概率神经网络在低孔低渗油气层识别中的应用.doc

概率神经网络在低孔低渗油气层识别中的应用

摘要:针对低孔低渗储层物性差、孔隙结构复杂以及含水饱和度高等特点,为了解决利用测井资料进行低孔低渗储层流体性质准确识别较困难的问题,提出了一种概率神经网络判别解释方法。以中国西南某一低孔低渗气藏为例,结合试油资料,对不同流体性质的储层进行了测井响应特征分析,根据测井响应特征与流体性质的相关性对概率神经网络进行了训练,从而对该区储层流体性质进行了预测和识别。实际资料处理的结果表明:解释符合率显著提高,取得了较好的应用效果。

关键词:概率神经网络低孔低渗流体性质测井识别

1引言

低孔低渗储层由于孔隙结构复杂、孔隙间连通性差,往往驱替不充分,一般形成低饱和度油气层,又低孔低渗储层储集空间小,测井信息中来自流体的贡献少,导致测井对油气的敏感性降低,而储层岩性和孔隙结构的复杂性以及钻井液的侵入作用进一步掩盖或模糊了电阻率测井反映油气特征的能力[1-2]。这种类型的油气层,在电阻率曲线上常表现为油气层和水层的电阻率比较接近,直接根据电阻率测井值的大小将它们区分开较困难[3]。

概率神经网络是一种基于概率密度函数理论且泛化能力很强的神经网络,可以用这种网络来描述各种测井响应特征与流体性质之间的复杂关系,把低孔低渗储层分为气层、气水同层和水层,作为输出层;把控制因素作为输入层,对网络样本进行训练和学习,可以达到预测低孔低渗气层的目的。

2概率神经网络的理论基础

概率神经网络(ProbabilisticNeuralNetworks,PNN)由Specht于1990年提出,它是一种基于概率密度函数理论且泛化能力很强的神经网络,其本质上是对径向基函数神经网络的一种重要变形,具有计算复杂度低、结构简单等特性;在解决分类问题上,当训练样本数据足够多时,收敛于一个贝叶斯分类器,具有良好的泛化能力[4]。

概率神经网络是由输入层、隐含层和输出层组成的三层前向式网络,其结构如图1所示。设输入层有n个神经元,即x1,x2,…,xn;输出层有m个神经元,即y1,y2,…,ym;隐含层有1×m个神经元,分为m个类别,其中l为同类学习样本矢量个数。输入层与隐含层各神经元之间均有连接。输出层又称求和层,其每一个神经元代表一种模式类型,且只与属于自己类别的隐含层神经元相连接,而与隐含层的其它神经元没有连接。输出为相应神经元之间的加权和。隐含层与求和层以等权值连接来匹配概率。隐含层的基函数为高斯函数。输出层的传递函数为竞争函数,用其来寻找输入矢量中的最大元素,并把相应神经元的输出置为1,其余输出置为0。

学习训练过程如下:

①样本数据的标准化处理:对训练样本和检测数据要进行标准化处理,其中包含归一化处理,归一化公式如下:

4应用效果分析

为验证概率神经网络预测模型的准确性,提取了具有试油结论的10个层进行油气识别,这10个层未参与概率神经网络训练与学习。经过模型预测,预测的结果与试油结论相比,有8个层预测正确,2个层预测错误,符合率达到80%,预测效果良好,即可以用概率神经网络方法来识别低孔低渗气层。

5结语

低孔低渗储层由于复杂的孔隙结构、储层的非均质性以及高含水饱和度,导致常规测井识别方法很难有效对这类储层进行准确识别。概率神经网络能够描述低孔低渗储层流体性质与测井响应特征值之间的这种非线性关系,利用概率神经网络建立了油气层预测模型。对某区块的气层识别结果表明:符合率达80%,预测效果良好,可以用概率神经网络方法来识别低孔低渗气层。

参考文献

[1] 中国石油勘探与生产分公司.低孔低渗油气藏测井评价技术及应用[M].石油工业出版社,2009.

[2] 蒋凌志,顾家裕,郭彬程.中国含油气盆地碎屑岩低渗透储层的特征及形成机理[J].沉积学报,2004,22(1):13～17.

[3] 毕林锐.塔中志留系低孔低渗储层流体识别及产能评价方法研究[D]:[硕士学位论文].中国石油大学(北京),2004.

[4] 杜红斌,郭巧占.概率神经网络及其在储层产能预测中的应用[J].石油仪器,2005,19(4):54～56.