BP神经网络在钻孔测井资料分类识别杂卤石中的研究

陈科贵, 刘 利, 陈愿愿, 韦 航, 王 刚

(1. 西南石油大学地球科学与技术学院,四川成都610500; 2. 西南石油大学机电工程学院,四川成都610500;3.中国石化中原油田分公司，河南濮阳 457001; 4.川庆钻探工程有限公司地球物理勘探公司,四川成都610213;5.中国石油新疆油田分公司石西油田作业区,新疆克拉玛依 834000;6.中国石油新疆油田分公司勘探开发研究院,新疆克拉玛依 834000)



BP神经网络在钻孔测井资料分类识别杂卤石中的研究

陈科贵1, 刘 利2,3, 陈愿愿4, 韦 航5, 王 刚6

(1. 西南石油大学地球科学与技术学院,四川成都610500; 2. 西南石油大学机电工程学院,四川成都610500;3.中国石化中原油田分公司，河南濮阳 457001; 4.川庆钻探工程有限公司地球物理勘探公司,四川成都610213;5.中国石油新疆油田分公司石西油田作业区,新疆克拉玛依 834000;6.中国石油新疆油田分公司勘探开发研究院,新疆克拉玛依 834000)

以BP神经网络理论和测井解释为基础,测井数据作为输入,构建神经网络模型。对川中地区下中三叠统杂卤石层做精细识别,将识别结果与录井资料对比,正确率达到86.3%,在改变约束条件的情况下正确率达到97.7%,识别效果好;以杂卤石含量高低对测井响应值的影响程度不同为依据,构建杂卤石层分类识别模型,模型识别正确率达到82.51%,能较为准确且快速地识别出杂卤石层、石膏质杂卤石层和杂卤石膏岩层,与常规测井解释方法相比具有明显优势。结果表明,将BP神经网络运用到钾矿勘探中具有良好前景。

杂卤石; BP神经网络模型; 分类识别; 测井响应

杂卤石(K2SO4·MgSO4·2CaSO4·2H2O)是一种广泛分布在硫酸盐型钾盐矿床中的难溶性钾矿[1],是四川盆地主要的钾矿物。中国第一座杂卤石矿床位于四川省农乐地区,其含钾量相当于一座中型规模的氯化钾矿床[2-4]。目前主要靠地球物理测井资料识别和划分杂卤石层段,如用曲线重叠法和交会图法识别杂卤石等[5-6];是否为纯杂卤石层则主要依靠测井曲线幅度的高低来判断。这些方法都是建立在研究者的肉眼观察和测井解释经验之上,识别速度较慢,并会产生一定的错误或误差,尤其在研究区内部分井的杂卤石成分不纯,多含石膏,甚至有些为杂卤石膏岩,这使得用测井曲线识别杂卤石类别、判断杂卤石含量非常困难。近年来,神经网络技术在模式识别、划分油气水层、预测储层段参数等方面的应用[7-10]越来越多,并且该技术在识别矿物类型甚至成盐相、沉积相的区分方面的应用效果良好[11-13],利用该方法识别固体钾矿,为寻找钾资源提供了新的思路。笔者在测井资料和录井资料的基础上,利用BP神经网络技术并不断优化约束条件识别杂卤石,然后进一步对杂卤石含量作出判断、划分类别,最后用准确的录井分析结果和模型识别结果进行对比,对模型的识别能力进行评价。

1 研究区杂卤石分布概况

川中地区位于四川盆地川西凹陷中东部,构造上为一次级凹陷,华蓥山凸起、平昌凸起、梓潼凸起和资威凸起分别构成研究区的东部、东北、西北和西南边缘[14]。早中三叠世时期四川盆地受早期印支运动的影响以升降运动为主[15-16],海水入侵退出频繁,海水升降造成盆地从开阔海环境逐渐演化至局限—蒸发台地环境,在地层纵向上体现为碳酸盐岩—蒸发岩的沉积韵律。川中地区在海退期沉积石膏、盐岩、杂卤石等蒸发岩类,而杂卤石在龙女寺构造地区和广安地区沉积情况较好(图1)。龙女寺地区杂卤石沉积厚度为24 m，但含石膏较多,录井显示大部分为杂卤石膏岩。广安地区杂卤石最厚沉积20 m，且稍含石膏,部分地区夹薄层石膏或盐岩。

图1 川中地区杂卤石等厚图Fig.1 Polyhalite isopch map of in the middle of Sichuan Basin

2 杂卤石测井响应特征

杂卤石属高电阻率难溶含钾矿物,密度为2.72～2.78 g/cm3[17]。四川盆地杂卤石主要沉积于石膏、硬石膏和盐岩之中,形态主要有层状、浸染状、团块状、星点浸染状或板块状4种[2]。杂卤石的常规测井响应特征为:高自然伽马(GR)、高补偿中子(CNL)、高电阻率(RLLD)、声波时差(AC)和密度(DEN)相对高值(图2),与泥岩、菱镁矿泥岩区分困难。由于杂卤石含K40,自然伽马能谱测井曲线在杂卤石层的响应是非常明显的:高K、低Th、低U[5-6，17],但地层中黏土矿物类型及含量变化大,给解释造成了困难。

3 模型建立及算法步骤

BP神经网络是基于BP算法的多层前馈网络,由输入层、中间层(隐层)和输出层组成。每层包含不同数目的神经元,每层每个神经元的输出都传送到下一层作为输入。传送时各层间的连接权对上一层的输出进行增强、减弱等控制,因此隐层和输出层的输入都是上一层所有神经元输出的加权和[18]。BP网络分为输入信号的正向传播和误差的反向传播两个过程。正向传播时输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。在误差反传时不断调整网络的权值和阈值,使网络的误差平方和达到最小。BP网络能学习和存储大量的输入输出模式映射关系,且不需要提前揭示这种映射关系[19]。

图2 杂卤石测井综合解释Fig.2 Logging interpretation of polyhalite

3.1 模型结构设计

在建立BP神经网络时,输入层的输入因素尽量选择对输出对象影响较为明显的因素,在网络建立时选择测井响应中GR、AC、DEN、CNL和RLLD作为输入,因此输入层一共5个节点。隐层节点数需要根据输入输出节点数来确定,如果太少,模型反映输入输出映射关系的能力不够;如果太多,模型会出现过于吻合的问题。根据Kolmogorov定理,如果输入层节点数为n,那么隐层节点数一般可以取为2n+1[18],在训练网络时,可以2n+1为基准调节隐层节点的个数提高网络性能。多层前馈网在学习不连续函数时最多需要两个隐层[19],测井曲线为不连续函数,因此研究中隐层设置为两层。对于网络来说,本文模型的输出只有一个结果,即输入对象是否是杂卤石层,因此输出层只有一个节点(图3)。

图3 BP神经网络结构Fig.3 Structure of BP neural network

3.2 数据归一化处理

为了防止网络训练时陷入局部极小并且为了消除测井曲线中与地层性质无关的响应,需要对数据进行归一化预处理。一般是将曲线进行线性归一化处理,即通过变换处理将网络的输入、输出数据限制在[0,1]的区间内。大多数测井曲线(GR、AC、DEN和CNL)的归一化处理在训练时用线性归一化公式即可。但RLLD为非线性对数特征曲线,在输入网络之前,需要先进行对数变换[20-22]。图4为RLLD对数归一化、线性归一化对比。从图4可以看出,RLLD曲线线性归一化和对数归一化存在很大差异,对数归一化在数值分布上更合理。

3.3 算法过程

对建立的神经网络进行训练并保存以进行未知层段的识别和划分,其实现过程[23-25]如下:

(1) 定义变量和参数。本文中所用的神经网络为四层前馈网络,包括输入层(x),第一隐层(p),第二隐层(q),输出层(y),各层均未加阈值。网络的输入矢量为x∈Rn,x=(x0,x1,…,xn-1)T;第一隐层n1个神经元,它们的输出为p∈Rn1,p=(p1,p2,…,pn1-1)T,输入层到第一隐层的权值为ωij;第二隐层有n2个神经元,它们的输出为q∈Rn2,q=(q0,q1,…,qn2-1)T,第一隐层到第二隐层的权值为υjk;输出层有m个神经元,输出y∈Rm,y=(y0,y1,…,ym-1)T,第二隐层到输出层的权值为μkl。设定训练目标为0.000 1,两次显示之间的训练步数为25,最大训练步数为20 000。

(2) 初始化。给各层连接权值赋一个(-1,1)区间的随机数,一般取S型函数,增益λ=1。

图4 RLLD对数归一化、线性归一化对比Fig.4 Correlation between logarithmic normalized and linear normalized of RLLD

(3) 输入训练样本。对于第一隐层第j个节点的输入为

(1)

(2)

各层输出为

(3)

(4) 误差计算。输出层误差

(4)

第二隐层误差

(5)

第一隐层误差

(6)

(5) 从后至前逐层修改权值。迭代次数为t,对输出层,权值调整公式为

(7)

第二隐层权值调整公式为

(8)

第一隐层权值调整公式为

(9)

式中,α、β、γ为学习效率。

(6) 网络总误差计算。一个样本(设为第s个样本)输入网络并产生输出,均方误差为各输出单元误差平方之和,即

(10)

式中,dl为对应的期望值。当所有样本都输入一次后,总误差为

(11)

若ET

(7) 用编写的网络程序进行学习,收敛达到预设精度后结束学习过程,保存模型,进行未知杂卤石层的识别。

4 识别结果与分析

4.1 杂卤石层识别

在选择研究区内含杂卤石井的GR、AC、CNL、DEN和RLLD 5条曲线值作为训练样本时,以每一种岩性的输入曲线平均值为基准,以这一基准为中心,选取与之较贴近的数据组可作为较好的样本,建立5×10×10×1的网络模型,设定迭代次数为20 000,目标误差极限为0.001,网络训练后保存,然后用未作为学习样本的杂卤石层段测试所训练的网络模型,最后将测试结果与录井分析结果对比。华西2井杂卤石层对比情况如图5所示。

对比结果表明:神经网络预测结果与实际结果符合度较高,与测井解释结果相比具有明显优势;在岩石交界面处与实际结果有较大的偏差,这是因为在这些层位上杂卤石与石膏或者盐岩夹杂情况比较复杂,交界面处纯度不高,识别准确性也有所下降。在研究区内选择了4口井进行杂卤石层的识别,统计识别结果,得出各井的正确率如表1所示。

从上述4口井的测试结果来看,以5条测井曲线作为输入的正确率约为83%,可见神经网络模型的识别能力是很好的。

图5 华西2井杂卤石层识别结果对比Fig.5 Correlation of polyhalite discrimination in well Huaxi2

井名测试点符合点正确率/%华西2井685682.4广3井574782.5广100井20016783.5女110井22121686.3

4.2 杂卤石层分类识别

研究区杂卤石沉积情况比较复杂,有些与薄层石膏或者盐岩互层,有些为石膏质杂卤石,也有些为杂卤石膏岩。在测井响应特征上,由于杂卤石含量不同,GR、AC和CNL的曲线值变化较大,RLLD则由于掺杂石膏后增大。常规测井解释时把这些与纯杂卤石层有差异的层段都解释为杂卤石层,这显然与实际录井分析资料不符合。本文中采用图3的神经网络模型,对广100井的含杂卤石层段进行测试,并将结果与录井分析和测井解释的结果对比,对比结果如表2所示。识别正确率达到82.51%,效果显著。

表2 分类识别杂卤石层结果对比

4.3 结果分析

在上述预测杂卤石层结果的基础上,以GR、AC、DEN、CNL、RLLD、K、U、Th 8条曲线值作为输入,构建了8×17×17×1的网络模型,实验结果预测正确率高达97.7%。这说明在建立网络时有利的约束因素越多,得到的结果越精确。尤其是对于杂卤石而言,GR曲线不能直接反映K40放射性,而自然伽马能谱曲线中K曲线反映的是地层中总的K40放射性的高低,Th曲线反映了泥质含量的高低,所以加上自然伽马能谱曲线对网络模型进行约束,对杂卤石的识别是非常有效的。但在研究区内,只有部分井有自然伽马能谱测井资料,以8条曲线值作为输入构建的网络模型并不能大范围应用,相较之下图3构建的模型适用范围更广。

神经网络是极大依赖输入值的纯数据计算方法,测井曲线的值对其有决定性的影响,因此本文中构建的网络模型要高精度识别出杂卤石的类别,尤其是薄层杂卤石和岩性交界面处岩石矿物,仍然是比较困难的,有必要对研究区杂卤石组分进行分析。以杂卤石层中各组分的含量为输入,构建网络模型,可预测出未知层段杂卤石含量并计算出钾含量,该方法有待后续做进一步研究。

5 结 论

应用BP神经网络技术对川中地区部分井的杂卤石进行了识别,模型识别结果与录井分析对比正确率达到86.3%,在改变约束条件的情况下达到97%,证实BP神经网络识别杂卤石效果好。依据杂卤石含量不同对测井响应值影响程度不同的特性,运用BP神经网络划分出杂卤石层的类别,即杂卤石层、石膏质杂卤石层和杂卤石膏岩层,划分正确率达到82.51%,并以此判断出层段中杂卤石含量的高低。神经网络为杂卤石的识别、杂卤石含量和复杂岩性的判断提供了一种新的手段,且识别和划分效果显著,与常规测井解释方法对比,该方法识别速度快,识别准确率较高,且简单易操作。

[1] 黎春阁. 杂卤石溶解性能研究及综合利用[D].成都:成都理工大学,2013.

LI Chunge. Dissolution property and comprehensive utilization of polyhalite[D].Chengdu: Chengdu University of Technology,2013.

[2] 黄宣镇. 中国首例杂卤石矿床[J]. 云南地质,1996,15(1):52-61.

HUANG Xuanzhen. The first polyhalite deposit of China[J].Yunnan Geology, 1996,15(1):52-61.

[3] 林耀庭,尹世明. 四川渠县浅层杂卤石矿分布特征及其成因和意义[J]. 四川地质学报,1998,18(2):42-46.

LIN Yaoting, YIN Shiming. Distribution, genesis and significance of shallow-seated polyhalite ore in Quxian,Sichuan[J]. Acta Geologica Sichuan,1998,18(2):42-46.

[4] 林耀庭,何金权. 四川华蓥山浅层杂卤石钾矿地质特征及其成因意义[J]. 化工矿产地质,2004,26(3):145-149.

LIN Yaoting, HE Jinquan. The characters and genies meanings of shallow polyhalite potash deposit in Huayingshan,Sichuan[J].Geology of Chemical Minerals,2004, 26(3):145-149.

[5] 蒲杰,吴霞,李航. 四川盆地固态钾盐测井方法研究[J]. 石油工业计算机应用,2013(1):31-34.

PU Jie, WU Xia, LI Hang. Reseach of the solid potash salts logging method in Sichuan Basin[J].Computer Applications of Petroleum,2013(1):31-34.

[6] 陈科贵,李春梅,李利,等. 四川盆地含钾地层的地球物理测井标志、判别模型与应用:以川中广安地区为例[J]. 地球学报,2013,34(5):623-630.

CHEN Kegui, LI Chunmei, LI Li, et al. Geophysical logging citeria and discriminant model for the potassium-rich strata and their application to Sichuan Basin: a case study of Guangan area of Central Sichuan[J]. Acta Geoscientica Sinica,2013,34(5):623-630.

[7] JALALALHOSSEINI S M, ALI H, MOSAFAZADEH M. Predicting porosity by using seismic multi-attributes and well data and combining these available data by geostatistical methods in a South Iranian Oil Field[J]. Petroleum Science and Technology,2014,32(1):29-37.

[8] BANESHI M. The determination of lithofacies using an optimized neural network and well log data[J]. Petroleum Science and Technology,2014,32(8):897-903.

[9] 李斌斌,郭大立,毛新军,等. 基于BP 神经网络的储集层物性参数预测与评价: 以准噶尔盆地东部北三台地区为例[J].重庆科技学院学报(自然科学版),2014,16(2):39-42.

LI Binbin, GUO Dali, MAO Xinjun, et al. Prediction and evaluation about physical parameter of reservoir stratum based on neural network:taking Beisantai Area of Junggar Basin as an example[J]. Journal of Chongqing University of Science and Technology(Natural Sciences Edition),2014, 16(2):39-42.

[10] 黄炳家,王健,温艳青,等.带光滑L1/2正则化项的神经网络逆向迭代算法收敛性分析[J]. 中国石油大学学报(自然科学版),2015,39(2):164-170.

HUANG Bingjia, WANG Jian, WEN Yanqing, et al. Convergence analysis of inverse iterative algorithms for neural networks with L1/2penalty[J]. Journal of China University of Petroleum(Edition of Natural Science), 2015,39(2):164-170.

[11] OJHA M, MAITI S. Sediment classification using neural networks: an example from the site-U1344A of IODP Expedition 323 in the Bering Sea[J]. Deep-Sea Res, 2013,II:1-12.

[12] 张洪,邹乐君,沈晓华. BP神经网络在测井岩性识别中的应用[J]. 地质与勘探,2002,38(6):63-65.

ZHANG Hong, ZOU Lejun, SHEN Xiaohua. The application of BP neural network in well lithology identification[J].Geology and Prospecting,2002,38(6):63-65.

[13] 白烨,薛林福,石玉江,等. 测井成岩相自动识别及其在鄂尔多斯盆地苏里格地区的应用[J]. 中国石油大学学报(自然科学版),2013,37(1):35-41.

BAI Ye, XUE Linfu, SHI Yujiang, et al. An automatic identification method of log diagenetic facies and its application in Sulige area, Ordos Basin[J]. Journal of China University of Petroleum(Edition of Natural Science),2013,37(1):35-41.

[14] 陈科贵,李利,王刚,等. 四川盆地南充盐盆下、中三叠统测井响应特征及成钾条件分析[J]. 矿床地质,2014,33(5):1069-1080.

CHEN Kegui, LI Li, WANG Gang, et al. Analysis of logging response characteristics and potassium-forming conditions of Early and Middle Triassic Strata in Nanchong Basin[J].Mineral Deposits,2014,33(5):1069-1080.

[15] 刘君龙,纪友亮,杨克明,等.川西须家河组前陆盆地构造层序及沉积充填响应特征[J].中国石油大学学报(自然科学版),2015,39(6):11-23.

LIU Junlong, JI Youliang, YANG Keming, et al. Tectono-stratigraphy and sedimentary infill characteristics of Xujiahe Formation in western Sichuan foreland basin[J]. Journal of China University of Petroleum (Edition of Natural Science),2015,39(6):11-23.

[16] 黄熙. 四川盆地三叠纪盐盆富钾卤水富集规律[D].北京:中国地质大学,2013.

HUANG Xi. The enrichment regularity of Triassic potassium-rich Brines of the salt-bearing Sichuan Basin[D].Beijing: China University of Geosciences,2013.

[17] 陈科贵,李春梅,张杰,等. 运用测井资料进行K2O视含量计算方法研究[J]. 石油天然气学报,2012,34(3):96-100,167.

CHEN Kegui, LI Chunmei, ZHANG Jie, et al. Calculating the apparent content of K2O with logging data[J].Journal of Oil and Gas Technology,2012,34(3):96-100,167.

[18] 田雨波.混合神经网络技术[M].北京:科学出版社,2009:33-57.

[19] 韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2001:43-60.

[20] 杨斌.神经网络及其在石油测井中的应用[M].北京:石油工业出版社,2005:94-191.

[21] 罗治形,王仕莉,丁艳,等. 相对渗透率曲线归一化方法的改进[J]. 新疆石油天然气,2014,10(1):27-31.

LUO Zhixing, WANG Shili, DING Yan, et al. Improvement of relative permeability curve normalization method[J].Xinjiang Oil & Gas,2014,10(1):27-31.

[22] 赵军龙,李纲,麻平社,等. 神经网络在石油测井解释中的应用综述[J]. 地球物理学进展,2010,25(5):1744-1751.

ZHAO Junlong, LI Gang, MA Pingshe, et al. The application of network technology to petroleum logging interpretation[J]. Progress in Geophysics,2010,25(5):1744-1751.

[23] 郭海敏,赵亚宁,时新磊,等. 基于BP神经网络技术的水淹层评价[J]. 石油天然气学报,2010,32(5):79-83,402.

GUO Haimin, ZHAO Yaning, SHI Xinlei, et al. Waterflooded reservoir evaluation based on BP neural network technology[J].Journal of Oil and Gas Technology,2010,32(5):79-83,402.

[24] 潘和平,刘国强. 应用BP神经网络预测煤质参数及含气量[J]. 地球科学——中国地质大学学报,1997,22(2):210-214.

PAN Heping, LIU Guoqiang. Applying back-propagation artificial neural networks to predict coal quality parameters and coalbed gas content[J]. Earth Science—Journal of China University of Geosciences, 1997, 22(2):210-214.

[25] 周金应,桂碧雯,李茂,等. 基于岩控的人工神经网络在渗透率预测中的应用[J]. 石油学报,2010,31(6):985-988.

ZHOU Jinying, GUI Biwen, LI Mao,et al. An application of the artificial neural net dominated by lithology topermeability prediction[J].Acta Petrolei Sinica,2010,31(6):985-988.

(编辑 修荣荣)

Research on classification and discrimination of polyhalite with drilling and logging data by BP neural network

CHEN Kegui1, LIU Li2,3, CHEN Yuanyuan4, WEI Hang5, WANG Gang6

(1.SchoolofGeoscienceandTechnology,SouthwestPetroleumUniversity,Chengdu610500,China;2.SchoolofMechatronicEngineering,SouthwestPetroleumUniversity,Chengdu610500,China;3.SINOPECZhongyuanOilfieldCompany,Puyang457001,China;4.GeophysicalExplorationCompany,ChuanqingDrillingEngineeringCompanyLimited,Chengdu610213,China;5.ShixiOilfieldOperatingArea,PetroChinaXinjiangOilfieldCompany,Karamay834000,China;6.ResearchInstituteofDevelopment,PetroChinaXinjiangOilfieldCompany,Karamay834000,China)

Based on the theory of back propagation neural network and logging interpretation methods, a neural network model with logging curves as input was built, and applied to the polyhalite reservoirs in the lower-middle Triassic strata. The discrimination results were compared with logging data. The accuracy rate of the model reaches 86.3%, and achieves 97% if changing the constraint conditions, suggesting that the discrimination ability of the new model is good. The new model shows the accuracy rate reaches 82.51% to classify the polyhalite reservoirs. The model can efficiently discriminate pure polyhalite reservoirs, gypsiferous polyhalite reservoirs and polyhalite-gypsum reservoirs, thus is more advanced than regular logging interpretation methods. This study demonstrates the great potential applying the BP neural network in potash exploration.

polyhalite; BP neural network model; classification and discrimination; logging response

2015-04-10

国家自然科学基金项目(41372103)；国家重点基础研究发展计划项目(2011CB403002)

陈科贵(1959-)，男，教授，博士，研究方向为石油地质、测井储层评价技术、测井地质与工程测井应用。E-mail:chenkegui@21cn.com。

1673-5005(2016)04-0066-07

10.3969/j.issn.1673-5005.2016.04.008

P 588.247

A

陈科贵,刘利,陈愿愿,等. BP神经网络在钻孔测井资料分类识别杂卤石中的研究 [J].中国石油大学学报(自然科学版),2016,40(4):66-72.

CHEN Kegui, LIU Li, CHEN Yuanyuan, et al. Research on classification and discrimination of polyhalite with drilling and logging data by BP neural network [J]. Journal of China University of Petroleum (Edition of Natural Science), 2016,40(4):66-72.