基于神经网络模型的生物扰动碳酸盐岩储集层识别与孔隙度预测——以塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层为例

牛永斌，赵佳如，钟建华，王敏，徐资璐，程梦园

1)河南理工大学资源环境学院，河南焦作，454003；2)中国石油大学(华东)地球科学与技术学院，山东青岛，266580；3)中国石化胜利油田分公司勘探开发研究院，山东东营，257015

内容提要:塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层非常发育，但利用常规测井数据识别生物扰动储集层发育段和准确预测孔隙度难度较大。本文在对研究区16口取芯井奥陶系岩芯上生物扰动区域扰动等级划分的基础上，通过岩性标定测井，优选常规测井参数，基于BP神经网络模型分别建立了适合研究区生物扰动碳酸盐岩储集层识别和孔隙度预测的模型，并对建立的模型进行了有效性检验。结果表明：① 选择自然电位、自然伽马、井径、深侧向电阻率、浅侧向电阻率、补偿中子和密度等常规测井数据作为生物扰动碳酸盐岩储集层识别模型输入层的参数值，生物扰动指数(Bioturbation Index,BI)作为输出结果；选取rprop、sigmoid symmetric和sigmoid stepwise函数分别作为训练函数、隐含层和输出层的激活函数，建立节点数为3、层数为3的神经网络识别模型，识别效果好，适用于研究区奥陶系生物扰动碳酸盐岩储集层的识别。② 选择自然电位、自然伽马、井径、声波、补偿中子和密度值等常规测井数据作为输入层的参数值，对应深度上岩芯柱塞孔隙度测试结果和利用孔隙度样品检验模型计算得出的孔隙度结果作为输出结果，选取incremental、gaussian和sigmoid分别作为训练函数、隐含层和输出层的激活函数，建立节点数为4，层数为3的生物扰动碳酸盐岩储集层孔隙度预测模型，预测效果良好，适用于研究区奥陶系生物扰动储集层孔隙度的预测。该研究对定量表征研究区生物扰动储层特性、储量估算、油藏描述和储层地质建模等具有重要的借鉴意义。

塔里木盆地塔河油田是我国第一个古生界海相亿吨级大油田(金强等，2020)，传统认为塔河油田奥陶系油藏是典型的“缝—洞型”油藏；溶洞、裂缝、小型溶蚀孔洞、礁滩粒间孔等是该油气藏的主要储集空间(阎相宾等，2001；林忠民，2002；Mao Cui et al.,2014；赵建等，2015)。然而，近几年的研究还发现塔河油田奥陶纪适宜的沉积环境、生态条件、良好的时空物质匹配和充足的生物扰动作用时间，多期次的生物潜穴叠加形成了横向连片、垂向连通的大规模生物扰动碳酸盐岩。这些生物扰动碳酸盐岩具有较好的孔隙度和渗透率，是潜在的油气储集层(郭建华等,1994;毛毳等,2014;牛永斌等,2017,2018,2020)，但由于生物扰动碳酸盐岩储集层非均质性强、含油气性不均匀和油气层与水层测井响应差异小等特征，致使从常规测井曲线上识别生物扰动储集层难度大。

孔隙度是表征储层特性、储量估算、油藏描述和建立储层地质模型最重要的参数之一，准确获取储集层的孔隙度是进行地层解释和降低石油天然气开采工程风险的基础和关键(连承波等,2006)。因此，寻找有效的计算生物扰动碳酸盐岩储集层孔隙度的方法是当前石油工作者的一项艰巨任务(Jamialahmadi and Javadpor，2000；Jamshidian et al.,2015；Ben-Awuah and Padmanabhan，2017；Urang et al.,2020；Mahmoodpour et al.,2021)。目前，石油工作者获取孔隙度的方法主要有直接测定法和间接计算法，直接测定法利用岩芯和岩屑测定分析，不但成本高且所获取的岩石样本资料往往比较单一不利于准确估量储层参数；间接计算法利用测井数据通过经验公式拟合得到，具有成本低、效率高，且在实际环境中直接测得的资料更能反映储层的真实情况(连承波等,2006)。

目前，不少学者基于声波时差的Wyllie-Clemenceau方程建立了一些孔隙度估算模型(Kamel et al.,2002)，还有不少学者建立了其他的孔隙度预测模型(Iturraran-Viveros and Parra，2014；赵建等，2015；甘宇等，2018；孙岐峰等，2020；谭伟等，2020；Urang et al.,2020)，但利用这些模型进行塔河油田奥陶系生物扰动碳酸盐岩储集层孔隙度预测时与实际测试结果偏差较大。因此，笔者等在总结前人测井孔隙度计算方法的基础上，将生物扰动指数(BI)引入密度测井孔隙度计算模型中，提出了基于岩芯资料和常规测井数据的储集层孔隙度计算样本检验模型，弥补现有常规孔隙度模型的不足。但是该模型引入的生物扰动指数(BI)需要从岩芯资料中获取，由于受取芯井数量的限制，该模型在油田的勘探开发实际应用过程中具有一定的局限性(赵佳如等，2020)。故还需在该样本检验模型所能提供的岩芯或拟岩芯样本数据的基础上建立一种测井曲线与储层参数之间非线性智能模型。前人众多研究表明：人工神经网络(ANN)是解决非线性地质问题的一种有效的计算技术，其中误差反向传播算法(BP模型)是人工神经网络(ANN)技术中最流行的一种(曹思远等，2002；杨立强等，2003；连承波等，2006；彭志方，2006；郑庆生等，2007；Iturraran-Viveros and Parra，2014；Ben-Awuah et al.,2017；Urang et al.,2020；魏杰等，2020)。

本文按照Knaust(2012)推荐的适合描述岩芯上生物扰动等级的划分标准(0～5级)，对研究区16口奥陶系取芯井岩芯上的生物扰动区域进行了生物扰动等级的划分，通过岩芯标定测井，优选与生物扰动碳酸盐岩储集层发育段最为相关的常规测井参数，建立了适合研究区生物扰动碳酸盐岩储集层的BP神经网络识别模型。然后，以生物扰动储集层发育段岩芯柱塞孔隙度测试结果和已建立的孔隙度样品检验模型得出的孔隙度计算数据作为训练数据，基于BP神经网络模型建立了一种适用于研究区生物扰动储集层孔隙度预测模型，并对模型的有效性进行了检验。该研究对定量表征研究区储层特性、储量估算、油藏描述和储层地质建模等具有重要的意义。

1 地质概况

塔河油田面积近2400 km2(金强等，2020)，位于新疆维吾尔自治区塔里木盆地北缘，地处轮台县和库车县境内(艾合买提江·阿布都热合曼等，2010；钟建华等，2010；毛毳等，2014；图 1a)。目前，三叠系、石炭系、泥盆系和奥陶系均为其含油气层位；其中，奥陶系碳酸盐岩中的油气储量占其总探明储量近90%以上(阎相宾等，2001；林忠民，2002)；研究区依据油藏特征可细划分为12个小区(图1b)，钻井揭示奥陶系地层由下到上发育有蓬莱坝组、鹰山组、一间房组、恰尔巴克组、良里塔格组和桑塔木组，其中鹰山组和一间房组在早—中奥陶世的沉积过程中，形成了厚度达300 m的碳酸盐岩(图1c)。传统主流观点认为塔河油田奥陶系油藏是典型的缝洞型碳酸盐岩油气藏，溶洞和裂缝是其主要的储集空间(阎相宾等，2001；林忠民，2002；艾合买提江·阿布都热合曼等，2010；钟建华等，2010；毛毳等，2014；金强等，2020)，而对其他储集空间类型研究较少。碳酸盐岩基质沉积物由于原始物性较差常被认为难以形成有效的储集层(Rashid et al.,2015)，但生物扰动可对其组构和物性进行显著的改造(Gingras et al.,2004a，b，2012；Pemberton and Gingras，2005；Cunningham et al.,2009；Baniak et al.,2013；La Croix et al.,2013；Baniak et al.,2014a,b,2015；Hsieh et al.,2015，2017；Dey and Sen，2017；Friesen et al.,2017；Golab et al.,2017a，b；La Croix et al.,2017；Adam et al.,2018；Eltom et al.,2019；Liu Hangyu et al.,2019；Eltom et al.,2020)。近期研究发现塔河油田奥陶系鹰山组和一间房组含有大量生物扰动发育段，油浸和油斑分布现象明显，是未来潜在的油气储集层。因此，开展塔河油田奥陶系鹰山组和一间房组生物扰动碳酸盐岩储集层的识别和孔隙度预测研究对定量表征研究区储层特性、储量估算、油藏描述和建立储层地质模型等具有重要的现实意义。

图1 塔里木盆地塔河油田地理位置、区域划分和奥陶系地层柱状图(据牛永斌等，2020，有修改)Fig.1 Geographic position,regionalism and Ordovician stratigraphic column of the Tahe oilfield,Tarim Basin (modified from Niu Yongbin et al，2020&)(a)塔河油田构造位置；(b)塔河油田区块划分；(c)塔河油田奥陶系岩性柱状图 (a)structural location;(b)block division;and (c)Ordovician lithological column

2 基于BP神经网络模型的生物扰动碳酸盐岩储集层的测井识别

通过对研究区16口取芯井 982 m奥陶系岩芯详细观测和统计发现，岩芯上生物扰动区域表现为扁圆形椭圆状、斑状、网状或绸带状等形态(图2a)；根据生物潜穴外观形态和部分生物潜穴交叉处具有明显的膨大现象等特征，可识别出主要生物扰动类型有两大类：Thalassinoides类和Planolites类，以Thalassinoides类最为常见和最为发育，生物扰动面积比为5%～100%，Planolites类生物扰动厚度相对较小。偏光显微镜与阴极发光显微镜观测结果表明生物潜穴充填物主要由白云石矿物晶体组成，白云石晶体以半自形晶—自形晶为主，它形白云石晶体较为少见，晶体之间可见未白云化的残留灰泥(图2b,c,d)；生物潜穴充填物内部的白云石晶间孔发育，是这类储集层的主要储集空间，除此之外还有生物铸模孔，围岩基质储集空间不发育。此外，在生物扰动区域边界常发育有原油浸染或沥青充填的微裂隙或缝合线(艾合买提江·阿布都热合曼等，2010；钟建华等，2010)。

图2 塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层岩芯照片与显微照片Fig.2 Ordovician core photo and micrograph of the bioturbated limestone from the Tahe oilfield,Tarim Basin(a)塔河油田奥陶系S80井岩芯照片，5629.75 m，生物扰动区域被沥青浸染。(b)S77井，5566.27 m，单偏光显微照片，生物扰动区被白云石充填，晶间孔发育；围岩基质为泥晶灰岩，基质孔隙不发育。(c)S77井，5569.90 m，单偏光显微照片，生物扰动区被白云石充填，晶间孔发育；围岩基质为泥晶灰岩，基质孔隙不发育。(d)阴极发光显微照片(视域同c)，生物扰动区域白云石颗粒呈紫红色的阴极发光，“亮边雾心”现象明显，揭示为成岩白云化作用形成，晶间孔发育；围岩基质为泥晶灰岩，不具有阴极发光，基质孔隙不发育(a)The Ordovician core photo from the Well S80 in the Tahe Oilfield,5629.75 m,the bioturbated zone was stained by asphalt.(b)The Well S77,5566.27 m,polarizing micrograph.Dolomite intercrystalline pores are developed in the bioturbated zone,the host rock matrix is mudstone,and the matrix pores are not developed.(c)The Well S77,5569.90 m,polarizing micrograph.Dolomite intercrystalline pores are developed in the bioturbated zone,the host rock matrix is micrite,and the matrix pores are not developed.(d)The cathodoluminescence micrograph (the same field of view as c).Dolomite particles in the bioturbated zone show purple-red cathode luminescence,the phenomenon of “bright edge fog center”is obvious,suggests that it is formed by diagenesis dolomitization.The intergranular pores are developed;the host rock matrix is micrite without cathode luminescence,and the host matrix pores are not developed

2.1 生物扰动碳酸盐岩储集层识别模型学习样本的选择

为了减小环境因素和仪器刻度的不确定性造成的测井数据误差，本文在选择测井参数前，首先对选取的测井数据进行了标准化处理。标准化过程中选取塔河油田16口取芯井具有相同沉积环境的厚层泥晶灰岩段的测井数据，分析每口井标准层的测井数据的频率分布特征(如平均数)，求出校正系数；在测井数据标准化基础上，选取整体上能反映该地区地质特征的变化趋势，井眼条件好，测井系列完善且测井质量好，取芯及录井资料齐全的4692个测井数据作为学习和检验样本。结合不同生物扰动指数(BI)下相同测井曲线值的变化幅度，选择了对生物扰动碳酸盐岩储集层预测效果较好的自然电位、自然伽马、井径、浅侧向电阻率、深侧向电阻率、补偿中子值、密度值作为BP神经网络输入层的参数值，生物扰动指数(BI)为输出层的参数。

2.2 生物扰动碳酸盐岩储集层识别模型的建立

利用“迈实神经网络”商用软件建立BP神经网络模型，模型由输入层、隐含层和输出层组成，其中隐含层可以有多个。当含有1个隐含层时将其称为3层BP神经网络，随着隐含层的层数的增加以此类推。一般认为，增加隐含层的层数可以提高模型精度、降低网络误差，但同时也会使网络变得复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向(王嵘冰等，2018)。此外，通过增加隐含层的节点数也可以获得较低的误差，且其训练效果要比增加隐含层的层数更容易实现。因此，本次通过增加隐含层的节点数的方式来降低神经网络误差，即选择3层BP神经网络对模型进行训练，得到了相同隐含层个数下不同隐含层节点数的均方差、最大迭代次数及训练误差。由表1可知，随着节点数的增加，模型均达到了最大迭代次数500000次，训练误差总体呈递减趋势，以均方差最小为原则、训练误差为参考，确定模型隐含层的节点数为3(图3)。

图3 生物扰动碳酸盐岩储集层识别模型的网络结构图Fig.3 Network structure diagram of identification model of the bioturbated carbonate reservoir

表1 不同隐含层节点数对生物扰动碳酸盐岩储集层识别模型的影响Table 1 The influence of different hidden layer nodes on the identification model of the bioturbated carbonate reservoir

除BP神经网络模型隐含层的层数和节点数外，不同模型参数(训练函数、激活函数)的选取也会影响模型的精度和收敛速度。本文所采用的“迈实神经网络”商用软件共提供了5种常用训练函数(incremental、batch、rprop、quickprop、sarprop)和18种常用激活函数(linear、linear piece、linear piece symmetric、threshold、threshold symmetric、sigmoid、sigmoid stepwise、sigmoid symmetric、sigmoid symmetric stepwise、gaussian、gaussian symmetric、gaussian stepwise、elltot、elltot symmetric、sin、sin symmetric、cos、cos symmetric)。在确定了BP神经网络识别模型的学习样本和隐含层的层数及节点数之后，首先选取以上5种训练函数对模型分别进行训练，训练结果见表2；其次在确定模型的训练函数后，对隐含层和输出层分别设置不同的激活函数进行模型的训练，由于隐含层和输出层的激活函数种类相同，理论上共有324(18×18)种选择方案，表3是训练效果相对较好的激活函数对生物扰动碳酸盐岩储集层识别模型的影响统计表。以均方差最小为选择原则、训练误差为参考。由表3可知，当训练函数为rprop时，模型的均方差和训练误差最小，当隐含层的激活函数为sigmoid symmetric、输出层的激活函数为sigmoid stepwise时，模型的训练效果最好。故最终选取rprop为识别模型的训练函数，sigmoid symmetric和sigmoid stepwise分别为识别模型隐含层和输出层的激活函数。

表2 不同训练函数对生物扰动碳酸盐岩储集层识别模型的影响Table 2 The influence of different training functions on the identification model of the bioturbated carbonate reservoir

表3 不同激活函数对生物扰动碳酸盐岩储集层识别模型的影响Table 3 The influence of different training functions on the identification model of the bioturbated carbonate reservoir

2.3 生物扰动碳酸盐岩储集层识别结果检验

为了检验模型的有效性，随机选取了取芯井T208井(5577.5～5578.0 m,BI=0；5516.0～5516.5 m，BI=1；5624.0～5624.5 m，BI=2；5629.5～5630.0 m，BI=3；5628.5～5629.0 m，BI=4)和S77井(5572.875～5573.375 m，BI=5；5543.0～5543.5 m,BI=5)不同生物扰动强度的数据进行了模型检验。图4为BP神经网络模型预测的生物扰动指数(BI)与实际岩芯描述中生物扰动指数(BI)的交会图。从图4可知，模型误差符合精度要求，预测结果较好；因此建立的生物扰动碳酸盐岩储集层适用于研究区奥陶系生物扰动碳酸盐岩储集层发育段的识别和预测。此外，如果生物扰动碳酸盐岩储集层识别模型预测生物扰动强度结果大于5，根据部分测井曲线所对应岩芯照片检验结果分析认为该段测井数据对应的地层可能裂缝或者大的溶蚀孔洞发育。

图4 生物扰动碳酸盐岩储集层识别结果与岩芯上生物扰动指数(BI)交会图Fig.4 The cross-plot of the bioturbation index (BI)from the identification model of the bioturbated carbonate reservoir and the bioturbation index from the geological cores

3 基于BP神经网络模型生物扰动碳酸盐岩储集层的孔隙度预测

3.1 生物扰动碳酸盐岩储集层的孔隙度预测模型学习样本的选择

利用常规测井曲线参数计算研究区奥陶系生物扰动储集层孔隙度时，由于相关性差的测井数据与孔隙度存在较多不相关信息会降低孔隙度的计算精度(周雪晴等，2017)，故首先需要选取与孔隙度相关性高的测井曲线增加孔隙度的计算精度。本文以取芯井(S77井)为例分析对生物扰动发育段各常规测井曲线参数与柱塞孔隙度进行相关性分析，分析结果如表4所示。为了减小和消除环境因素和仪器刻度的不确定性造成的测井数据误差，本文在选取测井数据前，也对选取测井数据进行标准化处理。在完成上述数据的预处理后，提取出了对生物扰动碳酸盐岩储集层孔隙度预测效果较好的自然电位、自然伽马、井径、声波、补偿中子、密度6条测井曲线共计4692个测井数据和982个岩芯柱塞数据作为生物扰动碳酸盐岩储集层孔隙度预测模型的训练与检验样本。

表4 常规测井参数与岩芯孔隙度相关性分析结果Table 4 Correlation analysis results of conventional logging parameters and core porosity

3.2 生物扰动碳酸盐岩储集层的孔隙度预测模型的建立

利用测井曲线建立BP神经网络孔隙度计算模型时，需要确定模型隐含层的层数和节点个数、训练函数和激活函数。目前，大多数神经网络模型多采用直接赋值法并没有对其拓扑结构做深入的分析研究，导致获得的模型稳定性差，极大地降低了模型的准确性和真实性(周雪晴等，2017)。为了提高BP神经网络孔隙度计算模型的预测精度，首先选取3层BP神经网络并通过增加隐含层的节点数来降低网络误差，对建立的基于BP神经网络的孔隙度预测模型进行了训练，训练结果如表5所示；其次在确定BP神经网络孔隙度预测模型的学习样本和主体结构(隐含层的层数和节点数)之后，对以上网络参数(训练函数和激活函数)分别进行模型的训练，训练结果如表6和表7所示。由表5可知，当隐含层的节点数为 4 时，模型的均方差和训练误差最小，最大迭代次数也相对较小；由表6和表7可知，当训练函数为incremental时，模型的均方差和训练误差同样最小，当隐含层的激活函数为gaussian、输出层的激活函数为sigmoid时，模型的均方差、训练误差以及最大迭代次数同时达到最小，模型训练效果最好。故最终选取BP神经网络孔隙度模型的隐含层节点数为4(图5)，训练函数为incremental，输入层和输出层的激活函数分别为gaussian和sigmoid。

表5 不同隐含层节点数对生物扰动碳酸盐岩储集层孔隙度预测模型的影响Table 5 The influence of different hidden layer nodes on the porosity prediction model of the bioturbated carbonate reservoir

图5 生物扰动碳酸盐岩储集层孔隙度预测模型的网络结构图Fig.5 Network structure diagram of porosity prediction model of the bioturbated carbonate reservoir

表6 不同训练函数对生物扰动碳酸盐岩储集层孔隙度预测模型的影响Table 6 The influence of different training functions on the porosity prediction model of the bioturbated carbonate reservoir

表7 不同激活函数对生物扰动碳酸盐岩储集层孔隙度预测模型的影响Table 7 The influence of different training functions on the porosity prediction model of the bioturbated carbonate reservoir

3.3 生物扰动碳酸盐岩储集层的孔隙度预测结果分析

为了检验建立的BP神经网络孔隙度计算模型的有效性，随机选取T208井(5616.375 m,BI=1；5622 m，BI=2；5629.625 m，BI=3；5628.87 m，BI=4)和S77井(5453.375 m，BI=0；5573.375 m,BI=5;5543.375 m,BI=5)不同生物扰动强度的测井孔隙度预测结果和柱塞样品的测试结果数据进行检验。图6为生物扰动碳酸盐岩储集层孔隙度预测模型预测结果与实际岩芯孔隙度的交会图，从图6中可知所建立的BP神经网络孔隙度模型的预测效果良好，误差也符合精度的要求，可以用于研究区奥陶系生物扰动储集层孔隙度的计算和预测。

图6 生物扰动碳酸盐岩储集层预测孔隙度与岩芯柱塞测试孔隙度交会图Fig.6 The cross-plot of the porosity from the prediction model of the bioturbated carbonate reservoir and the porosity from core plug measure

此外，为了对比两种孔隙度计算模型预测效果，本文还随机选取了T208井5625～5631 m生物扰动储集层段的测井数据作为样本数据，对比分析了利用样本检验模型孔隙度计算模型与BP神经网络孔隙度计算模型的计算结果，分析结果如图7所示。当用样本检验模型和BP神经网络模型分别预测同一段生物扰动碳酸盐岩储集层的孔隙度时，两者的预测结果总体来说与岩芯柱塞孔隙度实测结果较为接近，说明两种模型的预测效果均较好。实例分析还表明BP神经网络孔隙度计算模型的预测精度远大于以往孔隙度预测模型，能更好地满足塔河油田奥陶系生物扰动储层孔隙度计算的精度要求，证实了本次所建立的生物扰动碳酸盐岩储集层孔隙度预测模型的可靠性。需要说明的是，在对研究区生物扰动发育段982个柱塞样品的孔隙度测试结果统计来看，孔隙度介于0.1%～10.8%之间。如果利用BP神经网络孔隙度计算模型预测结果大于11%，根据选择样本所对应岩芯照片分析认为该段测井数据可能是受对应的地层裂缝或者大的溶蚀孔洞发育的影响。

图7 T208井5625～5631 m不同孔隙度预测方法对比图Fig.7 Comparison between the different porosity prediction methods of 5625～5631 m in the Well T208

4 结论

(1)依据岩芯标定测井的思路，选择自然电位、自然伽马、井径、浅侧向电阻率、深侧向电阻率、补偿中子、密度值等常规测井数据作为BP神经网络模型输入层的参数值、生物扰动指数作为输出层的结果值，建立了适合于塔里木盆地塔河油田奥陶系生物扰动碳酸盐岩储集层的BP神经网络生物扰动储集层识别模型，并检验了模型的有效性。该模型层数和节点数为3，训练函数为rprop，隐含层和输出层的激活函数分别为sigmoid symmetric 和sigmoid stepwise。本模型生物扰动指数识别结果误差符合精度要求，识别效果较好。

(2)选择自然电位、自然伽马、井径、声波、补偿中子、密度值等常规测井数据作为BP神经网络输入层的参数值，对应深度上的岩芯柱塞孔隙度测试结果和利用孔隙度样品检验模型得出的孔隙度结果作为输出层的结果值，建立了适用于塔河油田奥陶系生物扰动碳酸盐岩储集层的BP神经网络孔隙度预测模型，并检验了模型的有效性。该模型层数为3，节点数为4，训练函数为incremental，输入层和输出层的激活函数分别为gaussian和sigmoid。本模型孔隙度预测结果误差符合精度要求，预测结果较好。