基于卷積神經網絡算法的自動地層對比實驗

徐朝暉，劉鈺銘，周新茂，何輝，張波，吳昊，高建

1 中國石油大學(北京)地球科學學院 北京 102249

2 中國石油勘探開發研究院 北京 100083

3 阿拉巴馬大學地球科學系 塔斯卡盧薩 美國 35487

0 引言

油氣藏內井間地層對比是油藏描述與儲層表征的關鍵步驟之一，對比結果直接決定油藏格架并進一步控制了油藏內儲集體的空間分布，最終影響油氣藏的開發[1]。地層對比的核心工作主要由地質工作者依據標志層、沉積旋回和巖性組合等測井曲線特征，通過建立覆蓋全油田所有井的相互交叉的連井剖面完成[2]。然而，油田進入開發中后期鉆井增多，地層對比工作量十分繁重。目前，已有商業軟件輔助地層對比工作，但其主要貢獻限于井數據庫和對比剖面的建立，而對于單井地層劃分和連井剖面上井間地層對應關系分析這一核心工作，主要通過地質工作者眼、手、腦并用進行綜合分析完成。其不足在于：一是帶來眼力、體力和腦力上的極大耗費；二是主觀性強，對比結果高度依賴于地質工作者個人的相關知識和經驗。近年來，有學者采用模糊數學[3]、層內差異與聚類分析法[4]、沃爾什變換[5]、測井信號相似性對比[6]以及神經網絡[7]等方法嘗試實現自動地層對比，但并未取得明顯的可應用于工業實踐的成功。地層對比不僅僅是測井曲線形態的對比，本質是測井曲線所隱含的地質信息的對比，而許多地質信息(如多級沉積旋回)往往比較抽象難于用數學語言來表達。

當前，人工智能(Arti ficial Intelligence，簡稱AI)的浪潮正在席卷全球，深度學習(Deep Learning，簡稱DL)方法是推動這一輪浪潮的核心力量[8]。深度學習善于從原始輸入數據中挖掘抽象的特征表示，而這些表示具有良好的泛化能力[9]。卷積神經網絡(Convolutional Neural Networks，簡稱CNN)是以卷積為計算核心且具有深度結構的前饋神經網絡，是深度學習的代表算法之一，因其強大的特征學習與分類能力在圖像分類[10]、目標檢測[11]、圖像語義分割[12]等領域取得了一系列突破性的成功，其原理與人工地層對比中對測井曲線進行特征提取與分析有相通之處。本文采用卷積神經網絡算法，開展自動地層對比實驗研究，以探索人工智能在油氣地質研究中的效果。

1 實驗工區

實驗工區選擇大慶油田喇嘛甸油田，構造位置位于松遼盆地大慶長垣北端(圖1)，已開發四十多年，先后部署了基礎井網、一次加密、二次加密等多套井網，鉆井、測井資料齊全。對比目標井段屬于中白堊統嫩江組，沉積環境為大型河流三角洲前緣，主要發育分流河道砂體[13]。儲層巖石類型以細砂巖、粉砂巖和泥巖為主，縱向上整體表現為“泥包砂”特征。選取地層對比井段為某含油層系(記為S)，地層厚度約200 m，進一步劃分為4個油層組(如S1)、10個砂層組(如S11)、30個小層(如S111)。其中，單一油層組厚度25～50 m，單一砂層組厚度10～20 m，單一小層厚度 5～10 m。

圖1 區域沉積背景及研究區位置圖Fig.1 Sedimentary background and location of study area

在喇嘛甸油田內部選取長9 km、寬5 km的實驗區(圖2)，該區內未發育斷層，表現為大型背斜，構造相對簡單。以實驗區內分布較為規則的基礎井網和一次加密井為實驗對象井，總井數463口(圖2)，并將這些井重命名為W1、W2、……、W463。實驗對象井均完鉆于1970年代，其分層數據歷經四十多年開發實踐的檢驗，具有較高的可靠性。

實驗對象井測井資料齊全?；凇皫r心刻度測井”方法，選擇對巖性敏感的自然電位曲線(SP)和微電極曲線(ML1、ML2)作為地層對比基準曲線(圖3)。

圖2 研究區實驗井位圖Fig. 2 Well locations for automatic stratigraphic correlation experiments

圖3 過W1-W2-W3井地層對比剖面示意圖Fig. 3 Sketch of stratigraphic correlation pro file through well W1, W2 and W3

2 實驗原理

2.1 卷積神經網絡的基本原理

1989年，LeCun等人在論述神經網絡的網格結構時首次提出了“卷積”一詞[14]，標志著“卷積神經網絡”的誕生，LeNet是一種多階段全局可訓練的人工神經網絡模型，可以從經過簡單預處理的、甚至原始的數據中學習到抽象的、本質的和高階的特征。2006年，Hinton提出了深度學習的概念[15]，基于深度神經網絡在大量的數據中自動提取、學習高層特征。

卷積神經網絡是一種具有深度結構的前饋神經網絡，具有局部感知、權值共享、降采樣的特點。典型的卷積神經網絡結構包括輸入層、卷積層、池化層、全連接層和輸出層(圖4)。卷積層的本質是特征提取，如同模仿眼睛掃描物體進行圖像特征提取的過程；池化層，即降采樣層，實現特征數據的降維處理，在減少數據同時保留有效信息，如同閉上眼睛回憶看到的事物的最重要的特征，是壓縮圖像并保留重要信息的過程。全連接層位于網絡模型末端，用于對各卷積和池化層特征的回歸、分類等處理，并匯總為特征向量。

圖4 卷積神經網絡模型的基本結構Fig. 4 Structure of convolutional neural networks model

圖5 SegNet網絡結構示意圖Fig. 5 Schematic diagram of SegNet model

2.2 卷積神經網絡模型及參數選擇

隨著深度學習理論的不斷完善，卷積神經網絡引入了多類學習和優化理論，在結構上不斷加深，先后提出了多種算法。SegNet模型是一種應用于像素級別的圖像分割任務的卷積神經網絡模型[16]。地質研究中，地層劃分與對比可看作為一種圖像分割任務，故本實驗選用SegNet網絡模型對地層進行自動劃分。

SegNet網絡模型由Badrinarayanan于2016年提出，該網絡通過端到端的方式實現目標體的分類。SegNet網絡結構包括編碼網絡和解碼網絡兩部分(圖5)。編碼網絡主要由一系列基于非線性處理的層組構成，每個層組由卷積層、分批歸一化層、激勵函數層和最大池化層組成，主要通過卷積對輸入數據圖像的特征信息進行提取，并通過池化操作不斷縮小輸入數據規模。解碼是編碼的反過程，同樣由一系列基于非線性處理的層組構成，每個層組由上采樣層、卷積層、分批歸一化層、激勵函數層組成，主要目的是對輸入數據進行上采樣，還原原始輸入數據圖像。網絡結構參數選擇是保證試驗效果的關鍵。根據SegNet網絡相關原理，結合地層劃分中的地質特點分析認為，影響實驗效果的主要參數為非線性處理層組的數量選擇、卷積核大小、卷積核數量等。

非線性處理層組的數量取決于處理井段的厚度和采樣點數據量。在編碼網絡中，每經過一非線性層組，數據都會減半；而在解碼網絡中，每經過一非線性層組，數據大小都會翻倍。根據參數調整經驗，編碼網絡中最后的非線性層組的數據量大小為地質層位數量(在輸入數據中為標記類別數量)的1到2倍時效果最好。假設平均厚度為20 m的一套地層，按照測井系列數據8點/m得采樣頻率，則其數據大小為160×1；按照油組級別地層單元，標記類別數量為4；此時設計10組非線性處理層組(編碼網絡5組，解碼網絡5組)，則第一非線性層組輸出數據大小為80×1，而第二非線性層組輸出數據大小為40×1，依次類推，至第五組非線性處理層組時輸出數據量大小為5×1。實驗分析表明，此時網絡訓練效果會比較好。

卷積核均為n×1數組，其數量和大小根據參數調整的經驗確定。在編碼網絡中，第一層卷積核大小為50×1，自第二層開始依次減小，最后一層卷積核大小降為3×1；卷積核數量上，各非線性層組并不相同，一般后面層組的數量大于或等于前一層組數量，如第一層組為64個，后面層組可依次增大為128個、256個、512個等。在解碼網絡中，每層的卷積核大小和數量變化趨勢與編碼網絡中各層相反。

2.3 自動地層對比思路

人工在連井剖面上進行地層對比時，往往要先通過大量的觀察在測井曲線上找出標志層、沉積旋回等可用于對比的地質信息，然后利用這些信息連接井間地層。而對于卷積神經網絡而言，在研究過程無法像決策樹、回歸等傳統的機器學習算法一樣，確定每一非線性層組的具體物理意義。根據卷積神經網絡算法原理，自動地層對比實驗分“訓練和預測”兩大部分(圖 6)。

圖6 基于卷積神經網絡的自動地層對比試驗設計思路Fig. 6 Flow chart of automatic stratigraphic correlation using convolutional neural networks

第一部分，訓練。針對選定的已知分層的井，將測井曲線作為數據輸入(Data)，以各井對應的單個地層單元的分層數據為標注(Label)，通過SegNet網絡算法，自動提取各地層單元的特征信息，并建立卷積模型。本次研究，我們選擇了自然電位(SP)、微電極(ML1、ML2) 3條測井曲線。輸入數據文件4個，其中3個Data文件、1個Label文件。Data文件分別代表三條曲線，每個文件為n×1數據，其中n代表了測井數據的數據量。Label文件為確定的地層分層數據文件，代表了現有的分層結果，用于樣本學習。

第二部分，預測。針對未知分層的井，將測井曲線(Data)作為數據輸入，基于訓練建立的卷積神經網絡模型，開展測井曲線圖像的分割分類，匹配到可能性最高的地層單元，從而實現地層自動劃分。

3 實驗方案設計

表1 實驗井數和比例Table 1 Number and proportion for experimental well

圖7 訓練井與預測井平面分布Fig. 7 Well location map for training and testing

實驗中，隨機選取部分實驗對象井作為訓練樣本，對未參與訓練的實驗對象井進行自動地層對比預測，并與原始分層數據比對進行誤差分析。按照訓練樣本的實驗對象井數據比例65%、40%、20%和10%將實驗分為a)、b)、c)、d)共4組(表1)。作為訓練樣本的實驗對象井隨機抽取，其平面分布如圖7所示。

為揭示實驗效果，每組實驗針對油層組、砂層組和小層三個級次地層單元進一步設置3個相互獨立的實驗，即實驗為4組，每組3個，共12個。

4 實驗結果

4.1 單井預測準確度

將單井全井段預測的結果與原始分層數據進行比對，并計算準確度。單井預測準確度Aw定義為

公式(1)中，預測正確的點數，是指就測井曲線上每個點而言，若預測的地層歸屬與原有分層數據一致，則該點計為預測正確的點?？梢钥闯?，單井預測準確度也可以理解為預測結果與原有分層結果一致的厚度與總厚度的百分比。以W345井砂組級地層單元預測為例(圖8)，其在訓練井數為65%、40%、20%和10%等4組實驗中預測準確度分別為98.3%、98%、97.7%和92.5%。

分別計算了12個實驗所有井預測結果的準確度，采用算術平均方法求取每個實驗的平均單井準確度(表2)。整體上，對于就某一特定的地層級別而言(比如砂組)，單井準確度隨訓練量降低而降低；就某特定的訓練量而言(比如40%)，單井準確度隨地層單元細分而降低。具體地說，在訓練量大于等于20%時，油組和砂組級別的單井預測準確度，都超過了90%，說明只需要20%的已知分層數據就可以較為可靠進行砂組和油組級別的自動地層對比。對于小層級別的地層單元而言，當訓練量小于等于40%時，其預測準確度都低于70%，說明小層級別的自動對比需要較多的訓練數據。

圖8 WA井砂組單元預測結果與原始分層對比示意圖Fig. 8 Correlation of original and predicted Stratigraphic unit for well WA

4.2 單一地層單元預測準確度

對于某一級次的單一地層單元而言，其預測準確度As定義為：

公式(2)中，單井上，某特定地層單元預測是否正確取決于該地層單元頂面、底面與原始分層數據的決定，若頂、底面絕對誤差之和不超過2 m，則認為該井預測結果準確；反之，則不準確。之所以把可容忍的最大誤差定為2 m，是因為該區單個有效砂體的厚度往往都大于2 m，即正確的預測結果不會改變2 m以上砂體對應的地層單元歸屬。

統計發現，油組級別的單層預測準確度在訓練量為65%、40%、20%和10%時均大于等于90%(圖9)，說明只需要10%的訓練量就可以對油組級地層單元進行可靠預測。

表2 自動對比實驗平均單井預測準確度統計表Table 2 Average prediction accuracy of single well for automatic stratigraphic correlation

圖9 油組級地層單元單層預測準確度Fig. 9 Prediction accuracy of stratigraphic units for formation level

砂組級別的單層預測準確度隨預測量的降低依次降低，訓練量為65%時砂組級單層預測準確度不小于90%；訓練量為40%時砂組級單層預測準確度在82%～97%，10個地層單元中有5個準確度不小于90%；訓練量為20%時砂組級單層預測準確度在75%～95%，10個地層單元中有4個準確度大于90%，有1個小于80%；而訓練量為10%時砂組級單層預測準確度在44%～94%，10個地層單元中有3個準確度大于90%，有2個小于60%(圖10)。

圖10 砂組級地層單元單層預測準確度Fig. 10 Prediction accuracy of stratigraphic units for sand group level

小層級別的單層預測準確度隨預測量的降低依次降低，訓練量為65%時，30個小層中11個準確度大于90%，14個在80%～90%，5個小于80%；當訓練量為40%時，30個小層中有17個小層準確度小于80%；當訓練量為20%和10%時，準確度進一步降低(圖11)。

圖11 小層級地層單元單層預測準確度Fig. 11 Prediction accuracy of stratigraphic units for single layer level

此外，相對于油組與砂組而言，小層級別的單層預測準確度的層間差異較大，進一步分析發現該差異與小層砂體平面分布相關。如圖12所示，砂體或非儲層分布較為均勻的S121、S424小層其準確度較高，而砂體和非儲層分布相對不均勻的S211小層其準確度較低。

圖12 小層砂體厚度平面圖Fig. 12 Sketch maps of sand thickness for single layer

5 結論與展望

5.1 結論

(1)訓練量越大，自動對比效果越好；地層級別越高(厚度越厚)，自動對比效果越好。

(2)對于砂組及以上級別地層單元而言(厚度不小于10 m)，20%的訓練量就可以較為可靠地進行自動地層對比。說明卷積神經網絡算法能有效應用于依據測井曲線圖像進行油藏規模地層自動對比，具有良好的發展前景。

5.2 展望

目前，尚未見有采用人工智能方法進行地層自動對比的研究報道。本文提出的采用卷積神經網絡進行自動地層對比的探索性實驗表明，該方法對于構造簡單、測井響應特征明顯的砂泥巖儲層適用性好，自動地層對比結果能夠滿足生產實踐需要。然而，深度學習算法對于復雜儲層的自動地層對比的適用性和效果有待進一步落實。為進一步提高自動地層對比效果，應基于實際的地質規律進一步改進算法：

(1)地層單元在垂向上有分級控制的旋回性，采用預測準確度更好的高級次(如砂組)對比結果約束進行低級次(如小層)地層對比，可進一步提高低級次地層對比的準確性。

(2)本次實驗中用于訓練的井和用于預測的井在平面上是隨機選取的，若能在預測時考慮訓練的井與預測的井的空間關系，并結合沉積物源等地質信息對預測過程進行干預，可能會提高預測準確度。

(3)本次實驗未考慮地層對比中較為常見的斷點問題，下一步可結合地震解釋或斷層信息，在預測過程中考慮各井的空間位置，實現斷點自動對比。