基于BP神经网络的黏土矿物预测模型

2021-10-30李鑫羽欧阳传湘杨博文赵鸿楠聂彬

新疆石油地质 2021年5期

李鑫羽，欧阳传湘，杨博文，赵鸿楠，聂彬

（1.长江大学石油工程学院，武汉 430100；2.中国石油长庆油田分公司第八采油厂，西安 710000）

通过测井资料确定黏土矿物类型和含量的方法较多，常见的有钍-钾交会图版法、阳离子交换能力-含氢指数交会图法和逐步多元回归法。钍-钾交会图版参数易于收集，但只能定性评价黏土矿物[1]。有鉴于此，前人提出了改进的钍-钾交会图版，虽能够较为准确地判断黏土矿物含量及类型，但不能准确区分钍含量较高的高岭石和伊利石[2]。阳离子交换能力-含氢指数交会图法能够区分蒙脱石和伊利石，却不易区分绿泥石和高岭石。逐步多元回归法解释精度较高，但数学模型的选用受人为因素的干扰较大，难以确保得到的是最优解释[3]。近年来许多学者基于BP 神经网络，对储集层参数进行预测，得到较好的效果[4]。黏土矿物的预测是多元非线性过程，BP 神经网络在解决多元非线性问题上具有很强的适应性。为充分挖掘测井参数与黏土矿物之间的相关性，使参数选取和模型构建更加准确，本文应用BP神经网络，构建了测井模型和组合模型，对塔里木盆地库车坳陷北部构造带侏罗系阿合组黏土矿物分布特征进行预测。

1 黏土矿物评价指标的确定

塔里木盆地库车坳陷北部构造带阿合组以岩屑砂岩为主，少量长石岩屑砂岩，其中石英平均含量为40%。黏土矿物平均含量为14%，主要为伊利石、伊蒙混层、高岭石和绿泥石，其中伊利石含量最高。

1.1 测井参数评价指标集的确定

不同黏土矿物对应的自然伽马能谱测井参数响应区间值不同，区间值可反映黏土矿物的含量和类型（表1）[5-7]。对研究区阿合组测井及X 射线衍射资料进行深度归位，采用单相关性分析法对不同测井参数进行检验（表2）。单相关性系数代表测井参数与黏土矿物的相关程度，选取与黏土矿物单相关性强的测井参数，建立测井参数评价指标集。伊蒙混层选取自然伽马、钍含量、铀含量、钾含量、密度、中子孔隙度、声波时差和光电吸收截面指数8 个参数；伊利石选取钍含量、钾含量和光电吸收截面指数3 个参数；绿泥石和高岭石选取钍含量、铀含量、钾含量、密度、中子孔隙度、声波时差和光电吸收截面指数7 个参数。测井参数评价指标集包含研究区8口井的568组数据。

表1 黏土矿物的测井参数响应值Table 1.Well logging responses of clay minerals

表2 黏土矿物与测井参数的单相关性分析结果Table 2.Independent correlation of clay minerals with well logging parameters

1.2 组合参数评价指标集的确定

阳离子交换能力、含氢指数与不同黏土矿物的响应关系见表1，可以看出，伊利石与绿泥石具有同样的阳离子交换能力响应区间值，但绿泥石的含氢指数响应值为伊利石的3 倍；伊利石与高岭石阳离子交换能力响应区间值相似，但高岭石含氢指数响应值为伊利石的3 倍；伊利石与伊蒙混层具有相同的含氢指数响应值，但阳离子交换能力响应区间值差异很大；伊蒙混层与高岭石、绿泥石分别比较，阳离子交换能力、含氢指数响应区间值和取值差异都很大[8]。以上的组合对比类型都能很好地区分不同黏土矿物，但高岭石与绿泥石表现出含氢指数响应值相同，阳离子交换能力响应区间值相差不大，所以引入光电吸收截面指数作为补充，对绿泥石和高岭石进行区分。

由于阳离子交换能力、含氢指数不属于常规测井参数，因此提供一种利用相关测井资料及地质实验计算阳离子交换能力和含氢指数的方法[9]。黏土矿物的孔隙度、含量、束缚水含量和阳离子交换能力分别为

（4）式的适用条件是地层水含盐量稳定，地层水矿化度通过地质测试实验获得。而含氢指数为

将计算所得的阳离子交换能力、含氢指数与测井资料中光电吸收截面指数以及X 射线衍射资料进行深度归位，构建研究区8 口井共计147 组数据的阳离子交换能力、含氢指数、光电吸收截面指数组合参数评价指标集。

2 优化BP神经网络的建立

2.1 BP神经网络原理

BP 神经网络是通过误差反向传播进行算法训练的前馈性网络[10-15]，由1个输入层、任意个隐含层和1个输出层构成。正向传播时输入与输出之间的关系：

反向误差传播采用梯度下降法，损失函数的计算式为

根据梯度下降法，权重值和阈值的修正量与损失函数对该节点的梯度成正比，修正后的权重值、阈值计算公式分别为

2.2 结构参数的设定

Robert Hecht-Nielsen（1989）验证三层结构的BP神经网络即可完成输入层×输出层的映射关系，映射结果可以无穷逼近一个存在闭区间里的任何连续性函数，本文选用一个三层结构的BP 神经网络来建立评价参数与黏土矿物含量之间的关系。

网络隐含层节点的确定选用经验公式：

隐含层节点数一般大于输入层和输出层节点数；常数的选取要适度，隐含层节点数过多会降低网络的计算效率。

2.3 BP神经网络的优化

（1）参数的归一化处理由于不同测井参数之间存在大小和量纲上的差异，会影响网络的收敛速度。在训练前需对数据集进行归一化处理，使数据差异落在小范围区间内，本文采用最大最小值法：

（2）添加动量项由于每一次梯度下降都是对当前位置重新完成，未结合上一次梯度下降程度，导致收敛过程易产生震荡。考虑在权重值和阈值的调整基础上引入动量项，动量项由动量因子和上一次修正量组成，实际权重值修正量为

（3）自适应学习因子在网络训练前期，以增大学习率来减少学习时间；网络训练后期，减小学习率利于寻找最优值。对自适应学习因子调整：

3 模型训练和精度对比

将测井参数评价指标集与组合参数评价指标集分别导入BP神经网络，网络结构参数见表3。

表3 不同评价指标集的网络结构参数选取结果Table 3.Network structural parameters selected for different evaluation index sets

依次对不同黏土矿物类型选取的评价参数数据集进行训练得到测井模型；训练组合模型时，由于不同黏土矿物选取参数一致，可以直接进行。

测井参数评价指标集共568 组数据，随机剔除30%的数据组不参与训练，作为检验数据；组合参数评价指标集共147组数据，随机剔除20%的数据组不参与训练，作为检验数据；剩余数据组分别作为训练组，采取交叉验证法，尽可能避免一次性随机选取检验数据所造成的构建模型不为优解的情况，提高预测模型的泛化能力。

用训练好的2 种不同模型对检验数据进行预测，不同模型的不同黏土矿物类型预测结果如图1和图2所示。对不同模型预测结果的平均绝对误差、Pearson相关系数、均方根误差进行分析比较（表4）。

表4 不同模型的预测精度对比Table 4.Comparison of prediction accuracy of different models

图1 测井模型预测结果检验Fig.1.Verification of prediction results from well logging model

图2 组合模型预测结果检验Fig.2.Verification of prediction results from combined model

组合模型预测的伊蒙混层、伊利石、高岭石、绿泥石相对含量的平均绝对误差依次为2.04%、3.08%、0.69%和3.71%，测井模型预测伊蒙混层、伊利石、高岭石、绿泥石相对含量的平均绝对误差为4.26%、7.41%、4.95%和4.75%。通过误差分析，组合模型的黏土矿物均方根误差小于测井模型，其Pearson 相关系数普遍大于测井模型。

从预测结果中可以看出，组合模型对伊蒙混层、伊利石、高岭石、绿泥石的预测精度、稳定性、相关性均优于测井模型。组合模型中高岭石预测结果有极少数差异较大的点导致Pearson 相关系数相对略低，是由于组合参数评价指标集中训练井存在高岭石相对含量为0 的数据点较多，非0 值数据点与0 值数据点间跳度大导致预测结果偶尔出现较大的瞬时波动，除去个别差异数据点，预测精度依然较高。

4 现场应用

为探究不同模型的应用效果，选取塔里木盆地库车凹陷北部构造带依南5井作为实测对象（依南5井未参与模型训练）。依南5井为取心井，测井资料及岩样化验分析资料齐全。采用不同模型，对依南5井4 770—4 950 m井段黏土矿物纵向分布进行预测（图3）。结合依南5井12组X 射线衍射数据点，对预测模型进行精度验证，检验结果见表5。

图3 依南5井黏土矿物纵向分布特征预测曲线Fig.3.Prediction curves of longitudinal distribution characteristics of clay minerals in Well Yinan 5

表5 不同模型预测结果与实测值的平均绝对误差Table 5.Average absolute errors between predicted results from different models and measured values

测井模型与组合模型预测结果整体吻合度较高，两者都具备较好预测性能。观察不同模型预测曲线的峰值可以看出，当预测结果偏大时，测井模型与组合模型产生较大的预测差异；当实测值偏大时，实测值更接近于组合模型预测值。此外，从高岭石预测结果可以看出，当实测值高岭石相对含量为0 时，测井模型的预测结果相比组合模型的预测结果略微偏大；组合模型对高岭石的预测结果较为稳定，与实测0 值点基本吻合。组合模型对不同黏土矿物预测结果的平均绝对误差均小于测井模型（表5），但两者相差不大，测井模型必要时可以结合经验调值参考使用。

根据预测，依南5 井4 770—4 950 m 井段的黏土矿物中，伊利石的平均相对含量最高，其次为绿泥石，再次为伊蒙混层，高岭石最低（表6）。通过不同模型预测，得到依南5 井4 770—4 950 m 井段不同黏土矿物的平均相对含量，预测结果与X 射线衍射数据的各黏土矿物平均相对含量接近，但模型预测结果更具有对依南5 井目标深度段黏土矿物分布特征的代表性。依南5 井储集层中存在大量速敏矿物伊利石，在现场工程中应合理控制注采速度，选择合适的油嘴开发生产，避免速敏带来的储集层损害。此外，依南5 井储集层中存在相对较多的酸敏矿物绿泥石，应注意地层注入酸液的用量和浓度以及酸液在地层中停留的时间，尽可能规避储集层酸敏感性所造成的伤害。

表6 不同黏土矿物的平均相对含量预测结果Table 6.Prediction results of average relative contents of different clay minerals

组合模型中训练参数的获取相对测井模型难度更大，需结合取心实验检测和测井解释模型来获取参数，虽然预测结果更加精确和稳定，但在实际应用中存在着局限性。测井模型本身在参数获取上更加容易，能够仅利用自然伽马能谱测井曲线完成对单井的黏土矿物相对含量的预测，且预测结果与组合模型相差不大。在实际应用中两者可以灵活选择。