武中原，張 欣，張春雷，王海英

（1.中國地質(zhì)大學(xué)（北京）數(shù)理學(xué)院，北京 100083；2.北京師范大學(xué)統(tǒng)計(jì)學(xué)院，北京 100875；3.北京中地潤德石油科技有限公司，北京 100083）

0 引言

巖性的準(zhǔn)確識(shí)別是復(fù)雜碳酸鹽巖儲(chǔ)層精細(xì)表征和綜合評(píng)價(jià)的基礎(chǔ)和前提。地層巖性信息獲取的方式主要有鉆井取心、巖屑錄井及井壁取心等手段，鉆井取心成本的高昂和巖屑錄井的不精確，使得測(cè)井巖性識(shí)別方法的研究備受關(guān)注［1-3］。測(cè)井巖性識(shí)別主要是通過建立測(cè)井參數(shù)與巖石類型之間的映射關(guān)系，并利用該映射去識(shí)別未取樣井段的巖石類型。隨著模式識(shí)別、統(tǒng)計(jì)學(xué)習(xí)和機(jī)器學(xué)習(xí)等方法的發(fā)展，越來越多的數(shù)學(xué)理論和計(jì)算機(jī)算法被應(yīng)用到巖性識(shí)別模型的建立過程中，如主成分分析［4］、決策樹［5-6］、支持向量機(jī)（SVM）［7］、樸素貝葉斯［8］，SOM 模糊識(shí)別［9］和神經(jīng)網(wǎng)絡(luò)［10］等方法。這些方法假定巖性及其與測(cè)井參數(shù)之間的關(guān)系在深度上是彼此獨(dú)立的，忽略了巖石在沉積和成巖過程中存在的空間上的序列相關(guān)性問題。其識(shí)別結(jié)果常出現(xiàn)深度序列上無法精確表征巖石地質(zhì)特征的情況或出現(xiàn)地層中不存在的巖石序列組合等現(xiàn)象。

對(duì)巖石序列特征的早期表征是由Elfeki［11］等以馬爾科夫鏈理論為基礎(chǔ)，采用不同巖石類型之間的轉(zhuǎn)移概率矩陣形式進(jìn)行表達(dá)。后來袁照威等［8］在綜合巖石類型與測(cè)井參數(shù)之間的關(guān)系時(shí)，結(jié)合了混合高斯模型和最大期望算法進(jìn)行了參數(shù)的學(xué)習(xí)。其中，隱馬爾科夫（HMM）［1，12］較為常用，可以融合巖性在深度上的序列相關(guān)性及其與測(cè)井參數(shù)之間的關(guān)系，但是在巖石類型轉(zhuǎn)移階次的確定、不同階次序列相關(guān)性的精確學(xué)習(xí)等方面依然存在不足。深度學(xué)習(xí)中的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型可以通過自循環(huán)結(jié)構(gòu)的學(xué)習(xí)，使序列相關(guān)信息得到很好地保留。該方法應(yīng)用到巖性識(shí)別過程中能夠充分表征巖性內(nèi)在的沉積模式以及不同測(cè)井參數(shù)對(duì)巖性測(cè)量和表征方面的承載尺度問題。長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是常用的循環(huán)神經(jīng)網(wǎng)絡(luò)之一，解決了RNN 梯度爆炸和梯度消失的問題［13］。通過在自循環(huán)單元中引入門結(jié)構(gòu)，使測(cè)井參數(shù)信息能夠在LSTM 中長期傳遞下去，從而使得LSTM 在綜合考慮數(shù)據(jù)的鄰域信息和歷史信息后，有效提取到數(shù)據(jù)的序列變化信息。

1 方法原理

1.1 RNN 原理

人工神經(jīng)網(wǎng)絡(luò)通過構(gòu)建分層結(jié)構(gòu)，自動(dòng)提取出輸入輸出之間的非線性函數(shù)關(guān)系。BP 神經(jīng)網(wǎng)絡(luò)是最常見的人工神經(jīng)網(wǎng)絡(luò)，具有典型的分層結(jié)構(gòu)，通常包括輸入層、隱含層和輸出層（圖1）。BP 神經(jīng)網(wǎng)絡(luò)中的基本單元是神經(jīng)元，每一層的每一個(gè)神經(jīng)元只與相鄰層的所有神經(jīng)元相連接，而同層的神經(jīng)元?jiǎng)t互不連接。隱含層的每個(gè)神經(jīng)元對(duì)上一層的所有神經(jīng)元輸出進(jìn)行線性求和，然后經(jīng)過激活函數(shù)輸出到下一層的每個(gè)神經(jīng)元，作為下一層的輸入。隨著BP 神經(jīng)網(wǎng)絡(luò)不斷進(jìn)行正向傳遞和反向傳播，網(wǎng)絡(luò)權(quán)重也不斷進(jìn)行調(diào)整，最終達(dá)到較優(yōu)的預(yù)測(cè)效果。

圖1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Structure diagram of BP neural network

傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元互不相連，且使用固定數(shù)量的計(jì)算步驟產(chǎn)生固定大小的輸出，在處理可變大小的序列數(shù)據(jù)上限制較大。RNN 通過遞歸連接的每一層網(wǎng)絡(luò)的內(nèi)部節(jié)點(diǎn)，使得數(shù)據(jù)在時(shí)間維度上傳遞，實(shí)現(xiàn)了數(shù)據(jù)序列性的有效學(xué)習(xí)（圖2）［14-17］。

圖2 RNN 及其展開示意圖Fig.2 RNN and its development diagram

由RNN 中循環(huán)單元的計(jì)算式［式（1）］可知，RNN 在所有時(shí)間維度上實(shí)現(xiàn)參數(shù)共享，使得網(wǎng)絡(luò)模型得到簡化，同時(shí)能夠?qū)W習(xí)任意長度的序列數(shù)據(jù)。

式（1）中：xt是t時(shí)刻的輸入；ht為t時(shí)刻的隱狀態(tài)；wih，bih是輸入層與隱狀態(tài)間的權(quán)重和偏置；whh，bhh是隱狀態(tài)與隱狀態(tài)之間的權(quán)重和偏置。

1.2 LSTM 基本原理

常規(guī)的RNN 容易發(fā)生梯度爆炸和梯度消失［18］，導(dǎo)致網(wǎng)絡(luò)預(yù)測(cè)效果不佳。為此，Hochreiter 等［13］提出LSTM，并由Graves 等［19］對(duì)其進(jìn)行了改良。相較于RNN 較為簡單的循環(huán)單元，LSTM 通過添加3個(gè)門層來控制不同時(shí)序?qū)罄m(xù)信息的影響，同時(shí)使用隱狀態(tài)和細(xì)胞狀態(tài)傳遞信息，使得LSTM 能夠綜合局部信息和序列信息。圖3 是常見的LSTM 網(wǎng)絡(luò)重復(fù)單元，主要包含3 個(gè)門層：遺忘門、輸入門、輸出門。在LSTM 神經(jīng)元的每個(gè)時(shí)刻，神經(jīng)元的輸入包括前一時(shí)刻的細(xì)胞狀態(tài)和隱狀態(tài)以及當(dāng)前時(shí)刻的輸入。首先是當(dāng)前時(shí)刻輸入和前一時(shí)刻隱狀態(tài)，依次通過遺忘門和輸入門，完成細(xì)胞狀態(tài)的更新，然后根據(jù)更新后的細(xì)胞狀態(tài)和輸出門，完成隱狀態(tài)的更新。

圖3 LSTM 重復(fù)單元結(jié)構(gòu)Fig.3 LSTM recurrent unit structure

遺忘門：根據(jù)當(dāng)前時(shí)刻的輸入和前一時(shí)刻的隱狀態(tài)決定細(xì)胞狀態(tài)中要忘記的信息

輸入門：根據(jù)當(dāng)前時(shí)刻的輸入和前一時(shí)刻的隱狀態(tài)決定哪些新信息要添加到細(xì)胞狀態(tài)

根據(jù)遺忘門和輸入門的輸出，對(duì)細(xì)胞狀態(tài)進(jìn)行更新

輸出門：根據(jù)當(dāng)前時(shí)刻輸入信息和前一時(shí)刻隱狀態(tài)的合并以及更新后的細(xì)胞狀態(tài)，對(duì)隱狀態(tài)進(jìn)行更新

式中：ft是t時(shí)刻遺忘門的輸出；Ot是t時(shí)刻輸入門的輸出；是t時(shí)刻tanh 層的輸出；Ct為t時(shí)刻的細(xì)胞狀態(tài)；it是t時(shí)刻輸入門的輸出；Wf，bf是遺忘門的權(quán)重和偏置；Wi，bi是輸入門的權(quán)重和偏置；Wo，bo是輸出門的權(quán)重和偏置。

1.3 基于LSTM 巖性識(shí)別模型的構(gòu)建

在LSTM 中，由于序列維度的存在，使得網(wǎng)絡(luò)結(jié)構(gòu)本身比較復(fù)雜，因此不需要過分堆疊循環(huán)層。如圖4 所示，首先通過對(duì)測(cè)井資料的分析選擇出對(duì)巖性敏感的測(cè)井參數(shù)，并對(duì)其進(jìn)行均值方差標(biāo)準(zhǔn)化預(yù)處理，去除量綱的影響，同時(shí)使用One-Hot 編碼將巖性數(shù)據(jù)數(shù)字化，然后構(gòu)建包含LSTM 層和全連接層的巖性識(shí)別模型。

圖4 巖性識(shí)別模型Fig.4 Lithology identification model

由于巖性識(shí)別是多分類問題，網(wǎng)絡(luò)使用交叉熵作為損失函數(shù)對(duì)網(wǎng)絡(luò)學(xué)習(xí)進(jìn)行評(píng)估。同時(shí)使用Adam優(yōu)化器進(jìn)行網(wǎng)絡(luò)學(xué)習(xí)，不同于常用的隨機(jī)梯度下降，Adam 優(yōu)化器能夠在迭代過程中自適應(yīng)調(diào)整學(xué)習(xí)率從而顯著提升網(wǎng)絡(luò)學(xué)習(xí)速度。為防止網(wǎng)絡(luò)發(fā)生過擬合，使用dropout 學(xué)習(xí)策略提升其泛化能力。

2 應(yīng)用實(shí)例分析

本次研究數(shù)據(jù)為蘇里格氣田東部地區(qū)奧陶系馬溝組馬五段復(fù)雜碳酸鹽巖儲(chǔ)層，屬于海相沉積地層，因受沉積和成巖等因素的影響，巖石類型復(fù)雜多樣。鉆井取心和巖屑錄井顯示，主要巖石類型有石灰?guī)r、白云質(zhì)灰?guī)r、泥質(zhì)灰?guī)r、白云巖、灰質(zhì)白云巖和泥質(zhì)白云巖等6 種，其中灰質(zhì)白云巖和白云質(zhì)灰?guī)r是主要的含氣儲(chǔ)層。

2.1 測(cè)井參數(shù)敏感性分析

通過對(duì)巖性和測(cè)井資料的分析［20-21］，選取對(duì)巖性較為敏感的聲波時(shí)差、自然伽馬、光電吸收截面指數(shù)、密度、深側(cè)向電阻率和補(bǔ)償中子等6 種測(cè)井參數(shù)。以55-010 井為例，對(duì)石灰?guī)r、白云質(zhì)灰?guī)r、泥質(zhì)灰?guī)r、白云巖、灰質(zhì)白云巖和泥質(zhì)白云巖等6 種巖性的箱形圖進(jìn)行分析。由圖5 可知，不同測(cè)井屬性對(duì)巖性的響應(yīng)特征存在明顯差異?？傮w來說，泥質(zhì)巖性的自然伽馬較高［圖5（a）］，而非泥質(zhì)巖性的自然伽馬較低且重合在一起，因此通過自然伽馬可以有效劃分出含泥質(zhì)較多的泥質(zhì)灰?guī)r和泥質(zhì)白云巖。同時(shí)泥質(zhì)灰?guī)r的聲波時(shí)差［圖5（b）］和光電吸收截面指數(shù)［圖5（c）］均較高，則可以進(jìn)一步通過聲波時(shí)差和光電吸收截面指數(shù)來劃分泥質(zhì)灰?guī)r和泥質(zhì)白云巖，而光電吸收截面指數(shù)對(duì)于白云巖和灰質(zhì)巖的區(qū)分則更為明顯。白云巖的光電吸收截面指數(shù)基本小于3.2 b/e，而灰質(zhì)巖則相反。從圖5 可以看出，由于數(shù)據(jù)中一些噪聲點(diǎn)的影響，導(dǎo)致個(gè)別巖性測(cè)井參數(shù)取值區(qū)間較大，甚至超出正常值，該情況主要影響了箱形圖的極值情況，對(duì)中位數(shù)及上下四分位數(shù)影響均較小，因此為進(jìn)一步統(tǒng)計(jì)有實(shí)際意義的測(cè)井參數(shù)響應(yīng)特征，將第90 百分位數(shù)及第10 百分位數(shù)作為實(shí)際巖性響應(yīng)范圍的上下限（表1）。

圖5 蘇里格氣田蘇東地區(qū)55-010 井巖性及其測(cè)井參數(shù)箱形圖Fig.5 Box diagram of lithology and logging parameters of well 55-010 in eastern block of Sulige gas field

綜合測(cè)井參數(shù)箱線圖（圖5）、巖性測(cè)井參數(shù)統(tǒng)計(jì)表（表1）和巖性間高區(qū)分度敏感參數(shù)統(tǒng)計(jì)表（表2），得出以下結(jié)論：①不同巖性的各測(cè)井參數(shù)響應(yīng)特征雖各不相同，但存在一定程度的重疊，即測(cè)井參數(shù)對(duì)不同巖性響應(yīng)的敏感性差異較大。②各測(cè)井參數(shù)對(duì)石灰?guī)r響應(yīng)特征的變化范圍較小，其光電吸收截面指數(shù)較高，補(bǔ)償中子和自然伽馬則較小；白云質(zhì)灰?guī)r和泥質(zhì)灰?guī)r的光電吸收截面指數(shù)取值范圍差異較大，其他參數(shù)變化范圍則相近；泥質(zhì)灰?guī)r和泥質(zhì)白云巖的自然伽馬值均高于25 API，且聲波時(shí)差的變化范圍較大；各巖性的深側(cè)向電阻率變化范圍較為接近；白云巖的光電吸收截面指數(shù)較低，且密度取值較高。③由表2 可知，不同巖性對(duì)應(yīng)著不同的高敏感性參數(shù)，單一的測(cè)井參數(shù)只能粗略實(shí)現(xiàn)部分特定巖性的劃分，只有綜合考慮巖性對(duì)所有測(cè)井參數(shù)的響應(yīng)特征，才能實(shí)現(xiàn)所有巖性的有效識(shí)別。

表1 蘇里格氣田蘇東地區(qū)不同巖性測(cè)井參數(shù)響應(yīng)特征（10%～90%）Table 1 Response characteristics of different lithology logging parameters in eastern block of Sulige gas field

表2 蘇里格氣田蘇東地區(qū)不同巖性之間高區(qū)分度敏感參數(shù)Table 2 High-sensitivity parameters between lithologies in eastern block of Sulige gas field

2.2 網(wǎng)絡(luò)模型參數(shù)分析

本次研究網(wǎng)絡(luò)模型運(yùn)行平臺(tái)如下：Windows10 64 位操作系統(tǒng)，Intel Core i7-8700 CPU @3.2 GHz，16 GB 內(nèi)存，Nvidia GeForce GTX 1050 顯卡，運(yùn)行環(huán)境為python3.6，keras（tensorflow 后臺(tái)）框架。在LSTM 網(wǎng)絡(luò)模型建立過程中，對(duì)巖性識(shí)別效果影響較大的網(wǎng)絡(luò)參數(shù)主要有迭代次數(shù)（epoch）、批樣本個(gè)數(shù)（batch）和時(shí)間步長（time-step）等。為此，在建模過程中先分析這3 個(gè)網(wǎng)絡(luò)參數(shù)的影響。

epoch 是網(wǎng)絡(luò)使用全部訓(xùn)練集訓(xùn)練所用的次數(shù)，其對(duì)網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果有很大影響。訓(xùn)練次數(shù)過少，網(wǎng)絡(luò)就不能完全提取出數(shù)據(jù)的特征信息，即網(wǎng)絡(luò)欠擬合，從而導(dǎo)致網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果較差。epoch 過多，則網(wǎng)絡(luò)可記住訓(xùn)練集中個(gè)別樣本的特征，即網(wǎng)絡(luò)過擬合，從而導(dǎo)致網(wǎng)絡(luò)在訓(xùn)練集中預(yù)測(cè)效果較好而在測(cè)試集上預(yù)測(cè)效果較差，即網(wǎng)絡(luò)的泛化性較差。通過控制其他變量不變而改變訓(xùn)練次數(shù)，并通過交叉熵?fù)p失函數(shù)評(píng)估網(wǎng)絡(luò)。可以看出：隨著epoch 增加，網(wǎng)絡(luò)模型的損失值迅速下降，表明網(wǎng)絡(luò)在快速學(xué)習(xí)，當(dāng)epoch 達(dá)到1 000 時(shí)，損失曲線已基本穩(wěn)定，表明網(wǎng)絡(luò)已經(jīng)充分學(xué)習(xí)。

batch 是指每次進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)所傳入的訓(xùn)練集樣本個(gè)數(shù)。由于深度學(xué)習(xí)中的數(shù)據(jù)量較大，一般要采取小批量處理的方法。由于每次傳入數(shù)據(jù)后都會(huì)更新網(wǎng)絡(luò)權(quán)重，所以相較一次傳入全部數(shù)據(jù)，小批量訓(xùn)練網(wǎng)絡(luò)的速度更快。但是，過小的batch則會(huì)使網(wǎng)絡(luò)學(xué)習(xí)變得過于隨機(jī)，過大的batch 則需要更多的epoch。本次在固定其他參數(shù)的前提下，調(diào)節(jié)batch，并通過巖性識(shí)別準(zhǔn)確率評(píng)估batch 對(duì)網(wǎng)絡(luò)訓(xùn)練的影響效果，可以看出，當(dāng)batch 小于32 時(shí)，準(zhǔn)確率較高，而隨著batch 的進(jìn)一步增大，準(zhǔn)確率迅速下降，因此選擇batch 為32。

time-step 是指使用多少組測(cè)井曲線數(shù)據(jù)來預(yù)測(cè)當(dāng)前時(shí)刻的巖性。如果time-step 過小，則由于輸入信息過少，使得網(wǎng)絡(luò)只能根據(jù)附近時(shí)刻的信息來預(yù)測(cè)當(dāng)前時(shí)刻，忽視了序列信息的連續(xù)性。如果time-step 過大，由于不同測(cè)井段的巖性特征和孔隙特征變化，導(dǎo)致訓(xùn)練集中包含與當(dāng)前時(shí)刻無關(guān)的信息，從而既加大了網(wǎng)絡(luò)的訓(xùn)練時(shí)間，又影響了預(yù)測(cè)效果。于是，在保證其他各參數(shù)不變的前提下，調(diào)節(jié)time-step，通過巖性識(shí)別準(zhǔn)確率來評(píng)估time-step對(duì)網(wǎng)絡(luò)訓(xùn)練的影響。由圖6 可看出，當(dāng)time-step 為4 時(shí)，準(zhǔn)確率較高，而隨著time-step 的增大，準(zhǔn)確率則在96%左右波動(dòng)，因此選擇time-step 為4。

圖6 網(wǎng)絡(luò)模型參數(shù)選擇Fig.6 Parameter selection of network model

2.3 實(shí)驗(yàn)結(jié)果

從蘇里格氣田蘇東地區(qū)選取42-12 井、44-7 井、49-13 井共計(jì)3 122 個(gè)樣本點(diǎn)和57-04 井共計(jì)1 355個(gè)樣本點(diǎn)作為訓(xùn)練數(shù)據(jù)，其中前3 口井的石灰?guī)r、白云質(zhì)灰?guī)r、泥質(zhì)灰?guī)r、白云巖、灰質(zhì)白云巖和泥質(zhì)白云巖的樣品個(gè)數(shù)分別為272 個(gè)、314 個(gè)、335 個(gè)、590 個(gè)、596 個(gè)、1 015 個(gè)。分別采用KNN、樸素貝葉斯、決策樹、SVM，HMM 和LSTM 進(jìn)行訓(xùn)練學(xué)習(xí)，并在測(cè)試集上進(jìn)行分類預(yù)測(cè)，從而評(píng)估模型的巖性識(shí)別效果。

表3 為KNN，樸素貝葉斯、決策樹、SVM，HMM，LSTM 這6 種算法的巖性識(shí)別效果，傳統(tǒng)模式識(shí)別方法KNN 和樸素貝葉斯的巖性識(shí)別準(zhǔn)確率平均值低于90.00%，決策樹、SVM 和HMM 相比之均有顯著提高，而采用LSTM 的平均巖性識(shí)別準(zhǔn)確率可達(dá)97.12%，巖性識(shí)別效果優(yōu)異。從巖性識(shí)別效果來看，傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)不同巖性的識(shí)別效果差異較大，尤其對(duì)石灰?guī)r及其過渡巖性的識(shí)別效果較差，導(dǎo)致整體正確率較低。而LSTM 的識(shí)別準(zhǔn)確率則相對(duì)平穩(wěn)，僅對(duì)石灰?guī)r的識(shí)別準(zhǔn)確率為80.95%，對(duì)其他巖性的識(shí)別準(zhǔn)確率均在97.00%以上。相較于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，LSTM 模型更好地學(xué)習(xí)到了巖性數(shù)據(jù)的空間結(jié)構(gòu)特征，從而有效提升了巖性識(shí)別效果。

表3 蘇里格氣田蘇東地區(qū)57-04 井不同方法的巖性識(shí)別準(zhǔn)確率Table 3 Lithology identification effect by different methods in well 57-04 in eastern block of Sulige gas field

圖7 為部分實(shí)際錄井巖性與不同巖性識(shí)別模型預(yù)測(cè)對(duì)比圖，表4 采用混淆矩陣定量分析準(zhǔn)確率及召回率，并以此對(duì)比LSTM 算法的改進(jìn)效果?？梢钥闯觯琇STM 的預(yù)測(cè)結(jié)果與錄井巖性基本一致。召回率較低的白云巖樣本數(shù)目較少，導(dǎo)致其錯(cuò)分的樣本對(duì)召回率影響較大，除白云巖外整體召回率在93.00%左右，實(shí)現(xiàn)了各巖性的有效召回。誤分巖性基本為相鄰的過渡巖性，且白云巖主要被誤分為灰質(zhì)白云巖，這2 種巖性轉(zhuǎn)換較為頻繁，導(dǎo)致LSTM在巖性轉(zhuǎn)換過程中容易發(fā)生誤分。

圖7 蘇里格氣田蘇東地區(qū)57-04 井不同方法的巖性識(shí)別結(jié)果Fig.7 Lithology identification results of well 57-04 in eastern block of Sulige gas field

表4 蘇里格氣田蘇東地區(qū)57-04 井LSTM 巖性識(shí)別混淆矩陣Table 4 LSTM lithology identification confusion matrix of well 57-04 in eastern block of Sulige gas field

為了進(jìn)一步展示LSTM 模型對(duì)于巖性數(shù)據(jù)的序列特征學(xué)習(xí)能力，表5 為不同巖性識(shí)別方法的一階狀態(tài)轉(zhuǎn)移數(shù)目矩陣。可以看出：KNN 的識(shí)別結(jié)果中石灰?guī)r發(fā)生了過多的自轉(zhuǎn)移，同時(shí)大量的白云質(zhì)灰?guī)r和泥質(zhì)灰?guī)r的自轉(zhuǎn)移沒有被預(yù)測(cè)到，從而導(dǎo)致巖性識(shí)別效果較差，這也說明了KNN 這類傳統(tǒng)方法局限于點(diǎn)對(duì)點(diǎn)的識(shí)別，忽略了巖性序列的局部信息和序列的整體變化情況；傳統(tǒng)的序列統(tǒng)計(jì)方法HMM 雖然能夠考慮到巖性數(shù)據(jù)的序列性，但同時(shí)也假定巖性序列相互獨(dú)立，從而使得預(yù)測(cè)結(jié)果有所偏差，使得在泥質(zhì)灰?guī)r的預(yù)測(cè)誤差較大。LSTM 與鉆井?dāng)?shù)據(jù)的轉(zhuǎn)移基本一致，表明LSTM 模型預(yù)測(cè)巖性時(shí)充分考慮到巖性序列的沉積模式，使得巖性預(yù)測(cè)結(jié)果與實(shí)際地質(zhì)情況相符。

表5 蘇里格氣田蘇東地區(qū)57-04 井不同巖性識(shí)別方法一階狀態(tài)轉(zhuǎn)移數(shù)目Table 5 Number of first-order state transitions for different lithology identification methods in eastern block of Sulige gas field

為進(jìn)一步說明該方法的泛化能力，基于上述過程，選擇55-010 井開展巖性識(shí)別，其識(shí)別結(jié)果如表6 所列。從表6 可看出，LSTM 模型仍然具有較高的識(shí)別精度，也體現(xiàn)了LSTM 模型具有較強(qiáng)的泛化性。

表6 蘇里格氣田蘇東地區(qū)55-010 井不同方法的巖性識(shí)別準(zhǔn)確率Table 6 Lithology identification accuracy of different methods of well 55-010 in eastern block of Sulige gas field

3 結(jié)論

（1）LSTM 模型有效地反映了巖性序列的時(shí)序空間特征，有助于巖性識(shí)別效果的提升。相對(duì)于傳統(tǒng)方法無序點(diǎn)集的學(xué)習(xí)識(shí)別，LSTM 算法的巖性識(shí)別模型從測(cè)井?dāng)?shù)據(jù)的序列出發(fā)，有效捕捉到了巖性沉積模式和測(cè)井參數(shù)承載尺度信息，實(shí)現(xiàn)了測(cè)井序列和巖性序列的整體匹配。

（2）與決策樹、樸素貝葉斯、KNN，SVM，BP 神經(jīng)網(wǎng)絡(luò)等方法對(duì)比顯示，基于LSTM 模型的巖性識(shí)別方法更加精確，準(zhǔn)確率可提高1.40%～12.25%，并對(duì)白云巖及其過渡巖性識(shí)別效果更好，同時(shí)對(duì)主要含氣儲(chǔ)層灰質(zhì)白云巖和白云質(zhì)灰?guī)r的召回率和準(zhǔn)確率均達(dá)到93.00%以上，解決了實(shí)際生產(chǎn)需求。

（3）LSTM 模型對(duì)于測(cè)井?dāng)?shù)據(jù)具有良好的適用性，通過引入3 個(gè)門層，保證了信息傳遞的持續(xù)性，實(shí)現(xiàn)了自動(dòng)提取測(cè)井?dāng)?shù)據(jù)的序列特征，挖掘空間結(jié)構(gòu)，進(jìn)而有效提升了巖性識(shí)別的精度，對(duì)于數(shù)據(jù)挖掘具有重要意義。