人工神经网络的沉积微相识别方法

图5-3 WX1-73～ WX1-35井属性剖面

在精细储层地质研究中，沉积微相的研究是一项十分重要的工作，储层知识基本都与沉积微相相关，沉积微相的自动识别明显可以大大加快储层地质研究工作的效率。利用测井资料获取沉积微相知识的基本思想是先利用沉积微相特征明显、类型齐全、代表性好的“关键井”标定测井曲线，建立关键井测井相模式，然后采用“模式识别”技术识别其他井的测井相类型。这里有两方面的关键问题，即关键井测井相模式的建立和根据测井曲线提取“模式”的特征参数。其中后者是前者的基础，也就是说，沉积微相识别的关键是如何从测井曲线中提取具有高度准确描述能力的特征参数，既要能反映测井曲线本身的结构特征，又要能反映地层的沉积学特征，这直接影响到网络学习模式的收敛性及模式识别的正确性。

沉积学家一般是通过分析取芯资料，根据岩性标志、古生物标志等来分析沉积环境，进而根据沉积砂体的成分、碎屑颗粒的粒度、分选等结构特征、沉积砂体单层厚度、在纵向上的组合形式(单层、互层、夹层等)、沉积序列的特征和沉积体中保存的沉积构造及沉积体的含油性、与下伏岩层之间的接触关系(整合关系、充填切割关系)等方面的地质参数对单井可进行沉积亚相及微相的划分。实际上各种测井曲线同样提供了矿物成分、结构、沉积构造特征的信息，其曲线幅度形态特征是地层岩性、粒度、泥质含量变化和垂向沉积序列等信息的综合反映。如根据自然电位的测井曲线形态，钟形表示水动力渐次减弱条件下下粗上细的正粒序沉积;漏斗形反映水动力渐次增强条件下下细上粗的反粒序沉积;箱形反映物源丰富、水动力稳定条件下的加积沉积。

通过大量文献分析表明，测井曲线反映了沉积环境能量、沉积韵律、顶底面接触关系、水深变化(水进或水退)、沉积速率、平均颗粒粒度、曲线复杂性等具有明确地质意义的特征参数。这些特征参数可以更好地刻画每一个沉积相段的特征，既有较明确的地质意义，其参数值又不随工区测井曲线值的波动而变化，因此在沉积微相的识别中应提取这些特征参数。主要有五大要素:①曲线幅度及幅度差，主要用于反映沉积层的岩性特征及物性，通过测井曲线的幅度解释，可反映水动力强度、物源供给、沉积分选等特征;②曲线形态，它反映岩性、粒度、分选性、泥质含量、含钙与否等特征，进而反映沉积过程水动力能量、物源供给情况和沉积旋回类型;③顶、底接触关系，它主要反映砂体沉积初期、末期水动力能量及物源供给的变化速度和程度;④旋回幅度(或厚度)，它反映了单一曲线形态的垂向规模;⑤曲线光滑程度，它取决于在曲线形态级的水动力背景上次一级水流能量的变化情况。另外，还有齿中线、包络线等(图5-4)。

一般根据研究区沉积微相的岩性、物性、岩石结构、粒序、沉积构造和沉积韵律等特征，综合研究选取3～5条测井曲线(视电阻率、自然电位、声波)。对每个曲线分别提取下列参数。

1．微相段的测井均值lg(A)

式中，lgi是某种测井曲线第i个采样点的值;n是测井段内的采样点。

2．变差方根GS

式中，S2是方差，反映微相段内测井值的整体波动性和局部波动性大小;G(h)是地质统计学中的变异系数，反映微相段内的测井值的局部波动性大小。其计算公式如下:

式中，M(h)是间隔为h的数据对lg(i);lg(i+h)的数目实际的处理中，取h=1，2个采样间距。

将S2和G(h)结合起来的参数GS可综合反映沉积微相段内测井值的整体和局部波动性大小，有利于区分不同的微相类型。

图5-4 测井相曲线要素图(孙铁军等，2010)

3．正偏值lg(u)

式中，lgi是微相段内大于均值lg(A)的归一化测井值;nk是微相段内大于lg(A)的采样点数。

4．相对重心RM

沉积相的粒序正、反各不同，一般正粒序的重心偏下方，反粒序的重心偏上方，不正不反的重心居中，但是由于各井段的长短不同，这里取相对重心，以便比较。

5．测井曲线差分序列相对变号个数RC

统计测井曲线段内的锯齿个数的多少可以区分测井相。为此，构造差分序列lg(i+1) －lg(i)(i=1，…，n－1)。如果相邻差分值变号，且相邻绝对差大于等于2，则认为出现一个锯齿。所以，相邻绝对差变号的个数L的大小可反映锯齿的多少。为了统一比较标准，取变号个数RC:

RC=L/(n－2)

由于表征沉积微相的参数较多，需采用三层BP网络模型，由一个输入层、一个隐含层和一个输出层组成的三层网络，其网络结构图如图5-5所示。首先，从取芯井中选取有代表性的各类微相作为标准样本，并做主成分分析，用标准样本的主成分作为神经网络的输入参数。

图5-5 BP神经网络模型结构图