1、2023 年第 38 卷 第1期2023，38(1):0321-0327地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P王猛，董宇，蔡军，等 2023 基于 BP 神经网络的储层渗透率预测及质量评价方法 地球物理学进展，38(1):0321-0327，doi:10 6038/pg2023FF0073WANG Meng，DONG Yu，CAI Jun，et al 2023 Method for reservoir permeability prediction and qualityevalu
2、ation based on BP neural network Progress inGeophysics(in Chinese)，38(1):0321-0327，doi:10 6038/pg2023FF0073基于 BP 神经网络的储层渗透率预测及质量评价方法Method for reservoir permeability prediction and qualityevaluation based onBP neural network王猛1，董宇1，蔡军2，刘海波1，刘志杰1，张志强1WANG Meng1，DONG Yu1，CAI Jun2，LIU HaiBo1，LIU ZhiJie
3、1，ZHANG ZhiQiang1收稿日期2021-08-03;修回日期2022-06-16投稿网址http:/www progeophys cn基金项目国家科技重大专项“大型油气田及煤层气开发“超低渗地层测试技术与装备”(2017ZX05019-004)资助第一作者简介王猛，男，1982 年生，硕士研究生，高级工程师，主要从事测井及地质资料的综合解释评价与研究工作E-mail:wangmeng10 cosl com cn1 中海油田服务股份有限公司，廊坊0652012 中海石油(中国)有限公司上海分公司，上海2000001 Well-Tech Department of China Oilf
4、ield Services Limited，Langfang 065201，China2 CNOOC(China)Company Limited Shanghai Branch，Shanghai 200000，China摘要储层渗透率预测和评价是油气藏勘探与开发急需突破的瓶颈技术之一，BP 神经网络预测储层渗透率的研究在行业中已有一定的应用，但受限于数据规模、参数调整及模型评价方法，该方法预测结果不稳定，且不能准确给出全井段储层的连续渗透率的预测质量，在油田现场并未大规模推广应用 本文针对传统BP 神经网络预测储层渗透率方法中存在的问题，在对机器学习的数据处理、参数选择系统考察的基础上，定量分
5、析了不同输入曲线、网络结构、样本大小对渗透率预测模型精度的影响，总结了 BP 神经网络预测渗透率模型的参数优选方案;并提出了一种基于模型森林的预测曲线质量逐点评价方法，实现了对全井段渗透率预测的质量评价 实际应用表明，本研究提出的储层渗透率预测及质量评价方法与实际岩心渗透率吻合度高，推广应用前景良好关键词渗透率评价;神经网络;参数优选;质量控制;逐点评价中图分类号P631文献标识码Adoi:10 6038/pg2023FF0073Abstracteservoir permeability prediction and evaluationis one of the core technolog
6、ies that need to be brokenin theexploration and development of oil and gas reservoirs，theresearch of BP neural network has been applied to predictpermeability in the industry，but due to dataset，parameteradjustment andmodel evaluation method，the predictionresult of this method is uncertain，and the pr
7、edictivequality of continuous permeability of the whole well cannotbe given accurately，it is seldom used in oilfield In viewof the problems existing in the traditional BP neuralnetwork method for predicting permeability，based on thesystematic investigation of data processing and parameterselection o
8、f the machine learning，this paper quantitativelyanalyzes the influence of different input curves，networkstructure and sample size on the accuracy of permeabilityprediction model，summarizes the parameter selectionscheme of BP neural network for permeability predictionmodel;and puts forward a pointbyp
9、oint evaluation methodof prediction curve quality based on model forest，whichachieves the quality evaluation of whole well permeabilitypredictionThepracticalapplicationshowsthatthereservoir permeability prediction and quality evaluationmethod proposed in this paper is highly consistent with thecore
10、permeability，and has a good application prospectKeywordsPermeabilityevaluation;Neuralnetwork;Parameteroptimization;Qualitycontrol;Point-by-Pointevaluation地球物理学进展www progeophys cn2023，38(1)0引言储层渗透率是储层评价、产能预测、油田开发参数设计、油藏数值模拟最重要的资料 每一种测井参数都不同程度地反映了储层渗透率的信息，且渗透率与测井参数之间是典型的多参数非线性映射问题(邹文波，2020)，综合利用多种测井参数
11、预测渗透率，对于提高储层渗透率计算精度具有十分重要的意义目前，渗透率主要采用单重孔隙介质渗透率模型(Kozeny，1927;Carman，1937;Timur，1968)和岩心拟合法(Amaefule et al，2009;Gunter et al，2014)其中，单重孔隙介质渗透率模型中最常用的是 Timur公式，该方法的缺陷是束缚水饱和度难以准确求取;岩心拟合法最常用的是基于“流动单元”思想的储层类型划分方法，该方法虽然保证了每一类储层孔隙度与渗透率有良好的相关性，但流动单元指标参数计算误差较大，使得渗透率计算误差较大(李雄炎等，2020)每一种渗透率计算方法均有其特定的适用范围，对不同层
12、位进行解释时都需要选择不同的经验参数和计算方法，且在测井参数的选择上有所限制，因而解释结果存在较大的误差在储层参数预测方面，一些浅层的神经网络已有所应用，比如 BP 神经网络(Nasimi et al，2010;Leite and Vidal，2011)该类算法实现较为简单，但针对复杂的非线性问题的泛化能力受到一定制约(Bengio，2009)，同时还存在着收敛速度慢、容易陷入局部最优解等问题 深度学习在神经网络的网络结构复杂度和深度上均有所增加，通过多层网络对特征进行提取变换，在高维空间中将分类或回归问题简单化，从而提高其准确性，如 DNN 神经网络(安鹏和曹丹平，2018)该类算法在一定程
13、度上简化了特征参数的提取，能够有效解决复杂的非线性问题，但网络结构设置较为复杂，同时还存在着网络结构过于复杂导致地模型过拟合等问题本文通过对网络结构、模型输入特征、样本大小进行定量对比分析，总结了 BP 神经网络预测渗透率模型的参数优选方案和最小适用数据规模，同时基于数理统计的思想，设计了一套全局最优模型的筛选方案和预测结果评价方法，使计算的渗透率曲线和质量评价更符合实际1BP 神经网络神经网络模型由一个输入层，一个或多个隐含层，一个输出层组成，各层由若干个神经元(节点)构成，上下层之间的神经元相互连接，但同层的神经元并不连接，如图 1 所示 神经网络中每个节点代表一种特定的输出函数，成为激励
14、函数，每两个节点间的联结都代表一个对于通过该连接信号的加权值，称之为权重，这相当于神经网络的记忆BP 神经网络(Back Propagation Neural Network)是由 umelhart 等(1986)提出，是一种按照误差逆向传播算法训练的多层前馈神经网络 网络的学习需要经历信息正向传播和误差反向传播两个过程(杨淑娥和黄礼，2005)1 1网络正向传播原理网络模型中层与层之间的信息传递依靠矩阵运算(式(1):y=x wi+bi，(1)其中，x 为上一层的特征向量，输出到下一层的向量为 y，wi为第 i 层映射到第 i+1 层的权重矩阵，bi为偏置项激励函数的作用是给网络模型加入非线
15、性因素，使神经网络可以更好地解决实际中较为复杂的非线性问题 常用的网络激励函数为 Sigmoid 函数(式(2)，由于任何输入都会被缩放到 0 到 1，因此会出现梯度消失的现象，为了避免该问题的影响，在数据输入模型前，需要对数据进行归一标准化处理式(2)为:sigmoid=11+e z(2)神经网络模型的网络结构决定了算法复杂度和模型可调度，隐藏层数和节点数是网络模型超参数选择中的重要内容，层数和节点数越多意味着模型可调节性越强，预测结果粒度越细，但同时也意味着计算复杂度越高，一般确定隐含层和节点数的基本原则是:在满足精度要求的前提下选取尽可能紧凑的结构，即取尽可能少的隐藏层和节点数(安鹏等，
16、2019)1 2网络反向传播原理网络模型初始化一般采用随机初始化权重和偏置，将样本数据传入到网络，通过损失函数(式(3)比较输出与实际值之间的差异，就可以得到当前参数下的模型误差 由于参数的设置十分随意，不可能一次就能把模型确定，必须有一个“学习机制”，让模型不断优化逼近到最佳的状态 式(3)为:loss=(ytarget yout)2，(3)其中，ytarget为实际值，yout为输出，loss 为模型误差2232023，38(1)王猛，等:基于 BP 神经网络的储层渗透率预测及质量评价方法(www progeophys cn)计算模型误差后，通过反向传播算法反向依次计算 每 个 隐 含 层 的 误 差 项，采 用 梯 度 下 降 法(Hochreiter et al，2001)逐步调整每个隐含层的节点参数 w 和 b w 和 b 每次调整的方向及大小由根据损失函数计算模型中的每一个参数的梯度决定，常用的优化算法为 Adam 算法(Kingma and Ba，2017)同时为了防止模型过拟合，还采用了 Dropout正则化方法(Hinton et al，2012;Srivastava