朱劍兵,王興謀,馮德永,隋志強

(中國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257022)

河流相儲層廣泛存在于實際勘探開發(fā)中,是油氣勘探的重要對象之一。由于曲流河頻繁改道,沉積砂體在縱、橫向上變化大,準確確定有利儲層的分布范圍對油田勘探開發(fā)具有重大的實際意義。傳統的河流相儲層預測方法主要包括: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行儲層預測;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,對多種地震屬性特征進行綜合分析,形成能夠反映河道特征的新屬性;③地質統計學習方法,此類方法通過對井點已知儲層樣本等先驗信息的學習,建立儲層預測模型,再利用支持向量機[6-8],BP神經網絡[9-11]等方法預測儲層;④地震反演方法[12-13],此類方法將低頻地震資料和高頻測井資料在模型框架下進行融合,得到能夠反映儲層信息的波阻抗或巖性數據。上述方法在一定程度上指導了河流相的儲層預測,但隨著數據量的增長和對儲層預測精度要求的提高,河流相儲層預測仍然是制約勘探的重要因素之一。

深度學習作為機器學習領域新的研究方向,在特征提取和模型預測方面都展現出強大的能力,也為儲層預測提供了新的思路和方法。許多研究人員嘗試將卷積神經網絡等深度學習方法應用于巖性、油氣儲層預測,并取得了一定的效果[14-21]。雙向循環(huán)神經網絡(bi-recurrent neural network,BRNN)是在循環(huán)神經網絡(recurrent neural network,RNN)基礎上發(fā)展起來的一種深度學習方法。它由兩個RNN上下疊加組成,彌補了單一RNN無法提供上下文信息的缺陷,可高效提取時序數據的非線性特征。BRNN在語音識別、語言建模以及機器翻譯等領域有著良好的應用。本文嘗試利用BRNN預測河流相儲層,首先將地震數據看作在縱向上具有聯系的時間序列,以井點處的儲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建雙向循環(huán)神經網絡,然后通過優(yōu)選網絡參數建立儲層預測模型,最后實現儲層分布空間預測,該方法在CD地區(qū)館上段地層河道砂儲層預測中取得了良好的應用效果。

1 雙向循環(huán)神經網絡的構建

1.1 循環(huán)神經網絡結構

循環(huán)神經網絡是雙向循環(huán)神經網絡的基礎。在傳統的神經網絡中,輸入層與隱藏層之間是全連接的,但隱藏層之間的節(jié)點是無連接的,使得輸入層節(jié)點間無法通過隱藏層建立聯系,從而不能解決一些需要聯系上下文的問題,比如當預測句子的下一個單詞是什么時,一般需要用到前一個單詞,因為一個句子前后單詞并不是獨立的。循環(huán)神經網絡會記憶前面的信息,保存網絡的內部狀態(tài),并應用于當前輸出的計算中,即隱藏層的各個節(jié)點之間有連接,隱含層的輸入不僅包含輸入層的輸入還包含上一時刻隱含層的輸出。RNN的主要網絡結構包括輸入層、隱藏層和輸出層,將RNN按照時間展開可以得到如圖1所示的網絡結構。

該網絡的中間節(jié)點在t時刻接收到xt的同時還接收了上一個節(jié)點的輸出,當隱藏層的值為st時,st的值不僅僅取決于xt,還取決于st-1。

圖1 循環(huán)神經網絡按時間展開結構

我們可以用公式(1)來計算當前時刻t循環(huán)神經網絡的輸出層和隱藏層:

(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重矩陣;ot為輸出層向量;V為隱藏層到輸出層的權重矩陣;W為上一時刻隱藏層的值到下一時刻輸入層的權重矩陣;f為非線性激活函數,一般為ReLU函數;g為分類函數,一般采用softmax函數。f和g具體的函數形式為:

(2)

式中:K為類別數,本文為2值分類,即儲層和非儲層;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)神經網絡結構

從循環(huán)神經網絡結構可以看出,該網絡只能沿單一方向傳播,即隱藏節(jié)點st只能利用時序過去時刻的信息而無法利用未來時刻的信息。為了克服這一缺點,提出雙向循環(huán)神經網絡,其基本思想是將輸入層和輸出層用兩個向前和向后的循環(huán)神經網絡連接,這個結構能夠為輸出層提供每一個輸入節(jié)點的上下文信息。地層上下圍巖的巖性組合存在一定的相關性,利用上下文的信息有助于降低儲層預測的多解性,為此設計了針對儲層預測的雙向循環(huán)神經網絡,將多個地震屬性作為輸入層,不同時刻的地震波形對應不同的輸入節(jié)點,井點處的儲層和非儲層樣本為輸出層,儲層標記為1,非儲層標記為0,隱藏層利用雙向循環(huán)網絡對每個隱藏節(jié)點建立上下聯系,本文通過如下隱藏層建立地震屬性和儲層之間的映射關系,并同時考慮上下層間的沉積時序關系,所建立的雙向循環(huán)神經網絡結構如圖2所示。

利用公式(3),(4),(5)表示這種網絡關系:

圖2 雙向循環(huán)神經網絡結構

(3)

(4)

(5)

2 樣本構成及網絡模型訓練

2.1 樣本數據準備

樣本數據來自CD地區(qū)的館上段地層,主要包括原始地震數據、地震屬性數據、井儲層標記信息等。地震屬性數據包括振幅類、頻率類、相位類、構造類數據等。地震屬性數據和原始地震數據具有相同三維空間分布,樣本標記信息由井點處的巖性數據和試油數據確定,砂巖和礫巖被認為是儲層,含油和含水層也視作儲層,其它為非儲層,儲層標記為1,非儲層標記為0。利用100余口井的樣本標簽和時深關系,可以將所有井對應的樣本標記可視化,結果如圖3所示,其中連續(xù)的黑色方塊表示儲層,連續(xù)的白色方塊表示非儲層,可以很直觀地看到儲層與非儲層相間分布,且長短不一。

收集整理18個原始地震數據及分角度疊加數據體,提取振幅、頻率、相位、構造等各類地震屬性數據體,共計201個,數據量為1.1TB。一方面,并非每一個地震數據體都能真實反映地下地質情況,它們包含真實信息和無效的噪聲;另一方面,各屬性之間并非相互獨立,基本上均為波形信息在某個方面的反映,存在大量的數據冗余。因此必須加強地震屬性與儲層的相關性研究,優(yōu)選有效特征屬性,減少數據冗余度。在屬性提取的基礎上,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建一個強分類器。特征的重要性評價以該特征在強分類器中的作用為標準,如果某個特征在所有弱分類器中作為有效分類特征的次數越多,那么該特征就越重要。統計所有分類器中地震屬性的有效劃分次數,可得到每個地震屬性的重要性評分值,再基于上述評分值對地震屬性的重要性進行排序,可以得到地震屬性的優(yōu)選結果,圖4為排名前30的地震屬性優(yōu)選結果。

圖3 儲層和非儲層樣本空間分布情況

圖4 地震屬性優(yōu)選結果

圖4橫坐標依次為30個地震屬性,縱坐標為地震屬性的重要性評分值,根據評分值優(yōu)選出76個與儲層相關性大于50%的屬性數據作為模型訓練的特征數據,這樣每一口井的儲層標記都可以對應76維的特征數據,即:

yi=f1(A1,A2,…,Ai)

(6)

式中:yi為儲層或非儲層標記;Ai為地震屬性值;i=1,2,…,76;f1為通過網絡訓練得到的非線性映射函數。

整理樣本數據,得到目的層段內構建的儲層樣本7358個,該層段內構建的非儲層樣本12111個。不同于傳統機器學習點對點的樣本構成,雙向循環(huán)神經網絡的樣本是序列對序列的輸入,可以在學習過程中建立上下文的聯系。

2.2 數據預處理

為了得到可用作模型訓練的輸入數據,構建完樣本數據集后,需對數據進行歸一化處理。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,不同的地震數據體有不同的歸一化參數,因此歸一化處理需要針對同一個地震數據體。高斯歸一化和線性歸一化的處理公式分別如下:

(7)

(8)

2.3 超參數和優(yōu)化方法選擇

超參數是在開始模型訓練前需要確定的模型參數,超參數通常需要人工調整。雙向循環(huán)神經網絡模型中的超參數主要包括RNN層數、優(yōu)化方法、RNN Cell類型、RNN Cell中的隱層節(jié)點個數、計算節(jié)點隨機丟棄率等,需要選取合適的歸一化方法和損失函數,并通過大量實驗來確定最優(yōu)超參數。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)化器屬于自適應動量的隨機優(yōu)化方法,因最小化交叉熵計算時比其它損失函數更適合分類優(yōu)化算法,故該方法將最小化交叉熵損失作為損失函數,其損失函數為:

(9)

式中:θ*表示損失函數,即目標函數;m表示訓練樣本數量;xi表示第i個樣本的特征;yi表示第i個樣本的標記;hθ表示深度學習系統;hθ(xi)(0

2.4 模型訓練

通過模型訓練為設計好的雙向循環(huán)神經網絡模型選擇參數和調整權重,模型訓練的對象包括訓練集、驗證集和測試集3部分,占比分別為60%,10%和30%;使用訓練集訓練,選取在驗證集上誤差最小的超參數組合,可得到最優(yōu)模型;在測試集上分別對高斯、線性歸一化處理方法得到的模型效果進行測試,得到的訓練誤差和驗證誤差曲線如圖5所示,BRNN隱藏層數分別為1,2,隱層單元個數分別為16,32,共8組測試參數組合分別在訓練集和驗證集上進行訓練。

圖5 采用高斯(a)、線性(b)歸一化處理方法得到訓練誤差和驗證誤差曲線

將每組參數模型得到的若干統計量用于評價參數模型的效果,計算公式為:

(10)

式中:β是參數;P是精確率;R是召回率。當β=1時,Fβ為最常見的F1_Measure評價指標,當β<1時,表示更重視精確率,當β>1時,表示更重視召回率。在實際應用中,精確率比召回率更重要,因此取β<1,同時記錄模型收斂時驗證集的交叉熵損失,將該損失按從小到大進行排序,再將最大的誤差和最小的誤差對應的參數組合,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 模型應用

根據接收器操作特征(receiver operating characteristic,ROC)曲線評價已訓練好的BRNN模型性能(圖6),ROC曲線的縱坐標為真陽性率(true positive rate,TPR),即召回率,值越大表示模型效果越好;橫坐標為假陽性率(false positive rate,FPR),表示負樣本中被識別為真的概率,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值可直觀地評價分類器的好壞,值越大表示模型效果越好。將訓練后的BRNN模型應用于所在目的層的地震數據,可預測儲層分布概率。

圖6 BRNN模型的ROC曲線

如圖7所示,模型預測過程是將沿目的層的地震屬性數據作為輸入數據,因層位上的每個點都對應一個優(yōu)選后的76維地震特征向量,故可利用訓練后的模型將76維地震特征向量轉化為儲層概率。

分別采用3層神經網絡和BRNN兩種方法將所有層位上的點依次輸入訓練后的模型,得到的預測結果如圖8所示?？梢钥闯?采用兩種方法均能清楚地預測主河道的分布形態(tài),但采用BRNN方法能夠更加清楚地預測一些局部的細小河道。

圖7 模型預測過程示意

圖8 采用不同方法沿目的層河流相儲層進行模型預測的結果a 3層神經網絡; b BRNN

將剖面上所有點的地震特征數據作為輸入,通過模型預測可以得到過井儲層預測概率剖面(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測儲層概率值,紅色代表儲層的可能性最大,黃色次之,綠色代表儲層可能性較小,藍色代表非儲層的概率高,可以看出,儲層總體呈下厚上薄的分布特點,這與實際沉積規(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。對比自然電位曲線與預測結果可知,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量以及地震特征多解性強的影響,局部存在與自然電位曲線不一致的現象。

圖9 過井儲層預測概率剖面

4 結論

1) 雙向循環(huán)神經網絡通過兩個方向隱藏層節(jié)點間的連接,建立上下文的聯系,符合地質沉積的有序性。將地震數據及其屬性作為時序數據輸入,結合井點處的儲層信息,通過機器學習方法優(yōu)選屬性,減少人為屬性優(yōu)選的困擾,構建針對河流相儲層的雙向循環(huán)神經網絡預測模型,該模型能夠較好地關聯儲層上下層之間的關系,降低儲層預測多解性。相較于傳統的3層神經網絡方法,基于雙向循環(huán)神經網絡的河流相儲層預測方法在CD地區(qū)的河流相儲層預測中具有良好的應用效果,對細小河道的預測更加精細,提高了儲層預測的精度。

2) 相較于傳統的儲層預測方法,基于雙向循環(huán)神經網絡的儲層預測方法是一種有監(jiān)督的特征學習方法,其預測效果取決于樣本的數量和質量,如果樣本數據多且地震特征具有代表性,則訓練模型的預測精度高。樣本數據的不確定性和數量不足是制約雙向循環(huán)神經網絡等深度學習方法實際應用效果的重要因素。通過不斷增加樣本數量和質量,可以進一步提高儲層預測的精度。