汪佳蓓, 黄捍东
(1.中国地质大学 能源学院,北京100083; 2.中国石油大学 油气资源与探测国家重点实验室,北京102249)
基于BP神经网络的叠前流体识别方法
汪佳蓓1, 黄捍东2
(1.中国地质大学 能源学院,北京100083; 2.中国石油大学 油气资源与探测国家重点实验室,北京102249)
探讨塔里木盆地桑塔木地区三叠系辫状河三角洲沉积储层流体识别方法。该地区储层横向变化大,流体类型复杂。本文提出利用BP神经网络的信息整合模式识别功能来进行储层流体识别的方法,通过叠前反演得到对流体敏感的弹性参数数据体和电测解释结果标定建模样本,采取随机抽样形成建模样本集与测试样本集,选取26口井的700个样本作为学习样本,62个作为测试样本,建立BP神经网络模型。预测结果和实钻结果吻合程度高,正确率达90%以上。该方法可以很好地对桑塔木地区储层中所含流体进行识别。
弹性参数;BP神经网络;模式识别;流体识别
桑塔木地区位于塔里木盆地塔北隆起轮南低凸起的斜坡带上,三叠系是重要的油气产层。该区属于深层薄层油气藏,储层复杂,岩性和流体识别很困难,增加了储层预测和井位部署的难度。对于如何有效地进行储层流体识别,国内外学者都进行了深入的研究,Smith等[1]通过对叠前数据进行加权叠加,得到流体因子来预测流体。Goodway等[2-3]在储层预测中发挥了拉梅系数的优势。Mukerji等[4]把统计岩石物理技术和地震阻抗反演相结合,用于识别储层岩相和孔隙流体。Gray等[5-7]运用反演的λ和μ预测岩性和流体。Avseth[8]首先给出了岩石物理模板(RPT)技术,之后结合统计分类以及弹性参数反演方法运用于挪威北海Grane油田中,进行岩性和流体的定量解释。Russell等[9-10]提出新的流体指示因子预测流体。 印兴耀等[11]在Russell基础上进行改进,通过直接提取流体因子进行流体检测。后续不断有学者提出在不同区块运用的新的流体识别方法[12-15],解决了实际区块的难题。本文在前人研究的基础上,针对桑塔木地区的地质和地球物理特征,利用叠前弹性参数反演得到对流体敏感的弹性参数成果,进行储层预测和流体识别。由于研究区地质条件复杂,单一的弹性参数反演结果很难识别流体,要优选并综合多种敏感弹性参数数据体进行流体识别。BP神经网络在解决这类非线性问题时具有极大的灵活性和自适应性,能够实现复杂函数关系的变换[16]。为此,我们利用BP神经网络建立基于叠前弹性参数反演成果的流体识别方法。
BP算法全称为“误差逆传播算法”,是一种具有3层或3层以上的阶层型神经网络。上、下层之间实现全连,而每层之间无连接。本文的网络按照有样本学习的方法,神经元的激活值从输入层经中间层向输出层传播,在输出层每个单元获得网络的输入响应。按减小期望输出与实际输出的误差方向,从输出层经中间层逐层调整各权值和阈值,最后回到输入层。在误差逆传播的过程中,网络预测准确率也在提高。此过程一直进行到网络输出的误差减少到可接受程度,或进行到预先设定的学习次数为止[17]。
本文分析井点处重点层段的流体敏感叠前弹性参数反演数据体与实际电测解释的油水性之间的关系,建立两者间相互关联的神经网络,将优选出的敏感弹性参数反演数据作为输入值,井点处电测解释结果作为期望输出,通过调试网络,使输入和期望输出相符。训练好的网络可以用来预测无井控制处的流体类型,从而实现重点砂层段含油气预测(图1)。
2.1 构建输入层
用神经网络对储层流体进行识别,就是寻求储层流体与测井信息的映射关系,因此样本的选取关乎神经网络识别模型的准确性。为了提高有效储层流体识别的精度,在岩石孔隙流体研究的基础上提出了多种能够反映岩性或流体的弹性参数,如纵波阻抗(IP)、 横波阻抗(IS)、纵横波速度比(vP/vS)、泊松比(μ)、体积模量(K)、剪切模量(G)、杨氏模量(E)、拉梅系数(λ)等,诸多弹性参数是岩石骨架和孔隙流体的综合反映,具有明确的物理意义,能提供丰富的储层流体的信息。在油气指示上,体积模量通常对孔隙流体比较敏感,含油砂岩较含水砂岩体积模量偏低。选取桑塔木地区钻井资料开展岩石物理统计,并分析储层中含不同流体后弹性参数的变化情况,分析该区目的层段各参数变化的相对大小,优选出对该区敏感的弹性参数组合[18]。图2-A为纵波阻抗和纵横波速度比的交会,图2-B为拉梅系数乘密度(λρ)和泊松比的交会。图中显示干层阻抗最高,油层、油水层阻抗略微大于水层,含油水砂岩多分布在纵横波速比、泊松比和拉梅系数乘密度值皆低的区域,即在两者交会的低值区;而干砂岩正好与之相反,分布在两者交会的高值区,具有高泊松比、高拉梅系数乘密度的特点;水层、油水层和油层的分布基本上介于二者之间,两端略有交互。油层和水层特性差异较小,尤其油水层与水层的叠置范围更大;但分析发现,油层和油水层拉梅系数乘密度值比水层的要稍微小一些,可以利用这些细微的差异来识别流体。
图1 流体识别原理图Fig.1 Diagram showing the principle of fluid identification
图2 IP-vP/vS和λρ-μ交会图Fig.2 The crossplot between IP-vP/vS and λρ-μ
针对BP神经网络的输入层的参数,应当能够很好地描述输出问题的信息,在选择输入特征时,要注意2点:一是输入的变量必须选择那些对输出影响大且能够检测或提取的变量;二是要求各输入变量之间相关性很小[19]。弹性参数及其不同的组合形式反映含油气特征的灵敏程度具有很大的差异,通过大量的弹性参数敏感度分析对比研究,最终确立了纵波阻抗、泊松比、体积模量和拉梅系数乘密度4个对流体更为敏感的弹性参数数据体作为输入层,则该网络输入层节点数设定为4。
2.2 构建输出层
输出层代表网络预测中期望得到的结果,本文对应于油层、油水层、水层、干层4种检测结果,输出量为4位检测编码(表1),分别对应4个类别,该网络输出层节点数设定为4。
2.3 隐含层数和层内节点数的确定
Cybenko曾证明,3层网络结构中,如若将隐藏的节点数设置足够多,那么该网络结构足够逼近任何的函数[20]。由此可以看出,隐含层较少时,也是可以胜任的,故本文用的是1层隐含层。对于隐藏层节点数,在本文中采用试凑法,通过在保持其他设定参数不变的情况下,分析不同节点数时的计算精度以及最终预测结果的准确度,优选确定隐含层节点数。
表1 流体类型编码
Table 1 Fluid type codes
油水类型输出编码分类干层(1 0 0 0)1水层(0 1 0 0)2油水层(0 0 1 0)3油层(0 0 0 1)4
一般利用经验公式
式中:l为隐含层的节点数;m和n分别为输入层和输出层节点数,本文中m=4,n=4;α为1~10之间的某个常数。
先设定一个初始的隐含层节点数,然后依次递增节点数,对比不同隐含层节点数时的误差,优选出最合适的节点数。训练的误差情况如表2。由数据所得的误差趋势如图3所示。
从表2和图3中可以得出,在隐含层节点数为16时,误差达到10-4数量级,满足预测精度需求。当节点数继续增加时,误差变化趋于稳定,在此设定隐含层节点数为16。选定神经网络的重要参数后,需要利用实际资料进行网络的训练和测试。
表2 不同的隐含层节点数时对应的全局误差
Table 2 The overall error in different node number in hidden layer
节点数2468误差0.32654780.14126970.00935860.0027492节点数10121416误差0.00199810.00097630.00046780.0001137节点数18202224误差0.00008170.00003140.00002690.0000146
图3 不同隐含层节点数的误差分析Fig.3 The relationship between overall error and node number in hidden layer
2.4 BP算法的改进
标准BP 算法是一种最速下降静态寻优算法,在训练过程中学习步长是恒定的,存在易陷入局部最优值和训练不收敛等缺点[21-22]。关于BP算法的改进,前人已经做过大量研究,本文优选变步长法和附加动量项法相结合来改进BP算法。
变步长法考虑到当神经网络误差曲面比较平滑时,应加大网络的学习步长,使得网络能尽快收敛;当误差曲面较陡时,应减小网络学习步长,保证调整量不会过大,以免因步长过大而出现振荡现象。所以引入变步长法能根据网络误差曲面的情况实现学习步长的自适应调整,能较好地解决局部极小点和训练不收敛等问题。
附加动量项法在BP 网络修正权值时,同时考虑了误差在梯度上的作用以及误差曲面上的变化趋势。
ω(k)= ω(k-1)+Δω(k)+
a[ω(k-1)-ω(k-2)]
式中:ω(k),ω(k-1),ω(k-2)分别是k,k-1,k-2时刻的权值;a为动量学习率。附加动量项加入了前一次权值调整量,考虑到累计效应,对权值的调整起到了阻尼作用。
变步长法根据误差曲面情况自适应地调整网络的学习步长,加动量项BP算法通过增加动量项减轻网络训练过程中的振荡现象。将附加动量项和变步长思想结合起来,既可以有效地抑制网络陷入局部极小、加快收敛速度,又有利于提高运算效率和精度,可以较好地改进算法。在下面的实际应用中可以看到很好的改进效果。
3.1 网络训练和测试
选取桑塔木T3油组第1层的26口井,包括13口油井、6口油水井、5口水井和2口干井;同时抽取该26口井T3油组第1层反演数据和测井解释结果进行分析,建立了输入层节点数为4、隐含层节点数为16、输出层节点数为4的3层BP神经网络。26口井总共有数据762组,其中油层数据131组、油水层数据411组、水层数据165组、干层数据65组。本研究目的层有4种对油气较敏感的反演数据体可供利用,即纵横波速度比、纵波阻抗、泊松比、拉梅系数乘密度。取出700个样本作为学习样本,进行网络训练;另外62个作为预测样本,用来检验网络训练的效果。700组数据首先用网络模型进行自测,预测流体和实际流体如果一致,那么流体分类结果(图4-A)中红色代表的预测流体应该和蓝色代表的实际流体完全重合;如果不重合,那么分类误差图(图4-B)中就会出现非零的值,在零值上下跳跃即代表流体预测不准确。图4-B中700个样本,有601个结果正确,自测准确率达到87% 。
再用62组数据进行测试,图4-C和D分别是62个预测样本的预测结果和误差。本次设定计算5 000次,通过统计分类误差可以看出,算法改进前,预测流体类别和实际流体类别吻合率不是很好,62个样本有15个错误分类(图4-D),准确率为76%。
当然,这和算法优化以及设定的计算次数也有关系,优化算法以及提高计算次数,都可以相应地提高识别准确率。在算法改进后,同样的计算次数5 000次,图4-E中预测流体和实际流体不是完全重合,图4-F中有10个值在零值处跳动,即62个样本有10个分类错误(图4-F),准确率提高到85%。
在算法优化的同时,经过多次计算的测试后,对算法优化前后计算次数和准确率之间的关系进行了对比。图5中可以看出,随着计算次数的增加,准确率在前期大幅度提高;当达到20 000次这个临界值后,预测准确率趋于稳定。在算法优化前,随着计算次数的增加,准确率大致保持在87%左右;在算法优化后,准确率上升到91%左右。综合考虑计算效率以及准确率后,将最终的计算次数设定在拐点值20 000次。
图4 样本分类结果和分类误差图Fig.4 Sample classification results and classification errors
图5 准确率和计算次数关系图Fig.5 The relationship between the accuracy and calculation times
如图6-A、B,当计算次数设定为20 000次时,在算法优化前, 62组样本有9个分类错误,准确率为85.5%。据图6-C、D,算法优化后,计算次数同样设定为20 000次,62个样本有6个分类错误,准确率提高到90.3%,效果达到预期。选取部分样本识别结果,有灰色底纹的部分表示流体预测不符之处(表3)。本次构建好的网络,将运用到对全区油水性质的预测中;同时数据量的增加,会使得油水性的统计性更强,趋势更加明显,也是得到好的预测效果的保证。
3.2 储层流体识别
运用上述网络对T3油组第1小层进行储层流体识别,该小层全区预测结果准确率为88%,且预测出现偏差的地方主要是油水层和水层,这两者特性很接近,所以区分效果稍差。将T3油组第1小层预测结果成图,可以得到油气分布预测图(图7),图中红色的点代表油井,蓝色的点代表水井,红蓝相间的点代表油水井。右边色标中粉红色3代表油水层,黄色4代表油层。从油气分布图中可以看出,电测解释为油气层的井大多分布在油气显示特征明显的红色和黄色区域,仅有极少数井处于预测厚度偏薄的区域,吻合程度较好;且含油气储层主要分布在工区的东部,由东向西逐渐变薄。在工区东部、中部均有多口井钻遇油层;但仍有较多的油砂体发育区无井控制,例如工区西南角,可以作为滚动挖潜的有利目标。
图8是T3油组拉梅系数乘密度反演剖面,从反演结果中可以看出,JF121、JF126和JF1233口井分别在T3油组的第1、第2小层砂体中钻遇较好的油层显示;JF121井电测解释于4 663~4 675.5 m深度钻遇14.5 m(4层)的油层,4 675.5~4 677.5 m深度钻遇2 m油水同层,4 677.5~4 686 m深度钻遇8.5 m含油水层;JF126井于4 670~4 683 m深度共钻遇12 m(2层)油层,4 684~4 690.5 m深度钻遇6.5 m含油水层,4 690.5~4 725 m深度钻遇34.5 m水层。从色标中可以看到,3口井钻遇油层段的拉梅系数乘密度值为20~38 GPa·g/mL,钻遇油水层的拉梅系数乘密度值为36~46 GPa·g/mL,钻遇水层的拉梅系数乘密度值一般都>44 GPa·g/mL。通过对完钻井在拉梅系数乘密度剖面上的分析,可以看出在纵向反演剖面上,流体预测结果与实际钻探结果吻合较好。
图6 样本预测分类结果和分类误差(算法优化前后对比)Fig.6 Sample classification results and classification errors (before and after algorithm optimization)
Table 3 Part of prediction results
输入参数期望输出实际输出IP/(m·s-1)(g·mL-1)μK/MPaλρ/[GPa·(g·mL-1)]测井解释 分类网络预测结果分类9078.210.2638.0035.31油层4000149047.400.2839.7937.88油层4000149357.610.3137.8338.20油层4001039324.730.2640.0538.25油层4000149010.420.2540.0538.41油层4000149135.740.2337.8438.44油层4000149091.840.2840.7239.33油层4000149237.820.3338.5440.01油水层3001039681.590.2742.2240.42油水层3001039326.140.3339.3941.20油水层30001410048.380.2543.2141.55油水层3001039570.240.2441.1141.99油水层3001039016.720.2641.1142.01油水层3001039662.860.3341.8744.85油水层30010310079.410.3245.3544.90水层2010029180.780.3742.1445.53水层2010029244.660.2642.2146.01水层2010029463.730.2743.9546.67水层20100210498.490.2944.1947.93水层2000149783.460.2845.1648.49水层2010029823.710.3149.3849.65水层20100210708.750.3347.4149.83水层20100210195.850.3849.8555.42干层11000110881.500.3651.8057.04干层11000111326.470.3756.4565.09干层11000111217.780.3858.5070.65干层10100210945.850.4264.3973.80干层110001
图7 T3油组第1小层油气分布预测图Fig.7 Map showing fluid identification in the first sand layer of T3 oil group
图8 T3油组拉梅系数乘密度反演剖面Fig.8 The inversion profile based on lame coefficient multiply density seismic in T3 oil group
流体识别一直是油气勘探中的重点与难点,特别是桑塔木地区储层油水变化复杂,导致储层流体识别需要结合多种方法进行多方位的研究。为此,我们从叠前多种弹性参数反演数据体出发,结合电测解释资料,构建能够识别油水性质的BP神经网络解释模型。BP神经网络具有较强的映射能力,能够融合多方面的信息,对输入的参数进行多元判别,得出准确率较高的判别结果。通过在塔里木盆地桑塔木地区的实际应用结果表明,该方法能够很好地识别储层流体性质。同时需要强调的是,在选择神经网络输入层时,要针对研究的实际情况,优选出能够反映输出层的敏感参数。因为实际研究区块中,每个油层或油组参数的特性都不同,选择的样本参数要具有代表性,这样才能训练出适合研究区的网络模型,并能够有效运用在该区的流体识别中。
[1] Smith G C, Gidlow P M. Weighted stacking for rock property estimation and detection of gas[J]. Geophysical Prospecting, 1987, 35(9): 915-942.
[2] Goodway B, Chen T, Downton J. Improved AVO fluid detection and lithology discrimination using Lame petrophysical parameters from P and S inversions[A]// Expanded Abstract of 67th Annual Internat SEG Mtg, SEG, Dallas, 1997: 183-186.
[3] Dufour J, Goodway B, Shook I,etal. AVO analysis to extract rock parameters on the Blackfoot 3C-3D seismic data[C]//Expanded Abstract of 68th Annual Internat SEG Mtg, SEG, New Orleans, 1998: 174-177.
[4] Mukerji T, Jorstad A, Avseth P,etal. Mapping lithofacies and pore-fluid probabilities in a North Sea reservoir: Seismic inversions and statistical rock physics[J]. Geophysics, 2001, 66(4): 988-1001.
[5] Gray D. Bridging the gap: Using AVO to detect changes in fundamental elastic constants[C]// Expanded Abstract of 59th Annual Internat SEG Mtg, SEG, Dallas, 1999: 852-855.
[6] Gray D, Andersen E. The application of AVO and inversion to the estimation of rock properties[C]//Expanded Abstracts of 70th Annual Internat SEG Mtg, SEG, Calgary, 2000: 549-552.
[7] Gray D. Elastic inversion for Lame parameters[C]//Expanded Abstracts of 72thAnnual Internat SEG Mtg, SEG, Utah, 2002: 679-700.
[8] Avseth P, Mukerji T, Jorstad A,etal. Seismic reservoir mapping from 3-D AVO in a North Sea turbidite system[J]. Geophysics, 2001, 66(4): 1157-1176.
[9] Russell B H, Hedlin K, Hilterman F J,etal. Fluid property discrimination with AVO: A Biot-Gassmann perspecive[J]. Geophysics, 2003, 68(1): 29-39.
[10] Russell B, Gray D, Hampson D. Linearized AVO and poroelasticity[J]. Geophysics, 2011, 76(3): 19-29.
[11] 印兴耀,张世鑫,张繁昌,等.利用基于Russell近似的弹性波阻抗反演进行储层描述和流体识别[J].石油地球物理勘探,2010,45(3):373-380. Yin X Y, Zhang S X, Zhang F C,etal. Utilizing Russell approximation-based elastic wave impedance inversion to conduct reservoir description and fluid identification[J]. Oil Geophysical Prospecting, 2010, 45(3): 373-380. (In Chinese)
[12] 黄捍东,纪永祯,张骋,等.地震流体识别方法在四川盆地页岩气“甜点”预测中的应用[J].古地理学报,2013,15(5):672-678. Huang H D, Ji Y Z, Zhang C,etal. Application of seismic liquid identification method in prediction of shale gas “sweet spots” in Sichuan Basin [J]. Journal of Palaeogeography, 2013, 15(5): 672-678. (In Chinese)
[13] 郝前勇,印兴耀,王玉梅,等.弹性模量流体因子在永新工区储层预测中的应用[J].石油物探, 2012,51(5):502-507. Hao Q Y, Yin X Y, Wang Y M,etal. Application of elastic modulus fluid factor on reservoir prediction at Yongxin Block[J]. Geophysical Prospecting for Petroleum, 2012, 51(5): 502-507. (In Chinese)
[14] 马中高,张金强,蔡月晖,等.大牛地气田二叠系下石盒子组致密砂岩储层含气性识别因子研究[J].石油物探,2012,51(4):414-419. Ma Z G, Zhang J Q, Cai Y H,etal. Study on gas identification factor of tight sandstone reservoirs in Lower Shihezi Formation from Daniudi Gasfield, Ordos Basin[J]. Geophysical Prospecting for Petroleum, 2012, 51(4): 414-419. (In Chinese)
[15] 闵小刚,陈开远,张益明,等.利用AVO正、反演预测深水浊积扇储层[J].石油地球物理勘探, 2011,46(6):911-918. Min X G, Chen K Y, Zhang Y M,etal. Reservoir prediction in deep-water turbidite fans by using AVO forward modeling and inversion[J]. Oil Geophysical Prospecting, 2011, 46(6): 911-918. (In Chinese)
[16] 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. Chen G H, Hu C, Zeng Y L,etal. Logging identification method of fillings in fractures and caverns in carbonate reservoir based on BP neural network[J]. Geophysical Prospecting for Petroleum, 2015, 54(1): 99-104. (In Chinese)
[17] 蒋宗礼.人工神经网络导论[M].北京:高等教育出版社,2001:39-44. Jiang Z L. Introduction to Artificial Neural Networks[M]. Beijing: Higher Education Press, 2001: 39-44. (In Chinese)
[18] 乔玉雷.孔隙流体对岩石物理弹性参数的影响及敏感属性参数优选——以济阳坳陷为例[J].油气地质与采收率,2011,18(3):39-43. Qiao Y L. Influence on petrophysics elastic parameter by pore fluid optimization of sensitive attribute parameter-case of Jiyang depression[J]. Petroleum Geology and Recovery Efficiency, 2011, 18(3): 39-43. (In Chinese)
[19] 曹青松,周继惠.MATLAB在神经网络设计中的应用[J].华东交通大学学报,2004,21(4):86-88. Cao Q S, Zhou J H. The application of MATLAB in design of neural networks[J]. Journal of East China Jiaotong University, 2004, 21(4): 86-88. (In Chinese)
[20] Cybenko G. Approximation by superpositions of sigmoidal functions[J]. Mathematics of Control, Signals and Systems, 1989, 2(3): 303-314.
[21] 申辉林,高松洋.基于BP神经网络进行裂缝识别研究[J].断块油气田,2007,14(2):60-62. Shen H L,Gao S Y. Research on fracture identification based on BP neural network[J]. Fault-Block Oil & Gas Field, 2007, 14(2): 60-62. (In Chinese)
[22] 王娜娜,张国英,王明君.改进的BP神经网络在石油测井解释中的应用[J].北京石油化工学院学报,2008,16(1):17-20. Wang N N, Zhang G Y, Wang M J. The application of improved BP ANN in oil well-log interpretation[J]. Journal of Beijing Institute of Petro-Chemical Technology, 2008, 16(1): 17-20. (In Chinese)
Study of pre-stack fluid identification method based on BP neural network
WANG Jia-bei1, HUANG Han-dong2
1.CollegeofEnergyResources,ChinaUniversityofGeosciences,Beijing100083,China; 2.StateKeyLaboratoryofPetroleumResourceandProspecting,ChinaUniversityofPetroleum,Beijing102249,China
The delta deposits of Triassic reservoirs in Sangtamu area of Tarim oilfield vary laterally, so it is very difficult to identify the fluid type in the reservoir. Discrimination of reservoirs is vital to oil and gas exploration in this formation. Therefore, a method of fluid identification in reservoir by application of distinguishing oil-bearing layers from water-bearing or dry layers by BP neural network is proposed. Pre-stack sensitive elastic parameters inversion data and logging interpretation results are used to generate training samples, and to divide the training samples into subsets of modeling building and verification by adopting random sampling. Accordingly, 700 training samples and 62 test samples from 26 wells are used to build BP neural network. It shows that the success rate is more than 90% and the model is used to predict the whole sand formation successfully. The practice indicates that the method is suitable for fluid identification in the study area.
elastic parameters; BP neural network; pattern recognition; fluid identification
10.3969/j.issn.1671-9727.2016.06.04
1671-9727(2016)06-0663-08
2015-06-04。 [基金项目] 国家科技重大专项(2011ZX05006-006; 2011ZX05009); 国家“973”计划项目(2011CB201104)。
汪佳蓓(1986-),女,博士研究生,矿产普查与勘探专业, E-mail:lemon357@126.com。
TP183; TE133
A