利用概率神经网络预测成岩相——以鄂尔多斯盆地合水地区延长组长8段储层为例<br/>

利用概率神经网络预测成岩相——以鄂尔多斯盆地合水地区延长组长8段储层为例

2013-05-16庞国印马晓峰

特种油气藏 2013年2期

庞国印，唐俊，3，王琪，马晓峰，廖朋

(1.油气资源研究重点实验室中国科学院，甘肃兰州 730000;2.中国科学院研究生院，北京 100049;3.内蒙古科技大学，内蒙古包头 014010)

引言

成岩相重点研究有利储层的形成机理、空间分布与定量评价，通过其预测非连续性的储集体系统。传统的成岩相研究方法是通过大量普通薄片、铸体薄片和扫描电镜的观察分析，鉴定出代表井岩石样品受胶结、溶蚀、压实等作用的主要成岩现象，并根据成岩单因素和多因素复合特征来划分单井上的典型成岩相类型。该成岩相的划分方法只能针对取心井，但由于取心资料的局限，未取心区域的成岩相研究常常陷入困境，人为推测的结果往往达不到预期精度。而利用沉积微相研究成果和测井曲线参数，通过神经网络进行成岩相识别能解决该问题。

神经网络是输入参数值、并对这些输入项进行计算，然后输出一个或多个值的系统。当针对某种应用设计并训练一个神经网络后，其输出逼近给定输入项的正确值。神经网络不仅能像线性回归一样，用于函数逼近，还能像“判别分析”和“逻辑回归”一样，用于分类。神经网络的结构是由相互连接的单元构成的，这些单元称为“节点”或“神经元”。神经元按层排列，输入层神经元接收输入项(如沉积微相类型、测井参数值等)以进行计算，计算值传递给第1个隐含层的神经元，后者对这些输入项进行计算，然后将其输出项传到下一层，最后1个隐含层中各神经元的输出项传递给生成神经网络最终输出项(如成岩相类型)的神经元。各种神经网络在神经元内执行的计算以及训练算法上存在差异。相对于BP神经网络，概率神经网络训练速度快，不需要指定拓扑结构(隐含层和隐含节点的数目)，且概率神经网络不仅可以用于分类，还可以返回样本落在其他因变量范畴的概率。因此，概率神经网络用于成岩相分类预测有较强的优势。

1 区域地质概况

鄂尔多斯盆地可划分为渭北隆起、伊盟隆起、天环坳陷、晋西挠褶带、西缘冲断带、伊陕斜坡6个一级构造单元。合水地区位于鄂尔多斯盆地伊陕斜坡西南部，西临西峰油田［1－2］。该地区主要以岩性油藏为主，三叠系延长组长8油层组是该区的主力产油层之一。但该区储层非均质性较强，成岩作用对储层物性、孔隙结构等影响较大。因此，正确认识、划分合水地区长8储层成岩相(图1)，对后续预测有利储集区带和规模开发具有重要意义。

图1 鄂尔多斯盆地合水地区延长组长8段储层成岩相综合特征

2 成岩相划分原则与成岩相类型

目前，国内外对成岩相的划分尚无统一的方案，评价方法大多仅限于取心井和薄片观察。综合分析前人研究成果［3－6］，将成岩相定义为某一储层段在地质历史时期中所经历的成岩环境及其产物的综合表现。成岩相的命名主要依据对储层物性起决定性作用的主控成岩作用类型，如胶结相、自生黏土矿物沉淀充填相、溶蚀相等。在此基础上，根据胶结物类型划分绿泥石胶结相、方解石胶结相;根据充填的黏土矿物类型，划分为高岭石沉淀充填与伊利石充填;根据溶蚀作用的强弱划分为强溶蚀、中等溶蚀和弱溶蚀相。具体定名应考虑不同成岩相对储层物性的控制程度大小，使其能反映出主控成岩作用类型。

成岩相分析就是在成岩作用与储层物性演化特征之间建立1种成因联系，在查明主控成岩作用类型的基础上，弄清其在纵向上的分布、组合特征及对储层物性的影响和制约程度，建立孔隙演化与成岩作用关系模型，为储层纵向上孔隙演化机理、主控因素分析及储层平面分布特征的预测提供理论依据。根据铸体薄片和孔渗分析数据等资料，详细刻画了成岩相与储层物性之间的关系和面貌，结合沉积相研究成果，划分出鄂尔多斯盆地合水地区延长组长8段储层典型的成岩相类型(图1)。

3 概率神经网络原理

概率神经网络(PNN)基于类似的理念，主要用于范畴预测和分类［7－8］。其结构如图2所示:假设有2个数值自变量、2个范畴因变量和5个训练样本(其中3个在一个范畴，2个在另一个范畴)。

图2 PNN网络结构

向网络提供1个样本时，模式层中的每个神经元计算自己所代表的训练样本和输入样本之间的距离，传递给加和层神经元的值是距离和平滑因子的函数。因此，模式层每个单元的输出为:

式中:δ为平滑因子;Wi为连接输入层到模式层的权值。

在加和层，每个范畴因变量都有1个神经元，每个神经元加总该范畴内的训练样本所对应的所有神经元的输出值:

式中:X为属于某个范畴的第j个样本;k为属于该范畴的模式样本个数。

加和层神经元的输出值可视为每一类的概率密度函数预测。输出神经元选择概率密度函数值最高的范畴作为预测的范畴。

4 单井上不同成岩相单元的分层

成岩相单元的划分方法主要有人工分层和利用测井曲线自动分层2种。人工分层主要在井数相对较少的区域使用，该方法可以考虑众多影响因素，分层灵活，能提高分层精度，减小概率神经网络的训练样本和输入项的误差。而利用测井曲线自动分层的方法有很多种，如数理统计方法类的极值方差聚类法、有序聚类分析、层内差异法;非数理统计方法类的活度函数法、Walsh变换、Fourier变换、小波变换以及人工智能方法中的自组织神经网络、模糊识别方法等。这些方法虽然使测井曲线分层走向了自动化，提高了效率，但在解决分层问题时，都存在一定的缺陷。因此，在分层时可采用自动分层和人工分层相结合的方法，既提高了工作效率，又提高了分层精度。

5 概率神经网络输入项参数的选择

5.1 成岩相与沉积相之间的关系

在沉积作用过程中，成岩相在沉积体内的分布具有一定的规律性［9］。通过将研究区沉积相、成岩相、成岩阶段、储层物性剖面和平面分布特征图叠合起来分析研究发现，成岩相与沉积相存在一定的耦合关系。如绿泥石黏土膜最发育的砂体，沉积相基本都是三角洲前缘分流河道微相，而处在半深湖和三角洲前缘过度区域的沉积相溶蚀作用非常发育，碳酸盐胶结物相对不发育;在三角洲前缘和三角洲平原碳酸盐胶结相相对发育等。因此，在利用概率神经网络预测成岩相时，选择沉积微相作为概率神经网络输入项中的范畴自变量参数。

5.2 成岩相的测井响应

地层的放射性、电阻率、孔隙度、波速和密度等物理特性主要是岩石成岩强度的体现，即岩石压实程度、胶结程度和次生孔缝发育程度的表现。因此，不同的成岩相具有不同的测井响应，如碳酸盐胶结成岩相测井特征为低自然伽马、低中子、低声波时差、高密度、高电阻率;高岭石充填成岩相测井特征为高自然伽马、高中子、低密度测井值;压实致密成岩相测井特征为中—高自然伽马、高密度值和较高的中子测井值［10］。

利用测井特征的差异，运用概率神经网络可以定量判别不同成岩相类型。在分析不同测井曲线的基础上，选用能对成岩相区分较好的自然伽马(GR)、自然电位(SP)、井径测井(CAL)、声波时差(AC)、补偿中子(CNL)、密度测井(DEN)曲线值作为概率神经网络输入项的数值自变量。这些参数可以反映储层的岩性、沉积环境、物性差异及孔隙结构情况，在对成岩相分析研究的基础上，能够较为明显地指示储层成岩相差异，划分储层的成岩相类型。

6 概率神经网络模型的建立及成岩相识别

利用MATLAB软件建立概率神经网络模型，包括输入层、模式层、加和层和输出层。输入层参数为每个层段的沉积微相类型和测井参数的平均值，包括1个范畴自变量和6个数值自变量。

通过对鄂尔多斯盆地合水地区数口井解释资料的研究，选取延长组长8段若干成岩相层段作为概率神经网络的学习样本(表1)。总共选用5 358个学习样本对神经网络进行训练，经过66次实验，搜索出变量的最佳平滑因子，建立研究区8种成岩相类型的判别模式。

表1 概率神经网络部分学习样本参数

最终训练所得训练误差预测百分率、平均不正确概率和不正确概率标准差分别为0.018 7%、1.115 1%、4.223 0%。

将概率神经网络分析的成岩相结果与地质专家分析的成岩相结果进行了对比，发现利用概率神经网络预测结果的准确率达到90%以上(图3)。因此，利用沉积微相研究成果和测井特征参数进行的成岩相识别效果显著，对成岩相的识别精确度较高。但在识别上(特别是对差别较小的成岩相之间)仍然不可避免会产生误判现象，此时，对于不正确概率较高的预测结果应综合各类因素进行人工分析校正。