基于BP神经网络技术的水淹层评价

郭海敏，赵亚宁，时新磊，彭红浪（油气资源与勘探技术教育部重点实验室（长江大学）长江大学地球物理与石油资源学院 ，湖北 荆州434023）

基于BP神经网络技术的水淹层评价

郭海敏，赵亚宁，时新磊，彭红浪（油气资源与勘探技术教育部重点实验室（长江大学）长江大学地球物理与石油资源学院 ，湖北 荆州434023）

油层水淹后，油层的电阻率、自然电位、声学性质以及核物理性质等均会发生一系列变化，而且这些变化同油层的物理性质、注入水性质以及注入量等有关。不同的注水时期，这些变化也是不同的，因而使地质情况更加复杂多变。此时如果仅仅依靠常规测井曲线的变化建立模型来评价水淹层，势必造成很大误差。根据常规测井资料，借助BP神经网络，建立了BP网络模型，用建立的模型对某断块的15口具有试油资料的井进行了水淹级别预测，正确率高达80%以上。结果表明，基于BP神经网络的水淹层识别技术具有良好的应用效果。

常规测井曲线；试油资料；测井数据；BP神经网络；水淹层评价

在水洗作用下，油层的粘土和泥质含量下降。注入水与原始地层水相混，混合水的电阻率随着注入水的矿化度和注入水量的变化而变化。从电阻率曲线上看，与原始地层水电阻率Rw相比，混合水电阻率Rwz有3种可能：①淡水型水淹层，Rwz增高，Rwz＞Rw；②地层水型水淹层，Rwz近似不变，Rwz≈Rw；③污水型水淹层，当污水的矿化度大于原始地层水矿化度时，Rwz＜Rw。因而混合地层水电阻率复杂多变且难以确定，给应用电阻率测井资料计算水淹层含水饱和度造成了极大的困难［1］。油层经长期注水后，岩石的孔隙度和渗透率增加，而在蒙脱石较多的油层中，由于蒙脱石具有遇水膨胀的水敏特性，渗透率的变化比较复杂。对油层水淹后进行水淹评价十分困难，常规水淹层识别与评价的方法均存在着局限性，评价水淹层的其他测井方法比如核磁共振测井技术优势明显，但是代价太高，只能在少数井中应用。笔者基于改进的BP神经网络［2～6］开展水淹层识别研究，提取出能较好反映水淹层特征的测井参数值，对所选取的测井数据进行归一化处理，来建立识别模型，避免了求取混合地层水电阻率的困难。利用所建立的网络模型对某一断块15口井的计算结果表明，该方法应用效果良好。

1 应用BP神经网络技术评价水淹层的原理与方法

1.1 BP网络原理

BP网络即误差回传神经网络，它是一种无反馈的前向网络，是一种有教师的学习算法。网络中的神经元分层排列。除了有输入层、输出层之外，还至少有一层隐蔽层；每一层内神经元的输出均传送到下一层，这种传送由连接权来达到增强、减弱或抑制这些输出的作用。除了输入层的神经元外，隐蔽层和输出层神经元的净输入是前一层神经元输出的加权和。每个神经元均由它的输入、活化函数和阈值来决定它的活化程度［2］。

BP网络的工作过程分为学习期和工作期两个部分。学习期由输入信息的正向传播和误差的反向传播两个过程组成。在正向传播过程中，输入信息从输入层到隐蔽层再到输出层进行逐层处理，每一个神经元的状态只影响下一层神经元的状态，如果输出层的输出与给出的样本期望输出（教师信号）不一致，则计算出输出误差，转入误差反向传播过程，将误差沿原来的连接通路返回，通过修改各层神经元之间的权值，使误差达到最小。经过大量学习样本训练之后，各层神经元之间的连接权就固定了下来，可以开始工作期。工作期中只有输入信息的正向传播。BP网络的计算关键在于学习期中的误差反向传播过程，该过程是通过一个目标函数最小化来完成的。通常目标函数定义为实际输出与期望输出之间的误差平方和，可以利用梯度计算法计算。该研究所用的BP网络结构原理如图1所示。

图1 BP网络结构原理

1.2 利用BP神经网络识别水淹层

BP神经网络识别水淹层的基本流程如图2所示。

图2 BP神经网络识别水淹层的基本流程

1.2.1 水淹层评价特征参数的选取

油层水淹后，地层的电阻率、自然电位、声波时差、自然伽马、孔隙度以及渗透率等将发生某种程度的变化。笔者在所提取的能反映水淹层的参数中筛选出8个最能指示油层水淹的特征参数作为神经网络的输入，具体见图1。

1.2.2 网络训练样本的选取

根据该区块的水淹特点，将该区块的水淹等级划分为［1］：①油层（未水淹），Fw≤10%；②弱水淹，10%＜Fw≤40%；③中水淹，40%＜Fw≤80%；④强水淹，Fw＞80%。

依据油层水淹特点，从该区块中合理地选取35个具有试油资料的水淹与非水淹的样本点，对样本的特征参数曲线进行归一化处理，使它们统一刻度在（0，1）之间，并且将每个样本的试油结论（在网络训练中将作为教师信号）用数字范围来表示，设定产水率在（0，0.25）之间的数表示油层（未水淹层），（0.25，0.5）之间的数表示为弱水淹层，（0.5，0.75）之间的数表示为中水淹层，（0.75，1）之间的数表示为强水淹层，这样就组成了35个样本对，分别表示网络训练时的输入和期望输出。

1.2.3 网络的学习

该研究采用3层BP神经网络对水淹层进行评价，8个水淹层特征参数作为网络的输入节点，隐含层有10个节点，输出层1个节点。训练成4种模式：未水淹层期望输出值在（0，0.25）之间，弱水淹层的期望输出值在（0.25，0.5）之间，中水淹层期望输出值在（0.5，0.75）之间，强水淹层期望输出值在（0.75，1）之间。用所选的35个样本进行网络的学习训练。

1.2.4 网络模型建立过程

用C＋＋编制改进神经网络的识别程序，实现了BP网络对样本的算法。步骤为：

1）变量及参数定义。定义网络的输入节点数n，隐含层节点数p，输出层节点数q，网络训练的样本数据，各层神经元与其下一层神经元的连接权值wij，隐含层和输出层各个神经元的阈值θ，网络的最大训练次数为2000次，以及网络训练时的允许误差5%。

2）网络初始化。给各连接权值和阈值分别赋一个区间（－1，1）内的随机数，规定活化函数，要求活化函数可微，一般取s型函数。

3）从训练集中取一样本训练对，把特征参数曲线作为网络输入层的输入，计算网络隐含层和输出层各神经元的输入和输出。

隐含层中第i个神经元的输入为：

式中，wij为输入层第j个神经元与隐含层第i个神经元的连接权值；inputj为网络输入层第j个神经元的值。

隐含层中第i个神经元的输出为：

输出层第k个神经元的输入为：

式中，wki为隐含层第i个神经元与输出层第k个神经元的连接权值。输出层第k个神经元的输出为：

因此隐含层和输出层各神经元的输出可分别表示成：

式中，θi为隐含层第i个神经元的阈值；θk为输出层第k个神经元的阈值。

4）计算网络输出矢量与所期望输出矢量的差异e为：

式中，expect＿outputk为网络的期望输出。

5）判断网络误差是否满足要求。当误差大于预设的精度时，从输出矢量反向计算到隐含层，向减小差异方向调整网络权值和阈值。由以上各式可以得到网络模型连接权值的修正公式，首先利用网络期望输出和实际输出，计算误差函数e对输出层各神经元的偏导数δk（m）：

利用输出层各神经元的δk（m）和隐含层各神经元的输出导出隐含层到输出层的权值调整公式：

式中，η为学习效率。

利用隐含层到输出层的连接权值、输出层的δk（m）和隐含层的输出计算误差函数e对隐含层各神经元的偏导数δi（m）：

利用隐含层各神经元的δi（m）和输入层各神经元的输入导出输入层到隐含层的权值调整公式为：

6）对训练集中的每一个训练对重复上述第③步～第⑤步，直到整个训练集的误差最小，满足网络要求精度，即必须使全网络平均差异平方和E最小，即：

式中，m为训练对的个数。

用编制的BP神经网络学习程序进行学习，经过约2000次的迭代，网络收敛达到预设精度，网络的输出与实际值的相对误差达到约4.8%。

2 实例应用

研究区块是某构造中的一个断鼻型断块，呈南抬北倾狭长型断鼻。储层的含油分布受注水开发影响比较明显。由于油层的非均质性，造成注水开发时原来的好油层变成强水淹层；而较差的油层（包括物性差的油层和薄油层），则有可能成为“主力油层”。对于该区块，通过综合研究测井资料和试油资料，初步认为：弱水洗和中等水洗的油层，平均含油饱和度下降10%～15%；强水洗的油层，平均含油饱和度下降20%。

用训练好的网络处理了该断块上的部分井，对已有试油资料的15口井的15个单层进行了统计，结果如表1所示。

从表1可以看出，用BP神经网络处理的结果与试油资料相比，其中完全符合的有12层，有2层与试油结果不符合，基本符合但不完全一致的有1层，解释精度高达80%以上。

表1 15口井15个单层的统计结果

3 结 语

应用BP神经网络技术对研究区块进行水淹层评价，从处理实例可以看出神经网络为该区块的水淹层识别和水淹等级的划分提供了一种新的手段和方法，评价效果显著，与常规测井资料解释所建立的评价模型相比，解释结果的准确率较高，方法简单并且容易操作。

值得指出的是，应用神经网络模型进行水淹层识别时，网络训练样本集的选取对网络的解释效果起关键作用，识别时要选取该地区最能反映油层水淹特征的有代表性的参数值，通过调整网络的权值和阈值，使网络误差达到最小，从而提高识别精度。该网络模型只适合该研究断块，如果需要推广到其他区域，则需要重新选取样本对网络进行训练以建立网络解释模型。增加具有代表性的训练样本，则可进一步提高解释精度。

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

［2］田景文，高美娟.人工神经网络算法研究及应用［M］.北京：北京理工大学出版社，2006.

［3］刘瑞林，马在田.神经网络在油气评价和预测方面的研究现状［J］.地球物理学进展，1995，10（1）：76～83.

［4］刘瑞林，华运隆，张超谟，等.延迟神经网络测井资料评价水淹层的方法及应用［J］.石油学报，1997，18（4）：76～80.

［5］宋子齐，谭成仟，吴少波，等.灰色系统与神经网络技术在水淹层测井评价中的应用［J］.石油勘探与开发，1999，26（3）：90～92.

［6］邹伟，李瑞，汪兴旺.BP神经网络在致密砂岩储层测井识别中的应用［J］.勘探地球物理进展，2006，29（6）：428～432.

Waterflooded Reservoir Evaluation Based on BP Neural Network Technology

GUO Hai－min，ZHAO Ya－ning，SHI Xin－lei，PENG Hong－lang（Key Laboratory of Exploration Technologies for Oil and Gas Resources（Yangtze University），Ministry of Education；College of Geophysics and Oil Resources，Yangtze University，Jingzhou434023，Hubei，China）

After waterflooding in oil reservoirs，a series of changes，such as resistivity，spontaneous potential，acoustic properties and the nature of nuclear physics were induced，and these changes were related with reservoir physical properties，character of water injection and as well as injection rate and so on.The changes were different in different injection times，it would result in more complex geologic conditions.Therefore if only conventional logging curve was used to establish a model to evaluate the changes in waterflooded reservoirs，serious errors would be caused inevitably.According to conventional logging data，a BP（Back－Propagation）neural network was used to establish a BP network model，waterflooding grade is predicted for 15wells with the oil test data in a block by using the model，its accuracy is 80%.The results show that BP neural network technology has good prospects of application in oilfield.

conventional logging curve；oil testing data；well logging data；BP neural network；waterflooded reservoir evaluation

P631.84

A

1000－9752（2010）05－0079－05

2010－08－10

中国石油“十一五”后三年测井科技项目（2008A－2703）。

郭海敏（1964－），男，1985年江汉石油学院毕业，博士（后），教授，博士生导师，长江大学副校长，现主要从事油藏动态监测方面的教学和科研工作。

［编辑］ 萧 雨