人工神经网络模型在测井中实例.docx
《人工神经网络模型在测井中实例.docx》由会员分享,可在线阅读,更多相关《人工神经网络模型在测井中实例.docx(84页珍藏版)》请在冰豆网上搜索。
![人工神经网络模型在测井中实例.docx](https://file1.bdocx.com/fileroot1/2023-4/20/ac720fb4-50d6-426a-bec1-f1fccdfe354d/ac720fb4-50d6-426a-bec1-f1fccdfe354d1.gif)
人工神经网络模型在测井中实例
八.应用实例分析
8.1有监督学习的前馈神经网络反向传播算法BP应用实例分析
8.1.1实例1——对陆9井区块储层油气水层的识别
在利用神经网络识别储层的油气水层和预测新井的油气水层的特征时,是以实际的测井资料和试油结论为依据来建立样本集。
根据陆9井区块10口井的测井资料和试油结果,建立样本集34组如下表8-1:
表8-1陆9井区块测井与试油结果的油气水层样本数据
井号
井段
厚度
RT
RXO
SP
GR
AC
CNL
DEN
试油结论
期望值
(m)
(m)
Ω.m
Ω.m
(mv)
(API)
μs/ft
(%)
g/cm3
陆9
1031.3--1034.0
2.7
7.9
8.6
-56.9
58.9
107.9
27
2.11
气层
00
陆9
1037.0--1042.0
5.1
4.7
6.1
-57.6
60
104.7
35
2.15
水层
01
陆9
1122.5--1127.0
4.6
5.4
7
-53.7
66
105.8
32.9
2.17
水层
01
陆9
1186.0--1192.0
6.1
9.2
9.4
-54.4
61.6
104.2
31.8
2.16
油水同层
10
陆9
1233.0--1237.0
4.1
6.7
8.3
-59.1
64
105.9
34.3
2.13
油水同层
10
陆9
1295.0--1299.1
4.1
4.7
7.2
-58.4
64.9
102.1
32.4
2.16
水层
01
陆9
1323.1--1328.0
5
7.4
9
-58
67.4
103.7
33.1
2.14
油层
11
陆9
1415.0--1418.0
3.1
11.4
8.3
-58
63.9
99.9
33.1
2.15
油层
11
陆9
1424.0--1426.1
2.1
5.2
8.3
-58.2
67.4
104.7
33.8
2.14
油层
11
陆9
1434.6--1437.3
2.8
4.7
7.5
-60.1
67.4
102
32.3
2.14
水层
01
陆101
1180.9--1187.7
6.8
6
5.2
-20.2
62
106.3
32.2
2.12
油水同层
10
陆101
1273.0--1275.0
2.1
6.9
10.8
-22.6
65
94.9
30.4
2.22
油水同层
10
陆101
1409.1--1413.8
4.8
7.1
5.9
-24.5
68
98
30.9
2.15
油层
11
陆102
1164.0--1168.0
4.1
6.9
4.9
-5.2
64.2
106.3
33
2.12
油水同层
10
陆102
1216.0--1219.0
3.1
5.2
4.6
-5.4
64.6
101.8
34.1
2.16
油水同层
10
陆102
1400.1--1403.3
3.3
5.1
5.4
-7.8
69.3
104.9
32.7
2.14
油水同层
10
陆103
1267.0--1270.0
3.1
8.7
11.2
-11.2
65.4
103.8
33.9
2.13
油水同层
10
陆103
1352.0--1356.0
4.1
13.4
15.1
-16
70.5
96.9
30.9
2.2
油水同层
10
陆104
1002.0--1010.0
8
5.1
13.5
-20.9
65.8
104.5
33.4
2.16
水层
01
陆104
1192.2--1194.0
1.9
5.1
5.7
-19.9
67.8
101.6
33.6
2.16
水层
01
陆104
1202.0--1208.6
6.6
5.5
6
-17.9
82.1
98
32.1
2.3
油水同层
10
陆104
1214.0--1218.9
5
4.5
5
-20.3
60.9
103.5
33.7
2.13
水层
01
陆108
1030.0--1036.0
6.1
5.2
6.7
-49.6
64
106.8
35.3
2.15
水层
01
陆108
1122.0--1126.1
4.1
5.4
7
-49.8
69.2
106
34.4
2.16
水层
01
陆108
1215.0--1217.0
2.1
5.9
7.9
-52.4
77.2
102.5
34.8
2.17
水层
01
陆109
1346.7--1350.0
3.4
7.9
8.6
-25.6
65
97.5
31.9
2.18
油水同层
10
陆111
1166.8--1172.0
5.2
11.2
13.3
-74.4
61.1
111.2
31.37
2.14
油层
11
陆111
1197.0--1202.0
5.1
7.9
9.7
-72.4
64.1
119.6
30.69
2.12
油水同层
10
陆111
1276.2--1278.0
1.9
6.8
9.3
-71.1
64.2
111
31.12
2.12
油水同层
10
陆112
1133.0--1136.1
3.1
6
6.2
-14.8
77.4
101.5
32.33
2.2
水层
01
陆112
1225.9--1228.0
2.1
5.4
6.2
-18.7
69.5
103.5
33.52
2.14
水层
01
陆113
1264.5--1266.0
1.6
5.8
6.8
-39.5
74.1
99.2
31.4
2.23
水层
01
陆113
1334.0--1335.0
1.1
6.8
7.2
-43.1
67.2
101.9
33.4
2.19
油层
11
陆113
1338.0--1340.0
2.1
5.8
7.3
-48.2
64.6
97.9
30.6
2.19
水层
01
期望值中00为气层,01为水层,10为油水同层,11为油层。
输入计算矢量为{RT、RXO、SP、GR、AC、CNL、DEN},网络拓扑结构为:
7—7—7—2,即输入节点为7个,第一隐层为7个节点,第二隐层为7个节点,输出节点为2个,用来识别气层、油层、油水同层、水层。
为了消除测井数据不同量纲在数值上的差异,需要对样本集数据进行归一化处理,经归一化处理后,各物理量的测井数据既不失去自身的性质,各测井数值间又具有统一的度量尺度,量纲的影响自然就消除了,从而为神经网络提供可靠的基础数据。
为此可以利用本论文开发的人工神经网络测井解释软件系统的预处理功能模块的归一化处理工具完成。
归一化处理结果如下表8-2:
表8-2陆9井区块测井与试油结果的归一化训练数据
输入参数及网络拓扑结构如下:
Temperature=1.000000;神经元温度
ETA=0.250000;学习速率
ALPHA=0.020000;动量常数
MAXITER=940000;最大迭代次数
ERRTOL=0.020000;最坏误差的最小容许误差
Numberoflayers=4;网络层数
Numberofneuronsinlayer0=7;输入层节点数
Numberofneuronsinlayer1=7;第一隐层节点数
Numberofneuronsinlayer2=7;第二隐层节点数
Numberofneuronsinlayer3=2;输出层节点数
经过网络训练收敛后,神经元之间的权值和各神经元阈值为:
8.727776-4.4401239.305367-3.7889035.700017-6.6475827.313374
-6.0786395.6445993.452872-0.9721445.722620-2.032519-2.189986
-3.890867-2.0253993.0540301.9620490.2233422.564262-1.235002
-0.568113-2.290304-1.4705347.280448-2.0774510.8868780.301515
6.177826-1.106736-6.932556-2.54078715.4170546.679054-7.197594
-1.818464-1.9596541.100705-3.614675-0.4399546.579241-0.824968
1.7223110.746903-2.0351870.609210-2.013068-2.4757973.414029
2.391842-0.4691763.7429260.353154-1.548412-2.616227-1.446883
-1.785754-0.407602-0.004458-1.139143-1.9227531.0708462.469986
1.421194-1.642308-0.444225-1.181446-0.373724-2.662882-2.273508
-0.998508-0.298864-7.8405402.6622921.202784-3.962256-12.430850
-1.1187921.1273425.060939-4.330868-2.209113-2.2144740.202059
-3.956062-2.255609-1.939415-1.247700-10.5976836.6566523.222105
-6.296951-8.1281922.5232402.8601413.567064-4.093600-0.893888
-0.220077-2.210967-3.004974-0.991026-0.677851-0.837868-2.634454
-0.856080-1.211024-1.042876-2.741504-1.728751-1.039846-1.538906
3.6996561.792121-1.801712-0.192390-0.757207-0.1610891.074828
-0.966101-0.1378770.918620-0.3487511.7197341.432033-1.659521
0.0975590.038501
BP算法收敛曲线为:
经过9700次的训练后,网络收敛,平均误差为0.000061,最差误差为0.002072,这个误差范围完全可以满足解释工作的实际需要。
学习样本集的归一化数据测试结果如下表8-3所示:
表8-3陆9井区块测井检验样本集的归一化测试结果
原始样本数据及测试结果见表8-4,从表8-4可以看出,测试结果与期望值完全吻合,测试样本的回判准确率为100%。
表8-4陆9井区块油气水层识别的样本数据与神经网络测试结果
井号
井段
厚度
RT
RXO
SP
GR
AC
CNL
DEN
试油结论
期望
值
网络测试结果
(m)
(m)
(Ω.m)
(Ω.m)
(mv)
(API)
(μs/ft)
(%)
(g/cm3)
陆9
1031.3--1034.0
2.7
7.9
8.6
-56.9
58.9
107.9
27
2.11
气层
0
0
0.004852
0.003651
陆9
1037.0--1042.0
5.1
4.7
6.1
-57.6
60
104.7
35
2.15
水层
0
1
-0.001042
1.009907
陆9
1122.5--1127.0
4.6
5.4
7
-53.7
66
105.8
32.9
2.17
水层
0
1
0.01364
0.999245
陆9
1186.0--1192.0
6.1
9.2
9.4
-54.4
61.6
104.2
31.8
2.16
油水同层
1
0
1.001653
0.007476
陆9
1233.0--1237.0
4.1
6.7
8.3
-59.1
64
105.9
34.3
2.13
油水同层
1
0
1.006261
0.017213
陆9
1295.0--1299.1
4.1
4.7
7.2
-58.4
64.9
102.1
32.4
2.16
水层
0
1
-0.000799
1.005666
陆9
1323.1--1328.0
5
7.4
9
-58
67.4
103.7
33.1
2.14
油层
1
1
1.003668
0.997893
陆9
1415.0--1418.0
3.1
11.4
8.3
-58
63.9
99.9
33.1
2.15
油层
1
1
1.00368
1.003336
陆9
1424.0--1426.1
2.1
5.2
8.3
-58.2
67.4
104.7
33.8
2.14
油层
1
1
1.001742
1.000637
陆9
1434.6--1437.3
2.8
4.7
7.5
-60.1
67.4
102
32.3
2.14
水层
0
1
-0.012519
1.010433
陆101
1180.9--1187.7
6.8
6
5.2
-20.2
62
106.3
32.2
2.12
油水同层
1
0
1.002803
0.003288
陆101
1273.0--1275.0
2.1
6.9
10.8
-22.6
65
94.9
30.4
2.22
油水同层
1
0
1.002365
0.010802
陆101
1409.1--1413.8
4.8
7.1
5.9
-24.5
68
98
30.9
2.15
油层
1
1
0.999233
0.999196
陆102
1164.0--1168.0
4.1
6.9
4.9
-5.2
64.2
106.3
33
2.12
油水同层
1
0
0.852671
-0.016625
陆102
1216.0--1219.0
3.1
5.2
4.6
-5.4
64.6
101.8
34.1
2.16
油水同层
1
0
1.003622
-0.015764
陆102
1400.1--1403.3
3.3
5.1
5.4
-7.8
69.3
104.9
32.7
2.14
油水同层
1
0
1.005878
0.014551
陆103
1267.0--1270.0
3.1
8.7
11.2
-11.2
65.4
103.8
33.9
2.13
油水同层
1
0
1.001565
-0.000174
陆103
1352.0--1356.0
4.1
13.4
15.1
-16
70.5
96.9
30.9
2.2
油水同层
1
0
1.000097
0.003677
陆104
1002.0--1010.0
8
5.1
13.5
-20.9
65.8
104.5
33.4
2.16
水层
0
1
0.002439
0.997946
陆104
1192.2--1194.0
1.9
5.1
5.7
-19.9
67.8
101.6
33.6
2.16
水层
0
1
0.010386
1.007813
陆104
1202.0--1208.6
6.6
5.5
6
-17.9
82.1
98
32.1
2.3
油水同层
1
0
1.00108
0.005502
陆104
1214.0--1218.9
5
4.5
5
-20.3
60.9
103.5
33.7
2.13
水层
0
1
0.002072
1.00359
陆108
1030.0--1036.0
6.1
5.2
6.7
-49.6
64
106.8
35.3
2.15
水层
0
1
0.002167
0.989958
陆108
1122.0--1126.1
4.1
5.4
7
-49.8
69.2
106
34.4
2.16
水层
0
1
0.011767
1.007604
陆108
1215.0--1217.0
2.1
5.9
7.9
-52.4
77.2
102.5
34.8
2.17
水层
0
1
-0.000932
1.012274
陆109
1346.7--1350.0
3.4
7.9
8.6
-25.6
65
97.5
31.9
2.18
油水同层
1
0
1.003308
0.000074
陆111
1166.8--1172.0
5.2
11.2
13.3
-74.4
61.1
111.2
31.371
2.14
油层
1
1
1.000895
1.004737
陆111
1197.0--1202.0
5.1
7.9
9.7
-72.4
64.1
119.6
30.693
2.12
油水同层
1
0
1.00143
-0.017952
陆111
1276.2--1278.0
1.9
6.8
9.3
-71.1
64.2
111
31.123
2.12
油水同层
1
0
1.007859
0.00695
陆112
1133.0--1136.1
3.1
6
6.2
-14.8
77.4
101.5
32.328
2.2
水层
0
1
0.000442
1.002218
陆112
1225.9--1228.0
2.1
5.4
6.2
-18.7
69.5
103.5
33.523
2.14
水层
0
1
-0.009162
1.008353
陆113
1264.5--1266.0
1.6
5.8
6.8
-39.5
74.1
99.2
31.4
2.23
水层
0
1
-0.000318
1.003866
陆113
1334.0--1335.0
1.1
6.8
7.2
-43.1
67.2
101.9
33.4
2.19
油层
1
1
1.00064
1.007691
陆113
1338.0--1340.0
2.1
5.8
7.3
-48.2
64.6
97.9
30.6
2.19
水层
0
1
0.00786
0.997355
8.1.2实例2——某油田储集层的油气评价
在利用神经网络识别储层的油气水层和预测新井的油气水层的特征时,是以实际的测井资料和试油结论为依据来建立样本集。
根据该油田试油或生产证实的油层有23层,油水同层有7层,水层17层,将岩性系数(LTH)、孔隙度(POR)、侵入系数(Di)、含油饱和度(So)作为油气评价参数,输入矢量为{LTH,POR,Di,So},以其中30层作为已知层,供学习之用(表8-5),其余17层作检验之用(表8-6):
表8-5学习样本原始数据表
表8-6检验测试样本原始数据表
表8-5中期望值10为油层,01为油水同层,00为水层。
网络拓扑结构为:
4—4—4—2,即输入节点为4个,第一隐层为4个节点,第二隐层为4个节点,输出节点为2个,用来识别油层、油水同层、水层。
为了消除测井数据不同量纲在数值上的差异,需要对样本集数据进行归一化处理,经归一化处理后,各物理量的测井数据既不失去自身的性质,各测井数值间又具有统一的度量尺度,量纲的影响自然就消除了,从而为神经网络提供可靠的基础数据。
为此可以利用本论文开发的人工神经网络测井解释软件系统的预处理功能模块的归一化处理工具完成。
训练样本归一化处理结果如下表8-7:
表8-7该油田训练样本归一化处理结果
输入参数及网络拓扑结构如下:
Temperature=1.000000;神经元温度
ETA=0.300000;学习速率
ALPHA=0.050000;动量常数
MAXITER=10000000;最大迭代次数
ERRTOL=0.001000;最坏误差的最小容许误差
Numberoflayers=4;网络层数
Numberofneuronsinlayer0=4;输入层节点数
Numberofneuronsinlayer1=4;第一隐层节点数
Numberofneuronsinlayer2=4;第二隐层节点数
Numberofneuronsinlayer3=2;输出层节点数
经过网络训练收敛后,神经元之间的权值和各神经元阈值为:
-10.018420-0.02898013.463097-2.7395682.107397-13.5265301.536515
24.335915-15.5292289.512752-3.7390936.38515910.988239-9.099783
-1.94629925.293393-6.355862-21.526247-16.627912-2.731663-1.461133
-9.275027-4