深度學習及其在深層天然氣儲層預測中的應用實驗

曹俊興

(成都理工大學 油氣藏地質及開發工程國家重點實驗室， 成都 610059)

深度學習及其在深層天然氣儲層預測中的應用實驗

曹俊興

(成都理工大學 油氣藏地質及開發工程國家重點實驗室， 成都 610059)

介紹深度學習的基本理論方法及基于地震數據深度學習的深層天然氣儲層預測。指出了深層油氣儲層的“三弱”特點和預測所涉及的問題與面臨的困難；提出了深度學習的深網絡構建與訓練方法，基于地震數據深度學習的深層天然氣儲層預測進行實驗。認為深度學習(Deep learning)揭示對象內秉特征的能力，有助于發現使用現有方法難以發現的油氣儲層地震響應的內稟特征。同時探討了基于地震數據深度學習的油氣儲層預測所涉及的關鍵性科學技術問題。

深度學習； 儲層預測； 地震

0 引言

盡管原油價格持續低迷，石油和天然氣仍是我國緊缺的戰略性能源資源。據2017年《BP世界能源統計年鑒》[1]，2016年世界一次能源消費中石油、天然氣和煤炭的占比分別為33.27%、24.13%、28.11%；我國2016年一次能源消費中石油、天然氣和煤炭的占比分別為18.95%、6.2%、61.83%。世界一次能源消費中煤炭占比的很大部分是我國貢獻的。我國冬季日趨嚴重的霧霾固然有多重形成機制，而燃煤無疑是其重要因素之一。改善我國的一次能源結構是關系國計民生的戰略任務。2016年12月國家發展改革委和國家能源局聯合發布的《能源生產和消費革命戰略 (2016-2030)》[2]要求一次能源消費中天然氣的占比在2030達到15%。2016年，我國天然氣生產1384×109m3，消費2103×109m3，對外依存度34.2%。這意味著在未來的十余年，我國的天然氣供給得有大幅地提升才能滿足社會經濟發展的需求。中國石油第四次油氣資源普查[3]結果表明，我國深層碳酸鹽巖地層油氣資源豐富，但勘探開發難度很大,四川盆地安岳氣田歷經近40年的勘探才得以發現充分說明了這一點。油氣勘探的核心目標是發現油氣儲集體，一般稱為儲層預測。理論上講，對常規油氣儲層的預測需要測算出孔隙度、滲透率、油或氣飽和度三個參數。但在通常情況下，單使用地震數據極難可靠的做到這一點。通常情況下，儲層預測主要是測算巖石的孔隙度，因為在有豐沛的油氣源充注的層段，找到高孔隙度的巖石基本上就意味著找到了油氣儲層。但對古老地層，因其經歷了多次構造運動，地層中的油氣一般都經歷過多次的遷移聚散[4]，油氣分布的地質相控作用減弱，斷控、位(置)控作用加強。找到高孔隙度的巖石并不意味著就一定是油氣儲層。對深埋的古老地層，儲層預測最根本的還是確定巖石孔隙流體的屬性。直接識別巖石孔隙流體屬性，對油氣勘探學家來說是夢寐以求的事情。國內、外學者為此努力了近半個世紀，針對天然氣儲層的識別發明或發現了一些有效的方法技術。這些方法大致可以分為三類：“亮點”識別[5]、AVO異常分析[6-7]和頻散分析類。其他方法基本上都可以歸為這些方法的衍生方法，如流體因子法可以歸為AVO分析類，低頻陰影分析[8]可以歸為頻散分析類。這些方法都既有成功的案例，也有完敗的記錄。根本的原因在于這些方法都有一定的適用條件，同時其他一些非含氣性變化也能引起類似的地震異常。如對理論完備的AVO異常分析方法，需要精確地知道縱橫波速度和地震波的入射角，而在一般情況下我們很難獲得準確的橫波速度，如構造比較復雜，地震波的入射角更難準確估算，這些基本參數的估算誤差會引起假異?；蜓蜎]真異常，導致預測失敗。又如，煤層、火山巖等都會在地震剖面上形成假亮點，引起誤判。同時實踐中發現一些氣層在地震剖面上表現為“平點”或“暗點”[9-10]。深層油氣儲層，因埋深增加，同時儲層和宿主圍巖物性差異較小、地震響應表現為弱非均質、弱(反射)信號、弱(孔隙流體)信息(合并稱為“三弱”，具有這些特征的儲層稱為三弱儲層)，既有儲層預測方法適用條件基本都不滿足，因此難以發揮效用。為可靠鑒識深層油氣儲層，必須另辟蹊徑，從新的視角出發研究發展新的儲層預測方法技術。

基于地震的深層儲層預測，困難之處在于儲層孔隙流體地震響應信號的識別或信息提取。如果這種響應可觀測，一定是反映在地震記錄的微相上。此前我們發展了一個識別天然氣儲層的地震紋分析方法[11-12]，通過對特定地震紋參數變化特征的分析，能定性地區分天然氣儲層和宿主圍巖的響應[13]，但也會出現誤判，即存在非氣影響的地震紋異常。尋找更穩健的天然氣儲層識別方法仍是必要而且急迫的。

深度學習(Deep learning，DL)是新近發展起來的一類機器學習(Machine Learning，ML)算法。2012年6月，Google Brain項目組使用1000臺計算機(16000個處理器)經過三天的深度學習創造出了一個有10×109個連接的“深網絡”，通過對數百萬個YouTube視頻的“學習”，提煉出了一個“貓面”并實現了對貓的自動識別，使得深度學習為學術和工業界所熟知。2016年，基于深度學習的AlphaGo戰勝了曾18次奪得世界冠軍的韓國職業圍棋九段高手李世石，使得深度學習為世人所熟知。其實深度學習的概念和算法發展經歷了一個相當漫長的過程[14]，今天仍在快速發展中,不斷有新的實現方法提出[15]。儲層預測目前主要采用比對或標定的方法確定(地震記錄或地震屬性的)數據特征。深層儲層孔隙流體的地震響應與地震屬性特征極其微弱，難以發現，自然無法比對或標定。深度學習較之此前發展的其他機器學習算法的主要特點是，能夠進行“抽象概念”的機器“提煉、表達”，也即具有知識學習和發現對象內秉特征的能力。正是基于對深度學習這一特性的期許，我們希望能利用深度學習方法從地震大數據中挖掘出三弱儲層的地震數據內稟特征，并以此為基礎進行三弱儲層預測。2013年我們開始相關研究，2014年基于地震數據深度學習的儲層預測研究獲得國家自然科學基金重點項目資助，2016年取得初步但確定性的成功[16-19]。國內、外都有其他學者進行類似的研究，基本上仍處于探索階段[20-24]。雖然深度學習這兩年在人工智能領域很火，但在地球物理領域，許多人對其還是相當陌生，筆者對深度學習的基本原理方法做了盡可能通俗易懂地介紹。我們介紹了探索利用地震數據深度學習進行深層天然氣儲層預測的思路和初步結果，證明基于地震數據的深度學習有望發展成為有效的深層天然氣儲層預測方法技術。最后探討了地震數據深度學習涉及的科學技術問題。這些問題的解決不大可能一蹴而就，唯有持續努力才有望獲得理想的解決。地震數據的深度學習研究才剛起步，對有關問題的探討對后繼研究相信很有助益。

1 深度學習

1.1 深度學習的概念

深度學習(Deep Learning)是模擬神經網絡處理信息的機制而發展起來的一類機器學習算法[25]。深度學習和早先的人工神經網絡(artificial neural network)算法既有聯系又有區別。深度學習是有多個隱層的人工神經網絡，你可以把它看成是更復雜更高級的神經網絡，大可稱其為2.0版的人工神經網絡，只要記住一點：深度學習是模擬人腦思維機制的有智能、能自主學習的算法。深度學習網絡與人工神經網絡的結構差異如圖1所示，人工神經網絡一般只有1個隱層，而深度學習網絡至少有2個隱層。深度學習網絡和人工神經網絡的本質目標是一致的，都是試圖建立輸入數據和輸出信息之間穩健的映射關系。比如把地震響應數據(輸入信息)區分為含氣層地質響應數據和非含氣層地震響應數據，這里的映射變換起模式識別與分類器的作用。

圖1 人工神經網絡與深度學習深神經網絡對比示意圖Fig.1 Schematic diagrams showing artificial neural network and deep neural network(a)人工神經網絡; (b)深度學習深神經網絡

深度學習網絡最主要的特點是其層次結構。深度學習能通過逐層抽象深度挖據數據的本質信息，它的低層級表示細節，高層級表示抽象的數據分析模型。通過組合低層特征形成更加抽象的高層屬性類別或特征表征。如 Google Brain 在視頻上從象素級的低層次特征出發，通過逐層組合抽象，最終提取出貓臉圖像那樣。

深度學習的思想可以追溯到1958年Rosenblatt提出的多層感知機(Multi-layer Perceptron)[26]和1965年Ivakhnenko & Lapa對多層感知機的訓練[27]。2006年，Hinton[28-29]使用玻爾茲曼機(RBM)和自動編碼機對多層神經網絡的成功訓練，開創了深度學習的時代。實際上，此前，Hinton[30]對深度學習的研究堅持進行了二十多年。Schmidhuber[31]對深度學習的來龍去脈及相關研究做過系統的梳理。

自2006年Hinton的文章發表以來，尤其是2012年Google Brain從視頻圖像成功提煉并識別出“貓”以來，深度學習已經滲透到了人工智能的各個領域，在語音處理、圖像識別等領域獲得了巨大的成功。廣為人知的AlphaGo和使用日漸普遍的人臉識別系統都是基于深度學習設計開發的。

1.2 深網絡架構( deep network architecture)

深度學習的內涵是設計、訓練一個有多個隱層的深網絡。深網絡的設計依賴于對象(數據)特點與學習目標，和網絡的訓練方法密切相關。深網絡設計基本的要素包括：隱層數、每個隱層的神經元個數、以及神經元之間的鏈接方式等。

關于深度學習網絡結構的著述比較多，網上也有許多博客文章可參考。此只簡要介紹核心和關鍵之處。深度學習網絡具體架構雖有多種，但大體可以歸為2類：①深信網絡(deep belief networks，DBN);②卷積神經網絡(convolutional neural networks，CNN)。各自都有許多變種。深信網絡適用于語音等時序信號的處理(如自然語言處理)；卷積神經網絡適用于圖像處理(如人臉識別)。地震數據(如按道視為時序信號)可以用深信網絡學習；如按剖面視為圖像，可以用卷積神經網絡處理。兩類深網絡的應用領域沒有嚴格的界線，也有學者用卷積神經網絡處理語音信號。

深信網絡的結構示意圖(圖2)。實際網絡的隱層數、每個隱層的單元個數依據問題的復雜度和計算能力設定，神經元間的連接方式依據網絡訓練算法設定。

圖2 深信網絡示意圖Fig.2 Schematic diagrams showing deep belief networks (DBN)

卷積神經網絡的結構示意圖(圖3)。卷積網絡結構與深信網絡結構有較大的不同，輸入圖像經過多層級的卷積和池化，才到類似于深信網絡的全連接層。卷積層的功用可以視為濾波，池化層的功用是通過對卷積層的重采樣降維。深信網絡和神經網絡采用的都是全連接，而卷積神經網絡的卷積-池化層通過采用局部連接與權值共享等方法大幅減低了問題的維度和計算量。卷積神經網絡的卷積池化層數、池化規則、單元間的連接規則等依據輸入圖像的大小、問題的復雜程度和計算能力等因素設定，神經元間的連接方式依據網絡訓練算法設定。

圖3 卷積神經網絡示意圖Fig.3 Schematic diagrams showing Convolutional Neural Network (CNN)

1.3 深網絡訓練(Deep Network Training)

深度學習之“學習”體現在網絡訓練。深度學習的功用可以分為2大類：①建立輸入與期望輸出之間的映射關系；②發現輸入數據的內秉(如類聚)特征。第①類的功用和傳統神經網絡類似；第②類的功用相當于構建一個分類器。不同功用的深網絡的訓練方法有所不同。深網絡訓練方法基本的有：①要監督學習；②非監督學習，此外還有半監督學習、增強學習等，可以視為是基本訓練方法的組合使用或改進。

1.3.1 監督學習 (supervised learning)

所謂監督學習，就是以已知屬性的數據(稱為有標簽(label)數據)為輸入和期望輸出迭代訓練一個映射矩陣。作為映射系統的深網絡，采用監督學習方法訓練,比如用貓的圖片，訓練網絡，使它能識別出貓。在我們的問題中，輸入數據是已知氣層的地震響應數據，指定期望輸出為儲層的孔、滲、飽閾值參數，或者氣層。訓練的目標是具象化一個深網絡，把未知屬性地質體的地震響應輸入到這個網絡，使它能分辨出含氣層的響應。映射網絡的監督學習方法有許多，基本的是迭代擬合，關鍵是反饋，常用的實現方法包括有線性回歸、logistic回歸、樸素貝葉斯等，各有使用條件，如線性回歸建立的是線性關系，logistic回歸建立的是非線性關系，而樸素貝葉斯是以概率為準則的。無論使用什么準則，訓練問題都可以歸為優化問題進行求解。監督學習的訓練結果是,一個元素為神經元之間聯系權重的關系矩陣。

1.3.2 無監督學習(supervised learning)

無監督學習是深度學習的特有訓練方法，具有知識發現的屬性。無監督學習輸入的是無標簽數據，輸出的是類別或關系,意在揭示數據的內在特征，特別是關聯性與類別。關聯探求的是訓練數據集中不同類目事件同時出現的概率；聚類探求的是訓練數據集中數據的差異性或者相似性。無監督學習，無論是尋找關聯關系還是分類，都各有多種實現方法，前者如Apriori 算法、FP-Growth算法等，后者如K-均值聚類、PCA分析等。顯然，這些算法早就存在，與深度學習沒有必然聯系，只是深度學習在網絡訓練中可以使用這些方法來達到目標。無監督學習的應用場景很廣泛，可以設計為地震屬性參數與含氣性的關聯分析，也可以設計為地震波形聚類與儲層含氣性的分析。這些工作此前采用其他方法也能實現，前者如各種交匯圖分析方法，后者如波形SOM聚類方法等。但使用深度學習方法可以在更高層次的抽象特征上進行關聯分析和聚類，這有可能發現在低層次特征上發現不了的關系或類別特征。

無論是有監督學習還是無監督學習，要獲得理想結果，即訓練出穩健可靠的深網絡都非易事，特別是后者。其中一個重要的原因是在訓練的過程中，需要調試的參數及其組合實在是太多。

深度學習網絡對對象的識別與神經網絡類似，本質上是模式識別。深網絡監督學習的本質是建立以具象化關系矩陣描述的模式庫。監督學習訓練的網絡對目標(無論是貓還是氣藏)的識別能力，取決于待判別對象和訓練對象的一致性，一致性越高，識別能力越強。

深網絡訓練(學習)是深度學習的核心，許多研究都集中在這個方面。深網絡訓練的實現方法很多，并且不斷有新的改進算法提出[32]。目前已有多個開放的深度學習庫可以借鑒、利用[33]，如TensorFlow、Keras、Theano,Caffe2等，這些庫各有優勢，我們可以結合自己的需求與資源條件選用或借鑒。

2 地震數據的深度學習

地質數據深度學習的目的是揭示地震數據蘊含的源地質體的屬性信息(如巖性，孔隙流體)。理論上，有2個基本的途徑可以實現這一目標：①用已知源地質體的地震響應數據訓練網絡，建立地震數據和目標屬性之間關系的深網絡表達，這可以歸于監督學習；②用深度學習發現地震數據的特征，然后通過標定確定深度學習特征和目標屬性的關系，這可以歸于無監督學習。地震數據的深度學習，無論是有監督學習還是無監督學習，都需要標定，只不過前者標定的是數據，后者標定的是特征。我們對兩個途徑都進行了研究探索，得出了初步的實驗結果。

2.1 地震數據的監督深度學習

以井資料標定，提取出川西某探區埋深六千多米的目標層含氣層段與微含氣層段20 ms時窗地震響應，構建5層深信網絡進行特征學習[19]，意圖發現含氣層地震響應與微含氣區地震響應,實驗結果之一見圖4。圖4(a)是拉平了雷頂的地震剖面圖，其中的W1表示微氣井，W2和W3標示兩個高產氣井，紅色的橢圓形線圈示儲層段地震響應。從圖4(a)可以看出，微氣層和高產氣層的地震響應盛為相似，難以分別其差別。圖4(b)為訓練的深網絡第5層第17結點的特征值。圖4(b)顯示微氣層和高產氣層地震響應的深網絡第5層第17特征的值有顯著差別,這表明，表觀差別很小的地震數據，經過深網絡的映射，能發現其內稟的差別。至于這個差別的物理機制，目前尚不得而知。這個差別是否內稟穩定，即是否所有微氣層(無氣層)和高產氣層地震響應5層深信網絡第5層第17特征的值都有此差異特征(含氣層的特征值比微氣層更小)，目前尚不能確定。因為我們可供訓練檢驗的樣本數還很少。盡管如此，我們認為這仍是一個令人深受鼓舞的結果，因為這表明利用深度學習能發現表觀上相同的地震數據的內稟差別。

圖4 川西某勘探區含氣層與微氣層地震響應與深網絡特征值Fig.4 Seismic response and deep network feature of gas-bearing layer and micro-gas layer in a prospecting block in Western Sichuan(a)連井地震剖面的地震記錄;(b)深網絡特征值

圖5 川西某勘探區目標層地震波形聚類與深網絡特征聚類Fig.5 Seismic waveform clustering and deep network feature clustering of the target layer in in a prospecting block in Western Sichuan(a)波形聚類及分布;(b)深網絡特征值類聚類及分布

2.2 地震數據的無監督深度學習

使用5層深信網絡對川西某天然氣勘探區埋深六千多米的目標層地震響應進行無監督學習，對訓練的深網絡特征進行聚類分析，意圖發現數據的內稟類型特征。代表性深網絡特征聚類結果及與波形聚類結果的對比如圖5所示。圖5(a)顯示的是目標層位地震波形SOM聚類結果，圖5(b)顯示的是無監督學習訓練的深網絡第5層特征均值聚類。波形聚類是研究沉積微相變化，預測儲層的重要手段。圖5所示區域的面積約150 km2，圖5(a)和圖5(b)的數據不同，因此兩圖中的類之間不具有確定的相關性，但類的分布特征可以比對。從圖5可以得出：①研究區雷口坡組頂部層段巖性橫向有變化，可以劃分為不同的微相區帶；②氣層(W2，W3標示)和微氣層(W1標示)地震響應的波形大體上屬于一類，沒有顯著可分辨的差異特征，但深網絡特征值有顯著可分辨的差別。這和圖4展示的結果是吻合的。如果藍色和青色所代表的深網絡特征值類確實是含氣層的反映，那么藍色和青色區域就是含氣層的分布區。這表明，利用深度學習，能揭示含氣層與非氣層地震響應的內稟特征差異，并由此可以預測含氣層的分布。

3 總結與討論

深層儲層因為巨厚上覆地層的遮擋，以及地震視距的加大和地層壓力的加大，儲層在地震上表現為弱非均質，因此深層儲層地震反射信號弱，孔隙流體信息響應更弱,我們把這些特征歸納起來簡稱為“三弱”。深層儲層的三弱特征使得既有儲層預測方法，特別是含氣性預測方法難以發揮效用，必須有針對性的研究發展新的儲層預測方法技術。

深度學習層次化的概念讓計算機能通過構建較簡單的概念來學習復雜概念，由此也使它有了知識學習和發現對象內稟特征的能力。本研究的實驗表明，運用深度學習能發現深層微氣層和氣層地震響應的差別，由此可以發展識別深層天然氣層甜點的方法技術。這對儲層預測來說是機遇，我們可以從新的視角——深度學習的角度處理儲層預測問題。

盡管深度學習在自然語言處理、圖像處理、決策支持等領域獲得了巨大的成功，但在地震信號處理和儲層預測領域，總體上仍處于起步階段。深度學習的發展需要有兩個支撐條件：足夠數量的訓練樣本，足夠強的計算能力。對基于地震數據深度學習的儲層預測而言，最具挑戰性的是訓練樣本問題。雖然地震數據是大數據，但地震數據集中儲層響應的占比通常不足1‰。這和通常意義上的大數據深度學習有很大地不同。大數據深度學習的核心是統計，統計依賴于樣本數量。而儲層的地震響應是地震大數據集中的小概率事件，用現有統計理論方法無法處理。另一個具有挑戰性的問題是: 我們不知道儲層的地震響應實際是什么樣的。在現有深度學習成功應用的領域，無論是自然語言處理還是圖像識別，我們都確切地知道我們的對象“長什么樣”。但在儲層預測問題中，無論是對地質對象(儲層)還是對地質對象的地震響應，我們其實都不清楚它“長什么樣”。由此帶來的困境就是不易評判深度學習的結果。

深度學習方法技術發展很快，從深網絡架構設計到網絡訓練學習方法都在不斷地推陳出新。筆者使用的深度學習方法相對而言比較經典，未來可考慮在深入進行問題比對的基礎上，借鑒其他領域發展的先進的深網絡訓練方法提高地震數據深度學習的效能，如強化學習、遷移學習及其組合學習。

致謝：

吳施楷、葉紹澤、劉哿哲、何沂、甘宇等博碩士研究生同學先后參加了相關研究并為本文成果的產出做出了貢獻，特此致謝！

[1] 《BP世界能源統計年鑒》2017版 [EB/OL].[2017-07-05].https://www.bp.com/zh_cn/china/reports-and-publications/_bp_2017-_.html.

BP world energy statistics yearbook 2017 Edition[EB/OL].[2017-07-05].https://www.bp.com/zh_cn/china/reports-and-publications/_bp_2017-_.html.(In Chinese)

[2] 國家發展改革委,國家能源局.能源生產和消費革命戰略 (2016-2030) [EB/OL]. [2017-04-25]. http://www.gov.cn/xinwen/2017-04/25/5230568/files/286514af354e41578c57ca38d5c4935b.pdf.

National development and Reform Commission, National Energy Agency, "energy production and consumption revolution strategy (2016 - 2030)" [EB/OL]. [2017-04-25]. http://www.gov.cn/xinwen/2017-04/25/5230568/files/286514af354e41578c57ca38d5c4935b.pdf.(In Chinese)

[3] 中國石油第四次油氣資源評價重大科技專項收官 [EB/OL]. [2016-11-11]http://www.mzxww.net/syzy/201612/387.html.

Oil and gas resources assessment of China's fourth major oil and gas resources[EB/OL]. [2016-11-11].http://www.mzxww.net/syzy/201612/387.html.(In Chinese)

[4] 劉樹根, 孫瑋, 趙異華, 等. 四川盆地震旦系燈影組天然氣的差異聚集分布及其主控因素[J]. 天然氣工業, 2015, 35(1): 10-23.

LIU S G, SUN W, ZHAO Y H, et al. Differential accumulation and distribution of natural gas and their main controlling factors in the Upper Sinian Dengying Fm, Sichuan Basin [J]. Natural Gas Industry, 2015, 35(1): 10-23.(In Chinese)

[5] HAMMOND A. L. Bright Spot: Better seismological indicators of gas and oil [J]. Science，1974, 185:515-517.

[6] OSTRANDER W. J. Plane wave reflection coefficients for gas sands at non-normal angles of incidence [J]. Geophysics, 1984, 49(10):1637-1648.

[7] SHUEY R.T. A simplification of the Zoeppritz equation [J]. Geophysics, 1985, 50(4):609-614.

[8] EBROM D. 2004. The low-frequency gas shadow on seismic sections [J]. The Leading Edge，2004, 23(8): 772-772.

[9] BACLIS, M. M., CHEN, L. Flat-spot exploration [J]. Geophysical Prospecting. 1975, 23(3): 533-577.

[10] BROWN, A. R. Dim spots: Opportunity for future hydrocarbon discoveries[J]. The Leading Edge, 2012, 31(6), 682-683.

[11] JUNXING CAO，XIAOYAN HE，RENFEI TIAN. Seismic-print analysis and hydrocarbon identification [C].AGU FALL Meeting 2011.

[12] 曹俊興、田仁飛. 基于地震紋分析的儲層檢測方法. 中國. ZL 2011 1 0165615.6 [P]. 2013.

CAO J X, TIAN R F. Reservoir detection method based on seismic-print analysis [P]. Patent No .: ZL 2011 1 0165615.6. 2013.

[13] 曹俊興, 劉樹根, 田仁飛, 等. 龍門山前陸盆地深層海相碳酸鹽巖儲層地震預測研究[J]. 巖石學報, 2011, 27(8): 2423-2434.

CAO J X, LIU S G, TIAN R F, et al. Seismic prediction of carbonate reservoirs in the deep of Longmenshan foreland basin [J]. Acta Petrologica Sinica, 2011, 27(8): 2423-2434.(In Chinese)

[14] AlphaGo Zero [DB/OL].[2017-11-17]. https://en.wikipedia.org/wiki/AlphaGo_Zero.

[15] Deep_learning [DB/OL].[2017-11-23].. https://en.wikipedia.org/wiki/Deep_learning.

[16] 曹俊興. 基于地震紋特征深度學習的天然氣儲層識別 [C]. 2016 中國地球科學聯合學術年會論文集. 2016.

CAO J X. Gas reservoir identification basing on deep learning of seismic-print characteristics [C]. Proceedings of the 2016 China Earth Science Conference. 2016.(In Chinese)

[17] CAO J., WU S., He X. Gas reservoir identification basing on deep learning of seismic-print Characteristics [C]. AGU Fall Meeting Abstracts. 2016.

[18] CAO J X, WU Shikai. Deep Learning: Chance and challenge for deep gas reservoir identification [C]. International Geophysical Conference, Qingdao, China. 2017.

[19] 吳施楷. 基于深度學習的天然氣儲層檢測方法研究 [D]. 成都：成都理工大學，2017.

WU S K. Research on gas reservoir identification method based on deep learning [D]. Chengdu: Chengdu University of Technology，2017.(In Chinese)

[20] KEITH HOLDAWAY, PATRICK HALL, JORGE SILVA, et al. Surface reservoir characteristics from subsurface seismic images with deep learning methodologies [C]. International Conference and Exhibition, Barcelona, Spain, 3-6 April 2016. Society of Exploration Geophysicists and American Association of Petroleum Geologists, 2016.

[21] KORJANI M., POPA A., GRIJALVA E., et al. A new approach to reservoir characterization using deep learning neural networks [C]. SPE Western Regional Meeting, Anchorage, Alaska USA. Society of Petroleum Engineers, 2016.

[22] LU LIU ZHANG GUANGZHI, ZHAO CHEN. Reservoir thickness forecasting based on Deep Belief Networks [C]. International Geophysical Conference, Qingdao, China. 2017. https://doi.org/10.1190/IGC2017-186.

[23] MAURICIO ARAYA-POLO, TAYLOR DAHLKE, CHARLIE FROGNER , et al. Automated fault detection without seismic processing [J]. The Leading Edge, 2017,36(3), 208-214.

[24] XU, P.C., LU, WENKAI, WANG, BENFENG. Multi-Attribute Classification Based On Sparse Autoencoder - A Gas Chimney Detection Example [C]. 79th EAGE Conference and Exhibition, Paris, France. 2017. DOI:10.3997/2214-4609.201700920.

[25] GOODFELLOW I., BENGIO Y., COURVILLE A. Deep Learning [M], Cambridge, Massachusetts: MIT Press. 2016.

[26] ROSENBLATT F. The Perceptron: A probabilistic model for information storage and organization in the brain [J]. Cornell Aeronautical Laboratory, Psychological Review, 1958,65, 386-408.

[27] IVAKHNENKO, A. G., LAPA, V. G.. Cybernetic predicting devices [M]. CCM Information Corporation.1965.

[28] HINTON, G. E., SALAKHUTDINOV, R.Reducing the dimensionality of data with Neural Networks [J]. Science,2006,313(5786): 504-507.

[29] HINTON G., OSINDERO S., TEH Y.-W. A fast learning algorithm for deep belief nets [J]. Neural Computation, 2006, 18:1527-1554.

[30] WILLIAMS D, HINTON G. Learning representations by back-propagating errors [J]. Nature, 1986, 323(6088): 533-538.

[31] SCHMIDHUBER J. Deep learning in neural networks: An overview [J]. Neural networks, 2015, 61: 85-117.

[32] SABOUR S., FROSST N., HINTON G E. Dynamic routing between capsules [DB/OL]. [2017-10-26]. arXiv preprint arXiv:1710.09829, 2017.

[33] SHI S, WANG Q, XU P, et al. Benchmarking state-of-the-art deep learning software tools [DB/OL]. [2016-08-25]. arXiv preprint arXiv:1608.07249.

Deeplearninganditsapplicationindeepgasreservoirprediction

CAO Junxing

(State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation, Chengdu University of Technology, Chengdu 610059, China)

This paper introduces deep learning (DL) and deep gas reservoirs prediction based on the deep learning of seismic data. The paper introduces the "three weak" characteristics of deep oil and gas reservoirs and the key problems have to be dealt with in the reservoir recognition. The paper introduces the construction and training methods of deep network in deep learning, and an experimental result of deep gas reservoirs prediction based on the deep learning of seismic data. The experimental result shows that deep learning is of ability to reveal the intrinsic features of the seismic responses of hydrocarbon reservoirs. The paper also discusses the key scientific and technological issues involved in the prediction of deep oil and gas reservoirs using deep learning.

deep learning; reservoir prediction; seismic

2017-10-08 改回日期： 2017-10-20

國家自然科學基金(41430323，U1562219)；國家重點研發計劃深地專項項目(2016YFC0601100)

曹俊興(1961-)，男， 博士，教授，主要從事地球物理反演與層析成像、油氣地球物理勘探、地學大數據深度學習等研究， E-mail：caojx@cdut.edu.cn。

1001-1749(2017)06-0775-08

P 631.4

A

10.3969/j.issn.1001-1749.2017.06.10