地层参数计算方法对比研究.pdfVIP

石油天然气学报 2012年8月 第34卷 第8期 JournalofOilandGasTechnology Aug．2012 Vo1．34 No．8 地层参数计算方法对 比研究 程万庆 ，高 亮 ，胥博文 (天津地热勘查开发设计院J天津300250) 孙健( 嘉 嘉霎霉 。) [摘要]储层参数准确求取是测井资料解释的中心任务。面对复杂储层， “四性”关系比较复杂，非线性 关系明显，用常规公式计算误差较大，如何利用测井资料准确计算储层参数，成为测井资料数字处理 中 的重点考虑 问题 从分析常用数学方法入手，依托 Forward测井解释平 台软件，引入神经网络算法、最 优化算法、遗传算法 3种数学方法 ，编制 了相应的处理模块 ，并对 3种方法进行 了对比分析。 [关键词]BP神经网络；最优化算法；遗传算法；地层参数 [中图分类号]P631．84 [文献标识码]A [文章编号]1000—9752(2012)08—0084—04 当前测井技术的信息量迅速增加 ，测井解释与地质信息间需要进行更为精细的刻度与标定 ，但是由 于地下岩体的隐蔽性 、复杂性 ，造成测井资料具有多解性 、不确定性 ，欲提高测井资料 的地质还原能 力，有必要引入相应的数学方法，使测井资料的处理与解释更为高效、精度更高 。 从准确求取地层参数 的目标出发 ，引入了神经 网络算法 、最优化算法、遗传算法 3种数学方法，编 制了处理模块 ，并对实际资料进行 了处理与对比分析。 1 BP神经网络算法计算储层参数 神经网络技术 ，是一种模仿动物神经网络行为特征的数学算法 ，具有非线性映射、自适应学习、模 式分类及并行分布式信息处理等功能。BP神经网络优点突出：算法不涉及知识和推理的精确表达 ，而 是模拟人脑的一种技术 ，它能通过学习获取经验 ，能够形成任意非线性映射 ，在测井储层参数计算和模 式识别方面有明显优势 。 BP神经网络的计算过程分为 “学习”和 “预测”2个部分，学习规则使用最速下降法 ，通过反 向 传播来不断调整网络的权值和阈值，使网络的误差平方和最小。 程序中激励函数 f ()采用 sigmoid函数 ： ( t)一 1 (1) s 式中，net，为层节点输入值 ；，为阈值 ；为温度系数 。 为抑制 BP神经网络的振荡效应 ，程序在基本 BP神经网络算法的基础上加入了 “惯性项”，但是学 习时间相对被延长[1]。 针对地区实际资料，选择 自然伽马、补偿声波、补偿 中子 、补偿密度 、深侧 向、浅侧 向6条输入曲 线 ，网络模型为输入层6个节点，隐层 6个节点，输出层 1个节点。 A1井取心井段为 176O～1798m，该井段岩心数据没有参与模型建立 ，预测结果分别与岩心分析孔 隙度曲线 、交会 图计算孔隙度曲线进行对 比 (第 5、6道)，预测孔隙度与岩心孔隙度基本符合 ，处理结 果 比交会图公式处理结果要好 (图 1)。 [收稿 日期]2O12一O4—18 [作者简介]程万庆 (1972一)，男，1995年大学毕业 ，工程硕士，高级工程师，现从事地热勘探开发及管理工作 。