神经网络技术在录井参数解释中的应用

单元伟

摘 要： 近年来，随着计算机技术的飞速发展，涌现出许多新方法新技术，人工神经网络技术就是其中之一。神经网络模型的语言识别、图像处理等方面获得了有价值的应用和进展，其研究成果也很快被引入到油气田勘探开发领域，其中包括资料的处理及解释。将计算机神经网络技术应用于录井行业，处理受钻井条件影响大、地质条件复杂，油气水层识别有一定困难的录井资料解释中，已成为目前国内录井行业探索的一个方向。

关键词： 神经网络； 气测录井； 油气层识别； BP算法

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）04?0021?04

Application of neural network technology in interpretation of well logging parameters

SHAN Yuan?wei1，2

（1. Xian Resesrch Institute Co.， Ltd of China Coal Technology & Engineering Group Corp， Xian 710054， China；

2.Xian University of Science and Technology， Xian 710054， China）

Abstract：Artificial neural network technology is one of the new methods and technologies springing up along with the rapid development of computer technology in recent years. Valuable application and progress of neural network model have been achieved in the fields of speech reorganization and image processing. Its research findings have been introduced to the oil and gas field exploration and development， including the processing and interpretation of documents. It has become a new direction of domestic investigation in well logging to apply the artificial neural network technology to the logging of well. It is capable of processing and explaining well logging documents collected from the wells which are greatly influenced by the condition of well drilling， located in complicated geological conditions， and are difficult in oil?gas?water layers identification.

Keywords： neural network； gas well logging； oil layer identification； BP algorithm

0 引 言

在对气测录井检测评价油气储层技术的研究中，录井作为一种直接手段，在我国石油勘探中发挥着重要的作用，为油田的发现和发展做出了重要贡献。随着录井技术的不断发展，录井解释评价方法也在不断进步，如三角图版法和3H比值法改变了早期的定性解释评价方法[1]、由于定性解释评价受人为因素影响很大，虽然这些方法是不错的有效方法，但在使用过程中并非完美。比如在同一油气区使用这两种解释方法总结出的数据不一定复合[2]。因此，为了进一步发现新油层，扩大地质储量，要求用更先进的录井解释配套技术来提高油气层发现率，满足油田勘探开发的需要。

基于神经网络的信号滤波、谱估计、信号检测、系统识别等技术[3]，在自动控制、石油勘探、机器人、通信、雷达等领域有着广泛的应用。神经网络主要有以下四种基本模型，即Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络[4]。本文章涉及的神经网络是多层感知器。应用该技术进行油气层识别，目前已有成功的范例。

1 神经网络基本原理

多层感知器是最常用的一种神经网络。它由一个输入层、几个隐含层和一个输出层组成，每个层都由多个神经元组成，神经元的输入通过传递函数输出，各个层上的神经元用权值相互连接，构成网络系统[5]，如图1所示。

多层感知器属于映射型神经网络。它的信息处理功能实际上是把N0维欧几里德空间中的子空间A映射成Nm维欧几里德空间中的子空间f（A），如图2所示。比如，把输入样本（录井、测井数据）通过复杂的数学变换关系变换成输出样本[6]。

三层感知器是目前应用较多的一种，是一种典型的前神经馈网络，理论上也较为成熟[7]。它由输出层、隐含层、输出层组成，第k层的神经元Y（k）应具有下列输入/输出关系：

[Y（k）=f（W（k-1））×Y（k-1）-θ（k））] （1）

式中：f（·）为神经元的传递函数，[f（x）=1（1+e-（x-θ））]；W（K-1）为神经元之间的连接强度；q（k） 为对应神经元的阈值。

利用式（1）可以求出网络总输入与总输出的关系。实际上，代表输入/输出关系的有关信息主要分布在神经元之间的连接强度上，即不同的连接强度反映着不同的输入/输出关系[8]。

图1 神经网络示意图

图2 输入与输出的映射关系

可以证明，对于三层感知器，存在这种映射关系：

定理1 对于[?]e>0和任意的L2函数f：[0，1][N0][?RN0][→RNm]，总存在着一个三层感知器，使得感知器完成的映射与f的均方差小于e。

定理2 隐层神经元数目为2N0+1的三层感知器可以精确实现任意的连续映射f：[0，1][N0][?][RN0→RNm]（Kolmogorov定理）。

第一个定理证明，对于三层感知器，在[0，1]范围内的输入/输出样本，一定存在一种关系，使输出的样本与预期的结论可以逼近；第二个定理进一步证明对于隐含层为奇数（2N+1）的三层感知器，可以实现定理一的效果。这样问题就归结为寻找隐含层为奇数的三层感知器的连接权值（强度）上[9]。

在研究中，已知的是A[?][0，1]中若干个录井参数样本集[Y01，Y02，…，Y0I]和试油结论样本集[YM1，YM2，…，YMI]，而非准确知道映射关系f。此时，网络的连结权值W可通过求解下列优化问题学习得到：

[minWIYMI-YmI2] （2）

式中[YmI]为式（1）计算的理论值。

所谓的权值学习，就是不断地调整W，使[YMI]与[YmI]的空间距离最小，以期最终的W所确定的网络能在最小二乘意义上逼近所对应的映象关系f。

2 数据处理

2.1 数据规一化

在进行神经网络训练之前，要对原始样本数据进行归一化处理，以保证样本矢量空间在[0，1]范围内，采用的公式是：

[Y=（X-Xmin）（Xmax-Xmin）] （3）

式中：Y为处理结果；X为输入数据；Xmin为输入数据最小值；Xmax输入数据最大值。

2.2 数据编码

对数据进行分类编码是神经网络识别系统常用的一种方法，它可以加快神经网络的收敛速度[10]。采用了231个层位的20多项泥浆录井参数，经过试验性训练，从中筛选了15项对输出贡献较大的参数，并依据统计规律进行了数据编码，做为网络的输入（样本参数编码方案见表1）；输出样本（试油结论）的编码是以试油日产液量为依据，并根据地质勘探公司《探井解释符合率统计规范》和录井公司《综合录井文件汇编》中对地层流体性质的定义（见表2、表3），给出了6个编码结论（见表4），作为网络的输出。

3 应用实例

持水率试验中持水率（S）是采油过程的一项重要参数。它是含水（W）和流量（L）的函数：S=F（L，W）。通常是固定流量数据，使持水率成为含水的一元函数，做出一组持水率?含水关系曲线图板，通过人工查找持水率?含水关系曲线图板（它由是一组曲线组成）求持水率。为了求出连续的流量对持水率的影响，我们使用138组样本数据（含水、流量、持水率）对神经网络进行训练。

对原始数据用式（3）进行归一化，产生138组样本数据，利用这些样本数据对神经网络进行训练，经过20 000次训练学习以后，神经网络的输出持水率与实测持水率关系曲线如图3所示，可以看出，理论数据已趋向实测数据。

表1 输入数据编码

表2 工业油气流标准

表3 干层产液量标准

表4 输出样本编码

图3 网络的输出与实测数据关系曲线

将231个层位的录井参数作为训练样本，这些参数包括井名（地区）、井深、岩性、C1、C1P、C2、C2P、C3、C3P、IC4、IC4P、IC5、NC5，对这些参数进行编码后形成28个神经元（见表1），将它们做为网络输入样本参数；输出样本是根据油、气、水的日产液量（试油结论），分类为油层、油水同层、差油层、差油水层、水层、致密层，编码后形成三个神元（见表4），做为网络的输出样本参数；利用三层神经网络，分别设定隐含层为1，3，5，…，19，21，…，51，进行训练学习，检验其收敛性，如图4所示。从图4明显可以看出，在隐含层为19、21个神经元时，神经网络收敛最快。

图4 隐含层与网络收敛的关系

采用21个隐含神经元对231组样本进行训练学习，共训练7昼夜，当误差小于0.2时，训练学习结束，其连接权值如图5所示。其中第1～28列表示输入层上每个神经元与隐含层神经元（第29列）的连接权值，第29列是隐含层神经元的序号，第Y1，Y2，Y3列表示从隐含层神经元到输出层神经元的权值。从图5中看出，权值分布并不均匀，有强有弱，它就是我们要求的映射关系。从权值分布图图6上可以更清楚看到这一点，权值明显收敛在6个区间内，并且它们的值有高有低。这可能和输出的6种结论（油层、油水同层、差油层、差油水层、水层、干层），以及它们的训练强度（次数）有关。

图5 网络权值表

图6 神经网络分布区域图

本次试验平均回判率为84.8%，其详细统计分析数据见表5。

表5 231组样本回判率分析表

本次试验的231组样本数据分类（根据试油数据，分成油层、油水同层、差油层、差油水层、水层、致密层6类）比重（各种类型所占的比例）不均匀，对我们的训练结果产生了一定的影响。占分类比重大的回判率高，否则较低（见表5）。对油层的识别率为87.9（占28.6），对水层的识别率为94.3（占38.1），如表5所示。因此神经网络训练样本的分类比重最好均匀一些。

在试验过程中，发现井名对回判结果也有较大的影响。分析原因是它含有地区信息，将含有地区信息的井名作为一项参数，编码后一同参与训练，并获得了较好的效果，解释符合率提高了10～20个百分点。

用13个层位的新井数据进行试解释，成果见表6；其中第10层是赵117井在深度为2 940 m左右，试油是水层，网络解释是油层，它的录井参数为 钻时：10 min、C1：8.9%，C2：0.8%，C3：0.644，IC4：0.154，NC4：0.242%，IC5：0.15，NC5：0.023。从参数上可以看出，重组份含量较高，计算气油比值为119，可能为重质油或水淹层，应进一步从地质、录井、电测、试油等资料上查找原因（这次的网络识别试验没有用到电测资料）；第5，13号层情况与第10号层都类似，提醒在老井复查时注意这些情况。本次解释，油层解释符合率为100%，水层解释符合率是60%，综合解释率为76.9%。由于解释样本太少（共13层），这不能完全代表本神经网络的解释精度。

表6 解释结论统计表

4 结 语

近年来，在测井和地震勘探领域，都在油气藏描术方面做过大量的研究工作，认为录井行业对油气藏描术最有发言权。因为有大量的第一手资料（地质的、气测的和化验分析的），而且由于专业的性质，所采用观测手段比其他的（测井的和地震的）更直接。利用这些资料，采用神经网络的方法，去描述油藏的（或油层、或油柱）含油性、物性、压力、产能，在技术上是可行的。

参考文献

[1] 蒋宗礼.人工网络神经导论[M].北京：高等教育出版社，2001.

[2] 宋宜树.神经网络在录井气测中的应用[J].西部探矿工程，2005（11）：94?95.

[3] 曹义亲，柳健，彭复员.BP网络在录井气测解释中的应用[J].华东交通大学学报，1996（2）：46?49.

[4] 孙开琼，周云才.改进的神经网络算法及其在油层识别中的应用[J].石油机械，2004（3）：28?30.

[5] 陈遵德，朱广生.Kohonen网络在油气层横向预测中的应用[J].石油物探，1995（2）：53?56.

[6] 彭复员，刘洪，柳健.遥感图象分类神经网络结构优化及学习算法改进[M].武汉：华中理工大学出版社，1994.

[7] 汤新梁.自由手写体数字识别的神经网络方法[J].东南大学学报，1991（5）：61?63.

[8] 胡守仁.神经网络应用技术[M].长沙：国防科技大学出版社，1993.

[9] 何小荣，陈丙珍，胡山鹰，等.一种新的BP神经网络培训方法[J].化工学报，1994（5）：573?579.

[10] 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，1991.

在试验过程中，发现井名对回判结果也有较大的影响。分析原因是它含有地区信息，将含有地区信息的井名作为一项参数，编码后一同参与训练，并获得了较好的效果，解释符合率提高了10～20个百分点。

用13个层位的新井数据进行试解释，成果见表6；其中第10层是赵117井在深度为2 940 m左右，试油是水层，网络解释是油层，它的录井参数为 钻时：10 min、C1：8.9%，C2：0.8%，C3：0.644，IC4：0.154，NC4：0.242%，IC5：0.15，NC5：0.023。从参数上可以看出，重组份含量较高，计算气油比值为119，可能为重质油或水淹层，应进一步从地质、录井、电测、试油等资料上查找原因（这次的网络识别试验没有用到电测资料）；第5，13号层情况与第10号层都类似，提醒在老井复查时注意这些情况。本次解释，油层解释符合率为100%，水层解释符合率是60%，综合解释率为76.9%。由于解释样本太少（共13层），这不能完全代表本神经网络的解释精度。

表6 解释结论统计表

4 结 语

近年来，在测井和地震勘探领域，都在油气藏描术方面做过大量的研究工作，认为录井行业对油气藏描术最有发言权。因为有大量的第一手资料（地质的、气测的和化验分析的），而且由于专业的性质，所采用观测手段比其他的（测井的和地震的）更直接。利用这些资料，采用神经网络的方法，去描述油藏的（或油层、或油柱）含油性、物性、压力、产能，在技术上是可行的。

参考文献

[1] 蒋宗礼.人工网络神经导论[M].北京：高等教育出版社，2001.

[2] 宋宜树.神经网络在录井气测中的应用[J].西部探矿工程，2005（11）：94?95.

[3] 曹义亲，柳健，彭复员.BP网络在录井气测解释中的应用[J].华东交通大学学报，1996（2）：46?49.

[4] 孙开琼，周云才.改进的神经网络算法及其在油层识别中的应用[J].石油机械，2004（3）：28?30.

[5] 陈遵德，朱广生.Kohonen网络在油气层横向预测中的应用[J].石油物探，1995（2）：53?56.

[6] 彭复员，刘洪，柳健.遥感图象分类神经网络结构优化及学习算法改进[M].武汉：华中理工大学出版社，1994.

[7] 汤新梁.自由手写体数字识别的神经网络方法[J].东南大学学报，1991（5）：61?63.

[8] 胡守仁.神经网络应用技术[M].长沙：国防科技大学出版社，1993.

[9] 何小荣，陈丙珍，胡山鹰，等.一种新的BP神经网络培训方法[J].化工学报，1994（5）：573?579.

[10] 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，1991.

在试验过程中，发现井名对回判结果也有较大的影响。分析原因是它含有地区信息，将含有地区信息的井名作为一项参数，编码后一同参与训练，并获得了较好的效果，解释符合率提高了10～20个百分点。

用13个层位的新井数据进行试解释，成果见表6；其中第10层是赵117井在深度为2 940 m左右，试油是水层，网络解释是油层，它的录井参数为 钻时：10 min、C1：8.9%，C2：0.8%，C3：0.644，IC4：0.154，NC4：0.242%，IC5：0.15，NC5：0.023。从参数上可以看出，重组份含量较高，计算气油比值为119，可能为重质油或水淹层，应进一步从地质、录井、电测、试油等资料上查找原因（这次的网络识别试验没有用到电测资料）；第5，13号层情况与第10号层都类似，提醒在老井复查时注意这些情况。本次解释，油层解释符合率为100%，水层解释符合率是60%，综合解释率为76.9%。由于解释样本太少（共13层），这不能完全代表本神经网络的解释精度。

表6 解释结论统计表

4 结 语

近年来，在测井和地震勘探领域，都在油气藏描术方面做过大量的研究工作，认为录井行业对油气藏描术最有发言权。因为有大量的第一手资料（地质的、气测的和化验分析的），而且由于专业的性质，所采用观测手段比其他的（测井的和地震的）更直接。利用这些资料，采用神经网络的方法，去描述油藏的（或油层、或油柱）含油性、物性、压力、产能，在技术上是可行的。

参考文献

[1] 蒋宗礼.人工网络神经导论[M].北京：高等教育出版社，2001.

[2] 宋宜树.神经网络在录井气测中的应用[J].西部探矿工程，2005（11）：94?95.

[3] 曹义亲，柳健，彭复员.BP网络在录井气测解释中的应用[J].华东交通大学学报，1996（2）：46?49.

[4] 孙开琼，周云才.改进的神经网络算法及其在油层识别中的应用[J].石油机械，2004（3）：28?30.

[5] 陈遵德，朱广生.Kohonen网络在油气层横向预测中的应用[J].石油物探，1995（2）：53?56.

[6] 彭复员，刘洪，柳健.遥感图象分类神经网络结构优化及学习算法改进[M].武汉：华中理工大学出版社，1994.

[7] 汤新梁.自由手写体数字识别的神经网络方法[J].东南大学学报，1991（5）：61?63.

[8] 胡守仁.神经网络应用技术[M].长沙：国防科技大学出版社，1993.

[9] 何小荣，陈丙珍，胡山鹰，等.一种新的BP神经网络培训方法[J].化工学报，1994（5）：573?579.

[10] 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，1991.