基于BP神经网络的成岩相测井定量识别方法

■魏小龙　赵栋　何洲

（1西北大学地质学系　陕西　西安　710069；2西北大学大陆动力学国家重点实验室　陕西　西安　710069；3延长石油（集团）有限公司油气勘探公司　陕西　延安　716000）

基于BP神经网络的成岩相测井定量识别方法

■魏小龙1,2赵栋1,2何洲3

（1西北大学地质学系陕西西安710069；2西北大学大陆动力学国家重点实验室陕西西安710069；3延长石油（集团）有限公司油气勘探公司陕西延安716000）

BP神经网络对于解决成岩相类型和常规测井资料之间的非线性关系具有独特优势。分析鄂尔多斯盆地陇东地区延长组长8段致密储层成岩相类型的测井响应特征，将成岩相类型划分为绿泥石衬边弱溶蚀成岩相、斑状方解石绿泥石膜成岩相、不稳定组分溶蚀成岩相、碳酸盐岩胶结成岩相和致密压实成岩相。利用密度测井、自然伽马测井、中子测井、中子-密度孔隙度差等对成岩相类型划分敏感性较强的参数，提出了基于BP神经网络的成岩相测井定量识别方法。利用该方法对研究区实际1口井资料进行了处理，通过与薄片鉴定结果的对比，验证了成岩相识别方法的可靠性。

BP神经网络致密砂岩储层成岩相

0　引言

近年来，深化对鄂尔多斯盆地陇东地区致密砂岩储层的再认识，寻找更多的有利勘探区块，已经是该地区石油勘探的重点。对于致密砂岩储层来说，成岩相类型对于储层质量有着重要影响。成岩相是成岩矿物在一定沉积环境、成岩环境下，经历一定成岩演化过程的产物，主要包括岩石颗粒、胶结物、孔洞缝等综合特征。成岩相是现今储层特征的直接反映，是表征储层性质、类型和优劣的重要成因性标志[1]~[3]。因此成岩相的划分对于储集层预测、油气勘探有着重要意义。

目前，国内学者对成岩相类型的划分主要利用铸体薄片、电镜扫描、常规薄片等资料进行分析。然而，岩心取样是间隔不连续的，只能准确反映某点深度的成岩相类型，无法连续判断储层成岩相[4]。此外，岩心取样难度大、成本高，故而样品资料有限。测井技术能够连续记录地下岩石的各种物理信息，不同成岩相在测井响应特征上均不相同。BP神经网络对于解决成岩相类型和测井响应特征之间的非线性联系具有独特优势。在前人确定成岩相测井特征响应的基础上，提取敏感性参数，利用BP神经网络构建成岩相划分模型，就能够根据测井曲线资料快速、连续的划分成岩相类型。

1　方法原理

图1　BP神经网络模型结构Fig.1 The structure of BP neural network model

BP神经网络是一种通过误差逆向传播来改变算法权值的多层前端反馈网络，它无需用数学方程便可直接体现非线性数据之间的映射关系，正是因为这种性质，BP神经网络成为了目前世界上应用最广泛的神经网络模型之一[5]~[7]。BP神经网络的结构一般由三部分构成（图1）：输入层、中间隐层和输出层。输入层是负责接收外界信号，输入层接收的输入信号，可以是单输入信号也可以是多输入信号。中间隐层是负责内部信息处理，大多可以设计为单层或多层结构，理论已经证明，一个三层网络可以任意精度实现各种复杂的非线性映射，因此一个三层结构的神经网络模型便可以解释大部分测井问题了[8]~[12]。设计中间层的时候，还需要确定神经元数量、训练函数等。输出层是负责输出处理结果。

BP神经网络模型训练流程如下：

第一步：正向输入样本数据，设置参数，选定训练函数。

第二步：当输出值与期望值不符时，误差进行反向逐层传递，并且会根据误差减小最快的方向（一般为梯度方向）逐层修改各个神经元的权系数。

第三步：直到误差满足要求或者达到设定的训练次数时停止训练，输出结果。

2　成岩相敏感参数分析

利用BP神经网络模型来预测成岩相，关键要对成岩相敏感性参数进行分析，旨在众多测井数据类型中选出与成岩相划分关系最密切的数据类型。在敏感性参数分析之前，为了使测井曲线数据有利于对比，要进行数据归一化处理[13]，即：

式中Y为归一化后的测井数据；X为原始测井数据；Xmin为测井数据最小值；Xmax为测井数据最大值。

将鄂尔多斯盆地陇东地区101个测井样本数据归一化处理后，利用中子-密度视石灰岩孔隙度差与常规测井数据绘制交会图，建立储层成岩相识别图版，进而对成岩相敏感性参数进行分析（图2），结果如下：

中子测井、密度测井、自然伽马测井的数据对于研究区成岩相划分效果良好，具有很高的辨识度，四种成岩相类型数据点基本独立，存在少量交集，无法线性准确区分四种成岩相类型。声波时差对于研究区成岩相的划分效果一般，对于绿泥石衬边弱溶蚀成岩相、斑状方解石绿泥石膜成岩相、不稳定组分溶蚀成岩相具有良好的区分度，但是对于致密压实成岩相的区分效果不是很好，数据点较为分散。因为声波时差的测量很容易受钻井液、地下水、井壁等因素的影响，所以误差较大。因此声波时差数据对于成岩相类型的划分并不是十分敏感。

自然电位测井（图3）对于研究区成岩相类型的划分效果不好，可以观察到斑状方解石绿泥石膜成岩相与致密压实成岩相混淆在一起，无法准确区分，且自然电位本身也波动性较强。因此自然电位数据对成岩相类型划分不敏感。

综上所述，中子（CNL）、密度（DEN）、自然伽马（GR）、中子-密度视石灰岩孔隙度差（φND）这四类测井参数对于研究区成岩相类型划分十分敏感，故可以应用于BP神经网络建模中，来准确、快速的划分研究区成岩相类型。而声波时差（AC）、自然电位（SP）对于研究区成岩相类型划分并不敏感，故而不应用于建模中，以免降低模型结果的精度。

3　BP神经网络模型构建

利用MATLAB内置软件工具箱建立BP神经网络模型，可以节省大量时间，同时也可以避免编写计算机程序的烦恼。BP神经网络模型在测井中的应用一般由输入层、隐含层、和输出层三部分组成。模型的具体构建方法如下：

图2　中子-密度孔隙度差与敏感性参数交会图Fig.2 The cross plot of neutron-density porosity difference and sensitive data

图3　中子-密度孔隙度差与自然电位交会图Fig.3 The cross plot of neutron-density porosity difference and natural potential

3.1构建输入层

用神经网络对研究区内成岩相类型划分，就是建立一种成岩相类型与测井曲线数据之间的映射关系。根据对成岩相敏感性参数的分析，选定中子（CNL）、密度（DEN）、自然伽马（GR）、中子-密度视石灰岩孔隙度差（φND）四类测井曲线数据作为BP神经网络模型的输入层

3.2构建隐含层

确定BP神经网络层数、神经元数量、和传递函数就是确定BP神经网络隐含层。现有理论证明，通过改变神经元数量，只含有一个隐含层的BP神经网络模型可以充分预测大部分测井问题。但是如果神经元数量过多就会大大增加训练时间，影响效率，反之，如果神经元数量过少则又会影响精度。所以，在BP神经网络模型构建中，先采用较小的神经元数量，再逐渐增加，直到误差满足训练要求。BP神经网络的传递函数有多种，不同函数有不同的性质（线性传递或非线性传递）对应不同的输入、输出范围。经过研究试验，最终确定神经元数量为200，训练函数为TRAINLM，适应学习函数类型为LEARNGDM,误差分析为MSE。

3.3构建输出层

目前，石玉江等人根据铸体薄片资料将鄂尔多斯盆地陇东地区长8储层成岩相划分为5类，分别为绿泥石衬边弱溶蚀成岩相、斑状方解石绿泥石膜成岩相、碳酸盐胶结成岩相、不稳定组分溶蚀成岩相、致密压实成岩相。根据铸体薄片资料显示，将BP神经网络模型的输出层设定为四类成岩相类型。由于MATLB软件无法识别汉字，因为将输出结果设定为数字，1——绿泥石衬边弱溶蚀成岩相，2——斑状方解石绿泥石膜成岩相，3——不稳定组分溶蚀成岩相，4——致密压实成岩相。

图4　鄂尔多斯盆地陇东地区Z51井测井曲线及成岩相划分Fig.4 The logging curves and diagenetic facies classification of Z51 well of Longdong region,Ordos Basin

当BP神经网络模型构建好之后，利用101个样本数据进行预测，预测结果中，94个样本数据预测准确，精度达到93.1%。绿泥石衬边弱溶蚀成岩相样本数量22，其中19个数据预测准确，精度达到86.4%；斑状方解石绿泥石膜成岩相样本数量25，其中25个数据预测准确，精度达到100%；不稳定组分溶蚀成岩相样本数量27，其中24个数据预测准确，精度达到88.9%；致密压实成岩相样本数量27，其中26个数据预测准确，精度达到96.3%。预测结果与岩心资料匹配度高，说明本文利用BP神经网络方法来划分成岩相类型方法是可行的。

4　模型验证

在鄂尔多斯盆地陇东地区研究区内选取1口未被作为样本参与建模的井（Z51），利用建立好的BP神经网络模型对井次的连续地层进行预测，并绘制成岩相分布柱状图，结果如图4所示。

常规测井资料显示，在2220-2222m和2234-2236m井段，中子-密度视石灰岩孔隙度差约为13%，密度值约为2.6g/cm3，中子值约为20%，自然伽马值大于150API。利用神经网络模型判断该段为致密压实成岩相，2221.50m处岩石薄片资料显示该点为致密压实成岩相，与神经网络模型判断结果一致。在2225-2226m井段，中子-密度视石灰岩孔隙度差约为6%，密度值约为2.4g/cm3，中子值约为16%，自然伽马值小于100API，2225.25m处岩石薄片资料显示该点为绿泥石衬边弱溶蚀成岩相，与神经网络模型判断结果一致，说明利用BP神经网络划分成岩相结果可靠。

5　结束语

（1）利用岩心取样资料只能判断地下某点的成岩相类型，虽然结果精确但是成本高、效率低。为此，我们从测井曲线出发，提取成岩相的测井响应特征，分析其敏感性参数，利用BP神经网络建立识别成岩相类型模型。BP神经网络模型自适性强、构建方法简单，可以充分利用测井数据，连续、快速的划分成岩相类型，与传统成岩相划分方法相比具有明显优势。

（2）为了进一步提高神经网络的成岩相测井识别方法的精度，一方面要尽可能获得更多一手测井资料，增加敏感性参数的样本数量；另一方面要不断优化神经网络的算法本身。随着测井技术和计算机技术的进步,BP神经网络模型在未来石油勘探中的应用会愈发广泛。

[1]石玉江,肖亮,毛志强,等.低渗透砂岩储层成岩相测井识别方法及其地质意义--以鄂尔多斯盆地姬塬地区长8段储层为例 [J].石油学报,2011,32(5):820-828.

[2]邹才能,陶士振,周慧,等.成岩相的形成、分类与定量评价方法 [J].石油勘探与开发,2008,35(5):526-540.

[3]刘林玉,王震亮.白豹地区延长组长3储层的成岩作用与成岩相 [J].西北大学学报:自然科学版,2008,38(1):99-102.

[4]钟高润,张小莉.鄂尔多斯盆地延长组长7段致密储层成岩相测井识别方法--以陇东地区为例 [J].国外测井技术,2014(4):23-27.

[5]刘全稳.测井神经网络技术综述 [J].石油地球物理勘探,1996(S1):64-69.

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

[7]朱大奇.人工神经网络研究现状及其展望 [J].江南大学学报:自然科学版,2004 (01):103-110.

[8]吴灿灿,李壮福.基于BP神经网络的测井相分析及沉积相识别 [J].煤田地质与勘探,2012,40(1):68-71.

[9]陈钢花,胡琮,曾亚丽,等.基于BP神经网络的碳酸盐岩储层缝洞充填物测井识别方法 [J].石油物探,2015,54(1):99-104.

[10]罗利.神经网络在测井解释中的应用 [J].天然气工业,1997(5):23-26.

[11]珣肖慈,娄建立,谭世君.神经网络技术用于测井解释的评述 [J].测井技术,1999, 23(5):389-392.

[12]李道伦,卢德唐,孔祥言,等.BP神经网络隐式法在测井数据处理中的应用 [J].石油学报,2007,28(3):105-108.

[13]付晶,吴胜和,付金华,等.鄂尔多斯盆地陇东地区延长组储层定量成岩相研究[J].地学前缘,2013,20(2):86-97.

TheQuantitativeIdentification Method of Well Logging for Diagenetic Facies Based On BP Neural Network

WEI Xiaolong1,2,ZHAO Dong1,2, HE Zhou3

(1.Department of Geology,Northwest University,Xi’an,Shanxi 710069,China;2.State Key Laboratory of Continental Dynamics,Northwest University,Xi’an,Shanxi 710069,China; 3.Yanchang Petroleum(Group)Co.Ltd,Oil Exploration Co,Yan’an,Shanxi 716000,China)

BP neural net has an unique advantage in solving the nonlinear relationship between diagenetic facies types and conventional well logging data.The diagenetic facies types were divided into such five styles as diagenetic facies of weak corrosion with chlorite mat,corrosion of unstable components,compaction density,kaolinite filling and carbonate cementation by analyzing the log response characteristics of the diagenetic facies types with tight reservoirs of Yanchang formation Chang8 reservoirs in Longdong region,Ordos Basin.The quantitative identification method of well logging for diagenetic facies based on BP neural net was established by density logging, natural gamma logging,neutron logging and neutron-density porosity difference and selecting the parameters which were sensitive to the diagenetic facies.One actual log data of research region was processed by using this method and its reliability was validated by comparing with the casting section data.

BP neural net、tight sand reservoirs、diagenetic facies

F407.1[文献码]B

1000-405X（2016）-9-237-3

魏小龙（1992～），男，现正攻读矿产普查与勘探硕士学位，研究方向为石油天然气勘探与综合地质。