基于電磁參數的BP神經網絡模型在頁巖氣儲層預測中的應用研究

周 瑾， 白洪溪， 崔 健， 張文權，梁宏達，王佳音， 余云春， 何委微

(1.青海省地質調查局，西寧 810001;2.江蘇華東八一四地球物理勘查有限公司，南京 210007;3.中山大學 地球科學與工程學院，廣州 510275)

0 引言

隨著經濟社會的發展，勘探技術的不斷進步，非常規油氣資源在世界能源結構中的比重逐年增加，越來越受到各國地重視。頁巖氣作為一種非常規油氣資源，在美國的開發和驅動下，取得了飛速地發展并改變了世界能源格局[1]。由于其分布范圍廣、含氣量大以及開采周期比較長等優點，頁巖氣逐漸成為許多國家的共同選擇。經過這些年的勘探與研究，中國有著巨大的頁巖氣資源潛力，主要分布在古生界海相、中新生界陸相盆地，而四川盆地作為我國中生代陸相紅層分布最集中地區，是頁巖氣勘探和開采的重要區域[2]。

在頁巖氣勘探研究中，地震方法由于其對構造、裂隙發育帶以及儲層非均質性識別精度比較高，因此取得了長足的發展并日趨成熟。但是地震勘探方法成本比較高，而且在地表有覆蓋層及地質構造較為復雜的區域(如構造陡峭地帶)，信號接收往往較為困難，不利于成像。而非地震方法成本低、效率比較高，其中電磁法具有分辨率高和探測深度大等優點，因此可作為地震勘探的有利補充手段，為研究區頁巖氣勘探提供電性方面的信息與約束[3-8]。

圖1 研究區構造綱要及電磁試驗區區域地質圖

研究區內富有機質頁巖分布廣泛，從四川盆地南部長寧構造新完鉆的頁巖氣淺井的分析測試數據看，龍馬溪組有機質豐度高、成熟度較高，生烴潛力大，具有形成頁巖氣藏的優越條件。物性調查顯示，研究區頁巖層相對于圍巖呈低阻高極化特征，另有研究表明，四川盆地龍馬溪組頁巖層中存在黃鐵礦化，由于黃鐵礦的極化特征，形成極化率異常，而黃鐵礦化與富有機質頁巖的共生的，黃鐵礦的含量與TOC成正比,頁巖層中的TOC含量越高越有利于頁巖氣的富集，因此我們收集了該區的EMAP01測線的CR01測線法反演的電阻率反演斷面和充電率切片圖。根據反演得出的電阻率和極化率以及相位的數據，結合神經網絡原理建立儲層預測模型，預測油氣頁巖發育區。

1 數據的收集與整理

1.1 數據來源

研究區內布置CR06線和EMAP01線(圖1)，兩測線重合，測線上有已知井Z104，根據CR01線反演充電率切片圖提取深度方向的極化率數據為樣本參數；根據M1線的二維連續介質電阻率和殘差法電阻率反演斷面圖，提取深度方向的電阻率率數據為樣本參數；根據MT的視電阻率、頻率、以及原始相位，計算深度與對應相位為樣本參數。

1.2 TOC含量與各樣本參數間的關系

1.2.1TOC含量與電阻率的關系

頁巖氣儲層含量主要與TOC含量、成熟度等密切相關，國、內外己有許多學者對巖石電阻率與有機碳含量之間的關系進行了大量研究，研究表明巖石的TOC含量與儲層電阻率存在正相關關系[9-11]，但在研究區部分地層中炭質、黃鐵礦化較為發育，由于黃鐵礦到磁黃鐵礦的轉變，以及在這階段新產生了更多的長形幾何狀硫化物，從而增加了導電體的連通性，很多學者在對昭通地區龍馬溪組富有機質頁巖的研究中發現，富有機質頁巖電阻率的降低與TOC含量的增大有很大關系，高TOC含量是研究區龍馬溪組富有機質頁巖電阻率較低的一個重要影響因素，電阻率和TOC含量之間大致上存在負相關關系。研究區龍馬溪組富有機質頁巖儲層表現為低電阻率特征。

1.2.2TOC含量與極化率的關系

根據對研究區富有機質頁巖地層(志留系龍馬溪組和寒武系筇竹寺組)的極化率參數的調研，結果顯示碳質頁巖具有高極化率特征，尤其是筇竹寺組頁巖平均極化率高達42.5 %，構成頁巖氣電法勘探識別的重要物性基礎。通過巖石礦物鑒定可以進一步確定，引起高碳質頁巖極化率高的原因有：①有碳質含量高引起極化率高；②頁巖中較為穩定地含有黃鐵礦成份。很多學者對巖礦石的導電機理進行了深入研究，分析認為鐵礦等電子導電礦物產生極化的機理是離子溶液溶解了一部分黃鐵礦，溶解后的黃鐵礦成為帶正電的金屬離子游移于溶液中，而本身則帶負電，異性電荷相互吸引后便在導體溶液界面的兩側形成了有別于粘土礦物吸附陰離子而形成的雙電層結構，但是產生極化的因素較多，黃鐵礦并不是產生極化的唯一因素，而且還受自身分布情況限制，再加上極化率變化范圍有限，因此當黃鐵礦含量較低時，極化率未必與黃鐵礦含量有明顯關系，當黃鐵礦含量較高時，極化率與黃鐵礦含量呈正相關關系。有研究表明，巖層中的黃鐵礦與其TOC含量有較為穩定伴生關系，綜合分析得出研究區龍馬溪組富有機質頁巖儲層表現為高極化率特征。

因為電阻率和極化率與TOC含量之間存在的是相關關系，高低值有相對性，但是無法明確高低TOC含量的具體的參數范圍值，加之單個參數的相關性較差，所以我們選擇極化率、二維連續介質電阻率、殘差法電阻率、相位作為參數建立解釋模型，提高預測結果的精確性。

2 儲層預測模型的建立

2.1 神經網絡基本原理

人工神經網絡是由大量的簡單基本元件-神經元相互聯接而成的自適應非線性動態系統，每個神經元的結構和功能比較簡單，但大量神經元組合產生的系統行為卻非常復雜。人工神經網絡的基本結構模仿人腦，反映了人腦功能的若干基本特征，能夠自身適應環境、總結規律、完成某種運算、識別或過程控制，人工神經網絡具有并行處理特征，可以大大提高工作速度。

人工神經元以不同的方式，通過改變連接方式、神經元的數量和層數，組成不同的人工神經網絡模型，主要分為輸入信號、神經元間的連接強度(權值)、輸出信號等，并利用傳遞函數(或稱激活函數)，表示神經元的輸入-輸出關系。

本次選取的是應用較廣的分層網絡，根據實際輸出和期望輸出之差，對網絡的各層連接權由后向前逐層進行誤差校正的多層前饋網絡，簡稱BP神經網絡，該方法的實質是求誤差函數的最小值，它通過多個樣本的反復訓練，根據設定的網絡層數、隱含層的神經元數、初始權值以及學習速率和期望誤差等參數，由輸入的樣本數據預測得出TOC含量值，具體的網絡計算流程見圖2。

圖2 BP神經網絡流程圖

2.2 TOC含量預測模型

根據BP神經網絡原理，選取激勵函數，訓練神經網絡[12-15]，本次最終選取的隱含層數為40，選取的激勵函數為雙曲正切函數，采用東臺學習速率學習法，經過迭代，使網絡訓練誤差較快收斂，輸出層位1個節點，建立TOC含量BP神經網絡預測模型為：

(1)

其中：n=4是參與預測的參數個數；m=40是隱含層節點數；k=1是輸出節點數；xi為輸入的電磁參數的數值；wij為輸入層到隱含層權系數；bj為隱含層閾值；tanh為選取的雙曲正切激勵函數；vij為隱含層到輸出層權系數；ak為隱含層到輸出層閾值；輸入層與隱含層間的權系數wij和隱含層與輸出層間的權系數vij(表1和表2)。

3 結果分析

根據建立的模型和計算，對測線剖面預測得到TOC含量值分布如圖3(a)所示。

TOC預測分布圖顯示，測線的TOC含量的高值主要分布在測線7 500 m至9 700 m處，對比該部分的電阻率和充電率斷面圖，極化率呈高值分布，電阻率特征不明顯。

已知Z104 井的地質錄井資料(圖4)，提取Z104(1 350 m～2 115 m)井段預測得到TOC含量值，與TOC實測值做相關性分析(表3)，得出相關系數為0.528，表示兩個變量正相關。實測TOC與預測TOC在深度1 000 m至1 200 m之間存在顯著的相關性(圖5)，推斷該層位為頁巖含氣層。這表明電磁數據預測TOC是可行的，同時也說明測井的電阻率和電磁法電阻率具有一定的相關性，高級化異常是進行富有機質頁巖識別的重要特征。

表1 輸入層到隱含層權值和閾值

表2 隱含層到輸入層權值和閾值

圖4 Z104井頁巖沉積相地層剖面圖[16]

表3 TOC預測值與實測值相關性分析結果

圖5 TOC預測值與實測值相關關系圖

4 結論

1)通過建立神經網絡儲層預測模型，繪制測線剖面的TOC分布圖，對比電阻率和極化率，發現TOC的高值部分與高級化異常對應，電阻率表現不明顯，說明高級化異常是頁巖含氣層識別的重要特征。

2)TOC預測值與實測樣本進行相關性分析，得出相關系數為0.528，表示兩表明預測值與實測值正相關，這也說明了電磁法電阻率和測井電阻率具有一定的相關性，高極化特征判斷油氣前景是可行的，利用電阻率低中高來識別頁巖地層中的含氣性是值得探索的方向。

3)綜合地球物理勘探是頁巖油氣勘探所應該堅持的正確思路，可以在頁巖油氣資源調查評價過程中快速、廉價地建立對調查區一定精度的認識，為高TOC區預測、靶區篩選奠定基礎。