地震屬性驅(qū)動的條件生成對抗網(wǎng)絡(luò)沉積微相模型構(gòu)建

中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A

Abstract：Duetothecomplexityand strong heterogeneityof stratigraphic structure，aswellasthelimitedavailabilityoflogging，core，andoil testing data，existing sedimentarymicrofacies modeling methods struggle toachieve acurateresults.To address this challenge，anew modeling approach basedon conditional generative adversarial networks（cGANs）was proposed.This methodutilizes greycorrelation analysis tocalculate thedegree ofcorelationbetween various seismicattributes andthesand-to-groundratio，thereby identifying atributes with strong predictiverelevance.These selectedseismicatribute imagesare thenusedas inputs toaconvolutional neural network，whichisemployed to constructaprediction model for the sand-to-groundratio.Theresulting predictions are visualizedasathermal map，which，combined with wellog phasediagrams，servesasajointconstraintfortraining thegenerativeadversarialnetwork．Basedonthis，asedimentarymicrofacies generation model is developed toenableaccurate modelingof sedimentarymicrofacies.This methodwasapplied toacase studyof an oilfieldin eastern China.Theresults demonstratethatthecGAN-based modelcan efectivelycapturecomplex geological patterns，achieving a well-point coincidence rate of 94.1%

Keywords：conditional generative adversarial network；deep learning；sedimentary microfacies；sand-to-groundratio；gre！ correlation；convolutional neural network

期川反陰段，佃氣貝源八多分布仕發(fā)東、難川反時區(qū)域[3」，且受到測井、巖心、試油等數(shù)據(jù)不足的影響，現(xiàn)有沉積微相建模方法[4-7]難以實現(xiàn)精確建模。因此剩余資源的開發(fā)則對儲層沉積微相的精確建模提出了更高的要求。傳統(tǒng)沉積微相建模方法主要包括序貫指示模擬方法[8-9]、多點(diǎn)地質(zhì)統(tǒng)計學(xué)模擬方法[10-13]和基于目標(biāo)的隨機(jī)模擬方法[14-18」。多點(diǎn)地質(zhì)統(tǒng)計學(xué)模擬方法雖然在模擬過程中考慮了非線性地質(zhì)特征，但是由于訓(xùn)練圖像平穩(wěn)性問題會導(dǎo)致模型出現(xiàn)斷裂或者不自然的過渡。序貫指示模擬方法通過逐步模擬地質(zhì)模型的每個像元，從而逼近真實地質(zhì)結(jié)構(gòu)，但離散的像元表示可能導(dǎo)致對細(xì)節(jié)地質(zhì)特征的捕捉不足。基于目標(biāo)的隨機(jī)模擬方法可以很好刻畫復(fù)雜地質(zhì)體幾何形態(tài)，但隨機(jī)性可能導(dǎo)致相鄰地點(diǎn)模擬結(jié)果差異較大。隨著人工智能算法研究的不斷推進(jìn)，以及地球物理與人工智能跨專業(yè)融合的日益深入，諸多學(xué)者應(yīng)用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型開展沉積微相建模工作。例如，王天云等[19]設(shè)計了一種無監(jiān)督神經(jīng)網(wǎng)絡(luò)地震屬性聚類方法，并應(yīng)用到艾特格勒凹陷北次凹，得到較為準(zhǔn)確的地震相-沉積相分析結(jié)果。孟欣然等[20]基于FILTERSIM算法實現(xiàn)對沉積相建模，對井?dāng)?shù)據(jù)較少的地質(zhì)體建模效果較好。王喜鑫等2采用聚類分析地震屬性融合與深度學(xué)習(xí)地震屬性融合相結(jié)合的方法，對河流相儲層進(jìn)行砂體構(gòu)型精細(xì)解釋。王凱等[22]基于模糊C-均值算法的多屬性聚類分析方法，并結(jié)合RGB多屬性融合技術(shù)，建立了一種適用于少井區(qū)的沉積微相刻畫方法。生成對抗網(wǎng)絡(luò)（GAN）[23]作為一種先進(jìn)的深度學(xué)習(xí)模型，可以很好地抽象并復(fù)現(xiàn)物體的空間模式特征。在巖石薄片圖像重建[24-26]、地震數(shù)據(jù)去噪[27-29]數(shù)字巖心重構(gòu)[30-32]等領(lǐng)域有著成功的應(yīng)用。多位學(xué)者將此方法應(yīng)用于地質(zhì)建模，根據(jù)有無條件約束分為無條件約束地質(zhì)建模和有條件約束地質(zhì)建模兩種情況。無條件約束情況是指將原始生成對抗網(wǎng)絡(luò)直接用于地質(zhì)建模，例如Laloy 等[33]訓(xùn)練生成對抗網(wǎng)絡(luò)模型，生成與已有地質(zhì)模型相似的河道相模型。Nesvold 等[34]利用衛(wèi)星圖像訓(xùn)練生成對抗網(wǎng)絡(luò)，生成逼真的河流三角洲沉積相圖像。Song 等[35]將生成對抗網(wǎng)絡(luò)漸進(jìn)增長的訓(xùn)練過程與地質(zhì)建模相結(jié)合，形成了漸進(jìn)增長生成對抗網(wǎng)絡(luò)的河道相建模方法。但是無條件約束情況下僅學(xué)到地質(zhì)模式知識，無法構(gòu)建吻合給定條件數(shù)據(jù)的地質(zhì)模型，因此基于條件生成對抗網(wǎng)絡(luò)的地質(zhì)建模方法被提出并研究，例如Gao 等[36]以西湖坳陷西坡帶蜿蜒河三角洲沉積區(qū)為例，提出了一種基于條件生成對抗網(wǎng)絡(luò)的曲流江三角洲儲層建模方法。Fan等[37]提出了具有梯度懲罰的Wasserstein生成對抗網(wǎng)絡(luò)（WGAN-GP），通過輸入不同類型的條件數(shù)據(jù)實現(xiàn)地質(zhì)模型重建。胡勇等[38]開展了基于條件生成對抗網(wǎng)絡(luò)的曲流河建模研究，并建立滿足曲流河復(fù)雜形態(tài)和井點(diǎn)數(shù)據(jù)的曲流河模型。但是這些方法都基于已有井相數(shù)據(jù)作為約束條件，忽略了全局地質(zhì)特征對沉積微相模型的影響，因此筆者提出一種地震屬性驅(qū)動的條件生成對抗網(wǎng)絡(luò)沉積微相建模方法，采用灰色關(guān)聯(lián)分析算法，挖掘?qū)ι暗乇葏?shù)關(guān)聯(lián)性較強(qiáng)的地震屬性，優(yōu)選地震屬性圖像作為卷積神經(jīng)網(wǎng)絡(luò)模型輸人，得到砂地比預(yù)測結(jié)果并可視化成圖，將局部特征（井相數(shù)據(jù)）和全局特征（砂地比）作為聯(lián)合約束條件，訓(xùn)練條件生成對抗網(wǎng)絡(luò)，學(xué)習(xí)沉積微相分布規(guī)律及約束條件與沉積微相之間的聯(lián)系，生成更加精準(zhǔn)可控的沉積微相圖。

1方法原理

1.1 基于灰色關(guān)聯(lián)的敏感參數(shù)分析

灰色關(guān)聯(lián)分析（GRA）是一種研究多個因素之間的關(guān)聯(lián)程度和相互影響的統(tǒng)計方法，其基本思想是通過計算兩因素之間的關(guān)聯(lián)度，來揭示各因素之間的關(guān)聯(lián)程度。本文中采用灰色關(guān)聯(lián)算法挖掘與砂地比參數(shù)關(guān)聯(lián)性較強(qiáng)的地震屬性，將砂地比序列設(shè)置為參考序列，將地震屬性弧長、平均能量、均方根振幅、振幅峰度、振幅方差、平均瞬時相位、總絕對振幅等序列作為比較序列；對各地震屬性數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除參數(shù)間的量綱差異；計算砂地比與各地震屬性之間的關(guān)聯(lián)度，并基于關(guān)聯(lián)度對地震屬性進(jìn)行排序，選擇與砂地比參數(shù)具有高關(guān)聯(lián)度的地震屬性作為構(gòu)建砂地比預(yù)測的參數(shù)。灰色關(guān)聯(lián)度計算步驟[39]如下：

（1）確定分析序列。砂地比可表示為

Y=y（k），k=1，2，…，n.

地震屬性可表示為

X_i=x_i（k），k=1，2，…，n;i=1，2，…，m. （2）式中， y（k） 為砂地比第 k 條樣本數(shù)值； x_i（k） 為第 i 個地震屬性的第 k 條樣本數(shù)值； n 為樣本數(shù)； m 為地震屬性個數(shù)。

（2）對序列做無量綱化處理。各地震屬性序列量綱差異過大，所以對各地震屬性數(shù)據(jù)進(jìn)行歸一化

處理，即

式中， minX_i 為第 i 個地震屬性序列的最小值; maxX_i 為第 i 個地震屬性序列的最大值

（3）求關(guān)聯(lián)系數(shù)。

式中， Δmin 和 Δmax 為倆分析序列中相鄰元素之差的最小值和最大值； Δ_?i（k） 為第 i 個地震屬性與砂地比參數(shù)的第 k 個相鄰元素之差； ?_ρ 為分辨系數(shù)， 0lt;ρlt; 1，一般取 ρ=0.5 。

（4）計算關(guān)聯(lián)度。

1. 2 基于卷積神經(jīng)網(wǎng)絡(luò)的砂地比預(yù)測

卷積神經(jīng)網(wǎng)絡(luò)[40]是一種深度前饋神經(jīng)網(wǎng)絡(luò)，通過卷積、池化及激活函數(shù)映射等操作，將原始輸入圖像抽象為更高層次的特征表示，學(xué)習(xí)輸入數(shù)據(jù)復(fù)雜模式和關(guān)聯(lián)關(guān)系，最后網(wǎng)絡(luò)通過特征到目標(biāo)的映射，完成對目標(biāo)任務(wù)的有效學(xué)習(xí)和表達(dá)。基本架構(gòu)通常由輸入層、卷積層、池化層、全連接層及輸出層組成。輸人層是輸人卷積神經(jīng)網(wǎng)絡(luò)的原始數(shù)據(jù)或者經(jīng)過預(yù)處理后的數(shù)據(jù)；卷積層通過卷積操作使用卷積核與輸入特征圖進(jìn)行卷積運(yùn)算，提取特征圖特征。

池化層通過降采樣的方式減小特征圖空間維度，同時保留圖像重要特征；全連接層將每個神經(jīng)元都與前一層的所有神經(jīng)元相連，實現(xiàn)全局特征信息的傳遞和整合；輸出層通常跟隨在全連接層之后，根據(jù)任務(wù)目標(biāo)實現(xiàn)網(wǎng)絡(luò)的最終輸出。

本文中將以井點(diǎn)為中心、小層平面 6×6 地震道范圍的優(yōu)選地震屬性圖像作為訓(xùn)練數(shù)據(jù)，將井位置處的砂地比數(shù)值作為訓(xùn)練標(biāo)簽，每條樣本數(shù)據(jù)包含6個優(yōu)選的地震屬性圖像和1個井點(diǎn)位置的砂地比數(shù)據(jù)。基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)小層砂地比數(shù)值預(yù)測，并將小層砂地比預(yù)測結(jié)果可視化成圖，以約束沉積微相圖的生成。設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖1所示，由輸入層、3層卷積層、3層池化層、1層全連接層和輸出層構(gòu)成。

卷積層利用卷積核在輸入圖像上滑動，執(zhí)行卷積操作，以提取地震屬性圖像中的特征信息。本文中采用三層卷積層對輸入圖像進(jìn)行卷積處理，通過每層卷積層學(xué)習(xí)不同層次特征，以提高模型對輸入數(shù)據(jù)的抽象和表達(dá)能力，卷積層的卷積窗口為 3×3 步長設(shè)置為1，采用“same\"補(bǔ)齊方式，對特征圖的邊緣進(jìn)行補(bǔ)零，避免在卷積操作中產(chǎn)生損失邊緣信息的問題，卷積通道分別設(shè)置為32、64和128，采用逐漸增加通道數(shù)的結(jié)構(gòu)有利于網(wǎng)絡(luò)對圖像特征的學(xué)習(xí)，采用ReLU激活函數(shù)，使卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)復(fù)雜的非線性映射關(guān)系，并緩解訓(xùn)練過程中的梯度消失問題。

池化層采用最大池化方法對特征圖進(jìn)行下采樣，降低特征圖的空間維度，同時保留輸入圖像重要的特征信息，本文中在每層卷積層后連接一層池化層，逐步縮小特征圖的尺寸，使得網(wǎng)絡(luò)更加適應(yīng)不同層次的抽象表示，池化窗口設(shè)置為 2×2 ，用相對較小的窗口，確保在下采樣的同時保留更多的特征信息。

全連接層包含128個神經(jīng)元，采用Linear線性激活函數(shù)，用于整合所有提取的特征并生成砂地比參數(shù)的數(shù)值預(yù)測結(jié)果。為了衡量預(yù)測結(jié)果與真實結(jié)果之間的差異，采用均方根誤差作為損失函數(shù)，通過梯度下降優(yōu)化算法，不斷調(diào)整模型參數(shù)，使模型更加準(zhǔn)確地預(yù)測砂地比數(shù)值結(jié)果。

1.3基于條件生成對抗網(wǎng)絡(luò)的沉積微相模型構(gòu)建

生成對抗網(wǎng)絡(luò)（GAN）是Goodfellow等[23]提出的一種深度學(xué)習(xí)模型，生成對抗網(wǎng)絡(luò)由生成器G和鑒別器D組成，通過生成器和鑒別器的對抗性訓(xùn)練實現(xiàn)圖像的生成。生成器負(fù)責(zé)生成逼真的目標(biāo)圖像，鑒別器負(fù)責(zé)判別輸入數(shù)據(jù)的真?zhèn)危谀Ｐ陀?xùn)練過程中生成器生成虛假數(shù)據(jù)試圖欺騙鑒別器，使其無法區(qū)分生成數(shù)據(jù)和真實數(shù)據(jù)，而鑒別器則盡量將生成數(shù)據(jù)與真實數(shù)據(jù)區(qū)分開來，并且通過對抗的方式促使生成器不斷提高生成圖像的逼真程度，同時鑒別器也不斷提升對真實數(shù)據(jù)和生成數(shù)據(jù)的判別能力，直至達(dá)到納什平衡。

生成對抗網(wǎng)絡(luò)將隨機(jī)噪聲作為輸人，生成的樣本具有隨機(jī)性，難以直接控制生成結(jié)果，為解決這一難題，可以應(yīng)用條件生成對抗網(wǎng)絡(luò)（cGAN）。條件生成對抗網(wǎng)絡(luò)通過在生成器和鑒別器的輸人引入了條件信息，以生成準(zhǔn)確且滿足特定條件的圖像，使得條件生成對抗網(wǎng)絡(luò)在生成圖像過程中可以收到外部條件的指導(dǎo)，為生成任務(wù)引入了更多的控制性。本文中采用砂地比和井相聯(lián)合作為生成對抗網(wǎng)絡(luò)的條件，以約束生成主河道、河道側(cè)翼及河漫泥3種類型沉積微相，模型由生成器和鑒別器兩個組件構(gòu)成。

生成器采用U-Net網(wǎng)絡(luò)結(jié)構(gòu)，由編碼器和解碼器組成，輸入是井相圖、砂地比圖及隨機(jī)噪聲的聯(lián)合向量，作為沉積微相圖生成的聯(lián)合約束條件。在編碼器部分采用4個卷積層，卷積通道分別設(shè)置為64、128、256、512，卷積核大小均為 4×4 ，步長為2，采用“same\"補(bǔ)齊方式，在每個卷積層后添加歸一化層和ReLU激活函數(shù)，提高網(wǎng)絡(luò)收斂速度和穩(wěn)定性。在解碼器部分采用3個轉(zhuǎn)置卷積層，卷積通道分別設(shè)置為512、256、128，卷積核大小均為 4×4 ，步長為2，進(jìn)行特征圖的上采樣，逐漸恢復(fù)到原始圖像的尺寸，每個轉(zhuǎn)置卷積層后跟隨著歸一化層和ReLU激活函數(shù)，在解碼器的最后添加了1個卷積層，將特征圖通道數(shù)轉(zhuǎn)化為輸出圖像的通道數(shù)3，使用Tanh激活函數(shù)將輸出圖像的像素縮放到-1，1的范圍內(nèi)，生成器網(wǎng)絡(luò)的卷積核大小均為 3×3 。在編碼器和解碼器之間采用跳躍連接，將編碼器提取圖像特征直接傳遞到解碼器的相應(yīng)層中，緩解生成圖像過程中特征丟失問題，保留圖像的細(xì)節(jié)信息，提高生成圖像的質(zhì)量，生成器的目標(biāo)是生成符合砂地比和井相數(shù)據(jù)約束條件的沉積微相圖。

鑒別器的輸人是條件信息、真實圖像及生成圖像，鑒別器的目標(biāo)是在給定條件信息的情況下評估樣本的真實性。鑒別器采用局部判別策略，將生成圖像、真實圖像及條件信息相應(yīng)分割成 n×n 個小塊，對每個局部區(qū)域進(jìn)行獨(dú)立的判別，最終輸出一個δ_n×n 的矩陣，以該矩陣的平均值作為判斷沉積微相圖真假的最終結(jié)果，這種策略使得鑒別器更加關(guān)注圖像的局部結(jié)構(gòu)和細(xì)節(jié)，提高對圖像細(xì)節(jié)的敏感性，從而更準(zhǔn)確地評估生成圖像與真實圖像之間的差異。鑒別器由5個卷積層組成，卷積核大小均為 4× 4，在每個卷積層后添加批歸一化層和LeakyReLU激活函數(shù)，前4個卷積層卷積步長為2，最后1個卷積層步長為1，最后得到判別矩陣，判別矩陣經(jīng) Sig-moid激活函數(shù)激活處理后，數(shù)值將被映射到0到1之間，代表著對應(yīng)圖像局部區(qū)域的真實/虛假概率，大于0.5的值被視為真實，小于等于0.5的值被視為虛假。

為提高生成圖像質(zhì)量，在cGAN損失函數(shù)基礎(chǔ)上加入了 L₁ 懲罰項，因此損失函數(shù)為

L=L_cGAN+λL₁.

其中

L_cGAN=E_x-p（x）[logD（x|y）]+E_z-p（z）[log（1-D（G（z|）））]， （204號 y）]

式中， λ 為超參數(shù)； L_cGAN 為條件生成對抗網(wǎng)絡(luò)的損失函數(shù)； x 為沉積微相圖像數(shù)據(jù)； z 為隨機(jī)噪聲； y 為條件數(shù)據(jù)； D（x|y） 為鑒別器的判定結(jié)果； G（z∣_Y） 為生成器生成的沉積微相圖像

L₁ 懲罰項為生成圖像與對應(yīng)真實圖像的像素差的絕對值之和，公式如下：

L₁=|x-G（z|y）|.

1.4 地震屬性驅(qū)動的條件生成對抗網(wǎng)絡(luò)沉積微相模型構(gòu)建

為建立更加精確的沉積微相模型，本文中提出一種地震屬性驅(qū)動的條件生成對抗網(wǎng)絡(luò)沉積微相模型構(gòu)建方法。如圖2所示，首先基于灰色關(guān)聯(lián)分析算法對地震屬性進(jìn)行敏感參數(shù)分析，計算各地震屬性與砂地比的關(guān)聯(lián)度，挖掘?qū)ι暗乇葏?shù)敏感的地震屬性；將以井點(diǎn)為中心的優(yōu)選地震屬性二維圖片作為輸人，訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)砂地比的精準(zhǔn)預(yù)測，并將小層砂地比預(yù)測結(jié)果可視化成圖；將砂地比數(shù)據(jù)與井相數(shù)據(jù)作為聯(lián)合約束條件，訓(xùn)練條件生成對抗網(wǎng)絡(luò)，學(xué)習(xí)沉積微相分布規(guī)律及約束條件與沉積微相之間的聯(lián)系，構(gòu)建沉積微相生成模型，實現(xiàn)小層沉積微相的精確建模

圖2沉積微相建模技術(shù)架構(gòu)

Fig.2Architecture of sedimentary microfacies modeling technology

2 應(yīng)用實例

東部地區(qū)某油田小層沉積環(huán)境為重力流沉積，主要包括主河道、河道側(cè)翼及河漫泥3種沉積微相類型。針對該研究區(qū)域的地震屬性數(shù)據(jù)及井相數(shù)據(jù)，應(yīng)用本文中提出的地震屬性驅(qū)動的條件生成對抗網(wǎng)絡(luò)沉積微相模型構(gòu)建方法對小層沉積微相進(jìn)行精準(zhǔn)建模。

2.1 灰色關(guān)聯(lián)分析

提取研究區(qū)域目的層井點(diǎn)處弧長、平均能量、均方根振幅、平均絕對振幅、振幅峰度、振幅方差、平均瞬時相位等共計24個地震屬性作為分析對象，基于灰色關(guān)聯(lián)算法，對這些地震屬性與砂地比參數(shù)進(jìn)行關(guān)聯(lián)分析，計算各地震屬性與砂地比的關(guān)聯(lián)度，用于評估它們之間的關(guān)聯(lián)性，并選擇關(guān)聯(lián)度高的地震屬性作為砂地比預(yù)測模型訓(xùn)練所用參數(shù)。灰色關(guān)聯(lián)分析結(jié)果如圖3所示，平均能量、平均絕對振幅、均方根振幅、瞬時頻率斜率、總絕對振幅、振幅變化這6個地震屬性與砂地比參數(shù)的灰色關(guān)聯(lián)度均高于0.8，表明這些地震屬性與砂地比參數(shù)之間具有顯著的關(guān)聯(lián)性，因此選取這6種地震屬性作為砂地比預(yù)測參數(shù)。

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的砂地比預(yù)測

基于優(yōu)選地震屬性結(jié)果，對研究區(qū)域7個小層、34口井按照1.2所述方法進(jìn)行砂地比預(yù)測數(shù)據(jù)集的構(gòu)建，共得到238條數(shù)據(jù)。鑒于數(shù)據(jù)集的數(shù)據(jù)量較少，對優(yōu)選地震屬性圖像進(jìn)行了旋轉(zhuǎn)對稱處理，將每張地震屬性圖像擴(kuò)充為8張地震屬性圖像，最終構(gòu)建了包含1904條數(shù)據(jù)的砂地比預(yù)測數(shù)據(jù)集。

為了模型的訓(xùn)練和評估，選取9口井總計504條數(shù)據(jù)作為測試集，其余數(shù)據(jù)作為訓(xùn)練集。在模型訓(xùn)練過程中，選用均方根誤差作為損失函數(shù)，采用

Adam優(yōu)化器進(jìn)行模型參數(shù)的更新，設(shè)置學(xué)習(xí)率為0.001，迭代訓(xùn)練次數(shù)為500次。從圖4中訓(xùn)練集和測試集的誤差曲線可以看出，隨著迭代訓(xùn)練次數(shù)的增加，訓(xùn)練集和測試集誤差逐漸趨于平穩(wěn)，當(dāng)?shù)?xùn)練次數(shù)達(dá)到300次后，訓(xùn)練集誤差維持在低于0.04的水平，測試集誤差穩(wěn)定低于0.06，表明砂地比預(yù)測模型在經(jīng)過訓(xùn)練后取得了良好的效果。針對小層地震屬性數(shù)據(jù)，基于該模型對小層砂地比數(shù)值進(jìn)行預(yù)測，并將小層的砂地比預(yù)測結(jié)果可視化成圖，如圖5所示。

2.3基于條件生成對抗網(wǎng)絡(luò)的沉積微相生成

針對研究區(qū)域7個小層的沉積微相圖數(shù)據(jù)量較少的問題，首先對圖像進(jìn)行旋轉(zhuǎn)對稱操作，將每張原始圖像擴(kuò)充為8張圖像，得到56張沉積微相圖，對相應(yīng)小層砂地比圖像也做相同操作，得到56張小層砂地比結(jié)果圖像。其次，針對小層34口井隨機(jī)選取25口井進(jìn)行井相圖的繪制，每個小層繪制8張井相圖，每張井相圖包含25個井點(diǎn)，通過這種方式擴(kuò)充數(shù)據(jù)集。每個樣本包括1張沉積微相圖像（圖6（a））1張井相圖像（圖6（b））和1張砂地比圖像（圖5）。按照上述方法，構(gòu)建共計448條數(shù)據(jù)的數(shù)據(jù)集。

在訓(xùn)練過程中，模型輸入樣本設(shè)置為 256×256 每批次包含32個樣本，訓(xùn)練迭代次數(shù)為200，使用Adam優(yōu)化器，學(xué)習(xí)率設(shè)置為0.001。訓(xùn)練后模型生成的部分沉積微相圖結(jié)果如圖7所示，可以看出本文方法生成的沉積微相圖相較于序貫指示模擬結(jié)果和基于目標(biāo)的隨機(jī)模擬結(jié)果更加精確地刻畫了河道側(cè)翼類型的沉積微相；相較于多點(diǎn)地質(zhì)統(tǒng)計學(xué)模擬結(jié)果，本文方法在沉積微相展布方面呈現(xiàn)更加連貫的效果；與基于井相數(shù)據(jù)的cGAN方法結(jié)果相比，本文方法更加清晰地刻畫了不同沉積微相類型的邊界。表明本方法在刻畫沉積微相復(fù)雜空間結(jié)構(gòu)上有著優(yōu)異的效果，模型通過學(xué)習(xí)沉積環(huán)境中微相的空間分布和特征，清晰地刻畫了不同沉積微相之間的邊界。

為評估本方法沉積微相建模的精確程度，從7個小層的沉積微相圖中選取1個小層作為測試數(shù)據(jù)，向生成器中輸入該小層的砂地比圖和井相圖作為約束條件，最終生成該小層的沉積微相圖，并統(tǒng)計34口井在生成的沉積微相圖上的正確分類情況，分類結(jié)果如表1所示，通過計算井點(diǎn)處沉積微相分類準(zhǔn)確率用于評價沉積微相建模結(jié)果的精確程度。

結(jié)果表明，該小層34個井點(diǎn)位置，有32個被正確分類，正確率為 94.1% 。如表2所示，與現(xiàn)有沉積微相建模方法相比，本文方法對井點(diǎn)沉積微相分類的準(zhǔn)確率最高，證明了本文方法與現(xiàn)有沉積微相建模方法相比建模精確程度方面表現(xiàn)更為出色。

本文方法在基于井相數(shù)據(jù)的cGAN方法的基礎(chǔ)上引入了全局特征（砂地比），在測試數(shù)據(jù)上對井點(diǎn)沉積微相分類的準(zhǔn)確率進(jìn)行比較。結(jié)果表明，增加砂地比作為約束條件，生成沉積微相圖的井點(diǎn)沉積微相井點(diǎn)吻合率更高，河道側(cè)翼和不同沉積微相類型邊界刻畫更加精確，如圖8所示

3結(jié)束語

本文中設(shè)計了一種地震屬性驅(qū)動的條件生成對抗網(wǎng)絡(luò)沉積微相模型構(gòu)建方法，針對小層地震屬性數(shù)據(jù)，采用灰色關(guān)聯(lián)分析算法，挖掘與砂地比具有強(qiáng)關(guān)聯(lián)的地震屬性；基于優(yōu)選地震屬性，設(shè)計了基于卷積神經(jīng)網(wǎng)絡(luò)的砂地比預(yù)測方法，實現(xiàn)對小層砂地比的精準(zhǔn)預(yù)測；將砂地比數(shù)據(jù)與井相數(shù)據(jù)作為條件生成對抗網(wǎng)絡(luò)的聯(lián)合約束條件，訓(xùn)練條件生成對抗網(wǎng)絡(luò)模型，學(xué)習(xí)沉積微相分布規(guī)律及約束條件與沉積微相之間的聯(lián)系，最終得到沉積微相生成模型，實現(xiàn)小層沉積微相圖精準(zhǔn)生成，為油氣田的勘探開發(fā)提供了更好的支持。

參考文獻(xiàn)：

[1] 宋璠，侯加根，張震，等.利用測井曲線研究陸相湖泊 沉積微相[J].測井技術(shù)，2009，33（6）：589-592. SONG Fan，HOU Jiagen，ZHANG Zhen，et al.Application oflog curvesinindicating sedimentarymicro-facies of lake facies basins[J]. Well Logging Technology，2009， 33（6） ：589-592.

[2] 袁士義，王強(qiáng).中國油田開發(fā)主體技術(shù)新進(jìn)展與展望 [J].石油勘探與開發(fā)，2018，45（4）：657-668. YUAN Shiyi，WANG Qiang. New progress and prospects ofmain technologies for oilfield development in China [J].Petroleum Exploration and Development，2O18，45 （4） ：657-668.

[3］賈承造，龐雄奇，姜福杰.中國油氣資源研究現(xiàn)狀與發(fā)展方向[J].石油科學(xué)通報，2016，1（1）：2-23.

JIA Chengzao，PANG Xiongqi，JIANG Fujie. Current statusand development direction of oil and gas resources research in China［J].Petroleum Science Bulletin， 2016，1（1） ：2-23.

[4］張本健，鐘原，周剛，等.四川盆地中部蓬萊地區(qū)燈二 段沉積微相演化及氣藏綜合評價[J].海相油氣地質(zhì)， 2023，28（1） ：1-10. ZHANG Benjian， ZHONG Yuan， ZHOU Gang，et al. Sedimentary microfacies evolution and comprehensive evaluation of gas reservoir of the Dengying Member 2 in Penglai Area，central Sichuan Basin[J]. Marine Origin Petroleum Geology，2023，28（1） ：1-10.

[5］黃繼新，徐芳，齊梅，等.巴西M油田白堊系湖相碳酸 鹽巖沉積相類型及分布[J].海相油氣地質(zhì)，2023，28 （1） ：45-54. HUANG Jixin，XU Fang， QI Mei，et al. Types and distribution of sedimentary facies of the Cretaceous carbonate reservoirs in the M Oilfield of Santos Basin，Brazil[J]. Marine Origin Petroleum Geology，2023，28（1） ：45-54.

[6]何利，劉建清，隆軻，等.川西北地區(qū)中三疊統(tǒng)雷口坡 組沉積相再認(rèn)識[J].海相油氣地質(zhì)，2023，28（4）： 371-380. HE Li，LIU Jianqing，LONG Ke， et al. New understanding of sedimentary facies of the Middle Triassic Leikoupo Formation in northwestern Sichuan Basin[J]. Marine Origin Petroleum Geology，2023，28（4） ：371-380.

[7］穆曉亮，常少英，牛花朋，等.斷陷湖盆中深層砂體地 震沉積學(xué)研究;以南堡凹陷老爺廟地區(qū)東三上亞段為 例[J].海相油氣地質(zhì)，2024，29（3）：327-336. MU Xiaoliang，CHANG Shaoying，NIU Huapeng，et al. Study on seismic sedimentology of middle-deep sand bodies in faulted lacustrine basin ： taking the upper third member of Dongying Formation in Laoyemiao area of Nanpu Sag as an example[J]. Marine Origin Petroleum Geology，2024，29（3） ：327-336.

[8］姜銳，趙靖舟，陳宇航.蘇里格氣田蘇西區(qū)儲層地質(zhì)建 模[J].西安石油大學(xué)學(xué)報（自然科學(xué)版），2020，35 （3） ：10-17. JIANG Rui， ZHAO Jingzhou， CHEN Yuhang. Geological modeling of reservoirs in Suxi area of Sulige gas field[ J]. Journal of Xi'an Shiyou University（Natural Science Edition），2020，35（3） ：10-17.

[9］王佳琦，邢瑤.應(yīng)用序貫指示模擬方法建立三維地質(zhì) 模型：以靖安油田盤古梁油藏為例[J].云南化工， 2019，46（9） ：146-149. WANG Jiaqi， XING Yao. Application of sequential indicator simulation method to establish a three-dimensional geological model： taking the Panguliang oil reservoir in

Jing'an Oilfield asan example[J].Yunnan Chemical In-dustry，2019，46（9） ：146-149.

科擬通報，2021，40（3）：54-00. HE Tingting，TAN Xin，DUAN Taizhong，et al. Comprehensive sedimentary forward modeling and multi-point geological statistical simulation of braided river delta ： a case study of Tahe T area[J].Geological Science and Technology Bulletin，2021，40（3） ：54-66.

[11］丁芳，陸嫣，段冬平，等.多點(diǎn)地質(zhì)統(tǒng)計學(xué)建模方法在 復(fù)雜疊置樣式砂體表征中的應(yīng)用[J].復(fù)雜油氣藏， 2017，10（1） ：34-38. DING Fang， LU Yan， DUAN Dongping，et al. Complex superimposition type sandbody characterized by multiplepoint geostatistics modeling method[J]. Complex Hydrocarbon Reservoirs，2017，10（1） ：34-38.

[12]王立鑫，尹艷樹，馮文杰，等.多點(diǎn)地質(zhì)統(tǒng)計學(xué)中訓(xùn)練 圖像優(yōu)選方法及其在地質(zhì)建模中的應(yīng)用[J].石油勘 探與開發(fā)，2019，46（4） ：703-709. WANG Lixin，YIN Yanshu，F(xiàn)ENG Wenjie，et al. Training image optimization method in multipoint geostatistics and its application in geological modeling[J]. Petroleum Exploration and Development，2019，46（4）： 703-709.

［13］付超，謝玉洪，宋來明，等.基于沉積模擬的虛擬井建 立與深水峽谷相控建模策略：以瓊東南盆地中央峽 谷陵水段為例[J].海相油氣地質(zhì)，2023，28（4）： 413-424. FU Chao，XIE Yuhong，SONG Laiming，et al. Pseudowell setting and strategy of facies-controlled reservoir modeling of deep water canyon based on sedimentary simulation： taking the Lingshui section of the Central Canyon in Qiongdongnan Basin as an example[J]. Marine Origin Petroleum Geology，2023，28（4） ：413-424.

[14］賴澤武，黃滄佃，彭仕宓.儲層結(jié)構(gòu)目標(biāo)建模程序 MOD_OBJ及其應(yīng)用[J].石油大學(xué)學(xué)報（自然科學(xué) 版），2001，25（1） ：63-66. LAI Zewu， HUANG Cangdian， PENG Shimi. Reservoir structure target modeling program MOD ^- OBJ and its applications[J]. Journal of the University of Petroleum， China（Edition of Natural Science），2001，25（1）： 63-66.

[15]李少華，盧昌盛，何維領(lǐng)，等.一種基于目標(biāo)的非貫穿 型河道建模方法[J].天然氣地球科學(xué)，2019，30（3）： 305-311. LI Shaohua，LU Changsheng，HE Weiling，et al．An object-based modeling method for channels not across

through interesting area[J]. Natural Gas Geoscience， 2019，30（3） ：305-311.

[16] 尹楠鑫，張吉，李存貴，等.改進(jìn)的基于目標(biāo)的高精度 沉積微相建模方法在蘇14加密實驗區(qū)的應(yīng)用［J]. 成都理工大學(xué)學(xué)報（自然科學(xué)版），2017，44（1）： 76-85. YIN Nanxin， ZHANG Ji，LI Cungui， et al.Application of an improved target based high-precision sedimentary microfacies modeling method in the Su 14 encryption experimental area[J]. Journal of Chengdu University of Technology（Natural Science Edition），2017，44（1）： 76-85.

[17］王珂，張榮虎，李寶剛，等.致密砂巖儲層構(gòu)造裂縫特 征及地質(zhì)建模;以塔里木盆地庫車坳陷大北12氣藏 為例[J].海相油氣地質(zhì)，2023，28（1）：72-82. WANG Ke， ZHANG Ronghu， LI Baogang， et al. Characteristics and geological modeling of structural fractures in tight sandstone reservoir：taking Dabei-12 gas reservoir in Kuqa Depression，Tarim Basin as an example [J]．Marine Origin Petroleum Geology，2023，28（1） ： 72-82.

[18］李曉光，張煥芝，徐海云，等.2022石油地球物理勘探 技術(shù)進(jìn)展[J].世界石油工業(yè)，2023，30（3）：24-31. LI Xiaoguang， ZHANG Huanzhi，XU Haiyun，et al. Progress of petroleum geophysical technologies in 2022 [J]．World Petroleum Industry，2023，30（3） ：24-31.

[19］王天云，韓小鋒，許海紅，等.無監(jiān)督神經(jīng)網(wǎng)絡(luò)地震屬 性聚類方法在沉積相研究中的應(yīng)用［J].石油地球物 理勘探，2021，56（2）：372-379，215. WANG Tianyun，HAN Xiaofeng，XU Haihong，et al. Application of unsupervised neural network seismic attribute clustering method in sedimentary facies research [J].Petroleum Geophysical Exploration， 2021，56（2） ： 372-379，215.

[20］孟欣然，梁堰波，孟憲海，等.基于FILTERSIM算法的 油藏沉積微相模擬研究［J].計算機(jī)工程與設(shè)計， 2013，34（2） ：545-549. MENG Xinran，LIANG Yanbo，MENG Xianhai，et al. Study on reservoir sedimentary microfacies simulation based on the FILTERSIM algorithm[J]. Computer Engineering and Design，2013，34（2） ：545-549.

[21］王喜鑫，倪雪兒，李少華，等.基于深度學(xué)習(xí)地震多屬 性融合的海上少井條件下河道型砂體構(gòu)型解釋：以 西湖凹陷X氣田為例[J].海相油氣地質(zhì)，2023，28 （3） ：261-268. WANG Xixin，NI Xueer，LI Shaohua，et al. Architecture interpretation of channel sand body under offshore few well conditions based on deep learning seismic

multi-attributesfusion：a caseof X gas field in Xihu Sag，Donghai Shelf Basin[J].Marine Origin Petroleum Geology，2023，28（3）：261-268.

[22］王凱，劉東成，劉華峰，等.基于FCM算法的多屬性分 析技術(shù)在河道砂體精細(xì)刻畫中的應(yīng)用：以西湖凹陷T 氣田為例[J].海洋地質(zhì)前沿，2023，39（9）：55-67. WANG Kai， LIU Dongcheng，LIU Huafeng，et al. Application of multi-atribute analysis technology based on FCM algorithm in fine characterization of river sand bodies：a case study of T gas field in Xihu Depression [J].Frontiers of Marine Geology，2023，39（9）：55-67.

[23]GOODFELLOW I， POUGET-ABADIE J，MIRZA M，et al. Generative adversarial nets[J]. Advances in Neural Information Processing Systems， 2014，27（1）： 2672-2680.

［24］周嶸，吳朝東，張亞楠.基于生成對抗網(wǎng)絡(luò)的砂巖薄 片圖像視野外重建［J].北京大學(xué)學(xué)報（自然科學(xué) 版），2023，59（2） ：231-241. ZHOU Rong，WU Chaodong， ZHANG Yanan. Outpainting reconstruction of sandstone thin-section image based on generative adversarial network[J]. Acta Scientiarum Naturalium Universitatis Pekinensis，2O23，59 （2） ：231-241.

[25］程國建，張福臨.基于 SinGAN的巖石薄片圖像超分 辨率重建[J].西安石油大學(xué)學(xué)報（自然科學(xué)版）， 2021，36（2） ：116-121. CHENG Guojian， ZHANG Fulin. Super-resolution reconstruction of rock slice image based on SinGAN[J]. Journal of Xi'an Shiyou University（Natural Science Edition），2021，36（2） ：116-121.

[26]李剛，張亞兵，楊慶賀，等.基于Real-ESRGAN的巖 石CT圖像超分辨率重建[J].工礦自動化，2023，49 （11） ：84-91. LI Gang， ZHANG Yabing， YANG Qinghe，et al. Super resolution reconstruction of rock CT images based on Real-ESRGAN[J]． Industrial and Mining Automation， 2023，49（11） ： 84-91.

[27］韓建光，王卿，許媛，等.基于A-CGAN的深反射地震 數(shù)據(jù)隨機(jī)噪聲壓制方法研究[J].地質(zhì)論評，2024，70 （1） ：228-238. HAN Jianguang，WANG Qing，XU Yuan，et al. Research on random noise suppression method for deep reflection seismic data based on A-CGAN[J]. Geological Review，2024，70（1） ：228-238.

[28］張一，丁仁偉，趙碩，等.基于改進(jìn)環(huán)形生成對抗網(wǎng)絡(luò) 的淺地層剖面去噪方法［J].CT理論與應(yīng)用研究， 2023，32（1） ：15-25. ZHANG Yi，DING Renwei， ZHAO Shuo，et al. A shallow profile denoising method based on an improved circular generative adversarial network[J]. CT Theory and Application Research，2023，32（1）：15-25.

[29] 吳學(xué)鋒，張會星.基于循環(huán)一致性生成對抗網(wǎng)絡(luò)的地 震數(shù)據(jù)隨機(jī)噪聲壓制方法[J].石油地球物理勘探， 2021，56（5） ：958-968，923-924. WU Xuefeng， ZHANG Huixing. Random noise suppression method for seismic data based on cyclic consistency generative adversarial networks[J]. Petroleum Geophysical Exploration，2021，56（5） ：958-968，923-924.

[30] 楊永飛，劉夫貴，姚軍，等.基于生成對抗網(wǎng)絡(luò)的頁巖 三維數(shù)字巖心構(gòu)建[J].西南石油大學(xué)學(xué)報（自然科 學(xué)版），2021，43（5）：73-83. YANG Yongfei，LIU Fugui， YAO Jun，et al. Construction of shale 3D digital core based on generative adversarial networks[J]. Journal of Southwest Petroleum University（Natural Science Edition），2021，43（5）：73-83.

[31] MOSSERL，DUBRULE O，BLUNTMJ. Reconstruction of three-dimensional porous media using generative adversarial neural networks[J]. Physical Review E， 2017，96（4） ：043309.

[32]ZHA W，LI X，LID，et al. Shale digital core image generation based on generative adversarial networks[J]. Journal of Energy Resources Technology，2021，143 （3） ：033003.

[33]LALOY E，HERAULT R， JACQUES D，et al. Training-image based geostatistical inversion using a spatial generative adversarial neural network[J]. Water Resources Research，2018，54（1） ：381-406.

[34] NESVOLD E，MUKERJI T. Simulation of fluvial patterns with GANs trained on a data set of satelite imagery［J].Water Resources Research，2021，57 （5） ：e2019WR025787.

[35]SONG S，MUKERJI T，HOU J. Geological facies modeling based on progressive growing of generative adversarial networks （GANs）[J]. Computational Geosciences，2021，25：1251-1273.

[36] GAO X，HE W，HU Y. Modeling of meandering river deltas based on the conditional generative adversarial network[J]. Journal of Petroleum Science and Engineering，2020，193：107352.

[37]FAN W，LIU G，CHEN Q，et al. Geological model automatic reconstruction based on conditioning Wasserstein generative adversarial network with gradient penalty[J]. Earth Science Informatics，2023，16（3） ：2825-2843.

[38］胡勇，高小洋，何文祥，等.利用條件生成對抗網(wǎng)絡(luò)建 立曲流河地質(zhì)模型[J].沉積學(xué)報，2022，42（1）： 201-218. HU Yong，GAO Xiaoyang，HE Wenxiang，et al. Establishing a geological model of meandering rivers using conditional generative adversarial networks[J]. Journal of Sedimentology，2022，42（1） ：201-218.

[39] 王艷松，申曉陽，李強(qiáng)，等.基于PCA-GRD-LWR模 型的海上油田中長期最大電力負(fù)荷預(yù)測[J].中國石 油大學(xué)學(xué)報（自然科學(xué)版），2023，47（2）：129-135. WANG Yansong， SHEN Xiaoyang，LI Qiang，et al. Long term maximum power load prediction of offshore oil fields based on PCA-GRD-LWR model[J]. Journal of China University of Petroleum （Edition of Natural Science），2023，47（2）：129-135.

[40]LIU Y G，GAO P，LAN D，et al. ECA-SKNet： convolutional neural network recognition model for maize haploid seeds[J]. Journal of University of Electronic Science and Technology of China，2023，52（6） ：866-871. （纻輯修榮苧）