1、地面自然伽马曲线正演模型的高分辨率研究2008 年 2 月第 23 卷第 1 期国外测井技术W0RLDWELLL0GGINGTECHNOLOGYFeb.20o8V0l,23N0,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
2、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 引言随着油田勘探开发的深入,不少油田中厚油层的开采已进入中后期,薄层成为挖潜增产的重要对象.同时需要对薄层做好测井评价,为薄层的进一步发现和开采做好准备.从实际情况来说,薄层由于受围岩影响,薄层测井信号通常会产生不同程度的“畸变 “或“淹没“,导致薄层 ,薄互层测井解释成为测井解释的难题.目前常规测井方法及解释软件都不能有效解决薄油气层的评价问题.其根本原因在于薄储层的厚度远小于多数测井仪器的分辨率,深探测测井仪(如深感虚,深侧向)的纵向分辨率低,而纵向分辨率
3、高的测井仪器(如密度)探测深度较浅,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田薄油气储层,1 地面自然伽马正演模型的建立1.1 岩心刻度地面自然伽马曲线首先,把地面自然伽马曲线与取心井的岩性描述进行小层对比,分析后发现
4、地面自然伽马曲线所分辨出的岩性在进行适当的岩心归位后能够较好地与岩性描述中的岩性对应上,而井下自然伽马曲线由于纵向分辨率过低,不能准确分辨出岩性描述中的薄层.由图 1 可以看出,地面自然伽马曲线与 0.05米一个记录点的岩性描述对应后能够较好地分辨出薄互层.蔓皇姜岫,草i 茹慧 I.蝴图 l 井某油组地面自然伽马曲线建模前效果图如图 1 所示:A 井在 l302.081304.04 米层段,岩第 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
5、出该段的岩性.由此可以看出,地面自然伽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.BP 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
6、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 2BP 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
7、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:xy=F()1(1)式中:X/= %,:(1 一);b 从训练集中 m.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 ilJ
8、j 的第 n 次变更的权值,oxi,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 .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
9、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 3A 井某油组地面自然伽马曲线建模后效果图国外测井技术 2008 矩由于神经网络学习边界条件限制,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.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.地面自然伽马曲线的建模输入层样本主要选取洲井取心段资料里被离散成 0.01 米采样问隔且与岩心描述岩性对应较好的井下自然伽马曲
10、线点样值,然后运用 BP 神经网络进行地面自然伽马正演模型的构建,利用所建好模型对全井段非取心层段进行地面自然伽马曲线的样本预测,得到自然伽马曲线的预测值(GRA).如图 4 所示为 A 井预测效果相关性分析,其测井值(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,*圈 4A 井井下 GR 与预测 GRA 交会圈G 一“赢.一r 一一一一 r 一.一-,一 I:I.一- 一罐鞫图 5A 井地面 DGR 与预测(RA 相
11、关性从图 6 所示的 A 井某油组预测模型效果图中可以看出,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 “的峰值处对应的岩层为较明显的薄地层.如 i295.81296.1 米取心层段 ,岩心描述为含钙细砂岩,从测井响应中可以看出,砂岩受钙质胶结和嗣岩的影响,其特征值为:自然伽马值平均为 69API,密度值平均为 2.cm,电阻率平均值 1.29n?m,测井曲线特征值显示为钙质砂岩,这与岩心描述较为吻合.登精帮辐-譬一一一1.一:一图 6A 井某油组预测模型效果图利用构建的地面自然伽
12、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.囱 7B 井某油组测井解释成果图图 7 中第一道为泥值指示曲线道,其中 GRA(自然伽马预测曲线)是根据模构建(下转第 27 页)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 1 徐深 603 井核磁一密度孔隙度与岩心对比图3.2 误差分析该方法解番_徐深气田火山岩储层 8 口井 l7 层,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
13、磁一密度孔隙度平均为 8.0%,相对误差为 7.9%.精度与常规测井曲线相比显着提高,满足储量规范要求.4 结论(1)核磁共振测井确定火山岩储层有效孔隙度克服了常规测井解释模型受岩性影响的不足.(2)核磁一密度测井结合计算火山岩储层有效图 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精度.(3)核磁一密度测井确定有效孔隙度方法对于类似复杂岩性含气储层具有借鉴意义.参考文献:.111 肖立志 ,核磁共振测井资料解释及应用导论,北京: 石油工业出版社,2001I2】肖立志 ,核磁共振成像测并与岩石核磁共振及应用,jE 京科学出版社,1998
14、【3】车文华,顾伟康,用核磁测井资料评价岩石孑 L 径分布,江汉石油学院,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用研究,测井技术.2005(上接第 16 页) 的测井曲线.从四性关系图中可以看出,在 1159.51159.8 米的测井响应特征为:自然伽马值为 4353API,平均值 50API;在 11611161.7flr的测井响应特征为:自然伽马值为 4352API,平均值48API;在 1169.41169.9 米的测井响应特征为:自然伽马值为 4353API,平均值 49API;在 1172.11172.6米的测井响应特征为:自然伽马值为 3847AP!,平
15、均值 42API.从图中可以看出,自然伽马曲线呈“尖峰“ 状的峰值处对应的岩层为较明显的薄地层,且使用建模出的 GRA 曲线在一定程度上可以有效的提高储层的纵向分辨率,并且分辨出了 0.3 米厚的砂岩.4 结论综上所述,在利用 BP 神经网络理论构建测井曲线时,建模的正确是关键.在建模的过程中,输入层参数应尽量选取有代表性的值,只有参数选取正确,所建模型才能更好的反映各参数之间的关系,构建出较为真实的测井曲线.从所构建测井曲线在实际测井解释中的效果来看,BP 神经网络构建测井曲线用于测井解释是切实可行的.参考文献:【1雍世和 ,张超谟等,测井数据处理与综合解释,石油大学出版社.19962】谈德辉 ,测井地质学,西南石油学院教材,19933李井辉等, 基于 BP_申经网络的储层参数计算,开发应用,20004伍丽红,罗利等 ,BP 神经网络在储量计算中的应用 ,天然气:【:业,20025李晓光等, 神经网络储层预测技术在 HC 地区的应用,石油物探,1996
