測井沉積學解釋計算機輔助系統

測井沉積學解釋計算機輔助系統是指前用計算機進行測井沉積學解釋的程式，套用效果主要決定於使用者的地質知識水平。

基本介紹

• 中文名：測井沉積學解釋計算機輔助系統
• 外文名：Logging sedimentology interpretation computer aided system
• 學科：測井
• 目的：測井沉積學解釋
• 影響效果：使用者的地質知識水平
• 過程：預處理、ANN相分析、識別環境

系統邏輯結構

1.原理.

從模式識別的角度來說,測井相實際上是一個模式識別過程。該過程將測井模式由多維測井變數(模式)空間正確地映射到較低維的地質類別空間,即有映射:

F: Rn→Rm, y = F(X )

對於樣本集合X 和輸出Y,可以為存在某一映射關係G 使y_i= G（x_i）x_i∈ X ， y_i∈Y

(1)由計算機利用樣本數據求取一映射F,使得在某種意義下最佳地逼近G,以實現區分不同的模式,而將同一類別的不同模式樣本歸為一類。通常的分類規則為,如果模式X 與類別A 的模式最相近,則模式X 屬於A,在此過程中涉及的問題是:

①完成模式特徵的抽取,即決定如何以一組參數的形式描述模式X 。

②利用一組已知類別標號的訓練模式樣本學習由輸入空間到輸出空間的映射關係F 。

③運用映射F(X )進行分類。

上述模式識別系統的組成如圖所示:

本系統採用多元統計模式識別技術和人工神經網路模式識別技術實現測井相分析。測井資料利用我國各油田普遍使用的CLS3700 系列的測井資料或CSU 系列的測井資料,或者國產儀器的測井資料。

(2)在進行測井相分析的過程中,遵循以下原則:

①每一被選擇的測井回響應儘可能地反映地層的岩性及其物理特徵。

②保證測井曲線質量及各測井曲線之間的深度匹配,校正環境和井眼的影響。

③以某種相似性參數為樣本之間的相似程度的度量(如歐幾里德距離),將樣本數據將樣本空間歸類劃分為不同的測井相。

④以某種歸類判別準則建立測井相空間到地質相空間的映射規則,實現對未知測井層段的歸類識別。

2.系統的總體邏輯框圖如圖所示

1、測井曲線的編輯。

完成測井曲線數據野外帶記錄格式到測井相分析所用的向量格式的轉換,以及測井曲線的選擇。

2、預處理模組。

完成測井曲線的環境校正、深度校正以及曲線的濾波、分層處理、數據標準化處理等功能。多元統計岩相分析器。採用主成分分析、聚類分析、判別分析等完成測井曲線的岩相識別。

3、ANN 測井相分析器。

採用ANN 技術完成測井曲線的岩相識別和和沉積環境識別。測井層段的劃分。根據岩相分析所得的岩相垂向序列,劃分用於識別沉積環境的測井層段。曲線形態特徵的提取。提取各測井層段內傾

4、角測井的沉積學特徵。

單井測井沉積環境識別。根據所提取的測井層段的特徵,套用ANN 技術,在取心地質資料刻度下建立單井沉積環境的垂向序列。成果顯示。 SUN 工作站上。PEN WINDOW 環境下,用C、Xview、Xlib 編程,在螢幕上將測井曲線、測井曲線的校正、分層等預處理結果以及測井相分析結果進行顯示觀察,並可在螢幕上互動修改測井相分析的結果。測井相分析的最終結果可用印表機、繪圖儀輸出。

測井相分析的數據預處理

1.測井曲線的環境校正及深度匹配

測井曲線的環境校正、主要是校正井眼環境如鑽井液因素、井壁不規則以及一起偏心等非地質因素的影響。由於目前普遍使用的測井曲線是用CLS3700 測井儀或CSU 測井儀測得的,因此為簡單起見,我們採用現有的3700 測井校正圖版和擬合公式來實現對測井曲線的環境校正。

在測井過程中,由於井眼的不規則以及鑽井液對儀器的粘附作用,電纜會產生拉伸。另一方面,測井曲線是儀器分次組合下井測得的。這樣就會造成各曲線間的深度的錯動和不匹配,我們選用一條特徵明顯的曲線如GR 為基準,確定其他曲線相對該曲線的深度移動,用NEWMOV 程式完成曲線的深度校正,使各曲線所反映的地層邊界位置一致。

2.測井曲線的分層取值處理

測井曲線的分層直方化就是將測井曲線恢復成原始的矩形曲線以代替通常所見的光滑曲線。在SPE 第六十屆地質會議上提出了用測井曲線劃分地層界面的原則,即給定參數在層內變化為最小,層與層之間的變化為最大。據此,可以用各種方法實現測井曲線的分層處理,如活度函式分析法、方差分析法、有序樣品聚類最優分割法以及Walsh 變換等方法。本系統採用層內差異分析與聚類分析相結合的方法來完成測井曲線的自動分層直方化處理。

1)主要分層曲線的層內差異法分層處理層內差異法分層的依據就是在同一層內的測井回響是相對穩定的,其變化不超過某個允許誤差。

在用測井曲線的層內差異進行分層時,我們選擇具有較高縱向解析度的測井曲線,如GR、Rxo 或RFOC、RSFL 等作為主動分層曲線,對起進行初始分層處理。

2)分層曲線的初始分層的聚類並層處理

在對主動分層曲線用層內差異分層處理時,對整個井段我們採用了相同的較小的B 值,而各個層的均方根誤差σ_i 是各不相同的,這樣在實際處理中,可能會出現某些層段劃分得過細,把同一層段劃分成了若干個小層。因此,在對主動曲線作層內差異分層後,我們將其分層結果施加到所選作分層曲線的其他一至四條有較好縱向分辨能力的測井曲線上,作為這些分層曲線的初始分層。然後以這些分層曲線為變數,用這些變數間的廣義馬哈諾比斯距離來衡量各初始分層小層間的相似或接近的程式,對分層曲線的初始分層結果進行最優聚類分割,將相似或接近程式較高的相鄰的小層合併為一層。

3)對其它測井曲線的分層延拓

在完成選擇的一組分層曲線的分層直方化以後,將分層結果延拓到其它測井曲線上,從而在所有測井分析所使用的測井曲線上得到統一的分層邊界。這樣分層處理後,所有的測井曲線都被直方化了,看起來猶如由不同的常數段組成的階梯狀線段。每一層的各曲線的測井值就是該曲線在該層的平均值。

4)測井曲線的歸一化處理

在對同一油田、同一區塊或同一構造上的各井進行測井相分析時,必須對所使用的測井曲線進行標準化處理,以消除由於所使用的儀器不同、刻度不同所產生的影響。同時對測井曲線進行歸一化處理,還可以消除由於各測井曲線變數之間的量綱以及數量級的不同而在數理統計分析上產生的誤差。

經過上述預處理後,我們用矩形測井曲線代替了通常測井解釋中所用的原始的光滑的測井曲線。這樣做的原因是:其一,在劃分的各個層段內,測井曲線值保持恆定不變,我們只需存儲該層的起始和終止深度以及各條曲線的平均值,而不必存儲各曲線的全部採樣值,從而節省了處理中測井數據的存儲空間。其二,經過分層直方化後的測井曲線代表了真實的(或者更確切的)測井回響值,保留了地層性質的變化,消除了非地層因素的影響,分層後層內各採樣點間的數值差異最少,而層間的差異最大,此時,可以認為層內具有相同的岩性。這樣每一個測井層段就可以當作是n 維測井變數空間中的一個點來處理。測井相分析就成了一個由n維測井變數空間到m 維地質空間的映射識別。

ANN 相分析

測井相分析實際上是一個模式識別的過程。利用人工神經網路算法可以比較好的實現相分析過程。

1.用於測井相分析的ANN 模型

本系統用一個基於距離的自組織競爭網路D-kohonen NN 完成測井相參考向量模式特徵的提取；用一個基於距離的多層前向網路D-BP NN 作為測井相到地質相的映射分類識別器。

1) D-kohonen NN 測井相參考向量模式特徵提取器

這是一個以kohonen 算法為基礎的自組織特徵映射網路。網路由輸入層和輸出層神經元構成。以歐氏距離評價輸入測井向量模式間的相似程度,將測井向量空間的節點聚集成不同的區域一一測井相。在網路的學習訓練過程中,輸出層的節點的個數是變化的,每個節點代表一類測井相。網路輸出層節點的總個數即為最後得到的測井相的總類數,各節點的輸出即為相應測井的參考模式向量。

2)地質相識別分類器D-BP NN

在ANN 理論研究中,Hecht-NieLson 已經證明,當隱層節點數可以根據需要自由設定時,對於任意的ε>0,可以用三層具有Sigmoid 形狀的I/O 特性的網路,以ε均方根誤差的精度逼近任何非線形函式,並可形成複雜的分類決策區域。以Rumelhart 的BP 算法為基礎,構造了一個由輸入層、隱層、輸出層組成的三層網路D 一BP NN 作為由測井相到地質相的識別分類器。

2.ANN 測井相分析的過程

1)由取心井選擇建立學習訓練樣本集

ANN 的分類判別性能直接取決於學習訓練過程中所採用的樣本集。樣本集所提供的信息是網路學習輸入測井模式到輸出地質相的映射關係的唯一來源。因此樣本集應全面、有代 表性。儘量避免樣本的模糊與缺乏,以及樣本間的衝突。實驗表明,樣本的模糊與衝突會極 大地影響網路的學習速度與性能。同時,為保證網路識別的總體性能,各個地質相的樣本數目應大體均衡。

2)網路模型的建立及學習訓練

我們用C、Xview、Xlib 編程建立網路模型。在網路學習階段,從樣本檔案抽取樣本模式,採用模式疊代的方式,來訓練網路。學習結束,可以顯示網路的學習過程和學習結果。影響網路學習過程的學習參數主要有ρ、η、 a₁、 a₂ 以及學習疊代次數 cnt。通過詳細研究網 絡對樣本的學習效果與網路學習參數間的關係(樣本數據取自DHl 井),可得出如下結論:

(1)隨著網路隱層節點規模nhnode 和學習疊代次數cnt 的增加。網路對岩性的識別符合率並不總是隨著增加。 nhnode 越小,網路的容量也就越小,實現要求的識別精度,需要更多的學習疊代次數cnt 時,有時甚至達不到所要求的識別精度。而nhnode 過大時,網路的容量會出現冗餘,網路的學習可能會陷入局部最小,而且網路的泛化能力也可能會變差。對d1井,nhnode 取26 時,可能取得較好的網路性能。

(2) η和a₁對網路的學習收斂過程有很大的影響。η大,網路學習收斂速度會加快,大的a₁則可增加網路學習過程的穩定性。

3.網路的工作過程

在這個過程中,程式從網路結構參數檔案中讀取網路的拓撲結構參數以及各節點的連線權值,判別未知測井向量模式的地質相類別(如岩相類別)。

根據測井曲線的形狀特徵識別沉積環境

1.測井層段的劃分

單井剖面中,各種沉積岩體所屬沉積環境亞、微相的劃分主要在於對井剖面垂向岩性剖面及其各種組合序列的詳細劃分。因此,在利用測井資料識別沉積環境時,應首先劃分井剖面的測井層段,確定各個解釋窗長,然後對各個解釋視窗,提取測井曲線的形態特徵。本系統主要依據井剖面垂向岩性序列的各種組合來劃分測井層段。一般應滿足如下幾個約束條件:

(1)地質大相或亞相的控制。從測井曲線識別井剖面的沉積亞相或微相是在地質上大的沉積時期和沉積環境已知的前提下進行的。只此由井眼剖面的岩性組合序列劃分測井層段必須由井底向井頂進行,符合大的沉積環境的要求。

(2)每一個測井層段的岩性剖面上都應是一個旋迴層。井剖面垂向岩性粒度旋迴一般可分為:正旋迴(粒度上細下粗)、反旋迴(粒度上粗下細)以及複合旋迴等。

(3)最小厚度閥值的約束。對兩個相鄰砂體間的夾層,如果認為兩個砂體屬於不同的沉積環境,就應選擇這個夾層的厚度作為測井層段的闌值,把這兩個砂體劃歸不同的層段,分別提取曲線特徵。

(4)螢幕直觀觀察約束。測井層段的劃分結果可以在螢幕上顯示,根據實際情況在螢幕上修改所劃分的測井層段使劃分結果儘可能與實際相符。在上述約束條件下,我們就可以將測井曲線劃分成厚度不同的解釋層段,分別提取曲線的形態特徵,識別其沉積環境。

2.測井層段內曲線形態特徵的描述與提取對每個測井層段,我們用一個參數向量來描述測井曲線的形態特徵,包括常規曲線的幅度特徵、形態特徵、頂、底界面接觸關係、曲線的光滑特性,以及測井層段內的岩性特徵、旋迴特徵、傾角測井的沉積特徵等。