bp神经网络在碳酸盐岩储层参数计算的应用

BP神经网络在碳酸盐岩储层参数计算的应用汇报人：汇报时间：2017年4月一.研究目的二.资料预处理三.BP神经网络法预测储层参数四.结论汇报提纲一.研究目的理论层面：常规测井解释孔隙度的方法是运用线性响应方程求解，或用统计方法建立测井曲线与孔隙度之间的统计关系模型求解。面对越来越复杂的地质条件和非均质性研究对象（如碳酸盐岩）时，常规测井解释孔隙度的方法所得出的结果往往与地层的实际数值存在很大误差，无法为后期地质建模提供可靠的数据基础。实际操作层面：本次研究区Ｍ气田位于四川盆地川中古隆起平缓构造区的威远至龙女寺构造群，研究层段为灯二段，由于①本地区部分井段发育硅质层，使用多元线性回归方程计算出的硅质层的孔隙度、渗透率结果明显高于岩心分析值；②目前已收集的测井数据中无PE曲线及核磁共振数据，无法使用测井新技术进行储层参数解释；③本地区仅部分井段有成像测井资料，无法满足全区储层参数解释需求。为了提高了储层参数预测精度，获得优于常规解释方法及模型的地质效果，本文采用BP神经网络法建立测井储层参数计算模型，通过给定的训练样本集，得出测井信息与储层参数之间一种非线性映射或拟合，开展研究区储层参数解释。二.资料预处理1.岩心深度归位据研究需要，结合声波时差（AC）、补偿中子（CNL）、补偿密度（DEN）等曲线特征，与岩心分析孔隙度随深度变化特征对比，以测井曲线为标准，在保证各岩心相对深度基本不变的原则下，对４口取心井重新进行了岩心深度归位校正。2.测井曲线标准化本次采用直方图法对AC、CNL、DEN等测井曲线进行标准化，主要步骤是：①确定相对标准层。本次研究将研究区各单井的灯四段上部发育的硅质岩段作为相对标准层。②绘制直方图。提取单井的标准层数据，通过高斯正态分布函数对测井响应频率分布直方图进行拟合，获得各测井曲线的峰值读数。③获取研究区曲线标准值。取各单井的测井响应值绘制全区的AC、DEN、CNL的频率分布直方图，得到全区直方图峰值，即各曲线的标准值；④获取单井曲线校正值。校正值＝全区标准值－单井峰值。3.测井曲线归一化由于各类测井数据的量纲不同，数值相差很大，神经网络建模也要求输入曲线必须位于0~1，因此学习样本或预测数据在进入网络前都必须进行归一化预处理，重新刻度使其分布在［0,1］。

三.BP神经网络法预测储层参数

1.BP神经网络储层孔隙度测井解释模型的建立要建立BP神经网络孔隙度测井解释模型，需要选择合适的输入曲线及学习样本。输入曲线的选择可以通过岩心分析孔隙度以及测井曲线交会图来确定。对于碳酸盐岩地层，只需用到AC、DEN、CNL、深侧向电阻率（RT）和GR曲线。

1.BP神经网络储层孔隙度测井解释模型的建立由于灯二段岩心分析孔隙度主要集中在２％～４％，大孔隙度样品较少，不具有整体代表性。因此，剔除明显奇异点、受围岩影响较大的点和减少相同特征点，还需适当补充典型样本点，同时控制样本总量。在挑选样本时需覆盖各种岩性，同时应覆盖各种储层类型，综合考虑各因素影响，本次共挑选学习样本431个。

2.BP神经网络训练与学习评价采用GR、RT、AC、CNL和DEN等５条测井曲线作为输入数据，岩心分析孔隙度作为输出数据，建立本研究区的孔隙度预测模型。输入层神经元数目为5，隐层数目为10，输出层为１，则建立的BP神经网络结构。通过MATLAB对网络进行训练，设定训练次数400次，给定允许误差0.01，当网络系统误差小于给定值时，训练停止，即得到一套适用于该地区计算孔隙度的连接权，将其应用于BP神经网络即可计算孔隙度。针对样本数据，建立岩心孔隙度及BP神经网络预测孔隙度交会图，结果显示，相关系数Ｒ＝0.9173，平均绝对误差为0.64％，学习的精度较高。

2.BP神经网络训练与学习评价在孔隙度预测基础上，建立研究区渗透率解释模型。选取岩心分析孔隙度、GR、DEN、AC、CNL和RT等６条测井曲线作为输入数据，岩心分析渗透率作为输出。对选取的164个样本进行网络学习训练，输入层神经元数目为６，隐层为8，输出层为1，则建立的渗透率BP神经网络结构。通过MATLAB对网络进行训练，设定训练次数300次，给定允许误差0.001，当网络系统误差小于给定值时，训练停止。网络所预测渗透率与岩心样本的渗透率相关性系数R=0.8925，平均相对误差,61.2％，学习的精度较高。3.误差统计检验为定量评价网络模型的预测效果，用所建立的神经网络储层参数解释模型对４口取心井的孔隙度和渗透率进行预测，计算岩心分析孔隙度与网络预测孔隙度间的绝对误差和岩心分析渗透率与网络预测渗透率的相对误差：

BP神经网络预测孔隙度平均绝对误差为0.445％，渗透率平均相对误差为21.59％，明显低于经验模型的误差（孔隙度平均绝对误差0.6425％，渗考率平均相对误差78.34％），采用BP神经网络法，储层参数的预测精度更高。3.误差统计检验四.结论

１）测井资料预处理提高了BP神经网络储层参数解释模型中学习样本的真实性、可靠性及可操作性。通过岩心归位，学习样本可以更真实地反映储层参数与测井响应之间的关系，测井曲线标准化减小了测井系统误差，测井曲线归一化使各参数具有相同量纲，便于输入神经网络中进行训练、学习。２）BP神经网络学习评价显示，岩心孔隙度与BP神经网络预测孔隙度的相关系数为0.92，平均绝对误差为0.64％，岩心渗透率与BP神经网络预测渗透率的相关系数为0.89，平均相对误差为61.2％