朱劍兵,王興謀,馮德永,隋志強(qiáng)

(中國(guó)石油化工股份有限公司勝利油田分公司物探研究院,山東東營(yíng)257022)

河流相儲(chǔ)層廣泛存在于實(shí)際勘探開發(fā)中,是油氣勘探的重要對(duì)象之一。由于曲流河頻繁改道,沉積砂體在縱、橫向上變化大,準(zhǔn)確確定有利儲(chǔ)層的分布范圍對(duì)油田勘探開發(fā)具有重大的實(shí)際意義。傳統(tǒng)的河流相儲(chǔ)層預(yù)測(cè)方法主要包括:①地震屬性分析方法[1],此類方法直接利用地震振幅、頻率、相干、曲率等能反映河道特征的屬性進(jìn)行儲(chǔ)層預(yù)測(cè);②多屬性優(yōu)選方法[2-5],此類方法采用主成分分析,K-L變換等多屬性降維方法,對(duì)多種地震屬性特征進(jìn)行綜合分析,形成能夠反映河道特征的新屬性;③地質(zhì)統(tǒng)計(jì)學(xué)習(xí)方法,此類方法通過對(duì)井點(diǎn)已知儲(chǔ)層樣本等先驗(yàn)信息的學(xué)習(xí),建立儲(chǔ)層預(yù)測(cè)模型,再利用支持向量機(jī)[6-8],BP神經(jīng)網(wǎng)絡(luò)[9-11]等方法預(yù)測(cè)儲(chǔ)層;④地震反演方法[12-13],此類方法將低頻地震資料和高頻測(cè)井資料在模型框架下進(jìn)行融合,得到能夠反映儲(chǔ)層信息的波阻抗或巖性數(shù)據(jù)。上述方法在一定程度上指導(dǎo)了河流相的儲(chǔ)層預(yù)測(cè),但隨著數(shù)據(jù)量的增長(zhǎng)和對(duì)儲(chǔ)層預(yù)測(cè)精度要求的提高,河流相儲(chǔ)層預(yù)測(cè)仍然是制約勘探的重要因素之一。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域新的研究方向,在特征提取和模型預(yù)測(cè)方面都展現(xiàn)出強(qiáng)大的能力,也為儲(chǔ)層預(yù)測(cè)提供了新的思路和方法。許多研究人員嘗試將卷積神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法應(yīng)用于巖性、油氣儲(chǔ)層預(yù)測(cè),并取得了一定的效果[14-21]。雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(bi-recurrent neural network,BRNN)是在循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)基礎(chǔ)上發(fā)展起來的一種深度學(xué)習(xí)方法。它由兩個(gè)RNN上下疊加組成,彌補(bǔ)了單一RNN無法提供上下文信息的缺陷,可高效提取時(shí)序數(shù)據(jù)的非線性特征。BRNN在語(yǔ)音識(shí)別、語(yǔ)言建模以及機(jī)器翻譯等領(lǐng)域有著良好的應(yīng)用。本文嘗試?yán)肂RNN預(yù)測(cè)河流相儲(chǔ)層,首先將地震數(shù)據(jù)看作在縱向上具有聯(lián)系的時(shí)間序列,以井點(diǎn)處的儲(chǔ)層信息和地震多屬性特征為輸入樣本,在地層沉積序列的約束下構(gòu)建雙向循環(huán)神經(jīng)網(wǎng)絡(luò),然后通過優(yōu)選網(wǎng)絡(luò)參數(shù)建立儲(chǔ)層預(yù)測(cè)模型,最后實(shí)現(xiàn)儲(chǔ)層分布空間預(yù)測(cè),該方法在CD地區(qū)館上段地層河道砂儲(chǔ)層預(yù)測(cè)中取得了良好的應(yīng)用效果。

1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的構(gòu)建

1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)是雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)中,輸入層與隱藏層之間是全連接的,但隱藏層之間的節(jié)點(diǎn)是無連接的,使得輸入層節(jié)點(diǎn)間無法通過隱藏層建立聯(lián)系,從而不能解決一些需要聯(lián)系上下文的問題,比如當(dāng)預(yù)測(cè)句子的下一個(gè)單詞是什么時(shí),一般需要用到前一個(gè)單詞,因?yàn)橐粋€(gè)句子前后單詞并不是獨(dú)立的。循環(huán)神經(jīng)網(wǎng)絡(luò)會(huì)記憶前面的信息,保存網(wǎng)絡(luò)的內(nèi)部狀態(tài),并應(yīng)用于當(dāng)前輸出的計(jì)算中,即隱藏層的各個(gè)節(jié)點(diǎn)之間有連接,隱含層的輸入不僅包含輸入層的輸入還包含上一時(shí)刻隱含層的輸出。RNN的主要網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、隱藏層和輸出層,將RNN按照時(shí)間展開可以得到如圖1所示的網(wǎng)絡(luò)結(jié)構(gòu)。

該網(wǎng)絡(luò)的中間節(jié)點(diǎn)在t時(shí)刻接收到xt的同時(shí)還接收了上一個(gè)節(jié)點(diǎn)的輸出,當(dāng)隱藏層的值為st時(shí),st的值不僅僅取決于xt,還取決于st-1。

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)按時(shí)間展開結(jié)構(gòu)

我們可以用公式(1)來計(jì)算當(dāng)前時(shí)刻t循環(huán)神經(jīng)網(wǎng)絡(luò)的輸出層和隱藏層:

(1)

式中:xt表示輸入層向量;st表示隱藏層的值;U為輸入層到隱藏層的權(quán)重矩陣;ot為輸出層向量;V為隱藏層到輸出層的權(quán)重矩陣;W為上一時(shí)刻隱藏層的值到下一時(shí)刻輸入層的權(quán)重矩陣;f為非線性激活函數(shù),一般為ReLU函數(shù);g為分類函數(shù),一般采用softmax函數(shù)。f和g具體的函數(shù)形式為:

(2)

式中:K為類別數(shù),本文為2值分類,即儲(chǔ)層和非儲(chǔ)層;zj為特征向量z的第j分量值;g(z)j為特征向量z映射到(0,1)的概率值。

1.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

從循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以看出,該網(wǎng)絡(luò)只能沿單一方向傳播,即隱藏節(jié)點(diǎn)st只能利用時(shí)序過去時(shí)刻的信息而無法利用未來時(shí)刻的信息。為了克服這一缺點(diǎn),提出雙向循環(huán)神經(jīng)網(wǎng)絡(luò),其基本思想是將輸入層和輸出層用兩個(gè)向前和向后的循環(huán)神經(jīng)網(wǎng)絡(luò)連接,這個(gè)結(jié)構(gòu)能夠?yàn)檩敵鰧犹峁┟恳粋€(gè)輸入節(jié)點(diǎn)的上下文信息。地層上下圍巖的巖性組合存在一定的相關(guān)性,利用上下文的信息有助于降低儲(chǔ)層預(yù)測(cè)的多解性,為此設(shè)計(jì)了針對(duì)儲(chǔ)層預(yù)測(cè)的雙向循環(huán)神經(jīng)網(wǎng)絡(luò),將多個(gè)地震屬性作為輸入層,不同時(shí)刻的地震波形對(duì)應(yīng)不同的輸入節(jié)點(diǎn),井點(diǎn)處的儲(chǔ)層和非儲(chǔ)層樣本為輸出層,儲(chǔ)層標(biāo)記為1,非儲(chǔ)層標(biāo)記為0,隱藏層利用雙向循環(huán)網(wǎng)絡(luò)對(duì)每個(gè)隱藏節(jié)點(diǎn)建立上下聯(lián)系,本文通過如下隱藏層建立地震屬性和儲(chǔ)層之間的映射關(guān)系,并同時(shí)考慮上下層間的沉積時(shí)序關(guān)系,所建立的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

利用公式(3),(4),(5)表示這種網(wǎng)絡(luò)關(guān)系:

圖2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

(3)

(4)

(5)

2 樣本構(gòu)成及網(wǎng)絡(luò)模型訓(xùn)練

2.1 樣本數(shù)據(jù)準(zhǔn)備

樣本數(shù)據(jù)來自CD地區(qū)的館上段地層,主要包括原始地震數(shù)據(jù)、地震屬性數(shù)據(jù)、井儲(chǔ)層標(biāo)記信息等。地震屬性數(shù)據(jù)包括振幅類、頻率類、相位類、構(gòu)造類數(shù)據(jù)等。地震屬性數(shù)據(jù)和原始地震數(shù)據(jù)具有相同三維空間分布,樣本標(biāo)記信息由井點(diǎn)處的巖性數(shù)據(jù)和試油數(shù)據(jù)確定,砂巖和礫巖被認(rèn)為是儲(chǔ)層,含油和含水層也視作儲(chǔ)層,其它為非儲(chǔ)層,儲(chǔ)層標(biāo)記為1,非儲(chǔ)層標(biāo)記為0。利用100余口井的樣本標(biāo)簽和時(shí)深關(guān)系,可以將所有井對(duì)應(yīng)的樣本標(biāo)記可視化,結(jié)果如圖3所示,其中連續(xù)的黑色方塊表示儲(chǔ)層,連續(xù)的白色方塊表示非儲(chǔ)層,可以很直觀地看到儲(chǔ)層與非儲(chǔ)層相間分布,且長(zhǎng)短不一。

收集整理18個(gè)原始地震數(shù)據(jù)及分角度疊加數(shù)據(jù)體,提取振幅、頻率、相位、構(gòu)造等各類地震屬性數(shù)據(jù)體,共計(jì)201個(gè),數(shù)據(jù)量為1.1TB。一方面,并非每一個(gè)地震數(shù)據(jù)體都能真實(shí)反映地下地質(zhì)情況,它們包含真實(shí)信息和無效的噪聲;另一方面,各屬性之間并非相互獨(dú)立,基本上均為波形信息在某個(gè)方面的反映,存在大量的數(shù)據(jù)冗余。因此必須加強(qiáng)地震屬性與儲(chǔ)層的相關(guān)性研究,優(yōu)選有效特征屬性,減少數(shù)據(jù)冗余度。在屬性提取的基礎(chǔ)上,我們利用XGboost展開屬性優(yōu)選,XGBoost是Gradient Boosting算法的優(yōu)化版本,主要通過迭代逐步優(yōu)選特征屬性,XGBoost算法思想是將許多弱分類器集成在一起構(gòu)建一個(gè)強(qiáng)分類器。特征的重要性評(píng)價(jià)以該特征在強(qiáng)分類器中的作用為標(biāo)準(zhǔn),如果某個(gè)特征在所有弱分類器中作為有效分類特征的次數(shù)越多,那么該特征就越重要。統(tǒng)計(jì)所有分類器中地震屬性的有效劃分次數(shù),可得到每個(gè)地震屬性的重要性評(píng)分值,再基于上述評(píng)分值對(duì)地震屬性的重要性進(jìn)行排序,可以得到地震屬性的優(yōu)選結(jié)果,圖4為排名前30的地震屬性優(yōu)選結(jié)果。

圖3 儲(chǔ)層和非儲(chǔ)層樣本空間分布情況

圖4 地震屬性優(yōu)選結(jié)果

圖4橫坐標(biāo)依次為30個(gè)地震屬性,縱坐標(biāo)為地震屬性的重要性評(píng)分值,根據(jù)評(píng)分值優(yōu)選出76個(gè)與儲(chǔ)層相關(guān)性大于50%的屬性數(shù)據(jù)作為模型訓(xùn)練的特征數(shù)據(jù),這樣每一口井的儲(chǔ)層標(biāo)記都可以對(duì)應(yīng)76維的特征數(shù)據(jù),即:

yi=f1(A1,A2,…,Ai)

(6)

式中:yi為儲(chǔ)層或非儲(chǔ)層標(biāo)記;Ai為地震屬性值;i=1,2,…,76;f1為通過網(wǎng)絡(luò)訓(xùn)練得到的非線性映射函數(shù)。

整理樣本數(shù)據(jù),得到目的層段內(nèi)構(gòu)建的儲(chǔ)層樣本7358個(gè),該層段內(nèi)構(gòu)建的非儲(chǔ)層樣本12111個(gè)。不同于傳統(tǒng)機(jī)器學(xué)習(xí)點(diǎn)對(duì)點(diǎn)的樣本構(gòu)成,雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的樣本是序列對(duì)序列的輸入,可以在學(xué)習(xí)過程中建立上下文的聯(lián)系。

2.2 數(shù)據(jù)預(yù)處理

為了得到可用作模型訓(xùn)練的輸入數(shù)據(jù),構(gòu)建完樣本數(shù)據(jù)集后,需對(duì)數(shù)據(jù)進(jìn)行歸一化處理。歸一化處理方法主要包括高斯歸一化(gauss normalization,GN)和線性歸一化(minMax normalization,MN)方法,需要注意的是,不同的地震數(shù)據(jù)體有不同的歸一化參數(shù),因此歸一化處理需要針對(duì)同一個(gè)地震數(shù)據(jù)體。高斯歸一化和線性歸一化的處理公式分別如下:

(7)

(8)

2.3 超參數(shù)和優(yōu)化方法選擇

超參數(shù)是在開始模型訓(xùn)練前需要確定的模型參數(shù),超參數(shù)通常需要人工調(diào)整。雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型中的超參數(shù)主要包括RNN層數(shù)、優(yōu)化方法、RNN Cell類型、RNN Cell中的隱層節(jié)點(diǎn)個(gè)數(shù)、計(jì)算節(jié)點(diǎn)隨機(jī)丟棄率等,需要選取合適的歸一化方法和損失函數(shù),并通過大量實(shí)驗(yàn)來確定最優(yōu)超參數(shù)。本文BRNN模型主要采用梯度下降的方法展開優(yōu)化,梯度下降的方法包括隨機(jī)梯度下降(stochastic gradient decent,SGD)方法、Momentum、Adagrad、RMSProp、Adam優(yōu)化器等,本文采用的Adam優(yōu)化器屬于自適應(yīng)動(dòng)量的隨機(jī)優(yōu)化方法,因最小化交叉熵計(jì)算時(shí)比其它損失函數(shù)更適合分類優(yōu)化算法,故該方法將最小化交叉熵?fù)p失作為損失函數(shù),其損失函數(shù)為:

(9)

式中:θ*表示損失函數(shù),即目標(biāo)函數(shù);m表示訓(xùn)練樣本數(shù)量;xi表示第i個(gè)樣本的特征;yi表示第i個(gè)樣本的標(biāo)記;hθ表示深度學(xué)習(xí)系統(tǒng);hθ(xi)(0

2.4 模型訓(xùn)練

通過模型訓(xùn)練為設(shè)計(jì)好的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)模型選擇參數(shù)和調(diào)整權(quán)重,模型訓(xùn)練的對(duì)象包括訓(xùn)練集、驗(yàn)證集和測(cè)試集3部分,占比分別為60%,10%和30%;使用訓(xùn)練集訓(xùn)練,選取在驗(yàn)證集上誤差最小的超參數(shù)組合,可得到最優(yōu)模型;在測(cè)試集上分別對(duì)高斯、線性歸一化處理方法得到的模型效果進(jìn)行測(cè)試,得到的訓(xùn)練誤差和驗(yàn)證誤差曲線如圖5所示,BRNN隱藏層數(shù)分別為1,2,隱層單元個(gè)數(shù)分別為16,32,共8組測(cè)試參數(shù)組合分別在訓(xùn)練集和驗(yàn)證集上進(jìn)行訓(xùn)練。

圖5 采用高斯(a)、線性(b)歸一化處理方法得到訓(xùn)練誤差和驗(yàn)證誤差曲線

將每組參數(shù)模型得到的若干統(tǒng)計(jì)量用于評(píng)價(jià)參數(shù)模型的效果,計(jì)算公式為:

(10)

式中:β是參數(shù);P是精確率;R是召回率。當(dāng)β=1時(shí),Fβ為最常見的F1_Measure評(píng)價(jià)指標(biāo),當(dāng)β<1時(shí),表示更重視精確率,當(dāng)β>1時(shí),表示更重視召回率。在實(shí)際應(yīng)用中,精確率比召回率更重要,因此取β<1,同時(shí)記錄模型收斂時(shí)驗(yàn)證集的交叉熵?fù)p失,將該損失按從小到大進(jìn)行排序,再將最大的誤差和最小的誤差對(duì)應(yīng)的參數(shù)組合,得到的優(yōu)選超參組合如表1所示。

表1 優(yōu)選超參組合

3 模型應(yīng)用

根據(jù)接收器操作特征(receiver operating characteristic,ROC)曲線評(píng)價(jià)已訓(xùn)練好的BRNN模型性能(圖6),ROC曲線的縱坐標(biāo)為真陽(yáng)性率(true positive rate,TPR),即召回率,值越大表示模型效果越好;橫坐標(biāo)為假陽(yáng)性率(false positive rate,FPR),表示負(fù)樣本中被識(shí)別為真的概率,值越小表示模型效果越好,因此曲線越靠近左上角則表示模型效果越好。ROC曲線下方的面積(area under curve,AUC)為0.676,AUC值可直觀地評(píng)價(jià)分類器的好壞,值越大表示模型效果越好。將訓(xùn)練后的BRNN模型應(yīng)用于所在目的層的地震數(shù)據(jù),可預(yù)測(cè)儲(chǔ)層分布概率。

圖6 BRNN模型的ROC曲線

如圖7所示,模型預(yù)測(cè)過程是將沿目的層的地震屬性數(shù)據(jù)作為輸入數(shù)據(jù),因?qū)游簧系拿總€(gè)點(diǎn)都對(duì)應(yīng)一個(gè)優(yōu)選后的76維地震特征向量,故可利用訓(xùn)練后的模型將76維地震特征向量轉(zhuǎn)化為儲(chǔ)層概率。

分別采用3層神經(jīng)網(wǎng)絡(luò)和BRNN兩種方法將所有層位上的點(diǎn)依次輸入訓(xùn)練后的模型,得到的預(yù)測(cè)結(jié)果如圖8所示。可以看出,采用兩種方法均能清楚地預(yù)測(cè)主河道的分布形態(tài),但采用BRNN方法能夠更加清楚地預(yù)測(cè)一些局部的細(xì)小河道。

圖7 模型預(yù)測(cè)過程示意

圖8 采用不同方法沿目的層河流相儲(chǔ)層進(jìn)行模型預(yù)測(cè)的結(jié)果a 3層神經(jīng)網(wǎng)絡(luò); b BRNN

將剖面上所有點(diǎn)的地震特征數(shù)據(jù)作為輸入,通過模型預(yù)測(cè)可以得到過井儲(chǔ)層預(yù)測(cè)概率剖面(圖9)。圖中紅色曲線為自然電位曲線,剖面中不同顏色代表不同的預(yù)測(cè)儲(chǔ)層概率值,紅色代表儲(chǔ)層的可能性最大,黃色次之,綠色代表儲(chǔ)層可能性較小,藍(lán)色代表非儲(chǔ)層的概率高,可以看出,儲(chǔ)層總體呈下厚上薄的分布特點(diǎn),這與實(shí)際沉積規(guī)律吻合,其下部為較厚的辮狀河砂體,上部為較薄的曲流河沉積砂體。對(duì)比自然電位曲線與預(yù)測(cè)結(jié)果可知,上部泥包砂特征的砂體與自然電位曲線特征一致,而下部厚層砂體受樣本數(shù)量以及地震特征多解性強(qiáng)的影響,局部存在與自然電位曲線不一致的現(xiàn)象。

圖9 過井儲(chǔ)層預(yù)測(cè)概率剖面

4 結(jié)論

1) 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)通過兩個(gè)方向隱藏層節(jié)點(diǎn)間的連接,建立上下文的聯(lián)系,符合地質(zhì)沉積的有序性。將地震數(shù)據(jù)及其屬性作為時(shí)序數(shù)據(jù)輸入,結(jié)合井點(diǎn)處的儲(chǔ)層信息,通過機(jī)器學(xué)習(xí)方法優(yōu)選屬性,減少人為屬性優(yōu)選的困擾,構(gòu)建針對(duì)河流相儲(chǔ)層的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,該模型能夠較好地關(guān)聯(lián)儲(chǔ)層上下層之間的關(guān)系,降低儲(chǔ)層預(yù)測(cè)多解性。相較于傳統(tǒng)的3層神經(jīng)網(wǎng)絡(luò)方法,基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的河流相儲(chǔ)層預(yù)測(cè)方法在CD地區(qū)的河流相儲(chǔ)層預(yù)測(cè)中具有良好的應(yīng)用效果,對(duì)細(xì)小河道的預(yù)測(cè)更加精細(xì),提高了儲(chǔ)層預(yù)測(cè)的精度。

2) 相較于傳統(tǒng)的儲(chǔ)層預(yù)測(cè)方法,基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的儲(chǔ)層預(yù)測(cè)方法是一種有監(jiān)督的特征學(xué)習(xí)方法,其預(yù)測(cè)效果取決于樣本的數(shù)量和質(zhì)量,如果樣本數(shù)據(jù)多且地震特征具有代表性,則訓(xùn)練模型的預(yù)測(cè)精度高。樣本數(shù)據(jù)的不確定性和數(shù)量不足是制約雙向循環(huán)神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)方法實(shí)際應(yīng)用效果的重要因素。通過不斷增加樣本數(shù)量和質(zhì)量,可以進(jìn)一步提高儲(chǔ)層預(yù)測(cè)的精度。