基于GGA优化的PNN方法在气水储层识别中的应用

张光辉 周 文 张银德 金文辉 包 艳

（1.成都理工大学信息管理学院，四川 成都 610059；2.成都理工大学能源学院，四川 成都 610059）

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

（1.成都理工大学信息管理学院，四川 成都 610059；2.成都理工大学能源学院，四川 成都 610059）

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。

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个样本数据，称其为PNN的第i类模式的第j隐中心矢量。加层则把隐中心矢量中属于同一类的所代表的隐层神经元输出相加并作算术平均：

由贝叶斯决策［1］，fiNi（x）中最大者的第一个下标所代表的类别为样本x的估计类别，故得输出层的输出为

式中：ρ（x）为样本x输入该网络后所得到的估计类别。

图1 PNN拓扑结构

2.2.2 基于GGA优化的PNN学习算法

GGA优化的PNN算法的主要步骤如下［6］：

1）设定参数值，聚类数Ni（i=1，2，…，M），θ1，θ2，种群规模P，交叉概率Pc，变异概率Pm，编码精度δ，最大进化代数T。

2）用LVQ［6］分别对训练样本聚类，并计算每一类的中心，得到聚类点vij（i=1，2，…，M；j=1，2，…，Ni）和中心mi（i=1，2，…，M）。

3）计算

并构造区域：

其中，dimax为第i类训练样本中最大的欧式距离，即且均为事先给定的正常数；μilik，νilik分别为μili，νili的第k维的数值。

4）采用格雷码编码［4］，得到总的编码长度为L。

5）随机产生P条长度为L的染色体构成初始种群，并设当前代数为t=1。

6）通过解码得出σ，μili（i=1，2，…，M），由此可通过σ，μili（i=1，2，…，M），νij（i=1，2，…，M；j=1，2，…，Ni）构建PNN，输入所有训练样本，并计算被正确分类的样本数，即为染色体的适应度函数。

7）根据适应度函数，依据比例选择，独立地从当前种群中选取P个母体。

8）根据交叉概率Pc，独立地对（7）选择后的染色体进行杂交，杂交得到P条中间个体。

9）根据变异概率Pm，独立地对（8）杂交后得到的个体进行变异，得到下代种群。

10）设当前代数t=t+1。

11）检查t，若t＜T，返回（6），否则停止。

上述算法记为GGA-PNN。其中，聚类数目Ni（i= 1，2，…，M），θ1，θ2是必须考虑的参数。

3 GGA-PNN法在气水层划分中的应用

气层、水层、干层的识别属于多分类判别模式识别的问题，因此可以利用GGA-PNN方法建立流体识别模型来求解。其基本思路是：首先收集建模样本，并进行数据预处理，然后用GGA-PNN方法建立模型，最后用建立好的模型进行目标识别。

3.1 实验测试建模

3.1.1 样本集选取及数据归一化［8-9］

在测井解释中，学习样本的真实性、代表性和泛化性是决定预测效果的关键，主要由地层测试结果和与之对应的一组测井响应值构成。通过分析各个待选参数对预测目标的敏感程度，最后确定储集层流体类型的GGA-PNN判别模型输入参数，包括中子CNL、声波、深浅双侧向电阻率、自然伽马等5个参数。输出参数为正整数表示的气水层类别标号，如类别1表示水层，类别2表示气层，类别3表示干层。

由于各参数的单位和数量级存在较大差异，如果直接用原始数据进行计算，将导致传递函数内积计算困难，对预测结果造成负面影响。为避免这种情况发生，首先对学习样本的属性值进行归一化处理，即根据“属性值呈正态分布的进行常规归一化，属性值呈非正态分布（如深侧向电阻率）的进行对数归一化处理”的原则，对所选取的各测井曲线进行归一化处理，最终将样本的属性值映射到［0,1］区间，从而减小GGA-PNN模型的计算量，提高预测精度。

3.1.2 GGA-PNN分类流程

气水识别的GGA-PNN分类流程如图2所示，整个算法的实现通过Matlab R2008a中遗传算法工具箱和神经网络工具箱来完成。

图2 GGA-PNN分类流程

3.2 应用效果分析

Z地区山2段为应用研究的目的层。利用所建立的GGA-PNN气水识别模型［10-13］，对59个由试气结果和测井资料得到的气水层样本进行了回判与预测。36个建模训练样本回判的准确率达100%，效果较好。23个预测样本正确识别的有22个，正确率达到95.65%，其中1个误判样本是将干层判识为气层，因此水层样本没有漏失。

图3为y80井应用GGA-PNN方法进行气水层识别的结果，并与常规测井解释结果进行了对比。该井山23层位（2 606～2 609.9 m）经射孔试气证实，产气量16 823 m3·d-1，产水量1.5 m3·d-1，GGA-PNN方法可以将气水层完全分开，很清楚地看出单井剖面上气、水层的分布，为射孔试气提供决策依据。

4 结论

基于格雷码遗传算法优化的PNN有监督学习算法（GGA-PNN），综合考虑储层岩性、物性、流体导电性等的测井响应特征，建立气水储层识别模型，可以提高测井解释精度。该算法把训练样本的分类正确率应用到网络的参数学习中，同时采用格雷码遗传算法来训练PNN平滑参数和隐中心矢量，气水层识别正确率较高。

图3 GGA-PNN气水层识别结果

从应用效果来看，GGA-PNN方法用于解决分类、识别、预测问题，精度高，效果好，在油气勘探开发领域不失为一种新的有效方法，因此该方法具有良好的应用前景。

［1］Specht D F.Probabilistic neural network［J］.Neural Networks，1990，3（1）：109-118.

［2］邢文训，谢金星.现代优化计算方法［M］.2版.北京：清华大学出版社，2005：113-119. Xing Wenxun，Xie Jinxing.Modern optimizing method for computing［M］.2nd Edition.Beijing：Tsinghua University Press，2005：113-119.

［3］Mitchell Melanie.An introduction to genetic algorithms［M］.London：the MIT Press，1999：87-93.

［4］杨晓华，沈珍瑶.智能算法及其在资源环境系统建模中的应用［M］.北京：北京师范大学出版社，2005：68-70. Yang Xiaohua，Shen Zhenyao.Intelligentalgorithmsand their applications in resources and environmental system modeling［M］. Beijing：Beijing Normal University Press，2005：68-70.

［5］杨淑莹.模式识别与智能计算：Matlab技术实现［M］.北京：电子工业出版社，2009：176-179. Yang Shuying.Pattern recognition and intelligent computing：an implement with Matlab［M］.Beijing：Electronic Industry Press，2009：176-179.

［6］蔡曲林.基于概率神经网络的模式识别［D］.长沙：国防科技大学，2005：6-7，25-27. Cai Qulin.Probabilistic neural network for pattern recognitions［D］. Changsha：National University of Defense Technology，2005：6-7，25-27.

［7］Mao K Z，Tan K C，Ser W.Probabilistic neural network structure determination for pattern classification［J］.IEEE Trans on Neural Network，2000，11（4）：1009-1016.

［8］杨露.子洲地区山西组2段气藏储集层流体分布特征研究［D］.成都：成都理工大学，2009：58-60. Yang Lu.Distribution rule of gas and water in the second member of Shanxi Formation in Zizhou Area［D］.Chengdu：Chengdu University of Technology，2009：58-60.

［9］张银德，童凯军，向军，等.支持向量机方法在低阻油层流体识别中的应用［J］.石油物探，2008，47（3）：306-310. Zhang Yinde，Tong Kaijun，Xiang Jun，et al.Application of support vector machine method for identifying fluid in low-resistivity oil layers［J］.Geophysical Prospecting for Petroleum，2008，47（3）：306-310.

［10］邹涛峰.一种基于SOPNN的分类模型及其在测井水淹层识别中的应用［J］.大庆石油学院学报，2008，32（6）：97-99. Zou Taofeng.Application of SOPNN to water-flooded layer recognition in logging［J］.Journal of Daqing Petroleum Institute，2008，32（6）：97-99.

［11］杨宇，康毅力，张凤东.川中嘉二气藏储层测井特征及气水识别［J］.断块油气田，2007，14（3）：82-84. YangYu，KangYili，ZhangFengdong.Logfeaturesand fluid identification of Jia 2 reservoir in the middle of Sichuan Basin［J］. Fault-Block Oil&Gas Field，2007，14（3）：82-84.

［12］过敏，李仲东，林琳，等.榆林南-子洲地区山2气藏水层特征及识别［J］.断块油气田，2010，17（2）：138-141. Guo Min，Li Zhongdong，Lin Lin，et al.Feature and identification of water zone of Shan2 gas reservoir in South Yulin-Zizhou Area［J］. Fault-Block Oil&Gas Field，2010，17（2）：138-141.

［13］申辉林，王敏，柴婧.低孔低渗储层油水层模糊识别方法［J］.断块油气田，2007，14（3）：79-81. Shen Huilin，Wang Min，Chai Jing.Identifying oil and water zones using fuzzy recognition method［J］.Fault-Block Oil&Gas Field，2007，14（3）：79-81.

Application of PNN method based on GGA optimization in identification of gas-water zones

Zhang Guanghui1,2Zhou Wen2Zhang Yinde2Jin Wenhui2Bao Yan2
(1.College of Information and Management,Chengdu University of Technology,Chengdu 610059,China;2.College of Energy Resources,Chengdu University of Technology,Chengdu 610059,China)

The accurate identification of gas and water zone has been a problem which is focused on petroleum exploration and development.On the basis of analyzing the geologic characteristics of Shan 2 reservoir in Z Gas Field,this paper proposes the PNN method based on GGA optimization with gray code and discusses its application in the identification of gas and water zones.Firstly, the conventional logging data was combined with gas testing data to set up the samples of 59 gas-water zones,including 36 studying samples and 23 predicting samples,and to normalize the data.Then the GGA was used to train the smooth parameter and hiden central vector to establish the gas-water zone identifying model for interest zone.The model was used to distinguish 36 samples with an accuracy degree of 100%.Then,23 predicting samples were distinguished again,as a result,22 predicting samples were correctly distinguished and the accuracy degree was 95.65%,in which a judgment error is that the dry zone was interpreted as gas zone.So it is feasible to correctly distinguish the uncertain fluid property of Shan 2 reservoir by GGA-PNN method.

geologic feature;fluid property;GGA-PNN;identification of gas and water zone

国家科技重大专项“鄂尔多斯盆地碎屑岩油气系统分析与有利勘探目标区评价”（2008ZX05002）

TE319

：A

1005-8907（2011）02-228-04

2010-06-08；改回日期：2010-11-17。

张光辉，男，1986年生，在读硕士研究生，现从事油气勘探中的数学方法研究工作。E-mail：ghz_1616@yahoo.com.cn。

（编辑赵卫红）

张光辉，周文，张银德，等.基于GGA优化的PNN方法在气水储层识别中的应用［J］.断块油气田，2011，18（2）：228-231. Zhang Guanghui，Zhou Wen，Zhang Yinde，et al.Application of PNN method based on GGA optimization in identification of gas-water zones［J］. Fault-Block Oil&Gas Field，2011，18（2）：228-231.