龐國印，唐 俊，3，王 琪，馬曉峰，廖 朋

(1.油氣資源研究重點實驗室 中國科學院，甘肅 蘭州 730000;2.中國科學院研究生院，北京 100049;3.內(nèi)蒙古科技大學，內(nèi)蒙古 包頭 014010)

引 言

成巖相重點研究有利儲層的形成機理、空間分布與定量評價，通過其預測非連續(xù)性的儲集體系統(tǒng)。傳統(tǒng)的成巖相研究方法是通過大量普通薄片、鑄體薄片和掃描電鏡的觀察分析，鑒定出代表井巖石樣品受膠結(jié)、溶蝕、壓實等作用的主要成巖現(xiàn)象，并根據(jù)成巖單因素和多因素復合特征來劃分單井上的典型成巖相類型。該成巖相的劃分方法只能針對取心井，但由于取心資料的局限，未取心區(qū)域的成巖相研究常常陷入困境，人為推測的結(jié)果往往達不到預期精度。而利用沉積微相研究成果和測井曲線參數(shù)，通過神經(jīng)網(wǎng)絡進行成巖相識別能解決該問題。

神經(jīng)網(wǎng)絡是輸入?yún)?shù)值、并對這些輸入項進行計算，然后輸出一個或多個值的系統(tǒng)。當針對某種應用設計并訓練一個神經(jīng)網(wǎng)絡后，其輸出逼近給定輸入項的正確值。神經(jīng)網(wǎng)絡不僅能像線性回歸一樣，用于函數(shù)逼近，還能像“判別分析”和“邏輯回歸”一樣，用于分類。神經(jīng)網(wǎng)絡的結(jié)構是由相互連接的單元構成的，這些單元稱為“節(jié)點”或“神經(jīng)元”。神經(jīng)元按層排列，輸入層神經(jīng)元接收輸入項(如沉積微相類型、測井參數(shù)值等)以進行計算，計算值傳遞給第1個隱含層的神經(jīng)元，后者對這些輸入項進行計算，然后將其輸出項傳到下一層，最后1個隱含層中各神經(jīng)元的輸出項傳遞給生成神經(jīng)網(wǎng)絡最終輸出項(如成巖相類型)的神經(jīng)元。各種神經(jīng)網(wǎng)絡在神經(jīng)元內(nèi)執(zhí)行的計算以及訓練算法上存在差異。相對于BP神經(jīng)網(wǎng)絡，概率神經(jīng)網(wǎng)絡訓練速度快，不需要指定拓撲結(jié)構(隱含層和隱含節(jié)點的數(shù)目)，且概率神經(jīng)網(wǎng)絡不僅可以用于分類，還可以返回樣本落在其他因變量范疇的概率。因此，概率神經(jīng)網(wǎng)絡用于成巖相分類預測有較強的優(yōu)勢。

1 區(qū)域地質(zhì)概況

鄂爾多斯盆地可劃分為渭北隆起、伊盟隆起、天環(huán)坳陷、晉西撓褶帶、西緣沖斷帶、伊陜斜坡6個一級構造單元。合水地區(qū)位于鄂爾多斯盆地伊陜斜坡西南部，西臨西峰油田［1－2］。該地區(qū)主要以巖性油藏為主，三疊系延長組長8油層組是該區(qū)的主力產(chǎn)油層之一。但該區(qū)儲層非均質(zhì)性較強，成巖作用對儲層物性、孔隙結(jié)構等影響較大。因此，正確認識、劃分合水地區(qū)長8儲層成巖相(圖1)，對 后續(xù)預測有利儲集區(qū)帶和規(guī)模開發(fā)具有重要意義。

圖1 鄂爾多斯盆地合水地區(qū)延長組長8段儲層成巖相綜合特征

2 成巖相劃分原則與成巖相類型

目前，國內(nèi)外對成巖相的劃分尚無統(tǒng)一的方案，評價方法大多僅限于取心井和薄片觀察。綜合分析前人研究成果［3－6］，將成巖相定義為某一儲層段在地質(zhì)歷史時期中所經(jīng)歷的成巖環(huán)境及其產(chǎn)物的綜合表現(xiàn)。成巖相的命名主要依據(jù)對儲層物性起決定性作用的主控成巖作用類型，如膠結(jié)相、自生黏土礦物沉淀充填相、溶蝕相等。在此基礎上，根據(jù)膠結(jié)物類型劃分綠泥石膠結(jié)相、方解石膠結(jié)相;根據(jù)充填的黏土礦物類型，劃分為高嶺石沉淀充填與伊利石充填;根據(jù)溶蝕作用的強弱劃分為強溶蝕、中等溶蝕和弱溶蝕相。具體定名應考慮不同成巖相對儲層物性的控制程度大小，使其能反映出主控成巖作用類型。

成巖相分析就是在成巖作用與儲層物性演化特征之間建立1種成因聯(lián)系，在查明主控成巖作用類型的基礎上，弄清其在縱向上的分布、組合特征及對儲層物性的影響和制約程度，建立孔隙演化與成巖作用關系模型，為儲層縱向上孔隙演化機理、主控因素分析及儲層平面分布特征的預測提供理論依據(jù)。根據(jù)鑄體薄片和孔滲分析數(shù)據(jù)等資料，詳細刻畫了成巖相與儲層物性之間的關系和面貌，結(jié)合沉積相研究成果，劃分出鄂爾多斯盆地合水地區(qū)延長組長8段儲層典型的成巖相類型(圖1)。

3 概率神經(jīng)網(wǎng)絡原理

概率神經(jīng)網(wǎng)絡(PNN)基于類似的理念，主要用于范疇預測和分類［7－8］。其結(jié)構如圖2所示:假設有2個數(shù)值自變量、2個范疇因變量和5個訓練樣本(其中3個在一個范疇，2個在另一個范疇)。

圖2 PNN網(wǎng)絡結(jié)構

向網(wǎng)絡提供1個樣本時，模式層中的每個神經(jīng)元計算自己所代表的訓練樣本和輸入樣本之間的距離，傳遞給加和層神經(jīng)元的值是距離和平滑因子的函數(shù)。因此，模式層每個單元的輸出為:

式中:δ為平滑因子;Wi為連接輸入層到模式層的權值。

在加和層，每個范疇因變量都有1個神經(jīng)元，每個神經(jīng)元加總該范疇內(nèi)的訓練樣本所對應的所有神經(jīng)元的輸出值:

式中:X為屬于某個范疇的第j個樣本;k為屬于該范疇的模式樣本個數(shù)。

加和層神經(jīng)元的輸出值可視為每一類的概率密度函數(shù)預測。輸出神經(jīng)元選擇概率密度函數(shù)值最高的范疇作為預測的范疇。

4 單井上不同成巖相單元的分層

成巖相單元的劃分方法主要有人工分層和利用測井曲線自動分層2種。人工分層主要在井數(shù)相對較少的區(qū)域使用，該方法可以考慮眾多影響因素，分層靈活，能提高分層精度，減小概率神經(jīng)網(wǎng)絡的訓練樣本和輸入項的誤差。而利用測井曲線自動分層的方法有很多種，如數(shù)理統(tǒng)計方法類的極值方差聚類法、有序聚類分析、層內(nèi)差異法;非數(shù)理統(tǒng)計方法類的活度函數(shù)法、Walsh變換、Fourier變換、小波變換以及人工智能方法中的自組織神經(jīng)網(wǎng)絡、模糊識別方法等。這些方法雖然使測井曲線分層走向了自動化，提高了效率，但在解決分層問題時，都存在一定的缺陷。因此，在分層時可采用自動分層和人工分層相結(jié)合的方法，既提高了工作效率，又提高了分層精度。

5 概率神經(jīng)網(wǎng)絡輸入項參數(shù)的選擇

5.1 成巖相與沉積相之間的關系

在沉積作用過程中，成巖相在沉積體內(nèi)的分布具有一定的規(guī)律性［9］。通過將研究區(qū)沉積相、成巖相、成巖階段、儲層物性剖面和平面分布特征圖疊合起來分析研究發(fā)現(xiàn)，成巖相與沉積相存在一定的耦合關系。如綠泥石黏土膜最發(fā)育的砂體，沉積相基本都是三角洲前緣分流河道微相，而處在半深湖和三角洲前緣過度區(qū)域的沉積相溶蝕作用非常發(fā)育，碳酸鹽膠結(jié)物相對不發(fā)育;在三角洲前緣和三角洲平原碳酸鹽膠結(jié)相相對發(fā)育等。因此，在利用概率神經(jīng)網(wǎng)絡預測成巖相時，選擇沉積微相作為概率神經(jīng)網(wǎng)絡輸入項中的范疇自變量參數(shù)。

5.2 成巖相的測井響應

地層的放射性、電阻率、孔隙度、波速和密度等物理特性主要是巖石成巖強度的體現(xiàn)，即巖石壓實程度、膠結(jié)程度和次生孔縫發(fā)育程度的表現(xiàn)。因此，不同的成巖相具有不同的測井響應，如碳酸鹽膠結(jié)成巖相測井特征為低自然伽馬、低中子、低聲波時差、高密度、高電阻率;高嶺石充填成巖相測井特征為高自然伽馬、高中子、低密度測井值;壓實致密成巖相測井特征為中—高自然伽馬、高密度值和較高的中子測井值［10］。

利用測井特征的差異，運用概率神經(jīng)網(wǎng)絡可以定量判別不同成巖相類型。在分析不同測井曲線的基礎上，選用能對成巖相區(qū)分較好的自然伽馬(GR)、自然電位(SP)、井徑測井(CAL)、聲波時差(AC)、補償中子(CNL)、密度測井(DEN)曲線值作為概率神經(jīng)網(wǎng)絡輸入項的數(shù)值自變量。這些參數(shù)可以反映儲層的巖性、沉積環(huán)境、物性差異及孔隙結(jié)構情況，在對成巖相分析研究的基礎上，能夠較為明顯地指示儲層成巖相差異，劃分儲層的成巖相類型。

6 概率神經(jīng)網(wǎng)絡模型的建立及成巖相識別

利用MATLAB軟件建立概率神經(jīng)網(wǎng)絡模型，包括輸入層、模式層、加和層和輸出層。輸入層參數(shù)為每個層段的沉積微相類型和測井參數(shù)的平均值，包括1個范疇自變量和6個數(shù)值自變量。

通過對鄂爾多斯盆地合水地區(qū)數(shù)口井解釋資料的研究，選取延長組長8段若干成巖相層段作為概率神經(jīng)網(wǎng)絡的學習樣本(表1)?？偣策x用5 358個學習樣本對神經(jīng)網(wǎng)絡進行訓練，經(jīng)過66次實驗，搜索出變量的最佳平滑因子，建立研究區(qū)8種成巖相類型的判別模式。

表1 概率神經(jīng)網(wǎng)絡部分學習樣本參數(shù)

最終訓練所得訓練誤差預測百分率、平均不正確概率和不正確概率標準差分別為0.018 7%、1.115 1%、4.223 0%。

將概率神經(jīng)網(wǎng)絡分析的成巖相結(jié)果與地質(zhì)專家分析的成巖相結(jié)果進行了對比，發(fā)現(xiàn)利用概率神經(jīng)網(wǎng)絡預測結(jié)果的準確率達到90%以上(圖3)。因此，利用沉積微相研究成果和測井特征參數(shù)進行的成巖相識別效果顯著，對成巖相的識別精確度較高。但在識別上(特別是對差別較小的成巖相之間)仍然不可避免會產(chǎn)生誤判現(xiàn)象，此時，對于不正確概率較高的預測結(jié)果應綜合各類因素進行人工分析校正。

7 結(jié)論

(1)研究區(qū)成巖相在沉積體內(nèi)的分布具有一定的規(guī)律性，且不同的成巖相具有不同的測井響應特征。該成巖相的差異，是利用概率神經(jīng)網(wǎng)絡判別成巖相的基礎。

(2)研究區(qū)最適合進行成巖相分析的范疇自變量是沉積微相，最適合的測井數(shù)據(jù)是自然伽馬(GR)、自然電位(SP)、井徑測井(CAL)、聲波時差(AC)、補償中子(CNL)、密度測井(DEN)曲線。

(3)對比研究區(qū)成巖相的地質(zhì)專家分析結(jié)果，利用概率神經(jīng)網(wǎng)絡對成巖相進行預測，準確率達到90%以上。

(4)在有地震相研究成果的區(qū)域亦可加入地震相等其他和成巖相相關的數(shù)據(jù)作為輸入層的自變量，從而進一步提高成巖相的預測精度。

圖3 莊29井成巖相解釋對比

［1］高輝，孫衛(wèi).鄂爾多斯盆地合水地區(qū)長8儲層成巖作用與有利成巖相帶［J］.吉林大學學報:地球科學版，2010，40(3):542 －548.

［2］王金鵬，彭仕宓，趙艷杰，等.鄂爾多斯盆地合水地區(qū)長6—8段儲層成巖作用及孔隙演化［J］.石油天然氣學報，2008，30(2):170 －174.

［3］鄒才能，陶士振，周慧，等.成巖相的形成、分類與定量評價方法［J］.石油勘探與開發(fā)，2008，35(5):526－540.

［4］張響響，鄒才能，朱如凱，等.川中地區(qū)上三疊統(tǒng)須家河組儲層成巖相［J］.石油學報，2011，32(2):257－264.

［5］梁建設，王琪，郝樂偉，等.成巖相分析方法在南海北部深水區(qū)儲層預測的應用——以珠江口盆地白云凹陷為例［J］.沉積學報，2011，29(3):503－511.

［6］張磊，龔福華，任瑞清，等.鄂爾多斯盆地胡尖山—王洼子地區(qū)長4+5儲層成巖作用及成巖相研究［J］.特種油氣藏，2009，16(5):40 －43.

［7］彭劉亞，崔若飛，張亞兵.概率神經(jīng)網(wǎng)絡在地震巖性反演中的應用［J］.煤田地質(zhì)與勘探，2012，40(4):63－65.

［8］張紹紅.概率神經(jīng)網(wǎng)絡技術在非均質(zhì)地層巖性反演中的應用［J］.石油學報，2008，29(4):549－552.

［9］楊威，魏國齊，金惠，等.碳酸鹽巖成巖相研究方法及其應用——以揚子地塊北緣飛仙關組鮞灘儲層為例［J］. 巖石學報，2011，27(3):749 －756.

［10］石玉江，肖亮，毛志強，等.低滲透砂巖儲層成巖相測井識別方法及其地質(zhì)意義——以鄂爾多斯盆地姬塬地區(qū)長8段儲層為例［J］.石油學報，2011，32(5):820－828.