基于GGA优化的PNN方法在气水储层识别中的应用

基于GGA优化的PNN方法在气水储层识别中的应用

张光辉1，2 周 文2 张银德2 金文辉2 包 艳2

【摘 要】能够较准确地进行气水层识别一直以来都是油气勘探开发非常关注的一个问题。在认真分析Z气田山2段储层地质特征的基础上，提出了基于格雷码遗传算法优化的概率神经网络方法（GGA-PNN），探索了该方法在气水层识别中的应用。首先综合常规测井资料和试气资料构建59个气水层样本（其中学习样本36个，预测样本23个），并进行数据归一化处理，然后采用格雷码遗传算法来训练PNN平滑参数和隐中心矢量建立起气水层目的层段识别模型。利用该模型对36个建模训练样本进行回判，正确率达100%。然后对23个预测样本进行识别，结果正确的有22个，预测精度达95.65%，其中一个误判样本是把干层判识为气层。由此表明，利用GGA-PNN方法对山2段未知流体属性的正确识别是可行的。 【期刊名称】断块油气田 【年(卷),期】2011(018)002 【总页数】4

【关键词】地质特征；流体属性；GGA-PNN；气水识别

D F Specht［1］提出的概率神经网络（Probabilistic Neural Network，简称PNN）是基于密度函数估计和贝叶斯决策理论而建立的一种分类网络。PNN的拓扑结构简单，容易设计算法，广泛应用于模式识别及模式分类领域。遗传算法（Genetic Algorithm，简称GA）自Holland于1975年首次提出后，受到了广泛重视。在应用GA时［2-3］，人们发现二进制编码有时不便于反映所求问题的结构特征，对于一些连续函数的优化问题，GA的局部搜索能力也较

差。格雷码编码方法便于提高遗传算法的局部搜索能力，且便于实现杂交、变异等遗传操作。目前，有关PNN参数的学习基本上都没有用到训练样本的分类正确率，属于无监督学习，笔者给出基于格雷码遗传算法（Gray Code Genetic Algorithm，简称GGA［4］）优化的PNN有监督学习算法。该方法在油气勘探开发领域的应用研究虽刚起步，但和现有的技术方法相比，该方法能明显提高预测、识别的精度，因而具有良好的应用前景。

Z地区随着勘探开发的深入，在大面积开发天然气的同时，出现了产水层，产水0.3～46.6 m3·d-1，严重地影响了该地区的开发效果和开发措施 （如射孔层段的选择），特别是给开发井的部署带来极大的风险。这就要求弄清Z地区的气水分布区，为提高开发井的钻探成功率、高效建产提供必要的前提。而对气水层的识别是研究气水分布规律的重要手段，气水层的识别问题实质上是一个分类问题，综合利用常规测井和地质资料，分析有试气结论的气水层测井响应特征，提取测井曲线特征参数，使用一种新的测井识别技术——GGAPNN方法对Z气田山2段储层流体性质进行了分类，从而进行气水层识别。

1 气水储层地质特征

Z气田山2段砂体为三角洲前缘水下分流河道沉积，是Y地区南部砂体在东南向的继续延伸。砂体平面呈鸟足状展布，砂体间发育分流间湾沉积。单个砂体厚度一般较薄。砂体垂向上表现为正粒序和多个正粒序的叠加，缺乏“二元结构”。

山2段储层岩性主要为灰白色中粗粒石英砂岩、含砾不等粒石英砂岩、中粗粒岩屑质石英砂岩，局部夹灰色、深灰色粗粒岩屑砂岩及含泥岩屑砂岩。石英砂岩为主要储集岩性。受沉积环境的影响，山2段砂岩储层成分成熟度和结构成

熟度较高，储层碎屑成分以石英为主，一般占全岩组分的75%～85%，占碎屑组成的92%～100%，次为岩屑，占全岩组成的0～6%，占岩屑组成的0%～3%，长石很少，且仅在局部层段出现，大部分探井山2段无长石组分。 山2气藏中部海拔为-1 640～-1 140 m，高差为500 m，平均原始地层压力为23.7 MPa。根据常规物性分析资料统计结果，山2段有效储层孔隙度主要分布在4.0%～8.0%，平均5.6%；渗透率主要分布在（0.1～10.0）× 10-3μm2，平均1.27×10-3μm2。

2 基于GGA优化的PNN方法

2.1 格雷码简介［4］

格雷码是这样的一种编码，连续的2个整数所对应的编码值之间仅仅只有一个码位是不相同的，其余码位都完全相同。格雷码遗传算法可以有效克服二进制编码的Hamming悬崖缺陷，提高遗传算子的搜索效率。因此，采用格雷码（Gray Code）对个体进行编码是一种很有效的编码方式。 2.2 PNN模式识别原理［5］ 2.2.1 PNN拓扑结构

PNN有几种典型的拓扑结构［1］，笔者使用基于密度函数核估计的PNN结构［6］，这种结构如图1所示［7］。PNN由4层组成：输入层、隐层、加层、输出层。输入层不做任何计算，把数据x输到网络。隐层接收输入数据x后，第i类模式的第j隐层神经元所确定的输入输出关系由下式来定义：

其中，i=1，2，…，M；j=1，2，…，Ni；M为训练样本的总类数；Ni为第i类训练样本的个数，称其为PNN的第i类模式的隐层神经元个数；s为样本空间维数；σ为平滑参数（σ∈［0，∞］）；xij为第i类训练样本的第j个样本数