朱為赟 郝 翰 王志恒 白 澤 黃艷輝

安徽理工大學地球與環(huán)境學院 安徽淮南 232001

地球物理測井是通過分析一系列來自鉆孔周圍地層聲、電和放射性等數據尋找地下油、氣、水和礦產等自然資源的一種方法,也被稱作地質學家的“眼睛”[1]。大量的勘探工作開發(fā)實踐和理論性的研究證實:地下儲集層的巖石物理學性質和測井響應之間存在非線性映射關系,基于理論分析和實驗數據統(tǒng)計等方法很難構建準確的測井曲線和地層巖石物理參數之間的關系,亟須去尋找一種更加有效的測井儲層評價方法,為地下能源與資源的勘探和開發(fā)提供新的技術及思路[2]。

目前,大數據挖掘技術發(fā)展迅速,可應用于儲層評價、措施作業(yè)方式的優(yōu)選、生產指標的預測以及故障診斷等方面。高翔指出大數據技術能夠幫助油氣田依據提取的數據和發(fā)布的正確信息為決策者提供及時和正確的決策,尤其是對一些測井響應關系特征不明顯的復雜儲層來說,如何利用數據挖掘技術有效地解決油田實際生產中存在的一些復雜問題具有重要意義[3]。袁凱濤等基于數據挖掘提升水質達標率、水驅動用程度以及水淹井綜合利用率,獲取了滿意的治理效果[4]。苗濤等利用數據挖掘算法計算出各個敏感參數并建立巖性識別圖版,有效提升了巖性識別精度[5]。谷建偉等基于數據挖掘技術提出利用長短期記憶網絡(LSTM)深度學習模型,實現具有長期記憶能力的時間序列預測,可以準確預測油井產量,在石油方面的應用研究具有重要意義[6]。

為此,本研究采用集成的思想,即將幾種不同的專家神經網絡方法按照加權平均的規(guī)則組裝在一起,形成一種復合的神經網絡預測模型,從而能夠將各種單一訓練模型的優(yōu)點綜合利用起來進行儲層評價,以提高神經網絡技術的泛化能力和對復雜儲層參數的預測精度。

一、方法原理

針對致密儲層參數預測的需要,選用BP神經網絡、支持向量機(SVM)神經網絡和徑向基函數(RBF)神經網絡構建一種復合神經網絡儲層參數預測的方法,即根據幾種網絡模型預測結果的平均相對誤差作為計算權重,采用加權平均方法對單一模型預測結果進行復合來得到最終的儲層孔隙度、滲透率和飽和度參數預測結果(如下圖)。

復合神經網絡模型預測儲層參數流程圖

具體的實現流程說明如下:

(一)輸入數據集的確定

根據預測儲層參數類型,選擇與之相關性較好的測井曲線數據作為輸入。對于儲層孔隙度和滲透率參數的預測,選取的測井曲線數據包括電阻率(RT)、密度(DEN)、聲波時差(AC)、中子孔隙度(CNL)、自然伽馬(GR)和自然電位(SP)測井曲線。而對于飽和度參數的預測,除上述曲線外,在進行飽和度模型訓練時還額外加入了全烴錄井曲線(QT)。

(二)數據歸一化處理

由于輸入的測井曲線數據具有不同的物理意義和不同的量綱及數量級,直接進行訓練容易由于奇異樣本的存在而導致數據無法收斂,同時還會引起訓練時間增大。歸一化處理就是要把需要處理的數據經過處理后(通過某種算法)限制在需要的一定范圍內。數據歸一化處理首先是為了后面數據處理的方便,其次是保證程序運行時收斂加快。因此,在各神經網絡訓練前需要對原始數據進行歸一化處理。本文選擇的歸一化方法是MATLAB歸一化工具包中的mapminmax函數,其歸一化公式為:

(1)

(三)單一神經網絡模型平均相對誤差和權重的計算

(2)

利用模型預測誤差的好壞來確定單一模型的權重,即預測結果精度較高的模型賦予更大的權重。單一網絡模型權重的計算公式為:

(3)

式中,wi是第i種神經網絡的權重;|ei|為第i種神經網絡模型預測結果的平均相對誤差的絕對值;n代表選擇的神經網絡個數,本文n=3。

基于單一模型對不同儲層參數的訓練結果,計算得到的各個模型的平均相對誤差絕對值與復合預測權重值見表1。

表1 模型預測值平均相對誤差與復合預測權重數值表

(四)復合神經網絡儲層預測

復合神經網絡預測模型是對各個單一神經網絡模型預測結果取加權平均值作為最終的預測結果,因此復合神經網絡預測模型的最終表達式為:

(4)

二、模型應用效果與分析

為了分析上述所建立的復合網絡模型的預測效果,分別利用上面三種神經網絡模型和復合網絡模型對額外的10組測井曲線數據進行預測。表2是不同模型預測結果與對應巖心分析數據的對比情況,可以看出,BP神經網絡模型預測的孔隙度、滲透率和含水飽和度的平均相對誤差分別為0.152、0.354和0.259;SVM神經網絡模型預測的孔隙度、滲透率和含水飽和度的平均相對誤差分別為0.131、0.413和0.301;RBF神經網絡模型預測的孔隙度、滲透率和含水飽和度的平均相對誤差分別為0.112、0.305和0.235;復合神經網絡模型預測的孔隙度、滲透率和含水飽和度的平均相對誤差分別為0.108、0.299和0.184,這證實了利用復合神經網絡模型預測得到的儲層參數結果的平均相對誤差均小于各單一神經網絡模型的預測結果,表明基于加權平均策略建立起來的復合神經網絡模型用于致密砂巖儲層的參數預測是合理和可行的。

表2 不同模型對儲層參數的預測結果及其比較

三、結論

(1)復合神經網絡將多個智能系統(tǒng)結合在一起,能夠綜合利用各種訓練模型的優(yōu)點,既考慮了不同專家網絡預測的結果,又體現了多種網絡模型的有機結合,能夠有效彌補單一神經網絡參數預測的不足和局限性,從而提高預測的精度。因此復合神經網絡模型構建的思路和理論是可行和有效的,能夠為復雜儲層的測井解釋和評價工作提供一定的技術支持。

(2)從應用效果來看,利用構建的復合神經網絡模型對儲層孔隙度、滲透率及飽和度參數的預測效果整體還是不錯的,其計算結果均比單個專家神經網絡模型的效果要好,精度更高,具備較好的推廣和實際應用價值。

(3)不同的專家神經網絡模型在不同地區(qū)的應用效果也存在差異,即同一種神經網絡模型不一定適用于所有區(qū)域。因此,針對不同地區(qū)的儲層特點,應該選擇更加適合于預測參數的訓練數據集作為輸入,同時應選擇精度更高、效果更好的專家神經網絡來組裝更優(yōu)秀的復合神經網絡模型,這將有助于進一步提高對儲層的評價效果。