基于电磁参数的BP神经网络模型在页岩气储层预测中的应用研究

2020-04-08白洪溪张文权梁宏达王佳音余云春何委微

物探化探计算技术 2020年1期

周瑾，白洪溪，崔健，张文权，梁宏达，王佳音，余云春，何委微

(1.青海省地质调查局，西宁 810001;2.江苏华东八一四地球物理勘查有限公司，南京 210007;3.中山大学地球科学与工程学院，广州 510275)

0 引言

随着经济社会的发展，勘探技术的不断进步，非常规油气资源在世界能源结构中的比重逐年增加，越来越受到各国地重视。页岩气作为一种非常规油气资源，在美国的开发和驱动下，取得了飞速地发展并改变了世界能源格局[1]。由于其分布范围广、含气量大以及开采周期比较长等优点，页岩气逐渐成为许多国家的共同选择。经过这些年的勘探与研究，中国有着巨大的页岩气资源潜力，主要分布在古生界海相、中新生界陆相盆地，而四川盆地作为我国中生代陆相红层分布最集中地区，是页岩气勘探和开采的重要区域[2]。

在页岩气勘探研究中，地震方法由于其对构造、裂隙发育带以及储层非均质性识别精度比较高，因此取得了长足的发展并日趋成熟。但是地震勘探方法成本比较高，而且在地表有覆盖层及地质构造较为复杂的区域(如构造陡峭地带)，信号接收往往较为困难，不利于成像。而非地震方法成本低、效率比较高，其中电磁法具有分辨率高和探测深度大等优点，因此可作为地震勘探的有利补充手段，为研究区页岩气勘探提供电性方面的信息与约束[3-8]。

图1 研究区构造纲要及电磁试验区区域地质图

研究区内富有机质页岩分布广泛，从四川盆地南部长宁构造新完钻的页岩气浅井的分析测试数据看，龙马溪组有机质丰度高、成熟度较高，生烃潜力大，具有形成页岩气藏的优越条件。物性调查显示，研究区页岩层相对于围岩呈低阻高极化特征，另有研究表明，四川盆地龙马溪组页岩层中存在黄铁矿化，由于黄铁矿的极化特征，形成极化率异常，而黄铁矿化与富有机质页岩的共生的，黄铁矿的含量与TOC成正比,页岩层中的TOC含量越高越有利于页岩气的富集，因此我们收集了该区的EMAP01测线的CR01测线法反演的电阻率反演断面和充电率切片图。根据反演得出的电阻率和极化率以及相位的数据，结合神经网络原理建立储层预测模型，预测油气页岩发育区。

1 数据的收集与整理

1.1 数据来源

研究区内布置CR06线和EMAP01线(图1)，两测线重合，测线上有已知井Z104，根据CR01线反演充电率切片图提取深度方向的极化率数据为样本参数；根据M1线的二维连续介质电阻率和残差法电阻率反演断面图，提取深度方向的电阻率率数据为样本参数；根据MT的视电阻率、频率、以及原始相位，计算深度与对应相位为样本参数。

1.2 TOC含量与各样本参数间的关系

1.2.1TOC含量与电阻率的关系

页岩气储层含量主要与TOC含量、成熟度等密切相关，国、内外己有许多学者对岩石电阻率与有机碳含量之间的关系进行了大量研究，研究表明岩石的TOC含量与储层电阻率存在正相关关系[9-11]，但在研究区部分地层中炭质、黄铁矿化较为发育，由于黄铁矿到磁黄铁矿的转变，以及在这阶段新产生了更多的长形几何状硫化物，从而增加了导电体的连通性，很多学者在对昭通地区龙马溪组富有机质页岩的研究中发现，富有机质页岩电阻率的降低与TOC含量的增大有很大关系，高TOC含量是研究区龙马溪组富有机质页岩电阻率较低的一个重要影响因素，电阻率和TOC含量之间大致上存在负相关关系。研究区龙马溪组富有机质页岩储层表现为低电阻率特征。

1.2.2TOC含量与极化率的关系

根据对研究区富有机质页岩地层(志留系龙马溪组和寒武系筇竹寺组)的极化率参数的调研，结果显示碳质页岩具有高极化率特征，尤其是筇竹寺组页岩平均极化率高达42.5 %，构成页岩气电法勘探识别的重要物性基础。通过岩石矿物鉴定可以进一步确定，引起高碳质页岩极化率高的原因有：①有碳质含量高引起极化率高；②页岩中较为稳定地含有黄铁矿成份。很多学者对岩矿石的导电机理进行了深入研究，分析认为铁矿等电子导电矿物产生极化的机理是离子溶液溶解了一部分黄铁矿，溶解后的黄铁矿成为带正电的金属离子游移于溶液中，而本身则带负电，异性电荷相互吸引后便在导体溶液界面的两侧形成了有别于粘土矿物吸附阴离子而形成的双电层结构，但是产生极化的因素较多，黄铁矿并不是产生极化的唯一因素，而且还受自身分布情况限制，再加上极化率变化范围有限，因此当黄铁矿含量较低时，极化率未必与黄铁矿含量有明显关系，当黄铁矿含量较高时，极化率与黄铁矿含量呈正相关关系。有研究表明，岩层中的黄铁矿与其TOC含量有较为稳定伴生关系，综合分析得出研究区龙马溪组富有机质页岩储层表现为高极化率特征。

因为电阻率和极化率与TOC含量之间存在的是相关关系，高低值有相对性，但是无法明确高低TOC含量的具体的参数范围值，加之单个参数的相关性较差，所以我们选择极化率、二维连续介质电阻率、残差法电阻率、相位作为参数建立解释模型，提高预测结果的精确性。

2 储层预测模型的建立

2.1 神经网络基本原理

人工神经网络是由大量的简单基本元件-神经元相互联接而成的自适应非线性动态系统，每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。人工神经网络的基本结构模仿人脑，反映了人脑功能的若干基本特征，能够自身适应环境、总结规律、完成某种运算、识别或过程控制，人工神经网络具有并行处理特征，可以大大提高工作速度。

人工神经元以不同的方式，通过改变连接方式、神经元的数量和层数，组成不同的人工神经网络模型，主要分为输入信号、神经元间的连接强度(权值)、输出信号等，并利用传递函数(或称激活函数)，表示神经元的输入-输出关系。

本次选取的是应用较广的分层网络，根据实际输出和期望输出之差，对网络的各层连接权由后向前逐层进行误差校正的多层前馈网络，简称BP神经网络，该方法的实质是求误差函数的最小值，它通过多个样本的反复训练，根据设定的网络层数、隐含层的神经元数、初始权值以及学习速率和期望误差等参数，由输入的样本数据预测得出TOC含量值，具体的网络计算流程见图2。

图2 BP神经网络流程图

2.2 TOC含量预测模型

根据BP神经网络原理，选取激励函数，训练神经网络[12-15]，本次最终选取的隐含层数为40，选取的激励函数为双曲正切函数，采用东台学习速率学习法，经过迭代，使网络训练误差较快收敛，输出层位1个节点，建立TOC含量BP神经网络预测模型为：

(1)

其中：n=4是参与预测的参数个数；m=40是隐含层节点数；k=1是输出节点数；xi为输入的电磁参数的数值；wij为输入层到隐含层权系数；bj为隐含层阈值；tanh为选取的双曲正切激励函数；vij为隐含层到输出层权系数；ak为隐含层到输出层阈值；输入层与隐含层间的权系数wij和隐含层与输出层间的权系数vij(表1和表2)。

3 结果分析

根据建立的模型和计算，对测线剖面预测得到TOC含量值分布如图3(a)所示。

TOC预测分布图显示，测线的TOC含量的高值主要分布在测线7 500 m至9 700 m处，对比该部分的电阻率和充电率断面图，极化率呈高值分布，电阻率特征不明显。

已知Z104 井的地质录井资料(图4)，提取Z104(1 350 m～2 115 m)井段预测得到TOC含量值，与TOC实测值做相关性分析(表3)，得出相关系数为0.528，表示两个变量正相关。实测TOC与预测TOC在深度1 000 m至1 200 m之间存在显著的相关性(图5)，推断该层位为页岩含气层。这表明电磁数据预测TOC是可行的，同时也说明测井的电阻率和电磁法电阻率具有一定的相关性，高级化异常是进行富有机质页岩识别的重要特征。