基于测井曲线自动分层的岩性识别方法研究

吴非 王卫 王佳琦

关键词：测井数据;曲线分层;交会图;BP神经网络;支持向量机;岩性识别

1绪论

地层岩性识别在水平井与地层关系解释、及随钻导向评价等方面具有的重要的研究意义。目前，可以通过岩屑录井、取芯和测井资料的处理解释等方式来获取地下三维空间的岩性信息。在岩性识别过程中，主要以sP、GR、AC、RT、DEN和CN等曲线作为岩性响应特征数据，实现对测井曲线分层、岩性识别和预测进行分析。而测井曲线分层、不同岩性识别方法对识别结果影响很大。

测井曲线分层一直是关注的热点。目前，测井曲线分层主流的方法有人工智能、数理统计和非数理统计等方法。雍世和认为测井曲线的数值变化不大的可以归为同一层，不同的层其差别比较大，就是所谓的层内差异法，基于统计学方法的测井曲线分层有李广场的有序聚类分析和Danilo R.Velis的变点分析法。阎辉等提出了小波变换方法的非数理统计方法。近年来人工智能的兴起，相关的算法也在测井曲线分层中有较多方法的应用，如刘春桃等提出了基于神经网络的测井曲线分层方法，梁亚纳等提出了基于支持向量机测井曲线分层方法等。上述方法各有优劣，数理统计方法计算量大，但数学理论严密;非数理统计方法一般只考虑局部或整体，不适合于多因素综合;人工智能方法受样本数据影响较大，如果样本训练准确率较高，则识别的效果相对较好。

岩性识别方法更是受专家和学者探讨和研究的热点之一。国内外关于这两方面的研究比较成熟，交会图技术法是利用测井资料进行岩性识别的常用方法，随着IT技术的发展和多学科的交叉融合应用，模式识别领域的人工智能方法也被引入到岩性识别中来，比如：聚类分析法、BP神经网络等方法。

总之，现有研究主要单一的考虑测井曲线分层方法或者岩性识别方法，并没有很好地结合二者对分层的数据采取不同的识别方法或者测井资料进行岩性识别，同时对各种识别方法缺少对比分析。本文先采用移动平均方法，主要利用自然伽马（GR）曲线进行分层，然后根据不同的分层结果使用相对应的测井资料和交会图、BP神经网络和支持向量机等方法方法进行识别，识别结果与井壁取芯样本以及MATLAB识别结果基本一致。

2数据处理与曲线分层

2.1数据处理

目前，国内主要的测井数据处理解释软件支持的主流数据格式主要有LAS和WIS等，LAS和WIS有相似的数据存放结构，其数据的组成包括标题块和数据块两部分。标题块主要包含井名，采样的起始值、终止值及测井曲线名等，如下图1所示，x1井数据格式。其中存在无效值，因此需要对其进行数据处理。

2.2基于测井曲线自动分层

在随钻导向井与地层关系的解释过程中，首要的任务就是要基于测井数据进行地质分层。测井曲线分层的目的是为了提高岩性识别的准确率，特别是对于复杂储层，分层处理显得更为重要，对不同的储层可以选取不同的样本数据和不同研究方法，以提高岩性识别的稳定性和正确性。本文提出了一种移动平均算法，该算法的详细步骤描述如下：

步骤1：首先设定移动平均法的步长n，一般可以n取8个数据，对i到i+2n，i+n到i+3n，i+2n到i+4n，…进行移动平均求解，因此每相邻的n个测井曲线的移动平均值为：

式中：为测井曲线数据，代表in节点处的平均值。同时记录当前索引点：

步骤2：设定曲线变化率的阈值P，P值初始可以定为30至60左右，发现不合适时可以交互修改直至结果满意为止。如果两相邻的节点A和A差值小于阈值P，则对其进行合并，求A与A和的平均值作为新的均值，删除集合I中kn值。

步骤3：求索引点集合I的移动均值，并将求得移动均值记为V。

步骤4：设定岩性变化幅度阈值Y，Y值一般需要考虑目标井所在的储层情况来取值，对集合V进行判断，如果V.大于给定的阈值Y，则该层对应的岩性归为第一大类;否则，该层对应的岩性归为第二大类。

3岩性识别方法及应用

3.1交会图法

测井曲线交会图版方法是一种测井资料的解释技术，它是基于测井曲线数据标给出可识别的图像的图版。它需要在平面上把两种不同的测井曲线进行交会，并根据两曲线的交点，标定出未知变量的值和范围的方法。岩石的主要矿物成分与一些微量元素具有很强的相关性。因此根据不同的测井资料，应选取与其合适的微量元素（Mg、A1、si等）作交会图来识别岩性。然而在测井中自然伽马、中子、密度、光电吸收界面指数等对不同岩性的反应比较灵敏，因此选择自然伽马、中子、密度、光电吸收界面指数比较合适，该方法在岩性识别中应用广泛，但在复杂岩性识别中，如果不作特殊处理，其直接识别岩性的准确率较低。

3.2 BP神经网络

该网络由Rumethart等人于1985年提出，是一种前馈网络，又称为误差反向传播网络。BP神经网络是一种由输入层、隐含层和输出层3层组成的网络结构，其网络拓扑结构如图2所示。该方法主要是采用AC曲线、GR曲线、RT曲线和sP曲线等来预测地层的岩性，该方法也是目前岩性识别的主流方法之一，识别岩性的准确率高，应用广泛。

3.3支持向量机

支持向量机（sVM）是属于模式识别中的一种新的方法，它的明显优势主要在于对小样本数据和非线性关系等方面的识别问题，其显著特点在于数学形式简单、人机交互设置参数少，并且能寻找到极值解，该方法也是目前主流的岩性识别方法之一，识别岩性的准确率相对较高，应用广泛。

3.4应用

本文以A油田x1井数据为例，采用传统方式对整口井不分层段直接用岩性响应特征曲线数据进行全井段识别，交会图、神经网络以及支持向量的识别率只有60%至80%识别准确率，有的井识别率甚至低于50%。本文先根据明码格式的测井曲线结构，将数据划分为标题块+数据块，对其中存在的无效值进行处理，再利用移动平均的方法对测井曲线进行分层，在分层过程中，主要采用GR曲线作为特征曲线进行分层，分层结果如下图3所示。

为了提高岩性识别正确率，在自动分层的基础上，将岩性响应特征数据按变质岩、岩浆岩和沉积岩等岩性分大类分别处理，针对不同的岩性大类生成不同的交会图版和学习样本，并对目标井各选取上述提到的三方法进行岩性识别，并与商业软件MATLAB提供的支持向量机算法识别结果进行对比，取3580～3610米左右的井段识别的结果如图4所示。

通过识别结果的对比分析，得出以下几点认识：（1）在分层处理基础上，按大类分别设置不同参数和方法进行岩性识别，其识别结果更加准确，如图中所展示的三种岩性识别结果都和实际相符;（2）井壁取芯处三种方法的岩性识别都相同，其他地方存在细微的差别;（3）通过图4对比分析，可以发现BP神经网络和支持向量的识别相似度较高，且识别正确率达到90%以上。（4）与商业软件MATLAB进行识别结果对比，结果基本一致，说明按分层处理后的识别方法达到了商业软件识别效果，本方法具有很好的推广价值。

4结语

本文提出了一种基于移动平均对GR等测井曲线进行自动分层方法，能快速标定出不同的层对应的大类岩性，并对不同的大类岩性指定合适的岩性响应测井数据，作为交会图图版和样本学习的原始数据，然后分别采用支持向量机、交会图和BP神经网络等方法进行岩性识别以进行对比。通过自动分层的各种识别方法能够有效地提高岩性识别率，为测井资料处理、解释等工作提供了很好的指引。通过对比这三种方法与井壁取芯样本点岩性以及MATLAB识别结果，说明基于自动分层岩性识别方法的有较高的准确率，其推广价值較高。