摘 要：莫北地區(qū)侏羅紀(jì)三工河組，巖性主要是中、細(xì)砂巖，屬低孔低滲儲(chǔ)層，所以儲(chǔ)層流體性質(zhì)的識(shí)別是該地區(qū)急需解決的問題。針對(duì)常規(guī)測(cè)井儲(chǔ)層識(shí)別準(zhǔn)確率不佳的情況，提出了Bp神經(jīng)網(wǎng)絡(luò)這種數(shù)學(xué)方法進(jìn)行儲(chǔ)層的油、氣、水、干層的識(shí)別。提出43個(gè)試油層段的測(cè)井曲線特征值，以對(duì)流體性質(zhì)敏感并且在交會(huì)圖上具有比較明顯區(qū)分度的密度值（DEN）、孔隙度（POR）、電阻率值（RT）和含水飽和度值（SW）作為輸入向量，經(jīng)程序訓(xùn)練判別準(zhǔn)確率達(dá)到滿足的要求后根據(jù)得到的權(quán)值、閾值編寫神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的程序掛接在測(cè)井解釋軟件中，從而實(shí)現(xiàn)了Bp神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層中的自動(dòng)化識(shí)別。

關(guān)鍵詞：Bp神經(jīng)網(wǎng)絡(luò) 流體識(shí)別 測(cè)井解釋

中圖分類號(hào)：P631.8 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2013）02（b）-0011-02

1 BP神經(jīng)網(wǎng)絡(luò)基本原理

1.2 BP神經(jīng)網(wǎng)絡(luò)構(gòu)造

根據(jù)與儲(chǔ)層特征相關(guān)的測(cè)井響應(yīng)值本文采用4-10-5的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層采用4個(gè)節(jié)點(diǎn)對(duì)應(yīng)的是4種測(cè)井響應(yīng)值，單隱含層采用10個(gè)節(jié)點(diǎn)，輸出層為4個(gè)節(jié)點(diǎn)對(duì)應(yīng)的是4種儲(chǔ)層類別，分別對(duì)應(yīng)是油層、油水同層、水層、干層并且依次表示為1類、2類、3類、4類，用數(shù)字0與1代表其屬性，油層表示為[1，0，0，0]，油水同層表示為[0，1，0，0]，水層表示為[0，0，1，0]，干層表示為[0，0，0，1]。隨機(jī)初始化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，然后根據(jù)誤差反饋不斷的調(diào)整權(quán)值閾值。其中隱含層節(jié)點(diǎn)數(shù)和迭代資料的選擇是在Matlab中用數(shù)據(jù)反復(fù)演練，直到得出能夠滿足實(shí)際儲(chǔ)層解釋判斷正確率后得出的準(zhǔn)確值。本文中采用附加動(dòng)量方法算法網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)收斂彌補(bǔ)神經(jīng)網(wǎng)絡(luò)算法的不足，使其學(xué)習(xí)過程收斂加快。網(wǎng)絡(luò)實(shí)際輸出是一個(gè)四維向量，其數(shù)值在0和1之間，我們?nèi)∠蛄恐凶罱咏?所在的數(shù)組編號(hào)作為類別的輸出。

2 BP神經(jīng)網(wǎng)絡(luò)實(shí)際應(yīng)用

2.1 建立模型

網(wǎng)絡(luò)訓(xùn)練樣本設(shè)計(jì)的好壞，是直接關(guān)系到網(wǎng)絡(luò)識(shí)別儲(chǔ)層準(zhǔn)確率的一個(gè)關(guān)鍵環(huán)節(jié)。訓(xùn)練樣本由輸入值和期望輸出值兩部分構(gòu)成，如果訓(xùn)練樣本任何一部分存在問題，首先會(huì)導(dǎo)致網(wǎng)絡(luò)不易收斂，計(jì)算精度較低，從而影響識(shí)別儲(chǔ)層的準(zhǔn)確率。有時(shí)訓(xùn)練樣本設(shè)置和實(shí)際情況相矛盾，如對(duì)同一輸入值，可能給出不同的期望輸出值。如何合理的確定訓(xùn)練樣本的輸入值和期望輸出值就顯得尤為重要。

儲(chǔ)層類型與含油性、孔隙度有密切的關(guān)系。因此可選擇對(duì)流體性質(zhì)敏感并且在交會(huì)圖上具有比較明顯區(qū)分度的與物性相關(guān)的密度值（DEN）、孔隙度（POR）、與含油性相關(guān)的電阻率值（RT）和含水飽和度值（SW）4個(gè)參數(shù)將其歸一化后作為輸入神經(jīng)元；以儲(chǔ)層類型決策向量作為輸出神經(jīng)元。

對(duì)三工河組6口井43個(gè)試油樣點(diǎn)取其層段平均值，將取值向量作為輸入向量。首先對(duì)輸入變量統(tǒng)一進(jìn)行歸一化處理，在此基礎(chǔ)上對(duì)樣本采用隨機(jī)選樣，用43個(gè)樣本建立模型進(jìn)行回判，網(wǎng)絡(luò)輸入變量為密度相對(duì)值（DEN）、孔隙度相對(duì)值（POR）、電阻率值相對(duì)值（RT）；輸出變量為油層、油水同層、水層、干層。采用1個(gè)隱含層，隱含層節(jié)點(diǎn)單元有10個(gè)，在訓(xùn)練過程中，取網(wǎng)絡(luò)學(xué)習(xí)率0.3，誤差0.0001，網(wǎng)絡(luò)迭代次數(shù)1000。

些網(wǎng)絡(luò)模型效果較好，油層，油水同層、水層、干層識(shí)別正確率分別為0.86，0.90，0.87，0.82，滿足油田需要。

2.2 儲(chǔ)層預(yù)測(cè)驗(yàn)證

根據(jù)訓(xùn)練得出的權(quán)值、閥值編寫Forrtan程序，并將此程序加載到Forward軟件中分層段處理井。將其處理其它未知層位的井，然后將處理結(jié)果與該井中的試油結(jié)果相對(duì)比查看其運(yùn)用效果的好壞（表1）。

從（表1）中可以看出用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層流體性質(zhì)基本與試油結(jié)果基本符合，A4井4270～4273.2（m）中試油結(jié)果為油水同層，神經(jīng)網(wǎng)絡(luò)判別結(jié)果與試油結(jié)果相同，而測(cè)井解釋結(jié)果為油層；其它幾個(gè)井中神經(jīng)網(wǎng)絡(luò)判別結(jié)果與試油結(jié)果基本相符合，從中可見上述數(shù)學(xué)方法在油水層判別中運(yùn)用效果較好。

3 結(jié)語(yǔ)

三工河組儲(chǔ)層為中、細(xì)砂巖為主的低孔低滲砂巖，流體性質(zhì)的識(shí)別是測(cè)井解釋中不可缺少的一部分。測(cè)井曲線值對(duì)不同類型流體變化波動(dòng)微小，常規(guī)方法在測(cè)井解釋中不能起到理想的預(yù)期效果，所以本文提出了Bp神經(jīng)網(wǎng)絡(luò)這種模式識(shí)別的方法運(yùn)用在流體識(shí)別中。

Bp神經(jīng)網(wǎng)絡(luò)方法是以自身特有的樣本學(xué)習(xí)能力獲得識(shí)別模式。它具有自組織、自學(xué)習(xí)、自適應(yīng)容錯(cuò)及搞干擾能力；具有自動(dòng)學(xué)習(xí)的特點(diǎn)，不需要事先建立任何理論模型，只需要騎過對(duì)已有的樣本學(xué)習(xí)，自適應(yīng)地建立測(cè)井響應(yīng)與儲(chǔ)層參數(shù)的映射關(guān)系[5]，它在石油測(cè)井解釋中的應(yīng)用說明了不同領(lǐng)域知識(shí)的融合、交叉。

在實(shí)際運(yùn)用中，對(duì)其它待處理的井經(jīng)過該方法處理后與這些井的試油結(jié)果相對(duì)比，我們發(fā)現(xiàn)經(jīng)過Bp神經(jīng)網(wǎng)絡(luò)流體判別后的結(jié)果與試油結(jié)果基本相符合，這也證明了該方法在實(shí)際運(yùn)用中的可靠、準(zhǔn)確性。

參考文獻(xiàn)

[1] 史峰，王小川，郁磊.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010：1-30.

[2] 焦李成.神經(jīng)網(wǎng)絡(luò)的應(yīng)用與實(shí)現(xiàn)[M].哈爾濱：哈爾濱工業(yè)大學(xué)出版社，1998：50-111.

[3] 雍世和，張超謨.測(cè)井?dāng)?shù)據(jù)與處理與綜合解釋[M].北京：石油大學(xué)出版社，1996.

[4] 楊斌，肖慈詢.基于神經(jīng)模糊系統(tǒng)的領(lǐng)導(dǎo)參數(shù)反演[J].石油與天然氣地質(zhì)，2000，21（2）：173-175.

[5] 鄒瑋，李瑞.BP神經(jīng)網(wǎng)絡(luò)在致密砂巖儲(chǔ)層測(cè)井識(shí)別中的應(yīng)用[J].勘探地球物理進(jìn)展，2006，14（2）：24-27.