交会图和BP神经网络技术在碎屑岩识别中的应用

国景星,彭雪还,李 飞

(1.中国石油大学(华东) 地球科学与技术学院,山东 青岛 266580;2.塔里木油田勘探开发研究院,新疆 库尔勒 841000)



交会图和BP神经网络技术在碎屑岩识别中的应用

国景星1,彭雪还1,李 飞2

(1.中国石油大学(华东) 地球科学与技术学院,山东 青岛 266580;2.塔里木油田勘探开发研究院,新疆 库尔勒 841000)

饶阳凹陷新近系馆陶组岩性以碎屑岩为主,岩性复杂多样,单纯利用测井曲线难以对岩性进行较好地识别,对后续测井解释的结果造成了不利的影响。针对该问题,以测井资料为基础,提出了一种首先利用交会图技术将各类岩性进行归纳总结,然后应用BP神经网络技术对归纳后的岩性进行快速识别的方法。从此种方法在留西地区的应用效果来看,该方法对样本数据库中各类岩性的识别精度达到了90%以上,其中泥岩和粉砂岩的识别精度更是达到了100%,大大提高了单纯利用测井曲线对岩性进行分类识别的精度,在油气勘探开发过程中能够发挥较为重要的作用。

交会图;BP神经网络;岩性识别;碎屑岩

1 碎屑岩岩性分类

1.1 样本数据来源及岩性的初步判别

测井曲线交会图是把两种测井数据在平面图上交汇,根据交汇点的坐标定出所求参数的数值和范围的一种方法。交汇图法是确定岩性、孔隙度和含油气饱和度时广泛采用的一种方法,有助于解释参数的选择和趋势的识别。通过绘制交汇图,不仅能直观地反映测井曲线参数与岩性之间的关系,还能反映出各种岩性的分界和所分布的区域,能够比较清晰地划分岩性的种类[4,5]。

研究区馆陶组岩性包括泥岩、细砂岩、泥质粉砂岩、钙质粉砂岩、中砂岩、含砾砂岩、砂砾岩、粗砂岩、粉砂岩等类型,而交会图技术是一种偏定性的识别方法,不能精确地识别出相近类型的岩性,因此研究在取心井段确定的岩性类别基础上,根据相应的测井资料对岩性进行合并,将成分相近而结构构造不同的岩石类型归为一类岩性。将自然电位(SP)、自然伽马(GR)、密度(DEN)、声波时差(AC)、深侧向电阻率(RLLD)及微电极幅度差(ΔR)7条测井曲线作为绘制交会图的数据来源并相互组合,最终发现自然伽马(GR)、密度(DEN)、深侧向电阻率(RLLD)建立的交会图的应用效果较好(见图1)。

1.2 样本数据的归纳总结

岩性初步识别交会图见图1。研究图1发现,研究区内粉砂质泥岩与泥岩的成分及结构相似,其密度都介于1.9～2.08 g/cm3之间,电阻率多在1～6 Ω·m之间,泥岩的电阻率略低于粉砂质泥岩的电阻率,自然伽马值集中在107～125 API,且泥岩的伽马值略高于粉砂质泥岩,但是其区分性较差,并且在研究区内泥岩与粉砂质泥岩都没有成为储层的潜力,故可将粉砂质泥岩合并到泥岩中去;同样,由图1可以看出,含砾粗砂岩和粗砂岩的电阻率都集中在6～11 Ω·m之间,密度在2.01～2.25 g/cm3之间,自然伽马值集中在80～125 API,而且两种岩性的测井数据较为混杂分布,其结构及成分也相近,故同样将含砾粗砂岩合并到粗砂岩中;而细砂岩和中砂岩都是研究区内主要的储层类型,而且由于细砂岩分布的较为杂乱,多和中砂岩混杂在一块,在交会图中识别难度较大,因此,也将中砂岩和细砂岩合并为细砂岩;这样通过测井交会图的识别方法可以较为准确地识别出共5种岩性(见图2),分别为泥岩、粉砂岩、细砂岩、粗砂岩和细砾岩,其中粉砂岩的密度集中在2.22～2.3 g/cm3之间,电阻率多在3～6 Ω·m之间,自然伽马值集中在92～110 API,细砾岩的测井响应值为:电阻率都集中在11～21 Ω·m之间,密度在2.15～2.25 g/cm3之间,自然伽马值集中在80～93 API之间,总共统计了不同岩性的测井响应数据145组,通过测井交会图法可以判别出128组岩性数据,判别准确度达到了88.3%。

图1 岩性初步识别交会图Fig.1 Lithology primarily identification crossplot

图2 岩性合并后的交会图Fig.2 Crossplot after lithology combined

2 BP神经网络技术的岩性识别

2.1 BP神经网络原理及工作流程

1986年,Rumelhart和McCelland提出了多层前馈网络的误差反向传播学习算法,简称BP算法,这是一种多层网络的逆推学习算法。因此采用BP算法的多层前馈网络也被广泛称为BP网络。它是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP神经网络可以学习并存储非常多的输入模式与输出模式之间的映射关系,却无需在学习和存储前事先揭小并描述输入输出间映射关系的一种数学方程。BP网络的学习算法使用的是最速下降法,通过对输出误差的反向传播,获得不断调整网络连接权系数和阈值的信息,最终使神经网络的平方误差最小,达到期望要求[6,7]。

BP神经网络的基本原理是把一个输入向量经过隐含层的一系列变换,然后得到一个输出向量,从而实现输入与输出数据间的一个映射关系。输入信息的正向传播,以及输出误差的反向传播,构成了BP网络的信息循环。BP网络是一种有导师的学习网络,它需要实际输出与期望输出之间的误差来确定是否要修改神经元间的连接权系数。其中,期望输出便是此种意义上的“导师”。BP网络具有对称性的网络结构。在BP网络,输出端的每一个处理单元基本上都具有一个相同的激励函数[8]。BP算法的工作流程见图3。

“这驴肉不比西市胡姬酒肆中的差啊！听说万花谷满山满谷都种着花，长着草，养得牛羊满山遍野，野猪成群结队，是一个可以天天吃肉的地方。有一个由六诏来的小丫头，会用花瓣酿‘百花酒’，唉哟喂，老子想到这个，肚里的酒虫就一拱一拱的往喉咙里蹿！”左边桌子上一个满脸胡子的大叔在朝着他身边的几个兄弟嚷嚷，由他腿边包袱里露出来的泥刀与灰板来看，他们多半是长安匠作行里出来觅活的师傅吧！

图3 BP神经网络工作流程Fig.3 BP neural network working process

2.2 在研究区的应用及效果分析

以经过交会图分类合并的5种岩性作为BP神经网络的输出向量。神经网络建模的评判标准使网络具有泛化能力,测试的数据越多,则建立模型的预测精度就越准确,而训练的数据越多,则越能逼近数据之间隐含的函数关系,所以研究的基础数据是以测井交会数据进行筛选所得,共计得到81组数据,选取其中65组作为BP神经网络的训练数据,并利用剩余的16组数据对训练好的神经网络进行检验。

(1) BP神经网络模型的建立 图4为BP神经网络岩性识别模型。模型由输入层、隐含层和输出层组成,选取以自然伽马(GR)、密度测井(DEN)、微电位(RMN)与微梯度(RML)的幅度差(ΔR)、深侧向电阻率(RLLD)及声波时差(AC)5条测井曲线作为输出层的输入向量,选取泥岩、粉砂岩、细砂岩、粗砂岩和细砾岩5种岩性类别作为输出层的输出向量。

图4 BP神经网络岩性识别模型Fig.4 BP neural network lithology identification model

(2) 建立岩性识别的样本训练数据库 首先,对测井曲线进行归一化处理,以确保所有输入数据度量单位的统一及消除数值相差悬殊造成的影响。我们对岩性识别输入数据库中的测井数据均采用了归一化处理,采用极差归一化方法对测井进行归一化处理,公式为

(1)

其中:X′为经过归一化后的测井数据;X为原始测井数据;XMAX为测井数据最大值;XMIN为测井数据的最小值。

BP神经网络样本训练库如表1所列,选取上述5条测井曲线的归一化数据作为神经网络输入值;输出层神经网络的输出参数,则是要识别的岩性的种类,设置为5种岩性单元。

对期望输出进行如下编码:

Y1-泥岩(1 0 0 0 0);

Y2-粉砂岩(0 1 0 0 0);

Y3-细砂岩(0 0 1 0 0);

Y4-粗砂岩(0 0 0 1 0);

Y5-细砾岩(0 0 0 0 1)。

(3) BP神经网络的训练 本次BP神经网络的训练研究采用MATLAB软件中自带的神经网络工具箱进行编程训练,在训练中选取S型函数作为激励函数,MATLAB中BP神经网络工具箱中提供了很多网络训练算法,本次采用trainlm算法,其具有收敛速度快、精度高的特点。设置收敛误差目标为0.000 1,最大收敛次数(epochs)为5 000次,最小梯度值为默认的1×10-5,显示间隔为50,样本训练时最大失败次数为6次。

BP神经网络训练误差见图5。由图5及训练输出表2显示:建立的神经网络模型能够满足训练参数的要求,经过训练达到了所给定的训练误差目标值,由输出数据可以得到,经神经网络训练后,在选取的65组数据中,识别准确度达到了92.19%且其中泥岩和粉砂岩的识别的准确率达到了100%,这证明神经网络在该区岩性识别中是完全适用的。

表1 BP神经网络样本训练库(部分)

图5 BP神经网络训练误差曲线Fig.5 BP neural network training error curve

(4) BP神经网络的检验 选取剩余16组数据对建立的神经网络进行检验,输入网络后的识别结果如表3所列,经验证,研究建立的神经网络精度高、收敛速度快,在研究区内岩性识别方面准确率高。

3 结论

根据碎屑岩性分类的复杂性,总结了一种基于交会图和BP神经网络的岩性识别方法,首先以研究区测井数据为基础,通过交会图技术对分类复杂岩性的归纳与总结,建立BP神经网络模型对岩性进行识别,岩性识别符合率达到了92.19%,其中泥岩和粉砂岩的识别精度更是达到了100%,这说明该方法是可行和可靠的,这为岩性复杂地区的岩性识别提供了一种新思路。

表2 BP神经网络训练输出(部分)

表3 检验样本及训练输出

[1] 张涛,莫修文.基于交会图与模糊聚类算法的复杂岩性识别[J].吉林大学学报:地球科学版,2007,37(S1):109-113.

[2] 王郑库,欧成华,李凤霞.火山岩储层岩性识别方法研究[J].国外测井技术,2007,22(1):8-13.

[3] 崔勇,赵澄林.神经网络技术在油田地质学领域中的应用—以测井岩性识别为例[J].西安石油学院学报:自然科学版,2002,17(4):16-19.

[4] 赵建,高福红.测井资料交会图法在火山岩岩性识别中的应用[J].世界地质,2003:22(2):136-140.

[5] 吴磊,徐怀民,季汉成.基于交会图和多元统计法的神经网络技术在火山岩识别中的应用[J].石油地球物理勘探,2006,41(1):81-89.

[6] Demuth H,Beale M.Neural Network Toolbox,User’s Guide(Version 4)[M].Natick:The Mathworks Inc.,2002.

[7] 马晓龙.扶新隆起带扶余油层测井资料岩性识别及岩相划分[D].大庆:东北石油大学,2011.

[8] 阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000.

Application of Crossplot and BP Neural Network Technique in the Identification of Clastic Rock

Guo Jingxing1,Peng Xuehuan1,Li Fei2

(1.SchoolofGeosciences,ChinaUniversityofPetroleum,Qingdao266580,China; 2.ResearchInstituteofPetroleumExplorationandDevelopment,TarimOilfieldCompanyPetreChina,Korla841000,China)

The lithology of Raoyang depression Neogene Guantao group mainly is clastic rocks,the lithologic characteristic is complicated and varied of which better identification is hard to be achieved only using the logging curve,it has unfavorable influence on subsequent well logging interpretation. Targeting at this problem and based on the logging data to propose a method which first using the crossplot technique to generalize and summarize all kinds of lithologies and then using the BP neural network technique to quick identify the generalized lithologies. According to the application effect of this method in Liuxi area,the identification precision of all kinds of lithologies in the sample data base has reached over 90% and the identification precision of mudstone and siltstone have even reached 100%,it greatly improve the classification and identification precision of all kinds of lithologies only using the logging curve,it has more importantly influence in the oil and gas exploration and development process.

Crossplot;BP neural network;Lithology identification;Clastic rocks

Guo Jingxing,Peng Xuehuan,Li Fei.Application of Crossplot and BP Neural Network Technique in the Identification of Clastic Rock[J].Journal of Gansu Sciences,2016,28(6):13-17.[国景星,彭雪还,李飞.交会图和BP神经网络技术在碎屑岩识别中的应用[J].甘肃科学学报,2016,28(6):13-17.]

10.16468/j.cnki.issn1004-0366.2016.06.004.

2016-03-29;

2016-05-09.

华北油田2011年校企合作科研项目“留西留北构造带上第三系油藏沉积相研究”(HBYT-CY3-2011-JS-345).

国景星(1953-)，男，河北隆尧人，博士，教授，研究方向为油气储层地质学、油气田开发地质学.E-mail:pengxuehuan@163.com.

TE19

A

1004-0366(2016)06-0013-05