BP神经网络气水识别研究

摘 要：传统的测井解释技术由于建立在岩石颗粒的均匀排列、孔隙流体均匀分布假定模型基础上，将地层岩性、孔隙率、渗透率等参数作线性研究，致使获得的测井解释结果在大部分复杂地区与地层的真实值不一致。运用测井神经网络，根据测井资料、岩性分析资料、试油资料，可以解决求取地层孔隙率、渗透率、泥质含量、流体饱和度等参数以及进行油气水识别、岩性岩相识别、裂缝识别、水淹层识别、生油岩识别等等。测井神经网络处理解释新技术的兴起和发展，对解决非均质性地层的非线性映射问题具有良好的实用效果。

关键词：bp神经网络；气水识别；预测效果

中图分类号：TP21 文献标识码：A

人工神经网络是人类通过模拟脑神经系统的记忆存储与再现、联想思维、目的行为以及更为不易捉摸的情感和灵感等信息活动,揭示脑物理平面与认知平面的相互联系的作用机理，通过计算机实现学习 、训练、修正、确认和计算的一种计算机信息处理系统。自50年代以来，神经网络技术经历了萌芽、探索、学科的诞生和茁壮成长，成为当今全世界关注的高科技热点，显示出了广阔的应用前景。

BP人工神经网络（Back Propagation Network）是由大量的神经元相互连接而成的自适应非线性动态系统。人工神经网络作为生物控制论的一个成果，其触角已延伸到各个工程领域，吸引着不同专业领域放入专家从事这方面的研究和开发工作，并且在这些领域中形成了新的生长点。人工神经网络从理论探索进入大规模工程实用阶段，到现在也只有短短十几年的时间。它的工作原理和功能特点接近于人脑，不是按给定的程序一步一步地机械执行，而是能够自身适应环境，总结规律，完成运算、识别和控制工作。一般人工神经网络的主要特征为：大规模的并行处理和分布式的信息储存；极强的自学、联想和容错能力；良好的自适应性和自组织性；多输入、多输出的非线性系统。这些特征使它基本符合工程的要求。

1.BP神经网络的基本原理

神经网络系统由大量的神经元广泛连接形成。每一个神经元都是一个基本处理单元， 将从其它众多神经元中接收到的信息， 经过非线性计算，输出给另一些神经元。简单的人工神经元如图4-1所示：X1，X2，...，Xi，...，Xn是第j个神经元接收到的信息ω1j，ω2j，...，ωij，...，ωnj为该神经元与提供信息神经元之间的连接权；θj为单元激活值，为该神经元计算处理后输出的信息，神经元的计算处理函数可选阶跃函数、分段线性函数、函数、 S函数，通常人们选S函数。

对于算法BP网络对神经网络的训练过程，实质上是通过计算输出值与期望值的误差(E)，求解输出层单元的一般化误差（dj），再将dj逆传播，求出隐层单元的一般化误差(ei)。通过调整输出层和隐含层及输入层间连接权与隐层、输出层的阀值，直到系统误差降到可接受为止。这时，网络间的连接权和阀值不再改动，以此预测出与训练信息相类似条件的未知信息。

图1给出一个基本的BP神经元模型，它有R个输入，每一个输入都通过一个适当的权值W和下一层相连，网络输出可表示为：

图1 BP神经元模型

2.子洲气藏山西组产层分类

本文以子洲气田山2段储层为研究对象，根据储层产流体性质及其典型井的测井响应综合特征，考虑到生产井的动态生产特征和出水特点，将子洲气藏生产井划分为气井、水井、气水同产井和干井四类，相应的储集层为气层、水层、气水同层和干层。将试气产量大于1×104m3/d，含水率小于10%的储集层归为1类气层；将产气量0.2×104m3/d-1×104m3/d，产水量小于4m3/d的储集层归为2类气层；若储集层仅含残余气和少量可动水，砂层分类中作为干层对待，产气量小于0.2×104m3/d，产水量小于4m3/d；试气产量大于0.2×104m3/d而小于1×104m3/d，产水量大于4m3/d；试气产量大于1×104m3/d，含水率大于10%的储集层归为气水层；试气产量产气小于0.2×104m3/d，产水大于4m3/d，或含水率高于90%的储集层为水层。

依据上述原则选择具有代表性的各类产层：

气层：榆10、榆11、榆12、榆13、洲06、洲07、洲08、洲09、洲10、洲11、洲12、洲13、洲14、洲15、洲16、洲17、洲18、洲19、洲20、洲22、洲23、洲24；

干层：榆14、榆15；

气水层：榆09、榆07、榆08、洲05、洲02、洲03、洲04；

水层：榆01，榆02、榆03；榆04、榆05、洲01。

3.BP神经网络模型的建立和预测

3.1 BP神经网络流程图

在进行BP神经网络的建立和运用时，实际流程如图2。

3.2 BP神经网络的建立

（1）根据试气结果，从24口井，挑选出气层，气水层，水层，干层共24组样本，以补偿中子（CNL），密度（DEN），声波时差（AC），自然伽马（GR），深浅侧向电阻率差(Rt-Rs)，5条测井曲线作为样本输入参数。

（2）BP神经网络输入层设为5个节点，分别代表补偿中子（CNL），密度（DEN），声波时差（AC），自然伽马（GR），深浅侧向电阻率差(Rt-Rs)，5条测井曲线。含一个隐层，隐层为8个节点，隐层采用S型神经元函数logsig()。输出层为4个节点，分别代表气层，气水层，水层，干层。建立程序，输入样本参数，对样本学习，训练，修正权值和阀值。在对样本进行训练和学习过程中的网络结构如图3。

（3）在训练过程中，取网络动量因子α=0.7，学习因子η=0.9，误差精度ξ=0.0001。开始训练，经过260次训练，误差达到万分之一以下，停止学习，气水识别模型已经建立，此时得到储层类型识别模型。其中输入层到隐层的连接权值和阀值为：

隐层到输出层的连接权值和阀值为：

[-24.562，-2.116，-3.379，22.653，-23.136，-4.673，6.582，-8.383，7.582]；

[-1.680，-2.879，-2.743，13.058，-3.695，-2.538，1.274，1.487，8.891]；

[13.618，-5.297，7.349，0.597，21.638，-3.294，6.842，4.348，-11.230]；

[-10.310，8.314，-2.610，6.840，5.369，-13.568，21.330，5.613，3.637]

3.3 BP神经网络模型预测效果

根据试气结果，我们从30口井选取43个样本，以补偿中子（CNL），密度（DEN），声波时差（AC），自然伽马（GR），深浅侧向电阻率差(Rt-Rs)，5条测井曲线数据作为输入数据，利用已经建立的BP神经网络模型进行预测,预测效果如下表：

从上表可以看出，利用该BP神经网络模型在对43个样本进行预测中，其中40个正确，3个错误（与试气结果不符合），符合率达到93.02%，所以该识别模型的预测效果较比较理想，可以弥补交会图只能定性识别储层的缺陷，因此该BP神经网络气水识别模型可以较为精确划分该区域的气水层，可以达到定量识别气层、水层、气水层、干层的目的。

结论

利用该BP神经网络模型预测气水层，符合率达到93.02%，弥补了传统测井解释气水层的弊端，通过网络学习建立模型，避免了大量杂乱信息对分析的影响，预测效果真实可靠。

参考文献

[1]Baldwin.J.L.Bateman，R.M.Weatley，C.L.Application of a neural network to the problem of mineral identification from well logs，3rd Mgls.Borehole Geophys，for Mineral， Geotech&Groundwater Appl.Int.Symp.2002.10.The Log Anslyst，30，2002：121-235.

[2]Kukal G C. A Systematic Approach for the Log Analysis of Tight Gas Sands. SPE 11857：21-30.

[3]Kasko B. Neural networks and fuzzy systems.Pretice-Hall，1991：15-25.

[4]Robinson R.Neural networks offer an alternative to traditional regression.Geobyte，1991.