測井智能解釋中機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動范式及應(yīng)用

中圖分類號：P631 文獻標(biāo)識碼：A DOI：10.13810/j.cnki.issn.1000-7210.20240330

Abstract： Geophysical logging plays a crucial role in detecting fluid types in subsurface oil and gas reservoirs andevaluating reservoir parameters.Traditional log interpretation methods face significant chalenges.Artifi cialintelligence（AI）algorithms offer advanced capabilities and high accuracy，whichmakes them highly advantageous for log interpretation. The integration of“l(fā)ogging + AI\" has emerged as a new research direction. However，in inteligent log interpretation，the limited sample size and weak generalization ability of training models hinder the widespread application of purely machine learming-based log interpretation methods. Physical models inherently capture the underlying mechanisms thatconnect logging data to geological targets.Combining data-driven and mechanism-driven approaches provides an efective way to enhance log interpretation accuracy. However，existing joint data-mechanism driving lacks a well-defined paradigm. In view of this，the study fo cuses on the prediction of inteligent log interpretation parameters，proposes the concept and methodology of joint data-mechanism driving，and presents two key paradigms： data-guided physical modeling，where physical modeling is the primary framework，with data-driven methods assisting in obtaining key steps or parameters， and physics-guided machine learning，where machine learning is the primary approach，while knowledge models

or physical mechanisms provide supervision and constraints on input data，loss functions，and training processes. To implement these paradigms，three hybrid models are proposed： physics-augmented datasets，knowledgedriven sample weighting，and rock physics knowledge transfer. These approaches are applied to predict reservoir parameters and mineral composition in tight sandstone and organic shale reservoirs. Compared with purely data-driven machine learning models，the proposed data-mechanism jointly driving paradigms significantly improve the ability of the log interpretation model to learn from small and low-quality samples and make the model have enhanced robustness，generalization ability，and interpretation accuracy.

Keywords： log interpretation，mechanistic model，machine learning，joint driving，inteligent reservoir evaluation 譚茂金，白洋，張博棟，[J].石油地球物理勘探， 2025，60（4） ：966-977.

TANMaojin，BAI Yang， ZHANG Bodong. Paradigms of joint driving by mechanistic model and machine learning in inteligent log interpretation and application[J]. Oil Geophysical Prospecting，2025，60（4）： 966-977.

0 引言

巖石物理是溝通地球物理觀測數(shù)據(jù)與地質(zhì)解釋的橋梁，基于理論推導(dǎo)構(gòu)建巖石物理機理模型或知識模型是地球物理解釋的傳統(tǒng)范式，基于數(shù)據(jù)驅(qū)動構(gòu)建機器學(xué)習(xí)方法是地球物理智能解釋的新手段、新趨勢。具體說來，機理模型或知識模型是基于巖石模型和物理原理推導(dǎo)出的理論模型，遵循因果律，屬于知識體系范疇[1]。機器學(xué)習(xí)是從觀測數(shù)據(jù)和先驗信息出發(fā)，遵循關(guān)聯(lián)性，屬于數(shù)理統(tǒng)計范疇2。兩種研究思路均是當(dāng)前油氣測井解釋的重要手段[3-4]。但是，無論是數(shù)據(jù)驅(qū)動還是模型（知識）驅(qū)動，兩者各具優(yōu)勢，不能孤立研究。機器模型是通過機器學(xué)習(xí)算法對大量數(shù)據(jù)進行學(xué)習(xí)和分析得到的。數(shù)據(jù)提供了模型所需的信息和知識，模型可以從數(shù)據(jù)中提取有用的模式和規(guī)律。然而，在油氣儲層智能評價過程中，由于數(shù)據(jù)量少，問題復(fù)雜，單純采用數(shù)據(jù)驅(qū)動策略容易導(dǎo)致訓(xùn)練模型難以收斂或預(yù)測結(jié)果與客觀認(rèn)識不一致[5]。即使訓(xùn)練模型評價指標(biāo)滿足要求，但其對未知樣本空間的預(yù)測結(jié)果仍然不準(zhǔn)。因此，開展機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動范式研究是當(dāng)前油氣儲層智能評價的趨勢[6]。

近年來，數(shù)據(jù)一機理聯(lián)合驅(qū)動智能解釋范式在物理、地球物理、交通網(wǎng)絡(luò)、電力系統(tǒng)等領(lǐng)域得到廣泛研究[7-11]。Gebre 等[12]將降雨—徑流—沉積物過程模擬模型與神經(jīng)網(wǎng)絡(luò)、支持向量機等多個機器模型進行融合，建立混合模型，其預(yù)測精度比單個模型提高約 3%～38% 。Blakseth等[13]將基于二維熱擴散的物理場模型與機器學(xué)習(xí)模型進行融合，不但將預(yù)測精度提高了數(shù)個數(shù)量級，還使得混合模型具有更好的解釋能力。另外，一些研究還利用內(nèi)嵌物理知識神經(jīng)網(wǎng)絡(luò)（PINN）將領(lǐng)域知識作為求解邊界或物理約束嵌人網(wǎng)絡(luò)訓(xùn)練過程，使擬合結(jié)果更符合先驗條件或物理規(guī)律[14]。在油氣地球物理領(lǐng)域，Reich-stein等[15討論了物理建模過程和數(shù)據(jù)驅(qū)動建模過程相結(jié)合的混合建模新范式，分析了其在地學(xué)領(lǐng)域的優(yōu)勢和可行途徑。Lin等[6構(gòu)建了由巖石力學(xué)參數(shù)機器模型和物理模型組成的融合模型，研究表明頁巖儲層水平主應(yīng)力預(yù)測結(jié)果優(yōu)于單一方法。Nasr-nia等[17將神經(jīng)網(wǎng)絡(luò)、模糊邏輯、自適應(yīng)神經(jīng)模糊推理系統(tǒng)集成為委員會機器，將訓(xùn)練得到的集成機器模型與巖石物理模型相融合，利用元啟發(fā)式算法確定不同模型的權(quán)重，最終實現(xiàn)了更準(zhǔn)確的橫波速度預(yù)測。Zhang等18針對孔隙壓力預(yù)測難題，通過在門控遞歸機器模型中嵌入物理模型推廣的自適應(yīng)物理信息損失函數(shù)，構(gòu)建了一個自適應(yīng)物理信息深度學(xué)習(xí)模型，實現(xiàn)了物理信息與機器學(xué)習(xí)的融合，提高了泛化能力，對復(fù)雜儲層孔隙壓力的預(yù)測更準(zhǔn)確。邵蓉波等[19通過測井響應(yīng)正演模型構(gòu)建得到測井反問題數(shù)據(jù)集，以巖心數(shù)據(jù)與機理模型作為聯(lián)合數(shù)據(jù)集，彌補了測井標(biāo)簽樣本少的局限，實現(xiàn)了機理模型與機器模型的有效融合。

上述研究表明，數(shù)據(jù)一機理聯(lián)合驅(qū)動既能夠發(fā)揮數(shù)據(jù)分析與數(shù)據(jù)挖掘的優(yōu)勢，又能夠融入知識或經(jīng)驗約束，在數(shù)據(jù)標(biāo)簽少、應(yīng)用場景復(fù)雜情況下具有顯著優(yōu)勢。然而，現(xiàn)有的數(shù)據(jù)一機理聯(lián)合驅(qū)動缺乏范式遵循，工作模式不清，迫切需要深人開展相關(guān)研究和探索。因此，本文以油氣儲層測井解釋為目標(biāo)，對機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動范式的相關(guān)概念、實現(xiàn)方法進行探索和研究，提出總體思路和工作模式，并進行實際應(yīng)用和效果分析。

1機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動范式

1. 1 基本概念

數(shù)據(jù)一機理聯(lián)合驅(qū)動是將基于數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)模型與基于專業(yè)知識和內(nèi)在機理的物理模型相結(jié)合，共同作用于特定任務(wù)或問題的一種工作模式和方法策略。應(yīng)用這樣的策略，能將機器學(xué)習(xí)的信息挖掘能力與機理模型的理論指導(dǎo)作用有機融合，相互協(xié)作、優(yōu)勢互補，有效提升聯(lián)合模型的整體性能。

在油氣藏測井解釋中，機理模型或知識圖譜通常包括巖石物理機理、測井響應(yīng)特征等專家知識、解釋圖版、巖石物理模型等。數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)則利用巖石物理實驗和地質(zhì)錄井等數(shù)據(jù)構(gòu)建數(shù)據(jù)集。圖1列出了知識/機理模型驅(qū)動、機器學(xué)習(xí)數(shù)據(jù)驅(qū)動的內(nèi)涵及數(shù)一模聯(lián)合范式。圖中左上側(cè)為知識/機理模型，包括知識類和模型類，其中經(jīng)驗公式涵蓋了長期的認(rèn)識經(jīng)驗，公式中包含了內(nèi)在機理；右上側(cè)為機器學(xué)習(xí)方法，主要包括各種智能算法和訓(xùn)練方式，工作方式是數(shù)據(jù)驅(qū)動。兩者有機聯(lián)合進行地球物理解釋稱為機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動范式。

機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動，又稱模型一數(shù)據(jù)或數(shù)據(jù)一模型聯(lián)合驅(qū)動，簡稱數(shù)模雙驅(qū)，可以劃分為兩個范式：一是數(shù)據(jù)引導(dǎo)的物理建模，二是物理引導(dǎo)的機器學(xué)習(xí)。范式一是以物理建模為主導(dǎo)，其中的關(guān)鍵步驟或參數(shù)是基于數(shù)據(jù)驅(qū)動，以數(shù)據(jù)驅(qū)動為輔。范式二是以機器學(xué)習(xí)為主導(dǎo)，同時融入知識模型或物理機理作為輔助，對輸入數(shù)據(jù)、損失函數(shù)、訓(xùn)練過程進行監(jiān)督和約束。

圖1知識/機理模型驅(qū)動、機器學(xué)習(xí)數(shù)據(jù)驅(qū)動的內(nèi)涵及模型一數(shù)據(jù)聯(lián)合驅(qū)動范式

1.2數(shù)據(jù)引導(dǎo)的物理建模范式

數(shù)據(jù)引導(dǎo)的物理建模是指物理模型構(gòu)建中的關(guān)鍵參數(shù)利用機器學(xué)習(xí)算法進行智能預(yù)測，主線是物理模型，局部是機器模型。在物理建模中，通過數(shù)據(jù)引導(dǎo)可以更靈活地將少量、離散的專家知識、先驗信息或邊界條件嵌入物理建模流程，提高物理建模精度。數(shù)據(jù)引導(dǎo)的物理建模范式的概念或思路見圖2。

1.3物理引導(dǎo)的機器學(xué)習(xí)范式

物理引導(dǎo)的機器學(xué)習(xí)是機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動范式的主要模式（圖3）。該模式下，在機器模型優(yōu)化過程中嵌人物理知識或?qū)＜医?jīng)驗，其中機器學(xué)習(xí)是主導(dǎo)，物理機理是引導(dǎo)。在該模式下，對于數(shù)據(jù)集構(gòu)建、優(yōu)化算法、損失函數(shù)、訓(xùn)練方式等，物理模型融入的形式是多樣的。

根據(jù)物理模型融人的形式，將物理引導(dǎo)的機器學(xué)習(xí)劃分為物理模型增廣數(shù)據(jù)集、知識驅(qū)動樣本加權(quán)和巖石物理知識遷移三種模式。前兩種模式針對的是輸人數(shù)據(jù)，是在數(shù)據(jù)端融入；第三種模式是針對訓(xùn)練過程。在數(shù)據(jù)端融人模式中，通過物理知識嵌入，可彌補數(shù)據(jù)樣本少、質(zhì)量控制難的缺點，為機器模型賦予初值，加快收斂速度，提高極值收斂能力。

圖2數(shù)據(jù)引導(dǎo)的物理建模范式思路

在機器模型端融入形式中，機器模型融入能“鎖定”淺層神經(jīng)元的預(yù)學(xué)習(xí)模型，使深度學(xué)習(xí)模型具有了物理知識背景，因此，深層機器模型更準(zhǔn)確。

圖3物理引導(dǎo)的機器學(xué)習(xí)范式思路示意圖

1.3.1物理模型數(shù)據(jù)集增廣模式

如圖4所示，物理模型數(shù)據(jù)集增廣模式是指在數(shù)據(jù)集構(gòu)建過程中，以巖石物理模型計算結(jié)果或先驗知識與測并數(shù)據(jù)作為輸入，結(jié)合巖心巖石物理實驗數(shù)據(jù)聯(lián)合構(gòu)建標(biāo)簽數(shù)據(jù)集，通過機器學(xué)習(xí)算法訓(xùn)練，優(yōu)選出機理和數(shù)據(jù)聯(lián)合驅(qū)動的機器模型[20]

Y_m=f（X，m）

式中： X 為測井特征數(shù)據(jù)； m 為巖石物理模型計算結(jié)果或先驗知識； f（?） 為用于訓(xùn)練的智能算法。（X，m） 為標(biāo)簽數(shù)據(jù)集，其形式為

式中： n 表示測井特征數(shù)據(jù)的特征個數(shù)； k 表示數(shù)據(jù)集的行數(shù)； m₁，m₂，…，m_k 是 ?_m 的元素。

在測井解釋中，巖石物理模型包括體積模型孔隙度或經(jīng)驗?zāi)Ｐ汀⒂嬎銤B透率的Timur方程以及計算含水飽和度Archie公式等。

物理模型增廣數(shù)據(jù)集的數(shù)模雙驅(qū)方法是在訓(xùn)練數(shù)據(jù)集構(gòu)建過程中，結(jié)合巖石物理模型計算結(jié)果對數(shù)據(jù)集進行增強，實現(xiàn)物理模型和數(shù)據(jù)聯(lián)合驅(qū)動的機器模型訓(xùn)練。

1.3.2知識驅(qū)動樣本加權(quán)模式

在訓(xùn)練數(shù)據(jù)集中，不同樣本的質(zhì)量存在優(yōu)劣之分。在智能預(yù)測領(lǐng)域，有時質(zhì)量差的樣本恰恰是學(xué)習(xí)器需要著重學(xué)習(xí)的，例如Boosting學(xué)習(xí)策略，如果標(biāo)簽數(shù)據(jù)有誤，強行擬合可能會降低模型的泛化能力（圖5）。對于小樣本特征的井筒數(shù)據(jù)，樣本數(shù)量太小會使機器模型對異常數(shù)據(jù)更敏感，少量的優(yōu)質(zhì)數(shù)據(jù)難以糾正異常數(shù)據(jù)的影響，導(dǎo)致機器模型的泛化能力難以提升。因此，對樣本質(zhì)量進行評估，對優(yōu)質(zhì)樣本進行加權(quán)，或?qū)α淤|(zhì)樣本減權(quán)，利于機器模型的著重學(xué)習(xí)，構(gòu)建出最佳機器模型，從而提高預(yù)測精度。

圖4物理模型數(shù)據(jù)集增廣模式示意圖

樣本質(zhì)量評估需要借助物理模型。物理模型可以對測量數(shù)據(jù)的物理規(guī)律進行核實和約束，有助于評估樣本的質(zhì)量。因此，通過評估機器學(xué)習(xí)預(yù)測結(jié)果與模型、標(biāo)簽數(shù)據(jù)的偏差，根據(jù)偏差賦值數(shù)據(jù)集權(quán)重，實現(xiàn)對樣本質(zhì)量的自動評估。

在機理驅(qū)動的樣本加權(quán)約束策略中，首先，根據(jù)油氣儲層地質(zhì)特點，構(gòu)建巖石物理模型或經(jīng)驗公式，實現(xiàn)測井解釋。同時，篩選敏感測井?dāng)?shù)據(jù)，結(jié)合巖心實驗數(shù)據(jù)構(gòu)建訓(xùn)練集，對每個樣本賦值相同權(quán)重，利用深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練并輸出預(yù)測結(jié)果。然后，分別計算機器學(xué)習(xí)預(yù)測結(jié)果與標(biāo)簽數(shù)據(jù)的相對偏差，根據(jù)偏差均值重新確定樣本的權(quán)重。以權(quán)重修正后的訓(xùn)練樣本作為輸入，利用深度神經(jīng)網(wǎng)絡(luò)進行重新訓(xùn)練，得到最佳機器模型。最后，將盲井?dāng)?shù)據(jù)輸入機器模型，實現(xiàn)儲層參數(shù)的智能預(yù)測。

在該策略中，物理模型對計算結(jié)果起到了監(jiān)督作用，確定了不同質(zhì)量樣本的權(quán)重，實現(xiàn)樣本質(zhì)量的自動評估，降低了質(zhì)量差的樣本給小樣本訓(xùn)練模型帶來的負(fù)面影響。

1.3.3巖石物理知識遷移模式

遷移學(xué)習(xí)是一種利用已有知識或機理模型建立新任務(wù)或領(lǐng)域中預(yù)測模型的學(xué)習(xí)方法。當(dāng)智能模型具備基本巖石物理知識時，進一步學(xué)習(xí)并訓(xùn)練新領(lǐng)域知識后得到的機器模型具有更好的泛化能力。利用遷移學(xué)習(xí)可為目標(biāo)域的模型引入源域知識，解決標(biāo)簽數(shù)據(jù)稀缺性問題，降低小樣本數(shù)據(jù)部分質(zhì)量差的風(fēng)險（圖6）。

因此，遷移學(xué)習(xí)可為機理模型一機器學(xué)習(xí)聯(lián)合驅(qū)動測井解釋提供新思路。首先，根據(jù)油氣藏儲層地質(zhì)特點，構(gòu)建巖石物理模型或經(jīng)驗公式，得到測井解釋數(shù)據(jù)，構(gòu)建源域數(shù)據(jù)集；然后，選擇深度神經(jīng)網(wǎng)絡(luò)算法對源域數(shù)據(jù)集進行訓(xùn)練，得到預(yù)學(xué)習(xí)模型。最后，結(jié)合敏感測井?dāng)?shù)據(jù)和巖心實驗數(shù)據(jù)構(gòu)建目標(biāo)域訓(xùn)練集，再利用深度網(wǎng)絡(luò)算法繼續(xù)訓(xùn)練，利用預(yù)學(xué)習(xí)模型，即凍結(jié)預(yù)學(xué)習(xí)模型的淺層神經(jīng)元，對深層神經(jīng)元和輸出層進行微調(diào)，構(gòu)建目標(biāo)域訓(xùn)練模型，相當(dāng)于將知識遷移到機器學(xué)習(xí)模型，因此稱為知識遷移模型。

圖6巖石物理知識遷移模式示意圖

巖石物理知識遷移的數(shù)模雙驅(qū)方法是通過測井?dāng)?shù)據(jù)和物理模型計算結(jié)果構(gòu)建源域訓(xùn)練集，建立預(yù)訓(xùn)練模型，再利用巖心實驗結(jié)果對神經(jīng)網(wǎng)絡(luò)進行微調(diào)，實現(xiàn)具有物理模型知識背景的機器模型訓(xùn)練。

2 應(yīng)用實例及精度分析

2.1數(shù)據(jù)引導(dǎo)的物理建模測井解釋實例

深層碎屑巖致密儲集層的巖性和孔隙結(jié)構(gòu)復(fù)雜，滲透率與孔隙度的關(guān)系不再是簡單的線性關(guān)系，體現(xiàn)出多個流動單元。因此，需對流動單元進行分類，才能進行孔滲關(guān)系回歸。為此，擬采用數(shù)據(jù)引導(dǎo)的物理建模范式進行滲透率預(yù)測。具體方法是：首先，利用智能算法預(yù)測流動單元指數(shù)FZI；然后，基于FZI及儲層巖性和孔隙結(jié)構(gòu)對其分類，針對每種特定的分類構(gòu)建專門的滲透率模型（圖7）。

圖7基于數(shù)據(jù)引導(dǎo)的物理建模儲層滲透率測井解釋流程

利用該方法計算研究區(qū)A1井滲透率。圖8為A1并測并解釋成果圖，其中第5道為利用本文方法計算的滲透率與巖心滲透率，第6道為利用密度一中子交會法計算的孔隙度和巖心孔隙度。在深度 3600～3630m 處，計算的滲透率平均值為45.1mD ，巖心滲透率平均值為 63.9mD ，平均對數(shù)誤差為0.15，遠(yuǎn)小于一個數(shù)量級。基于深度神經(jīng)網(wǎng)絡(luò)，選取上述測井?dāng)?shù)據(jù)和孔隙度作為輸入，直接預(yù)測儲層滲透率，其訓(xùn)練誤差（對數(shù)誤差）為1.4，較數(shù)據(jù)一機理聯(lián)合驅(qū)動方法預(yù)測結(jié)果誤差高1.25。

2.2物理引導(dǎo)的機器學(xué)習(xí)模式應(yīng)用實例

圍繞物理模型數(shù)據(jù)集增廣、知識驅(qū)動樣本加權(quán)和巖石物理知識遷移方式分別進行應(yīng)用實例分析。

2.2.1物理模型數(shù)據(jù)集增廣應(yīng)用實例

針對鄂爾多斯盆地致密砂巖儲層孔隙度、滲透率和飽和度預(yù)測，基于搜集的巖心實驗數(shù)據(jù)和測井?dāng)?shù)據(jù)共構(gòu)建了1047組訓(xùn)練數(shù)據(jù)集。其中，測井?dāng)?shù)據(jù)包括自然伽馬（GR）、聲波時差（DT）、補償中子（CNL）、補償密度（DEN）和感應(yīng)電阻率（AT90）測井?dāng)?shù)據(jù)。在孔隙度預(yù)測中，引入了聲波孔隙度、中子孔隙度和密度孔隙度的平均值作為物理模型數(shù)據(jù)，增廣到巖石物理實驗數(shù)據(jù)集中進行訓(xùn)練。在滲透率預(yù)測中，訓(xùn)練數(shù)據(jù)包括GR、DT、CNL、DEN、AT90測井?dāng)?shù)據(jù)，同時利用Timur方程計算滲透率，作為物理模型增廣數(shù)據(jù)。對于含水飽和度預(yù)測，訓(xùn)練數(shù)據(jù)包括GR、DT、CNL、DEN、AT9O、計算孔隙度，同時利用Archie公式計算含水飽和度，作為物理模型增廣數(shù)據(jù)。基于上述數(shù)據(jù)集，分別利用BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機三個智能算法集成的委員會機器對孔隙度、滲透率、含水飽和度進行預(yù)測。

圖9為基于物理模型數(shù)據(jù)增廣的A2井孔隙度、滲透率和含水飽和度測井解釋成果。可以看出，與單純機器學(xué)習(xí)相比，基于物理模型增廣數(shù)據(jù)集的雙輪驅(qū)動模式的預(yù)測結(jié)果更準(zhǔn)確。圖中第3道為基于物理模型計算的滲透率、基于數(shù)模雙驅(qū)預(yù)測的滲透率和巖心滲透率；第5道為基于物理模型計算的含水飽和度、基于數(shù)模雙驅(qū)預(yù)測的含水飽和度和巖心含水飽和度；第6道為基于物理模型計算的孔隙度、基于數(shù)模雙驅(qū)預(yù)測的孔隙度和巖心孔隙度。由圖可見，基于物理模型數(shù)據(jù)增廣方法預(yù)測的孔隙度、滲透率和含水飽和度與巖心數(shù)據(jù)的一致性比單純數(shù)據(jù)驅(qū)動的智能預(yù)測效果更好。

2.2.2知識驅(qū)動樣本加權(quán)的數(shù)模雙驅(qū)測井解釋實例

表1為模型監(jiān)督樣本加權(quán)雙輪驅(qū)動方法與單純數(shù)據(jù)驅(qū)動方法預(yù)測的孔隙度、滲透率、飽和度的誤差對比。與單純的機器學(xué)習(xí)數(shù)據(jù)驅(qū)動相比，本文模式下的孔隙度預(yù)測誤差降低了 1.14% ，滲透率預(yù)測對數(shù)誤差降低了0.045，飽和度預(yù)測誤差降低了1.05% 。表1數(shù)據(jù)表明，本文模式預(yù)測精度更高、泛

圖8A1井?dāng)?shù)據(jù)一機理聯(lián)合驅(qū)動滲透率測井解釋成果圖

化能力更強。

利用最佳機器模型，以井A3目標(biāo)井段測井?dāng)?shù)據(jù)作為輸入，得到圖10所示孔隙度、滲透率、飽和度計算結(jié)果。其中，第6道為滲透率預(yù)測結(jié)果，誤差為 0.33mD ；第7道為飽和度預(yù)測結(jié)果，相對誤差為 7.42% ；最后一道為孔隙度預(yù)測結(jié)果，相對誤差為 7.28% ○

2.2.3知識遷移模式的數(shù)模雙驅(qū)測井解釋實例

有機頁巖是一種非常規(guī)油氣儲層，其礦物組分復(fù)雜，利用傳統(tǒng)測井解釋方法計算的礦物含量、孔隙度等儲層參數(shù)精度不高，因此，使用基于遷移學(xué)習(xí)模式的數(shù)模雙驅(qū)方法計算黏土、碳酸鹽礦物、長石、鐵礦、干酪根、石英的含量及孔隙度。選擇中國四川盆地焦石壩地區(qū)頁巖氣儲集層進行研究。圖11為利用知識遷移模型對有機頁巖儲層A4井目標(biāo)井段進行礦物含量和孔隙組分預(yù)測的結(jié)果。基于知識遷移目標(biāo)模型的訓(xùn)練平均相對誤差為 5.26% ，測試平均相對誤差為 15.15% 。對目標(biāo)域數(shù)據(jù)集利用機器學(xué)習(xí)進行訓(xùn)練，其訓(xùn)練平均相對誤差為 7.45% ，測試平均相對誤差為 18.56% 。與全巖礦物分析結(jié)果對比，本方法預(yù)測的石英、長石、碳酸鹽礦物、鐵礦、黏土、干酪根和孔隙度平均相對誤差分別為 5.62% /

圖9基于物理模型數(shù)據(jù)增廣的數(shù)模雙驅(qū)A2井致密砂巖孔隙度、滲透率和含水飽和度測井解釋成果

圖10基于物理模型樣本加權(quán)的數(shù)模雙驅(qū)致密砂巖孔隙度、滲透率、飽和度測井智能解釋成果

圖11基于遷移學(xué)習(xí)模式的數(shù)模雙驅(qū)頁巖測井解釋成果圖

11. 14% 、 27.5% 、 16.87% 、 6.53% 、 12.05% 和7.54% ，礦物及孔隙度的總體平均相對誤差為12.46% 。表明遷移學(xué)習(xí)模式在訓(xùn)練收斂和模型推廣方面更具優(yōu)勢。

3 結(jié)論與展望

針對地球物理智能預(yù)測領(lǐng)域如何進行機理一數(shù)據(jù)聯(lián)合驅(qū)動問題，為了制定業(yè)界的工作遵循，本文提出了兩個數(shù)據(jù)一機理聯(lián)合驅(qū)動智能測井解釋范式：數(shù)據(jù)引導(dǎo)的物理建模范式和物理引導(dǎo)的機器學(xué)習(xí)范式，及其工作模式。兩種范式中，數(shù)據(jù)驅(qū)動、物理模型作用的方式、順序不同。

（1）在數(shù)據(jù)引導(dǎo)的物理建模范式中，主線是物理模型，其中關(guān)鍵環(huán)節(jié)或關(guān)鍵參數(shù)采用機器學(xué)習(xí)或數(shù)據(jù)驅(qū)動。在深層致密砂巖滲透率預(yù)測中，引入巖性、物性及孔隙結(jié)構(gòu)等因素進行分類和建模，屬于知識驅(qū)動，其中對流動單元類型或指數(shù)進行機器學(xué)習(xí)預(yù)測，該過程屬于數(shù)據(jù)驅(qū)動，兩者接力，可實現(xiàn)滲透率的準(zhǔn)確預(yù)測。

（2）在物理引導(dǎo)的機器學(xué)習(xí)范式中，機器學(xué)習(xí)是主線，物理引導(dǎo)是輔助，包括物理模型數(shù)據(jù)集增廣、知識驅(qū)動樣本加權(quán)聯(lián)合驅(qū)動及巖石物理知識遷移聯(lián)合驅(qū)動三種模式。前兩種模式是在輸入端進行的。相較于數(shù)據(jù)驅(qū)動算法，基于物理模型增廣數(shù)據(jù)集的數(shù)據(jù)一機理聯(lián)合驅(qū)動方法的預(yù)測平均相對誤差得到了明顯提高。基于物理模型監(jiān)督樣本加權(quán)的聯(lián)合驅(qū)動方式預(yù)測的儲層參數(shù)精度均有提高。知識遷移為模型端的聯(lián)合雙驅(qū)，源域模型由知識或機理模型獲得，通過深度學(xué)習(xí)算法訓(xùn)練后轉(zhuǎn)化為機器學(xué)習(xí)預(yù)模型，在隨后的目標(biāo)域訓(xùn)練中通過淺層神經(jīng)元把預(yù)訓(xùn)練模型合并到深層神經(jīng)元，相當(dāng)于將知識遷移到機器模型，從而形成知識遷移模型，預(yù)測精度明顯提高。

（3）面對小樣本、質(zhì)量較差樣本的測井解釋難題，分別選擇致密砂巖、有機頁巖儲層評價場景，對數(shù)模雙驅(qū)的范式及其模式進行數(shù)據(jù)處理解釋。實例研究表明，數(shù)模雙驅(qū)智能解釋范式比數(shù)據(jù)驅(qū)動機器學(xué)習(xí)的預(yù)測精度有了明顯提高，可解釋能力也會明顯提升。

本文數(shù)模雙驅(qū)測井解釋實例主要是針對數(shù)值預(yù)測或回歸問題。在分類問題中，對于巖性巖相識別、流體類型識別等分類問題，數(shù)模雙驅(qū)中的“模型\"更多是知識、經(jīng)驗等，其主要是約束作用，是后續(xù)研究中關(guān)注的重點，通過研究并利用已有知識對油氣大數(shù)據(jù)進行自適應(yīng)挖掘，研發(fā)自動歸納為知識圖譜的知識發(fā)現(xiàn)技術(shù)，實現(xiàn)更可靠、更泛化的油氣儲層智能評價模式。

參考文獻

[1］劉財，鄧馨卉，郭智奇，等.基于巖石物理的頁巖儲層 各向異性表征[J].石油地球物理勘探，2018，53（2）： 339-346. LIU Cai，DENG Xinhui，GUO Zhiqi，et al．Shale reservoir anisotropic characterization based on rock physics[J]. Oil Geophysical Prospecting，2018，53（2）： 339-346.

[2] 魏國華，韓宏偉，劉浩杰，等．基于半監(jiān)督高斯混合模 型與梯度提升樹的砂巖儲層相控孔隙度預(yù)測[J].石油 地球物理勘探，2023，58（1）：46-55. WEI Guohua，HAN Hongwei，LIU Haojie，et al. Facies-controlled porosity prediction of sandstone reservoirs based on semi-supervised Gaussian mixture model and gradient boosting tree[J]. Oil Geophysical Prospecting，2023，58（1）：46-55.

[3］方志堅，巴晶，熊繁升，等.利用機器學(xué)習(xí)與改進巖石 物理模型預(yù)測頁巖油層系橫波速度[J].石油地球物理 勘探，2024，59（3）：381-391. FANG Zhijian，BA Jing，XIONG Fansheng，et al. Shearwave velocity prediction of shale oil formations based on machine learning and improved rock physics model[J].Oil Geophysical Prospecting，2024，59（3）： 381-391.

[4］KARPATNE A，ATLURIG，F(xiàn)AGHMOUSJH， et al.Theory-Guided data science： a new paradigm for scientific discovery from data[J]. IEEE Transactions on Knowledge and Data Engineering，2Ol7，29（10）： 2318-2331.

[5] 肖立志.機器學(xué)習(xí)數(shù)據(jù)驅(qū)動與機理模型融合及可解 釋性問題[J].石油物探，2022，61（2）：205-212. XIAO Lizhi. The fusion of data-driven machine learning withmechanism models and interpretability issues[J]. Geophysical Prospecting for Petroleum．2O22，61（2）： 205-212.

［6］王華，張雨順.測井資料人工智能處理解釋的現(xiàn)狀及 展望[J].測井技術(shù)，2021，45（4）：345-356. WANG Hua，ZHANG Yushun. Research status and prospect of artificial intelligence in logging data processing and interpretation[J]. WellLogging Technology， 2021，45（4） ：345-356.

[7]SIMONE M，DANIELE A. Training physics-informed neural networks：one learning to rule them all？[J].Results in Engineering，2023，18： 101023.

[8]HUANG B，WANGJH. Applications of physics-informed neural networks in power systems-A review[J]. IEEE Transactions on Power Systems，2O23，38（1）： 572-588.

[9]CAIS，MAO Z，WANG Z，et al.Physics-informed neural networks （PINNs）for fluid mechanics：a re view[J].Acta Mechanica Sinica，2021，37（12）：1727- 1738.

[10] CHENY，LUL，KARNIADAKISGE，etal.Physicsinformed neural networks for inverse problemsin Nanooptics and metamaterials[J]. Opt Express，2020，28（8）： 11618-11633.

[11] RAISSIM，YAZDANIA，KARNIADAKISGE. Hidden fluid mechanics：Learning velocity and pres sure fields from flow visualizations[J].Science，2020， 367（6481）：1026-1030.

[12] GEBREG，VAHIDN，HUSEYING，etal.Physicaland artificial intelligence-based hybrid models for rainfall-runoff-sedimentprocessmodelling[J].Hydro logical Sciences Journal，2023，68：1841-1863.

[13] BLAKSETHSS，RASHEEDA，KVAMSDALT， et al.Combining physics-based and data-driven techniquesforreliablehybrid analysisand modelingusing the corrective source term approach[J]. Applied Soft Computing，2022，128：109533.

[14] RAISSIM，PERDIKARISP，KARNIADAKISG E.Physics-informed neural networks：A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics，20l9，378：686-707.

[15] REICHSTEINM，CAMPS-VALLSG，STEVENS B，et al.Deep learning and process understanding for data-driven Earth system science[J].Nature，2019， 7743：195-204.

[16]LINHY，LIUXJ，XIONGJ，etal.Reservoir horizontal principal stress prediction using intelligent fusion model based on physical model constraints：acase studyof Daji Block，Eastern Ordos Basin，North China[J]. Acta Geophysica，2023，72： 2565-2579.

[17]NASRNIAB，F(xiàn)ALAHATR，KADKHODAIEA， etal.A committee machine-based estimation of shear velocity log by combining intelligent systems and rockphysics model using metaheuristic algorithms[J]. EngineeringApplicationsofArtificial Intelligence，2023， 126：106821.

[18] ZHANG X，LU YH，JIN Y，et al.An adaptive physics-informed deep learning method for pore pressure prediction using seismic data[J]. Petroleum Science， 2023，21（2）：885-902.

[19] 邵蓉波，史燕青，周軍，等.地球物理測井反問題機器 學(xué)習(xí)數(shù)據(jù)集的構(gòu)建方法研究[J].地球物理學(xué)報， 2023，66（7） ：3086-3101. SHAORongbo，SHIYanqing，ZHOUJun，et al.Construction of machine learning data set for geophysical log ging inversion[J]. Chinese Journal of Geophysics，2023， 66（7）：3086-3101.

[20] BAIY，TANMJ，SHIYJ，etal.Regressioncom mitteemachineand petrophysical model jointly driven parameters prediction from wireline logs in tight sandstone reservoirs[J]. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-9.

（本文編輯：劉海櫻）

作者簡介

譚茂金教授，博士生導(dǎo)師，1973年生；1996年畢業(yè)于長春地質(zhì)學(xué)院，獲應(yīng)用地球物理專業(yè)學(xué)士學(xué)位，2003年、2006年分別獲中國石油大學(xué)（華東）地球探測與信息技術(shù)專業(yè)碩士學(xué)位和地質(zhì)資源與地質(zhì)工程專業(yè)博士學(xué)位；2006年中科院研究生院博士后出站。目前就職于中國地質(zhì)大學(xué)，主要從事地球物理測井理論、復(fù)雜油氣藏智能解釋與多尺度巖石物理研究，發(fā)表相關(guān)論文110篇。