在地震储层预测中, 复杂岩性预测一直是一个难点, 如碎屑岩中钙质泥岩、碳酸盐岩及火山岩[1-3]等。目前复杂岩性的预测技术[4]主要集中在叠前弹性参数反演, 根据岩石物理多参数交会分析判定, 但对于有些复杂岩性, 难以找到线性相关且敏感有效的弹性参数。对于属性或叠后反演分析复杂岩性来说技术挑战更大。通过研究地震波形的聚类分析进行复杂岩性的预测[5], 需井震对比以建立岩性和波形的对应关系, 然而实际岩性与地震波形之间的关系存在着一系列复杂的响应机制, 很难一一对应, 人工井震标定方式转化岩性反演结果多解性强。机器学习的非线性反演方法[6-7]通过计算特征曲线识别复杂岩性, 常用机器学习的方法有BP神经网络、支持向量机等。这些学习方法都存在易陷入局部最小、效果不稳定、多次实现结果相差很大的局限。
近年来, 深度学习受到国内外学者的广泛关注。深度学习的概念最早由HINTON等[8]提出, 是指基于样本数据通过一定的训练方法得到包含多个层级的深度网络结构的机器学习过程[9-10]。之后, 深度学习率先在语音识别以及图像识别中取得了杰出成果。如今, 深度学习除了在图像、语音、自然语言处理等方面继续向前发展之外[11], 在CTR(click through rate)预估、大数据特征提取、医疗、金融、无人驾驶等方面也得到广泛应用。同样, 在石油勘探领域, 深度学习也受到了学者的青睐, 如在2017年青岛国际会议和SEG年会上开设了专门的深度学习专题[12-14], 一些大的石油公司也开始利用这项技术解决地质问题。
深度学习通常面向大数据。大数据并非是单指海量数据, 除了需要大量数据外, 更重要的是各种类型的数据都应具备, 网络模型才可能建得合理, 即数据应具备完备性。将深度学习用于非线性反演的关键是如何满足数据的完备性要求。反演过程首先通过井旁地震道(属性)与特征测井曲线建立的一一对应的样本集, 再采用随机采样方式产生训练样本集和测试样本集, 这种方式可能导致一些特殊岩性没有被抽样到而影响样本集的完备性和代表性; 其次, 样本集根据井点建立, 井在空间分布不均匀, 只根据井建立样本集会漏掉一些岩性带的抽样, 从而影响样本集的完备性; 再则, 深度学习在大样本(大数据)上有明显的优势, 但地震储层预测中井震样本往往是一个小样本问题, 并不满足深度学习大数据条件。
针对这些问题, 本文采用优化样本采样、抽取相控伪井以及增量学习的策略解决上述问题, 提高了深度学习预测模型的精度。常规网络学习多以测井特征曲线(伽马曲线等)为目标曲线, 存在井震分辨率不匹配的问题, 为此, 我们采用了地震岩相的概念[15], 一是通过测井岩相解释, 对测井岩性曲线粗化, 解决井震分辨率匹配问题, 二是通过地震地质结合, 合理划分岩性-地震属性可识别的岩相类别, 降低建模难度, 增加样本集的合理性。基于深度学习的地震岩相反演方法通过输入地震的低、中、高频分频剖面及岩相曲线作为样本集, 经过完备性采样, 训练获得稳定的深度网络, 应用于整个地震数据上, 从而获得高分辨率的地震岩相反演结果。
1 BP与深度学习BP(back propagation)神经网络, 被称作多层感知机(multi-layer perceptron), 但实际上是一种只含有一层隐层节点的浅层模型。其应用于地震反演时存在的问题是:①网络结构单一, 非线性表征能力较差, 容易出现过度拟合现象; ②神经网络初始化中的随机权值, 导致网络很容易收敛到局部最小值, 随机性强。BP神经网络代表的是“大数据+简单模型”的传统工业界学习模式(图 1a)。较常规的BP神经网络而言, 深度学习的网络结构更复杂, 代表的是“大数据+复杂模型”的学习模式(图 1b), 可以充分挖掘数据背后的信息, 目前已经成为主流模式。该模式通过组合低层特征形成更加抽象的高层特征, 有效改善BP神经网络反演结果随机性和容易陷入局部最小的缺点。
目前深度学习的主流神经网络有很多种, 其中常见的有卷积神经网络(convolution neutral network, CNN)、深度信念网络(deep belief netwook, DBN)、循环神经网络(recurrent neural networks, RNN)等[16], 不同的网络结构不同, 适应的任务不同。CNN主要用于图像处理, 也可用于其它类型的输入, 如音频, 主要应用有监督场景。RNN是基于时间的前馈神经网络, 主要应用于自然语言处理方面, 同样需要大量的有标注的样本信息进行有监督训练。上述两种模型属于有监督的判别模型, 而DBN是一种半监督生成模型。所谓半监督就是指DBN的训练需要通过“无监督+有监督”的方式分两步进行训练。首先, 通过无监督的方式训练其神经元间的权重, 整个神经网络按照最大概率生成数据, 形成聚类信息, 然后使用反向传播指导DBN进行微调, 即有监督地进行调优, 赋予DBN具体类别信息, 最终建立样本与类别之间的联合概率分布。
本文采用了DBN, 原因如下:①岩相预测过程也可认为是先聚类再赋予类别信息的过程; ②井旁分频数据及井岩相样本数量少, 采用有监督方法难以取得有效成果; ③面对岩相预测这样的数值计算而言, 相比于CNN以及RNN, DBN具有更强的适用性。
采用DBN对地震岩相进行学习的过程是:①自下而上进行RBM(restricted boltzmann machine)无监督学习, 充分训练每一层, 一层一层获得各层网络连线的权值参数; ②各层训练完成后, 依靠样本标签, 将误差自上而下反向传递进行训练, 对多层的连接权重参数调优, 形成有监督的训练过程, 最终确定岩相学习的DBN网络。再通过这个网络进行整个地震数据体范围的岩相体反演。
2 深度学习计算地震岩相方法 2.1 流程首先将分频属性作为输入, 多井地震岩相曲线作为学习目标, 也就是标签。然后利用深度学习方法, 先从分频数据出发, 从网络底层开始训练数据, 逐层将数据进行抽象表征, 直到网络顶部, 这是无监督的训练过程; 再从多井地震岩相曲线出发, 将误差逐步以反向传播的形式从网络顶部传递至底部, 逐层对网络进行调优, 最终建立两者之间的模型。之后进行质量监控, 进一步根据结果对模型进行调整。最终获得成熟网络, 可用于预测, 将分频属性转化为地震岩相体。图 2是深度学习计算地震岩相的流程, 其核心部分在于样本集优化方式, 使得深度学习能充分发掘分频属性与多井地震岩相曲线之间的联系, 以下逐步详述。
常规训练样本及测试样本是通过混合多井样本点随机抽样的方式抽取, 当某些井样本点少或者某种岩相的样本点少, 就容易漏采岩相。同时随机抽样也破坏了地震波形的完整性, 影响了数据的完备性。为此, 本文通过以井及岩相为分组的均匀采样方式解决漏采某种岩相信息的问题。以一口井为例, 以岩相为分组均匀采样(图 3)。井1中井岩相曲线分为3类, 提取井旁道m个分频数据组成一个向量(x1, x2, x3, …, xm), 井旁道数按照时间顺序(1, 2, …, n)进行编号。根据该向量对应的岩相类别, 将其放置在对应岩相集合中, 这就是一条样本。如图 3所示, 岩相1集合中将会有4条样本, 分别是第1, 2, 3, 9时间点处的数据; 岩相2集合中将会有6条样本, 分别是第4, 5, 6, 7, 14, 15时间点处的数据; 岩相3将会有7条样本, 分别是第10, 11, 12, 13, 16, 17, 18时间点处的数据。经过这样的处理, 形成3个集合的数据。最后分别从这3个集合中, 对每个集合按照等时间间隔选取训练集及测试集。
人工智能反演方法, 依赖井点处地震数据与井数据之间的映射关系, 如果井点稀疏, 难以覆盖整个反演工区, 势必造成平面上有些相带没有抽取到样本, 影响数据的完备性, 导致反演结果外推能力差、平面连续性差的问题。这里, 我们通过输入基于相边界控制下的岩相插值模型进行平面控制, 以平面网格化方式均匀抽取模型体作为伪井井曲线, 填充样本集, 如图 4所示, 一方面能够解决井网分布不匀的问题, 扩充样本采样在平面上的均匀性, 样本集受相带约束, 可确保反演结果的横向稳定性; 另一方面样本集中样本个数大大增加, 有利于深度学习建立准确的网络模型在一个相对稳定的映射关系上进行扰动修正, 获得最优解。
增量学习是指一个学习系统能不断地从新样本中学习新的知识, 并能保存大部分已经学习到的知识, 根据新的知识会对旧知识进行调优, 从而使得整个系统更加趋于稳定和全局最优, 其过程如图 5所示。我们可以利用增量学习的思想, 区别对待真井和伪井。利用伪井作为老知识进行学习, 得到一个初始的网络模型, 然后在这个初始网络模型的基础上利用真井作为新知识对网络进一步学习调优, 最终获得成熟的网络用于预测岩相。
研究区属于典型的深水陆坡水道沉积, 其中陆坡区主要发育的水道以及扇体等复合沉积体系为优质储层。因为水道空间展布形态复杂, 常规层状插值建模困难, 影响了反演的精度。同时研究区岩性多样, 有灰岩、钙质砂岩、砂岩和泥岩4种岩石类型, 其中灰岩、钙质砂岩表现为高阻抗特征, 砂岩和泥岩表现为低阻抗特征, 岩石物理规律复杂, 岩性区分困难。
如图 6所示, 井A钻遇钙质砂岩-干层, 井B钻遇砂岩-气层。而两口井之间发现一个岩性圈闭目标(白圈中所示), 该目标岩性类型成为储层物性评价的关键。另外该目标位于构造底部位, 井B已钻遇气水界面, 因此该目标岩性上倾方向是否尖灭是成藏的关键。综合以上两个问题, 本区勘探的重点为岩性分类预测及砂岩边界刻画。以-90°地震数据以及20, 30, 40, 50Hz分频体作为输入, 以两口井地震岩相结果以及这两口井相控插值建模结果抽取的伪井作为学习目标, 如图 7所示。分别采用BP和深度学习方法进行岩相反演。图 8为BP神经网络反演岩相体剖面, 可以看出, 经过井震标定, 井点反演吻合率较高, 但横向外推能力欠佳, 反演同相轴剖面连续性差, 砂体边界不清晰(红色箭头所示)。图 9为深度学习方法反演岩相体剖面, 井震标定结果表明, 过井点反演结果与测井解释结果基本吻合, 同时井点外推效果较好, 砂体边界清楚, 解释目的层(白圈中所示位置)为砂岩沉积, 且沿高部位上倾尖灭(红色箭头所示), 与井B发育的砂岩为两套油水界面, 具备成藏条件。图 10为叠前弹性阻抗反演出声波阻抗(AI)和横波阻抗(SI), 经过岩石物理交会得到的地震岩相体剖面。和深度学习反演剖面相比, 叠前反演岩性体剖面对岩相类型区分不够, 钙质砂岩与灰岩区分度不高, 且分辨率低。
基于DBN深度学习的地震岩相反演方法是复杂岩性预测的有效手段, 优点在于:①深度学习方式是包含多个隐层的深度结构网络, 可从大样本中提取有效特征信息与岩相建立非线性关系进行反演, 比传统神经网络(如BP神经网络)反演效果更为稳定, 不容易陷入局部最小; ②深度学习有很强的非线性表征能力, 通过分频属性即可反演出两类以上复杂岩性, 和叠前弹性参数判定结果非常相似, 但分辨率更高; ③DBN善于处理分类问题, 故将其应用于岩相判定, 实际资料应用结果证实其岩相反演结果精度高。这种方法也存在一些局限:深度学习在大样本上才能展现其优势, 但反演中样本数受井数限制, 一般为小样本, 所以该方法更适合在开发区应用; 同时为了扩大样本量我们采用了相控插值模型抽取伪井, 虽然使用了增量学习方法区别对待真井和伪井, 但反演结果势必受到模型精度影响。
[1] |
李国发, 岳英, 熊金良. 基于三维模型的薄互层振幅属性实验研究[J]. 石油地球物探勘探, 2011, 46(1): 115-120. LI G F, YUE Y, XIONG J L. Experimental study on amplitude properties of thin interbed based on 3D model[J]. Oil Geophysical Prospecting, 2011, 46(1): 115-120. |
[2] |
林忠民. 塔河油田奥陶系碳酸盐岩储层特征及成藏条件[J]. 石油学报, 2002, 23(3): 23-26. LIN Z M. Carbonate rock reservoir features and oil-gas accumulating condition in the Ordovician of Tahe oilfield in Northern Tamin Basin[J]. Acta Petrolei Sinica, 2002, 23(3): 23-26. |
[3] |
庚琪. 辽河盆地东部凹陷火成岩储层特征及成藏模式[J]. 复杂油气藏, 2016, 9(1): 6-11. GENG Q. Igneous reservoir characteristics and hydrocarbon accumulation model in eastern sag of Liaohe Basin[J]. Complex Hydrocarbon Reservoirs, 2016, 9(1): 6-11. |
[4] |
彭俊, 彭嫦姿, 于少勇. 复杂岩性有效储层地震预测技术——以B气田大安寨段一亚段气藏为例[J]. 断块油气田, 2015, 22(3): 342-346. PENG J, PENG C Z, YU S Y. Seismic prediction technology for effective reservoir in complex lithology:The 1st interval of Da'anzhai Section in B Gas Field case[J]. Fault-Block Oil and Gas Field, 2015, 22(3): 342-346. |
[5] |
胡英, 陈辉, 贺振华, 等. 基于地震纹理属性和模糊聚类划分地震相[J]. 石油地球物理勘探, 2013, 48(1): 114-120. HU Y, CHEN H, HE Z H, et al. Seismic facies classification based on seismic texture attributes and fuzzy clustering[J]. Oil Geophysical Prospecting, 2013, 48(1): 114-120. |
[6] |
张繁昌, 刘汉卿, 钮学民, 等. 褶积神经网络高分辨率地震反演[J]. 石油地球物理勘探, 2014, 49(6): 1165-1169. ZHANG F C, LIU H Q, NIU X M, et al. High resolution seismic inversion by convolutional neural network[J]. Oil Geophysical Prospecting, 2014, 49(6): 1165-1169. |
[7] |
吴媚, 符力耘, 李维新. 高分辨率非线性储层物性参数反演方法和应用[J]. 地球物理学报, 2008, 51(2): 546-557. WU M, FU L Y, LI W X. A high-resolution nonlinear inversion method of reservoir parameters and its application to oil/gas exploration[J]. Chinese Journal of Geophysics, 2008, 51(2): 546-557. DOI:10.3321/j.issn:0001-5733.2008.02.027 |
[8] |
HINTON G E, OSINDERO S, TEH Y. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554. DOI:10.1162/neco.2006.18.7.1527 |
[9] |
BENGIO Y. Learning deep architectures for AI[M]. Boston: Now Publishers Inc, 2009: 1-127.
|
[10] |
RANZATO M, BOUREAU Y, CHOPRA S, et al. A unified energy-based framework for unsupervised learning[J]. Proceedings of the Eleventh International Conference on Artificial Intelligence and Statistics, 2007, 371-379. |
[11] |
程国建, 刘丽婷. 深度学习算法应用于岩石图像处理的可行性研究[J]. 软件导刊, 2016, 15(9): 163-166. CHEN G J, LIU L T. Feasibility study of deep learning algorithm applied to rock image processing[J]. Software Guide, 2016, 15(9): 163-166. |
[12] |
CAO J X, WU S K.Deep learning: Chance and challenge for deep gas reservoir identification[C]//Qingdao: International Geophysical Conference, 2017: 711-712
|
[13] |
LEWIS W, VIGH D. Deep learning prior models from seismic images for full-waveform inversion[J]. Expanded Abstracts of 87th Annual Internat SEG Mtg, 2017, 1512-1517. |
[14] |
BESTAGINI P, LIPARI V, TUBARO S. A machine learning approach to facies classification using well logs[J]. Expanded Abstracts of 87th Annual Internat SEG Mtg, 2017, 2137-2142. |
[15] |
刘力辉, 李建海, 刘玉霞. 地震物相分析方法与"甜点"预测[J]. 石油物探, 2013, 52(4): 432-437. LIU L H, LI J H, LIU Y X. Seismic reservoir property facies analysis and sweet spot prediction[J]. Geophysical Prospecting for Petroleum, 2013, 52(4): 432-437. DOI:10.3969/j.issn.1000-1441.2013.04.014 |
[16] |
刘帅师, 程曦, 郭文燕, 等. 深度学习方法研究新进展[J]. 智能系统学报, 2016, 11(5): 567-577. LIU S S, CHENG X, GUO W Y, et al. Progress report on new research in deep learning[J]. CAAI Transactions on Intelligent Systems, 2016, 11(5): 567-577. |