【doc】延迟神经网络测井资料评价水淹层的方法及应用

【doc】延迟神经网络测井资料评价水淹层的方法及应用 延迟神经网络测井资料评价水淹层的方法 及应用 1997年10月 石油 ACTAPETROLEISINICA第18卷第4期 延迟神经网络测井资料评价水淹层的方法及应用. 华运隆 f江援石油学院)河南石油勘撵局勘撵开发研究院) 张超谟刘子云 (江援石油学院) plJ 摘要取心 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 的孔隙度和永饱和度为基础,建立测井信息与这些地层参熬之间的非线性计算关系.用过种方法进 行参熬解释t测井信息与油层参数之间的复杂关系不需要具体的熬学物理模型描述,而只蔷要音适的样本集对罔培进行 训练来获得解释模型,避开了油层木淹后t混音木电阻率求不准的问题.不同于已有的点对点的建横方法,本方法采用延 迟神经网络模型,在建模和计算过程中自动考出了甍并响应上下围岩的影响从而较好地解提了科并费辩解释中地层厚 度自适应校正和地层参熬计算同时进行的问题.对一十油田注水开发后新50口并的穗并赍料计算 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 明,这种方法具有良 好的披果 :kl~l剥井解释延迟碹丝旦些油气评价鎏查垄 引言 : JI 水驱油层的测井解释是注水开发油田中后期面临的复杂问题.为解决这类问题除 完善水驱油层测井系列 外,针对我国测井技术的现状和阽相油藏的特点,探讨新的解释方法也具有重要意义.水驱油层解释的复杂性 主要来自于注入水的电化学性质与地层原生水的电化学性质不同而引起的储集层测井值的变化.当注入水进 入地层与原来地层孔隙中的流体混合后,储集层的导电性质,电化学性质等发生变化,从而测井值发生相应变 化.原来均匀的地层,由于注入水的提人程度不同,也会产生导电性质的非均匀性(表现为电阻率发生变化)和 电化学性质的非均匀性(表现为自然电位的漂移).此时,该地层的地层水电阻率与原生水的电阻率不同,且随 深度的变化而变化.传统解释方法"应用到水驱油层的解释问题时,由于难于求准地层水电阻率,不易消除泥 质含量对电阻率的影响等原因使得解释效果不太理想.近几年发展起来的人工神经网络技术,为解决这类复杂 地质体的评价问题提供了一条途径_2j.在定性评价方面的应用,如根据测井资料识别岩性L3-.-,根据物探化探资 料进行成矿预测_5等在定量评价方面的应用,如用BP神经网络建立孔隙度,视颗粒密度的计算模型]等. 本文给出基于延迟神经网络模型的测井水淹层参数计算方法.以取心分析的孔晾率和水饱和度为基础,建立测 井信息与这些地层参数之间的非线性计算关系,从而避开油层水淹后地层水电阻率难于求准等问题.与点对点 的BP网络建模方法不同,在延迟神经阿络的学习和计算过程中,同时自动考虑了上下围岩的影响,从而较好 地解决了测井资料解释中地层厚度自适应校正和地层参数计算同时进行的问题.对河南油田某断块50口井的 资料计算表明,这种方法具有良好的效果. 2方法与原理 测井仪器受分辨率的限制,某一深度的测量值X,(),是包含上下围岩物性的综合响应.反过来说,深度为 d士的测井值X(d士/V)也包含有深度点地层物理性质的影响.不同的测井方法,影响各不相同.在地层 非均匀的情况下,这种影响尤为明显.取心分析的岩石物性参数,是对一小块样品进行的.分析出来的参数是 ?国家自然科学基金费助的课题. ? 刘瑞林.]987年毕业于云南大学暂理系.]997年获同济大学海洋地质与地球街理系博士学位现任江援石油学院暂探秉哥I教授.通讯处 湖北省嗣州市.邮政编码:434102 /, L_匕 ,, h二二) ] 第4期延迟神经网培测井资料评价水淹层的方法及应用 某一深度点的局部值,其纵向分辨率为样品的尺度.测井资料要与取心分析的参数建立关系,就必须考虑这两 者之间的匹配问题.图板校正方法虽然可以消除部分厚度的影响,但方法没有自适应性.本文采用延迟神经网 络模型自适应校正层厚的影响和参数计算. 设深度d经预处理后的测井值为x,()(一1,2,…,m)m为测井方法数,该深度点的岩心分析值为Y.), 深度上部的测井值为x(一),(1=l,2,…,L);?为采样间隔.为了考虑深度上部岩层的影响,就要使x 一 )参与网络的标定和计算.同样,为了考虑深度d下部岩层的影响,就要使x,(d--t~)参 与网络的标定和 计算.简单的考虑方法是把这些测井值都输入一个前馈网络中进行计算.但这样做有局限:网络输入层节点数 在考虑的厚度范围内变得很大.例如,考虑o.5m的范围,按每米8个采样点,5条曲线就有25个输入节点,结 果是网络的连接权数目增多.在训练样本数不多的情况下(例如l00个左右)使网络难于从标定的例子中归纳 出计算规律.此外,也不能使网络自动考虑测井值随深度的变化. 延迟神经网络模型能避开上述局限.既考虑测井值随深度的变化,而网络的连接权数目又不大.例如:取 网络的延迟数为2,网络中间节点数为1,则网络的总连接权数为20.因网络延迟是在一个方向进行的,只能考 虑上围岩或下围岩的影响.为了同时考虑当前深度两边围岩层的影响.采用的方法是对每一深度点取两个顺 序样本:一个顺序样本表达上围岩的影响,一个样本表达下围岩的影响.网络通过标定,就自动寻找出考虑围岩 影响的地层参数计算方法.下面给出网络对顺序样本的算法. 设(xi,…,)"=0,1,2,…,L)为归一化的测井值,其中L为以当前深度点为起点向上或向下取的点数, 为测井曲线的条数x(f)为网络在深度f节点的输出(对于输入节点,x,(f)一),n吐")为当前网络节点 J的总输入. ? 1 (f)一>:>:wx,(f一^)(1) x0)一00)一,[n(f)](=+1,m+2,…,?+)(2) 式中为网络的延迟数}w为网络延迟k任=0,1,…,)的连接权;?一m为中间层的节点数;n为输 出层节点数.对于孔隙率和饱和度的计算问题,网络节点的传输函数仍采用型函数 0.网络结构见图1. 设对于测井值串P网络对于当前探度点测井信息网络 变换的输出为0寺,网络要求的输出为Y}(一1,2,…,),其 误差平方和为 E=了1?(一).(3) 根据(1)和(3)式就可以得到时间延迟网络模型连接权的 修正 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 ,导出 一 Onet=3net? .(f)a(f)一… 而 3net= 嘉3net一嘉,?](5)(f)缸(f)"),(f),… 对于输出节点,由(3)式可箅出南.对于隐层节点, 由网络的连接公式(1)及函数的复合关系,有 f一2 t--1 l HH- f+1 f+2 研??十 固1延迟神经网络结构 Fig.1Structureoftime—delayneuralnetwork 斋=塞薹嘉畔(f)1an_0+^)" 对于k=2时,时间f节点I的输出x(f)对于其它节的影响如图1虚线所示,由式(1)f —f+1有 n.(f+1)一??wx"+1一五)(z=1,2,…,五) (6) (7) 78石油第18卷 于是aw , (p=)(8) 【一1,2,…,)连接权的修正量为 ?一(9) 式中为一小的正常数. (8)可以看出,为求出,必须已知(叩一+l,…,?+)>0),因此,为了 由式(5)及 利用上面的式子进行计算,必颓逆时进行.先要计算出当前深度点的,然后逐次计算到t一1.具体实 现时间延迟阿络时要使L>K,即取的点数大于网络的延迟数.对当前深度点以外的测井信息,网络的实际输 出与要求输出之间的误差不参与阿络连接权的调整. 3应用 我们应用上述阿络模型处理了河南油田某断块50口井的单井资料.资料处理分几个步骤进行. 3.1网络训练样本集的选取 应用神经网络模型求解水淹层参数,虽然不需要给定具体的物理和数学模型,但网络训练样本集的选取对 网络的解释效果起关键作用.在这个应用中,选取样本的原剐是样本的代表性和有效性.代表性要求选取的样 品分析值的范围与该区块的物性参数的范围一致.例如,该断块地层束缚水饱和度大致在2O%,35.故样本 集中柬缚水饱和度这个参数也应在这个范围内均匀取值.有效性要求样本的个数是网络连接权数目的3,5 倍.使之符台一般统计建模要求.测井资料应选取对地层水电阻率敏感的测井系列,因资料条件的限制仅用了 SP,GR,AC…R,R5条曲线. 3.2铡井资料 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化,归一化 一 个区块的资料,很难保证是用同一类仪器,相同刻度标准及统一的操作方式进行测量的.故各单井测井 数据必然存在刻度因数为主的误差.对测井资料标准化,可将这些非地质因素校正到一个水平.采用均值一方 差方法进行标准化.归一化处理则是把测井数据都统一到0,1之间,以便网络的训练和计算. 3.3网络的训练 如上所述,应用阿络方法进行测井参数解释,是通过样本集对阿络进行训练来获得多测井信息与地层参数 之间的非线性计算关系.从J6井I油组和1V油组取心分析的样本中挑选出l10个不同深度点的样本.对每个 样本点,按其深度,根据延迟阿络的要求取出两个多维测井值串.一个串对应该深度点上部的测井数据,一个对 应该深度点下部的测井数据.对孔隙率?计算,用钡I井资料sP,GR,AC和相应深度的取心分析孔隙率值,训练 一 个延迟阿络表达式.考虑副水饱和度和束缚水饱和度关系密切,且有?.我们把这两个参数的 计算表达在一个阿络中.所用的测井信息为SP,GR,AC,RR5条曲线.此时,网络的输出端一2.实际应 用表明,按这种方法训练网络,当网络通过例子的学习"时,阿络实际上也"找到"了?.对l10个深度点 的孔隙率样本,计算孔隙率的网络约经7500次迭代即收敛.计算饱和度的阿络约经l5000~20000次迭代,阿 络的输出与实际值的相对误差达到3,7.对延迟网络方法中的网络延迟数K和样本串长度L,进行的试 验表明,对每米8个采样点的测井资料,L取4或5,K取2较台适.这与大多数测井 仪器的固有纵向分辨率为 0.5ra左右是一致的. ? 第4期延迟神经网络测井资料评价水淹层的方法及应用79 3.4资料处理 用训练好的阿络处理了5O口河南油田某断块?油组注水开发不同时期的测井资料.对已有试油资料的 ,有7层与试油结果不l5口井中的54个单层进行了统计.其中完全符合的有4l层 符,基本符合但不完全一致 的有5层.结果如表l所示.另外一些井尚需试油,投产资料进一步验证.值得指出的是,水驱油层解释结果 的正确性,用试油与投产结果验证,不完全符台水淹层的客观性.由于油层水淹后,地层水具有动态特性,如果 测井时间到投产时阃相差很长,解释结论与试油结论可能不同.对于方法本身的问题是:训练样本的代表性,分 析结果的可靠性等.此外,因网络的训练采用梯度方法,考虑到可能存在局部小问题,我们采用从不同的小随机 值开始训练阿络的办法以避开此问题. 裹115口井54个单层的统计结果 Table1Thestatisticresultsoffiftyfourlayers 井名 趾理井段 解释层位及结论 ? 试油,投产结果 油(r)亦(m)F.()投产日期 井日期 ]393.O,]393.6m中淹 1397.4,1389.5m1612 1401.O,1402.0m 1403.0,1406.0m 1406.O,1408.Ofn 14085,1422.0m强淹2665 H242,1427.0m 14i0.O,1415.Om 1425.0,14270m 1432.0,i435.0m中淹132160.6i9881i.i7i988.6.20 1443.0,1446.0m 1448.0,1453.0m 1454.0,1456.0m } ; i 鲇 i i 舍j蛆H ?髂 i 淹淹淹 强强中 mmm O0O ; ; ; },,, OO8 i ; i } 80石油第l8卷 1429.0,l427.0m l451.8,l453.2m 848 弱淹 注:-部分强淹,部分中淹;**中问部分中淹 4结论 1.水驱油层的神经网络解释方法其突出优点是网络建立的测井信息与地层参数之间的非线性关系更符 台油层水淹后测井资料与油层参数之间的客观联系.避开了油层水淹后,混合水电阻率求不准的问题.用这种 方法进行参数解释,涮井信息与油层参数之间的复杂关系不需要具体的数学物理模型描述,而只需要合适的样 本集对网络进行训练来获得解释模型. 2.用带有延迟项的神经网络模型来表达测井信息与油层参数之间的关系较之通常的BP网络模型有优 点:可以克服一般BP网络的不足;可以自动考虑上下围岩的影响进行参数计算. 3.对河南油田一块实际资料的处理表明延迟神经网络模型用于水淹层参数解释效果良好.如果能完善网 络训练样本的代表性,同时增加对地层水电阻率敏感的测井系列.可望进一步提高解释精度. 致谢河南油田研究院的邵汉刚院长对本项工作给予了大力支持.该院的刘建斌,翟中喜,杨峰等三位工 程师对基础资料的整理给予大力帮助.在此表示衷心的感谢. 参考文献 孙德明褚人杰.莉用自然电位舞井贾料求水淹层地层水电阻辛.舞井技术 16(2)1992. 主ll瑞林.马在田.神经网络在油气评价和预爵方面的研究现状.地球暂理学进 晨]0(251995. RogersSTeta】 Determination0f[ithologyfromwe1]logsusinganeuralaetwork.AAPG,76(5)1992 Bald~dnJLetal_Applicationofneuralnetworktoproblemofmineralidemifieationfromwe【【logs.TheLogAnalyst.1990 刘瑞林.用神经网络学习识别化探暂探数据.地质与勘探28(2),1992. BaldwinJL,etallComputeremulationofhumanmenta[processes:app[icationofne.ralnetworkssimulatortoprobieraiawel【logimerpreta- t?n.SPE19619.1989. 第4期延迟神经同络测井资料评价水淹层的方法及应用8 7WinnerJM.WienerJMecalPredicatingcarbonatepermeabilitiesfromwirelinelogsusingaback=propagationneuralnetworks.in61stsE< MeetingExpandedAbstracts.1991 8LiuRL.eta1.LithofaclessequencerecognitionfromwelllogsusingtimeMelayneuralnetworks.33rdSPWLAt1992 9WaibleAHa~zawaTHintonG.eta1.Phonemerecognitionusingtime—delay~oura 【network8IEEETrans.0nASSP?37(3)?1989,328,339. 10WerbosPJ]~ackpropagadoathmghtime,WhatitdoesandhowtodoitProceedingofIEEE,78(10)1990,1550,1550. 11Rume]hartDE.HintonGEandWi]LiamsRJLearninginteralrepresentationbyerTorpropagadon,inParatte]DistributionProcessing.Votl— MTTPress.1986 (本文收到日期1996—08—131 (修改稿收到日期1996—12-061 (编辑杨茁) AMETHoDoFTlME—DELAYNEURALNETWoRKSFoRWELLLoG INTERPRETATIoNoFWATERDRIVE HuaYunlong (Jia,ghPetroleumIosdttae)(HenanOi聃rid) ZhangChaomoLiuZiyun (Jian^dpetroleuml~stitute) Abstract Amethodoftime— delayneura1network(TDNN)tocalculatetheparametersoffloodingreservoirfrom wellloggingdataispresented.Thismethodisbasedonporosity,watersaturations(Swi,Sw)ofcoretobuild thenon— linearmodelsofwellloggingdataandtheporosity,watersaturations,whichavoidtheproblemof conventiona1loginterpretationtoworkouttheresistivityofformationwater.ItiSdifferentfromcommonBP neuralnetwork.ThestructureofTDNNenablesthenetworktodiscoverthedepthvaryingfeatureofmultiple welllogginginformationindepths.WhentheTDNNhasbeentrainedusingthecoreporositywatersatura— tionsandwellloggingdata.itbuiltthenon— linearrelationshipbetweenmultiplewirelinelogsthatcontainin— formationofformationinadjacentdepthsandparametersofthereservoir.ExamplesoffiftywellsofHenan Oilfje】dshowedthatthemethodiselfective. Keywordswelllogginginterpretationfloodingformationtime— delayneuralnetworkoil& gasevaluationwaterflooddevelopment