基于混合深度學習網(wǎng)絡的致密砂巖甜點預測

張益明,張繁昌,丁繼才,王 迪,牛 聰

(1.中海油研究總院,北京100027;2.中國石油大學(華東)地球科學與技術學院,山東青島266580)

隨著油氣勘探的不斷深入,致密油氣儲層已經(jīng)成為一個新的勘探熱點。但致密儲層具有地層薄、孔隙度低、橫向非均質(zhì)性強等特點,此類非常規(guī)儲層甜點識別是勘探工作中遇到的核心和難點問題[1-2]。現(xiàn)有儲層反演等技術在解決此類問題時,主要依靠人工從屬性數(shù)據(jù)體中尋找規(guī)律并確定甜點的最大可能區(qū)域。李岳桐等[3]通過構建振幅、頻率融合屬性預測巖性,然后通過優(yōu)選敏感特征曲線反演預測細粒沉積巖致密油甜點區(qū);汪關妹等[4]通過優(yōu)選敏感彈性參數(shù),基于保幅地震資料進行疊前彈性反演,預測致密砂巖含氣富集區(qū);朱超等[5]采用分頻成像、90°相位旋轉、分頻屬性優(yōu)化等技術,對致密油甜點儲層分布進行了有效預測。由于致密儲層甜點與地震反射特征無明確的因果關系,因而甜點識別準確率低,且存在較大的主觀性。

事實上,地震波場中隱含有地層甜點物性變化的影響,但由于地層參數(shù)與地震波之間復雜的響應機制,目前還沒有系統(tǒng)的理論來描述致密儲層甜點與地震響應之間的因果關系,尚未建立確定的正演理論模型。深度學習能夠從數(shù)據(jù)本身挖掘有效信息,不需要確定的正演算法便可以建立預測模型[6-8],在地球物理領域得以廣泛應用。楊柳青等[9]基于深度神經(jīng)網(wǎng)絡模型探討了一種砂巖儲層孔隙度預測方法;丁燕等[10]建立了利用深度信念網(wǎng)絡進行潛山碳酸鹽巖儲層的裂縫預測方法;劉可等[11]針對傳統(tǒng)神經(jīng)網(wǎng)絡對不確定問題的不適用性,提出了一種空間近似概率約束的神經(jīng)網(wǎng)絡砂體厚度預測方法;周創(chuàng)等[12]介紹了一種深度卷積生成對抗網(wǎng)絡技術。實踐證明,同時利用地震數(shù)據(jù)和測井數(shù)據(jù)進行致密儲層甜點識別的困難在于:地震數(shù)據(jù)空間分布密集,測井數(shù)據(jù)稀少且空間分布不規(guī)則,而且地震數(shù)據(jù)和測井值不存在一一對應關系,致使目前的深度學習模型(如卷積神經(jīng)網(wǎng)絡)難以直接應用于井震聯(lián)合的致密儲層甜點識別。

針對上述致密甜點預測問題,本文根據(jù)測井數(shù)據(jù)和地震數(shù)據(jù)的空間分布特征和數(shù)據(jù)分布特點,將全局和局部連接網(wǎng)絡相結合,有針對性地創(chuàng)建了適用于致密儲層甜點預測的混合深度學習結構,其中局部連接網(wǎng)絡負責學習數(shù)據(jù)分布特征,全局連接網(wǎng)絡負責學習空間分布特征,從而給出高孔隙度甜點識別結果。

1 方法原理

1.1 適于致密儲層甜點預測的混合深度學習網(wǎng)絡模型結構

神經(jīng)網(wǎng)絡[13]是由具有自動調(diào)節(jié)和自主學習能力的簡單神經(jīng)元組成的網(wǎng)絡。最早的神經(jīng)網(wǎng)絡稱為感知機,由兩層神經(jīng)元組成,只能實現(xiàn)簡單的與、或、非運算。近年來,深度學習網(wǎng)絡的研究發(fā)展迅速,在地球物理領域得到廣泛應用。但利用深度學習網(wǎng)絡進行儲層預測存在測井與地震樣本數(shù)量不對稱、樣本不典型等問題,常用的深度學習結構難以直接應用于井震聯(lián)合的致密氣甜點預測。因此,本文根據(jù)測井數(shù)據(jù)和地震數(shù)據(jù)的空間分布特點和數(shù)據(jù)分布特點,有針對性地創(chuàng)建適于致密儲層甜點預測的混合深度學習網(wǎng)絡模型,如圖1所示。

圖1 混合深度學習網(wǎng)絡模型結構

混合深度學習網(wǎng)絡模型運算步驟如下。

1) 建立全局連接網(wǎng)絡作為混合深度學習網(wǎng)絡的支網(wǎng)一。支網(wǎng)一以地震空間格架信息和其它先驗信息作為輸入,該結構的每一結點都與上一層的所有結點相連,將地層格架高維特征映射到樣本標記空間,層間運算關系如下:

Yi+1=Wi·Yi

(1)

其中,Yi和Yi+1分別表示第i層和第i+1層的輸入,Wi表示第i層到第i+1層的連接權重矩陣,“·”表示點乘運算。

2) 建立局部連接的網(wǎng)絡作為混合深度學習網(wǎng)絡的支網(wǎng)二。支網(wǎng)二以地震數(shù)據(jù)作為輸入,層間運算關系如下:

(2)

3) 將步驟1)和步驟2)中的支網(wǎng)運算結果求和,得到總網(wǎng)輸出。

利用局部連接的網(wǎng)絡對地震數(shù)據(jù)進行卷積運算,可以通過建立大小不同的卷積核,提取地震數(shù)據(jù)本身的特征。全局連接的結構對地震空間分布信息或其它地質(zhì)背景信息進行點乘運算,并與局部連接網(wǎng)絡的輸出合并計算,等價于將先驗信息加入深度學習網(wǎng)絡中,以解決樣本數(shù)量不對稱、樣本特征不典型的問題。

1.2 砂巖含量遮擋的樣本集構建

深度學習建模方法依賴于數(shù)據(jù)。充分的數(shù)據(jù)和良好的分布是保證模型訓練精度的兩個必要條件[14]。在致密儲層甜點識別中,常常面臨測井數(shù)據(jù)分布不均勻、有效值與背景值比例不均衡的問題。圖2a 為孔隙度曲線,其值大部分為0。圖2b顯示了孔隙度數(shù)據(jù)分布情況。由圖2b可見,孔隙度曲線中零值的比例占83%,有效值僅17%,樣本非均衡問題嚴重。如果采用全采樣方式建立學習樣本集,會造成網(wǎng)絡訓練出現(xiàn)偏差[15]。圖2c為孔隙度與砂巖含量(Vsand)散點交會圖。由圖2c可見,低孔隙度背景值主要分布在低Vsand區(qū)域(藍色橢圓位置)。根據(jù)孔隙度數(shù)據(jù)的分布特點,以Vsand曲線為約束,建立砂巖含量遮擋的樣本集構建方法,步驟如下:

圖2 孔隙度測井統(tǒng)計分析a 孔隙度曲線; b 孔隙度數(shù)據(jù)分布情況; c 孔隙度與砂巖含量散點交會結果

1) 以砂巖含量曲線為約束條件設置閾值,保留高于閾值部分的對應深度孔隙度值;

2) 分析步驟1)中孔隙度有效值與背景值的比例。當有效值比例明顯高于背景值時,將砂巖含量曲線閾值減小;有效值比例明顯低于背景值時,將砂巖含量曲線閾值增大;

3) 返回步驟1),直到有效值與背景值比例大致相當,確定符合閾值條件的孔隙度數(shù)據(jù);

4) 利用篩選出的孔隙度值和對應深度周圍的地震數(shù)據(jù)構建網(wǎng)絡訓練樣本集。

1.3 實現(xiàn)過程

結合上述方法,基于混合深度學習網(wǎng)絡的致密儲層甜點預測實現(xiàn)過程為:

1) 根據(jù)研究區(qū)實際地質(zhì)情況,對測井、地震數(shù)據(jù)進行時深標定;

2) 利用地震層位信息,搭建時間域地層格架;

3) 將井中的砂巖含量曲線作為期望輸出,井旁地震數(shù)據(jù)和相應空間格架信息作為輸入,對混合深度學習網(wǎng)絡進行訓練;

4) 將工區(qū)內(nèi)的地震數(shù)據(jù)及其空間格架信息輸入到訓練好的網(wǎng)絡,得到整個工區(qū)的砂巖含量值;

5) 利用1.2節(jié)所述的砂巖含量曲線遮擋方法,構建孔隙度訓練樣本集;

6) 將孔隙度訓練樣本集作為期望輸出,井旁地震數(shù)據(jù)及其對應的空間格架信息以及步驟4)所得的砂巖含量值一起作為輸入,對混合深度學習網(wǎng)絡進行訓練;

7) 將工區(qū)內(nèi)的地震數(shù)據(jù)及其對應的空間格架信息以及步驟4)所得的砂巖含量值一起輸入至訓練好的深度學習網(wǎng)絡,得到孔隙度值;

8) 聯(lián)合儲層砂巖含量和孔隙度值,進行甜點識別。

2 方法應用及結果分析

2.1 研究區(qū)致密甜點識別難點

將本文基于混合深度學習網(wǎng)絡的甜點預測方法用于鄂爾多斯盆地東北部上古生界的致密儲層甜點預測。本區(qū)致密砂巖儲層普遍具有地層薄、孔隙度低等特征,物性較差。自下而上發(fā)育元古界、古生界、中生界和新生界地層,有兩套含氣層系,分別為上古生界碎屑巖和下古生界碳酸鹽巖。上古生界石盒子組為主力含氣層,其組內(nèi)盒4、盒6、盒8段河道分期發(fā)育,含氣性較好,孔隙度甜點發(fā)育。氣層縱向上、下疊置,厚度一般小于10m,以大型巖性圈閉為主,具有面積大、豐度低的特征。該地區(qū)高孔隙度甜點識別存在以下難點:

1) 井中孔隙度曲線大部分數(shù)值為0,僅有少數(shù)有效值(圖2a),難以用地震反演方法進行預測;

2) 地震數(shù)據(jù)分辨率低。如圖3所示,左側為測井數(shù)據(jù),其中黃色區(qū)域為砂巖發(fā)育區(qū),灰色區(qū)域為泥巖發(fā)育區(qū);右側為井周圍的地震道集數(shù)據(jù)。由圖3可以看出,矩形框內(nèi)的甜點儲層厚度僅為2.7m,在地震記錄中無法識別。

圖3 薄層及其對應的地震道集

2.2 網(wǎng)絡訓練參數(shù)及預測結果分析

首先進行本區(qū)砂巖含量遮擋的訓練樣本集構建,如圖4所示。當Vsand閾值為0.70時,孔隙度測井曲線中有效值比例達86%,遠大于背景值比例,需要將閾值減小;將閾值設為0.10時,孔隙度測井曲線中有效值比例僅為24%,需要將閾值增大;當閾值為0.27時,有效值與背景值比例相當,為最佳閾值。在此閾值約束下構建孔隙度訓練樣本集。

圖4 不同Vsand閾值遮擋下的孔隙度樣本數(shù)據(jù)分布

研究區(qū)內(nèi)有40口井,隨機選取其中的36口井作為訓練井,其余井作為驗證井對預測結果進行精度分析。訓練樣本的輸入變量為井旁地震數(shù)據(jù)和地層格架信息,輸出變量為測井數(shù)據(jù)。

在進行砂巖含量參數(shù)預測時,支網(wǎng)一的輸入層包含3個神經(jīng)元節(jié)點,用于輸入地層空間格架信息,即線號、道號和層位值。在進行孔隙度預測時,支網(wǎng)一的輸入層包含4個節(jié)點,除輸入地層空間格架信息外,還輸入砂巖含量值。隱藏層僅1層即可,由9個神經(jīng)元節(jié)點構成;輸出層包含1個神經(jīng)元,用于加載對應位置的測井孔隙度數(shù)據(jù)。也就是說,在進行砂巖含量參數(shù)預測時,支網(wǎng)一的網(wǎng)絡結構為3-9-1;在進行孔隙度參數(shù)預測時,支網(wǎng)一的網(wǎng)絡結構為4-9-1。支網(wǎng)二包含兩層局部連接層,其卷積核大小分別為8×3和4×1,激活函數(shù)為ReLU函數(shù)。支網(wǎng)二輸入地震數(shù)據(jù)本身,其大小是以目標采樣點為中心,提取縱向30ms、橫向3道的地震數(shù)據(jù),輸出層和支網(wǎng)一共用同一個節(jié)點。利用此網(wǎng)絡結構先預測砂巖含量值,在此基礎上再預測孔隙度值,即先進行儲層預測,再進行物性預測。預測砂巖含量時采用均方根池化方式,預測孔隙度時采用最大池化方式。

圖5a為過W2、W7、W8井的連井地震剖面;圖5b 和圖5c分別為采用混合深度學習網(wǎng)絡和傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的砂巖含量剖面。圖5中W2、W8井為訓練井,W7井為驗證井。對比圖5a和圖5b 可以看出,混合深度學習網(wǎng)絡預測的砂巖含量剖面,垂向分辨率高于地震數(shù)據(jù),同時反映了儲層的橫向非均質(zhì)變化特征。對比圖5b和圖5c可以看出,混合深度學習網(wǎng)絡預測的砂巖含量剖面,垂向分辨率高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡的預測結果。同時,在W2井H8層附近(圖5b中紅色橢圓位置)的富砂儲層能夠被清晰識別,并與W2井的砂巖含量曲線高度吻合。在驗證井W7井H8層(圖5b中黑色橢圓位置)附近,預測結果為富砂儲層,與W7井的砂巖含量曲線相符,說明本文方法對薄砂巖儲層的預測效果良好。

圖6a和圖6b分別為采用混合深度學習網(wǎng)絡和傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的孔隙度剖面。其中,W2井、W8井為訓練井,W7井為驗證井。對比圖6a和圖6b可以看出,混合深度學習網(wǎng)絡預測的孔隙度剖面分辨率高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡的預測結果,橫向變化也符合圖5中地震剖面特征。在W2井的H8層附近(圖6a中紅色橢圓位置)的高孔隙度儲層被識別出來,并與W2井的孔隙度曲線匹配;在驗證井W7井的H8層附近(圖6a中黑色橢圓位置)預測結果為低孔隙度,同樣與W7井的孔隙度曲線相符,說明混合深度學習網(wǎng)絡能有效預測孔隙度值。

由圖5b和圖6a可以看出,W2井H8層(紅色橢圓位置)砂巖含量高,孔隙度值也高,為優(yōu)質(zhì)甜點;W7井H8層(黑色橢圓位置)砂巖含量高,但孔隙度低,說明儲層物性不好;W8井H8層(紫色橢圓位置)砂巖含量低,同時孔隙度也低,不是儲層。因此,結合砂巖含量和孔隙度剖面,能有效識別本區(qū)的甜點儲層。

圖5 連井地震剖面及采用不同方法預測的砂巖含量剖面a 連井地震剖面; b 混合深度學習網(wǎng)絡預測的砂巖含量剖面; c 傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的砂巖含量剖面

圖6 不同方法預測的孔隙度剖面a 混合深度學習網(wǎng)絡預測的孔隙度剖面; b 傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的孔隙度剖面

為了直觀地對比本文方法和傳統(tǒng)卷積神經(jīng)網(wǎng)絡方法預測結果,抽取兩種方法預測的W8井位置的砂巖含量曲線和孔隙度曲線與原始測井曲線進行對比,如圖7所示。由圖7可見,混合深度學習網(wǎng)絡預測的砂巖含量曲線與井中砂巖含量曲線的吻合率明顯高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的砂巖含量曲線;混合深度學習網(wǎng)絡預測的孔隙度曲線與原始孔隙度曲線吻合率遠高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的孔隙度曲線。究其原因,雖然卷積神經(jīng)網(wǎng)絡能夠從數(shù)據(jù)本身挖掘有效信息,但在測井與地震數(shù)據(jù)聯(lián)合進行儲層參數(shù)預測時,存在一些問題:①地震數(shù)據(jù)多,測井數(shù)據(jù)少且空間分布不規(guī)則;②相同的地震數(shù)據(jù)對應不同的測井值,反之,相同的測井數(shù)據(jù)對應不同的地震數(shù)據(jù),也就是說,測井與地震數(shù)據(jù)不存在良好的一一對應關系。地震測井聯(lián)合參數(shù)預測不僅標簽不充分,而且存在大量互相矛盾的標簽。這是導致傳統(tǒng)神經(jīng)網(wǎng)絡預測效果不好的原因。針對此問題,引入線道號和層位信息,與地震、測井數(shù)據(jù)一起參與訓練。這樣,雖然相同的地震數(shù)據(jù)對應不同的測井值,但是它們的空間位置不同,標簽不再互相矛盾,從而極大提高了預測結果的穩(wěn)定性。

圖7 采用不同方法預測的W8井砂巖含量(a)和孔隙度(b)曲線

圖8顯示了混合深度學習網(wǎng)絡和傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的砂巖含量誤差曲線;圖9顯示了混合深度學習網(wǎng)絡和傳統(tǒng)卷積神經(jīng)網(wǎng)絡預測的孔隙度誤差曲線。由圖8 和圖9可以看出,雖然兩種網(wǎng)絡對砂巖含量和孔隙度訓練樣本的學習都能達到很高的精度,訓練誤差曲線都能夠很好地收斂,但混合深度學習網(wǎng)絡的驗證誤差小,砂巖含量的相對誤差僅為8%,孔隙度的相對誤差為10%;相比之下,傳統(tǒng)卷積神經(jīng)網(wǎng)絡的驗證誤差較大,砂巖含量的相對誤差為30%,孔隙度的誤差接近40%。

圖8 混合深度學習網(wǎng)絡(a)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(b)預測的砂巖含量誤差曲線

圖9 混合深度學習網(wǎng)絡(a)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(b)預測的孔隙度誤差曲線

3 結論

針對現(xiàn)有深度學習模型無法直接用于測井與地震聯(lián)合的甜點預測問題,根據(jù)測井數(shù)據(jù)和地震數(shù)據(jù)的空間分布特點和數(shù)據(jù)分布特點,結合全局和局部連接網(wǎng)絡,有針對性地創(chuàng)建了適用于致密儲層甜點預測的混合深度學習網(wǎng)絡結構,其中局部連接網(wǎng)絡負責學習數(shù)據(jù)分布特征,全局連接網(wǎng)絡負責學習空間分布特征。將該方法應用于鄂爾多斯盆地東北部的上古生界儲層甜點預測。

首先針對測井砂巖含量值、孔隙度值與地震反射特征之間缺乏明確正演模型的問題,利用深度學習網(wǎng)絡的自我學習能力,從地震數(shù)據(jù)和測井數(shù)據(jù)本身挖掘信息,進行儲層甜點識別。在孔隙度數(shù)據(jù)訓練時,針對孔隙度測井曲線不連續(xù)、樣本不均衡的問題,提出了砂巖含量遮擋的訓練樣本集構建方法。鄂爾多斯盆地東北部的甜點識別結果表明:混合深度學習網(wǎng)絡的預測結果準確度高,能夠有效識別較薄的高孔隙度甜點,反映甜點的橫向非均質(zhì)特征。