胡嘉良，高玉超，余繼峰，盧 磊，張鴻君，楊子群

(1.山東科技大學 地球科學與工程學院,山東 青島 266590；2.兗礦東華建設有限公司 地礦建設分公司,山東 鄒城 273500)

?

基于PCA-BP神經網絡的非常規(guī)儲層巖性識別研究

胡嘉良1，高玉超2，余繼峰1，盧 磊1，張鴻君1，楊子群1

(1.山東科技大學 地球科學與工程學院,山東 青島 266590；2.兗礦東華建設有限公司 地礦建設分公司,山東 鄒城 273500)

巖性識別一直是儲層測井解釋的關鍵問題和難點之一。針對常規(guī)測井巖性識別準確率不高的狀況，在分析測井資料的基礎上，以Matlab為平臺研究了基于主成分分析的PCA-BP神經網絡，并以濟陽坳陷非常規(guī)儲層實際測井資料為樣本，通過設計算法步驟進行了實驗仿真。由仿真結果得出非常規(guī)儲層巖性識別率為95.8%，高于BP神經網絡，PCA-BP神經網絡有效提高了識別率和運行速度。經過對濟陽坳陷鉆井的巖性識別表明，該巖性識別方法可行并具有實用價值。

非常規(guī)儲層；濟陽坳陷；巖性識別；主成分分析；BP神經網絡

近年來，隨著我國油氣供求矛盾突出以及常規(guī)油氣資源不斷減少，非常規(guī)油氣的勘探與開發(fā)逐漸受到重視，而非常規(guī)油氣儲層具有儲層結構復雜、滲透性異常、埋藏較深、勘探開發(fā)難度較大的特點，這對油氣勘探開發(fā)技術提出了更高的要求[1]。精確高效的測井資料巖性識別技術能為油氣資源勘探開發(fā)提供有力保障。隨著油氣勘探技術的不斷發(fā)展，神經網絡已經成為測井巖性識別的重要手段之一，一些經過優(yōu)化的神經網絡模型在測井巖性識別中取得了較好效果。周成當[2]提出了模糊神經網絡結合貝葉斯統(tǒng)計模式的巖性識別模型，并驗證了該方法的可行性；范訓禮等[3]應用神經網絡對塔里木油田某取芯井的測井資料進行了泥巖、砂巖和灰?guī)r的巖性識別，證實了神經網絡在巖性識別中的有效性；金明霞等[4]利用快速BP算法訓練了神經網絡，并用訓練后的神經網絡對某地區(qū)的測井資料進行巖性識別，取得了相當好的效果；羅德江等[5]考慮到BP神經網絡的不足，結合小波變換，將小波神經網絡應用到致密砂巖儲層參數的預測中，較為準確地預測儲層孔隙度，為儲層參數預測提供了新思路；懷海寧等[6]利用神經網絡模型對鎮(zhèn)原區(qū)塊儲層的物性參數進行了預測，又一次證實了BP神經網絡在測井參數預測應用中的優(yōu)勢和潛力；張國英等[7]將主成分分析與神經網絡相結合，提出了基于主成分分析的BP網絡儲層巖性識別模型，并證實了該模型的優(yōu)越性能。

主成分分析(Principal Component Analysis, PCA)是一種較為常用的多變量統(tǒng)計方法，將多個變量轉換為少數的幾個主成分，將原始數據簡化，起到了降維的效果。BP神經網絡已較為廣泛地應用于目標分類與預測識別。針對BP神經網絡的缺陷與不足，防止BP神經網絡由于前端輸入太多的樣本特征量，造成訓練速度與效率降低，甚至不收斂的情況，結合主成分分析對輸入的樣本進行降維[8]?；谥鞒煞址治龅腂P神經網絡模型，結合二者的優(yōu)點，使網絡性能更高。該方法降低了神經網絡的復雜度，減少了運行時間，提高了計算精度[9-12]。

1 理論與方法簡介

1.1 主成分分析原理

主成分分析方法的計算步驟[14-15]：

2)計算變量之間的相關系數矩陣R，R=XX′(N-1)-1；

3)計算R的特征值λj及其對應的特征向量μj(j=1,2,…,p)；

4)計算主成分累計貢獻率，確定m(m

通常以大于85%的累計貢獻率來確定m的取值;

5)取前m個主成分并計算各個樣品在主成分上的得分，第i個樣品的第j個主成分為：Fij=μijx1i+μ2jx2i+…+μpjxpi，(i=1,2,…,n;j=1,2,…,m)；

1.2 BP神經網絡原理

BP神經網絡是一種多層前饋網絡，它既有信號的前向傳遞又有誤差的反向傳遞，網絡模型的拓撲結構分為輸入層、隱層和輸出層。在信號前向傳遞過程中，輸入信號從輸入層經過隱層傳輸到輸出層，進行逐層處理，每一層的神經元信號只能傳遞到下一層神經元；如果輸出層的輸出結果未達到事先給定的期望輸出，則誤差轉入反向傳播，根據誤差的大小調整神經網絡的權值和閾值，使網絡能夠收斂到較小的均方誤差，從而使預測輸出不斷逼近期望輸出。這一神經網絡訓練的過程使得網絡學習并儲存了輸入和輸出變量之間的映射關系。

BP網絡用于測井巖性識別的基本原理是：應用參數井的測井信息與相應巖層參數值對網絡進行學習訓練，使其獲得判別井徑、自然伽瑪、自然電位、聲波時差等參數經驗，以及對預測參數的傾向性認識。當對未知巖性的井段測井參數進行巖性識別時，網絡將利用已形成的映射關系，再現專家經驗，實現定性與定量的有效結合，保證巖性識別、分層的結果的客觀與準確。

1.3 PCA-BP網絡結構及識別步驟

PCA-BP網絡由兩部分構成：一是主成分分析；二是BP神經網絡。結構圖如圖1所示。

圖1 PCA-BP網絡結構

Fig.1 PCA-BP network structure

識別步驟：

1) 訓練樣本數據主成分分析。合理選擇訓練樣本測井參數，并進行標準化。求取標準化后樣本數據的相關系數矩陣，計算相關矩陣的特征值和特征向量。選取累積貢獻率大于85%的前m個特征值及其對應的特征向量，并計算出前m個主成分的得分。

2) 網絡訓練，建立識別模型。以第一步得到的前m個主成分的得分為學習樣本，輸入BP神經網絡進行訓練。

3) 網絡測試。按照第一步和第二步的方法，取測試樣本測井參數數據，進行主成分分析并將測試樣本測井參數的主成分得分輸入已經建立好的PCA-BP網絡模型中，網絡模型按照已有學習經驗對測試樣本進行巖性識別。

2 PCA-BP神經網絡模型構建及訓練

2.1 樣本參數PCA處理

考慮到建立的神經網絡模型應具有合理性與泛化能力，樣本的選擇尤為重要。應充分考慮巖性類別與測井物性參數之間的內在聯系和特定的區(qū)域地質背景，選取標準的巖性樣本。以濟陽坳陷渤93鉆測井數據為研究對象，選擇能夠敏感映射該區(qū)非常規(guī)儲層巖性的測井參數值，即井徑(CAL)、自然電位(SP)、聲波時差(AC)、補償中子(CNL)、地層真電阻率(RT)和自然伽瑪(GR)，用于分析識別泥巖、碳質泥巖、煤層及細砂巖的巖性類型。

圖2 測井參數的皮爾遜相關系數

Fig.2 Pearson correlation coefficient of log parameters

一般不同測井參數間的數值大小相差較大，為了消除測井數據在量綱與數量級上存在的差異，首先將測井數據進行歸一化處理。處理后的測井數據沒有量綱并且其數值在[0,1]范圍內變化。采用最常用的極值歸一化方法，公式為：Zij=(Xij-Xij min)(Xij max-Xij min)-1，其中：i=1,2,…,n；j=1,2,…,p；Zij為歸一化后的數據；Xij為原始數據；Xij max、Xij min分別為某曲線的最大值、最小值。

網絡訓練樣本數據越多，模型的泛化能力越好。選取160個樣本數據，將樣本數據的70%作為訓練數據，15%作為驗證數據，15%作為測試數據。將歸一化后的樣本測井數據，先進行相關性檢測再進行主成分分析。

由測井參數的皮爾遜相關系數(圖2)可見，除地層真電阻率(RT)以外的測井參數間呈正相關或弱的正相關，地層真電阻率(RT)與其余測井參數呈強的負相關。所以需要對測井參數進行主成分分析以降維減小數據的冗余度。

表1、2、3及圖3、4為測井數據主成分分析后的部分結果。由表1及圖3可見，前三個主成分的累積貢獻率已達到93.6%，因此前3個主成分基本代表原有信息，后幾個主成分的貢獻率很小，可以將其忽略。由表2可見，PCA1主要反映測井參數CNL、AC和RT對測井巖性的綜合影響，PCA2反映測井參數GR、SP和CAL對測井巖性的綜合影響，PCA3主要反映SP、GR和RT對測井巖性的綜合影響。

表1 各主成分的特征值及貢獻率

Tab.1 Characteristic values of the principal component and the contribution rate

特征值差值貢獻率/%累積貢獻率/%第一主成分3.99093.050566.515866.5158第二主成分0.94040.255415.673982.1897第三主成分0.68500.481211.417093.6067第四主成分0.20380.06893.397497.0041第五主成分0.13490.09002.248399.2524第六主成分0.04490.7476100

表2 主成分系數

Tab.2 Coefficient of principal component

標準化變量PCA1PCA2PCA3CAL0.39110.61370.0698SP0.3746-0.5274-0.4466GR0.2964-0.37630.8661RT-0.44020.28180.2099CNL0.45660.3437-0.0281AC0.46550.0778-0.0247

表3 部分原始樣本及其主成分得分數據

Tab.3 Part of the original sample data and principal component score data

編號測井原始數據CALSPGRRTCNLAC主成分得分PCA1PCA2PCA3錄井巖性126.96650.2598.1219.76917.241222.9970.80351.61820.0910泥巖226.96650.2478.2949.36217.472222.9970.89841.56190.1844泥巖326.96750.2478.7578.86217.748224.4871.09921.42540.4579泥巖426.96750.2478.9328.39317.923221.7791.14541.35130.5517泥巖526.40049.668.05712.39418.42213.9720.32251.73930.2063細砂巖626.29749.678.26212.25517.716217.0750.35981.60590.3285細砂巖726.33349.5158.43611.92817.026220.1970.42241.53070.4426細砂巖826.37349.6248.32511.65116.693222.660.45761.53120.3491細砂巖922.61852.6548.21111.3239.248206.795-0.9492-0.4419-0.0962煤層1022.54652.8088.17111.0239.328207.802-0.9057-0.4788-0.1537煤層1122.44352.9378.36510.7169.196208.844-0.8353-0.6016-0.0582煤層1222.29553.0668.22610.3988.94210.221-0.8503-0.6521-0.1791煤層1322.59152.8616.9315.66811.711207.013-1.40740.3049-0.7634碳質泥巖1422.60552.756.62816.39712.424212.943-1.37430.5145-0.9246碳質泥巖1522.52852.7126.39617.10312.728214.899-1.44550.6289-1.0455碳質泥巖1622.33452.4875.76816.52111.986207.801-1.78250.6671-1.4504碳質泥巖

圖3 貢獻率直方圖

Fig.3 Histogram contribution rate

圖4 主成分得分的散點圖

Fig.4 Principal component scores scatterplot

2.2 網絡訓練及性能

構建由3層神經元組成的BP神經網絡模型。輸入層為訓練樣本的前3個主成分得分，輸出層是測井識別目標值，由4個神經元組成，即4種非常規(guī)儲層巖性(泥巖、碳質泥巖、煤層和細砂巖)。隱層神經元個數的確定采用網絡結構增長型方法，在建立網絡時，由于隱層神經元激活函數采用了S型函數，輸出層的各個神經元輸出只能無限接近1和0，而不能夠達到1和0，因此在對各訓練樣本的期望值進行編碼時，設置為0.99和0.01。對網絡期望輸出編碼如表4。

表4 網絡輸出編碼

Tab.4 Network output encoding

巖性期望輸出泥巖[0.99,0.01,0.01,0.01]細砂巖[0.01,0.99,0.01,0.01]煤[0.01,0.01,0.99,0.01]碳質泥巖[0.01,0.01,0.01,0.99]

將主成分得分送入BP網絡模型進行訓練，選取f(x)=(1+e-x)-1為激活函數，初始步長為1，動量因子α=0.6，最大迭代次數為500次，目標誤差ε=0.01，學習率為0.01，隱含層節(jié)點數為30個。采用Matlab2012b平臺，將訓練樣本輸入計算機程序，對網絡進行學習訓練，網絡訓練結果如下：

1)ROC曲線

圖5 ROC曲線圖

Fig.5 ROC plot

圖5受試者特征曲線(Receiver Operating Characteristic Curve，簡稱ROC曲線)，橫軸為虛報概率即錯誤的判斷率，縱軸為擊中概率即正確的判斷率；ROC曲線下方面積(Area Under the ROC，簡稱AUC)在1.0和0.5之間。AUC越接近0.5說明識別準確性越差，AUC越接近于1說明識別準確性越好。圖5中顯示繪制的曲線都遠離斜45°直線，AUC都大于0.9，說明PCA-BP網絡模型的識別能力較好。

2)混淆矩陣

采用混淆矩陣(圖6)對識別結果加以說明，矩陣的列分別表示某種巖性實際類別，行表示識別結果。矩陣對角線上的數據代表被正確分類的樣本個數，非對角線上的數據代表被混分的樣本個數；從圖看出，泥巖、細砂巖、煤層、碳質泥巖被正確識別的樣本個數分別為57、62、16和20。以“1”所代表的“泥巖”為例，第1行中的“57”代表有57個樣本被識別為泥巖，“2”代表有2個細砂巖樣本被混淆識別為泥巖。即在識別結果中有被正確識別為泥巖的57個樣本和被錯誤識別的2個樣本，其識別結果的符合率(被正確識別樣本數占該類別識別結果總樣本數的比)為96.6%，第1列代表實際有60個泥巖樣本，其中3個被誤判為細砂巖，其識別結果的正確率(被正確識別樣本數占該類別實際樣本數的比)為95%。細砂巖的識別結果符合率為95.4%、煤層為100%、碳質泥巖為100%、總學習結果符合率為96.9%。泥巖和細砂巖出現混淆，識別符合率較低，這是因為泥巖與細砂巖巖性特征相近，不利于識別。

3)網絡訓練收斂圖

由Matlab程序仿真得到神經網絡訓練收斂圖(圖7)，隨著訓練步數的增加，均方誤差越來越小，訓練曲線距離目標誤差越來越接近，當訓練曲線與目標誤差曲線相交時，本次訓練收斂。PCA-BP神經網絡的最佳表現性能在訓練步長為9步，均方誤差為0.052 097時取得。

4)線性回歸分析圖

把所有數據(訓練數據、驗證數據以及測試數據)放到一個數據集中，通過網絡輸出和期望輸出進行線性回歸分析，分析結果如圖8所示：所有數據的輸出相對于期望值都有較好的跟蹤，相應的R值都達到0.8以上，網絡響應效果較好。

注：1—泥巖，2—細砂巖，3—煤層，4—碳質泥巖

圖6 混淆矩陣圖

Fig.6 Confusion matrix

圖7 網絡訓練收斂圖

Fig.7 Network training convergence map

圖8 線性回歸結果圖

Fig.8 Linear regression results

表5 PCA-BP網絡與BP網絡識別結果比較

Tab.5 Recognition results compared to BP neural network

網絡類型收斂步長識別率/%BP神經網絡1583.3PCA-BP神經網絡995.8

2.3 網絡識別結果對比

測試數據用于驗證網絡的識別率，由24個測試數據的識別結果發(fā)現，PCA-BP神經網絡有1個數據識別錯誤，BP神經網絡有4個數據識別錯誤。

綜合對比(表5)發(fā)現：PCA-BP神經網絡的收斂步長為9，BP神經網絡為15，說明PCA-BP神經網絡收斂性好，效率更高；PCA-BP神經網絡識別率為95.8%，高于BP神經網絡的83.3%，說明PCA-BP神經網絡識別精度更高。

3 應用實例

應用以上建立的PCA-BP神經網絡模型，另取濟陽坳陷渤93鉆井2 850～2 943 m的測井數據為待識別樣本，將樣本送入已經訓練好的PCA-BP網絡巖性識別模型中進行識別，識別結果如圖9所示。從圖9中可以看出，PCA-BP神經網絡的識別結果與錄井巖性吻合，尤其是2 875～2 883 m泥巖段識別的結果更加精細，在2 884.5～2 886.5 m段識別出了煤夾層。

圖9 渤93鉆井2 850～2 943 m巖性識別結果

Fig.9 Wells Bo93 2 850-2 943 m lithology identification results

4 結論

利用主成分分析法對濟陽坳陷測井樣本參數進行優(yōu)化，減少了輸入維數，消除了各變量之間的自相關性，簡化了神經網絡結構。以濟陽坳陷測井數據為研究對象建立的PCA-BP神經網絡模型的收斂步長為9，低于BP網絡的15，顯示出更好的收斂性，PCA-BP神經網絡的運行效率較高；PCA-BP神經網絡識別準確率為95.8%,高于BP神經網絡的83.3%。在同一口井中，利用取芯段測井參數建立PCA-BP神經網絡，可以對未取芯段進行巖性識別。PCA-BP神經網絡是一種經濟高效的測井資料地質解釋方法，可以作為非常規(guī)油氣資源開發(fā)領域中實用的技術手段。

[1]趙靖舟.非常規(guī)油氣有關概念、分類及資源潛力[J].天然氣地球科學,2012,23(3):393-406. ZHAO Jingzhou.Conception,classification and resource potential of unconventional hydrocarbons[J].Natual Gas Geo-science,2012,23(3):393-406.

[2]周成當,成菊安.模糊神經網絡巖性識別系統(tǒng)[J].江漢石油學院學報,1993,15(4):40-44. ZHOU Chengdang,CHENG Ju′an.A lithology recognition system based on fuzzy neural network[J].Journal of Jianghan Petorleum Institute,1993,15(4):40-44.

[3]范訓禮,戴航.神經網絡在巖性識別中的應用[J].測井技術,1999,23(1):50-52. FAN Xunli,DAI Hang.Applications of neural network in lithology identification[J].Well Logging Technology,1999,23(1):50-52.

[4]金明霞,張超謨,劉小梅.基于MATLAB神經網絡的巖性識別[J].江漢石油學院報,2003,12(4):81-83. JIN Mingxia,ZHANG Chaomo,LIU Xiaomei.Lithologic identification based on MATLAB neural network[J].Journal of Jianghan Petorleum Institute,2003,12(4):81-83.

[5]羅德江,郭科.小波神經網絡在致密砂巖儲層參數預測中的應用[J].內蒙古石油化工,2007,27(12):119-122. LUO Dejiang,GUO Ke.Application of WNN algorithm in reservoir prediction of compact sandstone[J].Inner Mongolia Petrochemical Industry,2007,27(12):119-122.

[6]懷海寧,劉建英.BP神經網絡在儲層物性預測中的應用:以鄂爾多斯南部鎮(zhèn)原區(qū)塊為例[J].內蒙古石油化工,2008,28(8):12-14. HUAI Haining,LIU Jianying.BP neural network in prediction of reservoir properties:A case investigation of Zhenyuan field in southern Ordos[J].Inner Mongolia Petrochemical Industry,2008,28(8):12-14.

[7]張國英,王娜娜,張潤生,等.基于主成分分析的BP神經網絡在巖性識別中的應用[J].北京化工學院學報,2008,16(3):43-46. ZHANG Guoying,WANG Nana,ZHANG Runsheng,et al.Application of principal component analysis and BP neural net-work in identifying lithology[J].Journal of Beijing Institute of Petro-chemical Technology,2008,16(3):43-46.

[8]李軍梅,胡以華,陶小紅.基于主成分分析與BP神經網絡的識別方法研究[J].紅外與激光工程,2005,34(6):719-723. LI Junmei,HU Yihua,TAO Xiaohong.Recognition method based on principal component analysis and back-propagation neural network[J].Infrared and Laser Engineering,2005,34(6):719-723.

[9]楊靜,毛宗源.基于PCA和神經網絡的識別方法研究[J].計算機工程與應用,2007,43(25):246-248. YANG Jing,MAO Zongyuan.Recognition method based on principal component analysis and neural network[J].Computer Engineering and Applications,2007,43(25):246-248.

[10]吳新生,謝益民,劉煥彬.主成分分析法用于化工過程人工神經網絡建模[J].計算機與應用化學,1999,16(3):219-221. WU Xinsheng,XIE Yimin,LIU Huanbin.Application of principal components analysis in artificial neural network modeling of chemical process[J].Computers and Applied Chemistry,1999,16(3):219-221.

[11]梁賓橋,王繼宗,梁曉穎.高性能混凝土強度預測的神經網絡-主成分分析[J].計算機工程與應用,2004,18:192-195. LIANG Binqiao,WANG Jizong,LIANG Xiaoying.Principle component analysis and neural networks for strength forecast of high performance concrete[J].Computer Engineering and Application,2004,18:192-195.

[12]楊海瀾,蔡艷,陳庚軍.主成分分析結合神經網絡技術在焊接質量控制中的應用[J].焊接學報,2003,24(4):55-58. YANG Hailan,CAI Yan,CHEN Gengjun.Principal component analysis based artificial neural networks for arcwelding quality control[J].Transactions of the China Welding Institution,2003,24(4):55-58.

[13]李岳,呂克洪.主成分分析在鐵譜磨粒識別中的應用研究[J].國防科技大學學報,2004,26(1):89-94. LI Yue,Lü Kehong.The application of the principal components analysis (PCA) to debris recognition[J].Journal of National University of Defense Technology,2004,26(1):89-94.

[14]范金城,梅長林.數據分析[M].北京:科學出版社,2002:142-148.

[15]王學仁,王松桂.實用多元統(tǒng)計分析[M].上海:上?？茖W技術出版社,1990:270-330.

(責任編輯：高麗華)

Lithology Identification of Unconventional Reservoirs Based on PCA-BP Neural Network

HU Jialiang1,GAO Yuchao2,YU Jifeng1,LU Lei1,ZHANG Hongjun1,YANG Ziqun1

(1.College of Earth Science and Engineering,Shandong University of Science and Technology,Qingdao,Shandong 266590,China;2.Geological Mining Construction Branch,Donghua Construction Co.,Ltd of Yankuang Group,Zoucheng,Shandong,273500,China)

Lithology identification has been the key and difficult point of reservoir logging interpretation.Considering the low accuracy of conventional lithology identification methods,the BP neural network based on improved principal component analysis (PCA) was studied on the basis of logging data analysis and with Matlab as the platform.The actual logging data of unconventional reservoir in Jiyang sag was taken as sample,on which experiment simulation was performed by designing algorithm.The simulation results show that with the unconventional reservoir lithology identification rate of 95.8%,which is higher than BP neural network,PCA-BP neural network is effective to improve the identification rate and speed.The logging lithology identification in Jiyang sag proves that this lithology identification method is feasible and has practical values.

unconventional reservoirs;Jiyang sag;lithology identification;principal component analysis;BP neural network

2016-02-21

國家自然科學基金項目(41472092)

胡嘉良(1989—)，男，山東曲阜人，碩士研究生，主要從事地質工程等方面研究.E-mail：jialhu@126.com 余繼峰(1964—)，男，安徽蕭縣人，教授，博士生導師，主要從事能源盆地分析、測井地質定量解釋、旋回地層學等方面研究，本文通信作者.E-mail：yujifeng05@163.com

P631

A

1672-3767(2016)05-0009-08