神经网络模拟交会图在 H油田低阻油层流体识别中的应用

梁丽梅,喻高明,黎 明,杨 欢

(1.长江大学石油工程学院,湖北荆州434023;2.中国海洋大学)

神经网络模拟交会图在 H油田低阻油层流体识别中的应用

梁丽梅1,喻高明1,黎 明2,杨 欢1

(1.长江大学石油工程学院,湖北荆州434023;2.中国海洋大学)

在H油田含油层系中,低阻油层与高阻水层并存,储层的岩性和孔隙结构复杂多变,粘土矿物普遍存在,在电性上直接区分油水层比较困难,常规测井解释符合率较低。本次研究以BP神经网络为基础,设计出一种神经网络模拟交会图版,用于开发中、后期油层的流体识别。对H油田的储层流体性质及类型进行识别,获得了较高的识别率,为复杂地层以及其它一些特殊情况下的测井解释和流体识别提供了一条切实可行的新途径。

BP神经网络;低阻油层;流体识别

储层中流体性质的准确识别是新井试油、老井挖潜,提高油气开发效益的基础。但在复杂油气藏尤其是低阻油藏中,油水分布十分复杂,加上岩性、地层水及成岩后生变化的影响,使得测井曲线复杂多变,很难准确地划分油、水层,使试油成功率低,造成了很大的经济损失。

H油田地区断裂系统复杂,小断层、微构造多,致使油藏构造幅度低、非均质性强、多种流体共存,油藏类型多样、控制因素复杂。多年的勘探开发实践表明,该油田内分布有规模不等的低阻油层,油水层识别较为困难,给利用常规测井解释手段评价油水层的工作带来了较大困难。为了提高测井解释精度,加深对特殊储层的认识,本文在分析低阻储层特征和整理大量准确试油资料的前提下,尝试利用建立的神经网络模拟交会图对研究区的储层流体性质进行分类,在此基础上对低阻油层进行识别[1]。

1 模拟交会图法流体识别基本步骤

利用BP神经网络技术识别流体类型的关键是选择高质量的测井曲线、生产资料及网络结构参数。

1.1 输入输出向量的选择

试油确定的油水层对应的测井曲线是网络训练的输入向量。考虑到测井曲线与流体性质相关性和计算精度需要,从现有的测井数据中选取6条测井曲线用于网络输入:自然电位测井曲线(SP),自然伽玛测井曲线(GR),0.5m底部梯度电阻率测井曲线(R05),2.5m底部梯度电阻率测井曲线(R25),深感应电阻率(RILD)和中感应电阻率测井曲线(RILM)。这6条曲线基本上可以反映储层岩性、电性特征,对它们进行合理组合,使神经网络模型有更有效的识别效果。在选定的6条曲线中,由于其量纲不一致,数值大小及变化也不统一,所以在神经网络训练之前必须对测井曲线归一化[2],使各条曲线数值在0～1之间。

试油资料对应的流体类型是神经网络训练中的目标向量,资料的好坏直接影响到处理结果,选用资料来自于H油田试油数据资料。考虑到测井值与分析数据的相关性,必须对所有分析数据进行仔细筛选,并对试油资料对应的流体类型做数字化处理,使其与输入向量(即测井曲线)有较好的对应关系。

1.2 网络结构参数的选择

BP神经网络是多层次结构网络,输入层对应测井曲线,输出层对应流体类型,而中间层没有统一的标准选定,当各节点均采用S型压缩函数时,一个中间层就可以实现任意判决分类问题。通过多次、反复的测试,选择200个隐含层节点构成预测储层参数的网络模型拓扑结构来进行训练,自适应地修改权值,以使其输入值与期望值之间的总平方误差最小[3]。不同的网络输出,采用不同的输入值和节点数。

神经网络的训练是针对已知的输入向量和目标向量而进行的,当网络学习成功后,网络的各种参数已经确定,不能改变[4]。所谓网络的正常操作,就是对训练好的网络,加入输入向量,就可正确地回忆出相应的输出(即处理实际测井资料)(图1)。

图1 神经网络模拟交会图的操作流程

1.3 流体识别模型的建立

利用试油井产油产水资料,对流体识别模型进行训练。网络模型经过28步迭代,误差小于0.01。将训练后网络输出值与试油结论叠加,可以看出样本与目标值之间有很好的相关性,从而得到我们的识别模型(图2,图3)。

图2 H油田训练样本与目标值叠加图版

图3 网络训练误差示意图

2 实际应用

在非样本的试油资料中选取了20个砂层深度对应的测井曲线值,输入网络模型中对流体类型进行回判,以此检验模型的准确性。为了使试油结论与测井数据有很好的对应关系,对一段深度范围内的测井曲线值进行了加权平均,得到一定深度范围内的测井曲线的平均值作为网络的输入值。导入网络模型中后得到识别结果在模拟交会图中的分布点,计算该点离各流体类型中心的距离,距离四个中心最近的中心点,即为该点的流体类型,从而得到最后的判别结果,如图4。

图4 测试结果在模拟交会图上的分布图

对输入的20个砂层深度段对应的测试数据进行网络回判,结果与试油资料相符的样本的个数为18个,不符的为2个,正确率达90%。应用该方法对 H油田的试油井Q4井进行流体识别,识别结果与试油结论对应很好,说明该网络模型能够很好的对流体类型进行判断,与传统的流体识别相对具有明显的优势。

3 结论

低阻油层常规测井解释符合率低,应用神经网络方法综合考虑储层的岩性、物性、流体导电性及储集空间大小等到多种因素建立流体识别模型,综合利用多条测井曲线特征进行测井解释,可以提高解释精度。运用BP神经网络的关键在于选择好用于训练的标准样品,一方面要有代表性,即能代表某范围内的各待测样品的特性;另一方面包含的范围又要广,即所要预测的样品尽量包含在训练样品的范围内。此外,裂缝性储层其流体分布的受控因素很多,使相同类型中有亚类型,各类型间又相互交错混杂,可能会影响到模型的准确性,这点在交会图模型上有所表现。

[1] 史忠植.神经计算[M].北京:电子工业出版社,1993:45-83.

[2] 靳蕃.神经网络与神经计算机[M].成都:西南交通大学出版社,1991:56-68.

[3] 肖慈,王旬.神经网络技术应用于测井解释的评述[J].测井技术,1999,23(5):389-392.

[4] 闻新.MATLAB神经网络应用及设计[M].北京:中国地质大学出版社,2000:102-135.

编辑:彭 刚

P631.842

A

2010-05-25;改回日期:2010-09-05

梁丽梅,1984年生,2008年毕业于长江大学石油工程专业,在读硕士研究生,主要从事油藏工程、数值模拟研究。

1673-8217(2011)01-0039-02