基于BP神经网络的黏土矿物预测模型

doi:10.7657/XJPG20210517

新疆石油地质 ›› 2021, Vol. 42 ›› Issue (5): 624-629.doi: 10.7657/XJPG20210517

基于BP神经网络的黏土矿物预测模型

李鑫羽¹(), 欧阳传湘¹, 杨博文², 赵鸿楠¹, 聂彬¹()

1. 长江大学石油工程学院,武汉 430100
2. 中国石油长庆油田分公司第八采油厂,西安 710000

收稿日期:2021-04-26 修回日期:2021-06-30 出版日期:2021-10-01 发布日期:2021-09-28
通讯作者: 聂彬 E-mail:958379803@qq.com;402627362@qq.com
作者简介:李鑫羽（1997-）,男,新疆库尔勒人,硕士研究生,油气田开发,（Tel）13164604530（E-mail） 958379803@qq.com
基金资助:
国家自然科学基金(51804044)

BP Neural Network-Based Models to Predict Clay Minerals

LI Xinyu¹(), OUYANG Chuanxiang¹, YANG Bowen², ZHAO Hongnan¹, NIE Bin¹()

1. School of Petroleum Engineering, Yangtze University, Wuhan, Hubei 430100, China
2. No. 8 Oil Production Plant, Changqing Oilfield Company, PetroChina, Xi’an, Shaanxi 710000, China

Received:2021-04-26 Revised:2021-06-30 Online:2021-10-01 Published:2021-09-28
Contact: NIE Bin E-mail:958379803@qq.com;402627362@qq.com

摘要/Abstract

摘要：

黏土矿物的准确预测是深层钻探和油气层保护的关键,为明确塔里木盆地库车凹陷北部构造带侏罗系阿合组黏土矿物分布规律,利用自然伽马能谱测井参数、阳离子交换能力、含氢指数和光电吸收截面指数,构建了基于BP神经网络的测井模型和组合模型,其平均绝对误差分别为5.34%和2.38%。将构建的模型应用于依南5井,结合X射线衍射资料,2个模型的平均绝对误差分别为4.64%和3.45%。模型预测的依南5井黏土矿物含量从高到低依次为伊利石、绿泥石、伊蒙混层和高岭石,在油藏开发中应预防储集层速敏和酸敏伤害。

关键词: 黏土矿物, 自然伽马能谱测井, BP神经网络, 阳离子交换能力, 含氢指数, 光电吸收截面指数

Abstract:

Accurate prediction of clay minerals is the key to deep drilling operation and pay zone protection. In order to determine the distribution law of clay minerals in the Jurassic Ahe formation in the northern tectonic zone of the Kuqa depression, Tarim basin, a well logging model and a combined model based on BP neural network were constructed by using GR logging parameters, cation exchange capacity, hydrogen index and photoelectric absorption cross-section index. The average absolute errors of the two models are 5.34% and 2.38%, respectively. Applied to Well Yinan 5, the average absolute errors of the models are 4.64% and 3.45%, respectively, by considering X-ray diffraction data. The prediction result shows that the clay mineral contents from high to low are illite, chlorite, illite/smectite mixed layer and kaolinite in Well Yinan 5. Damages from velocity sensitivity and acid sensitivity should be prevented in reservoir development.

Key words: clay mineral, GR logging, BP neural network, cation exchange capacity, hydrogen index, photoelectric absorption cross-section index

中图分类号:

TE112

李鑫羽, 欧阳传湘, 杨博文, 赵鸿楠, 聂彬. 基于BP神经网络的黏土矿物预测模型[J]. 新疆石油地质, 2021, 42(5): 624-629.

LI Xinyu, OUYANG Chuanxiang, YANG Bowen, ZHAO Hongnan, NIE Bin. BP Neural Network-Based Models to Predict Clay Minerals[J]. Xinjiang Petroleum Geology, 2021, 42(5): 624-629.

图/表 9

图1

图2

表4

图3

表5

表6

参考文献 15

[1]	刘菁华, 王祝文, 易清平. 利用自然γ能谱测井资料确定粘土矿物的含量及其应用[J]. 吉林大学学报(地球科学版), 2010, 40(1):215-221.
	LIU Jinghua, WANG Zhuwen, YI Qingping. Determinating clay mineral content by natural gamma-ray spectral logging data[J]. Journal of Jilin University (Earth Science Edition), 2010, 40(1):215-221.
[2]	杨大超. 自然伽马能谱曲线在大牛地气田粘土岩类型分析中的应用[J]. 石油天然气学报, 2007, 29(3):400-402.
	YANG Dachao. Application of natural gamma ray spectrum curve in clay rock type analysis of Daniudi gas field[J]. Journal of Oil and Gas Technology, 2007, 29(3):400-402.
[3]	宁波, 姚志刚, 李瑞祥. 自然伽马能谱测井在延安地区黏土矿物分析中的应用[J]. 科学技术与工程, 2020, 20(9):3 435-3 440.
	NING Bo, YAO Zhigang, LI Ruixiang. Application of natural gamma spectrometric logging for clay mineral analysis in Yan’an area[J]. Science Technology and Engineering, 2020, 20(9):3 435-3 440.
[4]	于聪灵, 蔡忠贤, 杨海军, 等. 基于BP神经网络预测轮古油田奥陶系碳酸盐岩油藏洞穴充填程度[J]. 新疆石油地质, 2018, 39(5):614-621.
	YU Congling, CAI Zhongxian, YANG Haijun, et al. Prediction of cave filling degree in Ordovician carbonate reservoirs based on BP neural network in Lungu oilfield,Tarim basin[J]. Xinjiang Petroleum Geology, 2018, 39(5):614-621.
[5]	冯渊, 秦康, 李二党, 等. 基于黏土矿物分析的低电阻率油层识别[J]. 新疆石油地质, 2020, 41(2):237-242.
	FENG Yuan, QIN Kang, LI Erdang, et al. Identification of low-resistivity oil layers based on clay mineral analysis[J]. Xinjiang Petroleum Geology, 2020, 41(2):237-242.
[6]	黎盼, 孙卫, 李长政. 鄂尔多斯盆地华庆油田长6₃储集层成岩相特征[J]. 新疆石油地质, 2018, 39(5):517-523.
	LI Pan, SUN Wei, LI Changzheng. Diagenetic facies characteristics of Chang 6₃ reservoir in Huaqing oilfield,Ordos basin[J]. Xinjiang Petroleum Geology, 2018, 39(5):517-523.
[7]	尤源, 梁晓伟, 冯胜斌, 等. 鄂尔多斯盆地长7段致密储层主要黏土矿物特征及其地质意义[J]. 天然气地球科学, 2019, 30(8):1 233-1 241.
	YOU Yuan, LIANG Xiaowei, FENG Shengbin, et al. Features and geological significance of main clay minerals in Chang 7 tight sandstone reservoir,Ordos basin[J]. Natural Gas Geoscience, 2019, 30(8):1 233-1 241.
[8]	FERTLW H, CHILINGARIANG V. Type and distribution modes of clay minerals from well logging data[J]. Journal of Petroleum Science ＆ Engineering, 1990, 3(4):321-332.
[9]	邢培俊, 孙建孟, 王克文, 等. 利用测井资料确定粘土矿物的方法对比[J]. 中国石油大学学报(自然科学版), 2008, 32(2):53-57.
	XING Peijun, SUN Jianmeng, WANG Kewen, et al. Comparison of determination methods for clay minerals using log data[J]. Journal of China University of Petroleum(Edition of Natural Science), 2008, 32(2):53-57.
[10]	张鹏, 吴通, 李中, 等. BP神经网络法预测顺北超深碳酸盐岩储层应力敏感程度[J]. 石油钻采工艺, 2020, 42(5):622-626.
	ZHANG Peng, WU Tong, LI Zhong, et al. Application of BP neural network method to predict the stress sensitivity of ultra deep carbonate reservoir in Shunbei oilfield[J]. Oil Drilling & Production Technology, 2020, 42(5):622-626.
[11]	赵冰. 利用核测井资料预测海相页岩储集层总有机碳含量[J]. 新疆石油地质, 2019, 40(4):499-504.
	ZHAO Bing. Predicting total organic carbon content in marine shale reservoirs with nuclear logging data[J]. Xinjiang Petroleum Geology, 2019, 40(4):499-504.
[12]	郑欣, 阴国锋, 王健伟, 等. 东海盆地西湖凹陷平北北部地区平湖组储层成岩相分析[J]. 天然气地球科学, 2021, 32(7):971-981.
	ZHENG Xin, YIN Guofeng, WANG Jianwei, et al. Study on diagenetic facies of reservoir of Pinghu formation in the northern Pingbei area of the Xihu depression,East China Sea basin[J]. Natural Gas Geoscience, 2021, 32(7):971-981.
[13]	佟秀秀, 康志宏. 基于多元线性回归和BP神经网络的单井能力预测[J]. 科学技术与工程, 2019, 19(29):96-102.
	TONG Xiuxiu, KANG Zhihong. Single well capacity prediction based on multiple linear regression and back propagation neural network[J]. Science Technology and Engineering, 2019, 19(29):96-102.
[14]	连承波, 李汉林, 渠芳, 等. 基于测井资料的BP神经网络模型在孔隙度定量预测中的应用[J]. 天然气地球科学, 2006, 17(3):382-384.
	LIAN Chengbo, LI Hanlin, QU Fang, et al. Prediction of porosity based on BP artificial neural network with well logging data[J]. Natural Gas Geoscience, 2006, 17(3):382-384.
[15]	杨柳青, 查蓓, 陈伟. 基于深度神经网络的砂岩储层孔隙度预测方法[J]. 中国科技论文, 2020, 15(1):73-80.
	YANG Liuqing, ZHA Bei, CHEN Wei. Prediction method of reservoir porosity based on deep neural network[J]. China Sciencepaper, 2020, 15(1):73-80.

黏土矿物	选用模型	平均绝对误差/%	均方根误差	Pearson 相关系数
伊蒙混层	测井模型	4.26	5.131 6	0.808 9
伊蒙混层	组合模型	2.04	2.665 9	0.900 4
伊利石	测井模型	7.41	8.525 2	0.931 3
伊利石	组合模型	3.08	4.945 9	0.969 5
高岭石	测井模型	4.95	6.137 2	0.967 9
高岭石	组合模型	0.69	3.889 1	0.906 0
绿泥石	测井模型	4.75	5.582 1	0.796 9
绿泥石	组合模型	3.71	5.135 7	0.898 9

黏土矿物	测井模型平均绝对误差/%	组合模型平均绝对误差/%
伊蒙混层	3.75	2.46
伊利石	7.08	5.58
高岭石	3.58	1.88
绿泥石	4.14	3.86

黏土矿物	相对含量/%
黏土矿物	测井模型预测平均值	组合模型预测平均值	X射线衍射分析平均值
伊蒙混层	6.43	5.43	7.74
伊利石	71.58	72.70	67.77
高岭石	4.88	2.49	2.23
绿泥石	17.11	19.38	22.26

基于BP神经网络的黏土矿物预测模型

BP Neural Network-Based Models to Predict Clay Minerals

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	潘丽燕, 阮东, 惠峰, 刘凯新, 张敏, 彭岩. 玛湖凹陷风城组薄互层分层压裂优化方法[J]. 新疆石油地质, 2022, 43(2): 221-226.
[2]	周伟, 沈秀伦, 寇根, 魏云, 蒋官澄, 杨丽丽, 张远凯. 准噶尔盆地玛南地区上乌尔禾组储集层伤害机理[J]. 新疆石油地质, 2022, 43(1): 107-114.
[3]	周雪蕾, 齐雯, 黄玉, 张虎权, 潘树新, 吴嘉, 方朋. 玛湖凹陷风城组黏土矿物组成特征及其成因[J]. 新疆石油地质, 2022, 43(1): 34-41.
[4]	王剑, 马聪, 罗正江, 吕剑, 李二庭, 张宝真, 刘翠敏. 准噶尔盆地阜东斜坡韭菜园子组储集层特征及敏感性[J]. 新疆石油地质, 2021, 42(1): 38-45.
[5]	冯渊, 秦康, 李二党, 张仁燕. 基于黏土矿物分析的低电阻率油层识别[J]. 新疆石油地质, 2020, 41(2): 237-242.
[6]	赵冰. 利用核测井资料预测海相页岩储集层总有机碳含量[J]. , 2019, 40(4): 1-1.
[7]	于聪灵1a，蔡忠贤1，杨海军2，朱永峰2，王慧1. 基于BP神经网络预测轮古油田奥陶系碳酸盐岩油藏洞穴充填程度[J]. , 2018, 39(5): 1-1.
[8]	毛锐1，许琳1，房涛2，王振林1. 核磁共振测井在低渗砾岩储集层评价中的应用——以玛湖凹陷下三叠统百口泉组为例[J]. , 2018, 39(1): 1-1.
[9]	黄云飞1a，张昌民1a，朱锐1a，易雪斐1b，瞿建华2，唐勇2. 准噶尔盆地玛湖凹陷下三叠统百口泉组古盐度恢复[J]. , 2017, 38(3): 1-1.
[10]	邱隆伟1，葛君1，师政2，杨勇强1，张晓丹3，王曼4. 惠民凹陷商河地区沙三上亚段低阻油层特征及控制因素[J]. , 2017, 38(1): 1-1.
[11]	冯渊1，杨伟伟1，刘一仓2，王晔1，焦廷奎1，张海波1. 鄂尔多斯盆地镇北油田长81油藏电阻率差异成因[J]. , 2015, 36(5): 1-1.
[12]	李玲1，德勒恰提1，陈春勇2，谭强2，冯伟1. 北三台凸起东南缘梧桐沟组储集层成岩演化特征[J]. , 2015, 36(4): 1-1.
[13]	张丽霞，石彦，梁成钢，朱喜萍，向辉，许学龙，王菁. 砂岩黏土矿物相对含量分析中存在的问题[J]. , 2014, 35(3): 1-1.
[14]	郗凤琨. 有效耗水区间在东营凹陷地层中的确定及地质意义[J]. , 2013, 34(2): 1-1.
[15]	赵杏媛，何东博. 黏土矿物与页岩气[J]. , 2012, 33(6): 1-1.