基于BP神经网络技术的储层流动单元研究

司马立强，肖华，袁龙，陆凤才

（1.西南石油大学资源与环境学院，四川成都610500；2.江苏油田勘探局地质测井处，江苏扬州225002）

基于BP神经网络技术的储层流动单元研究

司马立强1，肖华1，袁龙1，陆凤才2

（1.西南石油大学资源与环境学院，四川成都610500；2.江苏油田勘探局地质测井处，江苏扬州225002）

黄珏油田方4阜一段储层属低孔隙度、低渗透率储层，储层特性较为复杂，在进行储层参数的求取时存在较大误差。结合取心物性资料、测井资料，选用流动带指数IFZ划分方法将取心井储层流动单元划分成Ⅰ、Ⅱ、Ⅲ类，

并建立流动单元的识别和划分标准。在此基础上，利用BP神经网络技术对取心井储层流动单元进行学习训练，与测井曲线建立其相关的学习和预测模型，对非取心段储层流动单元进行预测，明显提高了测井解释精度，为储层精细评价提供一种较有效的研究方法。

测井解释；流动单元；低孔隙度；低渗透率；流动带指数；BP神经网络；黄珏油田

0 引 言

流动单元［1］是指影响流体流动的岩相和岩石物理性质在内部相似的、垂向上和横向上连续的储集岩体。在同一储集岩体（流动单元）内部，影响流体流动的地质参数相似，而不同的流动单元之间，岩相和岩石物理性质差异明显。流动单元研究的主要目的和意义是明确剩余油的形成和分布，同时为油藏数值模拟提供可靠的分层依据。由于具体的地质条件和实际资料的限制及研究问题的出发点不同，对流动单元的认识及研究方法也不完全一致。

本文研究对象黄珏油田方4断块阜一段是苏北盆地下第三系重要的含油层段之一。该地区油层组砂体厚度变化大，空间分布复杂且非均质性强，油层物性较差，岩心分析孔隙度主要分布在8%～12%，渗透率主要分布范围为（0.1～1）×10－3μm2，岩石颗粒磨圆度以次棱角－次圆状为主，分选中等。选取流动带指数划分法在该层段开展流动单元精细解释、识别研究，对该区的勘探、开发有着重要的意义。由于方4阜一段储层属低孔隙度、低渗透率储层，某些井在进行储层参数（特别是渗透率）的求取时存在较大误差，故在特征值选取时避开了求取的储层参数，而直接利用测井曲线值作为特征变量，基于BP神经网络技术进行流动单元识别与预测，以提高流动单元识别的准确性。

1 储层流动单元的划分

1.1 划分方法

流动单元往往受矿物成分和孔隙结构控制，根据孔喉特征可以将厚层划分为多个内部渗流特征相似的相对均质的流动单元。Kozeny和Catmen根据渗流力学原理利用平均水力半径建立了孔隙度与渗透率之间关系［2］

式中，K为渗透率，×10－3μm2；φe为有效孔隙度，小数；Fs为形状系数；τ为孔隙介质的迂曲度，小数；Fsτ2为Kozeny常数，其为一个变常数，在流动单元之间是变化的，而在流动单元内部是一个常数，在实际储层中取值范围为5～100；Sgv为单位颗粒体积比表面积，μm－1。

式（1）两边分别除以φe并开平方可得

如果渗透率的单位取×10－3μm2，则可以定义下列参数。油藏品质因子

孔隙体积与岩石颗粒体积之比（标准化孔隙度指标）

流动层带指标

IFZ是一个把岩石结构和矿物地质特征、孔喉特征等结合起来的综合判定参数，因此，能较准确地描述油藏的非均质特征。将式（5）两边取对数

由式（6）可知，在IRQ与φz的双对数坐标图上，所有具有相似IFZ值的样品点将形成1条斜率为1的直线。不同IFZ值的样点将形成与其平行的直线。IFZ的数值可由该斜率直线与φz＝1相交的截距确定。一般认为，属于同一直线的样品点具有相似的孔喉性质，属于同一类流动单元。而不同的流动单元，其IFZ值不同，因此，根据岩心资料计算出IRQ和IFZ之后，基于IFZ值即可划分出流动单元。

1.2 取心段流动单元分类

从理论上讲，由于储层的非均质性以及测量的误差，同一类流动单元［3］的各种参数应该服从正态分布；各样品具有相同的IFZ值，即其储层品质因子IRQ与标准化孔隙度指标φz的双对数交会图呈现斜率为1的直线。而N类流动单元共存时，在各参数的频率直方图应具有N个不同的峰值，累积频率图上应该呈现N条不同斜率直线，IRQ与φz的双对数交会图呈现N条相互平行的斜率为1的直线。

研究中对所选取的典型层样品点分别进行了储层品质因子、标准化孔隙度指标、流动层带指标的求取以及Winland孔喉半径等参数的求取。由于低孔隙度低渗透率特性，造成该段储层的IFZ值明显较常规储层低，由图1知其主峰值分布于0.4～0.6之间。IFZ直方图基本呈现多正态分布的组合（具有4～5个峰值），但是各正态分布不标准或峰值不明显，一方面由于研究区块为典型的低孔隙度、低渗透率储层，岩石物性分布范围较窄，特别是渗透率（0.1～1）×10－3μm2，这样便造成计算的IFZ值分布范围较窄，主要分布范围为0.2～0.8μm，出现大量数据点落入同一数据范围的情况，如落入0.2～0.8μm范围内的数据点约占70%；另一方面由于各层物性差距不大使岩心取样分析数据近似较为严重。

图1 方4断块IFZ频率直方图

从IFZ累积频率图（见图2）可以看出，该曲线虽然没有明显的转折点，整体相对比较光滑，特别是当IFZ值比较小时。该图大致可分为4段，用4条斜率不同的直线对其进行描述。

通过K均值聚类分析确定各类流动单元的流动带指标IFZ具体范围。为提高划分的准确性，根据IFZ与物性的相关性分析对一些异常IFZ值进行了删除，如较差物性对应相对较高的IFZ值的样品点。

由于Ⅰ类流动单元到Ⅳ类流动单元其储层品质逐渐变差。图2可以看出Ⅰ、Ⅱ类流动单元所占比例较小，Ⅲ、Ⅳ类流动单元所占比例较大，这与该地区中、低产能储层发育，而高产储层较少的实际情况较为一致。考虑到该地区储层特性，如果对其储层精细划分时，分类越多，其划分的不确定性越强，此时错判的可能性较常规物性储层大得多。又由于Ⅰ、Ⅱ类流动单元所占比例较小，所以将Ⅰ、Ⅱ类流动单元合并为一类，这样研究区内储层总体分为Ⅰ、Ⅱ、Ⅲ等3类流动单元。表1为调整后每类流动单元的样品数及所占比例。

图2 方4断块IFZ累积频率图

表1 调整后每类流动单元的样品数

由于物性相差较大的储层可能具有相同的IFZ值，这样可能降低利用IFZ进行流动单元划分方法的准确性。根据地区具体情况，为了最大限度地限制这一问题的出现，利用孔隙度与渗透率对各类流动单元在大范围进行约束。通过对压汞、物性、试油等资料的综合分析，将该区块研究的储层分为3类。得出了每类流动单元大致对应的物性范围。表2为方4阜一段储层流动单元分类［4］标准。图3为分类后各流动单元的lgIRQ与lgφz的关系，由图3可知3条趋势线基本平行，与理论分析一致。

表2 方4断块阜一段流动单元分类标准

图3 各类流动单元的lg IRQ与lgφz的关系

2 BP神经网络的应用

2.1 BP神经网络原理

BP（Back Propagation）神经网络，误差反向传播算法［5］的学习过程，由信息的正向传播和误差的反向传播2个过程组成。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层按误差梯度下降［6］的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程是各层权值不断调整的过程，也是神经网络学习训练的过程，直到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。

BP神经网络模型［7］包括输入输出模型、作用函数模型、误差计算模型。

2.2 基于BP神经网络的流动单元预测

（1）特征曲线的选取。选取具有代表性的数据进行学习预测，一般应选取反映孔隙结构类型特征的自然伽马（GR）、声波时差（AC）、密度（DEN）、补偿中子（CNL），深、浅侧向电阻率（RILd，RLLs）等测井曲线作为BP神经网络判别模型的输入变量，将IFZ划分的流动单元类型作为输出。

（2）数据的预处理。① 测井资料的标准化，使各类测井信息在研究区域内有一个统一的刻度标准，使可能影响原始测井数据的各种系统误差减至最小。② 学习样本的选取原则：学习样本要有代表性；包含的范围要广，即所要预测的样本尽量包含在训练样本的范围内；归一化处理。不同特征的测井数据在数值上相差很大，如果将这些数据用于同一方法的处理中，必然会造成不同特征的数据以不同的权值参加计算。文中使用了归一化处理，对于具有近似线性特征的数据，采用线性归一化公式［8］

对于电阻率等具有非线性特征的曲线，则采用对数归一化公式

式中，X是经归一化后的测井数据，X∈［0，1］；X＊是原始测井数据、分别是原始测井数据的极大和极小值。

（3）流动单元的识别与预测。所设计的3层BP神经网络［9］采用5个输入神经元（GR、AC、DEN、CNL、RLLd），1个隐含层单元，隐含层单元神经元数目范围设为5～12个，输出为流动单元类别。图4为研究中实现流动单元预测的BP网络的拓扑结构图。在训练过程中，取网络学习率α＝0.7，学习步长η＝0.9，允许误差ξ＝0.001，网络最大迭代次数10 000。

将网络参数设置好后，即可对所选典型样本进行网络训练。通过经验公式选取隐含层节点，当节点数为7时，网络误差最小，从而选择隐含层节点数进行网络训练，当迭代次数达到6 862次时，训练误差已经达到要求，这时得到流动单元预测模型的连接权值和阈值。通过以上的步骤，调用BP神经网络预测程序，程序自动调用学习网络，用建立的模型对所选的20个验证样本进行预测，结果见表3。对实际IFZ与预测IFZ作回归分析（见图5）。图5中预测IFZ值与实际值有比较高的吻合度。

图4 实现流动单元预测的BP网络拓扑结构图

图5 实际IFZ与预测IFZ交会图

表3 BP神经网络预测结果表

图6 方4断块某井流动单元识别成果图

对非取心段或整个井段流动单元预测的实现方法：对目的层段按测井曲线数据点进行预测，即将该层段对应的特征测井曲线（GR、AC、DEN、CNL、RLLd）作为已训练好网络的输入，输出为每个测井数据点对应的曲线。此时，由于网络比较灵敏或者局部测井曲线异常会致使某个储层内在某类流动单元的背景下夹杂一些比较离散的其他类型的流动单元，需要人为地对数据进行局部的修改，以保证后面参数计算时模型选择的正确性。

利用BP神经网络建立的储层测井类型识别模型对研究区块储层进行了流动单元预测（见图6）。由图6可知，取心段第8、15、17、27号层分别识别为Ⅰ类流动单元，第4、6号层分别识别为Ⅱ类流动单元，第28号层被识别为Ⅲ类流动单元；非取心层第5、7、26号层被识别为Ⅲ类流动单元。通过岩心层的数据分析孔隙度、渗透率与IFZ值知，利用BP网络识别模型的流动单元识别结果与岩心分析的流动单元类型结果具有较好的一致性，与表2分析数据较吻合。说明该BP神经网络模型应用效果较好，可以用于该层位的其他井段储层的流动单元预测。

应用上述方法对工区内其他井同一层位进行了流动单元预测，预测结果与岩心分析、试油结果有良好的一致性。该方法也在川中地区须家河组中应用取得了良好的效果。

3 结 论

（1）通过测井、物性分析资料，利用流动带指数划分方法建立了低孔隙度低渗透率储层流动单元划分标准。所定标准具有一定的合理性，该区块流动单元用本文划分方法是可行的。

（2）在低孔隙度低渗透率复杂储层和物性分析资料较少的情况下，某些井段在计算储层参数时误差较大，利用BP神经网络技术直接建立测井曲线响应特征与流动单元类型之间复杂的映射关系进行流动单元预测，提高了流动单元识别的准确性。

［1］ Hearn CL，Ebanks WJ JR，Tye RS.Geological Factors Influencing Reservoir Performance of the Hartzog Draw Field，Wyoming［J］.Petrol Tech，1984，36：1335－1344.

［2］ 宋子齐，陈荣环，康立明，等.储层流动单元划分及描述的分析方法［J］.西安石油大学学报：自然科学版，2005，20（3）：56－59.

［3］ 李祖兵，罗明高，马斌.非均质综合指数法划分储层流动单元［J］.新疆地质，2005，23（2）：203－206.

［4］ 李阳，刘建明.流动单元研究的原理和方法［J］.北京：地质出版社，2005，6：11－19.

［5］ Koboon T.The Seh－organizing Map［J］.Proceedings of the IEEE，1990，78（9）：7－18.

［6］ 肖慈珣，娄建立，谭世君，等.神经网络技术用于测井解释的评述［J］.物探化探计算技术，1996，18（3）：219－224.

［7］ 高隽.人工神经网络原理及仿真实例［M］.北京：机械工业出版社，2003：44－54.

［8］ 邹长春，严成信，李学文.神经网络在枣北地区火成岩储层测井解释中的应用［J］.石油地球物理勘探，1997，32（增刊2）：27－331.

［9］ 焦李成.神经网络系统理论［M］.西安：西安电子科技大学出版社，1992：35－48.

Research on Reservoir Flow Unit Based on BP Neural Network Technology

SIMA Liqiang1，XIAO Hua1，YUAN Long1，LU Fengcai2
（1.Department of Resource and Environment，Southwest Petroleum University，Chengdu，Sichuan 610500，China；2.Geological Logging Division of Jiangsu Petroleum Exploration Bureau，Yangzhou，Jiangsu 225002，China）

Fang 4block reservoir with low porosity and low permeability is complex in Huangjue oilfield，so，reservoir parameter calculated has bigger error.Combining with coring formation property material and log data，the reservoir is divided into three types of flow units by flow zone index（IFZ）.Established are the recognition and division standards of the flow units.Based on this，BP neural network technology is used to learn and train the reservoir flow units of coring wells.With such a technology，directly built is the mapping relation between log responses and flow unit types so as to learn and predict the flow units in the coring wells or non－coring wells.Log interpretation accuracy is obviously improved，which provides an effective way for fine reservoir interpretation.

log interpretation，flow unit，low porosity，low permeability，flow zone index，BP neural network，Huangjue oilfield

P631.84

A

2011－12－26 本文编辑 余迎）

1004－1338（2012）04－0421－05

司马立强，男，1961年生，教授，从事油气田测井方法、测井解释、测井地质应用等领域的科研与教学工作。