应用神经网络模式识别技术进行测井沉积学研究

应用神经网络模式识别技术进行测井沉积学研究

张福明1,李洪奇1,邵才瑞1,赵晓燕2

(1.石油大学(华东);2.中国石化胜利油田东辛采油厂)

基金项目:国家“十五”重大科技攻关项目(2001BA605A09)

摘要:将人工神经网络(ANN )模式识别技术应用于测井沉积学解释中,可以实现井剖面沉积环境的连续自动解释,大大提高解释精度和工作效率。在确定济阳坳陷车镇凹陷关键井8种主要沉积相及测井响应模式的基础上,从测井曲线中提取出10种具有较明确地质意义的特征参数,在岩心观察以及地区经验的基础上优选指示沉积相灵敏性较好的曲线组合,基于神经网络模式识别技术进行井剖面沉积微相自动解释。采用自行开发的软件解释了40余口井的沉积微相,取得了较好的效果。该软件适用于具有一定区域背景知识和地质解释经验的人员。图3表2参16关键词:神经网络;模式识别;测井;沉积微相解释中图分类号:TE132.1　　　文献标识码:A

　　测井资料中含有大量地层和沉积学信息[123],已成为油田沉积相研究中不可缺少的资料之一。目前国内外主要采用诸如多元统计分析、模糊判别和神经网络等方法提取数理参数或储集层参数[4215](如孔隙度、渗透率、泥质含量、砂岩含量等)。为了客观、充分地利用测井资料评价沉积环境,笔者从地质思维出发,从测井曲线中提取具有明确地质意义的一些参数,利用人工神经网络模式识别技术[16]研制了相应软件,在沉积微相自动识别工作中取得了较好的地质效果。

1关键井测井相模式和特征参数

对实际测井曲线进行沉积学解释,需要按地质家的思维推理、判断和分析。神经网络技术的特点是信息分布式存储、大规模自适应并行处理、高度容错性等,允许样本有较大的缺损和畸变,可以处理一些环境信息十分复杂、背景知识不清楚、推理规则不明确的问题,正适用于实现井剖面沉积环境的连续解释。利用测井资料进行沉积相研究的基本思想是先利用沉积相特征明显、类型齐全、代表性好的“关键井”刻度测井曲线,建立关键井测井相模式,然后采用“模式识别”技术识别井剖面测井相类型。这里有两方面的关键问题,即关键井测井相模式的建立和提取刻划这些“模式”的特征参数。

1.1研究区主要沉积相类型及其测井响应模式

验证本文方法效果的主要研究区是济阳坳陷车镇凹陷。根据大量岩心观察以及测井、地震等相标志,确

定车镇凹陷古近系发育了8种主要沉积相类型,即三角洲、扇三角洲、近岸水下扇、滨浅湖、深湖—半深湖、湖底扇、辫状河和风暴岩等沉积相,并可细分为28种

沉积微相。以下介绍几种主要的沉积微相类型及其测井响应特征。

1.1.1扇三角洲前缘微相沉积

研究区的扇三角洲前缘主要发育了辫状河道、河道间、河口坝、远砂坝、间湾等微相类型。其中,辫状河道微相(见图1)一般粒度向上变细,其SP 和GR 曲线均呈钟形或箱形的明显异常,AC 为低值且曲线波动很小,而电阻率曲线显示高值;辫状河道间微相的SP 曲线特征是基线背景下的中低幅指状变化,GR 曲线较高值且波动较多,AC 为高值,而电阻率为低值;河口坝微相的SP 及GR 曲线均显示其粒度向上变粗及向前的加积作用,分选较好,AC 值较高。

图1　扇三角洲辫状河道测井模式

1.1.2滨浅湖相沉积

车镇凹陷古近系分布广、厚度大,经历了从浅湖到

深湖的演化过程,滨浅湖比较发育。本区滨浅湖相既有粗碎屑物质充分供应时形成的砾质或砂质滩坝微相(见图2),也有物质供应以泥质为主时形成的泥滩或泥坪微相;但多为不易区分微相类型的滨浅湖亚相。1.1.3近岸水下扇相沉积　　车镇凹陷近岸水下扇多发育于湖盆高位和湖侵体

1

21石　油　勘　探　与　开　发

2003年6月　　　　　　　　PETROL EUM EXPLORA TION AND DEV ELOPMEN T 　　　　　　　　Vol.30　No.3

图3　

车镇凹陷某井岩相自动识别与人工划分结果对比

图2　滨浅湖滩坝沉积测井模式

系域,为向上变细的层序,自下而上一般分为扇根、扇

中和扇端3个微相,为退积序列。扇根的SP 曲线平缓或呈中低幅齿状,AC 曲线幅度中等,GR 曲线显示粒度向上变细,电阻率值较低;扇中的SP 曲线为微齿化或齿化漏斗形2钟形2箱形,由于岩性较粗(砾或砂岩),电阻率值较大,AC 值较小;扇端以泥岩和细砂岩为主,SP 曲线呈低幅指状和齿状,AC 值较大,电阻率值较小。1.2测井曲线选择及特征参数提取

在不同地区的地质条件下,各种测井曲线反映沉积信息的灵敏程度不同,需要在岩心观察以及地区经验基础上,优选指示灵敏性较好的曲线组合。经过分析,本文试验区块中各井都有的测井曲线是SP 、AC 、GR ,反映沉积相的效果最好,实际工作中主要利用了这3条曲线。模式识别的关键之一是提取具有高度准确描述能力的特征参数,既要能反映测井曲线本身的结构特征,又要能反映地层的沉积学特征,直接影响网络学习模式的收敛性及模式识别的正确性。

通过大量试验和分析,基于地质家的思维,从测井曲线上提取了反映沉积环境能量、沉积韵律、顶底面接触关系、水深变化(水进或水退)、沉积速率、平均颗粒粒度、曲线复杂性等具有明确地质意义的特征参数(见表1)。这些特征参数可以更好地刻划每一个沉积相段的特征,既有较明确的地质意义,其参数值又不随工区测井曲线值的波动而变化。

表1　测井曲线特征参数及其意义

序号特征参数

沉积意义

1对称性质沉积韵律、粒度变化及邻层信息2凹凸性质沉积速率及水体能量变化信息3峰值位置沉积韵律性、水动力、物源信息4峰值个数沉积均质性、水体能量信息5沉积能量沉积相段平均能量信息

6曲线分维反映曲线的几何复杂度的综合信息7平均粒度沉积颗粒大小及水体能量信息8相对重心旋回性、粒度及水动力变化趋势信息9水体涨落水深及水动力变化(能量波动)信息10

层段波动

沉积相段整体波动性,能量变化信息

　　上述特征参数可用于各个地区,但对于不同地区

的不同测井曲线,用它们解释沉积相的有效性或灵敏性不同,需要进行敏感性分析,分析的质量将会极大地影响沉积相自动识别的精度。确定灵敏参数后,与每个沉积相段(层)对应的所有被选取的测井曲线特征参数的集合构成一个特征向量,每一个特征向量描述相应层段的一个沉积微相,即一个模式。模式样本即为网络学习训练或数据处理用的输入数据。对车镇凹陷2口关键井通过试验确定的灵敏参数见表2,其中“敏感参数组合”栏中各数字代表的特征参数见表1。

表2　关键井测井曲线敏感参数

测井曲线

敏感参数组合

A 井

B 井GR 1,3,4,5,6,7,81,2,5,6,7,8SP 1,2,5,6,81,3,4,5,6,7,8AC

1,2,4,6,8

1,2,6,7,8

2资料处理

在以上方法研究基础上,笔者开发了测井沉积微

相人机联作解释软件,使神经网络参数的选择、测井曲线及其特征参数的选取等更加方便,可以自动完成井剖面沉积微相的连续解释,解释结论图形化显示,解释人员可以同时看到各个相段对应的各种测井曲线(见图3),便于结合已有的地质知识、地区经验和测井曲线特征,进行人机交互解释。

在车镇凹陷,利用前述2口关键井和提取的相应测井曲线的有效特征参数(见表2),对神经网络进行了训练,利用训练后的网络处理关键井的资料,符合率为95%,说明网络是有效的。利用这一网络处理了40余

221石油勘探与开发・济阳坳陷古近系沉积体系与油气运聚机理研究论文专辑　　　　　　Vol.30　No.3　

3结论

在大的沉积环境已知的前提下,从测井资料中提取反映地层沉积学特征的特征参数,采用神经网络模式识别技术,可以连续识别非取心井段井剖面的沉积微相,使沉积微相解释趋于定量化或自动化。但由于各种地质因素和非地质因素的影响,不同类型的沉积微相可能有近似的测井响应,而相同的微相类型在不同井中也可能有不同的测井响应,这使得关键井中建立的模式的代表性和典型性受到损失。尽管神经网络具有一定的“智能”处理能力,但是在寻求“模式库”与实际资料的“相似性”时,仅依靠测井资料,有时仍难以获得令人满意的效果,只有运用此技术的解释人员同时具有一定区域背景知识和地质解释经验,才能获得真正令人满意的结果。

参考文献:

[1]　黄智辉.地球物理测井资料在分析沉积环境中的应用[M].北京:

地质出版社,1986.

[2]　欧阳健.加强岩石物理研究提高油气勘探效益[J].石油勘探与开

发,2001,28(1):125.

[3]　张占松.测井资料识别层序的方法及问题讨论[J].石油勘探与开

发,2000,27(5):1192121.

[4]　郭荣坤,王贵文,唐为清.测井沉积学解释计算机辅助系统[M].

北京:石油工业出版社,1996.

[5]　侯加根.文南油田文79断块沙二下亚段沉积微相与开发效果分

析[J].石油勘探与开发,2000,27(6):65267.

[6]　徐守余.SQ油田低阻油气层测井综合解释及评价[J].石油勘探

与开发,2000,27(6):74276.

[7]　孙小平,石玉江,姜英昆.长庆低渗透砂岩气层测井评价方法[J].

石油勘探与开发,2000,27(5):1152118.

[8]　张志伟,张龙海.测井评价烃源岩的方法及其应用效果[J].石油

勘探与开发,2000,27(3):84287.

[9]　赖生华,徐国盛,周文.定量预测泥质岩裂缝密度的深度序列分析

法[J].石油勘探与开发,2000,27(3):88290.

[10]　冯方,牟泽辉,张克银,等.测井资料在吐哈盆地温米油田储集层

描述中的应用[J].石油勘探与开发,2000,27(1):982101.

[11]　彭仕宓,尹志军,常学军,等.陆相储集层流动单元研究新方法

[J].石油勘探与开发,2001,28(5):68270.[12]　王月莲,宋新民.按流动单元建立测井储集层解释模型[J].石油

勘探与开发,2002,29(3):53255.

[13]　秦亚玲,计平,郑宇霞,等.神经网络自动识别沉积微相在胡状集

油田的应用[J].断块油气田,2001,8(1):10212.

[14]　王晖,赵建辉.油田开发方案设计阶段储集层地质模型的建立

[J].石油勘探与开发,2001,28(3):83285.

[15]　张国栋,唐伟,翟瑞国,等.河流相储集层横向预测方法探索[J].

石油勘探与开发,2001,28(6):84286.

[16]　焦李成.神经网络系统理论[M].西安:西安电子科技大学出版

社,1990.

第一作者简介:张福明(19682),男,山东青州人,硕士,石油大学(华东)讲师,现主要从事测井解释与数字处理及测井地质应用等方面的教学和科研工作。地址:山东省东营市,石油大学(华东)地球资源与信息学院,邮政编码:257062;电话:(0546)8393342。E2mail:zhfm@hdpu. edu.cn

收稿日期:2003201210

(编辑、绘图　唐金华)

Application of artif icial neural net w ork pattern recognition technology to the study of w ell2 logging sedimentology

ZHAN G Fu2ming1,L I Hong2qi1,SHAO Cai2rui1,ZHAO Xiao2yan2(1.U niversity of Pet roleum,S handong257062,P. R.China;2.Dongxin Oil Production Factory,SL O F,S inopec, S handong257061,P.R.China)

Abstract:Application of the Artificial Neural Network(ANN)to identify sedimentary microfacies from well logging data can complete the series auto2interpreting.The application can improve the auto2interpreting accuracy and make us get more satisfied results.Ten parameters from the well logging curves are selected for to describing their shape characteristics when the deposition patterns of8key wells in Chezheng Sag,Jiyang Depression are studied.E ffective parameters were selected on the basis of cores and local experiences,and based on artificial neural network pattern recognition technique,the sedimentary microfacies of well cross section were auto2interpreted.About40wells and the results were interpreted by using the software.The software will be fit for the researchers who have the ex periences of geological interpretation and some backgrounds of local geology.

K ey w ords:artificial neural network;pattern recognition;well logging;sedimentary microfacies identification

321

2003年6月　　　　　　　　　　　张福明等:应用神经网络模式识别技术进行测井沉积学研究