基于BP神经网络与核磁共振(NMR)技术的潜山储层流体识别方法研究

这篇研究创新性地将核磁共振(NMR)测井技术与反向传播(BP)神经网络相结合，开发了一种针对复杂潜山储层的流体识别方法。通过优选T2g、A（T2谱末峰振幅）、S3/S1等NMR特征参数作为输入层，构建单隐层（8神经元）BP模型，采用ReLU-Softmax激活函数组合，实现了油层、油水同层等四类流体的高精度识别（F1-score 0.92+），在惠州油田HZ26-6-1井的验证中与试井结果高度吻合。

　　

1 引言

潜山储层作为重要的油气藏类型，其复杂的地质构造和裂缝-溶蚀孔洞双重孔隙系统给流体识别带来巨大挑战。传统测井方法受岩性影响显著，难以区分束缚水与自由流动油水混合物。核磁共振(NMR)技术通过检测孔隙流体中氢核的横向弛豫时间T₂谱，可获取不受岩性干扰的流体特征参数，包括体弛豫(T_2B)、表面弛豫(T_2S)和扩散弛豫(T_2D)三组分。近年来，弛豫-扩散二维NMR和基于Transformer的T₂谱形态分析等新技术相继涌现，但面对潜山储层中油水同层与含油水层的微观差异，仍需更精准的识别手段。

2 地质背景

研究区惠州油田位于南海珠江口盆地，平均水深113米，古潜山储层发育于古近系-新近系，以变质岩和火山岩为主。储集空间受裂缝控制强烈，表现为高度非均质性。典型井HZ26-6-1的3680-3720米井段存在多套油水系统，传统交会图显示流体参数边界模糊，特别是油水同层与含油水层在T_2g-S₂/S₁和A-S₃/S₁交会图中存在显著重叠。

3 方法

3.1 理论基础

BP神经网络通过输入层-隐层-输出层的层级结构模拟非线性映射。本研究采用单隐层架构，其计算过程可表示为：

y_k = Σ[w_ki·f(Σw_ijx_i+b_i)]

选用交叉熵损失函数E=-1/NΣ[y_ilog(y_k)+(1-y_i)log(1-y_k)]优化权重。

3.2 输入层构建

通过决策树特征选择从10项候选参数中筛选出4个关键NMR参数：

• •

  T_2g（10-300ms区间T₂谱几何均值）

• •

  A（T₂谱末峰振幅）

• •

  S₃/S₁（大孔与小孔信号比）

• •

  S₂/S₁（中孔与小孔信号比）

  单变量敏感性分析显示，T_2g在负扰动区间(-0.5至-0.3)对输出影响显著，而A参数在正负扰动区均呈现非线性响应。

3.3 数据预处理

400组岩心数据（3000-4000米）经Min-Max归一化处理：

X=(X_i-X_min)/(X_max-X_min)

数据集按7:1.5:1.5划分为训练集-验证集-测试集。

3.4 网络结构优化

通过经验公式N_h=N_s/[a*(N_i+N_o)]确定隐层节点数，当a=5时8节点取得最高准确率（94.5%）。对比实验表明，单隐层BP模型在测试集的表现优于CNN和LSTM架构（准确率提升12%）。

3.5 激活函数选择

隐层采用ReLU函数f(x)=max(0,x)加速收敛，输出层使用Softmax函数实现四分类：

f_i(x)=e^x_i/Σe^x_j

4 结果

4.1 模型性能

在混淆矩阵中，油水同层（Class 4）识别准确率达96%，含油水层（Class 1）与油层（Class 3）的F1-score分别为0.93和0.91。ROC曲线显示所有流体类型的AUC值>0.95。值得注意的是，模型在双孔隙系统中的表现需分区验证：基质孔隙系统识别准确率89%，而裂缝系统仅76%。

4.2 对比验证

与决策树(DT)、支持向量机(SVM)和K近邻(KNN)相比，BPNN在油水同层识别中的精确度提升23%（达0.94），且分类误差曲线波动幅度最小（<±0.5）。在HZ26-6-1井应用中，预测结果与试井吻合率达88%，仅少数油层被误判为油水同层。

5 讨论

该方法创新性地将NMR参数与机器学习结合，解决了传统方法在潜山储层中面临的三大难题：

1）岩性敏感性问题：通过T₂谱直接反映流体特性

2）非线性映射问题：BP网络捕捉S₃/S₁与含油性的复杂关系

3）微观差异识别：ReLU-Softmax组合有效区分T₂谱形态相似的油水同层与含油水层

6 结论

本研究建立的BP神经网络模型为复杂潜山储层流体识别提供了新范式。未来研究可结合弛豫-扩散二维NMR数据，进一步提升双孔隙系统的识别精度。该方法已成功应用于南海东部油田开发方案优化，使试油成本降低37%。