摘 要：将神经网络方法引入到测井资料的处理和解释中，以辽河油田某取心井为实例， 建立神经网络测井岩性识别模型，对混合花岗岩、混合片麻岩、角闪岩进行岩性识别预测。岩性识别正确率高达90%以上，说明了神经网络方法的有效性。
关键词：神经网络法 测井资料 变质岩 岩性识别
中图分类号：P631.84 文献标识码：A 文章编号：1672-3791（2013）02（b）-0096-01
测井在石油勘探中的作用和地位正在日益提高，测井参数值的差异主要取决于岩性。由于井下地质构造的复杂性和测井参数分布的模糊性，对于一组特定的测井参数值，它就必然对应着地层中的某一种或某几种岩性。以往常用的人工解释方法大多依赖于人的经验，难以准确地反映测井资料与地层岩性的非线性映射关系，识别精度有限[1]。本文在总结前人利用神经网络进行火成岩、沉积岩以及碳酸盐岩的岩性识别基础上，分析岩心和测井参数对应特征的基础上，从各类岩石中读取能够代表岩样的测井参数值，确定岩性与测井参数对应关系[2]，利用神经网络方法来对变质岩进行岩性识别。
1 神经网络方法
（1）神经网络方法处理测井解释的原理。神经网络的处理单元是与大脑中神经细胞结构相类似的节点，这些节点通过不同强度相互连接起来。每个神经元操作时，都对输入信号乘以一个权值，再对加权后的输入求和。神经网络岩性识别模型是利用岩心分析资料和测井响应值，选择神经网络训练样本，经网络设计、网络学习、训练得到识别岩性的神经网络模型，然后利用网络模型来根据测井曲线识别岩性。
（2）神经网络结构的设计。在现有神经网络学习算法中，误差反向传播 （Back—Propagation）[3]是目前使用最为广泛的神经网络模型，它因通过网络反向传播误差而得名。反向传播由两步组成：信息前馈和误差反向传播。其实质就是调节各层的权值使网络学会并记忆住学习样本集。训练过程由正向过程（计算节点误差）和反向过程（调整连接权值）两部分组成。本文所用的网络由输入层、一个隐层和输出层组成。
选择一定测井曲线形态特征，作为输入向量，并用与此对应的岩性作为输出向量，组成训练对。多个训练对组成样本集，建立起一系列与实际地质状况相对应的测井相特征。可见，神经网络是一个非线性系统，它可以把具有i个分量的输入量（如测井曲线）转换成一个具有k个分量的输出矢量（如岩性）。网络经训练好后，可以用来根据其他地层信息曲线确定岩性。
应用实例如下。
本次研究选择了辽河油田几口取心井的补偿中子（CNL）、补偿密度（DEN）和（DWSI）4条测井曲线作为研究对象，建立一个4×4×3的网络，输入为DEN、CNL和DWSI等测井曲线的特征值，输出为混合花岗岩、混合片麻岩和角闪岩的岩性。
为了验证所建立模型的正确性，选择了另外6个已知岩性的样本作为训练好的神经网络的测试数据，识别结果见表2。根据变质岩岩性识别结果的统计可知，样本实际岩性与期望输出值完全一致，准确率为100%。
2 结论
由验证结果分析，神经网络来进行变质岩测井岩性识别，方法简单易操作，准确率高。相比于其他传统的岩性识别方法，神经网络方法是以自身特有的样本学习能力获得识别模式，从而克服了模糊数学法、灰色聚类法和多元统计法的缺陷。这为测井资料地质解释提供了一个全新的方法，对于探寻和鉴别含油气地产的精确性，在油气资源开发领域具有实用意义。
参考文献
[1]赵杰，李春华.基于神经网络的两种岩性识别方法的研究[J].科学计算与信息处理，2009，309：138～140.
[2]于代国，孙建孟，王焕增，等.测井识别岩性新方法——支持向量机方法[J].大庆石油地质与开发，2005，24（2）：93-95.
[3]胡守仁.神经网络应用技术[M].国防科技大学出版社，1994.