地面自然伽马曲线正演模型的高分辨率研究

２００８年２月　国外测井技术　Ｆｅｂ．２０ｏ８　第２３卷第１期　Ｗ０ＲＬＤ　ＷＥＬＬ　Ｌ０ＧＧＩＮＧ　ＴＥＣＨＮＯＬＯＧＹ　Ｖ０ｌ、２３　Ｎ０、ｌ　地面自然伽马曲线正演模型的高分辨率研究　王静谈德辉　苏波　（西南石油大学四川成都６１０５００）　摘　要：岩心描述资料、地面自然伽马曲线资料与井下自然伽马曲线资料三者进行一定程度上的　刻度对应后，再结合ＢＰ神经网络构建出比较合理的正演模型，此模型用于其它非取心井的自然伽　马曲线预测，把预测出的具有较高分辨率并能够反映出薄互层的自然伽马曲线最后应用于测井精　细解释，再结合其它测井曲线，能够分辨出厚度为０，３米或０，４米的薄储层，从而在一定程度上达到　提高常规测井纵向分辨率的目的。　关键词：地面自然伽马曲线；正演模型；ＢＰ神经网络；高分辨率；测井精细解释　０引　言　１地面自然伽马正演模型的建立　随着油田勘探开发的深入，不少油田中厚油层　１．１岩心刻度地面自然伽马曲线　的开采已进入中后期，薄层成为挖潜增产的重要对　首先，把地面自然伽马曲线与取心井的岩性描　象。同时需要对薄层做好测井评价，为薄层的进一步　述进行小层对比，分析后发现地面自然伽马曲线所　发现和开采做好准备。从实际情况来说，薄层由于受　分辨出的岩性在进行适当的岩心归位后能够较好地　围岩影响，薄层测井信号通常会产生不同程度的　与岩性描述中的岩性对应上，而井下自然伽马曲线　“畸变”或“淹没”，导致薄层、薄互层测井解释成为　由于纵向分辨率过低，不能准确分辨出岩性描述中　测井解释的难题。目前常规测井方法及解释软件都　的薄层。由图１可以看出，地面自然伽马曲线与０．０５　不能有效解决薄油气层的评价问题。其根本原因在　米一个记录点的岩性描述对应后能够较好地分辨出　于薄储层的厚度远小于多数测井仪器的分辨率，深　薄互层。　探测测井仪（如深感虚，深侧向）的纵向分辨率低，　蔓　皇姜　岫　草　而纵向分辨率高的测井仪器（如密度）探测深度较　ｉ　茹　慧Ｉ．蝴　浅，提高曲线的纵向分辨率与提高探测深度是矛盾　的，也就是说现有的常规测井响应不能反映薄储层　的真实情况。　目前解决薄层洲井评价的方法包括两个方面：　一是研究新的探洲方法或引进高分辨率测井仪器；　二是充分利用现有的测井资料，研究出提高常规洲　井纵向分辨率的各种处理方法。从理论上讲，要根本　解决薄储层的ｆ！Ｊ！ＩＪ井评价问题第一种方法最直接最有　效。本文分析、讨论后一种方法，即根据现有测外资　料通过提高洲井ｆｍ线纵向分辨率的处　来评价某油　图ｌ　井某油组地面自然伽马曲线建模前效果图　田薄油气储层、　如图１所示：Ａ井在ｌ３０２．０８—１３０４．０４米层段，岩　维普资讯 http://www.cqvip.com 第２３卷・第１期　地面自然伽马曲线正演模型的高分辨率研究　心描述为灰绿色泥岩与粉砂岩薄互层，在地面自然　伽马曲线上对应的深度段能分辨出相应的砂泥岩薄　互层，但是井下自然伽马曲线却被拉直，从而不能准　确地反映出该段的岩性。由此可以看出，地面自然伽　ｘｙ　＝Ｆ（　）　１　（１）　式中：Ｘ／＝∑％　，　ｍ』　：　（１一　）；ｂ从训练集中　．　马曲线的纵向分辨率确实要高于井下自然伽马曲　线，这一点为下一步进行代表性选点建立正演模型　取一训练对，把输入矢量作为网络的输入；Ｃ计算网　络输出矢量；ｄ计算输出矢量与所希望的矢量的差　奠定了较好的基础。　１．２地面自然伽马刻度井下自然伽马　在把岩心与地面自然伽马曲线进行刻度后，可　以看出二者是基本吻合的。因此可以运用高分辨率　的地面自然伽马来刻度井下自然伽马，以达到提高　井下自然伽马分辨率识别薄互层的目的。本次地面　自然伽马正演模型研究我们运用ＢＰ神经网络建模　软件对高分辨率的地面自然伽马进行记忆、学习，再　运用学习的模型来提高井下自然伽马的分辨率。　①ＢＰ神经网络原理　人工神经网络是由大量的神经元互联组成，模　拟大脑神经处理信息的方式并对信息进行并行处理　和非线形转换的系统。通过样本信息对神经网络的　训练，使其具有与大脑相类似的记忆、辨识能力。按　照网络的拓扑结构和运行方式，神经网络可分为没　有反馈的前向网络和相互结合性网络。前向网络由　输入层，中间层（隐含层）和输出层组成，中间层还　可有若干层，每层的神经元只接受前一层的输出。　ＢＰ网络是一种单向传播的多层前向网络，解决　了多层网络中隐含单元连接权的学习问题，如图２所　一　：　不。　输入层　中问层　输出层　图２　ＢＰ神经网络模型　ＢＰ算法是一个有监督训练多层神经网络算法，　每一训练对（输入和输出）在网络中经过两遍传递　计算：第一遍向前传播计算，从输入层开始，经多层　传递、处理，产生一个输出，求出该计算输出与希望　输出之间的误差矢量；第二遍反向传播计算，从输出　层至输入层，利用误差矢量对权值进行逐层修改。训　练过程如下：　ａ将网络的权值全部初始化（一般设置为小的　随机数），规定特征函数，要求特征函数可微，一股　取Ｓ形函数：　异；ｅ从输入矢量反向计算到第一中间层，向减小差　异的方向调整网络权值；ｆ对训练集中的每一训练对　重复上述②～⑤步，直到整个训练集的差异最小，满　足用户要求为止。　权值调整方程为：　，（ｎ＋１）＝　，（ｎ）＋ｑＳｊｘｆ　（２）　式中：ｃｏｏ（ｎ），神经元ｉ￣ｌＪｊ的第ｎ次变更的权值，ｏ　ｘｉ　，　神经元ｉ的输入；－ｑ，学习率常数；８　，神经元ｊ的差　值。　‘　这里，ＢＰ算法采用的是差异平方和Ｅ＝　∑（ｘ　一　）：　使Ｅ向减小最快的方向进行，一般沿梯度方向搜索。　为了使整个训练集的差异最小，必须使全网络　平均差异平方和最小。　去　（　一　（３）　Ｐ为训练对的个数。　②地面伽马曲线与井下伽马曲线的刻度　在地面自然伽马建模中，首先选择出测井取心　段资料里被离散成０．０１米采样间隔且与岩心描述岩　性对应较好的井下自然伽马曲线点样值，再使用选　出的样点值运用ＢＰ神经网络进行取心段地面自然　伽马曲线正演模型的构建，最后使用构建出的正演　模型对全井段的非取心层段进行模型预测，从预测　出的自然伽马曲线的效果来看，确实在纵向分辨率　上高于原始的井下自然伽马曲线。其效果如图３所　不。　图３　Ａ井某油组地面自然伽马曲线建模后效果图　维普资讯 http://www.cqvip.com

国外测井技术　２００８矩　由于神经网络学习边界条件，构建了３个正　演模型，由此可根据测井自然伽马值的大小选择不　３正演模型实例应用　同模型预测出自然伽马曲线。　从图６所示的Ａ井某油组预测模型效果图中可以　２地面自然伽马正演模型的建立　根据前面对储层的认识，在几口取心井中分岩　看出，此油组的取心部分用神经网络预测出的自然　伽马曲线的纵向分辨率比测井自然伽马曲线的分辨　率有一定程度的提高，是能够分辨出薄互层的。可以　看出，自然伽马曲线呈“尖峰状”的峰值处对应的岩　性、物性、含油性原则选取了６００个建模样本，用ＢＰ　神经网络对地面自然伽马曲线进行建模、学习。地　层为较明显的薄地层。如ｉ２９５．８—１２９６．１米取心层段，　面自然伽马曲线的建模输入层样本主要选取洲井取　岩心描述为含钙细砂岩，从测井响应中可以看出，砂　心段资料里被离散成０．０１米采样问隔且与岩心描述　岩受钙质胶结和嗣岩的影响，其特征值为：自然伽马　岩性对应较好的井下自然伽马曲线点样值，然后运　值平均为６９ＡＰＩ，密度值平均为２．　ｃｍ］，电阻率平　用ＢＰ神经网络进行地面自然伽马正演模型的构建，　均值１．２９ｎ・ｍ，测井曲线特征值显示为钙质砂岩，这　利用所建好模型对全井段非取心层段进行地面自然　与岩心描述较为吻合。　伽马曲线的样本预测，得到自然伽马曲线的预测值　登　精帮辐－　（ＧＲＡ）。如图４所示为Ａ井预测效果相关性分析，其　譬　一　一　一　１．一：　一　测井值（ｃＲ）和预测值（ＧＲＡ）的相关系数为０．９３８，相　关性较好；图５为Ａ井地面ＧＲ与预￣ＩＪＧＲ相关性分析，　其地面自然伽马值（ＤＧＲ）和预测值（ＧＲＡ）的相关系　数分别为０．７７，相关性同样较好。　≥　｜｜　尹砦　、　疗螽　ｉ　图６　Ａ井某油组预测模型效果图　利用构建的地面自然伽马曲线模型预测出Ｂ井　的自然伽马曲线ＧＲＡ，并用于该井解释中，图７是Ｂ　、　＊　井所得测井解释成果图中的一段。　圈４　Ａ井井下ＧＲ与预测ＧＲＡ交会圈　Ｇ　一　“　赢　。。　～…‘～　一　～ｒ　一一　～　一　～一ｒ一。。～　…　一　囱７　Ｂ井某油组测井解释成果图　一Ｉ：　Ｉ。　一－一　罐鞫　图７中第一道为泥值指示曲线道，其中ＧＲＡ（自　图５　Ａ井地面ＤＧＲ与预测（　ＲＡ相关性　然伽马预测曲线）是根据模　构建（下转第２７页）　维普资讯 http://www.cqvip.com 第２３卷・第１期　火山岩含气储层有效孑Ｌ隙度确定方法　以徐深６０３井为例，由图１可见，气饺正后的核　磁一密度孔隙度值与岩心杆状图吻合很好。　图２深层火山岩储层核磁一密度　与岩心分析有效孔隙度精度对比　孔隙度，可以消除含气影响，提高了有效孔隙度解释　图１　徐深６０３井核磁一密度孔隙度与岩心对比图　精度。　３．２误差分析　（３）核磁一密度测井确定有效孔隙度方法对于　该方法解番　＿『徐深气田火山岩储层８口井ｌ７层，　类似复杂岩性含气储层具有借鉴意义。　将核磁一密度孔隙度与岩心分析孔隙度对比（图　２），其岩心分析有效孔隙度平均为８．４％，核磁一密　参考文献：　．　度孔隙度平均为８．０％，相对误差为７．９％。精度与常　［１１肖立志，１核磁共振测井资料解释及应用导论，北京：石油工　规测井曲线相比显著提高，满足储量规范要求。　业出版社，２００１　Ｉ２】肖立志，核磁共振成像测并与岩石核磁共振及应用，ｊＥ京　４结　论　科学出版社，１９９８　【３】车文华、顾伟康，用核磁测井资料评价岩石孑Ｌ径分布，江汉　（１）核磁共振测井确定火山岩储层有效孔隙度　石油学院学报，１９９８　【４１王忠东、蒋中华，核磁测井在火成岩储层解释评价中的应　克服了常规测井解释模型受岩性影响的不足。　用研究，测井技术。２００５　（２）核磁一密度测井结合计算火山岩储层有效　（上接第１６页）的测井曲线。从四性关系图中可以看　参数应尽量选取有代表性的值，只有参数选取正确，　出，在１　１５９．５—１　１５９．８米的测井响应特征为：自然伽马　所建模型才能更好的反映各参数之间的关系，构建　值为４３—５３ＡＰＩ，平均值５０ＡＰＩ；在１１６１—１１６１．７ｆｌｒ￣的测　出较为真实的测井曲线。从所构建测井曲线在实际　井响应特征为：自然伽马值为４３—５２ＡＰＩ，平均值　测井解释中的效果来看，ＢＰ神经网络构建测井曲线　４８ＡＰＩ；在１　１６９．４—１　１６９．９米的测井响应特征为：自然　用于测井解释是切实可行的。　伽马值为４３—５３ＡＰＩ，平均值４９ＡＰＩ；在１１７２．１—１１７２．６　米的测井响应特征为：自然伽马值为３８—４７ＡＰ！，平均　参考文献：　值４２ＡＰＩ。从图中可以看出，自然伽马曲线呈“尖　【１］雍世和、张超谟等，测井数据处理与综合解释，石油大学出　峰”状的峰值处对应的岩层为较明显的薄地层，且　版社。１９９６　使用建模出的ＧＲＡ曲线在一定程度上可以有效的提　［２】谈德辉，测井地质学，西南石油学院教材，１９９３　高储层的纵向分辨率，并且分辨出了０．３米厚的砂岩。　［３］李井辉等，基于ＢＰ＿｝申经网络的储层参数计算，开发应用，　２０００　４结　论　［４］伍丽红、罗利等，ＢＰ神经网络在储量计算中的应用，天然　气：【：业，２００２　［５］李晓光等，神经网络储层预测技术在ＨＣ地区的应用，石油　综上所述，在利用ＢＰ神经网络理论构建测井曲　物探，１９９６　线时，建模的正确是关键。在建模的过程中，输入层