基于DMC-BiLSTM的沉積微相智能識(shí)別方法

羅仁澤,周 洋,康麗俠,李興宇,郭 亮,庹娟娟

(1.西南石油大學(xué)油氣藏地質(zhì)及開發(fā)工程國家重點(diǎn)實(shí)驗(yàn)室,西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院,四川成都610500;2.中國石油長慶油田分公司,寧夏銀川750005)

沉積微相是油氣勘探開發(fā)工作中至關(guān)重要的研究內(nèi)容之一,尤其對于明確剩余油富集區(qū)產(chǎn)量預(yù)測起著重要作用。傳統(tǒng)沉積微相劃分中,常以研究前人成果、區(qū)域沉積背景為基礎(chǔ),通過古生物學(xué)和沉積學(xué)等理論結(jié)合關(guān)鍵井巖心相標(biāo)志分析,確定研究區(qū)內(nèi)沉積類型;結(jié)合多種測井曲線形態(tài)特征,綜合分析巖石厚度、粒度等特征,劃分研究區(qū)沉積微相[1-2]。多種資料交叉分析的過程復(fù)雜且繁瑣,很難找出沉積相與各種測井?dāng)?shù)據(jù)之間的定性映射關(guān)系。

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,機(jī)器學(xué)習(xí)在沉積微相上的運(yùn)用主要方法有:BP神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(jī)(SVM)[4]、模糊聚類神經(jīng)網(wǎng)絡(luò)[5]、KNN算法[6]和貝葉斯算法[7],然而,這些機(jī)器學(xué)習(xí)算法仍存在自身局限性,在很多情況下不能滿足沉積微相識(shí)別要求。BP神經(jīng)網(wǎng)絡(luò)雖然實(shí)現(xiàn)了輸入到輸出的映射功能,具有較強(qiáng)的非線性映射能力,但是BP神經(jīng)網(wǎng)絡(luò)收斂速度慢,容易陷入局部極小化,導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗,同時(shí)無法觀察學(xué)習(xí)過程,輸出結(jié)果難以理解;SVM算法在分類效果上表現(xiàn)很好,但是,對大規(guī)模訓(xùn)練樣本存在分類難的問題,參數(shù)調(diào)優(yōu)過程比較繁瑣。模糊聚類分析對噪聲和異常值很敏感,但其結(jié)果不穩(wěn)定;KNN算法計(jì)算量過大,樣本不平衡時(shí),對少數(shù)量樣本預(yù)測準(zhǔn)確率低;貝葉斯算法對多分類問題很有效,對待測樣本預(yù)測,過程簡單且速度快,但是它有分布獨(dú)立的假設(shè)前提,而現(xiàn)實(shí)中預(yù)測問題很難完全獨(dú)立。……