1、录 井 工 程2023年6月基于BP神经网络模型的随钻测井曲线预测马 海范光第（中石化经纬有限公司地质测控技术研究院）马海高级工程师，1981年生，2004年毕业于中国石油大学（华东）电子信息工程专业，2010年获中国石油大学（华东）控制理论与控制工程专业博士学位，现在中石化经纬有限公司地质测控技术研究院主要从事随钻测量仪器的研发工作。通信地址：257000 山东省东营市东营区凤凰山路地质测控技术研究院。电话：13954679866。Email：mahai_摘要随着剩余油气资源的勘探开发难度不断增加，随钻地质导向仪器的应用越来越广泛。但在实际钻井过程中，随钻地质导向仪器中测量地质参数的传感器与
2、钻头之间存在一定的距离，导致所测地质参数与正钻地层间具有一定的延迟，影响了地质导向仪器的导向效果。利用BP神经网络的自组织、自学习、非线性动态处理等优势，通过自然伽马反映地层岩性，而地层岩性与钻压、排量、钻时等钻井工程参数具有一定关联，以待钻井周围已钻邻井资料作为样本进行学习和训练，建立了BP神经网络预测模型。利用当前正钻井随钻地质导向仪器已测量井段的参数对BP神经网络的权重系数进行精细调整，最后采用该BP神经网络模型及当前钻井工程参数对钻头正钻地层的自然伽马参数进行预测。实例应用表明，该方法预测计算得到的自然伽马数据较为准确，与实测自然伽马曲线相比具有较高的相似性，可以作为仪器测点零长井段地
3、质参数的预测方法，为实际钻井过程中地质导向提供一定的参考。关键词BP神经网络随钻测井曲线地质导向权重系数自然伽马中图分类号：TE 132.1文献标识码：ADOI：10.3969/j.issn.16729803.2023.02.004Prediction of LWD curves based on BP neural network modelMA Hai，FAN GuangdiGeosteering&Logging Research Institute，Sinopec Matrix Corporation，Dongying，Shandong 257064，ChinaAbstract：With
4、 the increasing difficulty of exploration and development of remaining oil and gas resources，the application ofgeological steering instrument while drilling is more and more extensive.However，in the actual drilling process，there is acertain distance between the sensor measuring geological parameters
5、 in the geological steering instrument while drilling and thedrill bit，which leads to a certain delay between the measured geological parameters and the formation being drilled，andaffects the steering effect of the geological steering instrument.This paper makes use of the advantages of BP neural ne
6、tworksuch as selforganization，selflearning and nonlinear dynamic processing，as well as the natural gamma response to theformation lithology，which has a certain relationship with the drilling engineering parameters such as WOB，displacement anddrilling time.It uses the drilled temporary well materials
7、 around the well to be drilled as samples for learning and training，andestablishes an initial BP neural network prediction model.Then，the initial BP neural network is fine adjusted by using theparameters of the measured well section of the current geosteering instrument while drilling.Finally，the na
8、tural gammaparameters of the formation being drilled by the bit are predicted by using the BP neural network model and the current drillingengineering parameters.The example application shows that the natural gamma parameters predicted and calculated by thismethod are more accurate，and have a higher
9、 similarity with the measured natural gamma curves.It can be used as a predictionmethod for the geological parameters of zero length well section at the instrument measuring point，and provide a certainreference for geological steering in the actual drilling process.Key words：BP neural network，LWD cu
10、rves，geosteering，weight cofficient，natural gamma引用：马海，范光第.基于BP神经网络模型的随钻测井曲线预测J.录井工程，2023，34（2）：2227.MA Hai，FAN Guangdi.Prediction of LWD curves based on BP neural network modelJ.Mud Logging Engineering，2023，34（2）：2227.22第34卷第2期马海等：基于BP神经网络模型的随钻测井曲线预测0引言随着油气资源的不断勘探开发，剩余油气资源主要集中在油藏边缘、深部地层等区块。由于油藏边缘地区的
11、油层厚度薄，深部油层的位置不确定性因素多，其开发难度较大。为提高这类油层的钻遇率，目前主要采用随钻地质导向仪器，实时监测地层的变化，利用随钻测井曲线与周围已钻井的测井曲线进行对比，及时发现地层的变化趋势，从而指导井眼轨迹控制，确保准确钻遇目的层位。目前，使用的大多数随钻地质导向仪器主要测量地层的电阻率和自然伽马两个地质参数，其中电阻率主要用于判别油水层，自然伽马主要用于判别地层岩性。在实际钻井过程中，随钻地质导向仪器一般安装在动力钻具的后面，通常测量电阻率和自然伽马的传感器距离钻头1015 m（即仪器测点零长），因此导致所测得的地质参数对应地层并不是钻头正钻的地层，该段距离具有一定的延迟性。上
12、述情况对随钻地质导向仪器的实时导向效果产生了一定的影响。目前，国内外石油公司都在研发近钻头地质导向测量仪器，但由于该项技术具有一定的难度，只有少数石油公司研发成功了距离钻头1 m左右的测量传感器。为此，本文利用人工神经网络中的BP算法，通过收集待钻井周围已钻井的钻井工程参数和地质参数作为样本数据进行学习训练，建立基于钻井工程参数预测地质参数的BP神经网络模型，用于对实际钻井过程中钻头所处地层的地质参数进行预测。1BP神经网络的基本原理人工神经网络是一种非常复杂的自学习非线性的动态处理系统，无需明确得到输入参数与输出结果之间的数学关系，只通过对已有样本数据的学习和训练，就可以得到输入参数与输出结
13、果之间的高度非线性映射关系，使得给定输入参数时能够通过这种映射关系网络得到最接近期望的输出结果。BP神经网络是人工神经网络的一种典型网络，属于误差反向传播训练（Error Back Propagation Training）的多层前馈网络1，一般常用的是3层网络，包括输入层、隐含层、输出层，其基本结构如图1所示。当遇到的问题较为复杂，采用三层网络难以确定输入参数与输出结果之间的映射关系时，也会采用多层网络，主要是增加隐含层的层数或增加隐含层内的神经元数量。BP神经网络算法主要包括两个过程：一是数据的正向计算传播过程，二是误差的反向传播过程2。在数据的正向计算传播过程中，样本中所包含的输入数据由
14、BP神经网络的输入层神经元输入，然后与权重系数相结合传播到隐含层的各神经元，经过激励函数输出，再与权重系数相结合传播到输出层，经过激励函数输出得到最后结果。如果得到的最后结果与样本中包含的目标输出结果相差较大，即误差不满足要求，则进入误差的反向传播过程，该过程是将正向传播过程中最后得到的误差通过输出层向隐含层反传，隐含层向输入层反传，并将误差分摊到所有神经元，作为调整各层神经元间权重系数的依据。通过调整输入层神经元与隐含层神经元间的权重系数和阈值、隐含层神经元与输出层神经元间的权重系数和阈值，使得误差沿梯度方向下降，然后再重新进行正向传播计算，直到输出层的输出值与样本中包含的输出数据之间的误差
15、达到所设定的误差范围为止，则该BP神经网络学习训练完成。2BP算法的学习训练2.1BP 神经网络的数学模型上述典型的 3层 BP神经网络中，设输入层的神经元为Xx1，x2，xn-1，xnT，隐含层的神经元为Yy1，y2，ym-1，ymT，输出层的神经元为Oo1，o2，ol-1，olT，期望输出参数为Dd1，d2，dl-1，dlT。对于隐含层的神经元有：yjf（netj）j1，2，m（1）netji=1n（vijxi）j1，2，m（2）式中：yj为第j个隐含层神经元的值；netj为第j个隐含层神经元传递函数的输入值；m为隐含层神经元的个图13层BP神经网络示意 23录 井 工 程工 艺 技 术2
16、023年6月数；n为输入层神经元的个数；vij为第i个输入层神经元与第j个隐含层神经元的权重；xi为第i个输入层神经元的值。公式（1）中的传递函数为：f（x）11+e-x输入层神经元到隐含层神经元间的权重系数矩阵为：V v11v12v1nv21v22v2nvm1vm2vmn对于输出层的神经元有：okf（netk）k1，2，l（3）netkj=1m（wjkyj）k1，2，l（4）式中：ok为第k个输出层神经元的值；netk为第k个输出层神经元传递函数的输入值；l为输出层神经元的个数；wjk为第j个隐含层神经元与第k个输出层神经元的权重。公式（3）中的传递函数为：f（x）11+e-x隐含层神经元到
17、输出层神经元间的权重系数矩阵为：W w11w12w1lw21w22w2lwm1wm2wml2.2BP 学习算法在对BP神经网络学习训练过程中，正向计算传播过程最后得到的实际输出结果与样本中包含的目标输出结果往往会存在一定的误差，如果误差超出预先设定的误差范围，将会进入误差的反向传播过程3，则误差设为：E12（D-O）212k=1l（dk-ok）2（5）式中：dk为第k个目标输出结果值。根据上述BP神经网络的基本原理可知，当进入误差的反向传播过程时，首先是误差由输出层向隐含层传播，则有：E12k=1l dk-f（j=1m（wjkyj）2（6）其次，误差由隐含层向输入层传播时，则有：E12k=1l
18、 dk-f j=1m（wjkf（i=1n（vijxi）2（7）当误差传播完成后，就要对权重系数进行调整。在BP神经网络中，为了使误差能够快速减小，应沿着误差减小最快的方向对权重系数进行调整，即：wjk-Ewjkvij-Evij（8）式中：为学习效率，是一个大于0小于1的常数，负号代表误差减小最快的方向4。3基于已钻井资料的BP神经网络预测模型基于上述BP神经网络数学模型可知，其学习训练的过程就是通过输入参数正向计算目标参数，如果计算结果误差较大，则将误差反向传播来调整权重系数和阈值。学习训练的目的就是通过反复不断地调整得到合适的权重系数和阈值，使其正向计算得到的结果与样本中目标参数之间的误差在
19、合理范围内。由此可知，在学习训练中样本参数对于往复循环的次数具有重要影响，如果输入参数与目标参数间的联系性或相关性较差，则需要更多次的学习训练，甚至最终也不可能得到理想的 BP 网络5。因此，为了提高BP网络的映射关系，本文选择测井参数作为目标参数，将与该参数有直接或间接联系的重要工程参数作为输入数据。在实际钻井过程中，大多数随钻地质导向仪器主要测量电阻率和自然伽马两种地质参数，同时还可以得到钻压、钻时、排量、立压、扭矩、转盘转速等多种钻井工程参数。通过分析可知，电阻率用于区分油水层，而自然伽马则用于检测地层的岩性，钻井过程中工程参数与正钻地层的岩性有更加直接的关系，如泥岩地层钻压虽然较大，但
20、是钻时较慢，而砂岩地层钻压虽然较小，但是钻时较快。因此选择自然伽马参数作为目标参数（D），而钻井工程参数作为输入参数，其中钻压（x1）、钻时（x2）、排量（x3）、转盘转速（x4）与所钻地层岩性存在较大相关性，同时井深（x5）可以间接描述地层矿物的压实程度，反映钻时等工程参数与地层岩性间的关系6，所以选取上述5个工程参数作为输入参数（X）。则上述输入参数与目标参数间的关系可以简单描述为Df（X）f（x1，x2，x3，x4，x5）。24第34卷第2期马海等：基于BP神经网络模型的随钻测井曲线预测首先确定BP神经网络层数、各层神经元数量和传递函数及学习规则。增加隐含层层数可以降低误差，提高精度，但
21、同时也使网络复杂化，从而增加了网络权值的训练时间。误差精度的提高实际上也可以通过增加隐含层中的神经元数量来实现，其训练效果比增加层数更容易观察和调整。隐含层神经元的数量增加过多必然导致训练时间增加，使程序运行缓慢，同时也使网络的泛性降低甚至导致网络失效。隐含层神经元的数量设置在理论上没有明确规定，经验值建议选取26倍的输入层神经元数7。自然伽马预测的 BP神经网络结构为 3层，其中输入层神经元的数量为5，隐含层为18，输出层为1。输入层到隐含层间的计算公式为：yjf i=15（vijxi）其中传递函数选取 MATLAB 软件中提供的logsig函数。隐含层到输出层间的计算公式为：of j=11
22、8（wj1yj）其中传递函数选取 MATLAB 软件中提供的purelin函数8。以变学习率和变冲量系数的BP算法作为网络学习规则，3层网络间的权重系数见表1。为了加快收敛速度，提高网络的训练效率，需要对输入的样本数据进行归一化处理，本文采用转换到区间0，1进行数据处理。同时，在MATLAB软件中使用newff函数自动初始化进行权值初始化9，期望误差选取0.01。收集待钻井周围已钻井的上述5个工程参数及其所对应的地质参数中的自然伽马曲线，然后利用收集到的这些数据作为样本集合对建立的BP神经网络进行学习和训练，直至满足误差要求，得到输入层到隐含层及隐含层到输出层的权重系数矩阵，即建立了基于BP神
23、经网络的测井曲线预测模型。4BP神经网络权重系数修正以上是通过待钻井周围已钻邻井资料建立的BP神经网络，利用该模型预测计算正钻井的自然伽马测井曲线存在一定的缺陷。由于周围已钻邻井的资料存在一定的不确定性，特别是收集的5个工程参数与正钻井施工的条件及环境各不相同，会存在更大的不准确性，所以直接利用该模型对正钻井的自然伽马曲线进行预测会存在较大误差。为此，本文充分利用当前正钻井的实时工程参数以及随钻地质导向仪器已测量的自然伽马曲线值，对上述模型中的权重系数矩阵进行更进一步的修正，使得到的BP神经网络权重系数与当前正钻井的实际施工情况更相适应，由此则能得到更加准确的自然伽马曲线。利用周围已钻井的资料
24、对BP神经网络进行学习和训练的主要目的是得到具有一定意义的初步权重系数，为后期利用当前井的数据进行调整时节约大量的时间。由于神经网络的学习训练需要多次的往复循环，初始权重系数矩阵是随机给定的，需要进行多次调整才能得到较为准确的权重系数10，这样会浪费大量时间，很难应用于实际钻井过程中的测井曲线实时预测。利用周围已钻井的资料得到初始的权重系数，在此基础上进行调整则有利于快速得到准确的权重系数。如图2所示，假设随钻地质导向仪器中自然伽马的测量传感器位于图2中A点，钻头位于图2中A1点，那么AA1井段就是仪器测点零长，即需要预测计算自然伽马曲线的井段。利用上述BP神经网络，将施工OA井段（20 m）
25、的工程参数作为输入参数，将随钻地质导向仪器测量OA井段得到的自然伽马曲线值作为目标参数，进一步调整BP神经网络中的权重系数，隐含层y1y2y17y18输入层到隐含层权重系数x1-16.115-8.017-43.287-53.512x217.6350.148-34.56155.858x313.746-4.74313.3753.865x415.8928.3758.71523.851x511.5210.84115.2874.721隐含层到输出层权重系数6.7120.3679.672-7.843表13层网络间的权重系数 25录 井 工 程工 艺 技 术2023年6月利用调整后的BP神经网络对AA1井段
26、的自然伽马值进行预测计算。依此类推，随着井深的不断增加，将待预测井段前20 m井段施工参数作为BP神经网络的输入参数，将该井段随钻地质导向仪器测量得到的自然伽马值作为目标参数，在上一步BP神经网络的基础上进一步调整权重系数，这样就可以充分利用当前井的实钻参数来较为准确地预测所需要的自然伽马曲线。5实例应用通过 MATLAB 软件编制上述随钻测井曲线预测BP神经网络模型的计算程序，并利用该程序对某油田P 8井的随钻测井自然伽马曲线进行预测计算。首先收集该井周围已钻的P 5井和P 7井的施工工程参数及自然伽马曲线，然后建立BP神经网络，并利用收集到的数据集对该网络进行学习和训练，得到BP神经网络预
27、测模型。利用该模型对 P 8 井 1 1001500 m井段的自然伽马曲线进行预测。从图3可以看出，利用周围已钻井资料得到的初始BP神经网络预测的自然伽马曲线与实际测量得到的自然伽马曲线的变化趋势基本一致，特别是在标志层井段的对应性和相关性更准确。如该井井段11201150 m、11801210 m 实测自然伽马曲线有明显的下降趋势，而基于初始BP神经网络预测的自然伽马曲线也同样具有下降趋势，并与实测值的走势接近。但在1300 m以后的井段初始预测的自然伽马曲线与实测值曲线误差较大，特别是在 1 4501500 m井段，两者呈现相反的趋势，说明由于收集的周围井数据存在一定的不确定性，导致采用初
28、始BP网络预测值具有较大误差。而从充分利用当前正钻井参数调整后的BP神经网络预测的自然伽马曲线可以看出，调整后的预测值与随钻地质导向仪器实测值更接近，两者曲线的走势更加一致，大幅减小了基于初始BP神经网络的自然伽马预测值与实测值间的误差，从而有效降低了由于收集到的周围井数据不准确、已钻井的施工条件和环境与正钻井的施工条件和环境差异较大等因素导致的预测曲线的误差。利用待钻井周围已钻邻井的资料建立BP神经网络，然后通过当前井正钻的工程参数作为网络的输入参数，随钻地质导向仪器所测量的自然伽马值作为目标参数，对初始的BP神经网络权重系数矩阵进一步精细调整，最后利用钻头正钻遇地层实时反映的5个工程参数作
29、为输入值预测得到正钻地层的自然伽马值。通过该BP神经网络模型预测计算得到的自然伽马值能够实时描述钻头处地层的岩性，并且先于随钻地质导向仪器反映出钻头处地层特性，不存在从仪器测点到钻头之间距离的问题，改善了地质导向的实时效果，具有一定的优势。6结论（1）针对随钻地质导向仪器测量传感器与钻头间具有一定距离，无法及时获取钻头处地层的地质参数的问题，提出了一种基于BP神经网络的随钻测井曲线预测方法，利用待钻井周围已钻邻井资料所建立的BP神经网络可对正钻井的测井曲线进行初步预测。（2）通过当前正钻井的工程参数和随钻地质导向仪器实测自然伽马值，对建立的BP神经网络中权重图2自然伽马曲线预测示意图3P 8井
30、11001500 m井段的自然伽马曲线对比 26第34卷第2期马海等：基于BP神经网络模型的随钻测井曲线预测系数矩阵进行进一步精细调整，提高了自然伽马曲线预测的精度。（3）近钻头测量仪器的研发是钻井技术发展的大势所趋，通过近钻头测量仪器实时监测钻头处地层的自然伽马、电阻率等地质参数，可切实提高油气资源的勘探开发效率。参考文献 1 韩力群.人工神经网络理论、设计及应用M.北京：化学工业出版社，2002.HAN Liqun.Theory，design and application of artificialneural networkM.Beijing：Chemical Industry Pre
31、ss，2002.2 余方威.基于BP神经网络的岩质边坡位移反分析及其应用研究D.成都：西南交通大学，2009.YU Fangwei.Displacement back analysis for rock slopebased on BP neural network and its application researchD.Chengdu：Southwest Jiaotong University，2009.3 杨志力，周路，彭文利，等.BP神经网络技术在声波测井曲线重构中的运用J.西南石油大学学报（自然科学版），2008，30（1）：6366.YANGZhili，ZHOULu，PENGWe
32、nli，etal.Application of BP neural network technology in sonic logdatarebuildingJ.JournalofSouthwestPetroleumUniversity（Science&Technology Edition），2008，30（1）：6366.4 王玲璐，余艳梅，罗代升.一种基于BP网络的测井曲线自动提取方法J.四川大学学报（自然科学版），2008，45（1）：8590.WANG Linglu，YU Yanmei，LUO Daisheng.A methodfor automatic well log curves
33、 recognition using BP neuralnetworkJ.JournalofSichuanUniversity（NaturalScience Edition），2008，45（1）：8590.5 胡全明，纪海鹏.基于BP神经网络的深部地层压力预测技术J.科学技术与工程，2010，10（21）：52455248.HUQuanming，JIHaipeng.Pressurepredictiontechnology of the deep strata，based on the BP neuralnetworkJ.Science Technology and Engineering，2
34、010，10（21）：52455248.6 刘春桃，李元军.神经网络法在测井曲线自动分层问题中的应用J.高等函授学报（自然科学版），2011，24（5）：6365.LIU Chuntao，LI Yuanjun.Application of neural networkmethod in automatic delamination of logging curvesJ.Journal of Higher Correspondence Education（NaturalSciences），2011，24（5）：6365.7 郭海敏，赵亚宁，时新磊，等.基于BP神经网络技术的水淹层评价J.石油天然
35、气学报，2010，32（5）：7983.GUOHaimin，ZHAOYaning，SHI Xinlei，et al.Waterflooded reservoir evaluation based on BP neuralnetworktechnologyJ.JournalofOilandGasTechnology，2010，32（5）：7983.8 郭永恒.随钻测井曲线预测及更新方法研究J.石油钻探技术，2010，38（6）：2528.GUO Yongheng.Prediction and update of LWD curvewhile drillingJ.Petroleum Drillin
36、g Techniques，2010，38（6）：2528.9 张亚斌，翟亦斌，陈忠云.神经网络技术在测井曲线重构中的应用J.石油天然气学报，2011，33（3）：8994.ZHANGYabin，ZHAIYibin，CHENZhongyun.Application of neuralnetwork technology in reconstructinglogging curvesJ.Journal of Oil and Gas Technology，2011，33（3）：8994.10 张东晓，陈云天，孟晋.基于循环神经网络的测井曲线生成方法J.石油勘探与开发，2018，45（4）：598607.ZHANGDongxiao，CHENYuntian，MENGJin.SyntheticwelllogsgenerationviarecurrentneuralnetworksJ.Petroleum Exploration and Development，2018，45（4）：598607.（返修收稿日期20230409编辑卜丽媛）27
