基于横波测井资料的神经网络火山岩流体性质识别

2013-10-25边会媛潘保芝王飞

测井技术 2013年3期

边会媛，潘保芝，王飞

（1.中国地质大学，北京 100083；2.吉林大学地球探测科学与技术学院，吉林长春 130026）

0 引言

偶极横波测井与地层电阻率无关，对于低电阻率地层，利用偶极横波测井可以获取真实的地层骨架以及流体声波速度信息，如地层运动学参数、弹性力学参数、频谱信息，这些声学信息对储层含气性都有一定的响应［1］。Kohonen神经网络的学习速度快，分类精度高，抗噪声能力强，因此可用于判别储层中流体性质［2］。

松南气田营城组火山岩气藏位于长岭断陷中央隆起带。该区火山岩孔隙结构复杂，孔洞、裂缝发育。当岩石孔隙中含气时，地层横波时差与纵波时差都有所变化。本文利用偶极横波测井资料，建立了纵波等效弹性模量差比、压缩系数、泊松比以及纵横波速度比4个气层识别指标。这些气层指标都存在一定的优缺点，所以本文结合神经网络建立了综合识别火山岩气层的方法。

1 利用偶极横波建立气层识别指标

1.1 纵波等效弹性模量差比气层识别指标

如果地层中的纵波速度为vp，地层的体积密度为ρb，那么地层的纵波等效弹性模量

岩石的纵波等效模量差比为第1个气层识别指标

式中，Epw、Ep分别为水层和目的层岩石的等效弹性模量［3］。岩石的剪切模量等于施加在岩石上的应力与切应变的比值，它与横波速度的平方成正比。相对于偶极横波测井而言，纵波速度更易从声波测井中获得，故这种方法的优点在于，在缺少横波速度vs信息时仍然能够应用。

当DR大于0时地层含气。与含水的岩石相比，当岩石孔隙中含气时，气体的密度小于水的密度，岩石的体积密度偏小，纵波在水中比气体中传播得快，纵波速度也偏小。所以，含气地层的纵波等效弹性模量小于含水地层的纵波等效弹性模量。

1.2 纵横波速度比气层识别指标

地层中，孔隙度和流体性质对横波的传播速度有影响。与含水地层相比，含气地层的横波速度偏大而纵波速度偏小，所以利用纵波和横波的速度比可以识别地层中的气体或轻质油［4－5］。纵横波速度比为第2个气层识别指标

在水层上选择背景值，当纵横波速度比小于背景值时，地层含气。对于松南气田的深部火山岩，背景值为1.68。

1.3 弹性力学参数气层识别指标

当地层含气时，地层的弹性力学参数将发生变化，泊松比降低，压缩系数升高。由偶极横波测井得到的地层纵横波速度可以计算得到压缩系数、泊松比，分别定义压缩系数、泊松比为第3个和第4个气层识别指标［6］

图1 利用偶极横波数据识别气层效果图

式中，vp、vs分别为横、纵波声波速度，DTSC＝vp／vs。与水层上获得的背景值相比，当地层中存在气层时，体积压缩系数BBC会变大，而泊松比U偏小。因此，根据实际地区的试气结论数据确定压缩系数和泊松比的背景值，当大于其背景值而泊松比小于自身背景值时，地层含气。

利用松南气田的试气资料得出了利用压缩系数和泊松比识别气层的标准：当地层的压缩系数大于背景值2.4、泊松比小于背景值0.21时地层含气；而且压缩系数曲线与泊松比曲线形成明显的镜像包络线，这使测井解释更加直观。

将这4种方法应用于松南气田深部火山岩段，典型层的效果见图1。从图1中可以看出，DTSC参数能够指示气的存在，但是纵横波速度比不仅对地层中的气敏感，它还受到地层孔隙度和岩性的影响。有研究表明，DTSC会随着孔隙度的增大而减小，不同岩性的储层，其纵横波速度比的背景值（即骨架的纵横波速度比）也不同［7］。第6道为压缩系数与泊松比，背景值基线对应的压缩系数为2.4，对应的泊松比为0.21，二者形成了良好的镜像包络线，但是也受到岩性、高角度缝的影响。第7道为纵波等效弹性模量差比，它能识别气层，但是无法更精确地区分干层与水层。

在松南气田深部火山岩的试气层段，利用偶极横波数据计算得到4个气层识别指标并两两作交会图。从纵横波速度比与纵波等效弹性模量差比的交会图（见图2）、泊松比与压缩系数的交会图（见图3）可以看出，同时应用2个指标时，右上方区域为气层区域。综合上述4个气层识别指标在一定程度上都能指示气层的存在，但是单个指标不能将气层、差气层、气水同层、水层、干层都区分开来，为此引入Kohonen神经网络方法综合识别流体。

图2 DTSC与DR交会图

图3 泊松比与压缩系数交会图

2 Kohonen神经网络识别流体性质

2.1 Kohonen神经网络进行逐点流体性质识别

1984年T.Kohonen提出的自组织特征映射人工神经网络是一个双层的网络，每一个输入节点与所有输出节点通过权ω联系，从而实现对输入信号的非线性降维映射。映射中保持了拓朴不变性，即把拓朴意义下相似的输入映射至相近的输出节点上。神经网络在接受外界输入时，会分成不同的区域，这些区域对不同的模式的响应特征不同，从而形成一种拓扑意义上的有序图。这种有序图也称为特征图，它实际上是一种非线性映射关系，它将信号空间中各模式的拓扑关系几乎不变地反映在这张图上，即各神经元的输出响应上。由于这种映射是通过无监督的自适应过程完成的，所以也称它为自组织特征图。

在这种网络中，输出节点与其邻域其他节点广泛相连，并相互激励。输入节点和输出节点之间通过强度ωj（n）相连接。通过某种规则，不断地调整ωj（n），使得在稳定时，每一邻域的所有节点对某种输入具有类似的输出，并且这聚类的概率分布与输入模式的概率分布相接近［8］。

将上述4个气层识别指标作为输入，流体性质作为输出。应用Kohonen自组织特征映射算法进行气层识别的步骤［9－11］：

（1）初始化。初始化权值矢量ωj（0）时可选随机值，一般取值小；初始化学习效率η（0）以及邻域函数Ng（n）的初始值Ng（0），一般取值大；Ng（n）表示在第n次学习过程中，邻域中包含的神经元个数，确定总学习次数N。

（2）对样本中的每个矢量x，即由上述4个气层识别指标组成的矢量

将其送入到网络的输入层上，并且进行归一化处理；进行相似匹配，对权矢量进行归一化处理并运用欧氏法则选择距离最小的神经元作为权值矢量最匹配x的神经元；训练权值矢量。

（3）更新学习速率η（n）。学习率线性减小从而产生满意结果。

（4）减小邻域函数Ng（n）。

（5）检查结束条件。特征映射变化不再明显时结束，否则回到步骤（2）。

首先应用有试气结论的层段的测井数据计算得到气层识别指标等效弹性模量差比、压缩系数、泊松比以及纵横波速度比的值，利用这些试气层段的4个气层识别指标组成神经网络的样本，样本中包含了气层、差气层、水层、干层等多种结论。利用Kohonen神经网络进行训练，训练参数选择初始学习速率0.9，训练次数为500，输出层为10×10的平面二维阵列（见图4）。选择样本个数为21个，回判符合率为100%。

这样不仅能识别出气层、水层、干层，而且可以区分开气水层、差气层以及微含气层，干层的分布为2个区域，代表了2种不同性质的干层，

即孔隙度很小的致密层以及正常孔隙度干层。

然后计算得到单井中各深度点的等效弹性模量差比、压缩系数、泊松比以及纵横波速度比，将其提供给自组织神经元，通过神经网络得到各个深度点处的流体性质识别结果。

图4 自组织网络输出层二维阵列（10×10）的训练结果

2.2 流体性质自动识别剖面

为了使流体性质的识别更为直观，对神经网络获得的各深度点的流体性质进行合层处理。设定最小储层厚度，如0.5m，在连续的0.5m深度段内识别出来的流体性质一致时自动合层，得出连续的储层流体性质识别剖面。将松南气田深部火山岩的试气层段的气层识别指标数据作为Kohonen神经网络的样本数据，从而建立了流体自动识别方法。典型层的效果见图5。

3 预测效果分析

在松南气田各井中进行流体性质预测，预测样本数为12个，符合率为83.3%。以×102井的神经网络识别流体性质效果图为例，从解释结论道（第7道）可以看出（见图6），深度小于3 705m时，地层为差气层与干层，3 705～3 810m层段中为气水同层，超过3 810m之后地层为水层与干层，这与试气结论（第6道）相符。