概率神經(jīng)網(wǎng)絡(luò)在低孔低滲油氣層識別中的應(yīng)用

概率神經(jīng)網(wǎng)絡(luò)在低孔低滲油氣層識別中的應(yīng)用摘要:針對低孔低滲儲層物性差、孔隙結(jié)構(gòu)復(fù)雜以及含水飽和度高等特點,為了解決利用測井資料進行低孔低滲儲層流體性質(zhì)準確識別較困難的問題,提出了一種概率神經(jīng)網(wǎng)絡(luò)判別解釋方法。以中國西南某一低孔低滲氣藏為例,結(jié)合試油資料,對不同流體性質(zhì)的儲層進行了測井響應(yīng)特征分析,根據(jù)測井響應(yīng)特征與流體性質(zhì)的相關(guān)性對概率神經(jīng)網(wǎng)絡(luò)進行了訓(xùn)練,從而對該區(qū)儲層流體性質(zhì)進行了預(yù)測和識別。實際資料處理的結(jié)果表明:解釋符合率顯著提高,取得了較好的應(yīng)用效果。關(guān)鍵詞:概率神經(jīng)網(wǎng)絡(luò)低孔低滲流體性質(zhì)測井識別1引言低孔低滲儲層由于孔隙結(jié)構(gòu)復(fù)雜、孔隙間連通性差,往往驅(qū)替不充分,一般形成低飽和度油氣層,又低孔低滲儲層儲集空間小,測井信息中來自流體的貢獻少,導(dǎo)致測井對油氣的敏感性降低,而儲層巖性和孔隙結(jié)構(gòu)的復(fù)雜性以及鉆井液的侵入作用進一步掩蓋或模糊了電阻率測井反映油氣特征的能力[1-2]。這種類型的油氣層,在電阻率曲線上常表現(xiàn)為油氣層和水層的電阻率比較接近,直接根據(jù)電阻率測井值的大小將它們區(qū)分開較困難[3]。概率神經(jīng)網(wǎng)絡(luò)是一種基于概率密度函數(shù)理論且泛化能力很強的神經(jīng)網(wǎng)絡(luò),可以用這種網(wǎng)絡(luò)來描述各種測井響應(yīng)特征與流體性質(zhì)之間的復(fù)雜關(guān)系,把低孔低滲儲層分為氣層、氣水同層和水層,作為輸出層;把控制因素作為輸入層,對網(wǎng)絡(luò)樣本進行訓(xùn)練和學習,可以達到預(yù)測低孔低滲氣層的目的。2概率神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)概率神經(jīng)網(wǎng)絡(luò)(ProbabilisticNeuralNetworks,PNN)由Specht于1990年提出,它是一種基于概率密度函數(shù)理論且泛化能力很強的神經(jīng)網(wǎng)絡(luò),其本質(zhì)上是對徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的一種重要變形,具有計算復(fù)雜度低、結(jié)構(gòu)簡單等特性;在解決分類問題上,當訓(xùn)練樣本數(shù)據(jù)足夠多時,收斂于一個貝葉斯分類器,具有良好的泛化能力[4]。概率神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層組成的三層前向式網(wǎng)絡(luò),其結(jié)構(gòu)如圖1所示。設(shè)輸入層有n個神經(jīng)元,即x1,x2,…,xn;輸出層有m個神經(jīng)元,即y1,y2,…,ym;隱含層有1×m個神經(jīng)元,分為m個類別,其中l(wèi)為同類學習樣本矢量個數(shù)。輸入層與隱含層各神經(jīng)元之間均有連接。輸出層又稱求和層,其每一個神經(jīng)元代表一種模式類型,且只與屬于自己類別的隱含層神經(jīng)元相連接,而與隱含層的其它神經(jīng)元沒有連接。輸出為相應(yīng)神經(jīng)元之間的加權(quán)和。隱含層與求和層以等權(quán)值連接來匹配概率。隱含層的基函數(shù)為高斯函數(shù)。輸出層的傳遞函數(shù)為競爭函數(shù),用其來尋找輸入矢量中的最大元素,并把相應(yīng)神經(jīng)元的輸出置為1,其余輸出置為0。學習訓(xùn)練過程如下:①樣本數(shù)據(jù)的標準化處理:對訓(xùn)練樣本和檢測數(shù)據(jù)要進行標準化處理,其中包含歸一化處理,歸一化公式如下:4應(yīng)用效果分析為驗證概率神經(jīng)網(wǎng)絡(luò)預(yù)測模型的準確性,提取了具有試油結(jié)論的10個層進行油氣識別,這10個層未參與概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練與學習。經(jīng)過模型預(yù)測,預(yù)測的結(jié)果與試油結(jié)論相比,有8個層預(yù)測正確,2個層預(yù)測錯誤,符合率達到80%,預(yù)測效果良好,即可以用概率神經(jīng)網(wǎng)絡(luò)方法來識別低孔低滲氣層。5結(jié)語低孔低滲儲層由于復(fù)雜的孔隙結(jié)構(gòu)、儲層的非均質(zhì)性以及高含水飽和度,導(dǎo)致常規(guī)測井識別方法很難有效對這類儲層進行準確識別。概率神經(jīng)網(wǎng)絡(luò)能夠描述低孔低滲儲層流體性質(zhì)與測井響應(yīng)特征值之間的這種非線性關(guān)系,利用概率神經(jīng)網(wǎng)絡(luò)建立了油氣層預(yù)測模型。對某區(qū)塊的氣層識別結(jié)果表明:符合率達80%,預(yù)測效果良好,可以用概率神經(jīng)網(wǎng)絡(luò)方法來識別低孔低滲氣層。參考文獻[1] 中國石油勘探與生產(chǎn)分公司.低孔低滲油氣藏測井評價技術(shù)及應(yīng)用[M].石油工業(yè)出版社,2009.[2] 蔣凌志,顧家裕,郭彬程.中國含油氣盆地碎屑巖低滲透儲層的特征及形成機理[J].沉積學報,2004,22(1):13～17.[3] 畢林銳.塔中志留系低孔低滲儲層流體識別及產(chǎn)能評價方法研究[D]