BP神经网络在砂岩储层流体识别中的应用

摘 要：莫北地区侏罗纪三工河组，岩性主要是中、细砂岩，属低孔低渗储层，所以储层流体性质的识别是该地区急需解决的问题。针对常规测井储层识别准确率不佳的情况，提出了Bp神经网络这种数学方法进行储层的油、气、水、干层的识别。提出43个试油层段的测井曲线特征值，以对流体性质敏感并且在交会图上具有比较明显区分度的密度值（DEN）、孔隙度（POR）、电阻率值（RT）和含水饱和度值（SW）作为输入向量，经程序训练判别准确率达到满足的要求后根据得到的权值、阈值编写神经网络预测的程序挂接在测井解释软件中，从而实现了Bp神经网络在储层中的自动化识别。

关键词：Bp神经网络 流体识别 测井解释

中图分类号：P631.8 文献标识码：A 文章编号：1672-3791（2013）02（b）-0011-02

1 BP神经网络基本原理

1.2 BP神经网络构造

根据与储层特征相关的测井响应值本文采用4-10-5的神经网络结构，即输入层采用4个节点对应的是4种测井响应值，单隐含层采用10个节点，输出层为4个节点对应的是4种储层类别，分别对应是油层、油水同层、水层、干层并且依次表示为1类、2类、3类、4类，用数字0与1代表其属性，油层表示为[1，0，0，0]，油水同层表示为[0，1，0，0]，水层表示为[0，0，1，0]，干层表示为[0，0，0，1]。随机初始化神经网络权值和阈值，然后根据误差反馈不断的调整权值阈值。其中隐含层节点数和迭代资料的选择是在Matlab中用数据反复演练，直到得出能够满足实际储层解释判断正确率后得出的准确值。本文中采用附加动量方法算法网络进行网络收敛弥补神经网络算法的不足，使其学习过程收敛加快。网络实际输出是一个四维向量，其数值在0和1之间，我们取向量中最接近1所在的数组编号作为类别的输出。

2 BP神经网络实际应用

2.1 建立模型

网络训练样本设计的好坏，是直接关系到网络识别储层准确率的一个关键环节。训练样本由输入值和期望输出值两部分构成，如果训练样本任何一部分存在问题，首先会导致网络不易收敛，计算精度较低，从而影响识别储层的准确率。有时训练样本设置和实际情况相矛盾，如对同一输入值，可能给出不同的期望输出值。如何合理的确定训练样本的输入值和期望输出值就显得尤为重要。

储层类型与含油性、孔隙度有密切的关系。因此可选择对流体性质敏感并且在交会图上具有比较明显区分度的与物性相关的密度值（DEN）、孔隙度（POR）、与含油性相关的电阻率值（RT）和含水饱和度值（SW）4个参数将其归一化后作为输入神经元；以储层类型决策向量作为输出神经元。

对三工河组6口井43个试油样点取其层段平均值，将取值向量作为输入向量。首先对输入变量统一进行归一化处理，在此基础上对样本采用随机选样，用43个样本建立模型进行回判，网络输入变量为密度相对值（DEN）、孔隙度相对值（POR）、电阻率值相对值（RT）；输出变量为油层、油水同层、水层、干层。采用1个隐含层，隐含层节点单元有10个，在训练过程中，取网络学习率0.3，误差0.0001，网络迭代次数1000。

些网络模型效果较好，油层，油水同层、水层、干层识别正确率分别为0.86，0.90，0.87，0.82，满足油田需要。

2.2 储层预测验证

根据训练得出的权值、阀值编写Forrtan程序，并将此程序加载到Forward软件中分层段处理井。将其处理其它未知层位的井，然后将处理结果与该井中的试油结果相对比查看其运用效果的好坏（表1）。

从（表1）中可以看出用神经网络预测储层流体性质基本与试油结果基本符合，A4井4270～4273.2（m）中试油结果为油水同层，神经网络判别结果与试油结果相同，而测井解释结果为油层；其它几个井中神经网络判别结果与试油结果基本相符合，从中可见上述数学方法在油水层判别中运用效果较好。

3 结语

三工河组储层为中、细砂岩为主的低孔低渗砂岩，流体性质的识别是测井解释中不可缺少的一部分。测井曲线值对不同类型流体变化波动微小，常规方法在测井解释中不能起到理想的预期效果，所以本文提出了Bp神经网络这种模式识别的方法运用在流体识别中。

Bp神经网络方法是以自身特有的样本学习能力获得识别模式。它具有自组织、自学习、自适应容错及搞干扰能力；具有自动学习的特点，不需要事先建立任何理论模型，只需要骑过对已有的样本学习，自适应地建立测井响应与储层参数的映射关系[5]，它在石油测井解释中的应用说明了不同领域知识的融合、交叉。

在实际运用中，对其它待处理的井经过该方法处理后与这些井的试油结果相对比，我们发现经过Bp神经网络流体判别后的结果与试油结果基本相符合，这也证明了该方法在实际运用中的可靠、准确性。

参考文献

[1] 史峰，王小川，郁磊.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010：1-30.

[2] 焦李成.神经网络的应用与实现[M].哈尔滨：哈尔滨工业大学出版社，1998：50-111.

[3] 雍世和，张超谟.测井数据与处理与综合解释[M].北京：石油大学出版社，1996.

[4] 杨斌，肖慈询.基于神经模糊系统的领导参数反演[J].石油与天然气地质，2000，21（2）：173-175.

[5] 邹玮，李瑞.BP神经网络在致密砂岩储层测井识别中的应用[J].勘探地球物理进展，2006，14（2）：24-27.