[科普中国]-测井沉积学解释计算机辅助系统

系统逻辑结构

1.原理.

从模式识别的角度来说,测井相实际上是一个模式识别过程。该过程将测井模式由多维测井变量(模式)空间正确地映射到较低维的地质类别空间,即有映射:

F: Rn→Rm, y = F(X )

对于样本集合X 和输出Y,可以为存在某一映射关系G 使yi= G（xi）xi∈ X ， yi∈Y

(1)由计算机利用样本数据求取一映射F,使得在某种意义下最佳地逼近G,以实现区分不同的模式,而将同一类别的不同模式样本归为一类。通常的分类规则为,如果模式X 与类别A 的模式最相近,则模式X 属于A,在此过程中涉及的问题是:

①完成模式特征的抽取,即决定如何以一组参数的形式描述模式X 。

②利用一组已知类别标号的训练模式样本学习由输入空间到输出空间的映射关系F 。

③运用映射F(X )进行分类。

上述模式识别系统的组成如图所示:

本系统采用多元统计模式识别技术和人工神经网络模式识别技术实现测井相分析。测井资料利用我国各油田普遍使用的CLS3700 系列的测井资料或CSU 系列的测井资料,或者国产仪器的测井资料。

(2)在进行测井相分析的过程中,遵循以下原则:

①每一被选择的测井响应应尽可能地反映地层的岩性及其物理特征。

②保证测井曲线质量及各测井曲线之间的深度匹配,校正环境和井眼的影响。

③以某种相似性参数为样本之间的相似程度的度量(如欧几里德距离),将样本数据将样本空间归类划分为不同的测井相。

④以某种归类判别准则建立测井相空间到地质相空间的映射规则,实现对未知测井层段的归类识别。

2.系统的总体逻辑框图如图所示

1、测井曲线的编辑。

完成测井曲线数据野外带记录格式到测井相分析所用的向量格式的转换,以及测井曲线的选择。

2、预处理模块。

完成测井曲线的环境校正、深度校正以及曲线的滤波、分层处理、数据标准化处理等功能。多元统计岩相分析器。采用主成分分析、聚类分析、判别分析等完成测井曲线的岩相识别。

3、ANN 测井相分析器。

采用ANN 技术完成测井曲线的岩相识别和和沉积环境识别。测井层段的划分。根据岩相分析所得的岩相垂向序列,划分用于识别沉积环境的测井层段。曲线形态特征的提取。提取各测井层段内倾

4、角测井的沉积学特征。

单井测井沉积环境识别。根据所提取的测井层段的特征,应用ANN 技术,在取心地质资料刻度下建立单井沉积环境的垂向序列。成果显示。 SUN 工作站上。PEN WINDOW 环境下,用C、Xview、Xlib 编程,在屏幕上将测井曲线、测井曲线的校正、分层等预处理结果以及测井相分析结果进行显示观察,并可在屏幕上交互修改测井相分析的结果。测井相分析的最终结果可用打印机、绘图仪输出。1

测井相分析的数据预处理1.测井曲线的环境校正及深度匹配

测井曲线的环境校正、主要是校正井眼环境如钻井液因素、井壁不规则以及一起偏心等非地质因素的影响。由于目前普遍使用的测井曲线是用CLS3700 测井仪或CSU 测井仪测得的,因此为简单起见,我们采用现有的3700 测井校正图版和拟合公式来实现对测井曲线的环境校正。

在测井过程中,由于井眼的不规则以及钻井液对仪器的粘附作用,电缆会产生拉伸。另一方面,测井曲线是仪器分次组合下井测得的。这样就会造成各曲线间的深度的错动和不匹配,我们选用一条特征明显的曲线如GR 为基准,确定其他曲线相对该曲线的深度移动,用NEWMOV 程序完成曲线的深度校正,使各曲线所反映的地层边界位置一致。

2.测井曲线的分层取值处理

测井曲线的分层直方化就是将测井曲线恢复成原始的矩形曲线以代替通常所见的光滑曲线。在SPE 第六十届地质会议上提出了用测井曲线划分地层界面的原则,即给定参数在层内变化为最小,层与层之间的变化为最大。据此,可以用各种方法实现测井曲线的分层处理,如活度函数分析法、方差分析法、有序样品聚类最优分割法以及Walsh 变换等方法。本系统采用层内差异分析与聚类分析相结合的方法来完成测井曲线的自动分层直方化处理。

1)主要分层曲线的层内差异法分层处理层内差异法分层的依据就是在同一层内的测井响应是相对稳定的,其变化不超过某个允许误差。

在用测井曲线的层内差异进行分层时,我们选择具有较高纵向分辨率的测井曲线,如GR、Rxo 或RFOC、RSFL 等作为主动分层曲线,对起进行初始分层处理。

2)分层曲线的初始分层的聚类并层处理

在对主动分层曲线用层内差异分层处理时,对整个井段我们采用了相同的较小的B 值,而各个层的均方根误差σi 是各不相同的,这样在实际处理中,可能会出现某些层段划分得过细,把同一层段划分成了若干个小层。因此,在对主动曲线作层内差异分层后,我们将其分层结果施加到所选作分层曲线的其他一至四条有较好纵向分辨能力的测井曲线上,作为这些分层曲线的初始分层。然后以这些分层曲线为变量,用这些变量间的广义马哈诺比斯距离来衡量各初始分层小层间的相似或接近的程序,对分层曲线的初始分层结果进行最优聚类分割,将相似或接近程序较高的相邻的小层合并为一层。

3)对其它测井曲线的分层延拓

在完成选择的一组分层曲线的分层直方化以后,将分层结果延拓到其它测井曲线上,从而在所有测井分析所使用的测井曲线上得到统一的分层边界。这样分层处理后,所有的测井曲线都被直方化了,看起来犹如由不同的常数段组成的阶梯状线段。每一层的各曲线的测井值就是该曲线在该层的平均值。

4)测井曲线的归一化处理

在对同一油田、同一区块或同一构造上的各井进行测井相分析时,必须对所使用的测井曲线进行标准化处理,以消除由于所使用的仪器不同、刻度不同所产生的影响。同时对测井曲线进行归一化处理,还可以消除由于各测井曲线变量之间的量纲以及数量级的不同而在数理统计分析上产生的误差。

经过上述预处理后,我们用矩形测井曲线代替了通常测井解释中所用的原始的光滑的测井曲线。这样做的原因是:其一,在划分的各个层段内,测井曲线值保持恒定不变,我们只需存储该层的起始和终止深度以及各条曲线的平均值,而不必存储各曲线的全部采样值,从而节省了处理中测井数据的存储空间。其二,经过分层直方化后的测井曲线代表了真实的(或者更确切的)测井响应值,保留了地层性质的变化,消除了非地层因素的影响,分层后层内各采样点间的数值差异最少,而层间的差异最大,此时,可以认为层内具有相同的岩性。这样每一个测井层段就可以当作是n 维测井变量空间中的一个点来处理。测井相分析就成了一个由n维测井变量空间到m 维地质空间的映射识别。1

ANN 相分析测井相分析实际上是一个模式识别的过程。利用人工神经网络算法可以比较好的实现相分析过程。

1.用于测井相分析的ANN 模型

本系统用一个基于距离的自组织竞争网络D-kohonen NN 完成测井相参考向量模式特征的提取；用一个基于距离的多层前向网络D-BP NN 作为测井相到地质相的映射分类识别器。

1) D-kohonen NN 测井相参考向量模式特征提取器

这是一个以kohonen 算法为基础的自组织特征映射网络。网络由输入层和输出层神经元构成。以欧氏距离评价输入测井向量模式间的相似程度,将测井向量空间的节点聚集成不同的区域一一测井相。在网络的学习训练过程中,输出层的节点的个数是变化的,每个节点代表一类测井相。网络输出层节点的总个数即为最后得到的测井相的总类数,各节点的输出即为相应测井的参考模式向量。

2)地质相识别分类器D-BP NN

在ANN 理论研究中,Hecht-NieLson 已经证明,当隐层节点数可以根据需要自由设置时,对于任意的ε>0,可以用三层具有Sigmoid 形状的I/O 特性的网络,以ε均方根误差的精度逼近任何非线形函数,并可形成复杂的分类决策区域。以Rumelhart 的BP 算法为基础,构造了一个由输入层、隐层、输出层组成的三层网络D 一BP NN 作为由测井相到地质相的识别分类器。

2.ANN 测井相分析的过程

1)由取心井选择建立学习训练样本集

ANN 的分类判别性能直接取决于学习训练过程中所采用的样本集。样本集所提供的信息是网络学习输入测井模式到输出地质相的映射关系的唯一来源。因此样本集应全面、有代 表性。尽量避免样本的模糊与缺乏,以及样本间的冲突。实验表明,样本的模糊与冲突会极 大地影响网络的学习速度与性能。同时,为保证网络识别的总体性能,各个地质相的样本数目应大体均衡。

2)网络模型的建立及学习训练

我们用C、Xview、Xlib 编程建立网络模型。在网络学习阶段,从样本文件抽取样本模式,采用模式迭代的方式,来训练网络。学习结束,可以显示网络的学习过程和学习结果。影响网络学习过程的学习参数主要有ρ、η、 a1、 a2 以及学习迭代次数 cnt。通过详细研究网 络对样本的学习效果与网络学习参数间的关系(样本数据取自DHl 井),可得出如下结论:

(1)随着网络隐层节点规模nhnode 和学习迭代次数cnt 的增加。网络对岩性的识别符合率并不总是随着增加。 nhnode 越小,网络的容量也就越小,实现要求的识别精度,需要更多的学习迭代次数cnt 时,有时甚至达不到所要求的识别精度。而nhnode 过大时,网络的容量会出现冗余,网络的学习可能会陷入局部最小,而且网络的泛化能力也可能会变差。对d1井,nhnode 取26 时,可能取得较好的网络性能。

(2) η和a1对网络的学习收敛过程有很大的影响。η大,网络学习收敛速度会加快,大的a1则可增加网络学习过程的稳定性。

3.网络的工作过程

在这个过程中,程序从网络结构参数文件中读取网络的拓扑结构参数以及各节点的连接权值,判别未知测井向量模式的地质相类别(如岩相类别)。1

根据测井曲线的形状特征识别沉积环境1.测井层段的划分

单井剖面中,各种沉积岩体所属沉积环境亚、微相的划分主要在于对井剖面垂向岩性剖面及其各种组合序列的详细划分。因此,在利用测井资料识别沉积环境时,应首先划分井剖面的测井层段,确定各个解释窗长,然后对各个解释窗口,提取测井曲线的形态特征。本系统主要依据井剖面垂向岩性序列的各种组合来划分测井层段。一般应满足如下几个约束条件:

(1)地质大相或亚相的控制。从测井曲线识别井剖面的沉积亚相或微相是在地质上大的沉积时期和沉积环境已知的前提下进行的。只此由井眼剖面的岩性组合序列划分测井层段必须由井底向井顶进行,符合大的沉积环境的要求。

(2)每一个测井层段的岩性剖面上都应是一个旋回层。井剖面垂向岩性粒度旋回一般可分为:正旋回(粒度上细下粗)、反旋回(粒度上粗下细)以及复合旋回等。

(3)最小厚度阀值的约束。对两个相邻砂体间的夹层,如果认为两个砂体属于不同的沉积环境,就应选择这个夹层的厚度作为测井层段的阑值,把这两个砂体划归不同的层段,分别提取曲线特征。

(4)屏幕直观观察约束。测井层段的划分结果可以在屏幕上显示,根据实际情况在屏幕上修改所划分的测井层段使划分结果尽可能与实际相符。在上述约束条件下,我们就可以将测井曲线划分成厚度不同的解释层段,分别提取曲线的形态特征,识别其沉积环境。

2.测井层段内曲线形态特征的描述与提取对每个测井层段,我们用一个参数向量来描述测井曲线的形态特征,包括常规曲线的幅度特征、形态特征、顶、底界面接触关系、曲线的光滑特性,以及测井层段内的岩性特征、旋回特征、倾角测井的沉积特征等。1