２０１３年第４期 西部探矿工程 ４９ 神经网络储层参数测井解释在五百梯气田的应用 刘 露 ，许 新 （１．成都理工大学能源学院油气田开发工程，四川成都６１００５９；２．西南油气田公司重庆气矿，重庆４０００２１） 摘要：建立神经网络储层参数解释模型和进行解释处理的工作流程中，首先是进行各种储层参数的 测井响应特征分析，确定输入曲线、网络模型结构，细致准备训练样本数据集；第二步是基于训练样本 集的ＢＰ神经网络模型学习，统计误差，评价不同网络结构的神经网络模型的学习精度，然后挑选出 最合适的ＢＰ神经网络模型对研究区各井目的层段的储层参数解释、预测。 关键词：神经网络；储层参数解释模型；网络模型结构 中图分类号：ＴＥ２７文献标识码：Ｂ文章编号：１ＯＯ４—５７１６（２０１３）０４－－００４９－－０３ 运用常规测井数据进行测井储层参数解释之前，首 先要进行数据整理、岩芯深度归位和测井数据的标准 化、归一化处理。由于本研究区二叠系长兴组生物礁储 层具有较强的非均质性，已有的常规测井解释技术（如 送人孑Ｌ隙度神经网络进行训练学习，自适应确定的最佳 网络结构为４—７—１（即隐层单元数为７），根据最终的 复杂岩性分析ＣＲＡ、多矿物解释模型）难以满足此类复 杂储层下的测井解释要求，因此本文主要使用非线性人 工神经网络技术进行测井储层参数（孔隙度、渗透率和 含水饱和度）的建模、解释和评价研究。 １孔隙度计算模型的建立 用神经网络技术预测储层参数，网络的输入就是各 项测井属性值（已经标准化、归一化处理），而网络的输 出为岩芯分析的物性参数或预测的物性参数。对于非 线性神经网络模型而言，输入（特征）信息选择的恰当与 否，对所建立的模型的性能有较大的影响。 本次研究中提取了五百梯气田的ｌ０口取芯井的岩 芯分析样本点所对应的各测井值，绘制孔隙度与测井值 孔隙度神经网络学习精度图所示，神经网络输出的孔隙 度与岩芯实测孔隙度间的相关系数为Ｒ＝０．８９１２。 ２渗透率计算模型的建立 般认为，孔隙度是渗透率的主要影因素，ＲＩ Ｉ Ｄ （ＲＴ）、ＲＬＩ Ｓ（ＲＸＯ）、ＣＮＩ 、ＧＲ等曲线也可反映出渗透 率的变化。电阻率值高，那么渗透率相对来说可能变 低。中子孔隙度低，渗透率也可能相应会降低，而泥质 一含量的增加，势必会使渗透率降低。 通过绘制岩芯分析渗透率与岩芯分析孔隙度、各测 井数值的交会图，可知在本研究区的二叠系长兴组渗透 率与孔隙度、各测井曲线均具有一定程度的相关关系， 因此在建立渗透率神经网络计算模型时，模型的输入曲 线使用Ｒｕ Ｄ（ＲＴ）、ＲＬＩ Ｓ（ＲＸＯ）、ＣＮＩ 、ＧＲ以及孔隙 度ＰＯＲ等５条曲线。 将ＲＩ ＬＤ、ＲＩ ＬＳ、ＣＮＩ 、ＧＲ以及ＰＯＲ的归一化值 作为网络的输入曲线，神经网络的目标输出为（归一化 的各种交会图（见图１），以分析孔隙度与各测井值之间 的相关性。由图１可见，声波时差ＡＣ、深侧向电阻率 ＲＩ Ｉ Ｄ、中子孔隙度ＣＮＩ 与孔隙度都有一定的相关关 系，而自然伽马的相关性虽然较低，但是泥质含量的增 加势必会导致ＡＣ的增大，此时孑Ｌ隙度与ＡＣ的关系就 不再是正相关关系，因此有必要加人ＧＲ，最终选择 ＲＩ Ｉ Ｄ（ＲＴ）、ＣＮＩ ＡＣ、ＧＲ等４条测井曲线作为孔隙 度神经网络计算模型的输入曲线。 在网络结构、网络输人曲线、输出单元及训练算法 确定之后，余下的任务就是准备训练样本和对训练样本 进行学习、检验、学习的反复过程。将选定的学习样本 ＊收稿日期：２０１２—０９—１１修回日期：２０１２一１０—０８ 值）渗透率。反复删选、调整学习样本点，形成渗透率学 习样本集。使用自适应学习算法确定出的最优网络模 型结构为５～９—１（即隐层单元数为９）。对该渗透率神 经网络进行反复学习、检验，最后得出模型学习结果，神 经网络模型输出的渗透率与岩芯实测渗透率之间的相 关系数达到Ｒ－－０．９３７。 ３含水饱和度计算模型的建立 选取五百梯气田二叠系长兴组储层段岩芯分析的 含水饱和度 样本点，绘制 与各测井值、与岩芯分 第一作者简介：刘￣（１９８６一），女（汉族），四川彭州人，成都理工大学能源学院在读硕士研究生，研究方向：油藏数值模拟。 ５０ 西部探矿工程 ２０１３年第４期 析孔隙度的各种散点交会图，可知岩芯分析孔隙度 ＰＯＲ与Ｓ 含水饱和度有一定相关性；在图上含水饱和 度与各测井曲线的相关关系不明显，但多少显现了 降低的一些趋势。因此本区含水饱和度神经网络计算 模型的输入曲线选择为岩芯分析孔隙度ＰＯＲ、深侧向 ＾９６ｌｊ 餐１壬 求均 Ｍ 埘 ８ ６ ４ ２ Ｏ 电阻率ＲＴ、自然伽马ＧＲ、补偿中子ＣＮＩ 等４条曲线， ∞ 如图２所示。 蛎 随着ＲＴ、ＧＲ升高而升高；随着ＡＣ、ＣＮＩ 、ＰＯＲ升高而 Ｙ＝０．３１４５ｘ—ｌ２．８１７ Ｒ ＝０．１７２４ ５声 ０波 时 艏差 ＾ Ｖ ◆ ．． ∞ － ● 遂 墨 构 ｊ ● ● ● ’ ・・ ／／． ｎ ∞ 加 Ｔ ● －ｔ ．． ！ ～ 哆 ＇ １０ １００ ｌ０００ １００００ １０００００ 浅侧向电阻率（ ｍ） （ｂ） Ｐ＝一０．Ｏ１８９Ｘ＋２ ５３３８ ＾９６ 越 １生 求 ６ ４ ２ Ｏ ８ ６ ４ ２ ０ ＝－０ ００６２ ｌ６ １４ —●● １２ ’ ｔ ◆ １０ Ｊ ◆● ’◆ ｝ 。ｉ ● ● ● ’ ／ ／ 釜 ０ ４ 幽 ｌ 》 ‘Ｊ ● Ｊ ， ■ Ｉ ： ◆▲ ／。 ！ －＿ ｒ ２ ● ‘ ． ‘ ．． ０ ０ ≯ ・ ６Ｏ ８Ｏ ２ ０ ２ ４ ６ ８ ｌ０ １２ １４ ２Ｏ ４Ｏ 中子孔隙度（％） （ｃ） 自然伽马（ＡＰＩ） （ｄ） 图１五百梯长兴组岩芯分析孑Ｌ隙度与各测井曲线交会图 （ａ）声波时差与岩芯分析孔隙度；（ｂ）深侧向电阻率与岩芯分析孔隙度； （ｃ）中子孔隙度岩芯分析孔隙度；（ｄ）自然伽马与岩芯分析孔隙度 将ＲＩ Ｉ Ｄ、ＧＲ、ＣＮＩ 、ＰＯＲ的归一化值作为神经网 络的输人曲线，网络的目标输出为（归一化值）含水饱和 度。使用自适应算法确定的Ｓ 最优网络模型结构为 ４—８—１（即隐层单元数为８），对网络进行学习、训练， 含水饱和度神经网络最后的学习结果，神经网络输出的 含水饱和度与岩芯实测含水饱和度之间的相关系数为 Ｒ＝０．９７８２， 计算模型达到了较高的学习精度。 ４储层参数预测及效果评价 网络模型计算结果的误差、可靠性，即将未参加训练学 习的取芯井的孔隙度、渗透率和含水饱和度样本分析值 与对应的神经网络计算值进行重叠对比。根据天东７４ 井储层参数计算值的重叠检验可以得出，在大多数层段 内的取芯分析点处与对应神经网络预测曲线点处的数 值吻合性较好，说明建立的模型是可以信赖的，用其计 算储层参数是可靠的。 本研究还将神经网络模型计算的储层参数与通过 复杂岩性分析ＣＲＡ计算的五百梯各井长兴组储层参 数进行了对比评估。对比结果得出，在井段３７６２．５～ ４．１曲线重叠法检验 在本研究区依然首先使用曲线重叠法来评价神经 ２０１３年第４期 西部探矿工程 ５ｌ ３７７２ｍ处，神经网络模型解释的孔隙度与石ＬＪ－Ｉ＂心４４－＂分析孔 隙度拟合程度明显要好于ＣＲＡ计算的孔隙度。 １００ ｊＯＯ ９０ （） ８Ｏ 惹 Ｉ琳 ８０ ７０ ７０ 墨 ００ ５０ 钿 纛５ｏ 妪４０ 辖４ｏ ●● ， 藿 ： 皿鐾 － ● 、 ；＾ ｂ —一～ 窭ｓｏ ・ ．． 鑫ｓｏ Ｔ． —。量 － ２０ ． ・’ ｊ ２Ｏ ｔ． ＩＯ １０ ・ ‘’Ｉ ０ ＇ —Ｔ’ ’ ０ ０ ５ １０ １５ ２Ｏ ２５ 一２ ０ ２ ４ ６ ８ ＪｆＩ ｌＺ ｌ４ 岩芯分析孔隙度（％） 中子孔隙度（％） （ａ） （ｂ） ・ ．一ｃｊ６ ∞ 鲫 阳 ∞ 的 舯 鲫 ∞ ｍ ， ｜Ｉ● ：’？＊如塔 鸨 ｝．Ｉ ．＇ 屯 ｊ ．’ ●● 一 ＊ 色 ． ● ◆・ 钿 ・ ＿ ’’・ ． ．～ ， 均 － ●● ａ ・ ｌ０ １００ １０００ １００００ ｝ｏ００００ ０ ２０ ４０ ６０ ８Ｏ 深侧向电阻率（ ｍ） 自然伽马（ＡＰＩ） （ｃ） （ｄ） 图２五百梯长兴组岩芯分析饱和度与各测井曲线及岩芯分析孔隙度交会图 （ａ）岩芯分析孔隙度与岩芯分析含水饱合度；（ｂ）中子孔隙度与岩芯分析含水饱和度； （ｃ）深侧向电阻率与岩芯分析含水饱和度；（ｄ）自然伽马与岩芯分析含水饱和度 ４．２误差统计法 ＥＭ３．北京：兵器工业出版社，１９９３． 误差统计法就是给出各井取芯井段岩芯分析值与网 黄述旺，窦齐丰，彭仕宓，王韶华，刘伟．ＢＰ神经网络在储 络计算值的误差统计表，其中相对误差的计算公式为： 层物性参数预测中的应用［Ｊ］．西北大学学报，２００２，３２（３）： （取芯段岩芯分析平均值一网络计算平均值）／取芯段岩 ２７１—２７２． 芯分析平均值。这里使用了上述误差统计法对本区二叠 杨建刚．人工神经网络实用教程ＥＭ３．杭州：浙江大学出版 系长兴组神经网络储层参数计算模型的计算误差进行了 社，２００１． 牟泽辉，朱宏权，张克银，罗字，冯方．鄂尔多斯盆地南部中 评估，神经网络计算的孔隙度平均绝对误差均小于 生界成油体系［Ⅳ【］．北京：石油工业出版社，２００１． １．５ ，渗透率平均相对误差均小于０．５，含水饱和度平均 裘怿楠，陈子琪．油藏描述［Ｍ］．北京：石油工业出版社， 绝对误差均小于１０ ，说明神经网络储层参数计算结果 １９９９． 达到本区储层评价、地质建模研究所需精度要求。 雍世和．测井数字处理与综合解释［Ｍ］．北京：石油工业出 版社，１９９６． 参考文献： 原富暴，陈宝树，刘玉珍．应用神经网络计算储层参数［Ｊ］． ［１］杨铭震，王燕霞．人工神经网络及其在石油勘探中的应用 测井技术，１９９５，１９（５）：３２３—３２８． ］