摘要：测井响应特征在复杂储层中的并不明显，如果单纯应用常规测井方法不能对油层以及气层、油气层进行准确识别。因此，需要应用新型神经网络模型，BP神经网络在对复杂储层进行识别时，可以准确判断油气水层，并且识别的准确率较高，能够达到相关的要求。
关键词：BP神经网络；地球物理测井；多参数综合识别技术；储层流体类型
前言
利用测井评价对储存的流体类别进行准确识别是测井评价技术应用的主要目的，一般情况下，需要对相关地区的已知储存参数进行研究和分析，同时建立经验划分参数标准，然后经过反复的模型计算，利用参数对储存流体类型进行识别。其主要方法是利用电阻率的测井资料对地层含水的饱和度进行计算，从而确定流体类型。神经网络方式在测井资料中的应用比较广泛，但是很多神经网络是以距离计算为基础的，很多因素会对计算方法产生影响，从而对识别的最终准确性产生影响。而以常规的图板方法对流体性质进行识别，以此为基础建立神经网络模型可以提高复杂储层流体识别的准确性，从而满足开发过程中对流体类型识别精度的要求。
一、 常规图版方法
在对复杂储层进行流体识别的过程中，常使用的方法为图版方法，在实际应用过程中，可以选取油田石油层段的测井曲线值采取差值法、曲线校正法、比值法等建立不同参数类型的交汇图版，然后图版可以以补偿密度与阵列感应电阻率进行有效交汇，从而对流体类型进行识别。利用图板方法可以对油田内的干层、水层类以及油气层类进行识别，但是在对油层与油气层、水层以及油水层进行识别时存在较大问题，会导致识别的流体界限不清晰，识别精度较低，这对油田的合理开发会产生不利影响。因此，需要对常规的图版识别方法进行创新，应用识别效果更好的方法对流体类型进行识别。以图版方法为基础建立神经网络模型，对复杂储层流体的性质进行识别时，具有较好的精准度。
二、 BP神经网络的基本原理
BP算法可以将神经网络输入输出的映射问题转化为非线性的优化问题，能够使用最优化的理论梯度下降算法，使用迭代运算对网络权重进行修正，从而实现网络输出与期望输出间均方误差最小化的目的。BP算法主要是由前项计算与误差反向传播组成的，在前项计算中，信息可以从输入层经隐层逐层处理后传向输出层，每一层神经元状态只影响下一层神经元的状态，如果在输出层没有得到期望的输出，会转向反向传播，然后将误差信号沿着原来的连接通路返回到输入层，利用修改各层的权重，在最大可能上缩小误差信号。神经网络在应用过程中具有较高的泛化能力，对解决非线性问题有十分重要的意义，因此，BP神经网络在石油工业中的应用比较广泛[1]。
三、在多参数综合识别储层流体类型中对BP神经网络的应用分析
（一）建立BP神经网络储层流体识别模型
在建立BP神经网络的过后才能中必须对学习样本进行正确挑选，这是关键一步，学习样本要具有较强的规律性，与测井响应具有良好的相关性，并且要有较为良好的区域代表性。为了保证输入的数据度量单位的统一性，消除相差悬殊产生的不利影响，神经网络模型中输入的测井数值要在0—1之间，采用归一化方法对BP神经元网络的流体识别输入数据进行处理。在此次研究过程中对测井曲线进行归一化处理时，要根据测井曲线的不同选择不同的归一化公式。
1、对有近似线性特征的测井曲线需要使用线性归一化公式：
.png)
2、对具有非线性对数特征的测井曲线进行处理时，需要应用对数归一化公式：
.png)
公式中：
Xi表示的是测井曲线值；
Xmax表示的是测井曲线极大值；
Xmin表示的是测井曲线极小值[2]。
（二）模型分析评价
在此次研究过程中，BP神经网络共有70个学习样本，每一个样本点都包括试油解释结论以及相对应的测井响应值。其中5条测井曲线值是输入层，油层、气层、油气层、干层、水层以及油水层是输出层。因此，在BP神经网络模型中的输入神经元为5，而输出神经元为6，隐层节点设计为10个。同时预留15个试油样本作为系统验证过程。在模型应用过程中，可以将15个检验样本输入到训练好的BP网络流体识别模型总，对结果进行预测。BP神经网络模型对复杂储层流体类型识别的结果与实际情况相符合，总符合率高达93.3%，表明利用BP神经网络流体识别模型具有较好的识别效果，可以将该模型应用在油田储层段中[3]。
将BP神经网络流体类型识别模型应用在某油田的储层段识别工作中具有较好的识别效果，与电测解释结果与试油结论进行比较分析，BP神经网络模型的识别结果与试油结论相一致，与电测解释的结果存在差别，主要表现为，BP神经网络模型能够更加准确地识别出油气层与油层、水层与油水层，所对应的的测井曲线具有更加明显的响应特征。因此，BP神经网络流体识别模型可以有效克服传统识别方法的不足，提高对复杂储层流体类型识别的准确性。
四、 结论
综上所述，利用常规的图版方法可以对复杂储存中的流体类型进行大致区分，但是其识别的精准度不高，识别的界限不清楚，并且在识别过程中存在部分交叉的问题。而利用BP神经网络流体识别模型对复杂储存中的流体类型进行识别时，能够有效解决油层与油气层、水层与油水层之间测井特征不明显的缺陷，从而提高对复杂储层流体类型识别的准确性，能够为油田的合理和科学开发提供更加可靠的技术支持，这对促进我国油田产业的长远和可持续发展也有一定的积极意义。
参考文献：
[1]崔林鹏，郭大立，仝立媛. 基于逐步判别法的神经网络储层流体识别技术[J]. 内江科技，2015（1）.
[2]王少龙，杨斌，赵倩. BP神经网络在复杂储层流体识别中的应用[J]. 石油化工应用，2018，v.37；No.200（07）：51-54.
[3]汪佳蓓，黄捍东. 基于BP神经网络的叠前流体识别方法[J]. 成都理工大学学报（自然科学版），2016（06）：26-33.
论文作者:吴官亮
论文发表刊物:《建筑模拟》2020年第1期
论文发表时间:2020/3/27
标签：神经网络论文; 流体论文; 模型论文; 类型论文; 方法论文; 水层论文; 曲线论文; 《建筑模拟》2020年第1期论文;