储层综合识别智能模型的建立及在准噶尔盆地西北缘的应用

郭大立，许江文，贾海正，柯西军，李雪彬

(1.西南石油大学理学院，四川 成都610500;2.新疆油田公司 工程技术研究院，新疆克拉玛依834000;3.新疆油田公司勘探公司，新疆克拉玛依834000)

准噶尔盆地西北缘三叠系油藏是新疆油田近年来重点勘探的储层之一，该油藏岩性复杂，以砂砾岩为主，渗透率低，需进行压裂改造。而储层识别符合率低限制了该油藏的有效开发。

可能油层一般通过常规方法［1-3］辨别，其针对具体储层情况非常有效。然而，这种方法同时考虑到的因素太少，当储层情况非常复杂时很难得到有效的交会图。且当处理庞大的数据量时，由于数据的模糊性、不精确性和冗余性，交会图法常常较耗时、难操作。一些学者尝试用智能方法和测井、录井等数据来对历史数据进行学习的基础上对新的井进行识别。Zhou等［4］曾尝试用模糊神经网络(FNN)和人工神经网络(ANN)方法识别油气;Yang等［5］通过支持向量机方法利用测井和录井数据识别油气层;Elshafei和Hamada［6］于2007年利用 ANN 方法识别泥质砂岩储层中可能油层;Gao等［7］构件自组织映射网络识别油气以取得更好的精度;Li等［8］使用决策树(DC)、支持向量机(SVM)和粗糙集(RS)识别低含气饱和度油藏;Fernandes［9］使用多个神经网络模型和经验公式预测油气;郭大立等［10］用神经网络对储集层的改造效果进行了评价。

影响地下流体识别的因素很多，岩性、物性和储层电性相应综合反映出储层流体信息。预测模型应该考虑到数据量的庞大、冗余、模糊性，针对实际储层情况，以数据的精选为前提。本文在对目标区块的资料进行统计分析的基础上，建立了综合识别储层的智能模型。

1 储层综合识别模型的建立

根据影响目标区块综合评价的参数分析结果，本文首先采用BP神经网络［11］建立储层识别模型。人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学模型。它通过调整内部大量节点之间相互连接的关系，达到处理信息的目的。本文的模型由输入层、双隐层和输出层组成，且采用Sigmoid功能函数的向前三层神经网络。Sigmoid功能函数

在网络权值的反向学习中，采用误差在W空间中梯度的最陡下降算法。即按式

完成对网络的所有权值的修正计算。

综合常规测井、核磁测井、录井、岩心实验等4类数据，结合“四性”关系，包括岩性、物性、电性和流体性质，优选出目标区块的8个参数用于构建神经网络模型(图1)。8个输入参数分别是:岩性、含油级别、全烃增幅、地层电阻率(RT)、冲洗带电阻率(RXO)、自然伽马(GR)、渗透率、有效孔隙度。输出层由2个参数组成，其中(1，0)代表油层，(1，1)代表油水同层，(0，1)代表水层，(0，0)代表干层，若输出非0或1，则按四舍五入方法划分到最近数字类别中去。

图1 目标区块储层识别的三层神经网络模型(专家之一)Fig.1 Three-layer neural network model for reservoir identification of target block(one of the experts)

本文收集了123层目标区块的输入参数和输出参数作为学习样本。选用了90%的数据(111层)作为训练，10% 的数据(12层)作为验证。所有的输入数据在训练之前都经过式

进行标准化处理。

同时，根据神经网络理论，隐层结点数选择8～18较为合理，通过反复试算，隐层结点数选择12最佳。因此，建立的神经网络模型为8×12×12×2的模型。神经网络算法在进行训练的时候，由于初始权值随机生成，而该权值对最终的训练结果影响较大，为消除这种影响，本文建立10个专家来进行综合识别。这类似于委员会机的思想。

在这10个专家中，如果有一半或者超过一半的专家识别结果一致，得到识别结果。若没有，本文根据目标区块的特点，寻求了另一种识别方法，即模糊聚类分析技术。与传统交会图法相比，该方法的优势在于可以综合考虑多个因素的三维或多维交会，不需人工，自动实现，方便快捷。

聚类分析［12］(Cluster Analysis)又被称为群分析或簇分析，是多元统计分析的一种，也是非监督模式识别的一个重要分支。它把一个没有类别标记的样本集按某种准则划分成若干个子集(类)，使相似的样本尽可能归为一类，而不相似的样本尽量划分到不同的类中。

针对目标区块储层的特点，建立模糊聚类分析模型。该模型实际上就是一个模式识别系统，它通过定义有监督的FCM算法和超长方体的合并、扩展策略，得到一组能覆盖训练样本集中模式类的超长方体，进而便于模糊IF—THEN分类规则的提取，以达到输出识别结果的目的。事实上，基于模糊聚类分析模型的储层评价也就是利用模糊聚类分析分类规则提取中规则数目不随特征维数增加而急剧增多的优越性，完成特征空间到储层类型空间的模式分类识别。

应用图2中的过程，对历史数据进行训练以后，即可得到相应的权值和中心，应用该结果，可进行储层识别。根据影响储层综合评价的参数分析结果，本文建立的模糊聚类分析模型的输入参数与神经网络模型的输入参数一致。应用该模型和算法，对收集的目标区块的样本进行学习，得到相应的知识。

因此，本文提出的综合识别储层的方法为:用10个专家(用BP神经网络获取的知识)进行识别，如果有一半或者超过一半的专家识别结果一致，则得到识别结果，否则采用模糊聚类分析模型进行识别。综合2种方法的优点在于:若有大于或者等于一半的神经网络专家识别结果一致，则该识别结果的可信度高，若10个专家没得到结果，则可综合模糊聚类分析模型的优点得到最终的结论。这样可大大提高储层识别的准确性。整个流程如图3所示。

图2 模糊聚类分析模型的基本框图Fig.2 Basic block diagram of the fuzzy cluster analysis model

图3 储层综合识别模型的流程图Fig.3 Flow chart of reservoir comprehensive recognition model

2 现场分析与应用

基于上述模型和方法，研制相应软件，已在目标区块的勘探工作中发挥巨大作用，取得了显著成果。

本文以收集的123层数据作为知识学习与获取样本和验证样本，得到10个神经网络专家知识和1个模糊聚类分析知识。10个专家学习效果均较好，训练的符合率都在95%以上。模糊聚类分析的训练符合率为91.43%。

应用训练得到的专家知识，对目标区块17层进行了现场应用，符合率为76.47%，大大提高了该储层的获油率，具体见表1。从表1可以看出，在不符合的4层中，仅有1个油水同层与1个油层的井被错误识别为水层。而另外2个水层被错误识别为油水同层与干层。因此，从勘探发现的角度来说，本方法的错失油气概率很小。

这里以F11井为例，该井的地层电阻率为48.02 Ω·m，冲洗带电阻率为32.57Ω·m，自然伽马为87.01 API，岩性为灰色砂砾岩，含油级别为荧光，全烃增幅为0.262 7%，孔隙度为6.7%，渗透率为3×10—3μm2。综合识别结果见表2，10个专家中有5个专家识别结果为油层，且模糊聚类分析识别结果也为油层，因此综合识别为油层，与实际结论相符。

本文建立的综合识别模型适应于西北缘三叠系储层，在对其他储层可借鉴该方法，在对具体的储层特征进行分析的基础上，建立适用于具体储层的综合识别方法。

表1 目标区块17层应用结果Tab.1 Application results of 17 layers in target block

表2 F11井储层综合识别结果Tab.2 Comprehensive recognition results of reservoir of well F11

3 结论

(1)常规的交会图法能用到的参数较少，对复杂岩性低渗储层的识别存在局限性。本文建立了识别储层类型的BP神经网络法，并用10个专家(神经网络获取的专家知识)来对储层类型进行综合识别。如果有大于或等于一半的专家识别结果一致，则得到综合识别结果。若10个专家没有判别出储层类型，此时本文建立了识别储层类型的模糊聚类分析方法，用来识别储层类型。该方法的优势在于可以综合考虑多个因素的三维或多维交会。

(2)应用训练得到的专家知识，对目标区块17层进行了识别，符合率为76.47%。该方法的效果好，可指导下一步措施方案的制定。

［1］ 程相志.低阻油气层识别评价技术及分布规律研究［D］.北京:中国石油大学(北京)，2008.

［2］ 朱定伟，王香增，丁文龙，等.测井资料在优质页岩气储层识别中的应用:以鄂尔多斯盆地东南部长7段黑色页岩为例［J］.西安石油大学学报:自然科学版，2013，28(2):25-29.

ZHU Ding-wei，WANG Xiang-zeng，DING Wen-long，et al.Application of logging data in the identification of high quality shale gas reservoirs:an example from the Chang-7 black shale in southeastern Ordos Basin［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2013，28(2):25-29.

［3］ 杨玉祥.鄂尔多斯盆地北部FF区低阻油气层评价方法［J］.西安石油大学学报:自然科学版，2010，25(5):1-5.

YANG Yu-xiang.Evaluation methods of low-resistivity reservoir in FF block in the northern Ordos Basin［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2010，25(5):1-5.

［4］ ZHOU Cheng-dang，WU Xi-ling，CHENG Ju-an.Determining reservoir properties in reservoir studies using a fuzzy neural network［C］.SPE 26430，1993.

［5］ 杨斌，匡立春，孙中春，等.一种用于测井油气层综合识别的支持向量机方法［J］.测井技术，2005，29(6):511-515.

［6］ Moustafa Elshafei，Gharib M Hamada.Neural network identification of hydrocarbon potential of shaly sand reservoir［C］.SPE 110959，2007.

［7］ 高荣芳，王晓燕，程国建.基于涌现自组织映射的油气层识别及分析［J］.西安石油大学学报:自然科学版，2009，24(6):74-77.

GAO Rong-fang，WANG Xiao-yan，CHENG Guo-jian.I-dentification of oil and gasreservoirs based on emergent spontaneous-organizing feature maps［J］.Journal of Xi＇an Shiyou University:Natural Science Edition，2009，24(6):74-77.

［8］ LI Xiong-yan，LI Hong-qi，ZHOU Jin-yu，et al.Identification of the quaternary low gas-saturation reservoirs in the Sanhu area of the Qaidam Basin［J］.Petroleum Science，2011(8):49-54.

［9］ Mateus Fernandes.Using neural networks for determining hydrocarbons presence from well logs:A case study for alagoas basin［C］.SPE 153446，2012.

［10］郭大立，凌立苏，许江文，等.基于神经网络的储集层改造效果评价技术及应用［J］.新疆石油地质，2011，32(2):181-182.

［11］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.

［12］高新波.模糊聚类分析及其应用［M］.西安:西安电子科技大学出版社，2004.