及中高地層電阻率等特征；泥巖相具有高自然伽馬(平直狀)、高聲波時差、低密度以及中電阻率等特征(表1)。

表1 J72井區盒1段巖石相測井響應特征

圖1 杭錦旗地區J72井區測井交匯分析

4 巖石相識別

4.1 BP神經網絡識別巖石相流程

4.1.1 樣本采集與歸一化

由于測井儀器在測試過程中受到泥漿、井徑等測量因素的影響而存在誤差，常規測井曲線標準化可以消除誤差，但測井曲線的儀器故障、刻度錯誤等特殊誤差仍存在，因此有必要對曲線進行歸一化處理[21-26]。將5條敏感曲線進行歸一化，公式為：

(4)

式中：Δφ為歸一化的曲線值，無量綱；φ為任意曲線的值，無量綱；φmax為最大曲線值，無量綱；φmin為最小曲線值，無量綱。

4.1.2 曲線相關性分析

在識別巖石相之前，先對5條敏感曲線做相關性分析，了解曲線之間的相關性，避免曲線之間存在多重共線性特征。在相關系數矩陣中，AC曲線與DEN曲線相關系數最大，最大值僅為0.193 9，因此，各曲線間不存在多重共線性特征，故不影響識別結果(表2)。

表2 各曲線相關系數矩陣

4.1.3 初始化網絡

輸入樣本數據點，以[GR，AC，DEN，CNL，RT，巖石相]的文本格式輸入，建立BP神經網絡，采用梯度下降法，激活函數為f(x)=(1+e-x)-1。取網絡中初始化參數：學習步長α=0.7，學習效率η=0.88，網絡迭代1 000次，學習總誤差δ=0.000 1；將曲線總類數作為輸入層的節點數，選取5條測井曲線(GR、AC、DEN、DEN、RT)，將輸入層節點數設計為5；設計1個隱含層數，當輸入節點數為n時，隱含層節點數一般為2n+1[7]，將隱含層節點數設計為11；本次巖石相類型歸為5大類，將輸出層輸出節點數設計為5；然后將各權值設計在(-1，1)區間內隨機提取權值，最后設置每個閾值為1。

4.1.4 計算各層神經元輸出

將整理好的樣本數據以[GR，AC，DEN，CNL，RT，巖石相]的文本格式輸入到輸入層中，利用隱含層計算公式(1)以及輸出層公式(2)計算隱含層和輸出層單元輸出激活函數f(x)=(1+e-x)-1的結果，經過BP神經網絡模型正向傳遞學習。

4.1.5 計算誤差、修改權值和閾值

測井曲線值作為學習樣本，對應的巖石相類型作為監督數據輸入到BP神經網絡學習訓練中，學習樣本以神經元信號正向傳遞學習，每一層的神經元學習結果只會影響下一層的神經元，因此，如果輸出層誤差范圍大于設置好的容忍誤差值，就會啟動逆向反饋程序，誤差信號返回輸入層及隱含層；然后，基于梯度下降法修改各層神經元中的權值以及閾值，從而使得誤差值降到最小，持續迭代計算反傳誤差。權值調整計算公式如下：

Wi(j+1)=ασjβkαi+τΔWij

(5)

式中：Wi(j+1)為輸入層第i個節點到隱含層第j個節點處的權值，無量綱；α為學習步長(默認0.7)；σj為隱含層第j個節點數的誤差項，無量綱；βk為輸出層第k個節點數的輸出項，無量綱；αi為輸入層第i個節點數的輸出項，無量綱；τ為動量因子(默認0.8)。

4.1.6 巖石相識別計算

由于此次網絡迭代次數為1 000次，從第1次開始，每迭代1次，系統學習1次，持續迭代根據誤差值修改各層的權值和閾值，計算誤差值是否滿足δ小于0.000 1。若在1 000次以內，計算誤差δ小于0.000 1，則跳出迭代，保存最后一次計算的權值與閾值；若到1 000次計算誤差δ仍然大于0.000 1，則跳出迭代程序，保存第1 000次計算的權值與閾值。

將歸一化曲線引入計算，巖石相有5類，分別為礫巖相(相代碼1)、礫質砂巖相(相代碼2)、粗砂巖相(相代碼3)、中細砂巖相(相代碼4)以及泥巖相(相代碼5)。按分配的巖石相自然數識別結果輸出，如表3所示，按照程序記錄下的巖石相為自然數1、2、3、4、5，根據事先迭代完成后得出的權值以及閾值，確定自然數與巖石相的特征映射關系，基于此映射關系可識別出J72井區盒1段非取心段相對應曲線的巖石相類型。

表3 識別結果分類

4.2 識別效果與驗證

前期利用傳統交匯圖版法對J72井區盒1段巖性以及巖石相進行了識別與預測，通過預測結果與取心井段驗證，識別符合率較低，僅為50.3%。

利用研究區18口取心井總共988個樣本點，基于巖心刻度測井，并對曲線歸一化，將760個樣本點利用python軟件進行BP神經網絡學習訓練以及巖石相識別，預留錦7井以及錦88井總共228個樣本點帶入已完成BP神經網絡識別巖石相中，驗證神經網絡模型的準確性。識別結果表明：基于BP神經網絡的巖石相預測準確率顯著提高，平均識別符合率83.5%，其中，錦7井符合率為85.3%、錦88井符合率為82.8%(圖2)。以上分析可以看出，與傳統交會圖版法相比，BP神經網絡算法的巖石相識別準確度更高，可為精細刻畫砂體奠定堅實的基礎。

圖2 錦88井BP神經網絡巖石相識別結果

5 結論

(1)杭錦旗地區J72井區盒1段巖石類型主要為巖屑砂巖和巖屑石英砂巖，粒度較粗，膠結物主要為方解石和自生黏土礦物。

(2)J72井區盒1段發育的巖石相可歸類為五大類，分別為礫巖相、礫質砂巖相、粗砂巖相、中細砂巖相以及泥巖相，其中粗砂巖相和礫質砂巖相的物性較好，為優勢巖石相類型。

(3)不同巖石相類型的測井曲線響應具有一定的差異性，優選出自然伽馬、聲波時差、補償中子、補償密度、地層真電阻率共5條敏感曲線對巖石相進行了識別，交會圖版法的識別正確率為50.3%，BP神經網絡算法的識別正確率為83.5%，相較于交會圖版法準確率提高了約30.0%。