引用本文
田士伟. 基于核磁共振录井数据的多层感知器神经网络对苏里格气田南区的评价预测[J]. 录井工程, 2020,31(3): 43-48.
TIAN Shiwei. Evaluation and prediction of Sulige Gas Field southern area based on Multilayer Perceptron neural networks of NMR logging data[J]. Mud Logging Engineering, 2020,31(3): 43-48.
Doi:10.3969/j.issn.1672-9803.2020.03.008  
Permissions
Copyright©2020, 《录井工程》杂志社
《录井工程》杂志社 所有
基于核磁共振录井数据的多层感知器神经网络对苏里格气田南区的评价预测
田士伟
中国石油长城钻探工程有限公司录井公司

作者简介：田士伟 工程师,1988年生,2011年毕业于东北石油大学勘查技术与工程专业,现在中国石油长城钻探工程有限公司录井公司从事科研管理工作。通信地址:124011 辽宁省盘锦市石油大街77号。电话:(0427)7806816。E-mail:503587505@qq.com

摘要

为了快速评价预测苏里格气田南区的储集层含气特征,利用该区核磁共振录井数据和实际试气结论及地质信息,构建核磁共振录井参数与储集层含气性识别关系的多层感知器神经网络模型,通过逐层训练得到预测估计值。网络模型训练数据分类准确率为97.7%,测试数据分类准确率为94.6%。应用多层感知器神经网络模型对60组样本核磁共振录井数据进行预测,55组样本被正确分类,整体准确率达91.7%,可以快速有效地对储集层含气性进行识别预测,在实际应用中得到了较好的效果。模型在训练中出现一些异常值,原因可能为模型数据量较少,在钻取和测试过程中储集层样品发生气体逸散,如果选到更合适的数据集进行学习测试,能够提高模型的预测精度,具有一定的可行性。

关键词: 苏里格气田; 多层感知器; 神经网络; 核磁共振录井; 储集层含气性
中图分类号:TE132.1 文献标志码:A
Evaluation and prediction of Sulige Gas Field southern area based on Multilayer Perceptron neural networks of NMR logging data
TIAN Shiwei
GWDC Mud Logging Company, CNPC, Panjin, Liaoning 124011, China
Abstract

In order to quickly evaluate and predict the gas-bearing characteristics of the reservoirs in the southern area of Sulige Gas Field, the Multilayer Perceptron neural network model of the relationship between the parameters of NMR logging and the identification of gas-bearing properties of the reservoirs was constructed based on the NMR logging data, the actual gas testing conclusions and the geologic information, and the predictive estimated values were obtained through layer-by-layer training. The accuracy of network model training data classification is 97.7%, and that of test data classification is 94.6%. The Multilayer Perceptron neural network model was used to predict the NMR logging data of 60 groups of samples, and 55 groups of samples were classified correctly, with an overall accuracy of 91.7%. It can quickly and effectively identify and predict the gas bearing property of a reservoir, with good performance. There are some abnormal values in the training of the model, which may be due to the small data volume in the model, and the gas escape occurs in the reservoir samples during sampling and testing. If a more suitable data set is selected for learning test, the prediction accuracy of the model can be improved and it is feasible to some extent.

Keyword: Sulige Gas Field; Multilayer Perceptron; neural network; NMR logging; gas-bearing capacity; capacity of reservoir
0 引言

随着勘探开发的不断深入, 研究对象越来越复杂, 低孔隙度、低渗透率和低饱和度的油气藏已成为油气勘探与开发中研究的重点。苏里格气田是典型的低孔隙度、低渗透率且丰度较低的天然气田, 目前已在天然气成藏条件[1, 2]、层序地层和沉积体系[3, 4, 5, 6, 7]、油气富集规律及勘探开发方面进行了大量全面精细的研究[8, 9], 而且形成了很多气层解释评价方法, 如电阻率比值法[10]、测井资料结合光电截面参数建立解释模型[11]、测井综合评价[12, 13, 14]、气测全烃和轻烃录井评价方法等[15, 16, 17]。随着信息技术的不断进步, 正在尝试加强统计分析法、挖掘系统法和神经网络法在气层解释识别中的应用, 尤其是利用神经网络法确定测试参数与含油气性之间的复杂关系。

录井资料中蕴藏着大量的统计特征与模糊信息, 多层感知器神经网络方法又具有较好的识别能力和判别分析效果, 因而利用已知的录井数据资料作为样本, 通过智能训练学习, 对未知井的录井数据进行识别预测, 可以建立储集层含气性识别的网络模型。本文以苏里格气田南区主要产气层山西组及石盒子组储集层为例, 通过收集该地区近几年试气井段核磁共振录井数据和试气结论, 利用一种基于多层感知器神经网络方法进行快速智能解释评价预测, 该方法可以极大地提高录井资料评价识别速度和识别的准确度, 为储集层含气性识别提供参考依据。

1 研究区概况

苏里格气田南区位于陕西省榆林市定边县、靖边县和延安市吴起县、志丹县境内, 勘探面积2 392.4 km2[18], 区域构造属于鄂尔多斯盆地伊陕斜坡西部中段, 主要受控于近南北向分布的大型河流、三角洲砂体带, 是典型的岩性圈闭气藏, 由多个单砂体横向复合叠置而成, 为典型的低孔隙度、低渗透率、低丰度的大型气藏[19]。苏里格气田生储盖层组合良好, 上古生界生气源岩主要为石炭-二叠纪煤系地层和暗色泥岩, 有机质类型以腐殖型为主, 仅本溪组、太原组泥岩有机质类型为腐泥腐殖型。上古生界储集层砂岩从本溪组到石千峰组都有气层分布, 以山西组和下石盒子组为主, 储集层以石英砂岩、岩屑砂岩为主。上部稳定展布的湖相泥岩构成了气藏良好的区域盖层[1]。其储集层沉积相为辫状河沉积体系, 储集层物性较差, 属于低孔隙度、低渗透率储集层, 低压气藏。该区上古气藏地层水型以CaCl2型为主, 地层水矿化度较低, 范围为30~216.94 g/L, 气藏特征主要表现为甲烷含量较高, 凝析油含量较低[20, 21]。

2 多层感知器神经网络模型建立
2.1 多层感知器神经网络基本原理

多层感知器是人工神经网络中非常重要的一种类型, 可以将一组输入向量映射到一组输出向量, 输入与输出之间可以多层加权连接。多层感知器既可以解决线性可分问题也可以解决非线性可分问题。

多层感知器的结构基本类似于一套级联的感知器, 主要由输入层、隐藏层和输出层组成。多层感知器一般包含一个或多个隐藏层, 并且每个隐藏层中均有数个并行的感知器神经元, 这些隐藏层神经元能够从输入样本中逐步提取多种有用特征。在使用之前需要先对它进行训练, 通过输入样本对神经网络进行训练, 能够从数据样本中自动地学习并揭示样本中所蕴含的非线性关系, 其对事物和环境具有很强的自学习、自适应、联想记忆、并行处理和非线性转换的能力[22]。

2.2 多层感知器神经网络模型建立流程

本次模型建立用到了统计学软件SPSS, 模型所含的人工神经网络模型主要有多层感知器和径向基函数(RBF)方法, 其中的多层感知器是一种前馈式有监督的机器学习方法, 多用于发现数据间极为复杂的关系[23]。

具体实现流程:首先将“ 试油结论” 移入因变量(输出层)中, 将分类变量“ 层位” 移入因子框中, 其他数值变量移入到协变量框中。因各输入变量量纲不同, 需对输入数据进行标准化处理。网络结构模型如图1所示, 模型包括1个输入层、1个隐藏层和1个输出层。输入层为孔隙度、含气饱和度、含水饱和度、束缚水饱和度、可动水饱和度、初始状态束缚水饱和度、初始状态可动水饱和度7个核磁共振录井测得的参数, 3个地层信息和1个偏置量, 共11个神经单元; 隐藏层包含6个神经单元; 输出层为气层、气水同层、含气层、水层4个神经单元。其隐藏层激活函数采用双曲正切函数, 输出层激活函数采用Softmax函数, 神经网络优化算法采用调整的共轭梯度算法。

图1 多层感知器网络结构

2.3 多层感知器神经网络模型建立

首次建立模型需要预防过度训练现象, 为此经过了多次训练确定本文样本分区。

选择苏里格气田南区有试气结论的核磁共振数据样本302组, 将其中157组(52%)作为多层感知器模型训练样本, 55组(18.2%)作为保持样本, 90组(29.8%)作为测试样本, 建立自学习多层感知器神经网络模型。利用训练样本在Softmax函数激活函数的作用下, 计算出隐藏层各神经元的键结值即代表相关联的两个变量之间的系数估计值(表1); 然后用已建立的多层感知器神经网络模型将3个分区样本进行交叉对比, 其横坐标为试气结论, 纵坐标为预测拟概率(图2)。观察预测图中多层感知器神经网络模型默认采用0.5为储集层含气性判别正确和错误概率分界。按照储集层含气性进行分组, 当任一类储集层含气性为预测目标时, 则其预测概率明显高于其他三类储集层含气性, 分类识别效果较好。同时, 由观察预测图可以看出每个分类数据都存在一定的异常值, 分析认为一方面可能是因为建模数据量少, 另一方面在钻取过程中因地层压力变化, 原始地层气体膨胀逸散, 导致核磁共振数据存在一定的异常值。因此, 在后期研究中可以考虑附加一个补偿系数恢复原始储集层含气量, 同时取样和测试过程中采用有效的保护而提高测试数据的准确性。

图2 观察预测图

表1 隐藏层神经元节点的键结值

由于输入层的自变量对模型输出的结论有重大影响, 多层感知器神经网络具有对自变量的重要性进行排序功能(图3)。从图3中看出孔隙度和层位影响程度最大, 其次是初始状态可动水饱和度、可动水饱和度、含气饱和度, 而初始状态束缚水饱和度、含水饱和度、束缚水饱和度对含气性识别影响较小。这也符合核磁共振弛豫时间T2谱图的一般规律特征, 可以说明已建立的多层感知器神经网络模型对储集层含气性判别的预测具备一定可信性。

图3 输入层参数重要性排序对比

2.4 多层感知器神经网络模型分类结果

建立的多层感知器神经网络模型对所有样本的储集层含气性识别结果见表2。训练集中有157个核磁共振样本, 其中154个样本被正确分类, 整体准确率达 98.1% , 2个气层误测为含气水层和水层, 1个水层误测为气层; 测试集中有55个核磁共振样本, 其中53个样本被正确分类, 整体准确率为96.3%, 1个气层误测为水层, 1个水层误测为气层; 保持样本集中有90个核磁共振样本, 其中82个样本被正确分类, 整体准确率为91.1%, 4个含气水层误判为气层和水层, 3个气层被分别误判为其他储集层含气性分类。整体上可以看出气层准确率判别相对较低, 分析原因可能是由于该区为低孔隙度、低渗透率、低压气藏, 储集层含气饱和度相对较低, 或者储集层样品中气体逸散, 使得气层预测相对准确率偏低。但是, 整体上建立的多层感知器网络模型对储集层含气性的识别预测效果较好, 基本实现了快速、有效预测低渗透率储集层含气性的目标。

表2 多层感知器神经网络训练、测试、保持结果分类
3 应用效果分析

以苏里格南区S 1井、S 2井两口井的盒8段和山1段共60组核磁共振录井数据为研究对象, 选择层位、孔隙度、初始状态束缚水饱和度、含气饱和度、含水饱和度、可动水饱和度、初始状态可动水饱和度、束缚水饱和度作为神经网络的输入层, 利用构建的多层感知器神经网络模型, 对储集层含气性进行预测。

S 1井30组气层中有2组数据误判为含气水层和水层, 13个含气水层中有2个含气水层误判为水层; S 2井17个水层中有1个误判为含气水层。相对试气结论55组样本被正确分类, 整体准确率达 91.7%(图4)。可见, 应用多层感知器神经网络模型得到的储集层含气性评价与试油结果具有较好的一致性, 取得的预测效果较为准确, 表明该方法能为储集层含气性评价提供可靠依据和技术支撑。

图4 核磁共振录井综合评价图

4 结论

基于核磁共振录井的测试参数, 利用多层感知器神经网络分析方法, 可对储集层含气性进行评价, 并在初步的模型应用中, 取得了较好的应用效果。本次建模选择有试气结论的核磁共振录井数据, 数据量相对较少, 随着数据量的增大, 多层感知器神经网络模型自学习能力越强, 模型越准确。

储集层含气性影响因素复杂, 不仅与岩石结构、物性、岩性、含油气性相关, 还与样品钻取和测试过程中气体逸散特性相关, 从而影响到数据的准确性和模型的预测精度, 下一步研究中可通过尝试附加一个补偿系数恢复原始储集层含气量, 以提高测试数据的准确性。也可以用核磁共振录井参数结合地化录井、地质信息等相关参数尝试进行模型建立, 进一步完善方法, 提高储集层含油气性预测准确率。

多层感知器神经网络能快速有效地进行储集层含气性评价, 同时还能确定各参与模型参数与储集层含气性的相关程度的大小, 为今后解释评价提供较好的参考。

(编辑 陈 娟)

参考文献
[1] 杨华, 付金华, 魏新善. 鄂尔多斯盆地天然气成藏特征[J]. 天然气工业, 2005, 25(4): 5-8.
YANG Hua, FU Jinhua, WEI Xinshan. Characteristics of natural gas accumulation in Ordos Basin[J]. Natural Gas Industry, 2005, 25(4): 5-8. [本文引用:2]
[2] 杜金虎, 李相博, 包洪平, 等. 鄂尔多斯盆地中新元古界-下古生界天然气成藏地质条件及勘探新领域[J]. 石油勘探与开发, 2019, 46(5): 820-835.
DU Jinhu, LI Xiangbo, BAO Hongping, et al. Geological conditions of natural gas accumulation and new exploration areas in the Mesoproterozoic to Lower Paleozoic of Ordos Basin, NW China[J]. Petroleum Exploration and Development, 2019, 46(5): 820-835. [本文引用:1]
[3] 徐艺嘉. 鄂尔多斯盆地苏里格气田召30井区盒8段高分辨率层序地层及沉积相特征研究[D]. 成都: 成都理工大学, 2016.
XU Yijia. Study on high-resolution sequence stratigraphy and sedimentary facies of He 8 section in Zhao 30 wellblock, Sulige Gas Field of Ordos Basin[D]. Chengdu: Chengdu University of Technology, 2016. [本文引用:1]
[4] 董桂玉. 苏里格气田上古生界气藏主力含气层段有效储集砂体展布规律研究[D]. 成都: 成都理工大学, 2009.
DONG Guiyu. Study on the distribution law of effective reservoir sand bodies in the main gas-bearing formation of the Upper Paleozoic gas reservoir in Sulige Gas Field[D]. Chengdu: Chengdu University of Technology, 2009. [本文引用:1]
[5] 谢庆宾. 苏里格气田中区砂体展布和储层综合评价研究[D]. 北京: 中国矿业大学(北京), 2011.
XIE Qingbin. Study on sand body distribution and comprehensive evaluation of reservoirs in the middle block of Sulige Gas Field[D]. Beijing: China University of Mining and Technology(Beijing), 2011. [本文引用:1]
[6] 张大帅. 苏里格南部上古生界沉积砂体展布特征[D]. 北京: 中国地质大学(北京), 2017.
ZHANG Dashuai. Distribution characteristics of sedimentary sand bodies of Upper Paleozoic in the southern Sulige[D]. Beijing: China University of Geosciences(Beijing), 2017. [本文引用:1]
[7] 黄勇. 鄂尔多斯盆地苏里格气田上古气藏储层特征研究[D]. 成都: 成都理工大学, 2003.
HUANG Yong. Research on characteristics of Upper Paleo-gas reservoirs in Sulige Gas Field in Ordos Basin[D]. Chengdu: Chengdu University of Technology, 2003. [本文引用:1]
[8] 付金华, 范立勇, 刘新社, 等. 鄂尔多斯盆地天然气勘探新进展、前景展望和对策措施[J]. 中国石油勘探, 2019, 24(4): 418-430.
FU Jinhua, FAN Liyong, LIU Xinshe, et al. New progresses, prospects and countermeasures of natural gas exploration in Ordos Basin[J]. China Petroleum Exploration, 2019, 24(4): 418-430. [本文引用:1]
[9] 陈全红. 鄂尔多斯盆地上古生界沉积体系及油气富集规律研究[D]. 西安: 西北大学, 2007.
CHEN Quanhong. Research on sedimentary systems and hydrocarbon enrichment of the Upper Palaeozoic of Ordos Basin[D]. Xi'an: Northwest University, 2007. [本文引用:1]
[10] 赵璐阳, 孙越, 赵自民, 等. 电阻率比值法在苏里格低电阻率气层测井解释中的应用[J]. 测井技术, 2018, 42(6): 689-694.
ZHAO Luyang, SUN Yue, ZHAO Zimin, et al. Application of resistivity ratio method in the evaluation of low resistivity gas layers in Sulige Gas Field[J]. Well Logging Technology, 2018, 42(6): 689-694. [本文引用:1]
[11] 张儒, 马炯. 榆林气田石英砂岩气层的测井方法识别评价研究[J]. 辽宁石油化工大学学报, 2019, 39(4): 65-71.
ZHANG Ru, MA Jiong. Identification and evaluation of logging methods for quartz sand stone gas reservoir in Yulin Gas Field[J]. Journal of Liaoning University of Petroleum & Chemical Technology, 2019, 39(4): 65-71. [本文引用:1]
[12] 高健. 鄂尔多斯盆地东部上古生界气水层气测综合解释研究[D]. 西安: 西安石油大学, 2010.
GAO Jian. Study on comprehensive interpretation of gas logging of Upper Paleozoic gas-water layer in eastern Ordos Basin[D]. Xi'an: Xi'an Shiyou University, 2010. [本文引用:1]
[13] 何羽飞. 苏里格气田东部致密气藏测井技术系列评价应用研究[D]. 西安: 西安石油大学, 2012.
HE Yufei. Study on the application of series evaluation of well logging technology for tight gas reservoirs in eastern Sulige Gas Field[D]. Xi'an: Xi'an Shiyou University, 2012. [本文引用:1]
[14] 薛媛. 苏里格西区气水层测井综合识别研究[D]. 西安: 西安石油大学, 2013.
XUE Yuan. Logging comprehensive recognition and research on gas-water layers of western Sulige Gas Field[D]. Xi'an: Xi'an Shiyou University, 2013. [本文引用:1]
[15] 赵全国, 鲁宝菊, 邱丙静, 等. 气测全烃区域标准化校正法在苏里格气田的应用[J]. 录井工程, 2017, 28(3): 100-103.
ZHAO Quanguo, LU Baoju, QIU Bingjing, et al. Application of regional stand ardization and calibration method for total hydrocarbon in Sulige Gas Field[J]. Mud Logging Engineering, 2017, 28(3): 100-103. [本文引用:1]
[16] 杜鹏, 姜绍芹, 田野, 等. 轻烃录井技术在苏里格天然气储集层解释评价中的应用[J]. 录井工程, 2016, 27(2): 46-51, 56.
DU Peng, JIANG Shaoqin, TIAN Ye, et al. Application of light hydrocarbon mud logging technology in Sulige natural gas reservoir interpretation and evaluation[J]. Mud Logging Engineering, 2016, 27(2): 46-51, 56. [本文引用:1]
[17] 王新玲. 轻烃分析技术在油气层评价中的应用研究[J]. 断块油气田, 2008, 15(2): 30-33.
WANG Xinling. Application of light hydrocarbon analysis technique in reservoir evaluation[J]. Fault-Block Oil & Gas Field, 2008, 15(2): 30-33. [本文引用:1]
[18] STEVEN K HL, THIAM G T, ANDREW V. An attractive raw deal-novel approach to Barton Oilfield water injection[C]//SPE Asia Pacific Conference on Integrated Modelling for Asset Management, March 29, 2004, Kuala Lumpur, Malaysia. [本文引用:1]
[19] 何月慧, 陈东, 张志攀, 等. 苏里格南区块测井物性解释模型的建立[J]. 录井工程, 2016, 27(4): 37-39.
HE Yuehui, CHEN Dong, ZHANG Zhipan, et al. Establishment of well logging physical property interpretation model in southern Sulige[J]. Mud Logging Engineering, 2016, 27(4): 37-39. [本文引用:1]
[20] 马素娟, 於凤芝. 苏里格低孔、低渗、低压气层评价方法研究及应用[J]. 国外测井技术, 2010, 30(6): 57-60.
MA Sujuan, YU Fengzhi. Evaluation method for gas layers of low porosity, low permeability and low pressure in Sulige[J]. World Well Logging Technology, 2010, 30(6): 57-60. [本文引用:1]
[21] 段新国, 衡勇, 王洪辉, 等. 苏里格气田南区上古气藏低阻气层形成机理[J]. 成都理工大学学报(自然科学版), 2015, 42(4): 427-434.
DUAN Xinguo, HENG Yong, WANG Honghui, et al. Genetic mechanism of Upper Paleozoic low resistivity gas reservoirs in southern Sulige Gas Field[J]. Journal of Chengdu University of Technology(Science & Technology Edition), 2015, 42(4): 427-434. [本文引用:1]
[22] 张涛, 张金功, 张小莉, 等. 基于元素组成的多层感知器神经网络岩性识别[J]. 地下水, 2016, 38(5): 107-109.
ZHANG Tao, ZHANG Jingong, ZHANG Xiaoli, et al. Lithology recognition of multi-layer perceptron neural network based on element composition[J]. Ground Water, 2016, 38(5): 107-109. [本文引用:1]
[23] 程子家. 大规模多层感知器神经网络的研究与应用[D]. 长春: 吉林大学, 2016.
CHENG Zijia. Research and application of large scale multi-layer perceptron neural network[D]. Changchun: Jilin University, 2016. [本文引用:1]