基于神经网络的柳林地区煤储层渗透率预测方法

第３９卷第１期　２０１５年２月　测井技术　ＷＥＬＬ　Ｉ　（）ＧＧＩＮＧ　ＴＥＣＨＮ０Ｌ０ＧＹ　Ｖｏ１．３９　

Ｆｅｂ　Ｎｏ．１　

２０１５　

文章编号：１００４—１３３８（２０１５）０１—０１０６—０４　

基于神经网络的柳林地区煤储层渗透率预测方法　

汪雷　，汤达祯　，许浩　，　（１．中国地质大学（北京）能源学院，北京１０００８３；２．　孟艳军　，喻廷旭　，陈林　

西南石油大学地球科学与技术学院，四川成都６１０５００）　

摘要：分析了煤储层渗透率预测中存在的问题，提出基于测井信息的ＧＡ－ＢＰ神经网络预测煤储层渗透率方法，分　析其机理及测井参数标准化处理方法。以柳林地区５６口井的试井和测井资料为基础，利用灰色关联分析法优选６　个测井参数作为输入变量，建立了ＧＡ－ＢＰ神经网络渗透率预测模型。将渗透率模型的预测结果与实测结果比较，　两者具有较高的吻合度，证明该方法在煤储层参数预测的实践中具有较好的适应性。基于所建立的数学模型，对　研究区的渗透率进行了预测，完成了渗透率平面分布图，为柳林地区煤层气的勘探开发提供了依据。　关键词：测井解释；煤层气；灰色关联；ＧＡ－ＢＰ神经网络；渗透率；测井资料　中图分类号：Ｐ６３１．８４　文献标识码：Ａ　Ｄｏｉ：１０．１６４８９／ｊ．ｉｓｓｎ．１００４－１３３８．２０１５．０１．０２１　

Ｐｅｒｍｅａｂｉｌｉｔｙ　Ｐｒｅｄｉｃｔｉｏｎ　Ｍｅｔｈｏｄ　ｏｆ　Ｃｏａｌ　Ｒｅｓｅｒｖｏｉｒ　ｉｎ　Ｌｉｕｌｉｎ　Ａｒｅａ　Ｂａｓｅｄ　ｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ＷＡＮＧ　Ｌｅｉ　，ＴＡＮＧ　Ｄａｚｈｅｎ　，ＸＵ　Ｈａｏ　，ＭＥＮＧ　Ｙａｎｊｕｎ　，ＹＵ　Ｔｉｎｇｘｕ　，ＣＨＥＮ　Ｌｉｎ　（１．Ｓｃｈｏｏｌ　ｏｆ　Ｅｎｅｒｇｙ　Ｒｅｓｏｕｒｃｅｓ，Ｃｈｉｎａ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｇｅｏｓｃｉｅｎｅｅｓ，Ｂｅｉｊｉｎｇ　１０００８３，Ｃｈｉｎａ￣　２．Ｓｃｈｏｏｌ　ｏｆ　Ｅａｒｔｈ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｓｏｕｔｈｗｅｓｔ　Ｐｅｔｒｏｌｅｕｍ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ，Ｓｉｃｈｕａｎ　６１０５００，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ａｆｔｅｒ　ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｐｒｏｂｌｅｍｓ　ｉｎ　ｔｈｅ　ｃｏａｌ　ｒｅｓｅｒｖｏｉｒ　ｐｅｒｍｅａｂｉｌｉｔｙ　ｐｒｅｄｉｃｔｉｏｎ，ｔｈｅ　ｍｅｔｈｏｄ　ｐｒｅｄｉｃｔｉｎｇ　ｔｈｅ　ｐｅｒｍｅａｂｉｌｉｔｙ　ｏｆ　ｃｏａｌ　ｒｅｓｅｒｖｏｉｒ　ｂｙ　ＧＡ－ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｌｏｇｇｉｎｇ　ｉｎｆｏｒｍａｔｉｏｎ　ｉｓ　ｐｕｔ　ｆｏｒｗａｒｄ．Ｉｔｓ　ｍｅｃｈａｎｉｓｍ　ａｎｄ　ｌｏｇｇｉｎｇ　ｐａｒａｍｅｔｅｒｓ　ｓｔａｎｄａｒｄｉｚｅｄ　ａｐｐｒｏａｃｈ　ａｒｅ　ａｎａｌｙｚｅｄ．Ｓｉｘ　ｌｏｇｇｉｎｇ　ｐａｒａｍｅｔｅｒｓ　ａｒｅ　ｓｅｌｅｃｔｅｄ　ａｓ　ｉｎｐｕｔ　ｖａｒｉａｂｌｅｓ　ｖｉａ　ｇｒｅｙ　ｃｏｒｒｅｌａｔｉｏｎ　ａｎａｌｙｓｉｓ，ａｎｄ　ｔｈｅ　ＧＡ—ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｔｏ　ｐｒｅｄｉｃｔ　ｔｈｅ　ｐｅｒｍｅａｂｉｌｉｔｙ　ｏｆ　ｃｏａｌ　ｒｅｓｅｒｖｏｉｒ　ｂａｓｅｄ　ｏｎ　ｗｅｌｌ　ｔｅｓｔｉｎｇ　ａｎｄ　ｌｏｇ　ｄａｔａ　ｆｒｏｍ　５　６　ｗｅｌｌｓ　ｉｎ　Ｌｉｕｌｉｎ　ａｒｅａ　ｉｓ　ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅ　ｐｅｒｍｅａｂｉｌｉｔｙ　ｉｓ　ｐｒｅｄｉｃｔｅｄ　ｂｙ　ｕｓｉｎｇ　ｔｈｅ　ｍｏｄｅｌ，ａｎｄ　ｔｈｅ　ｐｒｅｄｉｃｔｉｏｎ　ｒｅｓｕｌｔｓ　ａｒｅ　ｃｏｍｐａｒｅｄ　ｗｉｔｈ　ｔｈｅ　ｍｅａｓｕｒｅｄ　ｒｅｓｕｌｔｓ．Ｔｈｅ　ｔｗｏ　ｋｉｎｄｓ　ｏｆ　ｒｅｓｕｌｔｓ　ｈａｖｅ　ｈｉｇｈ　ａｇｒｅｅｍｅｎｔ．Ｔｈｅ　ｃｏｍｐａｒｉｓｏｎ　ｒｅｓｕｌｔｓ　ｐｒｏｖｅ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｏｆ　ｒｅｓｅｒｖｏｉｒ　ｐａｒａｍｅｔｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｉｎ　ｃｏａｌ　ｈａｓ　ｇｏｏｄ　ａｐｐｌｉｃａｂｉｌｉｔｙ　ｉｎ　ｐｒａｃｔｉｃｅ．Ｔｈｅ　ｐｅｒｍｅａｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｗｈｏｌｅ　ａｒｅａ　ｉｓ　ｐｒｅｄｉｃｔｅｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｅｓｔａｂｌｉｓｈｅｄ　ｍａｔｈｅｍａｔｉｃａｌ　ｍｏｄｅ１．Ｔｈｅ　ｐｌａｎｅ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｍａｐ　ｉｓ　ｃｏｍｐｌｅｔｅｄ，ａｎｄ　ｉｔ　ｃｏｕｌｄ　ｐｒｏｖｉｄｅ　ｂａｓｉｓ　ｆｏｒ　ｅｘｐｌｏｒａｔｉｏｎ　ａｎｄ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ＣＢＭ　ｉｎ　Ｌｉｕｌｉｎ　ａｒｅａ。　Ｋｅｙ　ｗｏｒｄｓ：ｌｏｇ　ｉｎｔｅｒｐｒｅｔａｔｉｏｎ；ｃｏａｌｂｅｄ　ｍｅｔｈａｎｅ；ｇｒｅｙ　ｃｏｒｒｅｌａｔｉｏｎ；ＧＡ－ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ｐｅｒ—　ｍｅａｂｉｌｉｔｙ；ｌｏｇ　ｄａｔａ　

０　引　言　中国煤层气资源丰富，分布广泛，共计４２个主　要含气盆地，其中埋深２　０００　ｍ以浅煤层气地质资　源量３６．８×１０　ｍ。，埋深１　５００　ｍ以浅煤层气可采　资源量１０．９×１０　ｍ。。煤层气的运移和产出都与　

煤层渗透性有极大的关系，表征渗透性的量为渗透　率。在煤层气勘探过程中，渗透率是资源评价和开　发选区的重要参数；在探明煤层气资源量的前提下，　煤储层渗透率又是制约煤层气开发成败的关键因素　之一ｌ１　］。鉴于此，国内外诸多学者针对煤储层渗透　率的分析预测提出了不同的研究方法，煤储层渗透　

基金项目：国家科技重大专项课题大型油气田及煤层气开发（２Ｏ１１Ｚｘ０５０３８—００２）及示范工程（２０１１ＺＸ０５０６２—０１）　作者简介：汪雷，男，１９９０年生，硕士研究生，研究方向为油气储层地质与评价。　第３９卷第１期　汪雷，等：基于神经网络的柳林地区煤储层渗透率预测方法　・１０７・　率的研究也逐渐从定性评价发展为结合神经网络、　数理统计分析方法、分形理论、测井评价和三轴应力　实验等先进技术的定量评价＿＿３］。其中，数理统计分　析方法已较为完善，在常规油气领域中，该方法对渗　透率的分析起到了很大作用，但应用的广度和深度　尚不够。近年来，在常规油气领域里，神经网络越来　越多被应用到储层地质参数的预测中，并已取得了　不错的效果［４书］。煤储层与常规油气储层之间存在　较大差异，用神经网络模型预测煤层渗透率的研究　成果虽有报道＿７］，但基于测井信息的煤层渗透率神　经网络文献尚未见及。本文拟在山西柳林区块３＋　４号煤层试井有效渗透率的基础上，结合丰富的测　井信息，利用灰色关联分析法和ＧＡ＿ＢＰ神经网络　对该区块３＋４号煤层渗透率进行预测分析，建立煤　层原地渗透率预测的数学模型，实现全区煤层高渗　区的半定量预测。　

１地质概况　柳林区块位于山西省西部，鄂尔多斯盆地东缘　中段，南邻石楼北区块，东邻杨家坪区块，北邻三交　区块；区块面积１９４．４２　ｋｍ　，煤层气资源量３６９．２１　×１０。ｍ３。　柳林区块构造上位于鄂尔多斯盆地东缘石鼻状　构造南翼［８　］。在研究区北部，地层向西倾斜，向南　逐渐转为向西南倾斜，总体为一向西或西南倾斜的　单斜构造。地层产状平缓，倾角约３。～８。。在鼻状　构造的背景上，发育有起伏微弱的次级小褶曲，起伏　高度一般小于５０　ｍ。区内断层不发育，仅在区块北　部发育有由聚财塔南北向正断层组成的地堑及其派　生的小型断层。地表未见陷落柱，也未见岩浆活动。　柳林地区出露地层由老到新依次太古界、寒武　系、奥陶系、石炭系、二叠系、三叠系和新近系，其中　上石炭统太原组（Ｃ。ｔ）和下二叠统山西组（Ｐ　ｓ）为主　要含煤层系（见图１），而石盒子组、本溪组仅含薄煤　层或煤线，基本无开采价值。　该区以焦煤为主，可采煤层大约在１０层左右，　其中煤层气开发目标层位为山西组的３号、４号、５　号煤层和太原组的８号、９号、１Ｏ号煤层。　２煤层渗透率ＧＡ－ＢＰ神经网络建模　２．１基于遗传优化的神经网络（ＧＡ－ＢＰ）模型　ＢＰ（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）神经网络　。　是一种按误　地层单位　综合柱状　煤层编号　岩性描术　Ｉ系　统　组　Ｉ　①　深灰、灰黑色棍岩、砂质泥岩、　糟砂岩、中　删翻　岩及嫡混姻　二　山　的过渡棺分绕　系，含煤５层，　下　其中２、３号煤层为全区　濑庭　叠　西　的局部　煤层，５号煤　｝较稳　统　Ｉ　②　定大部分可采，４号精混｝为全区　系　组　稳定葡　煤层，其余为不司－采煤　ｌ⑨＠　层　。　⑥　深芡、灰黑色泥岩、砂质泥岩、　－＿Ｊ　⑥　耪砂牡硝　｝铝质泥岩，煤层　不渤　Ｆ可采。主要是灰岩夹　上　太　Ｉ　⑦　泥岩利糍　组或盹翅弹瞒　段。　其中６号为屙辨Ⅱ采的较糍毫煤层，　石　原　Ｉ⑨固　其余属于＝　嫉环两苌煤层　统　灰、灰黑　删睹、　》砂岩、砂质　炭　组　泥岩、泥岩。夹Ｏ￣２屡　洁及　系　ｌ　⑩　薄层铝质泥岩，合煤３－６层，其中　８＋９号煤层为全区可采，稳定的主　要煤层，１Ｏ号煤层为局部可采的较　稳　由　囊　灰色泥岩、砂质泥岩、深　Ｉ色　铝质泥岩，耪砂岩夹灰色中细　统　组　石英及薄层灰岩，薄煤层０—３层　图１柳林区块含煤地层综合柱状图　差逆传播算法训练的多层前馈网络。ＢＰ神经网络　模型拓扑结构包括输入层、隐含层和输出层。ＢＰ算　法因其简单、易行、计算量小、并行性强等优点，曾是　神经网络使用最多的算法之一＿１　。但随应用范围　逐步扩大，ＢＰ神经网络也暴露出很多缺点和不足，　如训练时间长、不能保证权值为误差平面的全局最　小值、网络隐含层的层数和单元数的选择尚无理论　上的指导等。　为解决渗透率预测的复杂非线性问题，将ＢＰ　神经网络与遗传算法（ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍｓ，ＧＡ）［１２］　结合起来，用遗传算法优化网络结构和连接权值，提　出一种用于预测渗透率的ＧＡ－ＢＰ方法。该方法既　减小了人为选择网络结构的盲目性，又能全局优化　神经网络的权值，达到预测模型收敛速度快，易于训　练的目的。　遗传算法与神经网络的结合主要有２个目的：　一是用于网络训练，优化网络各层间的连接权值；二　是学习网络的拓扑结构，优化网络的隐含层神经元　个数　引。　２．２煤层渗透率预测参数优选　为取消各维数据间的数量级差别，避免因为输　人和输出数据数量级差别较大而造成预测误差较　大，必须对数据组进行归一化处理。最常用的归一　化方法是最大最小法，函数形式为　＾一（　０一　）／（ｚ　一Ｘ　）　（１）　式中，ｚ　为经归一化计算后的测井曲线，　∈［Ｏ，