随钻测井中岩性识别方法的对比及应用_陈刚.pdf

第 46 卷 第 1 期 煤田地质与勘探 Vol. 46 No.1 2018 年 2 月 COAL GEOLOGY 2. Xi’an Research Institute, China Coal Technology and Engineering Group Corp., Xi’an 710077, China Abstract Lithology identification is the basis of ation recognition and reservoir parameter calculation, and the traditional lithology identification can not meet the needs of actual production because of the complexity and heterogeneity of sedimentary environment. Aiming at the problem of traditional identification such as the fault tolerance ability is poor, the degree of automation is low and the interpretation accuracy is low. By using the neural network autonomous learning prediction analysis , the comparison study of several popular lithologic identification s, a more suitable field practical was applied to the drilling system. The study found that in the case of the same prediction and well logging curve, the more the number of standard stratigraphic samples is, the higher the correct rate. By comparing probabilistic neural networks in the ap- plication in the production of better effect, the recognition accuracy rate was high, training and recognition time was the shortest, a high level of recognition can be still maintained when less logging data are got. Keywords LWD; lithology identification; neural network; PNN 岩性识别为储层评价及求取参数的第一步， 也是 其他储层信息获取的基础。 目前多种物探手段中， 主 要是依靠测井数据进行较深层位的岩性识别。 由于沉 积环境复杂性和真实地层分布非均质性， 传统的交会 图、 概率统计、 聚类分析等岩性识别方法不能满足测 井资料非线性多维空间的映射关系，识别精度有限， 无法满足实际生产需要[1]。随着计算机以及信息处理 技术的不断进步， 应用人工智能神经网络对测井数据 进行自动岩性预测识别， 神经网络模型具有较强的容 错能力， 能够提高岩性识别的自动化程度和解释精度 [2]。 M. Wolff 等[3]于 1982 年首次提出自动判定岩性方 法。此后，人工智能神经网络Artificial Neural Network在岩性识别方向蓬勃发展， 取得诸多新的突 破， 不仅能够自动化而且配合随钻测井装备达到实时 ChaoXing 166 煤田地质与勘探 第 46 卷 预测识别，为钻探地质导向提供技术支撑[4]。 随钻测井曲线通常在整体趋势上与有缆测井曲 线大致相同，但实际上还是存在区别，其影响主要 来源几方面 一是随钻测井探测器多安装在钻铤内， 钻铤壁厚及材质对探测效果影响很大；二是随钻测 井多用在大斜度井及水平井，地层解释模型不能再 近似为垂向对称径向均匀，且仪器相对直井而言很 难保持居中，因此测井曲线受影响较大；三是随钻 测井几乎不受泥浆入侵影响，但受泥浆液影响，例 如随钻自然伽马测井曲线随泥浆矿化度的增高伽马 值增大，针对这种情况，不同公司的测井仪器都有 不同校正模版。除此之外，随钻测井能够获得的测 量曲线较少，给测井解释也带来了新的挑战，为了 选择一种最佳岩性预测识别方法，将两种神经网络 方法以及两种非神经网络方法进行对比研究。 对比实验中每种方法使用同样的测井资料作为 样本，对相同的测井数据做预测识别，以检验识别 效果。选用 3 条曲线对比时采用伽马、电阻率、声 波曲线；选用 2 条曲线对比时采用伽马、电阻率曲 线。选择这几条曲线是因为它们所代表的物理量与 岩性密切相关，而且也是测井方法中最常用的测量 曲线， 以此对比拥有不同测井信息时预测效果差异。 文中样本回判指的是将已知岩性测井数据做样本训 练后，再对该样本进行预测；样本预测是指利用已 经训练好的模型对未知测井数据预测识别。 1 判识方法概述 1.1 SVM 支持向量机 支持向量机 SVMSupport Vector Machine在机 器学习领域属于有监督学习模型，通常用来进行回 归分析、分类、以及模式识别，是在近年来提出的 一种新方法[5]。SVM 的核心思想概括为对线性不 可分情况，通过使用非线性映射算法，将低维输入 空间线性不可分的样本转化为高维特征空间使其线 性可分，从而使得高维特征空间采用线性算法对样 本的非线性特征进行线性分析成为可能[6]。 利用 SVM 分类预测方法分别对 2 条和 3 条测 井曲线岩性识别 6 次，结果如图 1 所示，由图可知， 整体上预测和回判结果准确率，3 条曲线的比 2 条 曲线的高。但 3 条曲线回判准确率相同样本情况下 最大值与最小值相差近 9。回判的一致性略差。 1.2 PNN 概率神经网络 概率神经网络是基于统计原理的神经网络模 型，在分类功能上与最优 Bayes 分类器等价，其实 质是基于贝叶斯最小风险准则发展而来的一种并行 图 1 不同组测井曲线 SVM 分类预测对比 Fig.1 Comparison and prediction of SVM classification of different logging curves 算法，同时它不像传统的多层前向网络那样需要用 BPBack Propagation算法进行反向误差传播的计 算，而是完全前向的计算过程，它训练时间短、不 易产生局部最优，而且它的分类准确率较高，无论 分类问题多么复杂只要有足够多的训练数据，可以 保证获得贝叶斯准则下的最优解[7-8]。 利用 PNNProbabilistic Neural Network方法分别 对 2 条和 3 条测井曲线岩性识别 6 次，结果如图 2 所 示， 由图可知， 相同样本情况下， PNN 的一致性较好。 图 2 不同组测井曲线 PNN 分类预测对比 Fig.2 Comparison and prediction of PNN classification of different logging curves 1.3 Fisher 判别法 Fisher 判别法基本原理是通过某种方法将多维 空间中的点投影到低维空间中。核心思想是把高维 空间的点选择一个方向投影到一维空间中，在一维 空间中使同一类点的投影偏离程度即方差尽量 小，不同类的投影点偏离程度尽量大[9-10]。 利用 Fisher 判别法分别对 2 条和 3 条测井曲线 岩性识别 6 次，结果如图 3 所示，由于 Fisher 判别 法计算偏离方差是在一维空间，所以相同样本预测 准确率保持相同。 1.4 BP 神经网络 BPBack Propagation神经网络是前馈式反向传 播网络，由输入层、隐含层和输出层 3 部分构成， 学习过程包括正向传播及反向传播，网络实质为调 ChaoXing 第 1 期 陈刚等 随钻测井中岩性识别方法的对比及应用 167 图 3 不同组测井曲线 Fisher 分类预测对比 Fig.3 Comparison and prediction of Fisher classification of different logging curves 节层间的连接权值使网络学习且记忆样本集[11]。由 输入层经隐含层处理传向输出层为正向传播；误差 信号由输出层向输入层传播为反向传播，传播途中 会调整各层神经元阈值及连接权值，不断减小误差 信号，直到误差达到网络设置容许的最低值[12]。 利用 BP 方法分别对 2 条和 3 条测井曲线岩性识 别 6 次，结果如图 4 所示，由图可知，相同样本情况 下，6 次预测及回判结果的一致性都很差，3 条曲线 样本回判的准确率最大值与最小值相差近 18。 图 4 不同组测井曲线 BP 分类预测对比 Fig.4 Comparison and prediction of BP classification of different logging curves 2 判别方法对比 2.1 单井岩性识别对比 为了研究每种方法在不同条件下预测的效果， 选择 了高家堡矿区井段中砂岩、泥岩、煤、铝质泥岩4 个具 有代表性的层段来进行实验。选用相同数据做样本，训 练样本采用随机选择、人工筛选两种手段，采用相同归 一化方法，对相同的测井数据做岩性预测分析图 5。 由对比图 5 可知，SVM、PNN 两种分类预测方 法的识别效果最佳，预测准确率在 75以上。但是 SVM 的训练预测占用时间最长将近 20 min图 6。 各类预测识别方法的判别依据均是以现有数据 的学习和分析为基础，为了研究测井信息量影响， 将 2 条测井曲线与 3 条测井曲线的分类预测进行了 对比。对比结果如图 7 所示。 图 5 不同分类预测方法准确率对比 Fig.5 Accuracy comparison of different classification and prediction s 图 6 不同分类预测方法训练预测时间对比 Fig.6 Comparison of training and prediction time of different classification and prediction s 实验证明 SVM、PNN 在相同实验条件下预测 效果比 BP、Fisher 高出 1530。 2.2 区域岩性识别对比 通过黄陵矿 11 口井测井数据整理分析，利用 SVM、PNN、BP、Fisher 4 种分类预测方法对区 域岩性预测进行对比研究，试验中选择相同数据 做样本，采用相同归一化方法，并将原样本训练 数据，用训练好的网络对每种方法再进行反向回 判验证，其中测试层段岩性为粉砂岩、细砂岩、 泥岩、煤。 选用 2 条测井曲线为伽马电阻率；3 条测 井曲线为伽马电阻率声波。由图 8 实验结果可 知3 条侧井曲线预测准确率在 56.25～86.59， 2 条测井曲线预测准确率在 51.55～84.55，3 条 侧井曲线比2条测井曲线平均预测准确率高10左 右。3 条测井曲线 PNN 方法预测准确率平均值为 71.27，2 条测井曲线时 PNN 方法预测准确率平 均值为 63.73。对比结果如图 8 所示，综合准确 率、一致性及时效性考虑，选用 PNN 概率神经网 络更佳。 ChaoXing 168 煤田地质与勘探 第 46 卷 图 7 不同曲线及分类预测方法相同实验条件下准确率 对比 Fig.7 Accuracy comparison of different classification and prediction s for different curves under the same experi- mental conditions 图 8 黄陵矿区域岩性预测准确率对比 Fig.8 Huangling mining area lithology prediction accuracy comparison 3 PNN 方法应用及效果 利用区域性测井资料建立 PNN 岩性识别模型， 选取高家堡地区的 X04、X05 井段数据。X04 井深 为 940990 m，岩性以煤、泥岩、砂岩为主；X05 井深为 9901 025 m，岩性以煤、泥岩、砂岩为主。 两井岩性识别解释结果如图 9、图 10 所示。图中 图 9 X04 井岩性识别效果 Fig.9 Lithology recognition effect of well X04 图 10 X05 井岩性识别效果 Fig.10 Lithology recognition effect of well X05 ChaoXing 第 1 期 陈刚等 随钻测井中岩性识别方法的对比及应用 169 GR 表示伽马曲线、DT 表示声波时差曲线、RT 表 示电阻率曲线，岩性道为取心岩性资料，岩性识别 道为 PNN 分类预测解释结果。 将测井资料预测识别出来的煤层与岩性录井柱 状图做对比，可以看到，在煤层中效果很好，预测 识别的煤层与岩性录井柱状图中的煤层位置基本吻 合。在砂岩中，特别是泥质含量高的粉砂岩层段预 测识别效果会受影响，原因是由于泥质含量增加使 得伽马计数值增大，进而诱导神经网络误判，需要 结合更多测井资料综合分析。 4 结 论 a. 通过不同分类预测方法对比分析， BP、 Fisher 识别准确性略差， 但训练预测时间短； SVM、 PNN 2 种分类预测方法的识别效果最佳，单井和少数井范 围内预测准确率在 80以上，在整个区域范围内预 测准确率为 6575。 b. SVM 的训练预测占用时间最长，将近 20 min，考虑随钻测井的时效性及综合预测准确率，用 PNN概率神经网络更佳； 如不考虑时效因素情况下， 可采用 SVM 方法。 c. 利用 3 条和 2 条测井曲线做预测对比分析 时，两者预测效果接近，但整体来说仍是 3 条测井 曲线预测准确率略高。通过实践应用，在煤层中使 用效果显著，砂泥岩中会受影响，可见获得更多地 层物理信息有助于识别岩性， 当然考虑到其多解性， 是否曲线越多越好还需要再验证。 参考文献 [1] 李保霖. 基于测井数据的岩性识别方法研究[D]. 西安西安 科技大学，2012. [2] 刘明军， 李恒堂， 姜在炳. GA-BP 神经网络模型在彬长矿区测 井岩性识别中的应用[J]. 煤田地质与勘探， 2011， 394 8–12. LIU Mingjun，LI Hengtang，JIANG Zaibing. Application of Genetic-BP neural network model in lithology identification by logging data in Binchang mining area[J]. Coal Geology Ex- ploration，2011，3948–12. [3] WOLFF M，PELISSIER-COMBESCURE J. Faciolog-auto- matic electrofacies determination[C]//The SPWLA 23rd Annual Logging Symposium，Corpus Christi，Texas，USA，1982. [4] 王洪伟，杨光照，薜岩，等. 气测录井资料随钻自动实时解释 系统的研制与开发[J]. 录井工程，2012，23426–30. WANG Hongwei，YANG Guangzhao，BI Yan，et al. Research and development of LWD automatic and real-time interpretation system for gas logging ination[J]. Mud Logging Engineer- ing，2012，23426–30. [5] 易序峰，吴坚，喻高航. 基于自适应梯度算法的 SVM 核极 化参数选择方法[J]. 赣南师范学院学报，2015，366 23–27. YI Xufeng， WU Jian， YU Gaohang. Parameter selection of RBF sernel using kernel polarization by an adaptive gradient [J]. Journal of Gannan Teachers’ College，2015，366 23–27. [6] 赵丹. SVM 核函数与选择算法[J]. 数字技术与应用，20149 226. ZHAO Dan. SVM kernel function and selection algorithm[J]. Digital Technology and Application，20149226. [7] 李经伟， 张文丽， 申利刚. 概率神经网络在白洋淀水质评价中 的应用[J]. 中国农村水利水电，2011225–27. LI Jingwei，ZHANG Wenli，SHEN Ligang. Application of probabilistic neural networks in baiyangdian’s water quality uation[J]. China Rural Water and Hydropower，20112 25–27. [8] 飞思科技产品研发中心. 神经网络理论与 MATLAB 7 实 现[M]. 北京电子工业出版社，2005. [9] 刘跃辉，范翔宇，赵建，等. 基于 FISHER 判别法的储层流体 识别方法[J]. 石油工业计算机应用，2014433–35. LIU Yaohui，FAN Xiangyu，ZHAO Jian，et al. Reservoir fluid identification based on fisher discriminant [J]. Computer Applications of Petroleum，2014433–35. [10] 张妲妤. Fisher 判别法在产能预测中的应用[J]. 绥化学院学 报，2014，293178–180. ZHANG Hengyu. The application of Fisher in the production forecast[J]. Journal of Suihua University，2014，293 178–180. [11] 张辉，高德利. 钻井岩性实时识别方法研究[J]. 石油钻采工 艺，2015，27113–15. ZHANG Hui，GAO Deli. for real-time lithology iden- tifying while drilling[J]. Oil Drilling Production Technology， 2015，27113–15. [12] 张立明. 人工神经网络的模型及其应用[M]. 上海复旦大学 出版社，199232–51. 责任编辑 聂爱兰 ChaoXing