大凌河储层砂体分布与泥质含量的预测.docxVIP

大凌河储层砂体分布与泥质含量的预测 1 地质背景及预测方法 金27井位于辽宁省葫芦岛市东南80公里处。它的结构位于辽河油田西部坍塌的西南端。在此基础上，发现了六种含油层系统：中生油层、杜家台油层、莲花油层、大凌河油层、兴宁台油层和玉楼油层。其中，杜家台油层、莲花油层、大凌河油层、兴昌台油层和玉楼油层是新的，该层证明该地区是油气集区。大凌河油层主要分布在锦25井南侧地区,是盆地大幅度沉降条件下的产物,经区域地质调查资料和探井化石分析结果表明,该井区以深陷湖环境为主,发育湖底扇浊积岩,为巨厚的暗色泥岩和厚层块状砾岩、砂砾岩。岩相主要为远端浊积相,砂体不是很发育,仅在锦95井的北侧附近和锦65井、锦270井的西北侧为近源浊积物,这反映了物源方向。 正是由于以上背景,大凌河油层具有很好的勘探前景,但由于储层横向分布不均,物性变化很大,给勘探带来了很大难度。通过沉积相分析和储层预测,准确预测大凌河油层的砂体分布和泥质含量,是勘探目标选择的关键,对下一步的油气勘探具有重要意义。由于钻井有限,不能反映储层横向变化,基于钻井资料的预测不能满足实际需要,而地震勘探资料可以提供横向信息,故选用地震资料进行预测。但地震资料的多个参数与储层横向变化具非线性相关关系,同时,又不能找到固定的关系式,故预测方法选择是储层预测成败的关键。为了准确预测储层的横向变化,采用人工神经网络模型进行预测,从而使这种相关关系可以在模型中得到很好的反映。 2 预测方法介绍 为了准确预测储层横向变化,采用人工神经网络模型的双并联前向网络理论与误差向后传播学习算法进行预测。 2.1 双串联网络的工作原理 双并联前向网络可以视为一个多层前向网络与一个单层前向网络的并联。一个多层式前向网络一般包括一个输入层,一个输出层和任意多个中间处理层。网络的工作原理为:首先将输入模式X={x1,x2,...,xni}送到输入层,相应的目标模式即期望输出T={d1,d2,...,dno}送到训练层,输入层的输出以全互联连接形式传送给第一隐层,训练层与输出层以1对1形式相连,第一隐层对接收到的来自输入层输出的数据按规定的方式进行处理,其输出又以全互联形式送到第二隐层,仿此直到输出层。对于双并联网络,主要的差别是,输出层的状态不但取决于最后一隐层的状态,还与输入层的状态有关。输入层的状态会直接反映到输出层的状态中。简言之,网络的工作原理为,网络某一层的处理元件接收来自所有较低层次的信号,这些信号经一定的规则(即处理元件的持住)处理后又送给所有较高层次的处理元件。权值调整是从最高层次依次向最低层次的隐层进行。 2.2 习两个方面 前向网络的运转功能可以分成信息前向传播处理与误差向后传播学习两个方面。所谓网络的学习,就是要提供一个算法使之能对在给定输入{X(t)}的前提下能确定一组权值和门限值W*来使网主的输出{(t,W*)}较好地逼近希望的目标矢量{d(t)}。 (1) 双串联的活动方程 若以隐层数为3作为研究对象,那么双并联前向网络的信息前向传播处理过程可描述成:输入层的输出要通过权矩阵与第一隐层相连,第一隐层的输出通过相应的权矩阵与第二隐层相连,最后隐层的输出经权矩阵送给输出层,输出层同时还接收来自输入层的信号。此过程信息即是从输入层到输出层的正向(前向)流动,故而称为信息前向传播处理。 为介绍算法方便,我们做如下记号: Ili—第l层第i个处理元件的总输入. l—处理层代号,输入层、第一隐层、…、输出层分别对应l=0,l,2,…,L. Zli—第l层第i个处理元件的输出. Wlmij—第l层第i个处理元件与第m层第j个处理元件之间权值。对于前向网络, m≤l。 于是双并联前向网络的前向处理方程为: 输入层: I0i=Xi(1) Z0i=f0(Xi) (2) 一般情况下,Z0i=Xi(3) 隐层: Ιi=nΗLΣj=1Wl(l-1)ij*Ζ(l-1)j+Wl(l-1)io(1≤i≤nHL) (1≤l≤L-1) (4) zli=fl(Ili) (1≤i≤nHL) (1≤l≤L-1) (5) 其中wl(l-1)io表示门限值,fl为第1层处理元件的活动函数。 输出层: Ιi=nLΣj=1Wl(l-1)ijΖ(l-1)j+Wl(l-1)io+nlΣj=1WLΟijΖΟjvv (6) yi=fL(Ili) (1≤i≤n0) (7) 在前向网络中,一般隐层、输出层的活动函数为逻辑活动函数,它具有如下形式: f(x)=A1+e-λx+C(8) 通常A取1,C取0。λ值决定于f(X)在X=0处的斜率,λ越大,曲线越陡。而且λ0,A0。 (2) 学习限制因素 由相关公式(据何明一)的推导有: 输出层δ误差: δ(k)Li=λLAL(C