摘要：由于海上钻井取芯较少，所以东海陆架盆地丽水—椒江凹陷古新统月桂峰组地层沉积微相识别存在局限。运用概率神经网络对研究区进行沉积微相识别。首先，通过地震相沉积相响应分析和测井曲线主成分分析，发现研究区地震相和沉积相之间存在耦合对应关系，因此选择地震相作为概率神经网络输入项中的范畴自变量参数，同时提取出能对沉积微相区分较好的自然伽马、自然电位、声波时差、密度测井、补偿中子、井径测井曲线值作为概率神经网络输入项的数值自变量；然后，选用2 199个学习样本对神经网络进行训练，经过65次试验，搜索出变量的最佳平滑因子，建立研究区20种沉积微相类型的判别模式；最后，利用建立的神经网络对研究区沉积微相进行识别。结果表明：跟岩芯分析的结果对比，运用概率神经网络识别的结果准确率达到90%以上，该方法应用于未取芯井区域沉积微相的识别具有可行性。

　　关键词：概率神经网络；沉积微相；地震相；判别模式；月桂峰组；丽水—椒江凹陷；东海陆架盆地

　　中图分类号：P628+.1；TE121.3 文献标志码：A

　　0引言

　　沉积相分析是研究沉积环境、寻找隐蔽油藏及油气评价中十分重要的问题。长期以来，沉积环境及沉积相研究主要是通过对钻井取芯、岩屑录井资料的分析来实现的，这不仅成本高、时效低，而且由于海上取芯难度大，取芯井很少，岩屑录井又不准，因而很难做到对油田各井剖面地层沉积相的精确划分和描述。利用地震相研究成果和测井曲线参数，通过神经网络进行沉积微相识别能解决这一问题。

　　神经网络是一种应用类似于大脑神经突触连接结构，进行分布式并行信息处理的算法数学模型，具有非线性、非局限性、非常定性、非凸性4个基本特征，其依靠改变内部结构来对输入和输出间复杂的关系进行建模。神经网络的结构是由大量神经元（又称节点或单元）之间相互连接构成的。每个神经元代表一种特定的输出函数，称为激励函数。每2个神经元间的连接都代表一个通过该连接信号的加权值，称之为权重，这相当于神经网络的记忆。神经网络的输出则因网络的连接方式、权重值和激励函数的不同而不同。因而，神经网络提供了一种取代传统统计判别方法的途径[17]。

　　各种神经网络在神经元内执行的计算以及训练算法上存在差异。在沉积微相识别中，相对于常用的BP神经网络[813]，概率神经网络训练速度快，容错性强，不需要指定拓扑结构（隐含层和隐含节点的数目），而且概率神经网络不仅可以用于分类，还可以返回样本落在其他因变量范畴的概率[14]。基于此，笔者利用概率神经网络对东海陆架盆地丽水—椒江凹陷古新统月桂峰组进行沉积微相识别，以期对该区下一步油气勘探部署、提交油气后备储量以及合理开发油气田提供借鉴。

　　1区域地质特征

　　东海陆架盆地是位于欧亚板块中国东部大陆架东缘的中新生代裂谷型复合盆地，是中国海域最大的含油气盆地之一[15]。丽水—椒江凹陷位于盆地的西南部，东部与雁荡凸起、福州凹陷、闽江凹陷相邻，西部和南部与闽江隆起区相隔，北部与钱塘凹陷相接，面积约23×104 km2（图1）。自中生代以来，该凹陷以聚敛型板块构造为特征，由一系列北东—南西向延伸、平行排列、形成时间向东逐渐变新的构造单元组成，主要包括丽东凹陷、丽南凹陷、丽西凹陷、椒江凹陷以及丽南凸起、灵峰凸起[1618]。古近纪时期，研究区接受巨厚的盖层沉积，自下而上发育古新统月桂峰组、灵峰组、明月峰组以及始新统瓯江组、温州组地层。

　　2沉积体系和沉积微相类型厘定

　　沉积体系指在某一段时间地层单元内，根据物源性质、搬运过程、沉积作用和发育演变，把有内在联系的各沉积相组成起来的一个连续体系，它能与相邻的体系区分开。沉积体系类型及其空间分布规律的研究，对于进行各种尺度的储层预测具有重要意义。沉积体系的空间分布特征主要取决于沉积动力学、气候和物源特征以及构造破坏活动及控制作用等[19]。丽水—椒江凹陷古新统月桂峰组主体为湖相沉积环境，西侧缓坡形成多个三角洲浅湖深湖沉积体系；东侧陡坡由雁荡凸起向西形成扇三角洲浅湖沉积体系（图2）。

　　在参照研究区沉积体系研究结果的基础上，根据有限的钻井取芯资料，依据岩性、沉积构造、生物化石、岩相类型及组合规律详细刻画了岩芯与沉积微相之间的关系和面貌；结合地震相，划分出东海陆架盆地丽水—椒江凹陷月桂峰组典型的沉积微相类型（表1）。

　　3概率神经网络原理

　　3.3训练算法

　　训练神经网络的目的是为了能用一组输入矢量通过预先确定的算法调整网络权值来产生一组所希望的输出矢量。在训练过程中，网络权值是慢慢变更的。训练概率神经网络就是优化平滑因子，以尽量降低训练集的误差，并使用多层感知器优化。训练时用来评估不同组平滑因子的误差标准是根据累加层神经元返回的所有训练样本的所有值计算出来的。这种标准不仅考虑了正确范畴的概率分布，还考虑了不正确范畴的概率分布。而且，在计算一个训练样本的误差时，会将该样本从模式层暂时排除。这是因为在计算时被排除的神经元会算作一个零距离，降低其他神经元在计算中的重要程度。

　　3.4分类过程

　　累加层神经元的输出值可视为每个类的概率密度函数预测。输出神经元选择概率密度函数值最高的范畴作为预测的范畴。

　　4沉积微相单元的分层

　　单井上沉积微相单元的划分方法主要有利用测井曲线自动分层和人工分层2种。利用测井曲线自动分层的方法有多种：层内差异法、拐点法、活度法、组合分层法等。这些方法使测井曲线分层实现了自动化，提高了效率，但在解决分层问题时，都存在一定的缺陷[22]。因此，在利用层内差异法进行自动分层的基础上，笔者进行适当的人工调整，提高了分层效率和分层精度，有效减小了概率神经网络训练样本和输入项的误差。 　　5输入层参数的选择

　　5.1沉积相与地震相的关系

　　地震相是沉积体在地震反射剖面上各种特征的综合反映。根据这些特征的不同，可以在剖面和平面上划分出性质各异的地震相区。地震相在剖面上的分布特征间接反映了地震层序所对应沉积时期内沉积环境的剖面变化。按Brown等的概念[23]，地震相是指有一定分布面积的三维地震反射单元，其地震参数（如反射结构、振幅、连续性、

　　频率和层速度）与相邻单元不同，它代表了产生其反射的沉积物的一定岩性组合、层理和沉积特征。因此，地震相是地下地质体的一个综合反映，是沉积相在地震剖面上表现的总和[2425]。研究区地震相和沉积相之间存在耦合对应关系（表2）。因此，在利用概率神经网络预测沉积相时，选择地震相作为概率神经网络输入项中的范畴自变量参数。

　　5.2测井曲线的选择

　　为了有效划分地层沉积相与鉴别地层的岩性，应尽可能多地采用各种测井参数；但各测井参数之间往往具有相关性，所反映的沉积微相信息往往有一定的重复，给随后的神经网络判别分析带来很大困难[26]。因此，先采用主成分分析法，从a个样本层具有复杂相关关系的b个测井参数中，提取最能反映沉积微相特征的少数几个（p个）非相关的主成分（p　　6模型的建立及沉积微相识别

　　利用MATLAB软件工具箱建立概率神经网络模型，包括输入层、模式层、累加层和输出层。输入层参数为每个层段的地震相类型和测井参数平均值，包括1个范畴自变量和6个数值自变量。

　　通过东海陆架盆地丽水—椒江凹陷内数口井的详细研究以及地质解释资料，选取月桂峰组若干沉积微相层段作为概率神经网络的学习样本（在训练概率神经网络时，为了增大训练样本，提高神经网络的识别精度和稳定性，可将每个测井深度点的每组数据作为一个学习样本输入进行训练）。部分学习样本参数见表3。

　　总共选用2 199个学习样本对神经网络进行训练，经过65次试验，搜索出变量的最佳平滑因子，建立研究区20种沉积微相类型的判别模式。最终，训练误差预测百分率、平均不正确概率和不正确概率标准差分别为0227 4%、1099 4%、5667 4%。测试参数的概率神经网络训练误差见图5。原始数据的回判检验效果也较好，测试参数的概率神经网络检验误差见图6。

　　7结语

　　（1）在钻井取芯较少的海上油气资源勘探开发中，使用概率神经网络对沉积微相进行预测，不仅能解决未取芯井沉积微相的识别划分问题，而且识别速度快、稳定性高。

　　（2）研究区地震相和沉积相之间存在较好的耦合对应关系，且不同沉积微相具有不同的测井响应。沉积微相间的这些差异是利用概率神经网络判别沉积微相的基础。

　　（3）研究区最适合进行沉积微相分析的范畴自变量是地震相，最适合的测井数据是自然伽马、自然电位、声波时差、密度测井、补偿中子、井径测井曲线。

　　（4）将利用概率神经网络识别后的结果与岩芯微相划分结果相对比，发现前者的准确率达到90%以上。因此，该方法对沉积相研究具有很好的应用价值。但对于地震响应和测井响应相似的沉积微相的神经网络判别方法还有待进一步探索。

　　参考文献：

　　[1]李双成，郑度。人工神经网络模型在地学研究中的应用进展[J].地球科学进展，2003，18（1）：6876.

　　[2]周金应，桂碧雯，李茂，等。基于岩控的人工神经网络在渗透率预测中的应用[J].石油学报，2010，31（6）：985988.

　　[3]李道伦，卢德唐，孔祥言，等。BP神经网络隐式法在测井数据处理中的应用[J].石油学报，2007，28（3）：105108.

　　[4]潘文超。以广义回归神经网络预测共同基金报酬[J].长安大学学报：社会科学版，2007，9（4）：5558.

　　[5]胡世鹏，吴小林，马利敏，等。基于BP神经网络和遗传算法的天然气脱水装置能耗优化[J].天然气工业，2012，32（11）：8994.

　　[6]刘文超，卢祥国，刘进祥，等。一种基于BP神经网络的调驱增油预测方法[J].西安石油大学学报：自然科学版，2012，27（1）：4752.

　　[7]唐胜利，唐皓，郭辉。基于BP神经网络的空洞型采空区稳定性评价研究[J].西安科技大学学报，2012，32（2）：234238.

　　[8]吴灿灿，李壮福。基于BP神经网络的测井相分析及沉积相识别[J].煤田地质与勘探，2012，40（1）：6871.

　　[9]吴永良，田景春，朱迎堂。神经网络判识沉积微相的应用——以桩241块为例[J].地质找矿论丛，2009，24（4）：317321.

　　[10]郭曦榕，黄地龙。一种基于神经网络的沉积相识别方法[J].计算机应用与软件，2007，24（3）：132134.

　　[11]许少华，陈可为，梁久祯，等。基于遗传BP神经网络的沉积微相自动识别[J].大庆石油学院学报，2001，25（1）：5154.

　　[12]秦亚玲，计平，郑宇霞，等。神经网络自动识别沉积微相在胡状集油田的应用[J].断块油气田，2001，8（1）：1012.

　　[13]杨莉娜，杨斌，鲁洪江，等。五百梯气田长兴组储层裂缝发育程度的常规测井神经网络预测[J].中国石油勘探，2011，16（1）：6369.

　　[14]庞国印，唐俊，王琪，等。利用概率神经网络预测成岩相[J].特种油气藏，2013，20（2）：4347.

　　[15]黄正吉。中国近海优质烃源岩的发育特征及古生态标志[J].中国石油勘探，2012，17（5）：1016.

　　[16]张胜利，夏斌。丽水—椒江凹陷构造演化特征与油气聚集[J].天然气地球科学，2005，16（3）：324328.

　　[17]王毅，姜亮，杨伟利。丽水—椒江凹陷断裂构造运动学[J].地质科学，2000，35（4）：441448.

　　[18]仝志刚，赵志刚，杨树春，等。低勘探程度盆地烃源岩热演化及排烃史研究——以东海椒江凹陷为例[J].石油实验地质，2012，34（3）：319324.

　　[19]纪友亮，李清山，王勇，等。高邮凹陷古近系戴南组扇三角洲沉积体系及其沉积相模式[J].地球科学与环境学报，2012，34（1）：919.

　　[20]张绍红。概率神经网络技术在非均质地层岩性反演中的应用[J].石油学报，2008，29（4）：549552.

　　[21]李曙光，徐天吉，唐建明，等。概率神经网络储层流体密度反演及应用[J].地质科技情报，2011，30（1）：7679.

　　[22]肖波，韩学辉，周开金，等。测井曲线自动分层方法回顾与展望[J].地球物理学进展，2010，25（5）：18021810.

　　[23]BROWN L F，FISHER J W L. Seismic Stratigraphic Interpretation and Petroleum Exploration[M].Boulder：AAPG，1980.

　　[24]黄锋，李志荣，廖玲，等。利用地震资料进行沉积相分析[J].物探化探计算技术，2003，25（3）：197200.

　　[25]陈恭洋，陈玲，朱洁琼，等。地震属性分析在河流相储层预测中的应用[J].西南石油大学学报：自然科学版，2012，34（3）：18.

　　[26]唐为清，郭荣坤，王忠东，等。沉积微相测井资料神经网络判别方法研究[J].沉积学报，2001，19（4）：581585.

　　[27]张福明，李洪奇，邵才瑞，等。应用神经网络模式识别技术进行测井沉积学研究[J].石油勘探与开发，2003，30（3）：121123.