bp神經(jīng)網(wǎng)絡在碳酸鹽巖儲層參數(shù)計算的應用

BP神經(jīng)網(wǎng)絡在碳酸鹽巖儲層參數(shù)計算的應用匯報人：匯報時間：2017年4月一.研究目的二.資料預處理三.BP神經(jīng)網(wǎng)絡法預測儲層參數(shù)四.結論匯報提綱一.研究目的理論層面：常規(guī)測井解釋孔隙度的方法是運用線性響應方程求解，或用統(tǒng)計方法建立測井曲線與孔隙度之間的統(tǒng)計關系模型求解。面對越來越復雜的地質條件和非均質性研究對象（如碳酸鹽巖）時，常規(guī)測井解釋孔隙度的方法所得出的結果往往與地層的實際數(shù)值存在很大誤差，無法為后期地質建模提供可靠的數(shù)據(jù)基礎。實際操作層面：本次研究區(qū)Ｍ氣田位于四川盆地川中古隆起平緩構造區(qū)的威遠至龍女寺構造群，研究層段為燈二段，由于①本地區(qū)部分井段發(fā)育硅質層，使用多元線性回歸方程計算出的硅質層的孔隙度、滲透率結果明顯高于巖心分析值；②目前已收集的測井數(shù)據(jù)中無PE曲線及核磁共振數(shù)據(jù)，無法使用測井新技術進行儲層參數(shù)解釋；③本地區(qū)僅部分井段有成像測井資料，無法滿足全區(qū)儲層參數(shù)解釋需求。為了提高了儲層參數(shù)預測精度，獲得優(yōu)于常規(guī)解釋方法及模型的地質效果，本文采用BP神經(jīng)網(wǎng)絡法建立測井儲層參數(shù)計算模型，通過給定的訓練樣本集，得出測井信息與儲層參數(shù)之間一種非線性映射或擬合，開展研究區(qū)儲層參數(shù)解釋。二.資料預處理1.巖心深度歸位據(jù)研究需要，結合聲波時差（AC）、補償中子（CNL）、補償密度（DEN）等曲線特征，與巖心分析孔隙度隨深度變化特征對比，以測井曲線為標準，在保證各巖心相對深度基本不變的原則下，對４口取心井重新進行了巖心深度歸位校正。2.測井曲線標準化本次采用直方圖法對AC、CNL、DEN等測井曲線進行標準化，主要步驟是：①確定相對標準層。本次研究將研究區(qū)各單井的燈四段上部發(fā)育的硅質巖段作為相對標準層。②繪制直方圖。提取單井的標準層數(shù)據(jù)，通過高斯正態(tài)分布函數(shù)對測井響應頻率分布直方圖進行擬合，獲得各測井曲線的峰值讀數(shù)。③獲取研究區(qū)曲線標準值。取各單井的測井響應值繪制全區(qū)的AC、DEN、CNL的頻率分布直方圖，得到全區(qū)直方圖峰值，即各曲線的標準值；④獲取單井曲線校正值。校正值＝全區(qū)標準值－單井峰值。3.測井曲線歸一化由于各類測井數(shù)據(jù)的量綱不同，數(shù)值相差很大，神經(jīng)網(wǎng)絡建模也要求輸入曲線必須位于0~1，因此學習樣本或預測數(shù)據(jù)在進入網(wǎng)絡前都必須進行歸一化預處理，重新刻度使其分布在［0,1］。

三.BP神經(jīng)網(wǎng)絡法預測儲層參數(shù)

1.BP神經(jīng)網(wǎng)絡儲層孔隙度測井解釋模型的建立要建立BP神經(jīng)網(wǎng)絡孔隙度測井解釋模型，需要選擇合適的輸入曲線及學習樣本。輸入曲線的選擇可以通過巖心分析孔隙度以及測井曲線交會圖來確定。對于碳酸鹽巖地層，只需用到AC、DEN、CNL、深側向電阻率（RT）和GR曲線。

1.BP神經(jīng)網(wǎng)絡儲層孔隙度測井解釋模型的建立由于燈二段巖心分析孔隙度主要集中在２％～４％，大孔隙度樣品較少，不具有整體代表性。因此，剔除明顯奇異點、受圍巖影響較大的點和減少相同特征點，還需適當補充典型樣本點，同時控制樣本總量。在挑選樣本時需覆蓋各種巖性，同時應覆蓋各種儲層類型，綜合考慮各因素影響，本次共挑選學習樣本431個。

2.BP神經(jīng)網(wǎng)絡訓練與學習評價采用GR、RT、AC、CNL和DEN等５條測井曲線作為輸入數(shù)據(jù)，巖心分析孔隙度作為輸出數(shù)據(jù)，建立本研究區(qū)的孔隙度預測模型。輸入層神經(jīng)元數(shù)目為5，隱層數(shù)目為10，輸出層為１，則建立的BP神經(jīng)網(wǎng)絡結構。通過MATLAB對網(wǎng)絡進行訓練，設定訓練次數(shù)400次，給定允許誤差0.01，當網(wǎng)絡系統(tǒng)誤差小于給定值時，訓練停止，即得到一套適用于該地區(qū)計算孔隙度的連接權，將其應用于BP神經(jīng)網(wǎng)絡即可計算孔隙度。針對樣本數(shù)據(jù)，建立巖心孔隙度及BP神經(jīng)網(wǎng)絡預測孔隙度交會圖，結果顯示，相關系數(shù)Ｒ＝0.9173，平均絕對誤差為0.64％，學習的精度較高。

2.BP神經(jīng)網(wǎng)絡訓練與學習評價在孔隙度預測基礎上，建立研究區(qū)滲透率解釋模型。選取巖心分析孔隙度、GR、DEN、AC、CNL和RT等６條測井曲線作為輸入數(shù)據(jù)，巖心分析滲透率作為輸出。對選取的164個樣本進行網(wǎng)絡學習訓練，輸入層神經(jīng)元數(shù)目為６，隱層為8，輸出層為1，則建立的滲透率BP神經(jīng)網(wǎng)絡結構。通過MATLAB對網(wǎng)絡進行訓練，設定訓練次數(shù)300次，給定允許誤差0.001，當網(wǎng)絡系統(tǒng)誤差小于給定值時，訓練停止。網(wǎng)絡所預測滲透率與巖心樣本的滲透率相關性系數(shù)R=0.8925，平均相對誤差,61.2％，學習的精度較高。3.誤差統(tǒng)計檢驗為定量評價網(wǎng)絡模型的預測效果，用所建立的神經(jīng)網(wǎng)絡儲層參數(shù)解釋模型對４口取心井的孔隙度和滲透率進行預測，計算巖心分析孔隙度與網(wǎng)絡預測孔隙度間的絕對誤差和巖心分析滲透率與網(wǎng)絡預測滲透率的相對誤差：

BP神經(jīng)網(wǎng)絡預測孔隙度平均絕對誤差為0.445％，滲透率平均相對誤差為21.59％，明顯低于經(jīng)驗模型的誤差（孔隙度平均絕對誤差0.6425％，滲考率平均相對誤差78.34％），采用BP神經(jīng)網(wǎng)絡法，儲層參數(shù)的預測精度更高。3.誤差統(tǒng)計檢驗四.結論

１）測井資料預處理提高了BP神經(jīng)網(wǎng)絡儲層參數(shù)解釋模型中學習樣本的真實性、可靠性及可操作性。通過巖心歸位，學習樣本可以更真實地反映儲層參數(shù)與測井響應之間的關系，測井曲線標準化減小了測井系統(tǒng)誤差，測井曲線歸一化使各參數(shù)具有相同量綱，便于輸入神經(jīng)網(wǎng)絡中進行訓練、學習。２）BP神經(jīng)網(wǎng)絡學習評價顯示，巖心孔隙度與BP神經(jīng)網(wǎng)絡預測孔隙度的相關系數(shù)為0.92，平均絕對誤差為0.64％，巖心滲透率與BP神經(jīng)網(wǎng)絡預測滲透率的相關系數(shù)為0.89，平均相對誤差為61.2％