测井资料岩性识别（通用3篇）
测井资料岩性识别 篇1
1 八面河地区沙四段岩性特征
沙四段顶部以钙质泥岩为主, 夹少量细粉砂岩、灰质粉砂岩以及泥质粉砂岩;中部为一套暗色泥岩与粉砂岩、泥质粉砂岩频繁互层, 夹粒屑碳酸岩盐、鲕状灰岩、生物灰岩、油页岩等;中下部为一套泥晶白云岩与泥岩互层;底部为一套深灰色泥岩夹薄层泥质粉砂岩。
沙四段储层岩性以砂岩为主, 含不同含量的碳酸盐以及少量泥岩。其中砂岩矿物成分中, 长石以钾长石为主、斜长石次、少量钾长石, 其中碳酸盐中主要矿物成分以方解石和铁白云石为主, 其含量根据区域不同差异较大, 泥质中粘土矿物以蒙脱石高岭石、高岭石为主, 表1。
2 沙四段储层岩性测井响应特征
八面河油田沙河街组四段岩性类型众多, 特别是南区沙四段内的泥晶云岩、页岩常与砂岩极易混淆, 怎么样正确的区分出沙四段岩性, 识别出储集层是我们首要需要解决的问题。由于沙四段砂岩储层普遍含灰质, 由于灰质成分的介入, 使得与正常沉积砂岩相比具有较大的差异, 使得储层测井响应上也具有复杂性和多解性, 通过大量的钻井取心以及井壁取心岩性分析, 对照测井常规曲线。在对其岩心岩石物理试验分析基础上, 通过不同岩性含量大量数据分析, 明确了本区域所含各种岩性的测井响应特征, 是对沙四段储层进行岩性识别的基础参数。
通过对比, 泥晶云岩一般自然伽马值在20-35API左右, 声波时差小于275μs/m自然电位差异幅度很小, 甚至有些为正差异;页岩一般自然伽马值在25-40API左右, 声波时差在325-375μs/m范围内, 基本在350μs/m左右, 自然电位有些小幅度负差异;本段砂岩一般为灰质砂岩, 自然伽马值一般大于35API, 声波时差一般大于300μs/m, 自然电位负差异幅度较大, 如图1和图2。通过上述各种岩性的明显差异, 就能够正确的区别其他岩性, 识别出砂岩储集层。
3 多矿物模型计算岩性原理
多矿物模型基本原理根据体积模型的原理, 根据最优化原则选取真实可靠的测井值为基础, 根据适当的解释模型和测井响应方程, 选择合理的解释参数, 通过最优化处理, 计算出地层所含各种矿物的体积含量, 其测井值的理论响应方程式为线性方程, 各类测井值均是各种矿物和岩性“贡献”的总和。
4 应用实例
通过对MXX井沙四段部分储层, 在多矿物模型中使用通过岩心刻度所统计出来的各种岩性骨架参数与规律, 能够计算出砂岩、泥岩、灰岩等多种岩性, 通过与取心数据相比较, 计算所得数据准确率达到85%, 满足了正确储层解释要求, 使用多种岩性模型针对八面河油田北区YXX井沙四段储集层进行预处理, 井段1338-1338.8米岩性主要以云质为主, 孔隙度小于10%, 解释为干层, 井段1338.8-1340.6米岩性主要以砂岩为主, 孔隙度在20%左右, 含水饱和度63%, 综合解释差油层, 本层经过射孔后压裂日产油2.2t, 水6.3方。
5 结束语
由于本区域沙四段岩性复杂多样, 通过钻井及井壁取心的岩性观察和对比, 针对泥晶云岩、页岩和砂岩, 找到了利用常规曲线初步区分其岩性的特征和规律。
由于储层非均质性强, 分析沙四段储集层岩性及沉积特征, 使用已知取心岩性资料对比沙四段储层特性, 并对相应岩性选取合适的曲线组合及特征值, 使用多岩性模型处理本地区资料, 以提高储层岩性判断和各项参数计算的准确度, 并提高本地区解释符合率。
摘要：八面河油田沙河街组四段储层属于典型的低孔低渗地层, 非均质性强, 岩性复杂。在实测资料的基础上, 通过取芯井岩芯和相应测井曲线对应特征的分析, 寻找区分泥晶云岩、页岩及砂岩的区分规律, 并且针对储集层挑选出对岩性识别能力强的测井曲线, 在测井解释中充分利用其特征计算出较为准确的矿物含量及其他参数, 以便正确的评价储层。
关键词：复杂岩性,多矿物模型,岩性识别,测井解释
参考文献
[1]雍世和, 张超谟.测井数据处理与综合解释[M].北京:石油工业出版社, 1996.
[2]李映, 焦李成.基于核Fisher判别分析的目标识别[J].西安电子科技大学学报 (自然科学版) , 2003, 4 (2) :179-182.
测井资料岩性识别 篇2
论文主要研究利用自组织竞争神经网络进行测井资料岩性识别的方法,概述了自组织竞争神经网络的基本原理以及测井资料岩性识别的步骤,在考虑岩性影响因子的基础上,对测井资料进行岩性识别。
1 自组织竞争神经网络原理
1.1 自组织竞争神经网络的结构
基本竞争型网络结构如图1所示。
由图1可知,自组织竞争神经网络包括输入层(输入测井数据信息)和竞争层(岩性分类模式)。上下层之间实现全连接,而每层神经元之间无连接。
1.2 自组织竞争神经网络学习规则
自组织竞争网络的学习规则以竞争型学习规则为主[3,4,5]。竞争型神经网络可分为输入层和竞争层,网络结构如图1所示,可以假定输入层由N个神经元构成,竞争层由M个神经元构成。网络的连接权值为wij,i=1,2,…,N,j=1,2,…,M,且满足约束条件undefined。
竞争型网络的输入样本是二值向量,各元素取值0或1,竞争层神经元j的状态可按公式(1)计算。
undefined. (1)
公式(1)中xi为输入样本向量的第i个元素。根据竞争机制,竞争层中具有最大加权值的神经元k赢得竞争胜利,输出为:
竞争后的权值按照公式(3)进行修正,对于所有的i,有:
undefined. (3)
其中,α为学习参数,0<α<1,一般取为0.01～0.03;m为输入层中输出为1的神经元的个数,即undefined。权值公式undefined项表示当xi为1时,权值增加;而xi当为0时,权值减小。也就是说,当xi活跃时,对应的第i个权值就增加,否则就减小。由于所有权值的和为1,因此当第i个权值增加或者减少时,对应的其他权值就可能减小或增加。此外公式(3)还保证了权值的调整能够满足所有的权值调整量之和为0。
2 样本数据的获取
2.1 样本的选取
样本包括样本特征选取及样本数目的确定。样本特征应能很好地反映这类问题的基本特征,不仅在训练区内有代表性,而且在预测区内有普遍性。样本数目过少可能无法充分地反应网络性能,从而导致网络外推的能力不够;而样本过多可能出现样本的冗余,既增加了网络的训练负担,也有可能出现包含信息量过剩。总之,样本选取具有代表性的样本资料。按照这一原则,采用北方某地区2009年的测井资料进行研究,该地区属于碳酸盐地层,因此需要判断的岩性有三种,即泥岩、砂岩和石灰岩。通过对已知井段测井数据进行学习,来预测同一地区其他井段的岩性。
2.2 样本数据的预处理
样本准备工作是非常重要的环节,因为它直接影响网络的正确性和应用的可行性。取得的样本数据不能直接用作神经网络的输入,需要对测井数据进行归一化。将数据处理为区间[0,1]之间的数据。归一化方法可采用归一化公式:
undefined. (4)
式中:xi、ximax、ximin分别表示第i个测井数据及在样本中的最大、最小值,undefinedi表示归一化后的测井数据。
测井资料的样本数据中包含了影响岩性的5个重要因子,即补偿中子空隙度CNL、补偿密度曲线DEN、声波时差DTC、自然伽玛GR和微电阻率RT。
归一化后的数据如表1所示。
测井数据的标准化使各类测井信息在研究区域内有一个统一的刻度标准,使可能影响原始测井数据的各种系统误差减至最小,以消除非地质因素造成的测井响应的井间差异。通过对测井数据的归一化,很大程度上减小了非地质因素导致的井间差异的影响。使学习样本集具有真实性、全面性和代表性。这是用神经网络解决好实际地质问题的关键。
3 测井岩性识别模型的建立
3.1 测井岩性识别算法
测井岩性识别流程图如图2所示。
图2给出了应用自组织竞争网络进行测井资料岩性识别的流程图。
3.2 自组织竞争神经网络结构设计
图2设计了一个基于自组织竞争神经网络的岩性识别模型,实现岩性分类首先选择一个适当的网络结构。论文选用自组织竞争网络的两种网络模型比较网络的性能。
自组织竞争网络的神经网络工具箱提供了大量的函数工具[3]。自组织竞争网络由输入层和竞争层组成。用newc函数创建一个竞争层,构建一个基本竞争型网络。权值函数为negdist,输入函数为netsum,初始化函数为midpoint或者initcon,训练函数或者自适应函数为trains和trainr,学习函数为learnk或者learncon函数。函数返回值是一个新的竞争层。由于需要识别的类别数目是3,神经元数目也设置为3,为了加快学习速度,将学习速率设置为0.1。用newsom函数创建一个自组织特征映射网络。自组织特征映射网络的输入层中的每一个神经元,通过权与输出层中的每一个神经元相连。构成一个二维平面阵列或一个一维阵列。输入层和竞争层的神经元之间实现全互连接。利用基本竞争型网络进行分类,需要首先设定输入向量的类别总数,再由此确定神经元的个数。利用自组织竞争神经网络进行岩性识别,不必对输入的测井数据进行统计,只要将网络自动分类号与相应的岩性对应,即可实现自动岩性分类识别。
4 在MATLAB环境下实现测井资料岩性识别
4.1 测井资料岩性识别的MATLAB实现
(1)用newsom函数创建一个自组织特征映射进行岩性分类:
①建立网络
运行结果如图3所示。
此时的神经元分布如图3所示,此时的神经元位置是均匀分布的,也就是说,网络还没有对输入向量进行分类的能力。
② 测试
分析结果表明该组数据为属于石灰岩。
③绘曲线图
运行结果如图4所示。
图4显示,训练了10次后输入向量已经分类。
运行结果如图5所示。
由图5可知,经过10次训练后,神经元的位置就发生了明显的改变,神经元位置的分布情况表示它们已经对输入向量进行分类了,此时再增加训练次数已经没有什么实际意义了。在实验中重新运行上面的代码时,结果可能不一致,因为每次激发的神经元不一样,但是相似的类激发的神经元是邻近的,差别很大的类激发的神经元相差较远。
5 结束语
论文主要研究了自组织竞争神经网络在测井资料岩性识别中的应用方法,介绍了自组织竞争神经网络的原理、应用步骤及在测井资料自动分层中的应用,采用了MATLAB工具进行网络的设计和处理。研究结果表明,采用自组织竞争网络与自组织特征映射网络进行测井资料岩性识别是可行的,识别率比较高。由于测井资料所携带的重要的地质信息可以确定地层含油储量,而且还是制订开采规划的重要依据,因此利用自组织竞争网络进行测井资料岩性识别具有很大的意义。
参考文献
[1]陈祥光,裴旭东.人工神经网络技术及应用[M].北京:中国电力出版社,2003.
[2]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2009.
[3]许东,吴铮.基于MATLAB6.x的系统分析与设计[M].西安:西安电子科技大学出版社,2003.
[4]王洪元.人工神经网络技术及其应用[M].北京:中国石化出版社,2008.
测井资料岩性识别 篇3
测井相分析技术的引入, 给利用常规测井资料识别铜钵庙组复杂岩性带来了便利[1—4]。取心描述资料和不同岩性的测井响应特征表明, 铜钵庙组岩性主要包括砂砾岩类、粗砂岩类、细砂岩类、凝灰质细 (粉) 砂岩类、凝灰岩类、粉砂质泥岩类、凝灰质泥岩类、泥岩类等8类, 笔者以上述8类岩性为主, 利用测井相分析技术识别铜钵庙组复杂岩性, 并对目标区块多口井资料进行处理。
1 测井相分析技术识别岩性的原理及实现
测井相分析技术识别岩性的主要思路是通过建立测井电性参数与岩性之间的映射关系, 来实现不同岩性的测井自动识别, 其关键步骤包括测井数据的标准化、测井曲线自动分层及特征参数的选取、测井相的划分、测井相-岩性数据库建立以及测井相判别模型的建立[5,6]。由于自动分层是一种地质综合分析的结果, 单纯利用测井曲线的数字特征来进行自动分层, 往往不具有地质意义, 因此, 为了避免传导误差, 在本次测井相分析技术研究中, 将不考虑测井曲线的自动分层。
笔者以岩石类型齐全、岩心取心井段长的XXA井作为建模井, 按照上述步骤, 建立了基于测井相分析技术的铜钵庙组复杂岩性的识别方法。
1.1 测井数据标准化
数据标准化也就是统计数据的指数化, 数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。由于常规测井数据如自然伽马、密度、中子、声波时差等具有不同的量纲, 数据之间不具有可比性, 因此需要进行测井的无量纲化处理, 经过上述标准化处理, 原始数据均转换为无量纲化指标测评值, 即各指标值都处于同一个数量级别上, 可以进行综合测评分析。
笔者采用Z-score标准化对XXA井进行无量纲化处理, 选取与岩性相关的自然伽马 (GR) 、补偿声波 (AC) 、补偿密度 (DEN) 、补偿中子 (CNL) 及中子视孔隙度与密度视孔隙度差 (SDN) 等5条常规曲线进行处理, 首先确定每条测井曲线数据的算术平均值和标准差, 然后按照式 (1) 进行标准化处理
式 (1) 中, x表示每条测井曲线数据;Zx表示标准化后的测井曲线数据;μ为每条测井曲线数据的均值, σ为每条测井曲线数据的标准差。
1.2 主成分分析
由于上述5条测井曲线在不同程度上反映岩性特征, 并且相互之间有一定的相关性, 因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时, 变量太多会增加计算量和增加分析问题的复杂性, 因此, 测井解释人员在研究测井相分析技术识别岩性时, 总是希望涉及的变量较少, 得到的信息量较多。
主成分分析正好可以满足这一要求, 它是一种降维的统计方法, 借助于一个正交变换, 将其分量相关的原随机向量转化成其分量不相关的新随机向量, 然后对多维变量系统进行降维处理, 使之能以一个较高的精度转化成低维变量系统, 再通过构造适当的价值函数, 进一步把低维系统转化成一维系统[7]。
保留多少个主成分取决于保留部分的累计方差在方差总和中所占百分比, 即累计贡献率。通过分析, 前4个成分的累计方差在方差总和中占的百分比已达100%, 因此, 本次研究提取主成分的数目为4。主成分的计算函数如式 (2) , 表1为四个主成分的计算函数的系数。
式 (2) 中, ZGR是标准化后的自然伽马测井响应值, C1j是ZGR对应四个主成分的系数;ZAC是标准化后的声波时差测井响应值, C2j是ZAC对应四个主成分的系数;ZDEN是标准化后的密度测井响应值, C3j是ZDEN对应四个主成分的系数;ZCNL是标准化后的中子测井响应值, C4j是ZCNL对应四个主成分的系数;ZSDN是标准化后中子-密度视孔隙度差值, C5j是ZGR对应四个主成分的系数。
1.3 K均值聚类划分测井相
K均值聚类就是给定一个元素集合D, 其中每个元素具有n个可观察属性, 使用K均值算法将D划分成k个子集, 要求每个子集内部的元素之间相异度尽可能低, 而不同子集的元素相异度尽可能高。其中, K均值聚类划分测井相的关键是聚类数K值的确定[8]。
为了准确获取K值, 笔者利用上述分析得到的四个主成分数据, 采取K均值聚类获取了K=2, 3, 4, …, 20的聚类结果, 然后分别计算其代价函数值。例如, 对于K=2的聚类结果, 计算出每个数据采样点到其聚类中心的距离 (简称欧式距离) , 然后对每个采样点得到的欧式距离求和, 并将其作为该类的代价函数值, 对其他聚类结果也采用类似分析, 最后可以得到不同聚类结果的代价函数值与聚类数的交会图, 如图1所示。
从图1中可以看到, 代价函数值随聚类数的递增而减小, 当代价函数值的变化率最小时, 即图1中对应的拐点处A, 其所对应的聚类数即为最佳测井相聚类数, 从图1可以读出, 最佳聚类数为9, 因此, 划分了9类测井相。
1.4 测井相-岩性数据库建立
测井相-岩性数据库建立的质量直接影响最终的解释结果, 是一项十分重要又非常繁琐的重要环节。XXA井取心长度为162.32 m, 岩性类别十分齐全, 由于测井垂向分辨率低于岩心, 常规测井曲线很难反映薄层的岩性特征, 因此, 在对岩心资料与测井资料划定的测井相之间进行对比分析时, 提取取心长度大于0.5 m的岩性进行分析。
以岩心描述的岩性为基础, 将取心岩性段对应的测井相 (离散数据, 采样间隔0.125 m) 进行直方图分析, 如图2所示。从图2中可以大致建立测井相-岩性数据库, 其砂砾岩主要以测井相3为主, 粗砂岩主要以测井相7为主, 细砂岩主要以测井相4为主, 凝灰质细 (粉) 砂岩主要以测井相5为主, 凝灰岩主要以测井相6为主, 粉砂质泥岩以测井相2为主, 凝灰质泥岩以测井相1为主, 泥岩取心较少, 通过泥岩的测井曲线响应特征, 可以判断以测井相8和测井相9为主。
1.5 Fisher测井相判别模型
Fisher判别的基本思路就是投影, 针对P维空间中的某点寻找一个能使它降为一维数值的线性函数, 然后应用这个线性函数把P维空间中的已知类别总体以及求知类别归属的样本都变换为一维数据, 再根据其间的亲疏程度把未知归属的样本点判断其归属[9]。
笔者以划定的9类测井相为基础, 分别建立每个测井相的Fisher判别函数, 其表达式如式 (3) , 判别函数系数见表2。
式 (3) 中, GR是自然伽马测井响应值, C1n是GR对应9个测井相的系数;AC是声波时差测井响应值, C2n是AC对应9个测井相的系数;DEN是密度测井响应值, C3n是DEN对应9个测井相的系数;CNL是中子测井响应值, C4n是CNL对应9个测井相的系数;C5n是对应9个测井相判别函数的常数项。
通过建立的Fisher判别函数, 对XXA井进行回判, 回判结果见表3, 从表3可以看出, 对于9类测井相, 回判正确率最低为第5类测井相, 为94.4%, 回判正确率最高为第8类测井相, 为99.3%, 从回判的效果看, 所建立的Fisher判别模型是可靠的, 可以用该模型来预测相同区块其他井的岩性。
2 实例分析
应用上述Fisher测井相判别模型和测井相-岩性数据库, 对塔南油田XXB井铜钵庙组测井资料进行了处理, 如图3所示。
第五道为取心岩性描述的岩心剖面, 第六道显示了采用测井相分析技术预测的岩性剖面, 从测井相分析技术预测岩性剖面看, 在1 742.75~1 747.63 m的岩性为细砂岩, 1 748.5~1 753.25 m的岩性为砂砾岩, 1 760.5~1 762.25 m岩性为凝灰质粉砂岩, 这一结果与第五道的岩心剖面基本一致 (1 743.93~1 747.45 m, 细砂岩;1 749.71~1755.53 m, 砂砾岩;1 760.45~1 762.51 m, 凝灰质粉砂岩) 。因此, 利用上述测井相分析技术预测的岩性是可靠的。
3 结论
(1) 测井相分析技术为储层测井精细解释提供了较为可靠的岩性识别模型, 为常规测井资料识别复杂储集层岩性提供了新的思路和途径。
(2) 在测井相的划分中采用K均值聚类的方法, 利用代价函数与聚类数的变化趋势确定最佳测井相类别;在测井相判别中采用Fisher判别分析法, 并结合测井相-岩性数据库, 建立了目标区块的岩性判别标准。
(3) 利用建立的测井相-岩性判别模型, 对塔南油田XXB井铜钵庙组实际井资料进行了处理, 其预测结果与岩心描述结果基本一致, 证实了本方法预测的岩性是可靠的。
参考文献
[1] 刘行军, 柳晓燕, 成军军, 等.苏里格中西部地区石盒子组盒8段测井相分析.测井技术, 2008;32 (6) :538—541Liu Hangjun, Liu Xiaoyan, Chen Junjun, et al.Logging facies analysis on shihezi formation he8 section in central and western sulige area.Well Logging Technology, 2008;32 (6) :538—541
[2] 严科, 杨少春, 任怀强.吐哈盆地红台气田测井相分析.石油天然气学报, 2008;30 (4) :99—103Yan Ke, Yang Shaochun, Ren Huaiqiang.Electrofacies analysis in hongtai gas field of tuha basin.Journal of Oil and Gas Technology, 2008;30 (4) :99—103
[3] 吴灿灿, 李壮福.基于BP神经网络的测井相分析及沉积相识别.煤田地质与勘探, 2012;40 (1) :68—71Wu Cancan, Li Zhuangfu.Logging facies analysis and sedimentary facies identification based on BP neural network.Coal Geology&Exploration, 2012;40 (1) :68—71
[4] 苏凯勇, 陈华.基于动态数据库的测井相分析.测井技术, 2008;32 (4) :342—345Su Kaiyong, Chen Hua.Electrofacies analysis based on dynamic database.Well Logging Technology, 2008;32 (4) :342—345
[5] 蔺景龙, 张淑梅.测井相分析方法的研究.大庆石油学院学报, 1992;17 (1) :16—22Lin Jinglong, Zhang Shumei.The study of logging facies analysis method.Journal of Daqing Petroleum Institute, 1992;17 (1) :16—22
[6] 王小军, 陈钢花, 余杰, 等.测井相分析技术在岩性油气藏勘探中的应用.新疆石油地质, 2007;28 (4) :441—443Wang Xiaojun, Chen Ganghua, Yu Jie, et al.Application of log facies analysis to lithologic reservoir exploration, Xinjiang Petroleum Geology, 2007;28 (4) :441—443
[7] 钟仪华, 李榕.基于主成分分析的最小二乘支持向量机岩性识别方法.测井技术, 2009;33 (5) :425—429Zhong Yihua, Li Rong.Application of principal component analys is and least square support vector machine to lithology identification.Well Logging Technology, 2009;33 (5) :425—429
[8] 袁方, 孟增辉, 于戈.对K-means聚类算法的改进.计算机工程和应用, 2004;40 (36) :177—179Yuan Fang, Meng Zenghui, Yu Ge.Improved K-means clustering algorithm.Computer Engineering and Applications, 2004;40 (36) :177 —179