張 浩 王 亮 司馬立強(qiáng) 范 玲 郭宇豪 郭一凡

(①西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院，四川成都 610500； ②油氣藏地質(zhì)及開(kāi)發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，四川成都 610500；③成都理工大學(xué)能源學(xué)院，四川成都 610059； ④中石油西南油氣田公司川中油氣礦，四川遂寧 629000)

0 引言

裂縫、溶蝕孔洞是碳酸鹽巖中油氣的重要儲(chǔ)集空間和滲流通道，識(shí)別和定量評(píng)價(jià)裂縫、溶蝕孔洞對(duì)于油氣勘探具有重要意義[1]。然而，裂縫、溶蝕孔洞的常規(guī)測(cè)井響應(yīng)特征十分復(fù)雜[2]，且垂直分辨率低，難以準(zhǔn)確識(shí)別細(xì)節(jié)[3]。相較于常規(guī)測(cè)井，電成像測(cè)井資料具有垂直分辨率高、井眼覆蓋全的優(yōu)勢(shì)，可直觀顯示地層裂縫、溶蝕孔洞分布等細(xì)節(jié)[4]，為裂縫、溶蝕孔洞的識(shí)別、定量評(píng)價(jià)提供了一種思路，而其中的關(guān)鍵在于電成像圖像區(qū)域特征的準(zhǔn)確、高效、自動(dòng)識(shí)別和提取[5]。

利用電成像資料精確地識(shí)別、定量評(píng)價(jià)裂縫、溶蝕孔洞，首先需要分割圖像閾值，從地層背景中分離裂縫、溶蝕孔洞。不同的閾值分割算法效果差異較大。傳統(tǒng)的平均閾值分割法[6]在像素值分布單一的情況下效果較好；Otsu自動(dòng)閾值分割法[6]在像素值分布廣泛的情況下效果最佳。因此，需要通過(guò)算法之間的優(yōu)勢(shì)互補(bǔ)才能分割出更完整的裂縫、溶蝕孔洞特征。

目前，利用電成像資料計(jì)算裂縫、溶蝕孔洞參數(shù)大多基于測(cè)井解釋軟件平臺(tái)，由人工提取特征而得，主觀性強(qiáng)且工作量大，圖像處理效率較低。因此，學(xué)者們研究了針對(duì)電成像圖像特征的自動(dòng)識(shí)別和提取方法?？率芥?zhèn)等[7]利用Hough變換檢測(cè)電成像中的正弦曲線特征，計(jì)算地層產(chǎn)狀和裂縫角度等參數(shù)；閆建平等[8]應(yīng)用連通域標(biāo)識(shí)法在電成像圖像中定量拾取溶洞信息；李曦寧等[9]應(yīng)用多尺度形態(tài)學(xué)方法提取電成像縫洞參數(shù)；李振苓等[10]應(yīng)用形態(tài)學(xué)濾波方法從電導(dǎo)率圖像中提取縫洞孔隙度譜。上述方法在一定條件下效果較好，但是由于裂縫、溶蝕孔洞地層非均質(zhì)性強(qiáng)且圖像特征復(fù)雜，在實(shí)際應(yīng)用中受到很多限制。例如Hough變換識(shí)別層理會(huì)出現(xiàn)較大的誤差，空白條帶的存在使連通域標(biāo)識(shí)法失真、電成像不具備形態(tài)學(xué)濾波的條件。

卷積神經(jīng)網(wǎng)絡(luò)技術(shù)被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)[11]、醫(yī)學(xué)圖像處理[12]、交通標(biāo)志識(shí)別[13]等領(lǐng)域，但應(yīng)用于地球物理測(cè)井領(lǐng)域的實(shí)例較少且鮮有報(bào)道。電成像技術(shù)在地球物理測(cè)井領(lǐng)域是一種由非常規(guī)方法發(fā)展為常規(guī)方法的地層圖像探測(cè)技術(shù)。電成像數(shù)據(jù)通常為二維圖像，處理難點(diǎn)在于數(shù)據(jù)量大、依賴人工拾取。卷積神經(jīng)網(wǎng)絡(luò)適用于圖像數(shù)據(jù)處理和圖像特征識(shí)別。本文旨在將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于電成像圖像識(shí)別領(lǐng)域，提出了一種基于圖像區(qū)域分割卷積神經(jīng)網(wǎng)絡(luò)的電成像圖像裂縫、溶蝕孔洞自動(dòng)識(shí)別和特征提取方法。根據(jù)識(shí)別和提取的信息計(jì)算有效面孔率等參數(shù)，并與常規(guī)測(cè)井曲線、Techlog軟件處理結(jié)果和巖心資料等對(duì)比，驗(yàn)證了本文方法的適用性和合理性。

1 常見(jiàn)地質(zhì)構(gòu)造的電成像圖像特征

電成像圖像包含多類地質(zhì)構(gòu)造特征，如裂縫、溶蝕孔洞、基質(zhì)、層理、泥質(zhì)條帶等[14-15]。不同地質(zhì)構(gòu)造特征的導(dǎo)電性具有明顯差異，電成像圖像中低阻黑色及高阻亮色區(qū)域的特征易判別，這為利用電成像圖像進(jìn)行裂縫、溶蝕孔洞的自動(dòng)識(shí)別和特征提取奠定了基礎(chǔ)。在進(jìn)行圖像處理之前，需歸納電成像圖像中的地質(zhì)構(gòu)造特征并分類，根據(jù)分類規(guī)律制備訓(xùn)練樣本。常見(jiàn)地質(zhì)構(gòu)造的電成像圖像特征如圖1所示。

圖1 常規(guī)地質(zhì)構(gòu)造的電成像圖像特征

2 電成像圖像的預(yù)處理

由于電成像圖像常指示眾多地質(zhì)構(gòu)造特征，在識(shí)別裂縫、溶蝕孔洞之前，需要對(duì)圖像進(jìn)行預(yù)處理以達(dá)到圖像區(qū)域特征分割的目的。關(guān)鍵技術(shù)流程包括：①圖像空白條帶填充；②圖像閾值分割，輸出二值圖像；③應(yīng)用改進(jìn)后的像素標(biāo)記法輸出連通域數(shù)組，判斷左右連通性、剔除10像素點(diǎn)以下的連通區(qū)域；④圖像的區(qū)域分割。

2.1 空白條帶填充

由于測(cè)量?jī)x器極板間隙的存在，電成像圖像常包含空白條帶，極大地影響了視覺(jué)觀察和人機(jī)交互解釋。消除電成像圖像空白條帶方法有很多，如Filtersim算法、區(qū)域生長(zhǎng)算法、紋理合成算法等[16]。本文采用一種基于卷積神經(jīng)網(wǎng)絡(luò)的電成像圖像空白條帶填充方法，即搭建類似U-net的神經(jīng)網(wǎng)絡(luò)模型，以局部卷積的方式替換卷積層，通過(guò)圖像編碼層將圖像整體特征下采樣至大量區(qū)域特征圖中，再使用圖像解碼層重構(gòu)圖像整體特征； 然后，選取連通性良好的全井壁電成像圖像作為訓(xùn)練樣本，在樣本圖像中加入模擬的空白條帶，以反向傳播的方式進(jìn)行模型權(quán)值的訓(xùn)練。該方法的填充結(jié)果(圖2b)與原始圖像(圖2a)的延展趨勢(shì)幾乎重合，即在形態(tài)上具有高度的一致性。

圖2 空白條帶填充前(a)、后(b)對(duì)比

2.2 閾值分割

閾值分割是為了提取圖像區(qū)域特征，使分割后的圖像特征更加簡(jiǎn)單，有助于計(jì)算機(jī)的辨認(rèn)。

平均閾值分割法[6]將平均值作為閾值，對(duì)簡(jiǎn)單特征區(qū)域分割效果較好，但對(duì)復(fù)雜區(qū)域分割效果一般。當(dāng)電成像圖像特征交錯(cuò)時(shí)，無(wú)法從圖像中分離出裂縫、溶蝕孔洞。Otsu自動(dòng)閾值分割法[6]基于像素頻率分布確定層間方差最大的分割點(diǎn)，能保留包含裂縫、溶蝕孔洞的圖像特征，且分割速度極快，但針對(duì)頻率分布窄的圖像分割效果較差。因此，本文通過(guò)計(jì)算窗長(zhǎng)內(nèi)像素頻率直方圖的方差和極值差，采用Otsu自動(dòng)閾值分割與平均閾值分割相結(jié)合的方法。當(dāng)方差較小且極值差較大時(shí)，認(rèn)為像素頻率分布寬，使用Otsu自動(dòng)閾值分割法；其他情況則認(rèn)為像素頻率分布窄，使用平均閾值分割法。這樣就實(shí)現(xiàn)了算法之間的優(yōu)勢(shì)互補(bǔ)。

以圖2電成像圖像為例，上部圖像特征簡(jiǎn)單，像素頻率分布較窄，為防止將局部極值作為閾值，使用平均閾值分割；下部圖像特征復(fù)雜，像素頻率分布均勻，應(yīng)用Otsu自動(dòng)閾值分割能找到最優(yōu)的閾值。如圖3所示，采用平均閾值分割結(jié)果(圖3a)中圖像下部分離的縫、洞不明顯；采用Otsu自動(dòng)閾值分割結(jié)果(圖3b)中圖像上部的裂縫不連續(xù)；本文方法分割結(jié)果 (圖3c)中圖像更為鮮明，縫、洞特征清晰。

圖3 不同方法閾值分割結(jié)果對(duì)比

2.3 連通域標(biāo)識(shí)

圖像的連通域是指在圖像中以指定像素存在的連通集合體。在二值圖像中，連通域是相互連通在一起的純黑色或者純白色區(qū)域，常有4鄰域和8鄰域兩種計(jì)算方式。相較于4鄰域而言，8鄰域的計(jì)算結(jié)果更連續(xù)。為了更好地保留圖像特征的連續(xù)性，本文選用8鄰域的計(jì)算方式。裂縫、溶蝕孔洞在電成像圖像上表現(xiàn)為暗黑色特征；成像圖像在二值化后，裂縫、溶蝕孔洞點(diǎn)位的像素值為0(黑色)，因此只需研究黑色區(qū)域的連通域。

本文采取像素標(biāo)記法識(shí)別連通域，并針對(duì)電成像圖像的特點(diǎn)加以限制，為圖像區(qū)域分割做好標(biāo)識(shí)。實(shí)際電成像圖像具有像素量大的特點(diǎn)，為了加快處理速度、符合電成像圖像特征，本文對(duì)傳統(tǒng)的像素標(biāo)記法進(jìn)行了改進(jìn)，即由傳統(tǒng)的兩次掃描(第一次標(biāo)記，第二次判定)改進(jìn)為一次掃描并同時(shí)判定。

電成像圖像是由圓柱狀井筒展開(kāi)后的矩形圖像，圖像左、右邊緣相連，圖像連通域計(jì)算時(shí)需加入判斷左、右邊連通性的機(jī)制。電成像圖像分辨率較高，設(shè)定像素總數(shù)大于或等于10的連通域才具有實(shí)際意義，因此需剔除像素總數(shù)小于10的連通域。改進(jìn)后的像素標(biāo)記算法流程如圖4所示。

圖4 連通域算法流程

2.4 區(qū)域分割

區(qū)域分割是將圖像整體特征劃分為多塊區(qū)域特征的過(guò)程。通過(guò)計(jì)算圖像連通域的坐標(biāo)數(shù)組，能夠?qū)⑦B通域的坐標(biāo)信息以數(shù)組的形式保存；再以純白色為背景，將坐標(biāo)依次標(biāo)記為黑色像素點(diǎn)。這樣能夠?qū)⒍祱D像按照連通域分割為多個(gè)特征圖像，分割出的特征圖像個(gè)體為圖像分類的基本單元。圖像區(qū)域分割過(guò)程如圖5所示。

圖5 圖像區(qū)域分割模型

3 基于卷積神經(jīng)網(wǎng)絡(luò)的縫洞識(shí)別

3.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)(圖6)是神經(jīng)網(wǎng)絡(luò)技術(shù)的一個(gè)重要組成部分，主要由輸入層、卷積層、池化層、全連接層和輸出層組成[17-18]。卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的最大不同在于卷積層和池化層。卷積層和池化層聯(lián)接在一起時(shí)通常統(tǒng)稱為卷積池化層。卷積池化層的目的是提取區(qū)域特征，能夠有效降低多層神經(jīng)網(wǎng)絡(luò)計(jì)算的復(fù)雜性，這為實(shí)現(xiàn)復(fù)雜圖像識(shí)別奠定了基礎(chǔ)。本文借鑒圖像分類的思路[19-21]，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于電成像分類。

圖6 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

3.2 改進(jìn)的LeNet-5神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

LeNet-5是最為經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在手寫數(shù)字識(shí)別分類、交通標(biāo)志識(shí)別分類等領(lǐng)域應(yīng)用較為廣泛。本文應(yīng)用圖像分類的思路，將電成像特征圖像劃分為多個(gè)類型，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類和識(shí)別。經(jīng)典的LeNet-5神經(jīng)網(wǎng)絡(luò)[22]的輸入為32×32的圖像，而電成像圖像的分辨率遠(yuǎn)大于此，因此需要改進(jìn)LeNet-5以適應(yīng)電成像圖像特征。本文構(gòu)建的網(wǎng)絡(luò)模型設(shè)置有輸入層、3層卷積層、池化層、全連接層和輸出層，具體結(jié)構(gòu)參數(shù)如表1所示。

表1 改進(jìn)LeNet-5神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

改進(jìn)的LeNet-5神經(jīng)網(wǎng)絡(luò)的卷積池化層采用最大池化模式，以ReLU函數(shù)作為激活函數(shù)(圖7),該激活函數(shù)具有保留權(quán)重線性特征和加快收斂速度的作用，表達(dá)式為

圖7 ReLU激活函數(shù)示意圖

(1)

式中x、y分別為激活函數(shù)的輸入、輸出。

輸出層以Softmax函數(shù)作為激活函數(shù)，表達(dá)式為

(2)

式中：yi為第i類的預(yù)測(cè)概率；zi為第i類的預(yù)測(cè)輸出值；zt為第t個(gè)輸出節(jié)點(diǎn)的數(shù)值；N為輸出層維度。該激活函數(shù)常用于多分類問(wèn)題的輸出層，在保證所有輸出神經(jīng)元之和為1的前提下進(jìn)行分類，每個(gè)輸出對(duì)應(yīng)的數(shù)值是該類預(yù)測(cè)的概率，取最大輸出的數(shù)組索引為最終預(yù)測(cè)的類型。

3.3 樣本制備和訓(xùn)練

在樣本制備過(guò)程中，需要將待訓(xùn)練的圖像進(jìn)行人工分類。本文根據(jù)實(shí)驗(yàn)樣本中所采集的數(shù)據(jù)，對(duì)分類結(jié)果進(jìn)行了標(biāo)注，樣本圖像的實(shí)例包括溶孔、溶洞、中低角度裂縫、高角度裂縫、網(wǎng)狀縫、層理或泥質(zhì)條帶、眼球眼皮構(gòu)造等共7類。具體樣本編號(hào)和分類標(biāo)準(zhǔn)如表2所示。

表2 樣本分類標(biāo)準(zhǔn)表

選取四川盆地某地區(qū)的電成像圖像制備訓(xùn)練樣本，共計(jì)1117張圖片。由于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的限制，需要將圖像樣本的分辨率壓縮至192×96，該過(guò)程能有效降低計(jì)算復(fù)雜度且大幅減少訓(xùn)練時(shí)間。

以制備樣本的80%作為訓(xùn)練集，20%作為測(cè)試集。訓(xùn)練模型的參數(shù)是：訓(xùn)練循環(huán)次數(shù)為2000，學(xué)習(xí)速率為0.0001，輸入維度為192×96，輸出維度為8。訓(xùn)練過(guò)程中的參數(shù)變化趨勢(shì)如圖8所示。

由圖8可見(jiàn)，訓(xùn)練準(zhǔn)確率在早期上升至0.9以上，最終為0.9783，說(shuō)明樣本的分類合理、整體質(zhì)量較高；訓(xùn)練損失函數(shù)逐漸趨于穩(wěn)定，最終為0.0693；測(cè)試準(zhǔn)確率的趨勢(shì)與訓(xùn)練準(zhǔn)確率相似，最終穩(wěn)定在0.9793；測(cè)試損失函數(shù)波動(dòng)幅度逐漸減小，最終穩(wěn)定在0.0856。

圖8 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)變化趨勢(shì)

未參與訓(xùn)練過(guò)程的測(cè)試集223個(gè)樣本分類統(tǒng)計(jì)預(yù)測(cè)結(jié)果(表3)表明，測(cè)試集的各類圖像分類準(zhǔn)確率均較高，模型針對(duì)測(cè)試集的總符合率達(dá)97.8%。這說(shuō)明特征圖像的差異明顯、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)置合理。

表3 測(cè)試集準(zhǔn)確率統(tǒng)計(jì)表

3.4 模型測(cè)試

裂縫、溶蝕孔洞測(cè)試模型[23]由1條水平縫、多個(gè)溶蝕孔洞、1條泥質(zhì)條帶和1組層理界面構(gòu)成 (圖9a)。經(jīng)過(guò)圖像閾值分割、圖像區(qū)域分割和神經(jīng)網(wǎng)絡(luò)類型判別，可以準(zhǔn)確地識(shí)別出1條水平縫(綠色)、多個(gè)溶蝕孔洞(紅色)、1條泥質(zhì)條帶(藍(lán)色)和1組層理界面(藍(lán)色)，如圖9b所示。

圖9 模型測(cè)試效果

4 實(shí)際資料應(yīng)用

應(yīng)用本文方法進(jìn)行裂縫、溶蝕孔洞的自動(dòng)識(shí)別流程如圖10所示。

首先，填充電成像圖像空白條帶，使用平均閾值分割與Otsu閾值分割相結(jié)合的方法去除地層背景干擾；其次，以圖像連通域?yàn)闃?biāo)識(shí)進(jìn)行圖像的區(qū)域分割；最后，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)的判定，結(jié)合常規(guī)測(cè)井曲線[24]，將圖像區(qū)域特征劃分為紅色(溶蝕孔洞)、綠色(裂縫)、藍(lán)色(其他特征)、白色(地層基質(zhì))等四色區(qū)域。在流程圖中，常規(guī)測(cè)井曲線用于結(jié)合神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果修正輸出。以GR(自然伽馬)、雙側(cè)向電阻率曲線為例，若識(shí)別結(jié)果為裂縫且所處深度的GR曲線值小于GR閾值、雙側(cè)向電阻率曲線小于電阻率閾值則判定為裂縫，否則判定為其他構(gòu)造。

以YH1井(圖11)為例，常規(guī)測(cè)井曲線特征顯示：地層基質(zhì)(白色)的電阻率高、AC(聲波時(shí)差)平穩(wěn)、GR較低；裂縫(綠色)、溶蝕孔洞(紅色)區(qū)域雙側(cè)向電阻率曲線呈刺刀狀、箱型或“W”形態(tài)，具有正差異值，AC高、GR低；泥質(zhì)條帶、層理等構(gòu)造(藍(lán)色)電阻率低、AC高、GR較高。對(duì)比縫洞識(shí)別結(jié)果和常規(guī)測(cè)井曲線特征可進(jìn)一步發(fā)現(xiàn)：縫洞發(fā)育區(qū)域雙側(cè)向電阻率一般較低，通常呈刺刀狀或箱型，GR曲線處于閾值以下；泥質(zhì)條帶區(qū)域的GR曲線處于閾值之上，AC有明顯升高，雙側(cè)向電阻率極低且具有較大的正差異值。綜上所述，裂縫、溶蝕孔洞的識(shí)別結(jié)果與常規(guī)測(cè)井曲線基本相符。

圖11 YH1井裂縫、溶蝕孔洞的識(shí)別結(jié)果

在定量參數(shù)計(jì)算方面，與傳統(tǒng)面孔率定義不同，有效面孔率是指縫洞發(fā)育區(qū)域的面積與井壁面積的比值。有效面孔率和孔隙度分別表征地層的縫洞和孔隙發(fā)育情況，通過(guò)有效面孔率與孔隙度的交會(huì)分析可為縫洞型、孔隙型等儲(chǔ)層類型判別提供定量評(píng)價(jià)依據(jù)[25-26]。

對(duì)比YH1井4336.0～4341.0m段電成像處理結(jié)果與巖心可見(jiàn)：第一塊巖心(圖12a)見(jiàn)斜裂縫，縫寬為0.2～1.0cm，方解石半充填，電成像識(shí)別為低角度窄裂縫，厚度約為0.5cm；第二塊巖心(圖12b)底部見(jiàn)橫向裂縫，縫寬為1.0～2.0cm，無(wú)充填，電成像識(shí)別結(jié)果為橫向裂縫，縫寬約為1.8cm；第三塊巖心(圖12c)見(jiàn)月牙狀裂縫，縫寬約為0.1cm，縫長(zhǎng)約為15.0cm，方解石充填，電成像識(shí)別結(jié)果為月牙狀裂縫，縫寬約為0.2cm；第四塊巖心(圖12d)見(jiàn)斜裂縫，縫寬約0.1cm，有機(jī)質(zhì)充填，電成像識(shí)別結(jié)果為低角度裂縫，縫寬約為1.0cm。

圖12 YH1井巖心照片

上述四塊巖心中，第一、二、三塊巖心描述情況與識(shí)別結(jié)果吻合，第四塊巖心描述的裂縫發(fā)育形態(tài)與識(shí)別結(jié)果吻合，但是由于裂縫被有機(jī)質(zhì)充填，導(dǎo)致巖心描述縫寬與電成像顯示存在一定的差異。

5 結(jié)論

針對(duì)碳酸鹽巖地層的電成像圖像特征，本文提出了一種基于圖像分割和卷積神經(jīng)網(wǎng)絡(luò)的裂縫、溶蝕孔洞自動(dòng)識(shí)別和特征提取方法。首先，對(duì)不同地質(zhì)構(gòu)造特征的電成像圖像進(jìn)行分類，使用閾值分割法和連通域算法有效地將地質(zhì)構(gòu)造特征與地層背景分離；其次，訓(xùn)練改進(jìn)的LeNet-5神經(jīng)網(wǎng)絡(luò)模型，模型針對(duì)測(cè)試集電成像特征分類準(zhǔn)確率可達(dá)97.8%，再結(jié)合常規(guī)測(cè)井曲線進(jìn)行特征類型判別；最終，基于縫洞識(shí)別結(jié)果可計(jì)算有效面孔率等定量評(píng)價(jià)參數(shù)。

本文方法能夠通過(guò)全井壁電成像特征的像素分布形態(tài)判別裂縫、溶蝕孔洞類型，再結(jié)合常規(guī)測(cè)井資料有效識(shí)別裂縫、溶蝕孔洞發(fā)育區(qū)域，為通過(guò)電成像資料精細(xì)評(píng)價(jià)強(qiáng)非均質(zhì)性地層提供了參考。與人工電成像處理方法相比，本文方法避免了解釋結(jié)果的人為誤差，是進(jìn)一步利用電成像資料的有效嘗試。