一種基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的泥質(zhì)烴源巖TOC預(yù)測模型

宋雯馨 司錦

(1.油氣地球化學(xué)與環(huán)境湖北省重點實驗室(長江大學(xué)資源與環(huán)境學(xué)院) 湖北武漢 430100;2.油氣資源與勘探技術(shù)教育部重點實驗室(長江大學(xué)) 湖北武漢 430100;3.中聯(lián)煤層氣有限責(zé)任公司 北京 100016)

目前，巖石中原始有機質(zhì)的豐度可以通過測定巖石中殘留的TOC 衡量。在實際應(yīng)用時，受取心樣品和實驗分析成本的限制，單井烴源巖TOC的測定有限；烴源巖的分布也會受到構(gòu)造和沉積環(huán)境的影響，通常呈分散的薄層狀，盡管在較厚的生油層中，縱向上有機質(zhì)的富集程度也是波動比較大的。考慮到測井?dāng)?shù)據(jù)的縱向連續(xù)性、成本低的優(yōu)勢，因此通過各種測井相應(yīng)特征預(yù)測TOC的方法尤其關(guān)鍵。

目前，通過測井?dāng)?shù)據(jù)預(yù)測TOC 的方法有自然伽馬法、ΔlogR 法、多元回歸分析和神經(jīng)網(wǎng)絡(luò)法。SCHMOKER J W 發(fā)現(xiàn)了自然伽馬值與實測TOC 呈正相關(guān)關(guān)系，但是多用于泥質(zhì)烴源巖的預(yù)測[1]。PASSEY Q R 等人提出的ΔlogR 法在國內(nèi)得到廣泛應(yīng)用[2]，朱振宇等人發(fā)現(xiàn)該方法定性解釋高含有機質(zhì)的地層和成熟的源巖層比較有效[3]。陳浩等人提出了適合居延海坳陷的多元回歸預(yù)測分析模型，說明多元回歸分析法有良好的應(yīng)用前景[4]。趙萬金等人提出基于最優(yōu)化估算和貝葉斯統(tǒng)計分類的TOC井-震聯(lián)合預(yù)測技術(shù)并實際應(yīng)用于湖相致密泥灰?guī)r預(yù)測并驗證了該技術(shù)的有效性[5]。該文重點關(guān)注了神經(jīng)網(wǎng)絡(luò)法預(yù)測TOC 的應(yīng)用，孟召平等人建立了TOC 的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型分別用于煤層氣和頁巖氣的研究，發(fā)現(xiàn)了該方法能很好地反映非線性關(guān)系[6-7]。馬創(chuàng)濤等人使用煙花算法改進BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，預(yù)測誤差更小，在尋優(yōu)速度和精度方面表現(xiàn)出了較高性能[8]。石創(chuàng)等人通過地化—測井—地震聯(lián)合優(yōu)選地震屬性參數(shù)，基于概率神經(jīng)網(wǎng)絡(luò)（PNN）對陸豐南區(qū)烴源巖TOC 進行了預(yù)測，為精細油氣資源潛力評價提供了一種新的嘗試[9]。王慧君等人提出CNN神經(jīng)網(wǎng)絡(luò)預(yù)測TOC的方法，預(yù)測TOC的平面分布與沉積微相分布匹配良好，顯示了CNN神經(jīng)網(wǎng)絡(luò)的可行性[10]。張毅等人嘗試使用ConvLSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測TOC，結(jié)果表明該方法具有較高的精度和較好的適用性[11]。另外，烴源巖富含有機質(zhì)的煤系地層巖性差異大，測井響應(yīng)特征受其影響變化大，因此該文避免巖性對測井曲線的影響，再結(jié)合以上文獻的總結(jié)分析，提出一種利用測井曲線基于CNN-LSTM 神經(jīng)網(wǎng)絡(luò)的泥質(zhì)烴源巖TOC 預(yù)測模型，經(jīng)過對X 研究區(qū)測井?dāng)?shù)據(jù)的測試，結(jié)果表明該方法有較好的準(zhǔn)確性，可以得到較好的預(yù)測效果。

1 方法原理

1.1 CNN原理

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）基本結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層和激活層組成[12]。輸入層是網(wǎng)絡(luò)接收輸入樣本傳給其后網(wǎng)絡(luò)的結(jié)構(gòu)，卷積層是進行卷積運算得到輸入數(shù)據(jù)特征的結(jié)構(gòu)，池化層是縮小矩陣尺寸的降維結(jié)構(gòu)，全連接層是連接深層的特征與最后輸出之間所有節(jié)點的層次結(jié)構(gòu)，激活層是負責(zé)將神經(jīng)元的輸入映射到輸出端的結(jié)構(gòu)。

1.2 LSTM原理

長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，其最大的特點是由輸入門、遺忘門和輸出門這3個“門”結(jié)構(gòu)組成[13]。輸入門起確定輸入信息比重的作用，遺忘門起控制丟失信息比重的作用，輸出門起確定輸出信息的作用。

1.3 CNN-LSTM原理

通過查閱各類資料，CNN 具有高維數(shù)據(jù)處理能力和自動提取特征能力，LSTM能夠解決梯度消失的問題并且是良好的非線性模型。綜合以上兩種網(wǎng)絡(luò)的特點，該文采用CNN 和LSTM 兩種網(wǎng)絡(luò)相結(jié)合的CNNLSTM 網(wǎng)絡(luò)，主要是先使用CNN 提取特征，再經(jīng)過LSTM輸出預(yù)測結(jié)果。

2 TOC含量預(yù)測模型建立

該文樣本取自X 區(qū)的7 口井，通過對現(xiàn)有的測井?dāng)?shù)據(jù)分析，應(yīng)用自然電位（SP）、自然伽馬（GR）和井徑（CAL）三條巖性曲線，淺向電阻率（RS）和深向電阻率（RD）兩條電阻率曲線，補償中子（CNL）、體積密度（DEN）和聲波時差（AC）三條孔隙度曲線，共計8 條測井曲線作為預(yù)測參數(shù)。

該文使用的CNN-LSTM 模型如圖1 所示，主要結(jié)構(gòu)有8 維輸入、1 維輸出、3 個卷積層、5 個長短期記憶層。由于神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中容易出現(xiàn)過擬合現(xiàn)象，該文為了驗證CNN-LSTM 網(wǎng)絡(luò)自身的性能，不對輸入數(shù)據(jù)進行主成分分析等預(yù)處理，而是采用批標(biāo)準(zhǔn)化（Batch Normalization，BN）結(jié)合丟棄法（Dropout）緩解過擬合程度。

圖1 CNN-LSTM預(yù)測模型

3 預(yù)測結(jié)果與討論

該文將研究區(qū)7 口井的525 組實測TOC 數(shù)據(jù)樣本在訓(xùn)練過程中將其中6 口井460 組（約87.7%）數(shù)據(jù)作為訓(xùn)練集，A 井的65 組（約12.3%）數(shù)據(jù)作為測試集。模型的誤差分析和預(yù)測結(jié)果如圖2～圖4所示。

圖2 X區(qū)A井TOC預(yù)測值與實測值交會圖

從圖2 交會圖可以看出，CNN-LSTM 模型對TOC含量與測井參數(shù)間的非線性關(guān)系有較好的泛化能力，TOC 預(yù)測值偏離實測值的程度較小，相關(guān)性達97%以上，其中圖2（a）花港組TOC預(yù)測值與實測值的相關(guān)系數(shù)為97.92%，圖2（b）平湖組的相關(guān)系數(shù)為97.87%。分析TOC實測值數(shù)據(jù)，花港組TOC分布范圍介于0.01%～0.60%之間，主要分布在0.01%～0.25%區(qū)間，TOC 實測平均值為0.18%，平湖組TOC 分布范圍介于0.01%～4.30%之間，主要分布在0.01%～1.30%之間，TOC 實測平均值為0.86%。

由圖3 誤差結(jié)果圖得到，CNN-LSTM 模型預(yù)測平湖組TOC的誤差明顯高于花港組，其中圖3（a）顯示花港組TOC 預(yù)測值的絕對誤差分布范圍介于0%～9.0%之間，主要分布在0%～1.5%區(qū)間，平均值是1.59%，花港組的相對誤差分布范圍介于0%～22.0%之間，主要分布在0%～8.0%區(qū)間，平均值是8.13%，圖3（b）顯示平湖組TOC 預(yù)測值的絕對誤差主要分布范圍介于0%～10.0%之間，平均值是9.75%，相對誤差主要分布范圍介于0%～12.0%之間，平均值是9.03%。

圖3 X區(qū)A井TOC預(yù)測結(jié)果分析圖

結(jié)合X 區(qū)的TOC 實測值數(shù)據(jù)分析，該文將X 區(qū)TOC≥1.0%劃分為具有較好的生烴潛力的有效烴源巖。根據(jù)圖4預(yù)測結(jié)果對比圖可知，X區(qū)A井花港組和平湖組上段TOC 含量一般低于1.0%，有效烴源巖發(fā)育較少，平湖組中段和下段TOC含量較高，是有效烴源巖發(fā)育好的層段。

圖4 X區(qū)A井TOC預(yù)測結(jié)果對比圖

4 結(jié)論

（1）該文提出的基于CNN-LSTM 神經(jīng)網(wǎng)絡(luò)的TOC預(yù)測模型預(yù)測結(jié)果表明，預(yù)測值與實測值相關(guān)性大于97%，絕對誤差平均值小于10%，相對誤差平均值小于10%，準(zhǔn)確性較高。由于樣本數(shù)量較少，且多數(shù)樣本數(shù)值過小，導(dǎo)致模型對低值的預(yù)測誤差更小，模型對高值的預(yù)測不夠準(zhǔn)確，因此高值的誤差過大，該模型的穩(wěn)定性仍有提升的空間。

（2）該文的預(yù)測結(jié)果雖然不能完全定量地達到烴源巖精細評價的目的，但是在定性地研究X 區(qū)烴源巖TOC 方面可以起到一定的輔助作用。不只是CNNLSTM神經(jīng)網(wǎng)絡(luò)，所有利用測井資料的烴源巖TOC預(yù)測方法都值得鉆研，以推進油氣事業(yè)的發(fā)展。