神经网络在石油测井解释中的应用综述.pdf

书书书 第２ ５卷 第５期 ２ ０ １ ０年１ ０月（ 页码１ ７ ４ ４～１ ７ ５ １） 地 球 物 理 学 进 展 Ｐ Ｒ Ｏ Ｇ Ｒ Ｅ Ｓ Ｓ Ｉ Ｎ Ｇ Ｅ Ｏ Ｐ ＨＹ Ｓ Ｉ Ｃ Ｓ Ｖ ｏ ｌ ． ２ ５，Ｎ ｏ ． ５ Ｏ ｃ ｔ ． ２ ０ １ ０ 赵军龙， 李 纲， 麻平社， 等．神经网络在石油测井解释中的应用综述．地球物理学进展，２ ０ １ ０，２ ５（５） １ ７ ４ ４～１ ７ ５ １，Ｄ Ｏ Ｉ１ ０． ３ ９ ６ ９／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ４  ２ ９ ０ ３． ２ ０ １ ０． ０ ５． ０ ３ ０． Ｚ ｈ ａ ｏＪＬ，Ｌ ｉＧ，Ｍ ａＰＳ，犲 狋犪 犾．Ｔ ｈ ｅａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎｏ ｆｎ ｅ ｔ ｗ ｏ ｒ ｋｔ ｅ ｃ ｈ ｏ ｎ ｏ ｌ ｏ ｇ ｙｔ ｏｐ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍｌ ｏ ｇ ｇ ｉ ｎ ｇｉ ｎ ｔ ｅ ｒ ｐ ｒ ｅ ｔ ａ ｔ ｉ ｏ ｎ ．犘 狉 狅 犵 狉 犲 狊 狊 犻 狀 犌 犲 狅 狆 犺 狔 狊．（ｉ ｎＣ ｈ ｉ ｎ ｅ ｓ ｅ） ，２ ０ １ ０，２ ５（５） １ ７ ４ ４～１ ７ ５ １，Ｄ Ｏ Ｉ１ ０． ３ ９ ６ ９／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ４  ２ ９ ０ ３． ２ ０ １ ０． ０ ５． ０ ３ ０． 神经网络在石油测井解释中的应用综述 赵军龙１， 李 纲 １， 麻平社 ２， 巩泽文 １， 蒙灵飞 １， 李 甘 １ （１．西安石油大学， 油气资源学院， 西安７ １ ０ ０ ６ ５； ２．中国石油测井有限公司长庆事业部， 西安７ １ ０ ２ ０ １） 摘 要 常规测井解释往往通过“ 四性关系” 研究建立储层参数解释模型， 将测井信息转化成地质参数开展储层评 价， 但对于复杂岩性储层、 低渗低阻等储层而言， 将测井信息转化为储层参数及利用测井曲线开展储层评价往往存在 多解性．作为一种非线性数学方法， 神经网络具有多信息融合、 综合预测的功能， 在解决一些复杂、 非线性问题领域展 示了强大的生命力．将神经网络引入石油测井解释中， 综合利用多种测井信息开展岩性、 物性及含油性分析， 可有效 提高石油测井解释的精度和效率； 利用神经网络技术开展流体性质识别和储层裂缝研究可有效破解此类世界性难 题．为此， 本文对神经网络技术在石油测井解释中的应用进行了综述， 并对应用中应注意的事项进行分析， 最后进行 了应用展望． 关键词 神经网络， 测井解释， 综述， 注意事项， 展望 Ｄ Ｏ Ｉ１ ０． ３ ９ ６ ９／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ４  ２ ９ ０ ３． ２ ０ １ ０． ０ ５． ０ ３ ０ 中图分类号 Ｐ ６ ３ １ 文献标识码 Ａ 犜 犺 犲犪 狆 狆 犾 犻 犮 犪 狋 犻 狅 狀狅 犳狀 犲 狋 狑 狅 狉 犽狋 犲 犮 犺 狅 狀 狅 犾 狅 犵 狔 狋 狅 狆 犲 狋 狉 狅 犾 犲 狌 犿犾 狅 犵 犵 犻 狀 犵 犻 狀 狋 犲 狉 狆 狉 犲 狋 犪 狋 犻 狅 狀 Ｚ ＨＡＯＪ ｕ ｎ  ｌ ｏ ｎ ｇ １， Ｌ ＩＧ ａ ｎ ｇ １， ＭＡＰ ｉ ｎ ｇ  ｓ ｈ ｅ ２， ＧＯＮＧＺ ｅ  ｗ ｅ ｎ １， ＭＥ ＮＧＬ ｉ ｎ ｇ  ｆ ｅ ｉ １， Ｌ ＩＧ ａ ｎ １ （１．犛 犮 犺 狅 狅 犾 狅 犳狆 犲 狋 狉 狅 犾 犲 狌 犿狉 犲 狊 狅 狌 狉 犮 犲 狊，犡 犻 ′ 犪 狀犛 犺 犻 狔 狅 狌犝 狀 犻 狏 犲 狉 狊 犻 狋 狔，犡 犻 ′ 犪 狀７ １ ０ ０ ６ ５，犆 犺 犻 狀 犪； ２．犆 犺 犪 狀 犵 狇 犻 狀 犵犇 犻 狏 犻 狊 犻 狅 狀， 犆 犺 犻 狀 犪犘 犲 狋 狉 狅 犾 犲 狌 犿犔 狅 犵 犵 犻 狀 犵犆 犗．犔 犜犇．，犡 犻 ′ 犪 狀７ １ ０ ２ ０ １，犆 犺 犻 狀 犪） 犃 犫 狊 狋 狉 犪 犮 狋 Ｂ ｙｍ ｅ ａ ｎ ｓｏ ｆ ｆ ｏ ｕ ｒ  ｐ ｒ ｏ ｐ ｅ ｒ ｔ ｙｒ ｅ ｌ ａ ｔ ｉ ｏ ｎｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ，ｌ ｏ ｇ ｇ ｉ ｎ ｇｄ ａ ｔ ａ ｉ ｓ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ ｅ ｄ ｉ ｎ ｔ ｏｒ ｅ ｓ ｅ ｒ ｖ ｏ ｉ ｒｇ ｅ ｏ ｌ ｏ ｇ ｙｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ｉ ｎｔ ｈ ｅｃ ｏ ｎ ｖ ｅ ｎ ｔ ｉ ｏ ｎ ａ ｌ ｌ ｏ ｇ ｇ ｉ ｎ ｇｉ ｎ ｔ ｅ ｒ ｐ ｒ ｅ ｔ ａ ｔ ｉ ｏ ｎ ．Ｈ ｏ ｗ ｅ ｖ ｅ ｒ，ｔ ｈ ｅ ｒ ｅｉ ｓａ ｍ ｂ ｉ ｇ ｕ ｉ ｔ ｙｉ ｎｔ ｈ ｅｅ ｖ ａ ｌ ｕ ａ ｔ ｅ ｒ ａ ｔ ｉ ｏ ｎｏ ｆｃ ｏ ｍ ｐ ｌ ｅ ｘｌ ｉ ｔ ｈ ｏ ｌ ｏ ｇ ｙ ｒ ｅ ｓ ｅ ｒ ｖ ｏ ｉ ｒ ｓａ ｎ ｄｂ ａ ｄｐ ｅ ｒ ｍ ｅ ａ ｂ ｉ ｌ ｉ ｔ ｙａ ｎ ｄｌ ｏ ｗｒ ｅ ｓ ｉ ｓ ｔ ｉ ｖ ｉ ｔ ｙｒ ｅ ｓ ｅ ｒ ｖ ｏ ｉ ｒ ｓ ．Ｔ ｈ ｅｎ ｅ ｔ ｗ ｏ ｒ ｋｈ ａ ｓｔ ｈ ｅｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎｏ ｆｍ ｕ ｃ ｈｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ａ ｍ ａ ｌ ｇ ａ ｍ ａ ｔ ｉ ｏ ｎａ ｎ ｄｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ ａ ｌ ｌ ｙｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎａ ｎ ｄｄ ｉ ｓ ｐ ｌ ａ ｙ ｓ ｔ ｈ ｅ ａ ｃ ｔ ｉ ｖ ｅｖ ｉ ｔ ａ ｌ ｉ ｔ ｙｏ ｆ ｒ ｅ ｓ ｏ ｌ ｖ ｉ ｎ ｇｃ ｏ ｍ ｐ ｌ ｅ ｘａ ｎ ｄｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒｐ ｒ ｏ ｂ ｌ ｅ ｍ ｓ ． Ｔ ｈ ｅａ ｃ ｃ ｕ ｒ ａ ｃ ｙａ ｎ ｄｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙｏ ｆ ｌ ｏ ｇ ｇ ｉ ｎ ｇｉ ｎ ｔ ｅ ｒ ｐ ｒ ｅ ｔ ａ ｔ ｉ ｏ ｎｗ ｏ ｕ ｌ ｄｂ ｅｅ ｎ ｈ ａ ｎ ｃ ｅ ｄｗ ｈ ｅ ｎｔ ｈ ｅｎ ｅ ｔ ｗ ｏ ｒ ｋｉ ｓｕ ｓ ｅ ｄｉ ｎｔ ｈ ｅａ ｎ ａ ｌ ｙ ｚ ｉ ｎ ｇ ｌ ｉ ｔ ｈ ｏ ｌ ｏ ｇ ｙａ ｎ ｄｐ ｈ ｙ ｓ ｉ ｃ ａ ｌｐ ｒ ｏ ｐ ｅ ｒ ｔ ｉ ｅ ｓａ ｎ ｄｏ ｉ ｌ  ｂ ｅ ａ ｒ ｉ ｎ ｇ ． Ｔ ｈ ｅｗ ｏ ｒ ｌ ｄｐ ｒ ｏ ｂ ｌ ｅ ｍｗ ｏ ｕ ｌ ｄｂ ｅｓ ｏ ｌ ｖ ｅ ｄｗ ｈ ｅ ｎｔ ｈ ｅｎ ｅ ｔ ｗ ｏ ｒ ｋ ｉ ｓａ ｐ ｐ ｌ ｉ ｅ ｄｔ ｏ ｆ ｌ ｕ ｉ ｄｐ ｒ ｏ ｐ ｅ ｒ ｔ ｙｉ ｄ ｅ ｎ ｔ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎａ ｎ ｄｔ ｈ ｅｒ ｅ ｓ ｅ ｒ ｖ ｏ ｉ ｒｆ ｒ ａ ｃ ｔ ｕ ｒ ｅｓ ｔ ｕ ｄ ｙ ．Ｔ ｈ ｉ ｓｐ ａ ｐ ｅ ｒｐ ｒ ｅ ｓ ｅ ｎ ｔ ｓａｒ ｅ ｖ ｉ ｅ ｗａ ｎ ｄｔ ｈ ｏ ｕ ｇ ｈ ｔ ｓｏ ｎｔ ｈ ｉ ｓ ａ ｓ ｐ ｅ ｃ ｔ，ａ ｎ ｄｄ ｉ ｓ ｃ ｕ ｓ ｓ ｉ ｔ ｓａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ． 犓 犲 狔 狑 狅 狉 犱 狊 ｎ ｅ ｔ ｗ ｏ ｒ ｋ，ｌ ｏ ｇ ｇ ｉ ｎ ｇ ｉ ｎ ｔ ｅ ｒ ｐ ｒ ｅ ｔ ａ ｔ ｉ ｏ ｎ，ｒ ｅ ｖ ｉ ｅ ｗ，ｎ ｏ ｔ ｉ ｃ ｅｍ ａ ｔ ｔ ｅ ｒ，ｆ ｏ ｒ ｅ ｃ ａ ｓ ｔ 收稿日期 ２ ０ ０ ９  ０ ９  ２ ８； 修回日期 ２ ０ ０ ９  １ ２  ２ ９． 基金项目 陕西省工业攻关计划基金项目（２ ０ ０ ９ Ｋ １ ０  １ ５） 资助． 作者简介 赵军龙， 男，１ ９ ７ ０年生， 陕西长安人．副教授， 博士， 西安石油大学教师， 主要从事矿产与能源地球物理研究． （Ｅ  ｍ ａ ｉ ｌｚ ｊ ｌ １ ９ ７ ０＠１ ６ ３． ｃ ｏ ｍ） ０ 引 言 测井信息包含着丰富的地质信息， 不同的测井 系列和测井曲线从不同的角度来反映和揭示同一个 地质对象特性．常规石油测井解释常常基于“ 四性关 系” 研究成果， 建立储层参数转换模型， 将测井信息 转换成泥质含量、 孔隙度、 渗透率、 含油饱和度等相 关地质参数开展储层评价［ １］， 但对于复杂岩性储集 ５期 赵军龙， 等 神经网络在石油测井解释中的应用综述 层、 低渗特低渗及低阻等储层而言， 将测井信息转化 为储层参数及利用测井曲线开展储层评价往往存在 多解性． 大量的勘探开发实践、 理论及科研证实了地下 储层的非均质性和测井对储层特性响应的非线性， 因此从非线性测井响应中提取非均质性地层的储层 特性日益成为测井分析家面对的前沿课题［ ２］． 神经 网络技术是一门非线性智能信息处理技术， 基于神 经网络技术的石油测井解释不需要建立测井解释方 程， 不需要繁琐的参数选取工作， 不需要对测井数据 进行泥质和油气影响校正， 既能利用数值信息、 又能 综合专家知识［ ２～５］， 解释范围和解释效率将有效提 高．前 人 就 神 经 网 络 在 石 油 测 井 解 释 中 应 用 研 究［ ２～７］发表的成果主要体现为 （ １） 岩性解释、 岩相识别 ［８～１ ３］． （ ２） 储集层参数解释 ［１ ４～１ ６］． （ ３） 储层流体性质识别 ［１ ７～２ ２］． （ ４） 低阻及裂缝研究 ［２ ３～２ ６］． （ ５） 地层压力计算和预测 ［２］等方面． 为了全面、 深入回顾分析神经网络技术在石油 测井解释中的应用， 科学有效地将神经网络技术应 用于石油测井解释， 提高储层评价效果、 破解石油测 井解释中的难题， 本文为此做了初步探索． １ 神经网络原理 １． １ 犅 犘网络基本原理 目前， 在人工神经网络的实际应用中， 绝大部分 的神 经 网 络 模 型 都 采 用Ｂ Ｐ网 络 及 其 变 化 形 式［ ２ ７～２ ９］． Ｂ Ｐ网络是一种具有三层或三层以上神经 元的多层前向网络， 它也是神经网络的核心部分， 体 现了人工神经网络的精华， 这里作为神经网络的典 型代表介绍． Ｂ Ｐ网络的前一层的输出是后一层的输 入； 前、 后层之间的各神经元实现全互连接， 而每层 内各神经元之间没有连接， 网络按有导师学习的方 式进行训练．当把一对训练模式提供给网络后， 网络 先进行输入模式的正向传播过程， 输入模式从输入 层经隐含层处理向输出层传播， 并在输出层的各神 经元获得网络的输出．当网络输出与期望的目标输 出模式之间误差大于目标误差时， 网络训练转入误 差反向传播过程， 从输出层经隐含层修正各个神经 元的权值， 最后回到输入层， 再进行输入模式正向传 播过程．这两个传播过程在网络中反复运行， 使网络 误差不断减小， 从而网络对输入模式响应的正确率 也不断提高， 当网络误差不大于目标误差时， 网络训 练结束． １． ２ 犅 犘网络结构 Ｂ Ｐ神经网络属于前馈神经网络， 具有前馈神经 网络基本结构． Ｂ Ｐ神经网络经常具有多层结构， 其 中间部分称为隐含层［ ２］． 这些隐含层经常使用Ｓ形 神经元， 输出层则使用线性神经元．这样的多层神经 网络能够学习输入和输出之间的非线性关系， 而且 线性的输出层保证了网络的输出具有－１到１之外 的范围［ ２］． 如果要使网络的输出落在０和１之间， 输 出层就要使用对数Ｓ形神经元．这样的Ｂ Ｐ神经网 络可以逼近任何的连续函数， 如果隐含层包含足够 多的神经元， 则可以逼近任何具有有限断点的非连 续函数． Ｂ Ｐ网络的神经元激活函数可以是双曲正切 Ｓ型函数、 对数Ｓ型函数、 线性函数、 阶梯函数和斜 坡函数． １． ３ 训练模式 当神经网络权值和阈值初始化以后， 就可以对 网络进行训练．在训练过程中， 网络的权值和阈值被 反复地调整， 以减少网络性能函数ｎ ｅ ｔ ． ｐ ｅ ｒ ｆ ｏ ｒ ｍ Ｆ ｃ ｎ 的值， 直到达到预先要求［ ３ ０，３ １］． Ｂ Ｐ神经网络的ｎ ｅ ｔ ． ｐ ｅ ｒ ｆ ｏ ｒ ｍ Ｆ ｃ ｎ的缺省值是ｍ ｓ ｅ网络输出和目标输 出的均方误差． Ｂ Ｐ神经网络的训练同样可以使用函 数ｔ ｒ ａ ｉ ｎ（） 和ａ ｄ ａ ｐ ｔ（）．函数ｔ ｒ ａ ｉ ｎ（） 是通过调用参 数ｎ ｅ ｔ ． ｐ ｅ ｒ ｆ ｏ ｒ ｍ Ｆ ｃ ｎ设定的训练函数来实现网络训 练的， 而且训练的方式由参数ｎ ｅ ｔ ． ｔ ｒ ａ ｉ ｎ Ｐ ａ ｒ ａ ｍ的值 来确定．而 函 数ａ ｄ ａ ｐ ｔ（） 是 通 过 调 用 参 数ｎ ｅ ｔ ． ａ ｄ ａ ｐ ｔ Ｆ ｃ ｎ设定的训练函数来实现网络训练的， 训练 的方式由参数ｎ ｅ ｔ ． ｔ ｒ ａ ｉ ｎ Ｐ ａ ｒ ａ ｍ的值确定．在Ｂ Ｐ神 经网络的训练算法中， 都是通过计算函数的梯度， 再 沿负梯度方向调整权值和阈值， 从而使性能函数达 到最小． ２ Ｂ Ｐ神经网络在石油测井解释中的应用 ２． １ 在测井资料标准化方面的应用 目前， 测井资料标准化的方法很多， 归纳起来 有 测井曲线迭加法、 岩心孔隙度检验法、 同类测井 曲线对比法、 标准层测井响应对比法、 测井参数二、 三维交会图法、 均值方差法、 克里金变异函数法、 趋 势面分析法等．这些方法多为手工校正法， 各有其优 缺点． 神经网络（ＡＮＮ） 与传统方法相比， 表现出 （ １） 能够识别带有噪声或变形的输入模式． （ ２） 具有很强的自适应学习能力， 通过对样本的 学习， 掌握模式变换的内在规律， 进行判别分类和参 ５４７１ 地 球 物 理 学 进 展 ２ ５卷 数预测． （ ３） 能够把识别预测处理和若干预处理融合在 一起进行， 识别速度快、 预测精度高等特点［ ２，２ ８］． 测井资料标准化实质上就是识别资料真伪、 估 算测井值标准化校正量．为此， 用改进的Ｂ Ｐ神经网 络法可以研究和解决测井资料标准化这一重要而复 杂的问题． 在实际处理过程中， 在人工干预下， 自动选取标 准层并统计标准层某测井读值．在反复试验、 多方优 选网络结构及参数的基础上， 选用使用层状结构的 三层Ｂ Ｐ网络， 可以获得较好的学习效果和建立较 高精度的测井资料标准化模型．其实际Ｂ Ｐ网络如 图１所示． 夏宏泉等（ １ ９ ９ ６） 从神经网络的结构、 功能和特 点及学习规则出发， 探讨了应用神经网络进行测井 资料标准化的可行性， 并以Ｓ地区沙三段三孔隙度 测井资料为应用实例， 采用Ｂ Ｐ神经网络技术对其 进行了标准化分析校正， 处理效果令人满意． 图１ 研究采用的神经网络模型（ 引自文献［２ ８］ ） Ｆ ｉ ｇ ． １ Ｔ ｈ ｅｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋｍ ｏ ｄ ｅ ｌ ｆ ｏ ｒ ｔ ｈ ｅｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ（ｆ ｒ ｏ ｍ［２ ８］ ） ２． ２ 在岩性识别和划分方面的应用 测井曲线的差异主要取决于岩性， 即决定于组 成岩石的矿物成分、 结构和岩石孔隙中所含流体的 性质．不同测井曲线对于岩性和地层有不同区分度． 对岩性反应灵敏的测井曲线有自然伽马、 自然电位、 井径及岩石体积密度等．常规测井曲线识别岩性的 技术关键是基于岩石体积物理模型， 建立测井曲线 和岩性的关系模型， 利用测井曲线直接计算岩性．其 弊端为难以有效揭示岩性纵向细微变化． 神经网络技术用于岩性识别的主要做法［ ９，１ １］ 是 首先要选取同一区块上具有较完整测井和岩性 剖面资料的已钻关键井， 从测井资料中选择与岩性 相关的测井参数来指示岩性， 并对其进行归一化后 作为岩性识别模型的输入， 然后在分析研究区块内 岩样和测井曲线参数对应特征的基础上， 划分研究 区块岩样岩性， 并对其进行岩性编码作为岩性识别 模型的输出．图２为岩性识别流程图， 训练完成后即 可用于同一区块其它井的岩性识别． 图２ 岩性识别流程图（ 引自文献［９］ ） Ｆ ｉ ｇ ． ２ Ｆ ｌ ｏ ｗｄ ｉ ａ ｇ ｒ ａ ｍｏ ｆ ｔ ｈ ｅ ｌ ｉ ｔ ｈ ｏ ｌ ｏ ｇ ｉ ｃ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ（ｆ ｒ ｏ ｍ［９］ ） ２． ３ 在储层孔隙度解释中的应用 用神经网络法来解释测井孔隙度， 就是寻求测 井信息与孔隙度参数之间的一种非线性映射或拟 合， 主要就是通过给定的训练样本集进行学习得到 一种解释模型， 对未知井进行孔隙度预测［ １ ４，１ ６，２ ４］． 网 络输出层单元只有一个， 就是期望输出孔隙度， 一般 是岩心分析实测数值（ 归一化）．网络输入层单元是 一些与孔隙度关系密切的测井曲线， 可以通过观察 岩心分析孔隙度与测井曲线的统计关系来确定孔隙 度与测井曲线的密切程度．在网络结构、 输入曲线、 输出单元以及训练算法确定以后， 下步任务就是准 备训练样本的过程．样本的准确性是决定网络解释 和预测结果的关键因素．计算孔隙度的Ｂ Ｐ网络孔 隙度模型实例见图３． 王娜娜等（ ２ ０ ０ ８） 通过修正系统误差改进了传统 的Ｂ Ｐ算法， 改进后的Ｂ Ｐ算法具有收敛速度快的特 点．在此基础上， 利用多种测井解释数据及岩心分析 资料作为网络训练样本， 通过网络的训练、 学习， 建 立了Ｂ Ｐ网络孔隙度模型， 并利用该模型预测该地 区新井的孔隙度值， 并证明用该模型进行孔隙度预 测不仅可行， 而且具有一定的优越性． ２． ４ 在流体识别方面的应用 油气水层识别是油气测井评价的重要内容， 是 ６４７１ ５期 赵军龙， 等 神经网络在石油测井解释中的应用综述 将测井信息还原为地质信息， 体现测井解释成果和 应用价值的高级阶段， 它将直接影响油气勘探的效 率和成功率［ ２］． 对于目前复杂的岩性地层、 裂缝性储 层、 低孔渗、 低电阻率等类型储层的油气评价， 常规 测井解释技术力不从心．神经网络的自学习、 自联 想、 无固定模型特征， 更适合于从庞杂的各种信息中 对复杂系统做出（ 无模型） 综合模式评判． 图３ 预测孔隙度的神经网络模型（ 引自文献［２ ４］ ） Ｆ ｉ ｇ ． ３ Ｔ ｈ ｅｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋｍ ｏ ｄ ｅ ｌ ｆ ｏ ｒ ｐ ｏ ｒ ｏ ｓ ｉ ｔ ｙｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ（ｆ ｒ ｏ ｍ［２ ４］ ） 油水层识别是个综合过程， 具有许多直接或间 接反映油、 气、 水层的测井信息、 储层参数信息和岩 性信息、 录井信息， 如何选择使用这些信息并确定油 气水层神经网络输入层信息的过程， 也就是要求神 经网络能从输入信息中挖掘和总结出油、 气、 水层的 规律和特征［ ２，１ ４～１ ９］． 测井曲线反映了储层内流体性 质，Ａ Ｃ、Ｄ Ｅ Ｎ、Ｃ Ｎ Ｌ和Ｒ Ｔ曲线对油、 气、 水不同流 体的性质表现出一定程度的差异和规律．在油气水 层识别网络中， 网络的输入信息均取地层的层特征 值， 即“ 层孔隙度值” 、 “ 层测井值” ， 这就要求在挑选 学习样点或预测处理前对输入信息曲线进行自动分 层技术和模糊逻辑划分系统， 依照油气水层是识别 任务要求获得对应分辨率的层测井值和层储集参数 值［ ２］． 首先建立研究区孔隙度和渗透率神经网络解 释模型， 并对各口井解释处理， 得到了高精度孔隙 度、 渗透率预测曲线， 然后利用自动分层取值法提取 测井曲线和孔隙度曲线的层特征值， 从中选取典型 学习样本， 建立油层、 油水层、 水层、 干层４种输出类 型的神经网络识别模型， 最后对待处理口井进行判 别预测． 张柏元（ ２ ０ ０ ２） 、 杨斌（２ ０ ０ ５） 、 李操（２ ０ ０ ７） 、 田冷 （ ２ ０ ０ ８） 、 陈蓉（２ ０ ０ ９） 、 郭立新（２ ０ ０ ９） 等将改进的Ｂ Ｐ 网络用于含油性评价、 产能预测取得了满意的效果． 值得指出， 利用Ｂ Ｐ网络进行油气层识别时， 若要提 高训练速度和输出精度， 则必须对其进行改进． ２． ５ 在裂缝识别方面的应用 将Ｂ Ｐ神经网络用于裂缝识别， 可以有效提高 裂缝识别的效率和精度．其识别的关键是样本的选 取及网络的优化．选取本地区最能反映裂缝发育的 曲线参数值， 通过调整网络的权值和阈值， 使误差达 到最小， 从而提高识别精度［ ２ ３，２ ５，２ ６］． 实际中， 可针对具体地区选取反映裂缝特征的 数条常规测井曲线建立样本模式， 提取曲线异常值， 进行归一化处理， 使输入输出值限定在［ ０，１］ ， 使网 络更适合训练［ ２ ３］． 选取研究区裂缝比较发育的样本 组成学习样本集， 用Ｂ Ｐ神经网络学习程序进行学 习， 经过多次迭代， 得到学习结果， 其样本平均误差 低， 学习精度较高， 预测准确率高［ ２ ３］． 应用神经网络 技术进行裂缝常规测井识别， 为裂缝识别评价提供 了一种新的方法和手段， 在成像测井资料及岩心样 品有限的情况下， 具有极其重要的意义．网络模型实 例见图４． 图４ 用于裂缝识别的神经网络模型（ 引自文献［２ ３］ ） Ｆ ｉ ｇ ． ４ Ｔ ｈ ｅｎ ｅ ｕ ｒ ａ ｌｎ ｅ ｔ ｗ ｏ ｒ ｋｍ ｏ ｄ ｅ ｌ ｆ ｏ ｒ ｐ ｏ ｒ ｏ ｓ ｉ ｔ ｙｐ ｒ ｅ ｄ ｉ ｃ ｔ ｉ ｏ ｎ（ｆ ｒ ｏ ｍ［２ ３］ ） 申辉林（ ２ ０ ０ ７） 研究认为， 裂缝系统是个复杂的地质 体， 其储层物性的改善作用是非线形的， 各种评价参 数与裂缝发育程度之间的关系也是非线性的．基于 人工神经网络理论， 开展了常规测井资料识别评价 裂缝的研究．结果表明， 基于Ｂ Ｐ神经网络的裂缝性 储集层常规测井识别， 与成像测井对比具有较好的 应用效果．申辉林用此模型对某区安２井进行裂缝 ７４７１ 地 球 物 理 学 进 展 ２ ５卷 预测， 并与成像测井资料进行对比， 研究表明［ ２ ３］， 经 网络识别结果与成像测井图像有很好的对应性， 说 明用神经网络技术识别裂缝应用效果很好． ２． ６ 在预测地层压力方面的应用 地层压力检测与检测一直是油气钻井的一项重 要任务， 利用中途测井资料和地震资料相结合进行 井底以下地层压力预测是急需深入研究的一个重要 课题［ ２］． 杨斌（ ２ ０ ０ ５） 提出通过神经网络方法建立地 震属性与测井声波之间的非线性映射模型， 进而由 地震资料反推井底以下的声波曲线并预测地层压力 的方法［ ２］． 其实质就是基于神经网络技术利用地震 资料重构声波测井曲线， 以实现外推井底以下声波 曲线预测地层压力． ２． ７ 在水淹层识别方面的应用 在油藏水淹层测井解释中， 水淹层测井特征参 数较多．许少华等（ ２ ０ ０ １） 经大量取心井岩心实验分 析资料的相关分析和统计， 并结合专家经验， 最终选 用厚度、 深测向电阻率、 自然电位、 声波时差和微电 位等５个参数作为输人， 而输出为水淹等级［ ３ ２］． 样 本举例见表１． 表１ 水淹层识别中样本选择实例（ 自文献［３ ２］ ） 犜 犪 犫 犾 犲１ 犈 狓 犪 犿 狆 犾 犲 狊狅 犳 狊 犪 犿 狆 犾 犲 狊 犲 犾 犲 犮 狋 犻 狀 犵 犳 狅 狉 犳 犾 狅 狅 犱 犲 犱 犾 犪 狔 犲 狉 犻 犱 犲 狀 狋 犻 犳 犻 犮 犪 狋 犻 狅 狀犻 狀狅 犻 犾 犳 犻 犲 犾 犱 狊 厚度深侧向电阻率自然电位声波时差微电位水淹级别 ０． ６ ０ ０ ０ ０ ０２ ０． ０ ０ ０ ０ ０ ０５． ０ ０ ０ ０ ０ ０１ ５ ０． ０ ０ ０ ０ ０ ０２． ５ ０ ０ ０ ０ ０２． ０ ０ ０ ０ ０ ０ ０． ９ ０ ０ ０ ０ ０１ １． ０ ０ ０ ０ ０ ００． ０ ０ ０ ０ ０ ０２ ８ ０． ０ ０ ０ ０ ０ ０２． ０ ０ ０ ０ ０ ０４． ０ ０ ０ ０ ０ ０ ０． ２ ０ ０ ０ ０ ０１ ７． ０ ０ ０ ０ ０ ０６． ０ ０ ０ ０ ０ ０１ ４ ８． ０ ０ ０ ０ ０ ０１． ４ ０ ０ ０ ０ ０３． ０ ０ ０ ０ ０ ０ 其中， 水淹等级１， ２，３，４分别代表无水淹、 弱水淹、 中水淹和强水淹．正规化模糊神经网络的拓扑结构 确定为５  １ ５  １ ５  ２ ４ ３  １型， 即５个输人节点， １ ５个模 糊化层节点（ 对应每个输人取３个隶属函数） ， １ ５个 正则化层节点，２ ４ ３个规则层节点和１个输出层 节点． 网络的学习过程采用单样本循环误差修正方 式， 即随机从样本集中抽取一个样本进行网络学习， 直到满足误差精度为止， 再选取下一个样本， 选取 ２ １ ０个样本数据用于训练．许少华等（２ ０ ０ １） 将学习 好的网络用于油藏水淹类型识别， 在同一区块的测 井解释数据识别中， 识别率能达到８ ４％以上， 在水 淹识别这一方面已达到一定的水准． ２． ８ 在剩余油预测方面的应用 通过对油区岩心样品的水驱实验分析， 最初的 阿尔奇公式已不完全适用目前剩余油饱和度的求 取， 针对这种情况， 充分利用密闭取心井和观察井的 动态资料， 采用改进的Ｂ Ｐ神经网络方法建立求取 此区目的层储层参数的网络模型， 从而进行剩余油 解释评价．为剩余油挖潜工作提供依据．用Ｂ Ｐ网络 进行储层参数解释过程中首先对取心井和观察井主 要目的层段的岩心分析和测井资料进行岩心深度归 位和提取学习样本， 再以改进的Ｂ Ｐ神经网络技术 建立泥质含量、 粒度中值、 孔隙度、 渗透率及剩余油 饱和度（ 含水饱和度） 的解释及网络预测模型， 同时 也对束缚水饱和度和含水率进行了研究． 韩志明等（ ２ ０ ０ ０） 以高含水期油田的开发资料、 密闭取心井和观察井的动态资料及岩心分析数据为 标准， 结合地质、 录井、 采油动态， 对比静态资料， 利 用改进后的Ｂ Ｐ神经网络技术建立了高含水期剩余 油评价标准， 并在辽河油田锦１ ６区块进行试用［ ３ ３］， 达到了剩余油评价的目的． ３ 神经网络用于测井解释的注意事项 ３． １ 关于网络的结构 理论已经证明， 一个三层网络可以任意精度实 现各种复杂的非线性映射．因此， 本文认为对于各种 测井解释问题， 使用三层网络可以满足解释需要．实 际分析表明， 用三层网络通过并有限次的迭代， 完全 可以达到多层网络同样高的拟合精度． ３． ２ 关于学习精度 网络学习的精度同样涉及到“ 过学习” 或“ 学习 不足” 的“ 有效” 学习问题， 即要求网络达到一个怎样 的收敛精度后建立的神经网络预测模型具有最强的 推广能力［ ２，３ ４］． 一般认为 网络学习的精度是由需要 给出“ 满意” 的学习模型还是要给出“ 精确” 的学习这 样一个选择而决定．不能一味去追求高的学习精度， 而应根据网络模型完成的任务而定．对于储层参数 ８４７１ ５期 赵军龙， 等 神经网络在石油测井解释中的应用综述 计算模型， 需要给出“ 精确” 解， 以实现由测井曲线到 储层参数特征的非线性高精度映射， 则可要求网络 达到较高的学习精度．对于渗透率参数的学习， 与一 般储层参数学习精度不同， 是要求模型给出“ 满意” 解， 即网络学习的精度不能太高．这是由于微观孔隙 结构的复杂性、 储层内部的非均质性， 导致渗透率在 储层内部纵、 横向上变化很大， 而相应的测井信息受 自身分辨率的限制， 难以准确反映渗透率的这种纵、 横向上的非均质变化．即使用最优网络学习到了很 高的精度， 其预测的渗透率数值是难以令人信服的， 预测误差反而大．因此， 应使网络学习到能逼近相邻 点或井段渗透率的趋势值就可以了． ３． ３ 关于犅 犘算法的收敛性 据统计， 近９ ０％的神经网络应用是基于Ｂ Ｐ算 法的， 但它存在学习收敛速度慢、 容易陷入局部极小 点而无法得到全局最优解且对初始权值的选取很敏 感等缺点．相比而言， 收敛性问题成为Ｂ Ｐ算法的实 出问题．对此， 本文基于前人研究提出了几点改进 措施 （ １） 改变误差函数． （ ２） 加入动量项． （ ３） 变步长法． （ ４） 连接权重的选择． （ ５） 加强传递函数的选择 ［２ ９］． ３． ４ 关于学习样本及样本规模 按照获取知识的观点， 似乎样本规模越大或模 式组成越多， 网络学到的知识越多， 其推广能力越 强［ ２，３ ５］． 但事实并非如此， 这里存在着一种所谓的 “ 过学习” 和“ 学习不足” 问题．实践表明［ ３ ５］， 在保证 模式分布较均匀的条件下， 网络不宜过大， 这既有利 于提高学习精度和收敛精度， 也能使网络具有对不 同模式及其总体特征的均衡预测能力．本文的看法 是， 在保证能反映基本特征的情况下样本规模应适 量减小， 对于某些典型特征用１～２个样本就能满足 预测要求． ３． ５ 关于数据归一化 由于各种测井数据量纲不一致， 进入网络前， 无 论是学习样本还是预测数据， 都必须进行重新刻度 在［ ０，１］ 之间的归一化处理 ［３ ６～３ ８］． 在归一化过程中， 各测井曲线归一化极值的选取至关重要．不同选值 将造成归一化结果的差异， 这对于所建解释模型（ 或 网络权值） 的特征， 特别是对预测结果会带来较大影 响．所以各输入曲线的归一化极值选取应注重交会 图作用， 并根据图上数据点的频率分布特征来合理 选取， 最好在一个地区对每种测井曲线均采用统一 的归一化标准， 对特殊地层段归一化极值也可进行 微调． ３． ６ 关于输入信息的选择 对于非线性神经网络模型而言， 输入信息选择 的好坏， 对所建立模型的性能有较大的影响， 不合理 信息的引入将无法保证模型的可靠性及其预测效 果．因此， 寻找非线性模型中输入信息选择的有效方 法是达到合理建摸与预测的重要步骤．在此这里给 出网络输出信息的选择方法 使用权重贡献率来分 析输入变量信息的重要程度［ ２］， 通过去除或忽略重 要程度较低的输入变量， 达到输入向量降维目的， 用 尽可能有效的输入信息建立模型， 提高神经网络方 法的可操作性和预测效果． ３． ７ 关于先验知识的应用 如果能利用先验知识， 则有可能限制模型的复 杂性， 对解决问题有很大帮助， 特别是样本量少而问 题较复杂时， 应设法尽量利用先验知识［ ３ ５］． 对此， 前 人主张把传统人工智能技术与ＡＮＮ结合起来， 发 挥Ａ Ｉ人工智能更易于利用人类先验知识的特长来 降低神经网络学习的负担和增强网络的推广能力， 这就是神经网络与专家系统的结合以及当今非常热 门的神经网络与模糊逻辑的研究结合．总之， 对于样 本量少且研究对象较为复杂的神经网络建模问题， 应当考虑已有的专家、 地区经验和规律， 采用模糊理 论的模糊知识定量化的方法， 再与神经网络自学习 自适应相结合建立起来的模糊神经网络模型， 具有 更强的鲁棒性和更好的外推预测能力［ ２，３ ９，４ ０］． ４ 结论与认识 本文首先分析了Ｂ Ｐ神经网络的基本原理， 其 次总结了它在石油测井解释中的应用， 最后对网络 应用中应注意的事项进行了分析．研究表明 （ １） 神经网络技术在实现任何复杂映射关系方 面具有其独特优势， 它可以在不知道所求问题的确 切表达式前提下提供一种恰当而可以接受的解答， Ｂ Ｐ神经网络是神经网络的典型代表， 可以广泛的应 用于石油测井解释领域． （ ２） 神经网络技术在石油测井中的主要应用体 现在测井资料预处理、 岩性识别、 储集层参数解释、 流体识别、 低阻及裂缝研究和地层压力预测等方面． 其应用范围广、 适应能力强， 无需求解具体方程， 综 合性、 自适应性和预测性强， 拓展和加深了测井信息 的应用． ９４７１ 地 球 物 理 学 进 展 ２ ５卷 （ ３） 神经网络应用于石油测井解释时应注意网 络结构选择、 学习精度、 算法收敛、 学习样本、 输入信 息选择及样本数据归一化、 先验知识的运用． 神经网络技术应用于石油测井解释已成为必然 趋势， 其使用“ 瓶颈” 主要是样本的内涵和预测的目 标， 因此， 如何丰富其学习样本的数量、 科学厘定预 测新目标是测井分析家应关注的焦点． 参 考 文 献 （Ｒ ｅ ｆ ｅ ｒ ｅ ｎ ｃ ｅ ｓ） ［１］ 赵军龙．测井方法原理［Ｍ］．西安 陕西人民教育出版社， ２ ０ ０ ８，１ ８ ４～１ ８ ６． Ｚ ｈ ａ ｏＪＬ．Ｏ ｉ ｌｗ ｅ ｌ ｌｌ ｏ ｇ ｇ ｉ ｎ ｇ ｍ ｅ ｔ ｈ ｏ ｄｐ ｒ ｉ ｎ ｃ ｉ ｐ ｌ ｅ［Ｍ］．Ｘ ｉａ ｎ Ｓ ｈ ａ ｎ ｘ ｉＰ ｅ ｏ ｐ ｌ ｅ ′ ｓＥ ｄ ｕ ｃ ａ ｔ ｉ ｏ ｎＰ ｒ ｅ ｓ ｓ，２ ０ ０ ８，１ ８ ４～１ ８ ６． ［２］ 杨斌， 匡立春， 孙中春， 等．神经网络及其在石油测井中的应用 ［Ｍ］．北京 石油工业出版社，２ ０ ０ ５，９ ４～９ ７． Ｙ ａ ｎ ｇＢ，Ｋ ｕ ａ ｎ ｇＬＣ，Ｓ ｕ ｎＺＣ，犲 狋 犪 犾．Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎｏ ｆｎ ｅ ｔ ｗ ｏ ｒ ｋ ｉ ｎｐ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍｌ ｏ ｇ ｇ ｉ ｎ ｇｉ ｎ ｔ ｅ ｒ ｐ ｒ ｅ ｔ ａ ｔ ｉ ｏ ｎ［Ｍ］．Ｂ ｅ ｉ ｊ ｉ ｎ ｇＰ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍ Ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｙＰ ｒ ｅ ｓ ｓ，２ ０ ０ ５，９ ４～９ ７． ［３］ 魏海坤， 徐嗣鑫， 宋文忠．神经网络的泛化理论和泛化方法 ［Ｊ］．自动化学报，２ ０ ０ １，２ １（２） １ ７ ３～１ ７ ６． Ｗ ｅ ｉＨ Ｋ，Ｘ ｕＳ Ｘ，Ｓ ｏ ｎ ｇ Ｗ Ｚ．Ｇ ｅ ｎ ｅ ｒ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎｔ ｈ ｅ ｏ ｒ ｙａ ｎ ｄ ｇ ｅ ｎ ｅ ｒ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｍ ｅ ｔ ｈ ｏ ｄ ｓ ｆ ｏ ｒ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｓ［Ｊ］． Ａ ｃ ｔ ａ Ａ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｃＳ ｉ ｎ ｉ ｃ ａ，２ ０ ０ １，２ １（２） １ ７ ３～１ ７ ６． ［４］ 闻新， 周露， 李翔， 等．ＭＡ Ｔ Ｌ Ａ Ｂ神经网络仿真及应用［Ｍ］． 科学出版社，２ ０ ０ ３，１ ４ １～１ ９ ９． Ｗ ｅ ｎＸ，Ｚ ｈ ｏ ｕＬ，Ｌ ｉＸ，犲 狋犪 犾． Ｓ ｉ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎａ ｎ ｄＡ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎｏ ｆ ＭＡＴ Ｌ Ａ Ｂｎ ｅ ｔ ｗ ｏ ｒ ｋ［Ｍ］． Ｓ ｃ ｉ ｅ ｎ ｃ ｅＰ ｒ ｅ ｓ ｓ，２ ０ ０ ３，１ ４ １～１ ９ ９． ［５］ 董长虹．ＭＡＴ Ｌ Ａ Ｂ神经网络及应用［Ｍ］．北京 国防工业出 版社，２ ０ ０ ５，６ ４～１ ０ ４． Ｄ ｏ ｎ ｇＣ Ｈ．Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎｏ ｆＭＡ Ｔ Ｌ Ａ Ｂｎ ｅ ｔ ｗ ｏ ｒ ｋ［Ｍ］．Ｂ ｅ ｉ ｊ ｉ ｎ ｇ Ｎ ａ ｔ ｉ ｏ ｎ ａ ｌＤ ｅ ｆ ｅ ｎ ｓ ｅ Ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｙＰ ｒ ｅ ｓ ｓ ．，２ ０ ０ ５，６ ４～１ ０ ４． ［６］ 陶淑娴， 肖慈繤， 杨斌．神经网络在测井解释中的应用［Ｊ］．石油 物探，１ ９ ９ ５，３ ４（３） ９ ０～１ ０ ２． Ｔ ａ ｏＳＸ，Ｘ ｉ ａ ｏＣＸ，Ｙ ａ ｎ ｇＢ．Ｔ ｈ ｅａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎｏ ｆ ｔ ｈ ｅａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ ｎ ｅ ｕ ｒ ａ ｌｎ ｅ ｔ ｗ ｏ ｒ ｋｉ ｎｔ ｈ ｅｌ ｏ ｇｉ ｎ ｔ ｅ ｒ ｐ ｒ ｅ ｔ ａ ｔ ｉ ｏ ｎ［Ｊ］．Ｇ ｅ ｏ ｐ ｈ ｙ ｓ ｉ ｃ ａ ｌ Ｐ ｒ ｏ ｓ ｐ ｅ ｃ ｔ ｉ ｎ ｇＦ ｏ ｒＰ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍ．，１ ９ ９ ５，３ ４（３） ９ ０～１ ０ ２． ［７］ 肖慈繤， 娄建立， 谭世君．神经网络技术用于测井解释的评述 ［Ｊ］．测井技术，１ ９ ９ ９，２ ３（５） ３ ８ ９～３ ９ ２． Ｘ ｉ ａ ｏＣＸ，Ｌ ｏ ｕＪＬ，Ｔ ａ ｎＳＪ ．Ｖ ｉ ｅ ｗ ｓｏ ｎＡ