储层沉积相模式识别

河流-三角洲储层沉积相模式识别方法

研究及应用

刘刚刘宏兵辛月梅

（大庆油田采油三厂地质大队）

摘要萨北开发区经过了三十多年的注水开发，目前已进入了高含水后期开采阶段，内部仍有相当数量的剩余油，但其分布状况十分复杂，难以寻找。这就需要对油层的沉积微相做比以前更加细致和准确的划分，但直到现在，油公司仍然没有一套完善的沉积微相自动识别软件，我们仍是利用测井曲线进行人工判相。为了适应当前油田开发调整的需要，我们研究运用计算机模式识别法判定沉积微相。本次研究与以往的沉积微相模式识别方法相比，主要在两个方面进行了创新：一是分相带建模板库；二是采用二叉树与神经网络相结合的方法进行分类器的设计。

主题词沉积相测井曲线二叉树神经网络分类器

1．模式特征的提取和选择

模式特征的选择与提取是模式识别中的关键问题。任何模式的识别，都离不开模式的特征。特征选择的优劣，直接影响到识别的结果，因为所选择的特征将代表相应的模式参与识别。我们依据各种沉积旋回的沉积特征，结合相应的曲线形态特征进行研究分析，综合提取了一些特征，然后再根据类别可分性准则，即特征子集选择的原则，也就是子集内的元素彼此有很强的独立性，或者说相关性较小。选出特征子集如下：

①渗透率（stl）

②有效厚度 (yxhd)

③微电位与微梯度有平均幅值差 (RMN-RMG)

④自然电位曲线的最大幅值 SP

max

⑤自然电位曲线重心（RM）

⑥自然电位曲线齿中线斜率（Slope）

⑦一阶原点距 monent1

⑧二阶中心距 monent2

⑨纯表外的薄差层与总厚度之比 ratio

2．模板库的建立

2．1 模板的建立

模板库的建立是模式识别的一项重要内容。它包括两个方面：一是建立典型图版，二是建立模板库。在建立模板库之前，首先要建立各种模式的典型图版，从而才能进行模板库的建立工作。因此我们对大量的各沉积微相的测井曲线形态进行整理归纳，从各微相的沉积旋回出发，建立了八种典型图版，包括正渐变（1501）、均匀-复合型（1502）、块状型（1503）、反渐变（1504）、小型河道砂（1505）、突弃河道砂（1506）、渐弃河道砂（1507）、河间薄层砂（1508），并以此来指导模板库的建立。如图1是建立的各种沉积旋回的典型图版。

2．2 模板库的建立原则

在模板库的建立过程中，由于大庆油田属于大型河流—三角洲储层沉积，各相带分异完善，不同相带间储层发育明显具有不同的特点。如果用一套模板库来进行识别计算，其误差相对较大，识别率较低。因此我们采取了分相带建立标准模板库的设计思路, 即建立了河流相和三角洲前缘相两个模板库，这样就避免了对不同相带的模板在识别过程中，存在普适性差、识别效果不好的问题，从而进一步提高了软件系统对微相识别的符合率。

3．模式识别分类器设计

分类器设计是整个模式识别过程的最后一个阶段，也是影响模式识别符合率的最后一个需要解决的问题。

3．1确定模式识别方法

为了使沉积微相的识别获得较高的符合率，就必须要采用先进和科学的模式识别方法。因此我们对目前模式识别领域里常用的几种模式识别方法，如最小距离法、神经网络、二叉树法以及单亲因子遗传算法等进行了调研和论证，确定采用一种基于神经网络树结构的模式识别方法。

3．2．分类器设计

3．2．1 神经网络树分类器的优越性

采取二叉树和神经网络相结合的方法来设计分类器，目的是要最小化树分类器和神经网络各自的缺陷，提高分类器的综合性能。该方法是使用小规模的神经网络作为分类树的节点，来提取模式中非线性的特征信息。也就是说在树分类器的各节点设计上，

图2 分类器树形结构图

采用了神经网络来提高节点的识别率，增加模糊性。使用这种设计方法，第一扩大了树

分类器的分类能力，降低了树分类器的差错累积，缩小了分类误差。第二，提供了一种神经网络分类器的结构化设计方法。由于各神经网络节点仅涉及少量的特征和输出类别，因此有效的降低了神经网络的设计难度，缩短了训练神经网络的时间，提高了系统的泛化能力和识别精度。

3．2．2 分类器树形结构

在沉积微相的模式识别中，我们采用的分类器整体框架是一个树型结构，总共分四层，如图2所示。对于树分类器的每一个节点，我们采用神经网络来作为它们各自的分类器。在树分类器的每一个非叶子节点上，其父节点的输出直接作为该节点神经网络的输入向量，经由神经网络的计算，得到输出，再为下一级子节点的输入，直到最终识别出待识模式的类型。

3．2．3 差错累积与回溯

树分类器的一个缺点就是具有差错累积，也就是指在某一层节点上的识别错误率将会随着层次的加深，逐渐累积。因此，树分类器的层次越深，最后叶子节点的识别错误率也越大。

为了改善树分类器的性能，降低它的差错累积，进一步提高识别率，我们在整个识别结构中引入了差错累积和回溯功能。即：每计算完一层的神经网络节点，就对各类别的差错情况进行累积，当差错累积到一定程度后，回溯到父节点，搜索树分类器的其他节点，作为新的分类节点。差错累积与回溯如图3所示。

图3 差错累积与回溯流程图

3．3 分类器对沉积微相的识别

为了使每个节点的网络得到更好的训练和学习，并使每个节点上所用的识别特征为最优，我们输入了大量的测井数据进行实验，并不断地对系统进行调整，以达到最佳

识别效果。

3．3．1 区分河间薄层砂与其他类别砂体

根据河间薄层砂与其它类别砂体在沉积特征和曲线形态特征上的差异，我们采用多个特征进行试验，最终确定用有效厚度、渗透率、微电位与微梯度平均幅值差三个特征对其进行识别。

3．3．2 区分区分正渐变、块状、复合型、反渐变与其它类型河道砂

在这个节点上我们只要将前七种类型分为两大类即可，所采用的特征为有效厚度和SP

，识别效果如测试图（图4）所示。

max

图4 相对重心与斜率

3．3．3 区分正旋回砂体与反旋回砂体

在第三个节点上我们主要区分正渐变和反渐变两个类型，块状和复合型暂时不与区分，直接输入下一个子节点。

3．3．4 区分渐弃型河道砂

在这个节点上主要是将渐弃型河道砂从小型河道和突弃型里区别出来，所用特征与同层次的第3个节点一样。

3．3．5 区分块状与复合型砂体

在这个节点上主要区分块状和复合型砂体。实际上对这两种类型就是具有一定经验的专业人员也是较难区分的。两者都是发育比较好的沉积相类型，在自然电位测井曲线上两者都表现为含有一个高幅值区，不同的是在测井曲线上，块状型砂体两侧变化更尖锐，而复合型砂体更趋于平缓和渐变。在实际中，我们采用了完整测井曲线段的一阶原点矩（均值）和二阶中心矩（方差）来进行识别分类。