BP神经网络在致密砂岩岩石相测井识别中的应用——以鄂尔多斯盆地杭锦旗地区J72井区盒1段储层为例

郭 辉

(中国石化华北油气分公司，河南郑州 450006)

致密砂岩岩石相识别是低渗致密储层评价的重要工作之一，前人研究表明，岩石相类型对致密气藏物性及含气性有一定的控制作用[1]，其研究方式与识别结果精准度直接影响致密砂岩气藏储层质量评价与开发方案部署。在传统岩石相识别中，交汇图版法未考虑测井曲线相似性的干扰，从而导致图版中的样本点相互重叠、界限模糊，岩石相识别效果较差[2]；BP神经网络算法通过输入训练集、学习以及监督，再反向传播学习误差，多次迭代，从而使误差收敛到最小值，该算法能弥补传统图版法、模糊聚类法以及主成分分析法的不足[3]。BP神经网络算法在识别岩性或者岩石相的应用中比较成熟，取得了较好效果，张洪(2002)等[4]利用BP神经网络对金衢盆地岩性进行识别，并改善了算法收敛性；薛文卓(2019)等[5]将BP神经网络在银额盆地岩性识别中进行应用，识别精度提高约20%；区舫[6]等将基于主成分分析的BP神经网络应用于Fauqi油田岩性识别中，识别精度达到84.1%；单敬福[3](2017)等通过优选对岩性反映较为敏感的自然伽马以及光电吸收截面指数作为输入向量，基于BP神经网络算法对气田石英砂岩、岩屑石英砂岩、岩屑砂岩以及泥岩共4种岩性进行识别，符合率为90%，但只用自然伽马以及光电吸收截面指数这两种曲线作为输入向量，对于研究区5种岩石相(砾岩相、砾质砂岩相、粗砂岩相、中细砂岩相以及泥岩相)识别精度不高，约71%。因此，文中通过对鄂尔多斯盆地杭锦旗地区J72井区盒1段岩石相的合理分类，在BP神经网络算法基础上进行改进，通过优选自然伽马(GR)、声波时差(AC)、补偿中子(CNL)、补偿密度(DEN)以及地层真电阻率(RT)共5条测井曲线，对全区已钻井目的层非取心段进行岩石相识别预测，为有效砂体预测及井位部署提供支撑。

1 BP神经网络方法原理

1986年Rumelhalt等提出BP神经网络算法，该算法是在按照误差逆向传播算法训练基础上形成的多层前馈神经网络，其网络模型包括输入层、隐含层和输出层[7]。首先，批量输入学习样本后初始化、设置初始权值、阈值、初始学习效率以及学习精度等；其次，利用公式(1)、公式(2)以及公式(3)计算各层的输入值和输出值，其误差值与设置误差值进行比较，不满足时进行逆向反馈，最终采用误差梯度最大下降法对权值和阈值不断进行修正；最后，通过设置迭代终止条件，即输出值与期望目标值接近，误差小于一定值时终止递归[8]。

隐藏层、输出层以及激活函数如下式：

(1)

(2)

激活函数：f(x)=(1+e-x)-1

(3)

式中：αh为第h个隐藏层输出，无量纲；Xi为输入层第i个样本点，无量纲；Vih为输入层第i个节点到隐藏层的权值，无量纲；γh为隐藏层第h个神经元的阈值，无量纲；Whi为隐藏层第h个节点到输出层的权值，无量纲；βj为输出层第j个神经元的阈值，无量纲。

BP神经网络算法以取心井段的各种敏感曲线值作为输入变量，相对应的岩石相类型作为输出变量，通过修正、迭代得出各曲线值与对应岩石相之间特征映射关系，最终对未取心井段进行岩石相识别。

2 地质概况

鄂尔多斯盆发育于华北克拉通之上，将其划分为天环坳陷、伊盟隆起、伊陕斜坡、渭北隆起、晋西挠褶带和西缘逆冲断裂构造带等六个一级构造单元[10-11]。杭锦旗地区位于鄂尔多斯伊陕斜坡北部，与伊盟北部隆起，天环坳陷相接触，J72井区位于伊陕斜坡与伊盟隆起的过渡带，北部为泊尔江海子断裂[12]。

杭锦旗地区J72井区目的层为二叠系下石盒子组，地层厚度100～160 m，可划分为盒1段、盒2段、盒3段，其中，盒1段为主力含气层系。二叠世时期，盆地性质由海盆演变为湖盆，下石盒子组沉积环境也相应的由海相转变为陆相，环境湿热，北部古陆强烈剥蚀，物源充足，沉积物粒度变化大、矿物成分种类复杂、岩石相类型变化快，为冲积扇背景下的辫状河沉积[13-15]，发育心滩、辫状河道以及泛滥平原等沉积微相。该区钻井、测试资料表明，下石盒子组致密气资源丰富，但获得工业产能的井较少[17-18]。

通过J72井区盒1段12口取心井共计106个岩石薄片资料分析，盒1段岩石类型主要为岩屑砂岩，其次为岩屑石英砂岩。其中，石英含量56.0%～79.0%，平均68.9%；岩屑含量16.0%～45.0%，平均30.0%；长石含量较低，平均0.6%。盒1段沉积物多为粒度较粗的砂砾级颗粒，粒度变化大，胶结物主要为方解石、自生黏土矿物，其次为石英。

3 岩石相类型及测井响应特征

3.1 岩石相类型

岩石相是控制优质储层分布的重要因素之一，岩石相研究是储层评价的基础[19]。基于18口取心井共388.6 m岩心观察与描述，依据沉积构造、粒度等因素，综合考虑岩石相划分及识别的必要性和可能性，将盒1段岩石相分为5类：砾岩相、砾质砂岩相、粗砂岩相、中细砂岩相以及泥岩相。

砾岩相：杂基支撑或颗粒支撑，分选较差、磨圆中等，常见砾石定向排列，分布在心滩底部或河道底部，储层物性较差，孔隙度为4%～8%，渗透率为0.1×10-3～0.7×10-3μm2。

砾质砂岩相：分布在心滩底部或河道底部，储层物性较好，孔隙度为4%～12%，渗透率为0.3×10-3～0.9×10-3μm2。

粗砂岩相：分布在心滩或辫状水道中，是盒1段优势岩石相，储层物性最好，孔隙度为6%～12%，渗透率为0.3×10-3～0.9×10-3μm2。

中细砂岩相：分布在心滩顶部或辫状水道中，储层物性较差，孔隙度为2%～6%，渗透率为0.1×10-3～0.3×10-3μm2。

泥岩相：含泥质粉砂岩、粉砂质泥岩以及泥岩，主要分布在溢岸、泛滥平原等沉积微相中。

3.2 岩石相测井响应

沉积构造、颗粒大小、矿物成分以及泥质含量等因素导致岩石相测井曲线特征存在一定差异，可反映岩石地质特征与物理性质的变化[20]。其中，J72井区对GR、AC、DEN、CNL、RT曲线最为敏感，结合取心观察、岩石相描述、岩心标定，总结出盒1段不同岩石相测井曲线响应特征(图1)。结果表明，砾岩相具有中-高自然伽马(齿化箱形)，中-低声波时差、中-低补偿中子以及中-高密度等特征；砾质砂岩相具有中-低自然伽马(钟形)、中-低声波时差、中-高密度以及低地层电阻率等特征；粗砂岩相具有低自然伽马(光滑箱形)、低声波时差、中-低密度及中-低电阻率等特征；中细砂岩相具有中-高自然伽马(齿化指形)、中-高声波时差、高密度以及中高地层电阻率等特征；泥岩相具有高自然伽马(平直状)、高声波时差、低密度以及中电阻率等特征(表1)。

表1 J72井区盒1段岩石相测井响应特征

图1 杭锦旗地区J72井区测井交汇分析

4 岩石相识别

4.1 BP神经网络识别岩石相流程

4.1.1 样本采集与归一化

由于测井仪器在测试过程中受到泥浆、井径等测量因素的影响而存在误差，常规测井曲线标准化可以消除误差，但测井曲线的仪器故障、刻度错误等特殊误差仍存在，因此有必要对曲线进行归一化处理[21-26]。将5条敏感曲线进行归一化，公式为：

(4)

式中：Δφ为归一化的曲线值，无量纲；φ为任意曲线的值，无量纲；φmax为最大曲线值，无量纲；φmin为最小曲线值，无量纲。

4.1.2 曲线相关性分析

在识别岩石相之前，先对5条敏感曲线做相关性分析，了解曲线之间的相关性，避免曲线之间存在多重共线性特征。在相关系数矩阵中，AC曲线与DEN曲线相关系数最大，最大值仅为0.193 9，因此，各曲线间不存在多重共线性特征，故不影响识别结果(表2)。

表2 各曲线相关系数矩阵

4.1.3 初始化网络

输入样本数据点，以[GR，AC，DEN，CNL，RT，岩石相]的文本格式输入，建立BP神经网络，采用梯度下降法，激活函数为f(x)=(1+e-x)-1。取网络中初始化参数：学习步长α=0.7，学习效率η=0.88，网络迭代1 000次，学习总误差δ=0.000 1；将曲线总类数作为输入层的节点数，选取5条测井曲线(GR、AC、DEN、DEN、RT)，将输入层节点数设计为5；设计1个隐含层数，当输入节点数为n时，隐含层节点数一般为2n+1[7]，将隐含层节点数设计为11；本次岩石相类型归为5大类，将输出层输出节点数设计为5；然后将各权值设计在(-1，1)区间内随机提取权值，最后设置每个阈值为1。

4.1.4 计算各层神经元输出

将整理好的样本数据以[GR，AC，DEN，CNL，RT，岩石相]的文本格式输入到输入层中，利用隐含层计算公式(1)以及输出层公式(2)计算隐含层和输出层单元输出激活函数f(x)=(1+e-x)-1的结果，经过BP神经网络模型正向传递学习。

4.1.5 计算误差、修改权值和阈值

测井曲线值作为学习样本，对应的岩石相类型作为监督数据输入到BP神经网络学习训练中，学习样本以神经元信号正向传递学习，每一层的神经元学习结果只会影响下一层的神经元，因此，如果输出层误差范围大于设置好的容忍误差值，就会启动逆向反馈程序，误差信号返回输入层及隐含层；然后，基于梯度下降法修改各层神经元中的权值以及阈值，从而使得误差值降到最小，持续迭代计算反传误差。权值调整计算公式如下：

Wi(j+1)=ασjβkαi+τΔWij

(5)

式中：Wi(j+1)为输入层第i个节点到隐含层第j个节点处的权值，无量纲；α为学习步长(默认0.7)；σj为隐含层第j个节点数的误差项，无量纲；βk为输出层第k个节点数的输出项，无量纲；αi为输入层第i个节点数的输出项，无量纲；τ为动量因子(默认0.8)。

4.1.6 岩石相识别计算

由于此次网络迭代次数为1 000次，从第1次开始，每迭代1次，系统学习1次，持续迭代根据误差值修改各层的权值和阈值，计算误差值是否满足δ小于0.000 1。若在1 000次以内，计算误差δ小于0.000 1，则跳出迭代，保存最后一次计算的权值与阈值；若到1 000次计算误差δ仍然大于0.000 1，则跳出迭代程序，保存第1 000次计算的权值与阈值。

将归一化曲线引入计算，岩石相有5类，分别为砾岩相(相代码1)、砾质砂岩相(相代码2)、粗砂岩相(相代码3)、中细砂岩相(相代码4)以及泥岩相(相代码5)。按分配的岩石相自然数识别结果输出，如表3所示，按照程序记录下的岩石相为自然数1、2、3、4、5，根据事先迭代完成后得出的权值以及阈值，确定自然数与岩石相的特征映射关系，基于此映射关系可识别出J72井区盒1段非取心段相对应曲线的岩石相类型。

表3 识别结果分类

4.2 识别效果与验证

前期利用传统交汇图版法对J72井区盒1段岩性以及岩石相进行了识别与预测，通过预测结果与取心井段验证，识别符合率较低，仅为50.3%。

利用研究区18口取心井总共988个样本点，基于岩心刻度测井，并对曲线归一化，将760个样本点利用python软件进行BP神经网络学习训练以及岩石相识别，预留锦7井以及锦88井总共228个样本点带入已完成BP神经网络识别岩石相中，验证神经网络模型的准确性。识别结果表明：基于BP神经网络的岩石相预测准确率显著提高，平均识别符合率83.5%，其中，锦7井符合率为85.3%、锦88井符合率为82.8%(图2)。以上分析可以看出，与传统交会图版法相比，BP神经网络算法的岩石相识别准确度更高，可为精细刻画砂体奠定坚实的基础。

图2 锦88井BP神经网络岩石相识别结果

5 结论

(1)杭锦旗地区J72井区盒1段岩石类型主要为岩屑砂岩和岩屑石英砂岩，粒度较粗，胶结物主要为方解石和自生黏土矿物。

(2)J72井区盒1段发育的岩石相可归类为五大类，分别为砾岩相、砾质砂岩相、粗砂岩相、中细砂岩相以及泥岩相，其中粗砂岩相和砾质砂岩相的物性较好，为优势岩石相类型。

(3)不同岩石相类型的测井曲线响应具有一定的差异性，优选出自然伽马、声波时差、补偿中子、补偿密度、地层真电阻率共5条敏感曲线对岩石相进行了识别，交会图版法的识别正确率为50.3%，BP神经网络算法的识别正确率为83.5%，相较于交会图版法准确率提高了约30.0%。