神经网络技术在复杂断块油藏水淹层评价中的应用

张学磊，沈 楠，樊 茹，张守良，唐 玮

(1.中国石油勘探开发研究院，北京 100083；2.中国石油勘探与生产分公司，北京 100011)

神经网络技术在复杂断块油藏水淹层评价中的应用

张学磊1，沈 楠1，樊 茹1，张守良2，唐 玮1

(1.中国石油勘探开发研究院，北京 100083；2.中国石油勘探与生产分公司，北京 100011)

复杂断块油藏岩性纵向上变化大，水淹后物性和电性也与原始状态有明显差距，使用一般测井解释方法识别水淹层级别具有难度，再加上众多确定的以及不确定的断层的存在，使得从动态上定性识别水淹层也难以做到。以复杂断块G油田试油资料为基础，运用BP神经网络技术，优选对水淹程度敏感的电阻率测井、自然电位测井、声波时差测井以及自然伽马测井数据作为学习数据，建立了水淹层网络训练模型，并据此对未试油小层的水淹层级别进行了预测，证实水淹层评价符合率达到80%以上，由此可以证明BP神经网络技术对此类油田水淹层评价具有很好的适应性。

油田开发 神经网络技术 复杂断块油藏 测井解释 水淹层评价

水淹层的识别与评价是高含水油田开发中后期井网加密调整必须面对及解决的课题之一。大量资料表明，在油田注水开发的不同阶段，储层内岩石的物性、电性和含油性的变化远比开发初期复杂的多[1]，因此，水淹层的解释一直是困扰老油田井网调整的难题。目前水淹层的测井评价分定性识别和定量识别两种，定性识别方法均来自于常规测井，主要有自然电位法、径向电阻率对比法、声波时差分析法、自然伽马-声波时差曲线组合法、地层水矿化度分析法等，以自然电位和电阻率方法应用最为普遍。这些评价方法都比较单一，对于相对复杂的水淹层解释，无法做出准确的判断[2]。而在定量识别方面，宝浪油田[3]、中原油田[4,5]、冀东油田[6]等都发展了自己的水淹层测井解释技术，但在适应性方面都有自己的局限性，具体表现在对地质条件及资料要求高，成本高，精度低，实用性差等方面[7]。

本文的研究区块为渤海湾复杂断块G油田Es32+3储层，此储层埋藏深度大，目的层3 000～4 000 m，纵向上层系多，有76个小层，非均质性强，且不同层系的注入水质不同。由于断层多且很多小断层无法准确认识，层间连通关系变得十分复杂，又加上受边水影响，所以从动态上定性识别水淹层也变得十分困难。对水淹层级别的认识关系到区块后期井网层系调整的成败，本文以渤海湾复杂断块G油田为例，通过应用BP神经网络综合判定的方法，对水淹层的级别进行了预测，一定程度上解决了动态资料监测技术和单一测井系列多解性的缺陷，提高此区块水淹层认识的精度，为区块井网调整提供了依据。

1 传统测井解释水淹层级别的局限性

G油田是一个被多个断层复杂化的油田，储层电性、物性及含油性在纵向上变化范围较大。注采关系建立后，注入水会导致储层性质及其测井响应产生复杂的变化，同时油层水淹前后以及不同水淹阶段的测井响应特征也没有规律可循，且由于该油田实际注入水性质变化(既有淡水，又有污水回注)，使得水淹层混合液电阻率难以求准，影响了水淹层测井解释的精度[8]。因此，水淹层的识别成为G油田新钻开发井测井解释评价的难点及重点。

油层注入淡水后，注入水电阻率对地层电阻率影响明显。水淹初期，地层电阻率降低，而到了水淹中后期，随着地层水的不断淡化，地层电阻率急剧增高，甚至远高于原始油层电阻率，形成测井界公认的“U”型曲线(图1)[1]。从曲线上看，一个电阻率对应两个饱和度，高电阻率对应的不一定是油层，说明仅凭电阻率的高低来判断油层是行不通的[9]。

图1 注淡水过程中地层电阻率的变化曲线

对自然电位而言，注入水矿化度与泥浆滤液矿化度及原始地层水矿化度之间的差异，可能造成自然电位异常幅度的增加、降低或泥浆基线偏移，同时单个油层的水淹部位、水淹程度不同，SP基线偏移也不同，SP偏移也具有多解性。

油层水淹对声波时差曲线的影响主要表现在孔隙度的变化上，由于原始地层水矿化度与注入水矿化度有较大的差异，随着注入水的不断驱替和冲刷，有可能造成以高岭石为主的粘土矿物被冲洗带走，孔隙空间增大；对于以蒙脱石为主的粘土矿物，容易吸水发生膨胀，造成孔隙通道进一步阻塞，引起孔隙度减小[10]。随注入水的推进，自然伽马曲线可能改变地层中放射性物质的分布，使某些层的自然伽马增高，而另一些层却降低，因此常规测井曲线对G油田水淹层的识别并不十分有效。

2 BP神经网络的工作原理

BP神经网络模型拓扑结构由输入层、隐含层、输出层构成(图2)。

图2 BP神经网络结构示意

BP神经网络算法所采用的学习过程由正向传播处理和反向传播处理两部分组成。在正向传播过程中，输入模式从输入层经隐含层逐层处理并传向输出层，每一层神经元状态只影响下一层神经元状态，如果在输出层得不到期望的输出，则转向误差信号的反向传播阶段，此时，误差信号从输出层向输入层传播并沿途调整各层间连接权值以及各层神经元的偏置值，执行误差函数梯度下降策略以使误差信号不断减少，权值不断调整使网络误差函数达到最小值。这种算法的实质是通过多个学习样本的反复训练并采用最快下降法，使得权值沿误差函数的负梯度方向改变，并收敛于最小点[11]。

BP神经网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能，这使得它特别适合于求解内部机制复杂的问题。它能通过学习带正确答案的实例集自动提取“合理的”求解规则，所以，BP神经网络技术具有一定的概括能力[12]。

3 BP神经网络水淹层识别的流程

3.1训练样本的选取

本文设计了以可调衰减器和定向耦合器为核心器件的发射机互调发射测量链路，建立了基于衰减量调节的互调发射抑制比测量方法，并以某型电台为实验对象，对fc=|ft±fj|、fc=|2ft±fj|、fc=|3ft±fj|、fc=|2ft±2fj|和fc=|2fj±ft|等10种互调发射类型的互调发射抑制比进行了测量.所有测量结果均符合本文的分析结论，说明本文提出的测量方法是合理可行，测量结果准确可信.

选取样本的原则是样本的代表性和有效性。选择的样本越有代表性,解决问题的能力就越强,预测的效果就越好。

3.2测井资料的标准化

由于每口井测井曲线所测时间不同，深度、井下环境、仪器系列不同，同样属性的测井曲线在不同井中虽然经过了编辑和环境校正，仍存在仪器刻度误差，这就造成了同一测井系列在同类地层中差异较大。为消除与地层性质无关的误差，需要对测井资料进行标准化处理。这个标准通常是选定的关键井或分布稳定、响应显著、各井都存在的标准层，以标准层为模板，对测井数据进行标准化处理。

3.3网络训练

在训练过程中，可以适当调节参数的大小，以免迭代步长过大而产生震荡或陷入局部极小。经过多次迭代，实际输出和期望输出的绝对误差均要求在0.01以下。

3.4识别效果的检验

为检验神经网络在识别水淹层时的有效性，对全部训练网络的已知样品交叉验证，即选择训练样品中任意一个样品作为未知样品，用其它样品来训练网络，然后用此网络状态对这个作为未知的已知样品进行识别。如果计算出的输出结果与实际结果一致，则该样品识别正确，反之，识别错误。

训练好的网络实际上是获得了一组适合学习样本类型的权重集合，在进行油气水层识别时就调用这组权重集合来获得输出层的实际输出。

4 实例分析

G油田位于渤海湾盆地，由众多小断块油田组成，目的层自下而上为下第三系沙河街组(Es)、东营组(Ed)、上第三系馆陶组(Ng)、明化镇组(Nm)和第四系平原组(Qp)。本研究区是其中的一个断块，主要储层位于沙河街组，共13口生产井，6口注水井，生产井大都有试油资料，但单层试油的井并不多，大部分都是多层合试。再加上注水井钻井或转注的时间跨度大(第一口注水井开始于1990年)，注入水矿化度的差异也较大，所以很难利用单一测井系列评价水淹层。

用MATLAB构建BP神经网络模型，本文采用的BP神经网络模型为三层网络，结构为4-6-1，即输入层为4个神经元，隐含层为6个神经元，输出层为1个神经元。根据各测井信息反应水淹级别的能力，以及该区共有的测井系列，选取了与油层、水层、水淹层类型特征相关关系较强的GR、SP、AC、Rt四种测井信息作为可供输入的信息量。

表1 BP神经网络预测储层水淹状况部分学习样本

在网络学习与预测的过程中，需要量化试油资料反映的信息。根据行业标准SY/T6178-2000《水淹层测井资料处理解释规范》中的规定，对水淹层进行分级，并结合高尚堡油田实际情况，经过分析确定量化的结果为:油层=0.2；弱水淹层=0.4；中水淹层=0.6；强水淹层=0.8；水层=1。

利用试油试采的资料，对已知油水层、水淹层段的测井数据(样本)进行学习训练。经过数据整理，剔除明显异常数据后，共得到528组样本学习训练数据。利用选出的学习样本，以及样本的各测井值和量化输出值一起组成了训练样本的数据集。这部分数据经过学习后，与实际试油资料进行交叉验证，当符合率较低的时候，就需要重新进行学习样本及测试样本的选择与提取，同时应考虑对人工神经网络模型进行优化处理，直至符合率达到满意值。当测试结果满意时，所训练的网络就可以投入到区域储层含油性预测识别过程中[1]。

利用此学习样本选择方法，共得到有代表性的样本数据100个，其中油层15个，弱水淹层22个，中水淹层23个，强水淹层25个，水层15个，样本选择的结果既考虑了各种样本种类之间的平衡问题，又考虑了水淹层预测的精度，符合学习样本选择原则。部分学习样本如表1。

经过多次的测试，最终确定学习速率自适应调整参数为0.01，收敛误差为0.002，网络训练5 220次。由于学习样本代表性强，特征明显，所以本次学习效果好，识别效果检验符合率达到90%以上，达到了对其它样本进行预测的条件。

利用此学习训练数据对剩余的428个试油样品点进行预测，结果显示预测准确率较高的测井点集中在强水淹、油层和水层，预测偏差率较高的测井点分布在中水淹层和弱水淹层，预测偏差的主要原因可能还是由于该油藏的电性、物性及含油性复杂，测井解释的多解性无法完全排除，但整体预测的符合率已经达到80%以上(图3，图4)，证明了综合利用这些信息识别水淹级别的有效性，同时说明BP神经网络适合该油田水淹状况的判定，由此可以推广到该油藏未进行试油或者合试的层段。

图3 水淹层评价的符合率

图4 G油田X井神经网络水淹级别预测

5 结论

(1)BP神经网络技术是一种综合评价方法，可以解决传统测井解释技术对水淹层评价具有多解性的难题。

(2)本次研究利用试油资料与学习样本模型交叉验证，客观上提高了水淹层预测的精度。

(3)实例证实BP神经网络可以对复杂断块储层的水淹层级别进行较准确的预测，与试油资料相比，符合率可达80%以上，说明BP神经网络技术对此类油田水淹层评价具有很好的适应性。

[1] 赵培华.油田开发水淹层测井技术[M].北京:石油工业出版社,2003:176-194.

[2] 潘有军,徐赢,张中劲,等.牛圈湖油田水淹层测井评价方法[J].岩性油气藏,2011,23(2):85-89.

[3] 魏忠元,姚光庆,周锋德.基于流动单元基础上的水淹层定量识别方法研究——以宝浪油田宝北区块为例[J].地质科学情报,2007,26(2):86-90.

[4] 黄宏才,贾文玉,谭海芳,等.利用碳氧比测井资料解释水淹层的方法探讨[J].测井技术,2000，22(3):110-112.

[5] 田素月.利用双自然电位测井研究水淹层测井解释[J].断块油气田,2002,9(3):84-85.

[6] 王秀艳,周凤鸣,王文先.浅谈利用正态分布法识别水淹层[J].测井技术,1999,23(1):29-32.

[7] 韩晓梅.南堡油田高柳地区水淹层测井评价方法[D].青岛：中国石油大学(华东),2011:1-3.

[8] 杨斌,匡立春,孙中春,等.神经网络及其在石油测井中的应用[M].北京:石油工业出版社,2005:191-195.

[9] 梅红,张厚福,孙红军.神经网络技术在测井相分析及水淹层判别中的应用[J].石油大学学报(自然科学版),1997,21(3):24-28.

[10] 张玎,梅红,冉文琼.应用人工神经网络识别水淹层[J].测井技术,1996,20(3):210-214.

[11] 刘瑞林,华运隆.延迟神经网络测井资料评价水淹层的方法及应用[J].石油学报,1997,18(4):76-80.

[12] 杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001:41-58.

(编辑 王建年)

Application of neural network technique in evaluating watered-out zonein complex faulted block reservoir

Zhang Xuelei1,Shen Nan1，Fan Ru1，Zhang Shouliang2，Tang Wei1

(1.ResearchInstituteofPetroleumExploration&Development，PetroChina，Beijing100083，China； 2.ExplorationandProductionCompany，PetroChina，Beijing100011，China)

In vertical direction of complex faulted-block reservoir，lithology varies greatly.And then rock physical property between the initial state and watered-out state shows obvious disparity，as well as electrical property.So it is difficult to identify watered-out zones by general log interpretation methods.It is also hard to explain levels of watered-out zone because of the existence of a multitude of definite and undefined faults.In the article，based on formation test data of G Oilfield，resistivity logging，spontaneous potential logging，acoustic logging，gamma ray logging，which are sensitive to watered-out zones，were chosen for learn-training data.And then the BP neural network model for watered-out zones was built.Thus the watered-out zones were predicted by the BP neural network technique.The results proved that the coincidence rate of evaluating watered-out zone is above 80%.Therefore，it was confirmed that the BP neural network technique fits well for evaluating watered-out zone in this type of oilfield.

neural network technique；complex faulted block reservoir；log interpretation；watered-out zone evaluation

TE319

A

2015-06-01；改回日期2015-06-28。

张学磊(1983—)，博士，从事油气田开发规划及方案的研究，电话：010-83592271，E-mail：zhang.xl@petrochina.com.cn。

中国石油重大专项“水驱提高采收率关键技术研究”(2011B-1103)。

10.16181/j.cnki.fzyqc.2015.03.012