BP神经网络在复杂储层流体识别中的应用

王少龙，杨 斌，赵 倩，魏 杰

（成都理工大学能源学院，四川成都 610059）

W油田位于柴达木盆地西部英雄岭构造带东段，具有丰富的油气资源，W油田是一个纵向叠置复杂断块构造油气藏，存在断层发育且断距大，地层重复严重，油气水系统多，井间差异大，油气分布异常复杂，岩石物理评价及油气系统的认识面临诸多挑战；基于在常规图版法识别流体性质的基础上建立了神经网络模型的方法对W油田进行流体识别，与试油结论相比较吻合，能够满足识别流体类型的精度要求。

1 常规储层流体识别方法—图版法

利用常规测井资料识别流体性质方面，前人提出了不少方法，如基于孔隙度电阻率测井的交会图版法，阵列感应测井法识别油水层，基于阿尔奇公式的全微分法[1-5]。选取W油田试油层段的测井曲线数据值，可以采用幅度值法、比值法、差值法、曲线校正法等建立不同参数类型的交会图版。建立的DEN～HT09交会图（见图1），该图版以补偿密度与阵列感应电阻率进行交会，试油结论有气层、油层、水层、含油水层、干层等，利用该图版能够较好地区分干层、水层类和油气层类，但是油层与气层是混淆的，不能区分；建立的CNL与HT09/LLD的交会图版（见图2），该图版能够较好地区分油气层和水层类，但该图版存在流体界限分别不清晰，识别精度不高的问题；以声波时差幅度、电阻率比值进行交会图（见图3），其中△AC由小层声波时差极大值减去该井声波时差极小值获得，该图版能够较好地区分油层、气层和水层，但该图版不能区分出油气同层。因此在复杂储层的识别过程中，图版法很难一一的对流体性质进行识别，利用单个图版更是不能解释储层的流体性质，并且图版法识别储层流体性质过程太过于繁琐，不利于实践，综合以上图版法存在的众多问题，建立了神经网络模型对储层流体性质进行了识别。

2 神经网络在储层流体识别中的应用

BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直到输出层。每一层的神经元状态只影响下一层神经元状态[6]。如果输出层达不到开始设置好的误差精度，网络会自动的反向传播，根据预测的误差自动调整权值和阀值，不断靠近期望输出，最终达到想要的精度，并输出结果[7]。

本次研究在传统的图版法流体识别的基础方法上，引入BP神经网络测井解释方法，建立适应本地区的储层流体识别模型，对模型精度进行评价并应用于单井储层流体的预测。

2.1 BP神经网络流体识别模型的建立

学习样本的挑选是神经网络模型建立的关键，其特点是规律性强、与测井响应的相关性好，同时具有较好的区域代表性[8]，基于之前建立的图版法识别流体性质可以看出，△AC、DEN、CNL、HT09和 HT09/LLD 这 5条测井曲线值对流体性质的分类效果较好，具有代表性。为确保所有输入数据度量单位的统一及消除相差悬殊造成的影响，神经网络的输入测井也要求是在0～1的数值，对BP神经网络流体识别输入数据均采用了归一化处理，在对本研究区测井曲线进行归一化处理时，对于具有近似线性特征的测井曲线，如△AC、DEN、CNL参数采用线性归一化公式：

对于具有非线性对数特征的测井曲线，如HT09、HT09/LLD采用对数归一化公式：

图1 DEN～HT09交会图

图2 CNL～HT09/LLD交会图

图3 △AC～HT09/LLD交会图

表1 神经网络模型输入参数归一化极值统计表

式中：Xi-测井曲线值；Xmin、Xmax-该测井曲线极小值和极大值。各曲线归一化数值（见表1），不同流体类别的期望输出矢量表示（见表2）。

表2 流体类别的期望输出矢量表

2.2 BP神经网络训练与学习评价

本次BP神经网络训练学习样本共有70个，每个样本点均由试油解释结论与相对应的测井响应值组成。5条测井曲线值作为输入层，油层、气层、油气层、水层、干层、油水层共6种流体类型作为输出层，所以神经网络输入神经元为5，输出神经元为6，设计隐层节点10个，模型结构（见图4）；另外预留了15个试油样本用于网络检测，即系统验证的过程。将15个检验数据送入训练好的BP网络流体识别模型进行预测，预测结果（见表3），从表3中可知BP神经网络流体识别模型的识别结果与实际情况符合，其符合数达到14个，符合率为93.3%，说明该模型对本地区的流体性质识别效果较好，可以运用该模型对W油田储层段进行识别。

图4 流体识别模型结构图

2.3 模型应用实例

利用已建立的BP神经网络模型对研究区各单井进行储层流体性质的预测（见图5），是W油田A井神经网络模型的判别结果的实例，显示了神经网络模型解释的储层流体性质与电测解释结果和试油结论的对比，可以看出神经网络解释的结论和试油结论一致，而且与常规的电测解释结果不同的是，神经网络模型判别结果对油气层和油层，水层和油水层更加有效，对应的测井曲线响应特征更明显，该方法有效的解决了复杂储层流体识别难的问题。

表3 W油田预留样本神经网络识别结果与试油结果对比表

图5 W油田A井神经网络模型对流体性质判别结果示意图

3 总结

从交会图法中可以得出常规测井流体识别的方法能大致的区分储层的流体性质，但存在精度不高，识别界限不清楚，部分点有交叉现象的问题。

运用BP神经网络法建立流体识别模型能较好的解决油层和油气层；水层和油水层存在的测井特征不清晰，图版法识别繁琐且精度不高的问题，解决了本地区流体识别困难这一最大难题，对今后油田的合理开采提供了技术上的支持。