中国石油大港油田公司第一采油厂 天津市滨海新区 300280
摘要：在复杂储层中，单纯依靠常规测井资料并不准确判断储层流体性质，为此提取对流体性质敏感的测井曲线及结合气测录井等资料建立BP神经网络模型,以本区块试油资料为学习样本，通过模型程序自动训练判别,实现BP神经网络在储层中的流体性质自动化判别，解释结论与试油结论有较高的一致性，在储层流体性质判别中取得较好的效果。
关键词：神经网络；流体识别；测井信息；气测录井
1 BP神经网络建立
对于测井信息，经前人大量对于流体识别的研究[3]，提取对流体性质较敏感的测井曲线资料，进行BP神经网络模型建立。资料的选取以原始测井资料为基础结合气测录井参数作为输入；最终采用输入参数建立流体性质识别的BP神经网络预测模型。
1.1输入参数的选取
测井资料选取：三孔隙度曲线（声波AC、中子CNL、密度DEN）和电阻率曲线（深浅侧向RD、RS）以及自然伽马曲线（GR）这6个参数作为测井输入；
14个气测录井资料中挑选出气测录井资料的绝对含量，分别为全烃（QT）、甲烷（C1）、乙烷（C2）、丙烷（C3）以及相对含量C1/C2、C1/C3、C1/C4、C2/C3和气测录井油气性质识别的派生参数烃湿度比（WH）、烃平衡比（BH）、烃特征比（CH）这11个参数作为录井资料输入信息。
由此将气测录井和测井曲线相结合共17个输入参数，即17个输入神经元展开BP神经网络学习预测。
1.2输出参数的选取
根据试油资料的储层类型和常规方法的解释结论，确定油层、油水同层、水层、干层这四个储层类型作为BP神经网络的输出层。
为了避免学习算法不收敛，提高学习速度，对输出类型编码为0.9和0.1，而不取1和0[4]。
1.3学习样本的选取
将地层响应特征值作为油气水识别神经网络的输入信息，能更好的进行层段油水识别。以有试油资料的储层段为样本，分别选取油层、油水同层、水层、干层样本层若干，将样本层的气测录井和测井共17个输入参数归一化后，读取各学习参数的平均值。同时对样本进行对比筛选，从中剔除矛盾样本，减少相同特征点数，补充典型样本点，以保证样本具有真实性，代表性和广泛性。应用以上方法，在渤海湾某油田A、B区块经过几次挑选及验证，最终共获得58个样本组成学习样本集。
表1 渤海湾某油田A、B区块归一化学习样本表
1.4网络结构的确定
在输入和输出确定的同时，分别进行了一层隐含层和两层隐含层的学习预测，并对比分析油水识别效果发现，一层隐含层即三层网络结构预测结果较两层隐含层预测效果更好，更稳定，由此最终确定用三层网络结构。隐含层神经元的个数应用网络结构优化的自构形算法在学习过程中自动确定，最终确定为11个。
最终建立测录井资料流体性质识别神经网络：输入层神经元17个，隐含层为1层，11个神经元，输出层神经元4个，并保存了连接权值及阈值以实现储层外推预测。在神经网络储层预测过程中，以NRA岩性曲线来控制储层预测井段，以此达到非储层段不进行预测，只在储层段进行预测的目的。
2.神经网络模型对资料处理分析
应用建立的神经网络模型，对A、B区块气测资料全面的2口井进行了实际处理应用，实现了自动识别流体性质的目的。以A、B区块利用神经网络进行测、录井结合流体识别方法所构建的实际处理结果的关键井为例，分析其与试油结论及实际测井解释结论符合率。
图1所示为A1井预测流体性质成果图。图中第七道为预测的流体性质综合图，第八道为最终预测结果，从图中可以看出，在油层和水层两个试油层段，测井和气测录井资料响应特征不明显，而通过BP神经网络的学习、预测，最终预测结果与试油结果完全吻合。
图2所示为B2井预测流体性质成果图。由图可看到，两个试油层段，油层和水层电阻率曲线值相当，三孔隙度曲线以及其他测井曲线未有任何明显特征响应，全井段气测曲线值均较低，都在0～1范围内。应用上述方法预测识别油水结果与试油结论吻合，将油层、水层很好的识别出来，全井段干层的识别与测井解释吻合度较高。B2井此油层段与水层段测井响应特征无差别，是一个较难解释的层段，预测达到了满意的效果。