楊添微，王 啟，劉永震，萬 宇,，聶 昕,

1長(zhǎng)江大學(xué)地球物理與石油資源學(xué)院，湖北 武漢

2長(zhǎng)江大學(xué)油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢

1. 引言

機(jī)器學(xué)習(xí)在人工智能領(lǐng)域具有相當(dāng)大的影響，其深度學(xué)習(xí)是構(gòu)建分層模型結(jié)構(gòu)[1]，對(duì)輸入數(shù)據(jù)從底層到高層逐級(jí)進(jìn)行提取并建立對(duì)應(yīng)關(guān)系。就實(shí)際貢獻(xiàn)而言，深度學(xué)習(xí)也許是近十年來機(jī)器學(xué)習(xí)領(lǐng)域最成功的課題。Geoffrey Hinton [2]因提出訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的方法，使深度學(xué)習(xí)因其強(qiáng)大的表現(xiàn)數(shù)據(jù)內(nèi)部結(jié)構(gòu)的能力獲得了各領(lǐng)域?qū)W者們的廣泛關(guān)注，自2012 年深度學(xué)習(xí)成功應(yīng)用于圖像識(shí)別和語(yǔ)音識(shí)別以來，各領(lǐng)域的學(xué)者便一直在積極擴(kuò)展深度學(xué)習(xí)的應(yīng)用范圍和影響力，目前正成為資源勘查領(lǐng)域的一個(gè)非常吸引人的技術(shù)。

神經(jīng)網(wǎng)絡(luò)技術(shù)具有求解問題時(shí)的強(qiáng)抗干擾能力和非線性映射能力，為測(cè)井解釋的發(fā)展開拓了一個(gè)新的研究思路。與傳統(tǒng)的測(cè)井解釋方法相比，神經(jīng)網(wǎng)絡(luò)技術(shù)的獨(dú)特優(yōu)勢(shì)體現(xiàn)在：不需要建立具體的解釋模型和具體的計(jì)算公式；不需要對(duì)大量的參數(shù)進(jìn)行選??；不需要太多的專家經(jīng)驗(yàn)[3]。深度學(xué)習(xí)是在神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上使其層數(shù)更加深入，它可以從海量數(shù)據(jù)中自動(dòng)提取特征，并通過逐層特征變化進(jìn)而解決復(fù)雜的分類或預(yù)測(cè)問題。因此，為了解決復(fù)雜的儲(chǔ)層解釋問題，機(jī)器學(xué)習(xí)在地球物理測(cè)井中的應(yīng)用必將越來越多。

隨著測(cè)井技術(shù)的發(fā)展，測(cè)井方法越來越多、精度越來越高、數(shù)據(jù)量越來越大。每一條測(cè)井曲線對(duì)地層巖性信息都有相應(yīng)的響應(yīng)，如果同時(shí)解釋多條測(cè)井曲線，就需要同時(shí)解決復(fù)雜的多維度非線性問題和多種測(cè)井?dāng)?shù)據(jù)綜合形成的大數(shù)據(jù)的問題[4] [5]，這是傳統(tǒng)的交會(huì)圖法等方法無法解決的。作為智能算法，機(jī)器學(xué)習(xí)具有從大量數(shù)據(jù)中自動(dòng)提取特征，并通過逐層特征變化解決復(fù)雜的分類或預(yù)測(cè)問題的特點(diǎn)，其在測(cè)井領(lǐng)域已經(jīng)有了應(yīng)用。對(duì)機(jī)器學(xué)習(xí)在測(cè)井中的應(yīng)用進(jìn)行調(diào)研并總結(jié)分析，可為測(cè)井智能解釋奠定基礎(chǔ)。

2. 機(jī)器學(xué)習(xí)的概述

機(jī)器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。機(jī)器學(xué)習(xí)的方法有很多，包括神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)算法、決策樹算法等[6]，機(jī)器學(xué)習(xí)理論主要是設(shè)計(jì)和分析一些讓計(jì)算機(jī)可以自動(dòng)“學(xué)習(xí)”的算法。機(jī)器學(xué)習(xí)算法是一類從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法。因?yàn)閷W(xué)習(xí)算法中涉及了大量的統(tǒng)計(jì)學(xué)理論，機(jī)器學(xué)習(xí)與統(tǒng)計(jì)推斷學(xué)聯(lián)系尤為密切，也被稱為統(tǒng)計(jì)學(xué)習(xí)理論。算法設(shè)計(jì)方面，機(jī)器學(xué)習(xí)理論關(guān)注可以實(shí)現(xiàn)的，行之有效的學(xué)習(xí)算法。很多推論問題屬于無程序可循難度，所以部分的機(jī)器學(xué)習(xí)研究是開發(fā)容易處理的近似算法。

其分為兩個(gè)階段：淺層學(xué)習(xí)和深度學(xué)習(xí)。在20 世紀(jì)80 年代末期，發(fā)明了人工神經(jīng)網(wǎng)絡(luò)的反向傳播算法(BP 算法) [7]。該算法可以讓一個(gè)人工神經(jīng)網(wǎng)絡(luò)模型從大量訓(xùn)練樣本中學(xué)習(xí)統(tǒng)計(jì)規(guī)律，并利用此規(guī)律對(duì)未知的事件做出預(yù)測(cè)。但是此時(shí)的神經(jīng)網(wǎng)絡(luò)模型隱層層數(shù)過淺，所以也被稱為淺層學(xué)習(xí)。在2006 年，Hinton 和他的學(xué)生Salakhutdinov 在學(xué)術(shù)刊物《Science》上發(fā)表了一篇文章[8]，該文章提出了深度學(xué)習(xí)的概念。這篇文章主要提出了對(duì)于很多隱層的人工神經(jīng)網(wǎng)絡(luò)具有良好的特征學(xué)習(xí)能力，可以學(xué)習(xí)得到更精準(zhǔn)的數(shù)據(jù)特征，更有利于數(shù)據(jù)分類，這里提到的神經(jīng)網(wǎng)絡(luò)模型就已經(jīng)是多隱層層數(shù)的了，所以可以被稱為深度學(xué)習(xí)。

機(jī)器學(xué)習(xí)已經(jīng)有了十分廣泛的應(yīng)用，例如：數(shù)據(jù)挖掘、計(jì)算機(jī)視覺、自然語(yǔ)言處理、生物特征識(shí)別、搜索引擎、醫(yī)學(xué)診斷、檢測(cè)信用卡欺詐、證券市場(chǎng)分析、DNA 序列測(cè)序、語(yǔ)音和手寫識(shí)別、戰(zhàn)略游戲和機(jī)器人運(yùn)用[8] [9] [10]。

3. 機(jī)器學(xué)習(xí)在測(cè)井地層評(píng)價(jià)中的應(yīng)用

盡管淺層學(xué)習(xí)時(shí)期發(fā)明的BP 算法可以使人工神經(jīng)網(wǎng)絡(luò)模型從大量訓(xùn)練樣本中學(xué)習(xí)統(tǒng)計(jì)規(guī)律，并利用此規(guī)律對(duì)未知事件做出預(yù)測(cè)，但是這些模型的結(jié)構(gòu)隱層節(jié)點(diǎn)層數(shù)極少，不能滿足測(cè)井的需要。深度學(xué)習(xí)的本質(zhì)是通過構(gòu)建含有很多隱層節(jié)點(diǎn)的機(jī)器學(xué)習(xí)模型，使用大量的數(shù)據(jù)進(jìn)行訓(xùn)練，來學(xué)習(xí)更多更有用的特征，從而提高分類或預(yù)測(cè)的精準(zhǔn)度。所以，是用深度模型的方法，對(duì)樣本進(jìn)行特征學(xué)習(xí)。

3.1. 機(jī)器學(xué)習(xí)在測(cè)井巖性識(shí)別中的應(yīng)用

巖性識(shí)別是儲(chǔ)層含油氣性評(píng)價(jià)、油藏描述等方面的重要內(nèi)容之一，是求解油氣儲(chǔ)層各種參數(shù)的基礎(chǔ)。與其它巖性識(shí)別方法(如取巖心)相比，利用測(cè)井資料識(shí)別巖性速度快、費(fèi)用低，也正因此才被廣泛采用。常規(guī)的利用測(cè)井資料識(shí)別地層巖性的方法主要有交會(huì)圖法[11] [12]、統(tǒng)計(jì)學(xué)方法[13]以及成像測(cè)井[14]，但是傳統(tǒng)識(shí)別方法精度低、效率慢并且人為因素影響大，而成像測(cè)井價(jià)格昂貴，不利于廣泛實(shí)際應(yīng)用，因此研究出一種高精度自動(dòng)識(shí)別巖性的方法對(duì)于測(cè)井?dāng)?shù)據(jù)解釋具有重要的意義。神經(jīng)網(wǎng)絡(luò)、決策樹和支持向量機(jī)在測(cè)井巖性識(shí)別領(lǐng)域具有良好的應(yīng)用前景。

神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)是由大量處理單元(神經(jīng)元)互相連接組成的大規(guī)模、非線性、自適應(yīng)動(dòng)力學(xué)系統(tǒng)[15]。信息由輸入層到輸出層不斷傳遞，中間神經(jīng)元根據(jù)某種準(zhǔn)則不斷調(diào)整對(duì)接收到的相應(yīng)信號(hào)的處理方式，最終使輸出層得到想要的信息[16]。目前，在測(cè)井巖性識(shí)別中實(shí)際效果好且應(yīng)用最廣泛的有2 種神經(jīng)網(wǎng)絡(luò)模型：誤差反傳神經(jīng)網(wǎng)絡(luò)(BPNN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBFNN)。BPNN 是一種全局逼近神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練過程中誤差逐層向輸入層逆向傳播，對(duì)網(wǎng)絡(luò)中出現(xiàn)的所有權(quán)值和閾值進(jìn)行修正，RBFNN 是一種局部逼近網(wǎng)絡(luò)，對(duì)于每個(gè)訓(xùn)練樣本，它只需要對(duì)少量的權(quán)值和閾值進(jìn)行修正，另外RBFNN 通過徑向基函數(shù)將低維空間中非線性可分的問題映射到高維空間，使其在高維空間中線性可分。BPNN 與RBFNN 兩者功能相近，可以互相替代，但理論上后者結(jié)構(gòu)簡(jiǎn)單、收斂速度快，能夠逼近任意非線性函數(shù)，相比BPNN 更適用于測(cè)井巖性識(shí)別[17]。

決策樹(Decision Тree, DТ)是一個(gè)類似流程圖的樹狀結(jié)構(gòu)，可以從一組無規(guī)則、無次序的分類樣本中推理出分類規(guī)則。DТ 通過根節(jié)點(diǎn)到葉節(jié)點(diǎn)的順序?qū)颖具M(jìn)行分類，其中每個(gè)節(jié)點(diǎn)代表一個(gè)因變量，每個(gè)分支代表它所連接的上節(jié)點(diǎn)在其自變量上的可能取值。分類時(shí)采取自頂向下的遞歸方式，在內(nèi)部節(jié)點(diǎn)進(jìn)行因變量的比較，并根據(jù)不同的因變量值判斷從該節(jié)點(diǎn)向下的分支，在樹的葉節(jié)點(diǎn)得到結(jié)論即因變量y，整個(gè)過程都是以新節(jié)點(diǎn)為根的子樹上的重復(fù)[18]。DТ 的建立由建樹和剪枝組成[19]，所有DТ 算法都遵循這2 個(gè)階段，所產(chǎn)生的算法有C5.0，CARТ，QUESТ 和CHAID，差異只在于測(cè)量指標(biāo)不同，如在建樹過程中如何確定首先使用哪個(gè)自變量和自變量取值作為拆分點(diǎn)。其中，C5.0 算法與其他算法相比，通常不需要很長(zhǎng)的訓(xùn)練次數(shù)，而且面對(duì)數(shù)據(jù)缺失和數(shù)據(jù)量大的問題時(shí)穩(wěn)健性明顯高于其他算法[6]，這在測(cè)井巖性識(shí)別時(shí)優(yōu)勢(shì)明顯。

支持向量機(jī)(Support Vector Мa(chǎn)chine, SVМ)建立在統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，在學(xué)習(xí)精度和學(xué)習(xí)能力之間尋求最佳折中，可最大化模型的預(yù)測(cè)能力，是一項(xiàng)功能強(qiáng)大的分類和回歸技術(shù)[20]。對(duì)于線性不可分問題，SVМ 的主要原理是:用核函數(shù)將樣本映射到高維特征空間，在高維特征空間中構(gòu)造最優(yōu)分割面，避免了在原空間中進(jìn)行非線性曲面分割的計(jì)算，樣本通過核函數(shù)映射到高維空間，增加了線性分割概率。但對(duì)某些情況仍然無法實(shí)現(xiàn)線性分割，如數(shù)據(jù)有噪聲。SVМ 則允許樣本點(diǎn)在一定程度上偏離最優(yōu)分割面，樣本點(diǎn)xi 允許偏離最優(yōu)分割面的量稱為松弛變量ξi。因此，實(shí)現(xiàn)最優(yōu)分類需調(diào)節(jié)松弛變量，使其達(dá)到最優(yōu)[21] [22]。與調(diào)節(jié)松弛變量相比，核函數(shù)的選擇才是影響分類效果的關(guān)鍵，包括線性核函數(shù)、多項(xiàng)式核函數(shù)、RBF 核函數(shù)和Sigmeid 核函數(shù)，而核函數(shù)的選擇沒有唯一確定的準(zhǔn)則，在測(cè)井巖性識(shí)別中需要根據(jù)實(shí)際情祝進(jìn)行嘗試和比較[21] [23]。

前人對(duì)進(jìn)行巖性識(shí)別主要使用的是BP 神經(jīng)網(wǎng)絡(luò)：侯俊勝和王穎(1999)對(duì)煤氣層測(cè)井資料進(jìn)行了定量解釋識(shí)別[24]，盧新衛(wèi)和金章東(1999)對(duì)勝利油田某測(cè)井巖性進(jìn)行識(shí)別[25]，范訓(xùn)禮等(1999)對(duì)塔里木油田ТZ4 測(cè)井的巖性進(jìn)行了識(shí)別[26]，他們用的都是BP 神經(jīng)網(wǎng)絡(luò)手段，而且相同的是識(shí)別結(jié)果準(zhǔn)確率均不高。蔡磊和程國(guó)建等人(2010)采用極限學(xué)習(xí)機(jī)的方法對(duì)測(cè)井巖性進(jìn)行識(shí)別[27]。在蔡磊(2010)的文章中使用了機(jī)器學(xué)習(xí)的支持向量機(jī)方法。在這次驗(yàn)證中，蔡磊的研究對(duì)象選擇了自然伽瑪，深感應(yīng)電阻率，中子-密度孔隙度差，平均中子-密度孔隙度，光電效應(yīng)這5 條測(cè)井曲線，選取了10 口井中的6 口作為訓(xùn)練集3150 個(gè)樣本，2 口作為驗(yàn)證集421 個(gè)樣本，2 口作為測(cè)試集431 個(gè)樣本。最終結(jié)果顯示巖性識(shí)別正確率如表1。識(shí)別結(jié)果較好，表明了基于支持向量機(jī)的機(jī)器學(xué)習(xí)算法也能在巖性識(shí)別中發(fā)揮很好的作用。安鵬和曹丹平(2018)基于深度學(xué)習(xí)對(duì)測(cè)井巖性識(shí)別進(jìn)行了研究[28]，構(gòu)建了一個(gè)包含多個(gè)隱層的深度神經(jīng)網(wǎng)絡(luò)模型(圖1)，其中激勵(lì)函數(shù)采用的是Relu 函數(shù)，神經(jīng)網(wǎng)絡(luò)優(yōu)化算法采用的是Adagrad 算法，并且在原始輸出層和最終輸出層之間添加了softmax 層將神經(jīng)網(wǎng)絡(luò)輸出轉(zhuǎn)變成一個(gè)概率分布。

Table 1. Results of lithology identification of Cai Lei et al. (2010) [28] 表1. 蔡磊等(2010)巖性識(shí)別結(jié)果表[28]

Figure 1. Deep neural network constructed by An and Cao (2018) [28] 圖1. 安鵬和曹丹平(2018)構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)[28]

深度神經(jīng)網(wǎng)絡(luò)使用前饋傳播(Forward propagation)將訓(xùn)練數(shù)據(jù)輸入到網(wǎng)絡(luò)中，逐層訓(xùn)練至輸出層，得到本次的樣本數(shù)據(jù)的預(yù)測(cè)估計(jì)值，然后將預(yù)測(cè)估計(jì)值帶入交叉熵?fù)p失函數(shù)計(jì)算誤差，然后使用反向傳播算法獲得每一個(gè)神經(jīng)元的誤差值。接著使用基于梯度的Adagrad 優(yōu)化算法，首先根據(jù)代價(jià)函數(shù)計(jì)算模型的每一個(gè)參數(shù)的梯度，根據(jù)梯度計(jì)算“懲罰值”，調(diào)整模型參數(shù)，使預(yù)測(cè)結(jié)果向優(yōu)化目標(biāo)(即巖性標(biāo)簽)接近。

3.2. 機(jī)器學(xué)習(xí)在測(cè)井孔隙度預(yù)測(cè)中的應(yīng)用

儲(chǔ)層孔隙度的準(zhǔn)確計(jì)算隊(duì)估算石油、天然氣等資源的儲(chǔ)量具有極大的影響。如果要計(jì)算孔隙度，要先從儲(chǔ)層測(cè)井曲線的特征出發(fā)，對(duì)測(cè)井資料進(jìn)行綜合分析[29]。對(duì)于砂泥巖剖面，有體積模型法、基于巖心分析資料擬合法等[30]。對(duì)于碳酸鹽巖儲(chǔ)層，借助核磁測(cè)井、電成像等測(cè)井方法對(duì)儲(chǔ)層空間類型進(jìn)行孔隙度求解[31] [32]。但有些地區(qū)缺少核磁測(cè)井、電成像測(cè)井等資料，又由于碳酸鹽巖儲(chǔ)層非均質(zhì)性強(qiáng)[33] [34]，孔隙度與測(cè)井曲線并無確定的線性關(guān)系，所以在復(fù)雜巖性的碳酸鹽巖儲(chǔ)層中，要利用BP 神經(jīng)網(wǎng)絡(luò)的非線性的映射能力進(jìn)行儲(chǔ)層孔隙度的預(yù)測(cè)[35]。用神經(jīng)網(wǎng)絡(luò)法來解釋孔隙度，就是通過給訓(xùn)練樣本進(jìn)行學(xué)習(xí)得到一種解釋模型，用該模型對(duì)未知井進(jìn)行孔隙度預(yù)測(cè)[36] [37] [38]，網(wǎng)絡(luò)的輸出層單元只有實(shí)測(cè)的孔隙度。王娜娜等[39]改進(jìn)了傳統(tǒng)的BP 算法，改進(jìn)后的BP 算法收斂速度快，圖2 為王娜娜所用BP 網(wǎng)絡(luò)計(jì)算孔隙度的模型。

周雪晴等[38]利用鄰域粗糙集選取孔隙度敏感曲線，并將磷蝦覓食算法和BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合，建立了最終神經(jīng)網(wǎng)絡(luò)孔隙度預(yù)測(cè)模型。在實(shí)驗(yàn)中，周雪晴等人得到的不同隱含層數(shù)目的誤差的比較，如表2。

Figure 2. BP network porosity calculation model by Wang et al. (2008) [38] 圖2. 王娜娜等(2008)計(jì)算孔隙度的BP 網(wǎng)絡(luò)孔隙度模型[38]

Table 2. Comparison of errors of different hidden layers by Zhou et al. (2017) [39] 表2. 周雪晴等(2017)部分不同隱含層數(shù)目的誤差的比較[39]

周雪晴等(2017)選用不同的訓(xùn)練函數(shù)，為效果較好的部分訓(xùn)練函數(shù)結(jié)果。選取訓(xùn)練效果最好的訓(xùn)練函數(shù)trainlm 為最終孔隙度模型訓(xùn)練函數(shù)。最終對(duì)資料進(jìn)行處理，結(jié)果如圖3 所示。

3.3. 機(jī)器學(xué)習(xí)在測(cè)井滲透率預(yù)測(cè)中的應(yīng)用

反映儲(chǔ)層非均質(zhì)性最直接的參數(shù)是就滲透率，使用常規(guī)方法解釋的滲透率精度一直較低[40] [41]。神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一種模型，人工神經(jīng)網(wǎng)絡(luò)具有結(jié)構(gòu)、神經(jīng)元傳遞函數(shù)及學(xué)習(xí)算法3 個(gè)屬性[42] [43]，在實(shí)際應(yīng)用中，大多采用的是BP 網(wǎng)絡(luò)，由于滲透率的影響因素較多，不確定性、非結(jié)構(gòu)化現(xiàn)象嚴(yán)重，因此，適用BP 網(wǎng)絡(luò)方法預(yù)測(cè)砂巖儲(chǔ)層的滲透率。

Figure 3. Comparison of different porosity prediction methods by Zhou Xueqing et al. (2017) [39] 圖3. 周雪晴等(2017)不同孔隙度預(yù)測(cè)方法對(duì)比[39]

李繼安(2010)以十紅灘鈾礦床為例實(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)在滲透率預(yù)測(cè)的應(yīng)用[44]，李繼安選擇用測(cè)井資料向量組成訓(xùn)練模式對(duì)，由多個(gè)訓(xùn)練模式對(duì)組成學(xué)習(xí)樣本集，建立對(duì)應(yīng)實(shí)際地層情況的測(cè)井信息，形成輸入樣本，并以此對(duì)其他鉆孔進(jìn)行滲透率的預(yù)測(cè)。在建立滲透率預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型時(shí)，李繼安等人采用了三層網(wǎng)絡(luò)模型，理論已證明：“一個(gè)三層網(wǎng)絡(luò)能以任何精度近似任何連續(xù)函數(shù)”[45]。起構(gòu)造的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。最終預(yù)測(cè)結(jié)果見表3。絕對(duì)誤差小于0.2 的為合格結(jié)果，總體合格率為58.30%，效果較好。

Figure 4. Тhe permeability prediction neural network constructed by Li Ji’an (2010) [45] 圖4. 李繼安(2010)構(gòu)造的滲透率預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)[45]

Table 3. Comparison of predicted permeability and measured permeability in Shihongtan area by Li Ji’an (2010) [45] 表3. 李繼安(2010)十紅灘地區(qū)預(yù)測(cè)滲透率與實(shí)測(cè)滲透率對(duì)比表[45]

3.4. 機(jī)器學(xué)習(xí)AdaBoost.M2 算法在砂礫巖流體識(shí)別中的應(yīng)用[46]

流體識(shí)別是測(cè)井評(píng)價(jià)的重要環(huán)節(jié)。在某些儲(chǔ)層情況下，流體很難準(zhǔn)確識(shí)別，如圖5 所示，該地區(qū)利用密度與電阻率難以識(shí)別流體。因而，選取反映儲(chǔ)層巖性、物性、流體性質(zhì)的SP、GR (伽馬)、RТ、AC (聲波時(shí)差)、CNL、(補(bǔ)償中子)、DEN (密度)等六種測(cè)井資料，運(yùn)用機(jī)器學(xué)習(xí)算法，提取反映流體的信息，多參數(shù)結(jié)合實(shí)現(xiàn)砂礫巖中的流體識(shí)別。

首先在關(guān)鍵井中，根據(jù)核磁共振、錄井油氣顯示、試油等結(jié)果選取多個(gè)井段的儲(chǔ)層樣本，綜合考慮巖性、孔隙結(jié)構(gòu)、地層水礦化度等因素選取.上述六種測(cè)井資料作為輸入，建立研究區(qū)干層、水層、油水同層、油層識(shí)別模型。

建模前，對(duì)輸入?yún)?shù)做歸-化處理消除量綱的影響。圖6 為不同流體類型測(cè)井?dāng)?shù)據(jù)歸-化后的平行坐標(biāo)系，從左到右分別為DEN、CNL、GR、AC、SP、RТ 測(cè)井類型。每一個(gè)樣本為一條曲線，不同顏色的曲線代表不同類型的流體。從圖中可以看出，不同類型流體測(cè)井響應(yīng)特征不同，同一種流體各測(cè)井響應(yīng)特征也不完全一致。因此，采用單一測(cè)井曲線無法對(duì)復(fù)雜儲(chǔ)層流體類型進(jìn)行劃分，需要多個(gè)測(cè)井參數(shù)進(jìn)行學(xué)習(xí)分類獲得學(xué)習(xí)模型，識(shí)別油水層。

Figure 5. Resistivity-density crossplot of the study area 圖5. 研究區(qū)電阻率-密度交會(huì)圖

Figure 6. Parameter parallel coordinate system after normalization 圖6. 歸一化后的參數(shù)平行坐標(biāo)系

3.5. 機(jī)器學(xué)習(xí)在重建三維多孔介質(zhì)建模中的應(yīng)用[47]

巖石物理是測(cè)井評(píng)價(jià)的基礎(chǔ)。數(shù)字巖心作為一種新的手段，可以彌補(bǔ)常規(guī)巖石物理實(shí)驗(yàn)的不足。Lukas Мosser 等開發(fā)了利用一類無監(jiān)督機(jī)器學(xué)習(xí)方法生成對(duì)抗網(wǎng)絡(luò)(GAN)進(jìn)行三維數(shù)字巖心建模的方法。生成對(duì)抗網(wǎng)絡(luò)由兩個(gè)可區(qū)分的函數(shù)組成：鑒別器D 和生成器G。鑒別器D 接收“真實(shí)”數(shù)據(jù)集的樣本數(shù)據(jù)和生成器G 從隱藏的潛在空間Z 中創(chuàng)建的“偽”樣本G(z) (潛在空間Z 由獨(dú)立的實(shí)際隨機(jī)變量組成，通常是正態(tài)或均勻分布的，表示發(fā)生器G 的隨機(jī)輸入)。然后生成器G 將潛在空間Z 中的隨機(jī)變量映射到空間中生成圖像。GAN 的訓(xùn)練流程如圖7 所示。

Figure 7. GAN training process 圖7. 生成對(duì)抗網(wǎng)絡(luò)(GAN)訓(xùn)練流程

4. 結(jié)論與展望

在測(cè)井解釋中，機(jī)器學(xué)習(xí)覆蓋范圍極廣。調(diào)研發(fā)現(xiàn)深度學(xué)習(xí)技術(shù)運(yùn)用在巖性識(shí)別、孔隙度滲透率預(yù)測(cè)中，不僅極大地提高了工作的效率，而且識(shí)別的準(zhǔn)確率也相當(dāng)高?，F(xiàn)有的機(jī)器學(xué)習(xí)應(yīng)用直觀的體現(xiàn)了機(jī)器學(xué)習(xí)技術(shù)在測(cè)井中的發(fā)展。隨著計(jì)算機(jī)人工智能等快速發(fā)展，機(jī)器學(xué)習(xí)在大量數(shù)據(jù)預(yù)測(cè)，數(shù)據(jù)處理過程中具有顯著優(yōu)勢(shì)，并且在很大程度上也會(huì)帶動(dòng)測(cè)井儀器朝著高精度高維度高分辨率方向發(fā)展。

近年來，機(jī)器學(xué)習(xí)在圖像分類方面前景廣闊，況且電成像技術(shù)在測(cè)井剖面解釋中直觀的展現(xiàn)了地下地質(zhì)情況，因此將機(jī)器學(xué)習(xí)應(yīng)用到電成像裂縫識(shí)別中意義重大。深度信念網(wǎng)絡(luò)(機(jī)器學(xué)習(xí)中的一種)也可以引入煤田測(cè)井?dāng)?shù)據(jù)處理中。相信在不遠(yuǎn)的將來，機(jī)器學(xué)習(xí)會(huì)在更多的地球物理勘探手段中實(shí)現(xiàn)更深入的應(yīng)用。