基于神经网络的元素录井岩性识别方法研究及应用

2019-04-01张志虎谭伟雄马猛杜波徐昱

石油工业技术监督 2019年2期

张志虎，谭伟雄，马猛，杜波，徐昱

中海油能源发展股份有限公司工程技术分公司（天津 300452）

渤中22-23构造带位于渤海中南部海域，构造深层发育碳酸盐岩潜山油气藏，为了更好地识别地层岩性，元素录井技术成为该构造带勘探井的重要录井技术手段[1]。元素录井技术是近年来兴起的一项新技术，目前针对元素录井技术应用和研究还停留在对岩石大类粗线条定性判断阶段[2-4]。为此，在元素录井数据标准化的基础上，分析确定研究区主要岩性的敏感元素，通过人工神经网络方法，开展元素录井岩性识别方法研究，以提高复杂岩性现场识别的准确率。

1 元素录井数据标准化

渤中22-x井和渤中23-y井同处于渤中22-23构造带，沉积背景及岩石特性基本相似，在东三段地层均发育有大段稳定的泥岩，同时两口井都测量有Mg、Ca、Si、Fe、S、P、Cl、K、Mn、Ti、Ba和Al共12种元素数据。由于原始的元素录井数据受仪器刻度、测量环境等因素的影响，不同井同类元素数据之间必然存在着一定程度的系统误差。

为消除此类误差，以渤中23-y井为标准井，东三段稳定泥岩段为标准层，利用频率直方图法对渤中22-x井元素录井数据进行标准化处理[5]，使得两井间的同类元素数据更具有横向对比性。以Mg元素为例，图1（a）为标准井渤中23-y井在标准层东三段泥岩层Mg元素的频率分布图，其主峰位于1.3%～1.5%；图1（b）为渤中22-x井在标准层Mg元素的频率分布图，其主峰位于1.1%～1.3%；图1（c）为渤中22-x井Mg元素经过0.13%的校正后在标准层的频率分布图，其主峰与标准井基本一致。利用此方法对其他元素依次进行校正，校正量见表1。

2 岩性敏感性分析

2.1 薄片鉴定岩样统计分类

渤中22-23构造带共收集薄片鉴定岩样52块，参考勘探监督手册（地质分册）中岩石的分类准则[6]，将52块岩样划分为4类，其中泥岩类5块，砂岩类4块，白云岩类30块，灰岩类13块。

2.2 渤中21-23构造带元素特征

2.2.1 主要岩性元素响应特征

BZ22-23构造带钻遇的主要岩石类型为：新生界碎屑岩和古生界碳酸盐岩。整体上，碎屑岩主要成分为：石英（SiO2）、长石（SiO2、Al2O3、Na2O、K2O）、云母（Fe、Al、K、Li等层状结构铝硅酸盐，颜色主要随Fe含量的增多而变深）；碳酸盐岩主要成分为：方解石（CaCO3）和白云石（CaMg(CO3)2）。

图1 频率分布图

表1 渤中22-x井元素校正量

碎屑岩中Si含量高，碳酸盐岩低；碳酸盐岩中Ca、Mg含量高，碎屑岩含量低。碎屑岩可细分为砂岩、泥岩；其中砂岩Si含量高，泥岩Fe、Al含量高。碳酸盐岩可细分为白云岩和灰岩，其中白云岩Mg含量高，灰岩Ca含量高，如图2所示。

2.2.2 岩性识别图版的建立

碎屑岩中Si含量为20%～40%，Ca与Mg含量之和小于10%。而碳酸盐岩中Ca与Mg含量之和为20%～40%，Si含量小于10%。因此，引入判别参数R=w(Si)/(w(Ca)+w(Mg))，当R＞2.0时，图版识别为碎屑岩；当R＜0.5时，图版识别为碳酸盐岩，如图3所示。

图4 砂岩与泥岩分类图版

在碎屑岩中，砂岩Si含量为30%～40%，Fe与Al含量之和小于10%。而泥岩Fe与Al含量之和为10%～20%，Si含量小于30%。因此，引入判别参数R=(w(Fe)+w(Al))/(w(Si)-10%)，当R＞0.5时，图版识别为泥岩；当R＜0.5时，图版识别为砂岩，如图4所示。

在碳酸盐岩中，白云岩Ca含量小于25%，Mg含量大于4%。而灰岩Ca含量大于24%，Mg含量小于2%。因此，引入判别参数R=w(Mg)/(w(Ca)-15%)，当R＞0.6时，图版识别为白云岩；当R＜0.1时，图版识别为灰岩；当0.1＜R＜0.6时，为白云岩与灰岩的混合带，图版无法准确识别此类岩性，如图5所示。

2.2.3 岩性敏感性元素的确定

渤中22-23构造带钻遇岩性为新生界碎屑岩和古生界碳酸盐岩。通过研究区的52块实验薄片鉴定岩样可将钻遇岩性细分为砂岩、泥岩、白云岩及灰岩4类。根据岩性识别图版的建立，确定了影响研究区4类岩性的敏感性元素为：Si、Ca、Mg、Fe和Al元素。同时统计出了4类岩性敏感元素含量的分布范围，见表2。

图5 白云岩与灰岩分类图版

表2 敏感性元素含量分布范围

3 BP神经网络在岩性识别中的应用

人工神经网络通过自身特有的样本学习能力，获得岩性识别模式，具有很强的自组织、自学习、自适应、容错及抗干扰能力，克服了模糊数学、聚类分析和多元统计法的缺陷，识别结果更客观可靠。元素录井测量的元素数据多样，且地层中的岩性变化多样，通过引入神经网络的方法建立起元素变化与岩性变化的关联模式，可在排除人为干扰的条件下，实现元素录井岩性的快速划分，从而提高现场岩性识别的准确率。

3.1 BP神经网络应用原理

BP神经网络是一种常用的人工神经网络，能在采用已知学习样本数据的基础上，根据误差方向传播原理进行训练并构建成网络训练模式。训练过程分为两种，一种是正向训练，另一种为反向训练。在正向训练过程中，信号从输入层进入，经隐含层处理，然后在输出层输出，一旦输出层得不到期望结果，则转入反向训练。在反向训练中，误差信号沿原路径返回，并沿途自动调整各层神经元的权值和阀值，将误差信号降低到可以接受的最低值[7]。

设BP神经网络为3层网络，输入层神经元个数为i，隐含层神经元个数为j，输出层神经元个数为k。则输入层各神经元的输出为：

式中：ui为输入层获得的样本数据。

隐含层各神经元的输出为：

式中：uj为隐含层获得的综合输入信号，f(u)=(1+e-u)-1为活化函数，wij为输入层和隐含层神经元的权值，Tj为隐含层神经元的阀值。

输出层各神经元的输出为：

式中：uk为输出层获得的综合输入信号，wjk为隐含层和输出层神经元的权值，Tk为输出层神经元的阀值。

本文以研究区的实验薄片数据为BP神经网络的学习样本数据，研究区5种岩性敏感性元素（Si、Mg、Ca、Fe、Al）作为BP神经网络的输入，因此，网络输入层的神经元个数设置为5（i=5）。将研究区4种岩性类别（砂岩、泥岩、灰岩、白云岩）作为BP神经网络的输出，因此网络输出层的神经元个数设置为4（k=4）。隐含层的神经元个数由经验公式（4）[8]确定：

式中：c为1～10的常数。当输入神经元个数i=5，输出神经元个数k=4时，可计算得出隐含层神经元个数为4～13，本文隐含层神经元个数设置为6（j=6）。

3.2 实例应用与分析

渤中22-23构造带共收集实验薄片鉴定岩样52块，选取其中的45块岩样为样本数据（泥岩类4块、砂岩类3块、白云岩类27块、灰岩类11块）；7块岩样为验证数据（泥岩类1块、砂岩类1块、白云岩类3块、灰岩类2块）。在研究区元素录井数据标准化的基础上，以岩性敏感元素Si、Mg、Ca、Fe和Al作为判别参数，利用神经网络的方法对渤中22-x井和渤中23-y井进行了岩性随钻识别，如图6所示。