引用本文
张文颖, 袁胜斌, 陈伟, 韩学彪, 刘永华. BP神经网络模型在元素-矿物转换中的应用[J]. 录井工程, 2023,34(3): 1-6.
ZHANG Wenying, YUAN Shengbin, CHEN Wei, HAN Xuebiao, LIU Yonghua. Application of BP neural network model in element-mineral conversion[J]. Mud Logging Engineering, 2023,34(3): 1-6.
Doi:10.3969/j.issn.1672-9803.2023.03.001  
Permissions
Copyright©2023, 《录井工程》杂志社
《录井工程》杂志社 所有
BP神经网络模型在元素-矿物转换中的应用
张文颖, 袁胜斌, 陈伟, 韩学彪, 刘永华
中法渤海地质服务有限公司

作者简介：张文颖 工程师,1987 年生,2011 年毕业于中国石油大学（华东）固体地球物理学专业,硕士学位,现在中法渤海地质服务有限公司从事录井解释评价工作。通信地址：300450 天津市滨海新区开发区信环西路19 号天河科技园1 号楼3 层。电话：13920289356。E-mail：zhangwy@cfbgc.com

收稿日期: 2023-04-12
摘要

XRF元素录井与XRD全岩矿物分析录井在岩性识别、潜山界面卡取、储层精确评价等油气勘探过程中发挥着越来越重要的作用。XRD全岩矿物分析录井可直接获得矿物含量,但是样品制作相对复杂、周期较长,故在实际勘探钻井中XRF元素录井应用更为广泛,但是仅依靠XRF元素录井得不到单矿物的含量,不能精准得到目的层矿物的类型。利用测井中的氧闭合模型思路,将XRF元素录井得到的元素转化为氧化物,依据氧闭合模型对XRF元素录井数据进行校正。据此利用渤海某区块的XRF元素录井和XRD全岩矿物分析录井数据,根据XRF元素录井测量的元素含量计算氧化物含量,依据氧闭合模型对元素氧化物含量进行校正,并将校正后的元素数据作为输入,XRD全岩矿物分析录井测量的矿物含量作为输出,用BP神经网络模型多次训练,建立了该地区元素和矿物之间的转换关系,用于对实际数据进行分析,元素恢复矿物符合率达到80%以上。

关键词: BP神经网络; 元素录井; 氧闭合模型; 元素矿物转换; 全岩录井
中图分类号:TE132.1 文献标志码:A
Application of BP neural network model in element-mineral conversion
ZHANG Wenying, YUAN Shengbin, CHEN Wei, HAN Xuebiao, LIU Yonghua
China France Bohai Geoservices Co.,Ltd.,Tianjin 300450, China
Abstract

XRF element logging （XRF for short） and XRD whole rock minerl analysis logging（XRD for short） play increasingly important roles in oil and gas exploration process such as lithology identification buried hill interface capture, accurate reservoir evaluation and so on. XRD can directly obtain mineral content, but sample preparation is relatively complex and the cycle is long, so XRF is widely used in actual exploration drilling. However, only relying on XRF can not get the content of single mineral, and can not accurately get the mineral type of target layer. Using the idea of oxygen closure model in well logging, the elements obtained from XRF are transformed into oxides, and the XRF data can be corrected according to oxygen closure model. In this paper, the data of XRF and XRD in a block of Bohai Sea are used： calculating the oxide content according to the element content measured by XRF, correcting the element oxide content according to the oxygen closure model, taking the corrected element data as input and the mineral content measured by XRD as output. The conversion relationship between elements and minerals in this area is established by training with BP neural network model for many times, which is used to analyze the actual data. The coincidence rate of elements recovering minerals is over 80%.

Keyword: BP neural network; XRF; oxygen closure model; element-mineral conversion; XRD
0 引言

元素与岩性、矿物含量的关系是地层岩性识别及矿物计算的基础。依据准确的地层矿物含量可以对储层进行更准确的评价和预测。在常规构造识别以及岩性勘探和非常规勘探中, 矿物含量准确计算都发挥着重要作用, 因此XRF元素录井与XRD全岩矿物分析录井技术在岩性识别、潜山界面卡取、储层精确评价等油气勘探过程中的作用不容小觑。XRD全岩矿物分析录井可直接获得矿物含量, 但是存在样品制作相对复杂、周期长等缺点, 在实际勘探钻井中XRF元素录井应用更为广泛, 但是依靠XRF元素录井无法得到单矿物含量, 不能精准判断目的层矿物的类型。如何将XRF元素录井得到的元素更为准确地转化为矿物含量值得探讨和研究。

本文应用氧闭合模型, 对XRF元素录井得到的元素数据进行校正, 将校正后的元素数据作为输入, XRD全岩矿物分析录井测量的矿物含量作为输出, 采用BP（back propagation）神经网络模型对校正后的元素数据与XRD全岩矿物分析录井测量的矿物数据进行多次训练, 建立元素和矿物之间的转换关系, 并在渤海探区某区块进行了应用。

1 X射线录井

X射线录井技术是基于X射线的一种光学分析方法, 依据分析方式分为光谱分析法和非光谱分析法。光谱分析法是利用样品与辐射能作用后, 分子或原子发生能量跃迁而产生的发射、吸收或散射的波长或强度进行分析的方法, 常用的是XRF元素录井; 非光谱分析法是测量分析样品与辐射相互作用时辐射性质（如折射、散射、干涉、衍射和偏振等）变化的方法, 录井中常用的是XRD全岩矿物分析录井[1]。

XRF元素录井是对岩屑样品中的12种造岩元素（Mg、Al、Si、P、S、Cl、K、Ca、Ba、Ti、Mn、Fe）的含量进行检测分析, 用来识别岩性、判断地层, 制作录井岩性剖面图, 其优点是快速、无损、分析准确, 分析周期较短[2, 3]。XRF元素录井有效解决了钻井岩屑细碎, 无法识别岩性、判断层位及岩性描述失准、储层地质评价受影响等难题。XRD全岩矿物分析录井连续采集分析岩屑样本的矿物相对含量, 对比标准图谱, 定量化识别石英、长石、方解石、白云石、云母、蒙脱石等近30种矿物成分, 已经成为中深层地层界定和岩性判断的重要手段[4, 5, 6]。

2 氧闭合模型

氧化物闭合模型（简称氧闭合模型）是元素测井中进行数据校正的一种方法。地层中一定体积内所有元素的氧化物的重量百分数之和为1, 这是氧闭合模型的研究基础[7, 8, 9]。若所研究地层中有n种元素, 通过化学式计算其元素氧化物, 那么氧闭合公式为：

∑i=1nWOi=1（1）

WOi=FXiYi（2）

式中： WOi为第i种元素对应的氧化物百分含量, %; F为归一化因子（该因子是深度的函数）; Xi为第i种元素的氧化物指数（由元素和氧化物的化学式计算得到）; Yi为由XRF元素录井得到的第i种元素的含量, %。

XRF元素录井是对X射线辐射后分子或原子发生能量跃迁而产生的发射、吸收或散射的波长或强度进行分析, 因此对于小分子量Na元素的测定准确度不高。为了研究的准确性, 本文对敏感元素Na进行BP神经网络回归, 与其他主要元素的氧化物进行100%闭合处理, 计算出地层闭合因子, 即归一化因子F, 进而对元素含量进行校正。

Wi=FYi（3）

式中： Wi为校正后地层元素含量, %。

3 BP神经网络模型在元素-矿物转换中应用
3.1 BP神经网络

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络, 近年来在石油勘探领域应用较为广泛[10, 11, 12]。人工神经网络不需要确定的数学方程来约束输入输出之间的映射关系, 而是通过自身数据的多次训练, 建立某种学习规则, 最终建立模型。通过模型可以在给定输入值时预测出最接近期望的输出值。

对XRF元素录井得到的元素数据与XRD全岩矿物分析录井得到的矿物数据进行分析发现, 多种元素和矿物的对应关系并不都是线性的, 依靠人工很难完美地构建出符合条件的拟合函数。因此本文利用BP神经网络进行元素到矿物回归, 进而通过元素预测矿物含量。

BP神经网络包括输入层、隐层和输出层3层结构, 是基础网络结构, 其基本思想是梯度下降法, 利用梯度搜索技术, 以期使网络的实际输出值和期望输出值的均方误差为最小, 计算过程由正向计算过程和反向计算过程组成。正向传播过程的输入模式是从输入层经隐层逐层处理, 并转向输出层, 每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出, 则转入反向传播, 将误差信号沿原来的连接通路返回, 通过修改各神经元的权值, 使得误差信号最小。若输入数据X的个数为N, 输入数据的维度为D, 隐层节点的个数为D1, 那么输入数据X大小为D× N, 输出数据Y大小为1× N（图1）。

图1 BP神经网络结构示意

整体的目标函数就是均方误差：

MSE=[f（X）-Y]2 （4）

其中（激活函数 tansig可以自行设定）：

f（X）=purelin[W2· tansig（W1+b1）+b2] （5）

激活函数tansig（X）选用如下函数：

tansig（X）=2/[1+exp（-2X）]-1 （6）

式中：W1为输入层到隐层的权值, 大小为D1× D; b1为隐层的偏置, 大小为D1× D; W2为输入层到隐层的权值, 大小为1× D1; b2为隐层的偏置, 大小为1× 1。

通过给定训练数据与训练标签来训练网络的权值与偏置, 进一步得到拟合函数f（X）。因此, 当需要进行新数据预测时, 直接将新数据 X1代入公式（5）, 令Y=f（X1）=purelin（X1）, 即可得到预测的结果。

3.2 元素含量向矿物含量转换

李舟波等研究认为：元素含量向矿物含量的转化关键在转换关系选取[13]。矿物成分的分子式和前人的研究验证表明, 黏土矿物与Al元素、石英与Si元素、碳酸盐岩与Ca元素、铁矿类与Fe元素, 这些矿物含量和元素含量都有很好的正相关性[14]。这是用元素含量来求取对应矿物含量的基础。

本文用BP神经网络模型元素含量求取对应的矿物含量, 公式（5）中的 f(X)即为需要得到的元素和矿物之间关系的拟合函数, 数据X即为氧闭合模型校正后的元素含量, 输出Y为矿物含量。训练数据包括氧闭合模型校正后的元素数据和XRD全岩矿物分析录井所得到的矿物数据。

4 实际数据分析与应用
4.1 氧闭合模型校正元素含量

XRF元素录井对于小分子量Na元素的测定准确度不高, 但是Na元素是钠长石和黏土矿物的重要组成部分, 故有必要得到更准确的Na元素含量。研究采用氧闭合模型校正元素氧化物含量, 采用BP神经网络模型通过Al2O3、K2O和SiO2含量恢复Na2O含量（Al、K和Si原子量较大, 地层含量高, 测量结果更准确）。表1为渤海地区某井XRF元素录井的部分元素百分含量（部分沉积岩数据）。由于氧闭合模型是针对氧化物进行闭合, 由表1中元素含量通过元素与其氧化物的关系计算出对应深度的氧化物含量, 根据氧闭合模型计算出地层闭合因子, 对元素氧化物含量进行校正。以MATLAB数学建模软件作为工具, 多次训练得到BP神经网络模型, 图2为BP神经网络模型恢复Na2O含量结果与实测对比, 红色线是BP神经网络模型恢复的Na2O含量, 蓝色线是实验室测定的Na2O含量, 两者相似系数0.914, 数据趋势一致, 整体吻合度较高, 表明采用BP神经网络模型预测的结果可信度较高。

表1 渤海地区某井XRF元素录井部分元素百分含量

图2 BP神经网络模型恢复Na2O含量结果与实测对比

用氧闭合模型得到的地层闭合因子与XRF元素录井数据（表1元素数据）相乘, 即对元素含量进行校正, 得到校正后的元素数据（表2）。

表2 渤海地区某井氧闭合模型校正后部分元素百分含量
4.2 通过元素回归预测矿物含量

通过Mg、Si、Fe、Ca等元素的含量可以求取黏土矿物的含量, 同样可以选用几种主要元素来回归石英和长石的含量。

研究区同时应用XRD和XRF的井共5口, 选取其中4口井作为训练数据。以氧闭合模型校正后的元素作为输入, 矿物含量作为BP神经网络模型训练的目标。首先依据岩性对数据分类, 本文主要研究的是沉积岩, 因此选用砂泥岩数据。主要步骤如图3所示。

图3 BP神经网络模型通过元素预测矿物含量的步骤

（1）Romanovsky法剔除数据异常点。

（2）计算元素氧化物, 依据氧闭合模型计算地层闭合因子对元素进行校正。

（3）选定元素和矿物用BP神经网络多次训练, 得到相似系数高、集体均方误差相对小的BP神经网络模型。

（4）已知元素含量, 用BP神经网络模型预测矿物含量。

黏土矿物恢复选取其中含量较高的Mg、Al、Si、K和Fe共5种元素作为样本, 长石矿物和石英矿物则以Al、Si和K这3种元素作为样本。

图4、图5、图6给出了BP神经网络模型元素预测矿物的结果, 蓝色曲线为XRD全岩矿物分析录井实验室测得的矿物含量, 红色曲线为BP神经网络模型预测结果。BP神经网络模型预测黏土矿物与实验室测得结果的相似系数为0.823 4, 预测长石含量与实验室测得结果的相似系数为0.928 1, 预测石英含量与实验室测得结果的相似系数为0.908 8。长石与石英的元素构成相对简单, BP神经网络模型预测的准确度相对高, 伊利石、蒙脱石和绿泥石均属于黏土矿物, 元素构成相对复杂, 预测准确度相对低。

图4 BP神经网络模型元素预测黏土矿物结果对比

图5 BP神经网络模型元素预测长石结果对比

图6 BP神经网络模型元素预测石英结果对比

最后, 利用上述方法得到的BP神经网络模型对研究区另一口井的元素进行矿物恢复（该井的数据没有参与训练, 假设为未知井）, 结果如图7所示, 红色虚线为XRD全岩矿物分析录井实验室测得的数据, 蓝色实线为其他4口井训练的BP神经网络模型预测数据。

图7 渤海地区某井BP神经网络模型元素恢复矿物结果对比

结果表明BP神经网络模型预测的矿物结果与XRD全岩矿物分析录井测得的数据吻合较好, 相对变化关系准确。

5 结论

采用BP神经网络模型进行多次训练, 建立元素和矿物之间的转换关系, 对于成分相对简单的矿物, BP神经网络模型预测的准确度更高。

BP神经网络算法有如下特点：一是先验信息不可或缺, 所以必须当某一地区同时有XRF和XRD井数据时, 才可以使用本文提到的方法预测; 二是需要有足够多的样本做支撑, 样本数量越多, 训练的模型准确度越高; 三是BP神经网络模型需要多次训练, 最终选择拟合效果和相似系数比较高、总均方误差小的参数模型。

氧闭合模型在XRF元素录井中可以有效应用, 进一步校正XRF元素录井得到的元素含量, 更接近地层含量的真实值。XRF元素录井的元素含量数据通过BP神经网络模型可以预测出矿物含量, 这为后续的岩性识别和储层评价提供了更多的依据, 尤其对于变质岩, 通过元素无法进行识别, 通过矿物可以有效识别。

(编辑 陈 娟)

参考文献
[1] 占蓉, 邹筱春, 李芳. 随钻X线衍射分析录井技术应用研究[J]. 录井工程, 2012, 23(4): 1-5.
ZHAN Rong, ZOU Xiaochun, LI Fang. Application and research of the logging technology for X -ray diffraction analysis while drilling[J]. Mud Logging Engineering, 2012, 23(4): 1-5. [本文引用:1]
[2] 方锡贤. X射线衍射全岩矿物分析录井技术应用拓展[J]. 录井工程, 2016, 27(1): 14-18.
FANG Xixian. Mud logging technology of X-ray diffraction whole rock mineral analysis[J]. Mud Logging Engineering, 2016, 27(1): 14-18. [本文引用:1]
[3] 赵利娟. X射线荧光元素录井技术标准应用方法研究[J]. 中国石油和化工标准与质量, 2017, 37(10): 146-147.
ZHAO Lijuan. Study on application method of X-ray fluorescence element logging technical stand ard[J]. China Petroleum and Chemical Stand ard and Quality, 2017, 37(10): 146-147. [本文引用:1]
[4] 余意, 倪朋勃, 王建立, 等. 元素录井技术在渤中A区块潜山界面卡取中的应用[J]. 录井工程, 2021, 32(1): 33-38.
YU Yi, NI Pengbo, WANG Jianli, et al. Application of element logging in the determination of buried hill interfaces in Bozhong A block[J]. Mud Logging Engineering, 2021, 32(1): 33-38. [本文引用:1]
[5] 胡云, 谭忠健, 张建斌, 等. 岩屑成分分析在渤中19-6潜山界面识别中的应用[J]. 中国海上油气, 2020, 32(6): 70-76.
HU Yun, TAN Zhongjian, ZHANG Jianbin, et al. Application of cuttings composition analysis in identification on BZ 19-6 burial hill surface[J]. China Offshore Oil and Gas, 2020, 32(6): 70-76. [本文引用:1]
[6] 陈伟, 倪朋勃. 元素录井技术在岩性识别及地层界面卡取中的应用[J]. 中国石油和化工标准与质量, 2022, 42(6): 190-191.
CHEN Wei, NI Pengbo. Application of element logging technology in lithology identification and formation interface determination[J]. China Petroleum and Chemical Stand ard and Quality, 2022, 42(6): 190-191. [本文引用:1]
[7] 郭睿. 元素俘获能谱测井矿物计算方法研究[D]. 西安: 西安石油大学, 2017.
GUO Rui. Study on mineral calculation method of element capture energy spectrum logging[D]. Xi'an: Xi'an Shiyou University, 2017. [本文引用:1]
[8] 匡立春, 王振林, 孙仲春, 等. 氧闭合模型的构建方法及氧闭合模型的应用方法: 201410850434. 0[P]. 2016-07-27.
KUANG Lichun, WANG Zhenlin, SUN Zhongchun, et al. Construction method of oxygen closure model and application method of oxygen closure model: 201410850434. 0[P]. 2016-07-27. [本文引用:1]
[9] 于静, 王伟, 王振林, 等. 一种基于多元回归分析的元素测井氧闭合模型[J]. 粘接, 2020, 2(42): 44-48.
YU Jing, WANG Wei, WANG Zhenlin, et al. An oxygen closure model of element logging based on multiple regression analysis[J]. Adhesion, 2020, 2(42): 44-48. [本文引用:1]
[10] 王娜娜. 神经网络在测井岩性识别中的应用[D]. 北京: 北京化工大学, 2009.
WANG Nana. Application of neural network in logging lithology identification[D]. Beijing: Beijing University of Chemical Technology, 2009. [本文引用:1]
[11] 杨辉. 致密砂岩天然气储层的测井识别与评价及BP与SA混合算法在测井中的应用[D]. 长春: 吉林大学, 1998.
YANG Hui. Logging identification and evaluation of tight sand stone natural gas reservoir and application of BP and SA hybrid algorithm in logging[D]. Changchun: Jilin University, 1998. [本文引用:1]
[12] 刘天时, 赵越, 马刚. 基于BP神经网络的油气钻井成本预测[J]. 西安石油大学学报(自然科学版), 2010, 25(1): 87-90.
LIU Tianshi, ZHAO Yue, MA Gang. Prediction of oil and gas drilling cost based on BP neural network[J]. Journal of Xi'an Shiyou University(Natural Science Edition), 2010, 25(1): 87-90. [本文引用:1]
[13] 李舟波, 王祝文. 科学钻探中的元素测井技术[J]. 地学前缘, 1998, 5(1-2): 119-130.
LI Zhoubo, WANG Zhuwen. Technique of elemental logging in science drilling project[J]. Earth Science Frontiers, 1998, 5(1-2): 119-130. [本文引用:1]
[14] 孙建孟, 姜东, 尹璐. 地层元素测井确定矿物含量的新方法[J]. 天然气工业, 2014, 34(2): 42-47.
SUN Jianmeng, JIANG Dong, YIN Lu. A method for determining mineral content by formation element logging[J]. Natural Gas Industry, 2014, 34(2): 42-47. [本文引用:1]