基于模式识别的稠油油藏复杂岩性识别方法

李民, 陈科贵, 杨智, 张家浩, 刘鑫

(1.西南石油大学地球科学与技术学院, 四川 成都 266100; 2.新疆油田公司勘探开发研究院, 新疆 克拉玛依 834000)

0 引 言

在复杂岩性油气藏的研究中,传统的岩性识别方法,如交会图法、重叠法等[1]无法有效识别储层岩性。模式识别法[2]被应用到测井解释岩性识别中,模式识别方法主要包括聚类分析法、贝叶斯(Bayes)判别法、费歇(Fisher)判别法、神经网络、支持向量机(SVM)以及极限学习机(ELM)等[3-4]。聚类分析法属于无监督的分类,其他几种方法则属于有监督的分类,两者区别在于实验样本所属类别是否已经知道[5]。基于这一特点,有监督分类效果在多数情况下要优于无监督分类[6-8]。

新疆风城油田某井区侏罗系八道湾组(J1b)油藏为典型的稠油油藏,储层段岩性以中-细砂岩、含砾砂岩和砂砾岩为主,含少量粉砂岩、泥岩和煤层,薄岩层较多,岩性错综复杂,传统的交会图法无法有效识别储层岩性。本文基于模式识别法,分别利用费歇判别法、BP神经网络和极限学习机3种方法,对风城油田八道湾组储层岩性进行识别,均得到了不错的应用效果。

1 不同岩性测井响应特征

研究区所使用的测井项目主要有自然电位、井径、自然伽马、密度、微球聚焦及双侧向测井,输出SP、CAL、GR、DEN、Rxo、Ri及Rt共7条测井曲线。图1为利用FZ034井的取心资料建立的岩心剖面图。由岩心剖面图可以看出,中-细砂岩物性最好,测井曲线显示为低自然伽马、低密度、高电阻率,自然电位呈现明显幅度的异常(487.5～490.6 m段);砂砾岩物性变化较大,测井曲线显示为低自然伽马、较高密度、较高电阻率,自然电位具有一定的异常幅度(505.5～509.5 m段);含砾砂岩物性较好,测井曲线显示为低自然伽马、较低密度、高电阻率,自然电位具有较为明显的异常幅度(504.5～505.5 m段);粉砂岩的物性较差,测井曲线显示为高自然伽马、高密度、低电阻率,自然电位异常幅度小(486.7～487.5 m段);泥岩为非储层,测井曲线显示为高自然伽马、较高密度、极低电阻率,自然电位平直无异常(510～501.5 m段);煤层的测井曲线表现为低自然伽马和极低密度(509.5～510 m段)。

图1 岩心剖面与测井关系图*非法定计量单位,1 ft=12 in=0.308 4 m,下同

2 模式识别法识别岩性

2.1 选取样本数据

根据研究区取心资料,可以将八道湾组油层岩性划分为5种。本文共选取12口取心井的岩心分析数据作为模式识别法识别岩性的实验数据,共计496个样本,样本覆盖研究区所有种类岩性(见表1)。将选取的样本分为训练样本集、参数测试样本集以及验证样本集3种,其中训练样本集包括5口井的202个样本,参数测试样本集包括2口井的86个样本,其余5口井的208个样本为验证样本集。

表1 岩性实验样本分布统计表

2.2 费歇判别法

费歇判别法是利用投影的原理,将多维问题简化为低维度问题进行处理,其优势在于对数据的分布、方差等不进行限制,应用范围较广[9]。测井解释中,利用费歇判别法识别岩性步骤:①提取具有代表性的测井曲线参数,对岩性进行分类;②利用相关软件求取典则函数,建立岩性判别分析图版;③建立岩性识别模型。

研究区GR、Rt、Ri、Rxo、DEN这5条测井曲线能够较好地反映岩性的变化,因而使用这5个测井参数进行判别分析。本文从训练样本集中,选取83个样本点,利用典则函数F1、F2建立判别图版(见图2)。这里由于费歇函数为线性函数,而电阻率并非线性规律变化,为了更好地建立判别函数,故使用电阻率的自然对数形式lnRt进行计算。

F1=0.27GR+13.676lnRt-7.543lnRi+

2.368lnRxo-15.161DEN-10.575

(1)

F2=0.17GR+15.218lnRt-9.195lnRi+

0.241lnRxo+44.311DEN-135.291

(2)

式中,F1、F2为典则判别函数,无量纲;GR为自然伽马测井值,API;Rt为深侧向电阻率测井值,Ω·m;Ri为浅侧向电阻率测井值,Ω·m;Rxo为冲洗带电阻率测井值,Ω·m;DEN为密度测井值,g·cm-3。

图2 八道湾组岩性Fisher判别函数交会图

由费歇判别分析结果可以得到各类岩性分类模型,计算公式为

f1=20.585GR+1984.118lnRt-1134.77lnRi+43.736lnRxo+6262.319DEN-9693.258

(3)

f2=22.644GR+1985.782lnRt-1097.473lnRi+54.73lnRxo+5806.232DEN-8888.513

(4)

f3=25.7GR+2207.459lnRt-219.538lnRi+61.91lnRxo+6209.833DEN-10428.972

(5)

f4=20.03GR+1844.083lnRt-990.971lnRi+7.385lnRxo+6227.832DEN-9474.465

(6)

f5=22.126GR+1956.272lnRt-1075.191lnRi+47.199lnRxo+5741.98DEN-8662.982

(7)

式中,f1、f2、f3、f4、f5为岩性概率函数,分别对应粉砂岩、砂砾岩、含砾砂岩、泥岩、中-细砂岩,无量纲。当进行岩性判别时,需要对5种岩性的概率依次进行计算,计算得到的5种岩性函数值中得分最高者即为该样本的归属分类,例如f1的计算值若最大,则该样本识别为粉砂岩。

2.3 BP神经网络识别法

BP神经网络采用多层前馈网络的误差反向传播学习算法,在解决内部机制复杂的问题时有着非常好的效果。神经网络的建立很大程度上依赖于学习样本的可靠性,尽可能多地选择带有明显特征、具有普遍代表性的学习样本,排除明显异常的样本点以及薄层、岩性界面处的样本点,可以提高预测结果的正确性[10]。

选取训练样本集中全部的202个训练样本,所有样本均符合上述神经网络学习样本的选择条件。同样选择GR、Rt、Ri、Rxo、DEN这5条对岩性较为敏感的测井曲线,进行分类训练。为了防止网络训练时陷入局部极小并且消除测井曲线中与地层性质无关的响应,在分类训练前,需要对样本数据进行归一化预处理,即将数据限制在[0,1]区间内。其中,电阻率测井曲线具有非线性对数特征,因此,电阻率测井值需要作对数归一化处理。将归一化后作为输入曲线(其中Ri、Rt利用对数归一化),构建了5×10×10×1的网络结构(见图3),训练次数上限设置为50 000次,极限误差设置为0.000 1。网络训练完毕,样本的相关系数R达到0.999 95,整个操作过程耗时30 min以上。

图3 BP神经网络结构图

2.4 极限学习机识别法

极限学习机(ELM)作为一种针对单隐含层前馈神经网络的新型算法,与传统的训练方法相比,极限学习机具有学习速度快、泛化性能好等优点。不同于其他网络算法在训练过程中需要调整网络的输入权值以及隐元的偏置,极限学习机只需要选择好激励函数、设置隐含层的节点个数,便可以获得唯一的最优解,极限学习机的出现,给网络算法的使用,提供了一个新的选择[11-12]。

本文优选网络训练中常用的Sigmoidal函数[见式(8)]作为激励函数,利用已经选好的86个参数测试样本,确定隐层节点个数。测试开始,将隐层节点数设置为20,之后隐层节点个数每次增加20个,由此分析不同隐层节点数对ELM识别岩性正确率的影响(见图4)。

(8)

图4 Sigmoidal激励函数测试正确率

图4给出了隐层节点个数在20～420变化时Sigmoidal函数测试正确率的变化情况,表现为正确率随隐层节点个数的增加而提高,并且变化趋势趋于稳定。当隐层节点数大于350时,分类的正确率达到90%左右,并且趋于稳定。为确保识别结果的准确性,本文隐层节点数设置为400,选取与BP神经网络相同的训练样本和测井参数,对研究区岩性进行分类。从选取激励函数到确定隐含层的节点数,整个过程耗时不到3 min。

3 应用实例分析

为了验证各方法的应用效果,本文选取了验证样本集全部5口取心井的208个样本点,分别利用费歇判别法、BP神经网络和极限学习机3种方法进行岩性识别,并对识别结果对比分析。表2列出了3种模式识别方法的验证结果,3种方法在岩性识别中均取得了较好的效果。费歇判别法识别岩性平均正确率为81.2%,而采用BP神经网络和极限学习机的岩性识别效果要比费歇判别法更好,平均正确率分别为90.3%和92%。

根据上述实验分析结果,本文选取研究区FZ018取心井,对八道湾组储层岩性进行识别,图5为取心井387～ 405 m井段岩心剖面与3种岩性识别方法的结果图。通过与岩心柱状图对比,可以看出,3种方法均收到了不错的效果,只是在薄岩层及岩性复杂多变的井段,BP神经网络和极限学习机2种方法的识别效果要更好一些。

表2 3种模式识别方法结果对比

图5 取心井FZ018岩性识别应用实例*非法定计量单位,1 ft=12 in=0.304 8 m,下同

4 结 论

(1) 费歇判别法、BP神经网络以及极限学习机3种模式识别方法在测井岩性识别中均有不错的应用效果。费歇判别法具有繁琐的计算过程和判别标准,工作量大;BP神经网络和极限学习机均属于新型网络算法,2种方法在岩性识别正确率要优于费歇判别法,且均可由计算机自动分类,操作简单,识别效率高。

(2) 在样本相同的情况下,极限学习机方法在使用方面要优于BP神经网络。BP神经网络需要人为设置大量参数,参数设置不当,容易导致训练收敛速度慢、分类正确率不高。而极限学习机只需在训练前选择适当的激励函数、和隐含层节点个数,就可以很好的对岩性进行识别分类。

参考文献:

[1] 雍世和, 张超谟, 等. 测井数据处理与综合解释 [M]. 东营: 中国石油大学出版社, 2007.

[2] 杨淑莹. 模式识别与智能计算 [M]. 北京: 电子工业出版社, 2008.

[3] BISHOP C M. Pattern Recognition and Machine Learning [M]. Springer, 2006

[4] 胡红, 曾恒英, 梁海波, 等. 基于主成分分析和学习矢量化的神经网络岩性识别方法 [J]. 测井技术, 2015, 39(5): 586-590.

[5] DUDA R O, HART P E, STORK D G. 模式分类 [M]. 2版. 李宏东, 译. 北京: 机械工业出版社,

2003.

[6] 马海, 王延江, 胡睿, 等. 测井岩性识别新方法研究 [J]. 地球物理学进展, 2009, 24(1): 263-269.

[7] 寻知锋, 余继峰. 聚类和判别分析在测井岩性识别中的应用 [J]. 山东科技大学学报(自然科学版), 2008, 27(5): 10-13.

[8] 周继宏, 袁瑞. 基于支持向量机的复杂碎屑岩储层岩性识别 [J]. 石油天然气学报, 2012, 34(7): 72-75+6.

[9] 钟冲, 郭强. 费歇尔判别法及其应用 [J]. 西南交通大学学报, 2008, 43(1): 136-141.

[10] 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.

[11] HUANG G B, ZHU Q Y, SIEW C K. Extreme Learning Machine: Theory and Applications [J]. Neurocomputing, 2006, 70(1-3): 489-501.

[12] 蔡磊, 程国建, 潘华贤. 极限学习机在岩性识别中的应用 [J]. 计算机工程与设计, 2010, 31(9): 2010-2012.