随着油气勘探的不断深入, 致密油气储层已经成为一个新的勘探热点。但致密储层具有地层薄、孔隙度低、横向非均质性强等特点, 此类非常规储层甜点识别是勘探工作中遇到的核心和难点问题^[1-2]。现有储层反演等技术在解决此类问题时, 主要依靠人工从属性数据体中寻找规律并确定甜点的最大可能区域。李岳桐等^[3]通过构建振幅、频率融合属性预测岩性, 然后通过优选敏感特征曲线反演预测细粒沉积岩致密油甜点区; 汪关妹等^[4]通过优选敏感弹性参数, 基于保幅地震资料进行叠前弹性反演, 预测致密砂岩含气富集区; 朱超等^[5]采用分频成像、90°相位旋转、分频属性优化等技术, 对致密油甜点储层分布进行了有效预测。由于致密储层甜点与地震反射特征无明确的因果关系, 因而甜点识别准确率低, 且存在较大的主观性。

事实上, 地震波场中隐含有地层甜点物性变化的影响, 但由于地层参数与地震波之间复杂的响应机制, 目前还没有系统的理论来描述致密储层甜点与地震响应之间的因果关系, 尚未建立确定的正演理论模型。深度学习能够从数据本身挖掘有效信息, 不需要确定的正演算法便可以建立预测模型^[6-8], 在地球物理领域得以广泛应用。杨柳青等^[9]基于深度神经网络模型探讨了一种砂岩储层孔隙度预测方法; 丁燕等^[10]建立了利用深度信念网络进行潜山碳酸盐岩储层的裂缝预测方法; 刘可等^[11]针对传统神经网络对不确定问题的不适用性, 提出了一种空间近似概率约束的神经网络砂体厚度预测方法; 周创等^[12]介绍了一种深度卷积生成对抗网络技术。实践证明, 同时利用地震数据和测井数据进行致密储层甜点识别的困难在于: 地震数据空间分布密集, 测井数据稀少且空间分布不规则, 而且地震数据和测井值不存在一一对应关系, 致使目前的深度学习模型(如卷积神经网络)难以直接应用于井震联合的致密储层甜点识别。

针对上述致密甜点预测问题, 本文根据测井数据和地震数据的空间分布特征和数据分布特点, 将全局和局部连接网络相结合, 有针对性地创建了适用于致密储层甜点预测的混合深度学习结构, 其中局部连接网络负责学习数据分布特征, 全局连接网络负责学习空间分布特征, 从而给出高孔隙度甜点识别结果。

1 方法原理 1.1 适于致密储层甜点预测的混合深度学习网络模型结构

神经网络^[13]是由具有自动调节和自主学习能力的简单神经元组成的网络。最早的神经网络称为感知机, 由两层神经元组成, 只能实现简单的与、或、非运算。近年来, 深度学习网络的研究发展迅速, 在地球物理领域得到广泛应用。但利用深度学习网络进行储层预测存在测井与地震样本数量不对称、样本不典型等问题, 常用的深度学习结构难以直接应用于井震联合的致密气甜点预测。因此, 本文根据测井数据和地震数据的空间分布特点和数据分布特点, 有针对性地创建适于致密储层甜点预测的混合深度学习网络模型, 如图 1所示。

混合深度学习网络模型运算步骤如下。

1) 建立全局连接网络作为混合深度学习网络的支网一。支网一以地震空间格架信息和其它先验信息作为输入, 该结构的每一结点都与上一层的所有结点相连, 将地层格架高维特征映射到样本标记空间, 层间运算关系如下:

$ {\mathit{\boldsymbol{Y}}_{i + 1}} = {\mathit{\boldsymbol{W}}_i} \cdot {\mathit{\boldsymbol{Y}}_i} $

(1)

其中, Y_i和Y_i+1分别表示第i层和第i+1层的输入, W_i表示第i层到第i+1层的连接权重矩阵, “·”表示点乘运算。

2) 建立局部连接的网络作为混合深度学习网络的支网二。支网二以地震数据作为输入, 层间运算关系如下:

$ {\mathit{\boldsymbol{X}}_{j + 1}} = \mathit{\boldsymbol{W}}_j^m * {\mathit{\boldsymbol{X}}_j} $

(2)

其中, X_j和X_j+1分别表示第j层和第j+1层的输入, W_j^m表示第j层到第j+1层的第m个加权矩阵, “*”表示卷积运算。

3) 将步骤1)和步骤2)中的支网运算结果求和, 得到总网输出。

利用局部连接的网络对地震数据进行卷积运算, 可以通过建立大小不同的卷积核, 提取地震数据本身的特征。全局连接的结构对地震空间分布信息或其它地质背景信息进行点乘运算, 并与局部连接网络的输出合并计算, 等价于将先验信息加入深度学习网络中, 以解决样本数量不对称、样本特征不典型的问题。

1.2 砂岩含量遮挡的样本集构建

深度学习建模方法依赖于数据。充分的数据和良好的分布是保证模型训练精度的两个必要条件^[14]。在致密储层甜点识别中, 常常面临测井数据分布不均匀、有效值与背景值比例不均衡的问题。图 2a为孔隙度曲线, 其值大部分为0。图 2b显示了孔隙度数据分布情况。由图 2b可见, 孔隙度曲线中零值的比例占83%, 有效值仅17%, 样本非均衡问题严重。如果采用全采样方式建立学习样本集, 会造成网络训练出现偏差^[15]。图 2c为孔隙度与砂岩含量(V_sand)散点交会图。由图 2c可见, 低孔隙度背景值主要分布在低V_sand区域(蓝色椭圆位置)。根据孔隙度数据的分布特点, 以V_sand曲线为约束, 建立砂岩含量遮挡的样本集构建方法, 步骤如下:

1) 以砂岩含量曲线为约束条件设置阈值, 保留高于阈值部分的对应深度孔隙度值;

2) 分析步骤1)中孔隙度有效值与背景值的比例。当有效值比例明显高于背景值时, 将砂岩含量曲线阈值减小; 有效值比例明显低于背景值时, 将砂岩含量曲线阈值增大;

3) 返回步骤1), 直到有效值与背景值比例大致相当, 确定符合阈值条件的孔隙度数据;

4) 利用筛选出的孔隙度值和对应深度周围的地震数据构建网络训练样本集。

1.3 实现过程

结合上述方法, 基于混合深度学习网络的致密储层甜点预测实现过程为:

1) 根据研究区实际地质情况, 对测井、地震数据进行时深标定;

2) 利用地震层位信息, 搭建时间域地层格架;

3) 将井中的砂岩含量曲线作为期望输出, 井旁地震数据和相应空间格架信息作为输入, 对混合深度学习网络进行训练;

4) 将工区内的地震数据及其空间格架信息输入到训练好的网络, 得到整个工区的砂岩含量值;

5) 利用1.2节所述的砂岩含量曲线遮挡方法, 构建孔隙度训练样本集;

6) 将孔隙度训练样本集作为期望输出, 井旁地震数据及其对应的空间格架信息以及步骤4)所得的砂岩含量值一起作为输入, 对混合深度学习网络进行训练;

7) 将工区内的地震数据及其对应的空间格架信息以及步骤4)所得的砂岩含量值一起输入至训练好的深度学习网络, 得到孔隙度值;

8) 联合储层砂岩含量和孔隙度值, 进行甜点识别。

2 方法应用及结果分析 2.1 研究区致密甜点识别难点

将本文基于混合深度学习网络的甜点预测方法用于鄂尔多斯盆地东北部上古生界的致密储层甜点预测。本区致密砂岩储层普遍具有地层薄、孔隙度低等特征, 物性较差。自下而上发育元古界、古生界、中生界和新生界地层, 有两套含气层系, 分别为上古生界碎屑岩和下古生界碳酸盐岩。上古生界石盒子组为主力含气层, 其组内盒4、盒6、盒8段河道分期发育, 含气性较好, 孔隙度甜点发育。气层纵向上、下叠置, 厚度一般小于10 m, 以大型岩性圈闭为主, 具有面积大、丰度低的特征。该地区高孔隙度甜点识别存在以下难点:

1) 井中孔隙度曲线大部分数值为0, 仅有少数有效值(图 2a), 难以用地震反演方法进行预测;

2) 地震数据分辨率低。如图 3所示, 左侧为测井数据, 其中黄色区域为砂岩发育区, 灰色区域为泥岩发育区; 右侧为井周围的地震道集数据。由图 3可以看出, 矩形框内的甜点储层厚度仅为2.7 m, 在地震记录中无法识别。

2.2 网络训练参数及预测结果分析

首先进行本区砂岩含量遮挡的训练样本集构建, 如图 4所示。当V_sand阈值为0.70时, 孔隙度测井曲线中有效值比例达86%, 远大于背景值比例, 需要将阈值减小; 将阈值设为0.10时, 孔隙度测井曲线中有效值比例仅为24%, 需要将阈值增大; 当阈值为0.27时, 有效值与背景值比例相当, 为最佳阈值。在此阈值约束下构建孔隙度训练样本集。

研究区内有40口井, 随机选取其中的36口井作为训练井, 其余井作为验证井对预测结果进行精度分析。训练样本的输入变量为井旁地震数据和地层格架信息, 输出变量为测井数据。

在进行砂岩含量参数预测时, 支网一的输入层包含3个神经元节点, 用于输入地层空间格架信息, 即线号、道号和层位值。在进行孔隙度预测时, 支网一的输入层包含4个节点, 除输入地层空间格架信息外, 还输入砂岩含量值。隐藏层仅1层即可, 由9个神经元节点构成; 输出层包含1个神经元, 用于加载对应位置的测井孔隙度数据。也就是说, 在进行砂岩含量参数预测时, 支网一的网络结构为3-9-1;在进行孔隙度参数预测时, 支网一的网络结构为4-9-1。支网二包含两层局部连接层, 其卷积核大小分别为8×3和4×1, 激活函数为ReLU函数。支网二输入地震数据本身, 其大小是以目标采样点为中心, 提取纵向30 ms、横向3道的地震数据, 输出层和支网一共用同一个节点。利用此网络结构先预测砂岩含量值, 在此基础上再预测孔隙度值, 即先进行储层预测, 再进行物性预测。预测砂岩含量时采用均方根池化方式, 预测孔隙度时采用最大池化方式。

图 5a为过W2、W7、W8井的连井地震剖面; 图 5b和图 5c分别为采用混合深度学习网络和传统卷积神经网络预测的砂岩含量剖面。图 5中W2、W8井为训练井, W7井为验证井。对比图 5a和图 5b可以看出, 混合深度学习网络预测的砂岩含量剖面, 垂向分辨率高于地震数据, 同时反映了储层的横向非均质变化特征。对比图 5b和图 5c可以看出, 混合深度学习网络预测的砂岩含量剖面, 垂向分辨率高于传统卷积神经网络的预测结果。同时, 在W2井H8层附近(图 5b中红色椭圆位置)的富砂储层能够被清晰识别, 并与W2井的砂岩含量曲线高度吻合。在验证井W7井H8层(图 5b中黑色椭圆位置)附近, 预测结果为富砂储层, 与W7井的砂岩含量曲线相符, 说明本文方法对薄砂岩储层的预测效果良好。

图 6a和图 6b分别为采用混合深度学习网络和传统卷积神经网络预测的孔隙度剖面。其中, W2井、W8井为训练井, W7井为验证井。对比图 6a和图 6b可以看出, 混合深度学习网络预测的孔隙度剖面分辨率高于传统卷积神经网络的预测结果, 横向变化也符合图 5中地震剖面特征。在W2井的H8层附近(图 6a中红色椭圆位置)的高孔隙度储层被识别出来, 并与W2井的孔隙度曲线匹配; 在验证井W7井的H8层附近(图 6a中黑色椭圆位置)预测结果为低孔隙度, 同样与W7井的孔隙度曲线相符, 说明混合深度学习网络能有效预测孔隙度值。

由图 5b和图 6a可以看出, W2井H8层(红色椭圆位置)砂岩含量高, 孔隙度值也高, 为优质甜点; W7井H8层(黑色椭圆位置)砂岩含量高, 但孔隙度低, 说明储层物性不好; W8井H8层(紫色椭圆位置)砂岩含量低, 同时孔隙度也低, 不是储层。因此, 结合砂岩含量和孔隙度剖面, 能有效识别本区的甜点储层。

为了直观地对比本文方法和传统卷积神经网络方法预测结果, 抽取两种方法预测的W8井位置的砂岩含量曲线和孔隙度曲线与原始测井曲线进行对比, 如图 7所示。由图 7可见, 混合深度学习网络预测的砂岩含量曲线与井中砂岩含量曲线的吻合率明显高于传统卷积神经网络预测的砂岩含量曲线; 混合深度学习网络预测的孔隙度曲线与原始孔隙度曲线吻合率远高于传统卷积神经网络预测的孔隙度曲线。究其原因, 虽然卷积神经网络能够从数据本身挖掘有效信息, 但在测井与地震数据联合进行储层参数预测时, 存在一些问题: ①地震数据多, 测井数据少且空间分布不规则; ②相同的地震数据对应不同的测井值, 反之, 相同的测井数据对应不同的地震数据, 也就是说, 测井与地震数据不存在良好的一一对应关系。地震测井联合参数预测不仅标签不充分, 而且存在大量互相矛盾的标签。这是导致传统神经网络预测效果不好的原因。针对此问题, 引入线道号和层位信息, 与地震、测井数据一起参与训练。这样, 虽然相同的地震数据对应不同的测井值, 但是它们的空间位置不同, 标签不再互相矛盾, 从而极大提高了预测结果的稳定性。

图 8显示了混合深度学习网络和传统卷积神经网络预测的砂岩含量误差曲线; 图 9显示了混合深度学习网络和传统卷积神经网络预测的孔隙度误差曲线。由图 8和图 9可以看出, 虽然两种网络对砂岩含量和孔隙度训练样本的学习都能达到很高的精度, 训练误差曲线都能够很好地收敛, 但混合深度学习网络的验证误差小, 砂岩含量的相对误差仅为8%, 孔隙度的相对误差为10%;相比之下, 传统卷积神经网络的验证误差较大, 砂岩含量的相对误差为30%, 孔隙度的误差接近40%。

3 结论

针对现有深度学习模型无法直接用于测井与地震联合的甜点预测问题, 根据测井数据和地震数据的空间分布特点和数据分布特点, 结合全局和局部连接网络, 有针对性地创建了适用于致密储层甜点预测的混合深度学习网络结构, 其中局部连接网络负责学习数据分布特征, 全局连接网络负责学习空间分布特征。将该方法应用于鄂尔多斯盆地东北部的上古生界储层甜点预测。

首先针对测井砂岩含量值、孔隙度值与地震反射特征之间缺乏明确正演模型的问题, 利用深度学习网络的自我学习能力, 从地震数据和测井数据本身挖掘信息, 进行储层甜点识别。在孔隙度数据训练时, 针对孔隙度测井曲线不连续、样本不均衡的问题, 提出了砂岩含量遮挡的训练样本集构建方法。鄂尔多斯盆地东北部的甜点识别结果表明: 混合深度学习网络的预测结果准确度高, 能够有效识别较薄的高孔隙度甜点, 反映甜点的横向非均质特征。