基于BP神经网络预测轮古油田奥陶系碳酸盐岩油藏洞穴充填程度

于聪灵，蔡忠贤，杨海军，朱永峰，王 慧

（1.中国地质大学 a.资源学院；b.构造与油气资源教育部重点实验室，武汉 430074；2.中国石油 塔里木油田分公司 勘探开发研究院，新疆 库尔勒 841000）

随着海相碳酸盐岩油气藏的勘探开发，洞穴型储集层已成为众多学者的重点关注对象。轮古油田50%的高产井与暗河相关，与此同时，部分井的失利原因是钻遇全充填洞穴[1]，故暗河内部的充填情况直接关系到储集层发育的情况。未充填和部分充填的暗河及其上部形成的洞顶缝储集层可作为良好的储集空间，预测暗河内部充填情况及地质成因是一个亟待解决的重要问题。

众多学者针对碳酸盐岩暗河充填预测做了大量的研究，但国内外对地下洞穴网络系统充填规律和模式的研究处于初级阶段，尚未形成有效的研究思路和方法。目前对暗河充填程度的预测更多的集中在以三维地震资料为基础，地球物理为手段的预测研究，通过数学统计、正演及反演等方法优选出对洞穴充填程度敏感的属性[2-4]，预测结果受地震资料保真性以及分辨率的影响，同时暗河尺度以及流体对地震属性存在较大的影响，使得预测结果存在较强的多解性。从地质角度预测暗河充填成为一个可行的方向，文献［5］通过对挪威Okshola-Kristihola洞穴系统的地表调查工作，分上游、中游和下游3部分宏观上粗略地描述了该大规模迷宫式洞穴系统充填物的分布特征，该项研究对洞穴网络系统及其形态作了详细工作，但尚未深入分析碎屑质充填物的发育规律和模式。文献［6］和文献［7］对暗河解剖，研究暗河的地质形态和空间特征并将其分类。文献［8］在阐述洞穴共生作用作为洞穴增长发育的一种新机制时，曾概略性提出了一个洞穴体系沉积物流入路径和堆积点模式，从该模式体现洞穴沉积物堆积与洞穴类型或样式有关，因此可以通过对洞道类型的描述来预测洞穴充填程度。文献［9］将洞穴充填物划分为垮塌部分充填型和暗河充填型，并提出上奥陶统是否覆盖决定了洞穴类型及充填程度。

轮古油田海西运动早期形成了复杂的碳酸盐岩洞穴系统，其充填程度直接影响储集性能。本次研究基于暗河的精细解剖，侧重于利用地质的方法，建立BP神经网络预测模型，对轮古油田暗河充填程度进行全面预测，总结暗河充填特征，阐述轮古油田奥陶系碳酸盐岩潜山洞穴充填地质规律，为储集层分析和预测及部署井提供依据。

图1 轮古油田构造位置

1 区域地质概况

轮古油田奥陶系碳酸盐岩潜山位于塔里木盆地塔北隆起轮南低凸起中部地区（图1），东接草湖凹陷，西接哈拉哈塘凹陷，南临满加尔凹陷，北靠轮台凸起，是油气的长期运移指向区。轮古油田主要产油段为奥陶系鹰山组，与上覆石炭系呈不整合接触，缺失中—上奥陶统、志留系、泥盆系和二叠系，与下伏奥陶系蓬莱坝组呈整合接触。缝洞型储集层发育在潜山面以下0～160 m，局部洞穴埋藏深度达250 m.

轮古油田暗河网络发育，静态和油井生产动态资料分析表明，217口生产井中共有109口井发育209个洞穴，钻遇洞穴率为50%以上，同时，轮古油田90%以上的高产井与岩溶洞穴或较大的岩溶缝洞体有关。

2 洞穴充填地质学研究

2.1 洞穴充填程度分类

洞穴型储集层是轮古油田最主要的储集类型之一，其典型地震响应特征表现为串珠状反射和波阻抗高异常[10]。依据轮古油田部分钻井、录井和测井资料，把洞穴型岩溶储集层按洞穴的充填程度划分为未充填洞穴、部分充填洞穴和全充填洞穴3类：未充填洞穴指钻井和录井过程中出现严重泥浆漏失、放空、钻时降至极低值及井径扩大现象，进而被证实的洞穴；部分充填洞穴指钻井过程中出现部分放空、溢流现象，测井解释为洞穴型储集层且测井储集层评价为Ⅰ类、Ⅱ类的储集层，存在一定程度的井径扩大现象，未充填和部分充填洞穴型储集层可作为储集空间储集油气，具备良好的生产能力；全充填洞穴指在钻井过程未见放空、溢流现象，未见井径扩大现象，但测井解释为洞穴型储集层。这类洞穴多被砂泥质和角砾充填，少量方解石充填，储集层不发育或发育程度差。

2.2 洞穴充填研究现状

洞穴碎屑质沉积物的充填主要由沉积物的输入方式和沉积物在洞道中的水动力条件两方面决定。

不同的输入方式决定了洞穴沉积物的充填，文献［8］研究表明，地下洞穴系统在碎屑质沉积物的输入方式上存在断头河外源型输入、落水洞堵塞型注入、土壤通过岩石缝隙及竖井（或直立的排水沟管）的向下冲刷、河流回泛以及围岩不溶残留等多种方式，因而有限堆积的区域包括：①紧邻沉积物输入点的近地表洞道，尤其是低坡降河流型洞道或狭窄的入口洞道；②巨砾垮塌阻塞或其他限制类型，如落水洞垮塌的堆积段；③具有稳定潜水面的下弯潜流管道内或洞道的洪泛段；④遭受河流回泛活动的残余洞道；⑤遭受来自竖井流和裂缝流充填的残余洞道。

同时指出，具共生作用的洞道容易发生厚的沉积堆积。文献［11］提出破裂作用优先发生于洞道交切部位、临近地表洞穴和洞道终止部位。文献［12］认为许多洞道终止于破裂阻塞（被洞穴勘探者称为终端破裂）。

不同的洞道样式其水动力条件也不同，导致充填情况的不同，因而洞道类型与其充填性存在相关性。大多数洞穴在内部水动力特征受到落水洞堵塞、极端流动事件、洪水回泛以及满管流等特殊水动力作用的影响，使得洞穴沉积水动力作用复杂于地表河环境，因此，对洞穴充填程度的研究，首先需要通过恢复暗河形态来分析沉积部位的水动力学特征。

图2中，A点为低角度的河流潜入点，通常携带细粒黏土和粉砂；B点为落水洞，由于垮塌作用，可以向暗河注入大块垮塌的角砾，使得落水洞的上游①段通常充填较为严重，下游②段可能存在部分未充填的空间；C点为厅堂洞，洞顶发生垮塌作用使得暗河被巨砾充填，而厅堂洞的顶部可能存在一定未充填的空间，高角度洞道中可以导致整个沉积物体发生块体运动；D点处于高梯度洞道中的下弯潜流管道，泥沙的堆积导致该段充填严重，洞道的两侧③段和④段充填程度相对轻微，可能存在未充填段；暗河的出口处E点由于地表泥沙的倒灌，⑤段充填性为部分充填—全充填；潜水面下降后，上部F点暗河段废弃，洪水期时，携带大量泥沙的洪水可以沿残余洞道⑥进入较长一段距离，导致破坏期之后的暗河出口处充填严重；G点为表层岩溶带中地表水通过渗流的方式进入暗河的洞穴，⑦段洞穴尺度普遍较小，充填相对严重。由此可看出，碎屑质沉积物的输入主要是通过洞道输入样式来对沉积物的堆积加以控制的，而洞穴内部的水动力条件则是通过洞穴内部样式来控制碎屑质沉积物充填的。故通过对暗河进行解剖，分析其内部样式，以预测暗河充填情况。

图2 洞道样式与充填情况模式（据文献［8］）

2.3 洞穴充填程度控制因素

根据前述，利用轮古油田井震结合方法识别单井钻遇洞穴的充填程度，同时运用地震资料解剖过井暗河的类型，通过研究两者之间的对应关系，认为暗河充填程度的控制因素为暗河级别、暗河类型、洞道样式、与暗河出入口的关系、与厅堂洞的关系和是否垮塌6项。

（1）暗河级别 暗河级别指暗河发育的尺度，即主干暗河、分支暗河和单洞道。一般来说，一个树枝状的暗河网络系统只存在一个主干暗河，发育明显的出入口，洞道延伸往往最长，且多有分支暗河伴生，单洞道发育尺度和延伸距离普遍较小（表1）。

表1 研究区暗河级别划分方案

图3中，A-7井钻遇10.5 m的部分充填洞穴，其所在暗河段的级别为分支暗河；A-3井钻遇19.2 m的全充填洞穴，其所在暗河段的级别为主干暗河。主干暗河多发育于暗河系统低部位，不仅水流量较大，携带泥砂也较多，易部分沉积，导致暗河充填。在分支暗河的末端或主干暗河翼部的小型分支暗河是河流不易达到的边部盲道，不容易发生砂泥质的堆积。

图3 研究区暗河级别平面模式

（2）暗河类型 地下暗河系统是一个复杂的网络系统，其形成与演化受多种因素控制。不同的暗河类型反映了不同的岩溶演化特征，是分析、识别区域内构造特征、水动力条件、岩溶发育阶段的重要标志之一。文献［7］按照暗河的形态特征，对岩溶峡谷区的暗河进行分析和论述，将其划分为垂直渗流型洞穴和水平潜流型洞穴。同时，岩溶峡谷是岩溶地貌中溶蚀型洞穴集中发育的区域，在不同的水动力条件、地貌部位等主导成因的控制下，会形成多种类型的洞穴。结合研究区特有的地貌特征和文献［7］的划分方案，总结出适用于研究区的暗河类型划分方案（表2）。

（3）洞道样式 洞道样式作为暗河洞段局部发育的形态，反映了水动力在局部洞穴段的背景和作用。根据文献［7］和文献［13］对暗河的研究，结合轮古油田奥陶系独特的古地貌环境，将洞道样式划分为渗流型、水平潜流型和地下连接型3大类10亚类（表3）。

表2 研究区暗河系统类型划分方案

表3 研究区洞道样式划分方案

由于地震分辨率的影响，对于渗流型洞穴的识别存在一定的困难，故将竖井、深落水洞、天窗和天坑统一识别为落水洞。

落水洞等渗流型洞穴的形成与强烈的地下水活动是分不开的，一般形成于垂直循环极为流畅的地区，即潜水面以上，是流水沿垂直裂隙进行溶蚀、冲蚀并伴随崩塌作用的产物（图4中①所示）。当排泄基准面下降时，地下水面随之下降，早期处于潜水面以下的裂缝则成为地下水由浅层洞穴向深层洞穴排泄的通道，随着地下暗河的不断侵蚀，这种垂向排泄通道不断垮塌扩大，逐渐形成。地下暗河的发育程度直接关系着落水洞发育的规模大小，当暗河被上部垮塌堆积物掩埋阻断或者迁移以后，落水洞的发育就基本停止，故落水洞的顶部可能发育未充填的空间。

图4 研究区洞道样式剖面模式

潜流回路洞道的形成是由于地下水在强烈的水动力条件控制下，不断向下侵蚀，到达潜流带以后，仍然沿着裂缝或者易溶蚀部位继续向下溶蚀，在低于排泄基准面的位置延伸发育，形成一段洞道（图4中④所示）。发育一段距离以后又在排泄基准面控制下回到了潜流带的位置，从而形成了一段回路型的洞道。

水平潜流洞道发育在潜流带，是由潜流带水溶蚀形成的水平发育的洞穴，其洞穴尺度较大，纵向延伸距离较长（图4中⑤所示）。

廊道是指两个大尺度洞之间的连接部位，通常，该类型溶洞尺度较小，沿水平方向发育一定的距离（图4中③所示），若两端未发生垮塌，狭窄的廊道水流速度较快，充填可能性较小。

倾斜连接溶洞与垂直落水洞相似，都是排泄基准面下降，地下水沿着裂缝溶蚀冲刷形成的。由于裂隙或者节理相对倾斜，溶蚀冲刷后形成倾斜溶洞，连接两层洞穴。根据其倾斜程度的不同，又可以分为高角度洞道和中等角度洞道（图4中⑥和⑦所示）。该类洞道倾斜角度和水流速度较大，充填的可能性较低。

易被充填的区域为暗河出入口附近、落水洞、厅堂洞附近、垮塌处及下弯潜流管道；一般程度被充填区域为水平潜流管处，难被充填的区域为中等—高角度洞道和廊道。

（4）与暗河出入口的关系 暗河出入口是暗河集中式输入和排泄的主要通道，在地质历史时期，地表水流通过暗河窗口流入或流出暗河。流入的方式主要为竖井、落水洞、天坑等垂直流入，狭窄的入口洞道容易发生碎屑物的堆积；暗河出口主要分布在明河流域附近，即明河是暗河的主要排泄出口，只有少部分的暗河以泉眼形式流入湖泊或者洼地，流出方式主要以倾斜状态流入暗河系统，容易形成倾斜的沉积物堆积（图2中A点、B点和E点所示）。

（5）与厅堂洞的关系 在上覆岩层承载能力相对较弱的部位，往往会出现垮塌现象，形成洞穴厅堂（图2中C点和图4中②所示）。另外，由于洞道中的构造应力作用或流水沿裂缝的侵蚀，洞道顶部也会出现垮塌而形成厅堂。厅堂洞多位于暗河交汇处，其高度往往高于连接暗河的高度，即使暗河被全充填时，厅堂洞的顶部往往残留部分空间，是寻找未充填的储集空间的重点目标。

（6）是否垮塌 与厅堂洞类似，当暗河的某一段发生垮塌时，容易在垮塌段顶部残留部分空间。同时，垮塌现象对于暗河来说，阻碍了暗河的流通，垮塌段的下游段暗河被部分充填或未充填的可能性相对较高。

3 BP神经网络模型建立

3.1 BP神经网络的运行机制

BP神经网络是一种多层前向型神经网络，主要通过学习来实现输入目标与输出目标之间的非线性映射，具有实现途径直观、运算机制容易理解的特点，被广泛应用于各项研究之中[14]。其基本过程为：首先赋予网络一个初始权值和阈值作为输入的训练样本，然后按照给定的输入样本前向计算网络的输出，根据输出值与实际样本之间误差的大小不断调整权值和阈值，两者之间不断趋于一致[15]。

其基本过程为：在缝洞充填物的识别过程中恰好能运用到BP神经网络高度的非线性映射能力，解决缝洞充填物与测井响应之间关系的非线性问题，因此，用BP神经网络来识别缝洞充填物是有利的。笔者使用的是前馈反向传播（Feed-forward Back Propagation）神经网络。前向型神经网络通常由一个输入层、一个输出层和具有一个或多个sigmoid神经元构成的隐含层构成。

学习样本的数量和质量影响BP神经网络的学习速度和准确性，要求挑选的学习样本能基本表征研究区暗河地质特征与充填特征之间的对应关系，同时，BP神经网络通过其特有的样本学习能力获得充填物识别模式，智能化程度高，这样不仅有效地解决了地质差别少导致识别精度低的困扰，而且样本和识别参数原则上不受任何限制，可以充分利用一切可用的参数，进一步提高预测的精度。

表4 研究区BP神经网络训练部分样本

3.2 BP神经网络建模

利用BP神经网络的方法进行预测，输入层神经元个数等于影响洞穴充填的地质因素个数，取6；充填程度作为输出信号，输出层神经元个数取1.关于隐含层节点数的确定，隐含层单元数太少导致预测容错性差，隐含层单元数太多又使学习时间太长，误差情况不一定最佳。本次研究采用“试错法”，找出最优隐含层单元数，本次选取隐含层数为4.按照上述分析分别编码。

（1）暗河级别 主干暗河：1；分支暗河：2；单洞道：3.

（2）暗河类型 主流暗河：1；支流暗河：2；转向暗河：3；流出型暗河：4；伏流型暗河：5；穿洞型暗河：6；顺河潜流型暗河：7；渗流入流型暗河：8.

（3）洞道样式 落水洞：1；厅堂洞：2；潜流回路洞道：3；水平潜流洞道：4；廊道：5；高角度洞道：6；中等角度洞道：7.

（4）与暗河出入口的关系 无：0；入口附近：1；出口附近：2.

（5）与厅堂洞的关系 无：0；上游：1；下游：2；中心：3.

（6）是否垮塌 无：0；是：1.

（7）充填程度 未充填：0；部分充填：1；全充填：2.

3.3 BP神经网络可行性的检验

通过统计轮古油田217口生产井的洞穴发育情况，其中109口井发育209个洞穴，充填特征表明，碎屑质充填是奥陶系碳酸盐岩洞穴的主要充填类型。利用地震资料对洞穴识别，由于分辨率的影响，只能观察到10 m以上的洞穴。利用测井曲线和钻井资料识别出大于10 m的洞穴，利用地震资料对过井暗河进行解剖，分析出单井钻遇洞穴所在暗河段的发育模式。该地区共钻遇21个10 m以上洞穴，分别解剖每一条过井暗河。利用BP神经网络，选取16个洞穴作为训练样本，部分训练样本见表4.

因为样本总体数量较少，在对BP神经网络可行性分析检验的过程中，选取研究区21个样本中的16个样本作为训练样本，5个样本未进行训练，作为测试样本。

利用MATLAB软件进行BP神经网络的运算。基本过程如下：①按照编码处理16个训练样本；②设定网络的最大学习迭代次数为5 000次；③设定网络的学习精度为0.000 01；④创建和训练BP神经网络的MATLAB程序；⑤显示的数据与所设计的网络模型相符。

通过网络训练过程（图5）及误差曲线（图6）可以看出，样本数据在训练迭代12次精度达到0.000 01，达到误差性能目标。将测试的输出数据与实际情况比较（表5），相对误差在10%左右，均可以准确判断洞穴充填程度。5个未经训练的样本与已训练的样本的输入因子存在相似性，故判断的准确性高。由于样本集的限制，21个样本并未包含全部的输入因素（如未发现一个洞穴所在暗河的洞道样式为中等角度型），在预测全区的充填程度时会有所欠缺，需要人为校正。

图5 BP神经网络结构及训练过程

图6 网络训练误差曲线

表5 研究区BP神经网络预测部分结果

通过可行性检验说明BP神经网络预测的MATLAB实现是可行的，随着训练样本数据的进一步增加，该方法对洞穴充填程度的预测将会更加准确。

4 BP神经网络预测成效

解剖轮古油田暗河系统，利用BP神经网络技术，按上述方法选取21个大于10 m的洞穴作为训练样本，分别预测其充填程度。在利用RMS（均方根）技术、串珠识别暗河技术表征全区暗河网络的基础之上，解剖每一条暗河。以暗河AB为例（图7—图9），利用印模法恢复古地貌，解剖该段暗河。首先根据该段暗河洞道系统平面图，分析其平面地质特征，判断暗河级别及类型，在地震剖面上分析其剖面地质特征，判断每一段洞道的洞道样式、暗河出入口、是否存在厅堂洞和是否垮塌。

图7 研究区暗河AB的RMS平面分布

暗河AB的级别分别为主干暗河和分支暗河；暗河类型分别为流出型暗河和主流暗河；洞道样式发育有落水洞、中等角度洞道、水平潜流洞道等5种；暗河发育有两个明显的明河型出口、一个负地形入口和一个明河型入口；没有发育厅堂洞及垮塌。将经过处理后的训练样本集输入用于训练网络，预测暗河充填程度（表6）。

图8 研究区暗河AB洞道系统平面分布

图9 研究区暗河AB地震剖面

对应暗河充填情况剖面（图10）可以看出，A端分支暗河整体未充填，可能有洞顶缝等洞穴相关储集层的发育，可作为良好的储集空间；B端主干暗河处于暗河系统相对低部位，整体被阻塞，充填程度较高，储集性能较差。

利用BP神经网络可以较好地解释对洞穴充填程度中隐藏的非线性关系，实现了基于暗河类型对溶洞发育规模的准确预测。利用该方法对洞穴型储集层的充填程度进行预测，区分出了储集性能良好的未充填和储集性较差的全充填洞穴。

表6 BP神经网络预测暗河AB充填结果统计

图10 研究区暗河AB充填程度剖面

5 结论

（1）地下暗河系统是一个复杂的网络系统，不同的暗河类型反映了不同的岩溶演化特征，在暗河的不同部位，其充填程度也不一致，根据暗河的不同类型，总结了洞穴充填程度的6个控制因素：暗河级别、暗河类型、洞道样式、与暗河出入口关系、与厅堂洞的关系和是否垮塌。

（2）根据已知井钻遇洞穴的数据，利用BP神经网络方法，预测轮古油田暗河系统充填程度，预测结果误差在10%左右，为预测暗河充填程度提供了新思路。

（3）在BP神经网络的训练过程中，样本容量的大小对预测结果有着显著的影响。由于训练样本中尚未包含所有的暗河类型，在预测的过程中误差相对较大，为了提高预测的准确性，丰富训练样本的容量是一个重要的途径。