模糊神经网络预测储层及油气_熊艳

2000年4月石油地球物理勘探第35卷第2期·经验交流·模糊神经网络预测储层及油气 熊　艳 包吉山　肖慈王旬(四川石油管理局地调处成都物探研究中心) (成都理工学院) 摘 要熊艳,包吉山,肖慈王旬.模糊神经网络预测储层及油气.石油地球物理勘探,2000,35(2):222～227 利用模糊理论和BP网络相结合组成的模糊神经网络系统,能够克服单独使用BP网络的局限性,可在地质条件较复杂地区进行储层及油气预测。

通过实际资料应用表明,在单独应用BP网络进行储层及油气预测效果较差的地区,采用模糊神经网络能取得较好的效果。

主题词　储层预测　模糊神经网络　模糊聚类　BP网络ABSTRACTXiong Yan,Bao Jishan and Xiao Cixun.Hydrocarbon reservoir prediction usingfuzzy neural network.O GP,2000,35(2):222～227 The fuzzy neural netw ork that is fo rmed by co mbining fuzzy th eo ry and BPnetw o rk remov es the limitation of BP netwo rk to achieve hydroca rbo n reservoirprediction in the area w here g eologic condition is v ery co mplex.It ha s been show nin practical a pplicatio n tha t the fuzzy neural netw o rk bring s go od predictio n effectin an area in w hich BP netw ork has po or hydrocarbo n predictio n effect.Subject terms:reservoir prediction,fuzzy neural netwo rk,fuzzy clutering,BPnetw ork引 言多地震参数储层横向预测技术近年来得到很大的发展。

利用多地震参数研究储层和含油气性时,模式识别技术是一种有效的手段。

基于模式识别技术的各类方法技术(如统计模式识别技术、灰色系统方法、神经网络技术、模糊判别技术等)在物探领域内都得到了较多的应用,也取得了较好的结果。

其中模糊理论和人工神经网络是近年应用较为广泛的两类方法,但将二者相互结合起来加以应用在物探领域还较少。

模糊理论具有被人容易理解的表达能力,而隶属函数难以求取;神经网络具有很强的自适应学习能力,但对于较复杂的情况,它需要较长的时间学习。

用BP网络预测油气时,人们常用的神经网络为BP神经网络,在已知井较少、地质条件比较简单的地区,BP网络的应用效果较好;但对于已知井较多、地质条件比较复杂的地区,X i ong Yan,Res earch Cen ter of Oil Geoph ysical Pros pecting,Zhongh echang,Chengdu City,Sichuan Province,因为地震特征横向上有较大的变化,所以训练样本较复杂,网络训练也难以收敛,因此BP 网络的应用较为困难。

本文介绍了一种基于神经网络的模糊系统[1](以下简称模糊神经网络系统),利用模糊聚类方法确定神经网络个数,用BP 网络的学习能力来求取隶属函数,将二者相互结合,利用二者的长处,提高系统的学习能力。

通过实际应用表明,它能克服单个BP 网络的不足,在地质条件较复杂的情况下较好地解决了储层及油气预测问题。

方　法　原　理本文所研究的系统结构如图1所示,共有R +1个神经网络(均为前向型BP 神经网络,神经元的传递函数为Sig moid 函数,输出层函数采用线性函数)。

先用模糊聚类方法[2]对训练样本进行分类,假设分为R 类,则对应R 类有R 个(NN 1～NN R )神经网络,利用属于每类的样本分别训练各自的神经网络,设第j 类的输出为g j ;神经网络NN mf 用所有的训练样本进行训练,有R 个输出(u j ,j =1,2,…,R ),该网络的输出代表每类对输入的适用度(即输入属于每类的隶属度值,反映了输入变量的联合隶属函数值)。

系统最后的输出等于每类的输出与NN mf 对应的输出u j 的乘积之和y =∑Rj =1u jgj式中g j 为NN j 的输出。

图1　基于神经网络的模糊系统 系统由神经网络构成,反映了模糊系统的模糊规则。

建立系统的步骤如下:(1)确定输入输出学习样本(X i ,Y i ),其中i =1,…,k ,k 为样本个数。

(2)根据训练用的样本,用模糊聚类法对输入样本进行聚类。

假设聚类分成R 个组,即对应R 条模糊规则。

(3)训练NN mf 。

该神经网络为BP 网络,输入输出学习样本为(X i ,W i )。

输入样本具n 个输入量,输出样本具R 个输出量。

输出样本确定如下:假设训练样本中的X i 在第(2)步中被聚类到第S 组中,则NN mf 对应该输入样本的输出样本W i 定为W i =(W i 1W i 2…W i S -1W i S W i S +1…W i R )T =(00…010…0)T利用所有的训练样本训练NN mf 。

(4)训练对应结论部的神经网络NN S (S =1,2,…,R ;NN S 也为BP 网络)。

学习样本为(X i ,Y i )。

假设NN S 对应第S 条规则,即对应第(2)步聚类分组后的S 组。

那么第S 组内所有输入输出样本就是NN S 的学习样本。

确定NN S 的学习样本后,训练网络。

223第35卷　第2期 熊艳等:模糊神经网络预测储层及油气 (u 1,u 2,…,u R ),NN S 的实际输出为g S 。

整个系统的实际输出为:y =∑Rj =1u j g j,即为预测结果。

实际应用及效果分析本文利用该系统对某气田一小区块的蓬莱镇上组合的一层薄层砂体进行了砂体厚度预测和油气预测[3]。

在该区块上,有十几口井分布于地震测线上或附近,将其中测线附近的井投影到测线上,可作为学习或验证样本。

通过钻井资料显示,该层的厚度一般在0～17m 左右。

该区砂岩含气情况较为复杂,分为不含气、微气、含气三类。

在储层预测中,一个比较关键的问题是地震特征参数的选取。

对于多参数储层预测而言,不同的研究目标(如地层岩性横向变化、储层物性横向变化、流体性质横向变化等)、不同的地区、不同的目的层在地震参数上有不同的反映。

而且利用多参数进行储层预测,并非参数越多越好,过多的与目标相关性小的参数一方面会增大计算量,另一方面会压制相关性大的参数,影响预测效果。

对于不同的应用目标,应先进行参数选择。

本文可提取的地震特征参数有时域波形特征、自相关函数特征、自回归特征、最大熵谱特征、三瞬特征、小波参数等共六十余种参数。

对这些特征(参数)进行分析,并选择出与储层厚度、含油气性密切相关的地震特征参数。

本文尝试利用统计标定技术[4]将地震参数与由测井资料导出的地质特征参数进行处理,建立某些地震属性与某些地质性质间的可靠关系,选取适当的地震参数,并对选取的参数进行压缩。

薄层厚度薄层厚度是油藏描述的重要参数之一,但薄层厚度预测又一直是一个难题。

当目的层厚度小于地震波的调谐厚度时,就不能用地震波的峰谷间距确定薄层厚度。

一般把厚度小于1/4子波波长的地层称为薄层。

以前计算薄层厚度主要是在时域或频域内利用振幅或频率参数预测。

然而用单一参数预测薄层厚度,抗干扰能力差,预测精度也不高。

近年来利用多地震参数采用神经网络求取薄层厚度取得了一定效果[5]～[7]。

本文利用单个BP 网络和模糊神经网络来预测薄层厚度,并比较两种方法的应用效果。

选取7口井及井旁一道地震道作为学习样本。

先对井的厚度进行归一化,该区砂岩含气情况复杂,因此对参数的影响也有所不同。

通过对该区已知资料的分析比较,选取了均方根振幅、振幅极大值、小波参数中2个分频带的时域能量、某分频带的平均绝对振幅、某分频带的频域能量等参数。

并对选取的多个参数进行压缩,得到4个压缩参数,这些参数的变化综合反映了多个参数对厚度变化的影响。

首先利用单个BP 网络预测厚度,网络学习50000次,总误差达0.004;利用模糊神经网络进行预测,用模糊聚类方法先将样本分为两类,分别用样本训练NN mf 和NN 1及NN 2。

NN mf 网络训练9672次,总误差达0.0001;NN 1网络训练了2819次,总误差达0.0001;NN 2网络训练了7175次,总误差达0.0001。

模糊神经网络总的学习时间远小于单个BP 网络的学习时间。

学习和预测结果见表1。

从总的预测结果来看,单个BP 网络预测的精度较差,模糊神经网络预测的精度较之要高,特别对于几米厚的薄层,用单个BP 网络学习和预测的误差较大。

从学习时间和预测效果比较来看,模糊神经网络要优于单个的BP 网络。

224 石油地球物理勘探 2000年 表1　薄层厚度学习及预测结果 m 井　位实际厚度BP 网络预测值预测厚度绝对误差模糊神经网络预测值预测厚度绝对误差备注CX 26011.011.60-0.6011.40-0.40CX 261 3.5 6.27-2.77 3.54-0.04样本CX 217 6.0 6.64-0.46 6.04-0.04L4 5.0 6.27-1.27 5.17-0.17样本CX 2189.87.27 2.539.84-0.04样本CX 238 5.0 6.27-1.27 5.40-0.40样本CX 156 5.0 6.28-1.28 4.580.42CX 15911.016.70-5.3010.800.20CX 21413.513.74-0.2413.63-0.13样本CX 267 6.5 6.270.23 4.42 2.08CX 239 6.07.00-1.00 6.11-0.11样本CX 25612.012.36-0.3613.06-1.06CX 155 5.5 6.28-0.78 5.480.02X 3412.011.450.5512.10-0.10样本位为目的层,上边4条曲线为经选择压缩的参数曲线,最下边的曲线为厚度预测结果,图中表现为0～1的值代表0～17m 的厚度变化值。

图2　测线L 578厚度预测结果油气预测据已知井的钻井资料显示,该区砂岩含气情况大致分为不含气、微气、含气三类,但缺少该砂层的具体产量。

通过分析,确定出该区对含气情况较为敏感的地震特征参数为主频、平均频率、频带宽度、瞬时相位、小波参数中的某两个分频带的均方根振幅等,并对参数进行了压缩。