基于一維卷積神經(jīng)網(wǎng)絡(luò)的橫波速度預(yù)測(cè)

馬喬雨，張 欣，張春雷，周 恒，武中原

（1.中國(guó)地質(zhì)大學(xué)（北京）數(shù)理學(xué)院，北京，100083；2.北京師范大學(xué)統(tǒng)計(jì)學(xué)院，北京，100875；3.北京中地潤(rùn)德石油科技有限公司，北京，100083）

0 引言

橫波速度［1］是儲(chǔ)層巖石物理分析、AVO 正演、AVO 屬性分析以及疊前反演等［2-4］工作必不可少的基礎(chǔ)信息，通過縱橫波速度信息的結(jié)合可以有效地提高儲(chǔ)層（氣層、差氣層、干層等）流體預(yù)測(cè)精度，減少地震振幅解釋的多解性。橫波速度一般是通過偶極子聲波得到，測(cè)試費(fèi)用較高且技術(shù)不完善［5-7］，導(dǎo)致在多數(shù)地區(qū)的實(shí)際生產(chǎn)中橫波速度測(cè)井資料十分匱乏或者數(shù)據(jù)質(zhì)量較差。因此，如何解決橫波速度的精確預(yù)測(cè)問題成為油氣勘探的重要研究?jī)?nèi)容之一。

目前研究人員針對(duì)巖性油氣藏的橫波波速預(yù)測(cè)已經(jīng)開展了大量的研究［8-10］，主要分為經(jīng)驗(yàn)公式法、理論公式法和基于機(jī)器學(xué)習(xí)的模型擬合等3 種方法。其中經(jīng)驗(yàn)公式容易實(shí)現(xiàn)，計(jì)算效率高，但擬合關(guān)系式反映了大量測(cè)井?dāng)?shù)據(jù)的統(tǒng)計(jì)規(guī)律，在實(shí)際應(yīng)用時(shí)存在較大誤差；理論公式法中，Xu 等［11］提出了Xu-White 模型與Xu-Payne 模型，其利用巖石物理建模法預(yù)測(cè)橫波速度精度較高，但是算法復(fù)雜、所需參數(shù)較多，導(dǎo)致計(jì)算效率較低。地震巖石物理學(xué)的主要研究方向是研究巖石彈性參數(shù)（如速度、密度、波阻抗、縱橫波速度比等）與儲(chǔ)層參數(shù)（如孔隙度、孔隙儲(chǔ)層類型、儲(chǔ)層飽和度等）的關(guān)系，因此可以通過建立橫波速度和儲(chǔ)層參數(shù)之間的高精度機(jī)器學(xué)習(xí)擬合模型對(duì)橫波速度進(jìn)行預(yù)測(cè)。隨著人工智能等技術(shù)的發(fā)展，基于測(cè)井參數(shù)，采用機(jī)器學(xué)習(xí)算法開展橫波速度預(yù)測(cè)的方法引起眾多學(xué)者關(guān)注［12-13］，其中目前已經(jīng)有使用提升樹［14］、XGBoost［15-16］與支撐向量機(jī)［17］等方法預(yù)測(cè)相關(guān)參數(shù)。但考慮到測(cè)井參數(shù)是對(duì)不同地層沉積特征的不同響應(yīng)，整體具有一定的空間時(shí)序特征，而多數(shù)傳統(tǒng)機(jī)器學(xué)習(xí)方法中沒有結(jié)合空間時(shí)序信息，對(duì)于其整體預(yù)測(cè)結(jié)果不全面。2006 年，Hinton 等［18］提出了深度學(xué)習(xí)概念后其方法已經(jīng)應(yīng)用于多種領(lǐng)域［18-19］。對(duì)于地球物理領(lǐng)域，Eskandair 等［20］率先使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)地球物理參數(shù)，孫宇航等［21］利用GRU 網(wǎng)絡(luò)預(yù)測(cè)橫波速度。基于卷積運(yùn)算的深度神經(jīng)網(wǎng)絡(luò)對(duì)于包含鄰域空間信息的數(shù)據(jù)有良好的表達(dá)能力。

根據(jù)卷積神經(jīng)網(wǎng)絡(luò)對(duì)空間時(shí)序特征表征的優(yōu)勢(shì)以及測(cè)井參數(shù)的一維時(shí)序特征，提出了基于測(cè)井參數(shù)的一維卷積神經(jīng)網(wǎng)絡(luò)（1D-CNN）的橫波速度預(yù)測(cè)方法。先通過測(cè)井參數(shù)分析，選擇對(duì)橫波速度較為敏感的測(cè)井參數(shù)；再基于測(cè)井參數(shù)開展1D-CNN的應(yīng)用效果分析，并開展了與傳統(tǒng)巖石物理模型（Xu-White 模型）、常規(guī)機(jī)器學(xué)習(xí)方法（人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隨機(jī)森林、XGB、LightGBM）的對(duì)比分析研究，最后結(jié)合測(cè)井參數(shù)相關(guān)性與地質(zhì)學(xué)含義，分析了不同測(cè)井參數(shù)組合、不同巖性儲(chǔ)層下橫波速度預(yù)測(cè)效果。

1 數(shù)據(jù)背景

研究區(qū)位于內(nèi)蒙古自治區(qū)烏審旗境內(nèi)，南部臨近陜西省靖邊縣，東部緊鄰橫山縣。區(qū)域構(gòu)造處于鄂爾多斯盆地伊陜斜坡北部，目的層段為上古盒8段—山西組的水下三角洲前緣沉積的碎屑巖儲(chǔ)層。經(jīng)過篩選，選擇W1 井中一段連續(xù)的共計(jì)140 m 的測(cè)井段作為研究對(duì)象，其采樣間隔為0.125 m，共計(jì)1 376 個(gè)樣本點(diǎn)。盲井選擇Li2 井中一段續(xù)的共計(jì)150 m 的測(cè)井段作為測(cè)試對(duì)象，其采樣間隔為0.125 m，共計(jì)1 201 個(gè)樣本點(diǎn)。

圖1 為目的層段的碎屑巖層測(cè)井綜合解釋成果圖，包含常規(guī)測(cè)井?dāng)?shù)據(jù)、陣列感應(yīng)測(cè)井、放射性測(cè)井、測(cè)錄井巖性及測(cè)井解釋成果等。該井段包含砂巖、粉砂巖、泥巖以及少量的碳質(zhì)泥巖等多種巖石類型，儲(chǔ)層類型分為干層、含氣層和氣層等。

圖1 蘇里格氣田W1 上古生界碎屑巖儲(chǔ)層井綜合柱狀圖Fig.1 Comprehensive histogram of W1 Upper Paleozoic clastic reservoir of Sulige gas field

測(cè)井參數(shù)是對(duì)地層沉積、成巖、儲(chǔ)集空間及其所含儲(chǔ)層特征的綜合響應(yīng)，不同的測(cè)井參數(shù)能夠反應(yīng)地層的巖性、儲(chǔ)集性、滲透性和含油氣特征等，盡管在敏感性上存在差異，但基于對(duì)同一地層探測(cè)的不同測(cè)井參數(shù)之間必然存在著必然的聯(lián)系。測(cè)井參數(shù)之間的相關(guān)性分析（圖2）也表明了這種內(nèi)在聯(lián)系的存在，但同時(shí)不同測(cè)井參數(shù)之間的相關(guān)性存在較大的差異，說明不同測(cè)井參數(shù)是從不同機(jī)理、不同特征或不同角度對(duì)地層的響應(yīng)，測(cè)井參數(shù)包含了豐富多樣的信息，這是利用測(cè)井參數(shù)進(jìn)行橫波速度預(yù)測(cè)的數(shù)據(jù)基礎(chǔ)。縱、橫波速度測(cè)井主要反應(yīng)儲(chǔ)層巖性、孔隙度特征，同時(shí)受儲(chǔ)層的巖石骨架和孔隙儲(chǔ)層性質(zhì)的影響，因此縱、橫波速度之間存在較強(qiáng)的正相關(guān)關(guān)系，但縱波波速受地層儲(chǔ)集空間及其儲(chǔ)層性質(zhì)的影響更為顯著，而橫波速度與儲(chǔ)層基質(zhì)特征之間的關(guān)系更為密切，所以在孔隙度較高的含氣層層段，縱橫波速度之間相關(guān)性要明顯低于較為致密的巖性段；密度參數(shù)直接參與儲(chǔ)層體積模量和剪切模量的計(jì)算，間接參與橫波速度的計(jì)算，密度與橫波速度具有負(fù)相關(guān)性；補(bǔ)償中子可以給出不同巖性中孔隙度較為準(zhǔn)確的解釋，可以確定地層孔隙度、礦物含量，與密度曲線重疊可以大致判斷出氣層，與橫波速度具有一定相關(guān)性；伽馬能譜反映了儲(chǔ)層骨架中的泥質(zhì)含量，可以判斷儲(chǔ)層巖性，與橫波速度具有正相關(guān)關(guān)系；儲(chǔ)層的巖石骨架通常不導(dǎo)電，電阻率主要反映儲(chǔ)層的孔隙儲(chǔ)層特征，因此也能在一定程度反映橫波速度在儲(chǔ)集性地層中的特征。

圖2 蘇里格氣田W1 上古生界儲(chǔ)層測(cè)井參數(shù)相關(guān)性Fig.2 Correlation of logging parameters of W1 Upper Paleozoic reservoir in Sulige gas field

2 橫波速度預(yù)測(cè)方法

測(cè)井參數(shù)在測(cè)量時(shí)每個(gè)點(diǎn)收集的數(shù)據(jù)都有一個(gè)承載范圍，橫波速度在收集過程中需要依靠不同距離的觸發(fā)器提供地層改變部分的測(cè)量結(jié)果，代表該測(cè)量點(diǎn)周圍一個(gè)深度范圍的整體數(shù)據(jù)。因此在對(duì)橫波速度進(jìn)行預(yù)測(cè)時(shí)需要結(jié)合測(cè)井參數(shù)的數(shù)據(jù)承載考慮空間信息。

傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)于數(shù)據(jù)特征的學(xué)習(xí)多為點(diǎn)對(duì)點(diǎn)的方式，無法學(xué)習(xí)到數(shù)據(jù)的空間特征。卷積神經(jīng)網(wǎng)絡(luò)通過深度上的逐層卷積的方式，可以有效提取數(shù)據(jù)的空間特征

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)方法中的一種深度前饋人工神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)一般由輸入層、卷積層（Convolutional Layer）、池化層（Pooling Layer）、全連接層和判別器組成。網(wǎng)絡(luò)迭代分為正向傳播與反向傳播兩部分［22-23］。

正向傳播中，網(wǎng)絡(luò)中的一組卷積核對(duì)前一層輸出的所有特征圖進(jìn)行卷積運(yùn)算后得到新的特征圖。網(wǎng)絡(luò)使用權(quán)重共享機(jī)制，使用多組卷積核用于檢測(cè)輸入數(shù)據(jù)中的不同特征。對(duì)每個(gè)卷積核的運(yùn)算結(jié)果使用連續(xù)可導(dǎo)的非線性激活函數(shù)，將輸出值限制在一個(gè)合適的閾值區(qū)間，可以有效增加網(wǎng)絡(luò)運(yùn)算效率。

式中：xl為第l層的輸出；Wl為第l層的權(quán)重（卷積核）；bl為第l層的偏移量；激活函數(shù)f（x）一般使用ReLU 或sigmoid 函數(shù)。

網(wǎng)絡(luò)通過反向傳播更新權(quán)重，從而優(yōu)化特征提取效果，最終獲得較優(yōu)的預(yù)測(cè)效果。反向傳播時(shí)，網(wǎng)絡(luò)判別器計(jì)算網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值之間的損失值傳播進(jìn)入網(wǎng)絡(luò)，從后向前逐層更新網(wǎng)絡(luò)中的權(quán)重，使網(wǎng)絡(luò)進(jìn)入最優(yōu)區(qū)間，下一次正向傳播的損失值減小，形成迭代學(xué)習(xí)。

式中：E為真實(shí)值與預(yù)測(cè)值之間的誤差；t，y分別為樣本真值與預(yù)測(cè)值；Loss（t）為網(wǎng)絡(luò)的損失函數(shù)；δl為第l層的敏感度；ΔWl為第l層的權(quán)重變化量。

卷積神經(jīng)網(wǎng)絡(luò)通過局部連接、權(quán)值共享等操作特性使之可以有效地降低網(wǎng)絡(luò)的復(fù)雜度，減少訓(xùn)練參數(shù)的數(shù)目，并使算法具有較強(qiáng)魯棒性，且易于訓(xùn)練。

2.2 一維卷積神經(jīng)網(wǎng)絡(luò)

本文研究的測(cè)井參數(shù)屬于一維序列數(shù)據(jù)，因而采用一維卷積方法根據(jù)原數(shù)據(jù)深度截取上下鄰域。對(duì)每一種測(cè)井參數(shù)做一維卷積運(yùn)算提取相鄰深度的特征信息。最后網(wǎng)絡(luò)將提取得到的特征向量拼接，傳入全連接層進(jìn)行預(yù)測(cè)，圖3 為其卷積結(jié)構(gòu)圖。

圖3 卷積運(yùn)算過程示意圖Fig.3 Convolution operation process diagram

基于1D-CNN的橫波速度預(yù)測(cè)過程描述如下：首先將模型樣本數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。然后將訓(xùn)練數(shù)據(jù)集輸入到1D-CNN結(jié)構(gòu)中，網(wǎng)絡(luò)結(jié)構(gòu)中的卷積層與全連接層相連，得到橫波速度預(yù)測(cè)值，并與實(shí)際的橫波速度數(shù)據(jù)對(duì)比計(jì)算誤差函數(shù)。基于誤差進(jìn)行反向傳播訓(xùn)練網(wǎng)絡(luò)權(quán)重得到最優(yōu)結(jié)果。最后將測(cè)試數(shù)據(jù)集輸入到最優(yōu)的網(wǎng)絡(luò)模型中，得到測(cè)試集對(duì)應(yīng)的橫波預(yù)測(cè)序列。試驗(yàn)程中，網(wǎng)絡(luò)結(jié)構(gòu)涉及的參數(shù)包括網(wǎng)絡(luò)隱藏層數(shù)、卷積尺度大小與數(shù)量、批尺寸（每次訓(xùn)練時(shí)訓(xùn)練數(shù)據(jù)的樣本點(diǎn)數(shù)），通過訓(xùn)練過程選擇最優(yōu)的參數(shù)。

網(wǎng)絡(luò)使用Adam（Adaptive moment estimation）優(yōu)化算法。Adam 算法是一種自適應(yīng)參數(shù)更新算法，通過更新和計(jì)算影響模型訓(xùn)練和輸出的網(wǎng)絡(luò)參數(shù)，使其逼近最優(yōu)解，從而最小化損失值。其更新參數(shù)方法為

式中：β1，β2為指數(shù)衰減率；mt，νt分別為梯度的移動(dòng)均值和平方梯度；分別是對(duì)mt，νt的偏差校正；gt為時(shí)間t的梯度；η，ε為初始化參數(shù)；θt為t時(shí)刻參數(shù)；θt+1為t+1 時(shí)刻更新參數(shù)。

為對(duì)比模型的預(yù)測(cè)效果，使用均方根誤差、可決系數(shù)和相關(guān)系數(shù)表達(dá)實(shí)際值與預(yù)測(cè)值之間的偏差。均方誤差（mean-square error，MSE）是反映估計(jì)量與被估計(jì)量之間差異程度的一種度量，通常在應(yīng)用中均方誤差越小說明模型的預(yù)測(cè)值與真實(shí)數(shù)據(jù)越接近，模型對(duì)數(shù)據(jù)分布的表達(dá)能力越強(qiáng)。可決系數(shù)（R2）表示一個(gè)隨機(jī)變量與多個(gè)隨機(jī)變量關(guān)系的數(shù)字特征，是用來反映回歸模型中因變量變化可靠程度的一個(gè)統(tǒng)計(jì)指標(biāo)。可決系數(shù)越接近于1，說明模型的預(yù)測(cè)效果越好。相關(guān)系數(shù)（ρ）反映兩個(gè)變量間每個(gè)單位變化的相似程度，越接近于1 說明變量變化趨勢(shì)越一致。

式中：y為真實(shí)數(shù)據(jù)；y^ 為預(yù)測(cè)結(jié)果；m，n為樣本數(shù)量。

2.3 1D-CNN 橫波速度預(yù)測(cè)網(wǎng)絡(luò)架構(gòu)

圖4 為試驗(yàn)所使用的1D-CNN 模型，模型使用4 個(gè)卷積層和3個(gè)全1連接層，卷積層的節(jié)點(diǎn)個(gè)數(shù)為64，128，128，128，全連接層節(jié)點(diǎn)個(gè)數(shù)為1 024，128，128。經(jīng)過試驗(yàn)對(duì)比分析，1D-CNN在網(wǎng)絡(luò)淺層部分使用較大卷積核提取更大范圍的鄰域信息效果更好，之后再向深層推進(jìn)的過程中減小卷積核的大小，每層一維卷積的大小為9，5，5，3。對(duì)于1DCNN，考慮到數(shù)據(jù)在經(jīng)過卷積操作后進(jìn)入ReLU 與sigmoid 激活函數(shù)，數(shù)據(jù)進(jìn)行歸一化處理，保持?jǐn)?shù)據(jù)在經(jīng)過激活函數(shù)映射的敏感區(qū)間能夠保留更多特征信息，使預(yù)測(cè)效果更加精準(zhǔn)。采用Adam 算法進(jìn)行優(yōu)化，考慮到預(yù)測(cè)過程中的過擬合問題，模型采用了dropout，丟失概率為25%。

圖4 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 1D-CNN structure

3 試驗(yàn)流程與結(jié)果分析

3.1 試驗(yàn)流程

圖5 為整個(gè)研究的工作流程圖。由于各測(cè)井參數(shù)的取值范圍不一樣，直接使用原始測(cè)井參數(shù)進(jìn)行預(yù)測(cè)對(duì)于一些算法影響較大，在進(jìn)行預(yù)測(cè)前需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理將數(shù)據(jù)標(biāo)準(zhǔn)化到一定的范圍中。并分析橫波速度與測(cè)井參數(shù)之間的相關(guān)性；其次使用1D-CNN 算法對(duì)橫波速度進(jìn)行預(yù)測(cè)，并使用巖石物理模型、機(jī)器學(xué)習(xí)算法對(duì)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析；最后分析預(yù)測(cè)過程中不同測(cè)井參數(shù)的組合對(duì)不同巖性、不同儲(chǔ)層預(yù)測(cè)結(jié)果的影響。

圖5 一維卷積神經(jīng)網(wǎng)絡(luò)模型工作流程Fig.5 Workflow of 1D-CNN model

試驗(yàn)在Intel（R）Core（TM）i5-9 400 CPU @2.90 GHz，NVIDIA GeForce RTX 2 060 環(huán)境上運(yùn)行，使用Python3.7 編譯環(huán)境，版本為1.3.0 的Py-Torch 深度平臺(tái)。共計(jì)1 376 個(gè)樣本點(diǎn)，采用聲波時(shí)差（AC）、自然伽馬（GR）、補(bǔ)償中子測(cè)井（CNL）、密度測(cè)井（DEN）、光電吸收截面指數(shù)（Pe）、深測(cè)向電阻率（RLLD）、淺側(cè)向電阻率（RLLS）、陣列感應(yīng)電阻率（RT10，RT20，RT30，RT60，RT90）和放射性元素（K，U，Th）等16 種測(cè)井參數(shù)。按照1∶1 的比例隨機(jī)將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集進(jìn)行試驗(yàn)。對(duì)于1D-CNN 的輸入數(shù)據(jù)，取該采樣點(diǎn)上下1.375 m（即23個(gè)采樣點(diǎn)）作為局部空間信息。

3.2 不同橫波速度預(yù)測(cè)方法對(duì)比

基于傳統(tǒng)的巖石物理模型方法的橫波預(yù)測(cè)過程：研究使用Xu-White 模型開展了橫波速度的預(yù)測(cè)。通過上述地質(zhì)背景分析該地區(qū)碎屑巖儲(chǔ)層巖石物理模型。首先通過測(cè)井解釋得到儲(chǔ)層孔隙度、含氣飽和度，同時(shí)根據(jù)已知的縱波速度、密度，采用Xu-White 模型進(jìn)行了橫波預(yù)測(cè)。通過測(cè)井解釋方法確定Xu-White 模型中每種礦物及儲(chǔ)層組分。

基于機(jī)器學(xué)習(xí)算法的橫波預(yù)測(cè)過程：根據(jù)測(cè)井參數(shù)中的16 種測(cè)井參數(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)（BP）、支持向量機(jī)（SVR）、隨機(jī)森林（RF）、XGB、LightGBM等模型對(duì)橫波速度進(jìn)行回歸預(yù)測(cè)、對(duì)比均方根誤差［20-22］。

儲(chǔ)層基于1D-CNN 的橫波預(yù)測(cè)過程：根據(jù)測(cè)井參數(shù)中的深度信息提取測(cè)井參數(shù)相鄰深度的數(shù)據(jù)信息，將測(cè)井參數(shù)組合成16 組一維數(shù)據(jù)；然后建立1D-CNN 預(yù)測(cè)模型，進(jìn)而得到預(yù)測(cè)橫波速度。

表1 中計(jì)算不同方法實(shí)測(cè)橫波速度與預(yù)測(cè)橫波速度均方根誤差，可以看出相比基于巖石理論公式、支持向量機(jī)、決策樹的算法，基于1D-CNN 的回歸算法的均方根誤差較小（0.741 μs/m），預(yù)測(cè)效果較好。其預(yù)測(cè)結(jié)果與真實(shí)結(jié)果整體趨勢(shì)一致，可決系數(shù)達(dá)到0.96，相關(guān)系數(shù)達(dá)到0.98。

表1 不同算法預(yù)測(cè)橫波結(jié)果Table 1 Different algorithms predict shear wave results

圖6 中為不同方法預(yù)測(cè)結(jié)果，從圖中可以看出，基于1D-CNN 算法的預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的誤差相比于其他算法更小，曲線重合度更高，說明1D-CNN 對(duì)于具有空間特征的數(shù)據(jù)預(yù)測(cè)具有更明顯的優(yōu)勢(shì)。

圖6 蘇里格氣田W1 上古生界儲(chǔ)層橫波預(yù)測(cè)結(jié)果對(duì)比Fig.6 Comparison of shear wave prediction results of W1 Upper Paleozoic reservoir in Sulige gas field

3.3 橫波速度預(yù)測(cè)方案對(duì)比及影響因素分析

測(cè)井參數(shù)與橫波速度間關(guān)系較為復(fù)雜，導(dǎo)致某些測(cè)井參數(shù)對(duì)于某種指示作用影響過大，降低橫波速度預(yù)測(cè)精度。為解決測(cè)井參數(shù)的選擇問題，根據(jù)不同測(cè)井參數(shù)在地質(zhì)分析中的相關(guān)性與獲取的難易程度設(shè)計(jì)為10 種試驗(yàn)方案設(shè)計(jì)。通過不同的實(shí)驗(yàn)方案得到的預(yù)測(cè)結(jié)果，分析測(cè)井參數(shù)對(duì)碎屑巖儲(chǔ)層不同巖石、儲(chǔ)層結(jié)構(gòu)中橫波預(yù)測(cè)的影響，具體方案設(shè)計(jì)如下：儲(chǔ)層

方案1：使用16 種測(cè)井參數(shù)：AC，CNL，DEN，GR，Pe，SP，RLLD，RLLS，RT10，RT20，RT30，RT60，RT90，K，Th，U；

方案2：使用13 種測(cè)井參數(shù)：AC，CNL，DEN，GR，Pe，SP，RLLD，RLLS，RT10，RT20，RT30，RT60，RT90；

方案3：使用8 種測(cè)井參數(shù)：AC，CNL，DEN，GR，Pe，SP，RLLD，RLLS；

方案4：使用7 種測(cè)井參數(shù)：AC，CNL，DEN，GR，Pe，RLLD，RLLS；

方案5：使用7 種測(cè)井參數(shù)：AC，CNL，DEN，GR，SP，RLLD，RLLS；

方案6：使用6 種測(cè)井參數(shù)：AC，CNL，DEN，GR，Pe，SP；

方案7：使用5 種測(cè)井參數(shù)：AC，CNL，DEN，GR，Pe；

方案8：使用5 種測(cè)井參數(shù)：AC，CNL，DEN，GR，SP；

方案9：使用3 種測(cè)井參數(shù)：AC，GR，Pe；

方案10：使用3 種測(cè)井參數(shù)：AC，GR，SP。

如圖7 所示，從實(shí)測(cè)數(shù)據(jù)和預(yù)測(cè)結(jié)果對(duì)比，在使用8 種測(cè)井參數(shù)時(shí)效果最好，均方根誤差較小，經(jīng)過計(jì)算可決系數(shù)達(dá)到0.98。結(jié)合測(cè)井參數(shù)實(shí)際含義，在加入或移除一些測(cè)井參數(shù)后，由于卷積運(yùn)算造成的數(shù)據(jù)特征平均化，測(cè)井參數(shù)的指示作用發(fā)生偏移，使模型過于重視或忽略其它解釋方向，對(duì)于某些巖性段、不同儲(chǔ)層類型儲(chǔ)層段的橫波預(yù)測(cè)結(jié)果會(huì)發(fā)生較大偏移，整體預(yù)測(cè)效果變差。

圖7 蘇里格氣田W1 上古生界儲(chǔ)層不同參數(shù)組合預(yù)測(cè)橫波結(jié)果Fig.7 S-wave prediction results of different parameters combination of W1 Upper Paleozoic reservoir in Sulige gas field

通過對(duì)不同的巖性及儲(chǔ)層類型儲(chǔ)層的橫波速度與測(cè)井參數(shù)之間的交會(huì)圖（圖8），可以分析不同測(cè)井參數(shù)與橫波速度之間的相關(guān)性，并指示其在橫波速度預(yù)測(cè)中的重要性。

圖8 蘇里格氣田W1 上古生界儲(chǔ)層測(cè)井參數(shù)與橫波速度交會(huì)圖Fig.8 Cross plot of logging parameters and shear wave velocity of W1 Upper Paleozoic reservoir in Sulige gas field

（1）泥質(zhì)含量較高的粉砂巖和泥巖其橫波速度與伽馬能譜呈現(xiàn)正相關(guān)關(guān)系，且相關(guān)性較強(qiáng)。說明伽馬能譜參數(shù)（K，U，Th）主要在指示泥質(zhì)成分的含量。

（2）電阻率參數(shù)主要反映儲(chǔ)層孔隙中的儲(chǔ)層電性特征，對(duì)儲(chǔ)層類型及其飽和度儲(chǔ)層較為敏感。從整體上看，橫波速度和電阻率之間的相關(guān)性在砂巖、粉砂巖及泥巖中相對(duì)較弱。說明電阻率參數(shù)對(duì)于橫波預(yù)測(cè)的指示作用主要表現(xiàn)在儲(chǔ)層性質(zhì)上，對(duì)于儲(chǔ)集性較好、孔隙度較高的含氣層段指示作用較大。

（3）自然電位參數(shù)主要反映儲(chǔ)層中的水與泥漿的相對(duì)礦化度，主要反應(yīng)儲(chǔ)層的滲透性，對(duì)于橫波速度的預(yù)測(cè)指示作用相對(duì)較小。

（4）補(bǔ)償中子在測(cè)井解釋常與密度曲線重疊判斷儲(chǔ)層的含氣性，主要指示地層孔隙度和礦物含量信息，因而對(duì)橫波速度預(yù)測(cè)有一定的作用。

表2 為不同預(yù)測(cè)方案對(duì)不同巖性及儲(chǔ)層類型的橫波預(yù)測(cè)誤差。對(duì)比方案1，2 可知，GR與K，U，Th參數(shù)均反應(yīng)巖石的泥質(zhì)含量信息，過多同質(zhì)參數(shù)的加入會(huì)造成維度的增高及信息冗余，會(huì)在一定程度上降低模型的學(xué)習(xí)效果，進(jìn)而降低橫波速度預(yù)測(cè)的效果，去掉K，U，Th參數(shù)后，預(yù)測(cè)效果整體變好。同樣，陣列感應(yīng)電阻率與深、淺側(cè)向電阻率包含類似的信息，去掉陣列感應(yīng)電阻率，而加入深、淺側(cè)向電阻率參數(shù)時(shí)，不僅保留了對(duì)儲(chǔ)層信息的指示信息，而且降低了參數(shù)維度，因此橫波速度預(yù)測(cè)精度整體變好（方案3，6），反之，預(yù)測(cè)效果變差。

表2 不同方案預(yù)測(cè)均方根誤差Table 2 RMSE of different schemes

方案9 和方案10 表明，僅縱波速度和反應(yīng)巖性的曲線如GR，Pe，SP等為基礎(chǔ)，1D-CNN 依然可以一定精度的橫波速度預(yù)測(cè)結(jié)果，兩個(gè)方案預(yù)測(cè)誤差分別問8.423 μs/m 和9.846 μs/m，明顯優(yōu)于Xu-White 模型。與方案3 到方案8 對(duì)比，當(dāng)測(cè)井參數(shù)比較齊全時(shí)，Pe，SP加入或缺失，對(duì)橫波速度預(yù)測(cè)結(jié)果的影響并不十分顯著，說明不同測(cè)井參數(shù)之間在反應(yīng)巖性特征方面存在一定的重疊，同時(shí)又在儲(chǔ)層類型和儲(chǔ)層特征的表達(dá)上存在互補(bǔ)性。

所以適合的測(cè)井參數(shù)選擇及組合，對(duì)于橫波速度預(yù)測(cè)而言極為重要。針對(duì)不同的巖石類型和儲(chǔ)層類型需要選擇對(duì)其敏感的測(cè)井參數(shù)才能取得預(yù)期目標(biāo)，而過多的信息冗余會(huì)影響1D-CNN 模型學(xué)習(xí)效果，進(jìn)而降低橫波預(yù)測(cè)的精度。對(duì)于研究區(qū)碎屑巖儲(chǔ)層而言，常規(guī)測(cè)井與深淺電阻率等8 種測(cè)井參數(shù)的組合橫波預(yù)測(cè)精度最高，僅為7.56 μs/m。

3.4 盲井預(yù)測(cè)結(jié)果

圖9 為盲井測(cè)試結(jié)果，可以看到在使用方案3進(jìn)行測(cè)試時(shí)預(yù)測(cè)的橫波速度，均方根誤差為8.024，可決系數(shù)為0.962，相關(guān)系數(shù)為0.981，結(jié)果較為合理，說明該模型泛化能力較好，可以在不同地區(qū)中應(yīng)用。

圖9 蘇里格氣田上古生界儲(chǔ)層盲井預(yù)測(cè)結(jié)果Fig.9 Blind well prediction results of Upper Paleozoic reservoir in Sulige gas field

4 結(jié)論

（1）一維卷積神經(jīng)網(wǎng)絡(luò)是一種可行的、適用于測(cè)井參數(shù)預(yù)測(cè)的深度學(xué)習(xí)方法，對(duì)比巖石物理參數(shù)預(yù)測(cè)的理論模型和常規(guī)機(jī)器學(xué)習(xí)模型，一維卷積神經(jīng)網(wǎng)絡(luò)在提取測(cè)井參數(shù)空間時(shí)序特征方面具有先天的優(yōu)勢(shì)，因此該模型更適用于橫波速度的預(yù)測(cè)。

（2）相比傳統(tǒng)Xu-White 模型及機(jī)器學(xué)習(xí)方法，1D-CNN 方法是橫波預(yù)測(cè)提供一種更有效的方法，其預(yù)測(cè)結(jié)果與實(shí)際橫波速度之間的誤差較小、可決系數(shù)和相關(guān)系數(shù)較高。

（3）巖石物理學(xué)理論研究表明測(cè)井參數(shù)反映了不同地質(zhì)時(shí)間的巖性、沉積特征，因此不同測(cè)井參數(shù)對(duì)橫波速度都有一定的指示作用，同時(shí)這種指示作用與巖性、物性及含氣性有很大的關(guān)系。在通過10 組試驗(yàn)說明過多同質(zhì)參數(shù)的加入會(huì)造成維度的增高及信息冗余，不同測(cè)井參數(shù)之間在反應(yīng)巖性特征方面存在一定的重疊，同時(shí)又在儲(chǔ)層類型和儲(chǔ)層特征的表達(dá)上存在互補(bǔ)性。常規(guī)測(cè)井與深淺電阻率等8 種測(cè)井參數(shù)的組合預(yù)測(cè)精度最高。

（4）基于一維卷積的深度學(xué)習(xí)算法是一種以數(shù)據(jù)為驅(qū)動(dòng)，挖掘數(shù)據(jù)中內(nèi)在的、深度關(guān)系的機(jī)器學(xué)習(xí)模型，其預(yù)測(cè)精度依賴于訓(xùn)練樣本的精度與樣本數(shù)據(jù)分布，對(duì)原始數(shù)據(jù)要求高，同時(shí)深度學(xué)習(xí)模型在專業(yè)領(lǐng)域的應(yīng)用還需要增強(qiáng)在專業(yè)理論層面的可解釋性，以推廣智能學(xué)習(xí)模型在專業(yè)領(lǐng)域的應(yīng)用。