機(jī)器學(xué)習(xí)在儲(chǔ)層預(yù)測(cè)中的應(yīng)用分析

王俊

機(jī)器學(xué)習(xí)在儲(chǔ)層預(yù)測(cè)中的應(yīng)用分析

王俊

（成都理工大學(xué) 地球物理學(xué)院，四川 成都 610059）

機(jī)器學(xué)習(xí)是整個(gè)人工智能領(lǐng)域中應(yīng)用前景最為廣闊的技術(shù)，近年來的發(fā)展突飛猛進(jìn)，被廣泛用于與人們生活息息相關(guān)的各種領(lǐng)域，尤其在儲(chǔ)層預(yù)測(cè)方面。儲(chǔ)層預(yù)測(cè)是油氣勘探生產(chǎn)的首要環(huán)節(jié)，傳統(tǒng)的儲(chǔ)層預(yù)測(cè)方法往往需要經(jīng)歷多個(gè)環(huán)節(jié)，勘探與研究工作周期長(zhǎng)，降低了勘探效率。為此，介紹了機(jī)器學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等主流人工神經(jīng)網(wǎng)絡(luò)及其在儲(chǔ)層預(yù)測(cè)中的應(yīng)用。

機(jī)器學(xué)習(xí)；儲(chǔ)層預(yù)測(cè)；神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)模型

利用地震屬性對(duì)含油氣儲(chǔ)層特征進(jìn)行描述是油氣地球物理勘探的主要手段之一。以原始地震數(shù)據(jù)為基礎(chǔ)進(jìn)行油氣儲(chǔ)層預(yù)測(cè)，至今仍是油氣勘探開發(fā)研究的熱點(diǎn)。儲(chǔ)層物性的空間變化會(huì)引起地震信息的變化，進(jìn)而在不同地震屬性中引起不同的變化，同類型的測(cè)井?dāng)?shù)據(jù)同樣會(huì)有不同特征響應(yīng)，地震信息與測(cè)井?dāng)?shù)據(jù)本質(zhì)上均為間接觀測(cè)得到的地下儲(chǔ)層信息，兩者與儲(chǔ)層特征參數(shù)的關(guān)系非常復(fù)雜，在數(shù)學(xué)上表現(xiàn)為復(fù)雜的非線性關(guān)系，尋找一種合適的算法對(duì)其擬合，并進(jìn)行非線性預(yù)測(cè)是地震儲(chǔ)層預(yù)測(cè)的熱點(diǎn)和難點(diǎn)。國(guó)內(nèi)外眾多學(xué)者針對(duì)地震儲(chǔ)層預(yù)測(cè)問題研發(fā)了很多新技術(shù)、新方法，極大地推動(dòng)了油氣勘探進(jìn)程。近年來人工智能領(lǐng)域的機(jī)器學(xué)習(xí)應(yīng)用于地質(zhì)儲(chǔ)層預(yù)測(cè)已成為研究熱點(diǎn)之一。

1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是整個(gè)人工智能領(lǐng)域中應(yīng)用前景最為廣闊的技術(shù)，近年來的發(fā)展突飛猛進(jìn)，越來越多的人工智能應(yīng)用得以實(shí)現(xiàn)。其本質(zhì)為一個(gè)可以模擬人腦進(jìn)行分析、學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，通過組合低層特征，形成更加抽象的高層特征或?qū)傩灶悇e，來擬合人們?nèi)粘Ｉ钪械母鞣N事情，目前已被廣泛用于與人們生活息息相關(guān)的各種領(lǐng)域，可以實(shí)現(xiàn)自然語言處理、機(jī)器翻譯、語音識(shí)別等。機(jī)器學(xué)習(xí)利用大量的數(shù)據(jù)訓(xùn)練模型，以學(xué)習(xí)復(fù)雜而有效的信息，進(jìn)而提高預(yù)測(cè)的準(zhǔn)確性。機(jī)器學(xué)習(xí)除了可以學(xué)習(xí)特征和任務(wù)之間的關(guān)聯(lián)以外，還能自動(dòng)地從簡(jiǎn)單特征中提取更加復(fù)雜的特征，從而解決復(fù)雜的非線性問題，并且也成為地球科學(xué)特別是油氣地球物理勘探領(lǐng)域的一個(gè)非常吸引人的新技術(shù)。基于統(tǒng)計(jì)學(xué)理論的地震儲(chǔ)層預(yù)測(cè)方法主要有聚類分析、遺傳算法、模糊理論等，但是地下情況復(fù)雜、非均質(zhì)性較強(qiáng)，數(shù)據(jù)間的映射關(guān)系極為復(fù)雜，應(yīng)用傳統(tǒng)方法的效果較差。近年來隨著機(jī)器學(xué)習(xí)方法在科學(xué)和工程領(lǐng)域的應(yīng)用廣泛，很多研究者使用數(shù)據(jù)驅(qū)動(dòng)方法來解決地質(zhì)問題，例如利用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等方法來進(jìn)行地質(zhì)儲(chǔ)層預(yù)測(cè)，均取得了很好的預(yù)測(cè)結(jié)果。

2 深度學(xué)習(xí)與儲(chǔ)層預(yù)測(cè)

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是機(jī)器學(xué)習(xí)中最經(jīng)典的模型之一。卷積神經(jīng)網(wǎng)絡(luò)在諸多應(yīng)用領(lǐng)域都表現(xiàn)優(yōu)異。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩種特殊的神經(jīng)元層：①卷積層，每個(gè)神經(jīng)元的輸入與前一層的局部相連，并提取該局部的特征；②池化層，用來求局部敏感性與二次特征提取的計(jì)算層。

卷積層和池化層一般會(huì)取多個(gè)，采用卷積層和池化層交替設(shè)置，即一個(gè)卷積層連接一個(gè)池化層，池化層后再連接一個(gè)卷積層，依此類推。卷積層中輸出特征面的每個(gè)神經(jīng)元與其輸入進(jìn)行局部連接，并通過對(duì)應(yīng)的連接權(quán)值與局部輸入進(jìn)行加權(quán)求和，再加上偏置值。卷積神經(jīng)網(wǎng)絡(luò)因其具有適用性強(qiáng)、泛化能力強(qiáng)、可自適應(yīng)提取、分類并識(shí)別特征等優(yōu)點(diǎn)，結(jié)合油氣藏分布規(guī)律及其在地震響應(yīng)上所具有的特點(diǎn)，應(yīng)用地震數(shù)據(jù)驅(qū)動(dòng)實(shí)現(xiàn)油氣儲(chǔ)層預(yù)測(cè)和評(píng)價(jià)。目前，許多研究者也根據(jù)卷積神經(jīng)網(wǎng)絡(luò)提出了各種儲(chǔ)層預(yù)測(cè)模型[1]。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）是一類非常強(qiáng)大的專門用于處理序列和變長(zhǎng)數(shù)據(jù)的學(xué)習(xí)模型。循環(huán)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)輸入和輸出數(shù)據(jù)的許多限制，使其成為深度學(xué)習(xí)領(lǐng)域中一類非常重要的模型。但是RNN難以訓(xùn)練，原因?yàn)椋孩匐S著時(shí)間的推移，其對(duì)輸入的敏感性逐漸下降，甚至忘記之前的輸入；②隨著神經(jīng)元數(shù)量的增加，反向傳播過程中梯度會(huì)逐漸衰減，甚至出現(xiàn)梯度消失問題；③反向傳播過程中梯度可能會(huì)逐漸增強(qiáng)直至出現(xiàn)溢出，即梯度爆炸問題。針對(duì)RNN在實(shí)際應(yīng)用中存在的問題，RNN的各種變體應(yīng)運(yùn)而生。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）是最成功的一種，能夠保持信息的長(zhǎng)期依賴而備受關(guān)注。LSTM建模前后關(guān)聯(lián)、多序列和變長(zhǎng)序列數(shù)據(jù)效果好，能很好地根據(jù)序列數(shù)據(jù)中先前步驟的預(yù)測(cè)結(jié)果影響目前步驟中的計(jì)算，分析序列數(shù)據(jù)中前后數(shù)據(jù)間的相互影響。結(jié)合地震信息與測(cè)井?dāng)?shù)據(jù)序列化、變長(zhǎng)序列、多參數(shù)相互作用、隨深度變化而變化的特點(diǎn)，已有研究者利用地震信息與測(cè)井?dāng)?shù)據(jù)訓(xùn)練模型，成功實(shí)現(xiàn)了測(cè)井曲線生成[2]等。

2.3 支持向量機(jī)

支持向量機(jī)是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的分類器，綜合考慮分類器的經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信風(fēng)險(xiǎn)，在一定意義下具有最好的泛化能力，具有全局最優(yōu)解，不會(huì)陷入局部最優(yōu)，利用核函數(shù)解決非線性分類問題。這些優(yōu)點(diǎn)使得SVM在解決小樣本、非線性及高維模式識(shí)別問題中具有獨(dú)特的優(yōu)勢(shì)。利用支持向量機(jī)結(jié)構(gòu)簡(jiǎn)單、泛化性能高等優(yōu)點(diǎn)，考慮地震屬性與儲(chǔ)層特征參數(shù)之間的非線性映射關(guān)系，已有很多研究者將其應(yīng)用于儲(chǔ)層預(yù)測(cè)，以挖掘地震數(shù)據(jù)中事先未知的、潛在的信息，以預(yù)測(cè)油氣藏的分布規(guī)律[3]。

3 結(jié)論與展望

本文主要介紹了支持向量機(jī)（SVM）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其在地質(zhì)儲(chǔ)層預(yù)測(cè)中的應(yīng)用，各種方法均表現(xiàn)出了各自的優(yōu)異性能，但是也存在很大的局限性。為了克服單一模型的局限性，集成的思想被逐漸被引入，一些研究者提出使用混合的神經(jīng)網(wǎng)絡(luò)，嘗試將各種網(wǎng)絡(luò)模型進(jìn)行結(jié)合以取得更好的效果。例SVM和CNN、CNN和LSTM結(jié)合等。目前SVM和CNN的結(jié)合模型已在儲(chǔ)層預(yù)測(cè)中得到很好的應(yīng)用[4]，CNN和LSTM的結(jié)合體（C-LSTM）在自然語言處理、計(jì)算機(jī)視覺等領(lǐng)域都取得矚目的結(jié)果，但還未在地質(zhì)儲(chǔ)層預(yù)測(cè)中得到應(yīng)用，這將是本研究未來努力的方向。

［1］林年添，張棟，張凱，等.地震油氣儲(chǔ)層的小樣本卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與預(yù)測(cè)［J］.地球物理學(xué)報(bào)，2018，61（10）：4110-4125.

［2］張東曉，陳云天，孟晉.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的測(cè)井曲線生成方法［J］.石油勘探與開發(fā)，2018，45（4）：598-607.

［3］張向君，張曄.基于支持向量機(jī)的交互檢驗(yàn)儲(chǔ)層預(yù)測(cè)［J］.石油物探，2018，57（4）：597-600.

［4］付超，林年添，張棟，等.多波地震深度學(xué)習(xí)的油氣儲(chǔ)層分布預(yù)測(cè)案例［J］.地球物理學(xué)報(bào)，2018，61（1）：293-303.

TP18

A

10.15913/j.cnki.kjycx.2019.17.070

2095－6835（2019）17－0150－01

王俊（1992—），男，碩士，主要從事地震數(shù)據(jù)深度學(xué)習(xí)方面的研究。

〔編輯：王霞〕