孟 凡，陳 廣，王 勇，高 陽*，高德群，賈文龍

（1.南京大學計算機科學與技術(shù)系，南京 210023；2.中國石油化工股份有限公司江蘇油田分公司物探技術(shù)研究院，南京 210046；3.南京天技通信技術(shù)實業(yè)有限公司，南京 210019）

0 引言

石油作為當今世界上舉足輕重的戰(zhàn)略物資，與國家的工業(yè)、農(nóng)業(yè)、交通、國防以及每個人的衣食住行息息相關(guān)。然而，近年來江蘇油田面對復雜嚴峻的生產(chǎn)經(jīng)營形勢，對巖層含油性勘測工作提出了更高的要求。傳統(tǒng)巖層含油性檢測任務是一項具有很大挑戰(zhàn)的勘探工作，主要受到以下三個方面制約：

1）領(lǐng)域性強。傳統(tǒng)含油性檢測方法需引入較強的專家先驗知識進行綜合研判，增加了實際勘探過程的不可復制性。即在實際含油性勘探工作中，通過傳統(tǒng)地球物理方法得到初步結(jié)果后，往往需要再進行多輪專家綜合研判，方可進行后續(xù)工程實施計劃的制定。

2）驗證成本高。通過鉆井作業(yè)對給定工區(qū)含油性進行驗證經(jīng)濟開銷較大，且因誤判造成的損失高昂。在實際的含油性勘探任務中，對地下巖層含油儲層的誤判將產(chǎn)生高昂的勘測代價，這也是制約現(xiàn)有勘測工作的重要因素之一。因此以原始地震資料為基礎(chǔ)，結(jié)合少量測井標記信息對儲層含油性預測至今仍是油氣勘探開發(fā)與研究的熱點［1］。簡言之，探索一種能夠利用少量現(xiàn)有測井標記信息且可降低假陽性和假陰性出現(xiàn)情況的方法將有著十分重要的社會價值和經(jīng)濟效益。

3）預測精度不理想。地下巖層存在著復雜的結(jié)構(gòu)關(guān)系，給傳統(tǒng)含油性勘測方法的預測精度帶來挑戰(zhàn)。傳統(tǒng)地層含油性勘測方法為利用地震波穿過地層時產(chǎn)生的相關(guān)地震屬性和地質(zhì)鉆井資料結(jié)合傳統(tǒng)地球物理方法進行研判。但從實際檢測效果來看，精度仍有進一步提高空間。

本文以實際含測井標記的疊后地震道數(shù)據(jù)為研究對象，通過結(jié)合物探專業(yè)領(lǐng)域知識和機器學習方法，從以下3個方面對含油性檢測任務開展研究：

1）數(shù)據(jù)驅(qū)動學習?；趥鹘y(tǒng)地球物理學含油性檢測方法中涉及了大量專家領(lǐng)域知識進行綜合研判，給實際勘探工作增加了不可復制性。因此，所設(shè)計算法需在一定程度上實現(xiàn)自動化檢測，盡量減少對專家領(lǐng)域知識的依賴性（針對制約1進行探索）。

2）監(jiān)督信息少且類別不平衡。由于含油層通常較薄，本身厚度通常僅有1～4 m，受目前地震波采樣設(shè)備頻率限制，已鉆井驗證后的地震道樣本與總體待檢測樣本相比極度稀少且類別不平衡。甚至油層在地震道數(shù)據(jù)樣本中往往僅體現(xiàn)為單個獨立點。因此所設(shè)計算法需針對極少量且類別不平衡的監(jiān)督信息進行挖掘和研究，充分利用現(xiàn)有鉆井樣本集中的監(jiān)督信息（針對制約2進行探索）。

3）數(shù)據(jù)呈時序性。疊后地震道數(shù)據(jù)是通過地震波為介質(zhì)進行采集，由于其物理產(chǎn)生機制原因，該樣本內(nèi)數(shù)值之間是具有時序特性的地震屬性值。因此所設(shè)計算法需挖掘出其內(nèi)部潛在時序結(jié)構(gòu)，并將此結(jié)構(gòu)融入后續(xù)的檢測過程中，進而提高檢測精度（針對制約3進行探索）。

基于以上3個研究動機，本文從含油性儲層檢測任務中呈現(xiàn)的實際問題出發(fā)，提出了一種基于多粒度時序結(jié)構(gòu)表示的異常檢測算法，并利用江蘇油田實際疊后地震資料進行仿真實驗，本文主要包含以下3項工作：

1）針對地下儲層含油性樣本等監(jiān)督信息稀少且類別不平衡現(xiàn)狀，本文將該檢測問題建模為有監(jiān)督異常檢測任務。即將含油樣本視為異常樣本進行檢測。

2）提出了一種基于多粒度時序結(jié)構(gòu)表示的異常檢測算法。該算法首先針對單地震道數(shù)據(jù)中存在的潛在時序結(jié)構(gòu)，提出基于雙向長短期記憶（Bi-directional Long Short-Term Memory，BiLSTM）模型［2］的多粒度特征提取方法，捕捉了地震道內(nèi)不同粒度的時序結(jié)構(gòu)；其次，將不同粒度的時序結(jié)構(gòu)及其特征進行自動化融合，進而形成了對單個地震道數(shù)據(jù)的多粒度時序融合特征；最后，針對該融合后的特征，利用代價敏感損失進行含油性異常樣本的預測。

3）在江蘇油田真實地震資料上進行了實驗，實驗結(jié)果從4個方面驗證了本文所提出算法的有效性。

1 相關(guān)工作

近年來，隨著機器學習在視覺和語音數(shù)據(jù)等方面取得了突破性進展［3-7］，石油勘探領(lǐng)域研究團隊逐漸開始研究和探索將機器學習技術(shù)應用到儲層含油性檢測任務中。相比于傳統(tǒng)含油性檢測技術(shù)，即聯(lián)合幾何地震學和物理地震學特征分析方法對地震目標進行處理、地震屬性提取優(yōu)化與分析，近年來國內(nèi)外研究人員不斷嘗試將機器學習方法和含油性檢測相結(jié)合。該類方法利用有限的已知地質(zhì)測井資料在疊后地震資料上構(gòu)建訓練樣本，借助機器學習方法提取其中的潛在特征并建模。其中主要包括兩大類方法：基于淺層學習的含油性檢測方法［8-25］和基于深度學習的含油性檢測方法［1，26-30］。本文主要聚焦于基于深度學習的含油性檢測方法。

基于淺層學習方法在儲層含油性檢測場景中進行應用主要是利用機器學習技術(shù)中經(jīng)典的淺層模型在地震道數(shù)據(jù)中進行訓練和識別，其中涉及聚類分析［8］、人工神經(jīng)網(wǎng)絡(luò)［9-12，17-21］、模糊理論［13］、決策樹［14］、遺傳算法［15-16］、支持向量機［22］和概率模型等方法［23-25］。例如劉瑞林等［17］從監(jiān)督學習角度，梳理了利用測井密度和自然電位等測井數(shù)據(jù)作為監(jiān)督信息，用淺層神經(jīng)網(wǎng)路算法對含油性特征進行分類等方法。陸文凱等［18］將測井資料作為監(jiān)督學習樣本，予以推廣全區(qū)，進而獲取橫向上的含油性預測分類結(jié)果。張等［19］結(jié)合自組織神經(jīng)網(wǎng)絡(luò)算法和粒子群算法，獲得地震相的聚類結(jié)果，該方法通過降低原始屬性維度，提高了計算效率。張向君等［20］構(gòu)建了基于結(jié)構(gòu)風險最小化的神經(jīng)網(wǎng)絡(luò)，對吉林油田的儲層油性特征進行了預測。Mobebbi等［21］直接利用人工神經(jīng)網(wǎng)絡(luò)對測井數(shù)據(jù)進行預測。張長開等［22］提出了基于支持向量機的特征選擇方法對地震屬性優(yōu)選并在此基礎(chǔ)上預測儲層。王波等［23］提出了基于斑塊飽和模型井控屬性融合法進行含油性檢測。袁照威等［24］通過分析地震屬性與沉積相的關(guān)系，運用馬爾可夫-貝葉斯模擬算法，對多地震屬性進行融合，得到多變量融合概率場信息，進而建立沉積相模型。宋建國等［25］以多種不同的地震屬性為基礎(chǔ)，通過構(gòu)建井旁道地震屬性與特征參數(shù)的回歸森林模型進行儲層預測。

以上基于淺層學習的方法在一定程度上緩解了對于專家領(lǐng)域知識的依賴。但由于儲層含油性識別問題實際需要求解測井數(shù)據(jù)與實際地質(zhì)中各組成部分之間的復雜映射關(guān)系，加之此種映射通常被認為是高度非線性問題，因此淺層學習模型的復雜度可能成為潛在制約。而深度方法因其無需建立顯性復雜函數(shù)即可實現(xiàn)復雜非線性映射關(guān)系在近些年被進一步探索?；谏疃葘W習方法在含油性檢測技術(shù)中進行應用主要為利用深度卷積網(wǎng)絡(luò)可隱式地構(gòu)建地震屬性與含油性儲層分布的復雜映射關(guān)系。例如Saikia等［26］對淺層和深度神經(jīng)網(wǎng)絡(luò)提取儲層含油性特征進行了綜述。Gholami等［1］以原始地震數(shù)據(jù)為基礎(chǔ)獲得地震屬性進行油性儲層預測。林年添等［27-28］通過引入卷積神經(jīng)網(wǎng)絡(luò)，智能提取、分類并識別地震資料中含油性特征，同時利用不同卷積核卷積形成各類縱、橫波地震屬性，進而對含油性儲層地震預測。付超等［29］提出了一種卷積神經(jīng)網(wǎng)絡(luò)與支持向量機方法相結(jié)合的多波地震油氣儲層分布預測的深度學習方法。安鵬等［30］利用長短期記憶（Long Short-Term Memory，LSTM）模型捕捉測井參數(shù)和泥質(zhì)含量（孔隙度）之間非線性映射關(guān)系進行儲層物性參數(shù)預測。

相對于淺層學習方法，雖將深度學習直接應用于地震資料處理領(lǐng)域取得了一定的成效，但該類方法依然面臨著一些挑戰(zhàn)：一方面由于地震道數(shù)據(jù)是地震波從激發(fā)點出發(fā)，經(jīng)過地層濾波器返回到接收點的過程記錄，因而其本身存在較為復雜的時序等結(jié)構(gòu)關(guān)系，若忽略地震道數(shù)據(jù)之間結(jié)構(gòu)關(guān)系而直接將其應用在深度網(wǎng)絡(luò)中，可能將會對檢測精度產(chǎn)生負面影響；另一方面由于井段驗證樣本稀少，有油與無油樣本存在類別不平衡現(xiàn)象，為了防止深度模型陷入過學習或欠學習狀態(tài)，現(xiàn)有方法往往過多依賴于人工經(jīng)驗對于模型超參數(shù)進行調(diào)測，若設(shè)置不當會使能實際檢測性能產(chǎn)生較大波動。

針對以上分析，考慮到地震資料潛在時序結(jié)構(gòu)和類別不平衡特性，本文提出了將儲層含油性檢測問題建模為面向時序數(shù)據(jù)的有監(jiān)督異常檢測任務，將含油性地震道樣本作為異常點進行捕獲。同時，考慮到單個地震道數(shù)據(jù)包含振幅采樣點多和分布不均等特點，若直接在原始時間序列上進行含油性檢測可能無法有效表達出其特征，進而出現(xiàn)判別精度不高現(xiàn)象。因此本文提出了一種基于多粒度時序結(jié)構(gòu)表示的異常檢測方法。

2 問題分析

本章主要介紹含測井標記地震道數(shù)據(jù)符號表示以及對于含油性檢測任務形式化描述。

2.1 含測井標記地震道數(shù)據(jù)

含測井標記地震道數(shù)據(jù)是指利用原始疊后地震道數(shù)據(jù)對地下巖層進行分析后，再通過實際測井工作對該區(qū)域巖性進行實際驗證后，所得到含有巖性標記的地震資料。

圖1 原始地震道數(shù)據(jù)片段Fig.1 Fragment of raw seismic trace data

2.2 含油性檢測問題形式化描述

對于給定的未知地震道數(shù)據(jù)含油性檢測問題，本文將其建模為有監(jiān)督異常檢測任務，可進一步形式化為：當給定一組已知含測井標記地震道數(shù)據(jù)D，含油性異常檢測任務是通過學習目標函數(shù)（1），對新給定的地震道數(shù)據(jù)Xi進行含油性判別，即判別該地震道含油性概率。

3 算法設(shè)計

本文針對原始地震道數(shù)據(jù)中含油性檢測問題，提出了一種基于多粒度時序結(jié)構(gòu)表示的異常檢測算法。該方法主要包括以下兩個部分：1）多粒度時序結(jié)構(gòu)特征抽取模塊；2）基于多粒度時序結(jié)構(gòu)特征融合與判別模塊。

本文算法總體流程如圖2所示：首先，多粒度時序結(jié)構(gòu)提取模塊在疊后地震資料中取出單個地震道數(shù)據(jù)，并對該道數(shù)據(jù)進行長序列劃分。針對得到的長序列數(shù)據(jù)進行趨勢性結(jié)構(gòu)、周期性結(jié)構(gòu)和局部性結(jié)構(gòu)提取并形成多個粒度的獨立特征。其次，在特征融合與判別模塊將針對多個已取得的獨立特征進行融合，進而在融合特征基礎(chǔ)上進行異常判別。

圖2 本文算法總體流程Fig.2 Overall flow of the proposed algorithm

3.1 多粒度時序結(jié)構(gòu)特征抽取模塊

原始地震道數(shù)據(jù)是通過地震波進行采集的，其內(nèi)部的時序性可從三個不同的時序粒度進行刻畫。三個時序粒度分別是指地震道數(shù)據(jù)內(nèi)長時序呈現(xiàn)出的趨勢性、中時序呈現(xiàn)的周期性以及局部關(guān)鍵點周圍具有的局部性特征。通過以上三個粒度可從全局至中觀、再到局部以不同層次對原始地震資料中的潛在特征進行學習和表示，進而表達出地震道數(shù)據(jù)內(nèi)部存在的時序結(jié)構(gòu)。具體而言過程如下。

其中：fT(·)表示T-LSTM模型計算函數(shù)，xitk表示第i個地震道數(shù)據(jù)中第tk個長序列，Wt和bt表示T-LSTM的參數(shù)。

T-LSTM采用經(jīng)典BiLSTM作為編碼器產(chǎn)生隱含層的編碼表示。后續(xù)兩個粒度的時序結(jié)構(gòu)提取模型與該處一致。

3.2 多粒度時序結(jié)構(gòu)特征融合與判別模塊

為了進一步利用已勘測井段監(jiān)督信息對多粒度特征存在的代價敏感問題進行處理，本文設(shè)計了對融合后的特征采用代價敏感的全連接分類器進行學習，其要求分類后的樣本與原樣本含油性標記保持一致性的基礎(chǔ)上，考慮到假陽性樣本和假陰性樣本代價敏感影響。式（6）表示將融合后的多粒度特征通過全連接分類器進行含油性判別：

3.3 算法模型參數(shù)優(yōu)化和損失函數(shù)

本文算法模型參數(shù)和損失分別可從兩個階段進行分析：第一個階段是提取時序結(jié)構(gòu)時模型涉及的參數(shù)和損失；第二階段是融合各獨立特征和對該特性進行含油性檢測判別時模型參數(shù)和損失。在本文算法訓練過程，采用了隨機梯度下降的方法進行參數(shù)優(yōu)化，具體由以下兩個部分組成：

1）多粒度時序結(jié)構(gòu)融合參數(shù)和損失。在多粒度時序結(jié)構(gòu)提取階段，模型參數(shù)涉及包括3個部分：分別是趨勢性結(jié)構(gòu)模型參數(shù)、周期性結(jié)構(gòu)模型參數(shù)和局部性結(jié)構(gòu)模型參數(shù)。其中，fT(?)、fP(?)和fL(?)分別表示3個粒度特征提取模型。(Wt，bt，Wp，bp，Wl，bl)分別表示該階段待優(yōu)化的模型參數(shù)。

2）基于多粒度融合表示代價敏感參數(shù)和損失。獲得多粒度融合特征后，將其輸入基于代價敏感的全連接分類器進行判別模型，W表示該階段待優(yōu)化的模型參數(shù)，fD(?)表示含油性預測模型。為了有效地區(qū)分有油和無油樣本，本文算法將損失函數(shù)建模為有監(jiān)督異常檢測模型。因此，損失函數(shù)在設(shè)計時加大了對假陽性樣本和假陰性樣本錯誤計算造成的損失，該基于代價敏感型損失函數(shù)如式（7）：

其中C=(c1，c2，c3，c4)為代價敏感向量，本文代價敏感向量由物探領(lǐng)域?qū)＜医Y(jié)合江蘇油田實際地質(zhì)特性進行研判并作為模型先驗領(lǐng)域知識。

4 實驗與結(jié)果分析

本章將本文算法在江蘇油田實際地震資料上進行了驗證。

4.1 數(shù)據(jù)集描述

為進一步驗證本文所提出算法在真實地震資料上的預測結(jié)果，本次實驗在江蘇油田實際地震資料數(shù)據(jù)集上進行實驗。由于江蘇地區(qū)油田分布的自然局限性，導致鉆井數(shù)據(jù)本身稀少。本次實驗數(shù)據(jù)集以真永聯(lián)三維地震資料為基礎(chǔ)，該區(qū)域位于蘇北盆地高郵凹陷深凹帶。目前該區(qū)已發(fā)現(xiàn)真武、許莊、曹莊、肖劉莊和永安等多個油氣田，成藏條件較為有利，是江蘇油田主要產(chǎn)油區(qū)。該工區(qū)共擁有地震道數(shù)據(jù)221121條，經(jīng)過實際測井驗證，共有81條含測井標記的地震道數(shù)據(jù)，其中含油性地震道數(shù)據(jù)為20條。經(jīng)預處理后，實驗得到該工區(qū)地震道數(shù)據(jù)中含標記信息480個時序點，其中含油標記點共有31個（單個地震道可存在多個含油性標記點），有監(jiān)督的信息總量占比較少且類別不平衡。

4.2 對比方法

在實驗方法對比方面，本文算法將分別與以下兩類算法進行對比：

1）與油氣檢測領(lǐng)域所采用的機器學習算法對比。主要包括：神經(jīng)網(wǎng)絡(luò)（BackPropagation，BP）算法［20］、支持向量機（Support Vector Machine，SVM）算 法［22］、卷 積 神 經(jīng) 網(wǎng) 絡(luò)（Convolutional Neural Network，CNN）算法［28］和LSTM算法［30］。

2）與機器學習領(lǐng)域經(jīng)典淺層和深度算法進行比對實驗，其中淺層算法包括k最近鄰（k-Nearest Neighbor，kNN），深度算法包括門控循環(huán)單元（Gated Recurrent Unit，GRU）網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）算法。

從以上兩個方面進行對比，方法選擇一方面因為是物探領(lǐng)域研究團隊在探索機器學習技術(shù)時較常用的經(jīng)典方法；另一方面，也是進一步在真實地震資料上驗證和探索本文所提出算法與其他經(jīng)典機器學習方法在性能上的差異性。此外，關(guān)于比對算法的超參數(shù)設(shè)置，本文在實驗時對江蘇油田永真聯(lián)地震資料進行了驗證集劃分，通過其在驗證集上的性能比較，選擇了最佳超參數(shù)進行設(shè)置并開展后續(xù)實驗與評估。

4.3 實驗設(shè)置

本文所采用的單道地震波數(shù)據(jù)共包含6000個振幅值，形式如圖3所示。其中左側(cè)為靠近地面的地震波數(shù)據(jù)，右側(cè)是遠離地面的地震波數(shù)據(jù)。經(jīng)分析可發(fā)現(xiàn)，左側(cè)振幅值的疏密程度高于右側(cè)，主要原因是地震波自地面往地下傳導的過程中存在著衰減。根據(jù)對江蘇油田真永聯(lián)區(qū)域總共包含81條含油標記地震波數(shù)據(jù)的分析，其中含油數(shù)據(jù)20條，無油數(shù)據(jù)61條。同時，油層分布較薄，最小出現(xiàn)的含油標記點位置為2 041，最大的含油標記點位置為2545，除2545點外含油點位于1 500～2 500。為有效地學習出其中特征，結(jié)合物探領(lǐng)域?qū)＜医ㄗh，本次實驗的趨勢序列、周期序列和局部序列之間的特征分別按如下規(guī)則取出數(shù)據(jù)：

圖3 單道地震道可視化振幅Fig.3 Visualized amplitudeof single seismic trace

1）趨勢性序列劃分：重點針對1 000～4000的振幅值進行劃分。

2）周期性序列劃分：重點針對1 500～3000的振幅值進行劃分。

3）局部性序列劃分：重點針對2 000～2500的振幅值進行劃分。

本次實驗評價主要采用以下四個評價指標：

1）召回率（Recall）表示預測正確的含油性地震道數(shù)據(jù)與實際地震資料中所有含油性地震道數(shù)據(jù)的比率，依據(jù)真陽性（True Positive，TP）、假陽性（False Positive，F(xiàn)P）、真陰性（True Negative，TN）、假陰性（False Negative，F(xiàn)N）進行計算，過程如式（8）所示：

2）準確率（Accuracy）表示預測正確的含油性地震道數(shù)據(jù)與預測出所有含油性地震道數(shù)據(jù)的比率，計算過程如（9）：

3）ROC（Receiver Operating Characteristic）曲線下方的面積（Area Under Curve，AUC）大小表示對預測算法的曲線下面積，AUC值越大的分類器，正確率越高。

4）收斂性表示判斷所提出算法和其他對比方法在永真聯(lián)三維地震資料中進行訓練是否可經(jīng)過多步迭代之后趨于某一固定值。

4.4 實驗結(jié)果與分析

本次實驗結(jié)果從四個方面對本文算法進行評價。其中本文算法與對比算法（含加上不平衡代價設(shè)計）的召回率、準確率和AUC分別如表2和表3所示，收斂性分析如圖4所示。

表2 不同算法的召回率、精度和AUC結(jié)果對比Tab.2 Comparison of different algorithms on Recall，Precision and AUC

表3 不同算法代價敏感性能對比結(jié)果Tab.3 Comparison results of cost-sensitive performance of different algorithms

1）召回率分析。表2結(jié)果表明：在經(jīng)典非時序類算法模型大多過擬合于無油，無法識別出有油的樣本，導致召回率較低。其中kNN、BP與CNN將測試集中所有的有油數(shù)據(jù)預測為無油，SVM識別出少量的含油數(shù)據(jù)。基于時序的算法RNN，GRU和LSTM在性能上明顯高于其他經(jīng)典算法，表明捕捉數(shù)據(jù)內(nèi)部時序的重要性。本文提出的算法能夠捕捉多粒度的特征，在召回率上取得了最佳性能，且優(yōu)于對比算法的平均性能（平均性能召回率為0.36）。表3結(jié)果表明：將不平衡代價損失引入到經(jīng)典深度模型中，召回率相較之前有所提升。

2）準確率分析。表2結(jié)果表明：本文方法準確率優(yōu)于所對比算法的平均性能（平均性能準確率為0.48），但未取得最佳性能。經(jīng)分析，由于無油數(shù)據(jù)在數(shù)據(jù)集中占據(jù)大多數(shù)的比例（類別不平衡），除本文方法之外其他對比模型大多將測試樣本直接預測為無油，所以使得本文方法的預測準確率低于部分經(jīng)典方法。表3結(jié)果表明：將不平衡代價損失引入到經(jīng)典深度模型中，準確率相較之前稍有下降。

3）AUC分析。表2結(jié)果表明：本文算法在AUC指標上獲得了最佳性能，相對于第二名RNN和LSTM算法，得到了10%提高。此外，本文提出的算法優(yōu)于平均性能（平均性能AUC為0.52）。表3結(jié)果表明：將不平衡代價損失引入到經(jīng)典深度模型中，雖然召回率有所提高，但AUC結(jié)果并未發(fā)現(xiàn)有所提升。因此，未發(fā)現(xiàn)引入代價敏感策略對于原有經(jīng)典深度學習方法性能有本質(zhì)提升。

4）收斂性分析。本文提出算法和所對比的4類深度學習算法收斂性結(jié)果如圖4所示，從收斂性結(jié)果上而言，本文算法和對比方法能夠在給定地震資料上逐漸降低訓練損失。同時，根據(jù)收斂性結(jié)果進一步對比了本文方法與LSTM和GRU算法的訓練耗時，本文方法耗時約是其三倍。由于本文算法采用3個BiLSTM作為特征提取器，耗時與單個算法模型訓練耗時基本保持線性增加關(guān)系。

圖4 深度學習算法收斂性對比Fig.4 Convergence comparison of different deep learning based algorithms

5 結(jié)語

對地下儲層含油性勘測是石油勘探領(lǐng)域熱點研究方向之一。本文針對地下儲層含油性檢測問題進行了探索，提出了一種基于多粒度時序結(jié)構(gòu)表示的異常檢測算法。該方法首先對于單個地震道數(shù)據(jù)提取多粒度時序結(jié)構(gòu)并形成獨立特征；其次，在提取多個粒度時序結(jié)構(gòu)基礎(chǔ)上進行特征融合，形成對地震道數(shù)據(jù)的綜合表示；最后，通過對融合后特征進行聯(lián)合訓練與判別，得到對于該地震數(shù)據(jù)含油性檢測結(jié)果。本文算法在蘇北盆地高郵凹陷深凹帶實際地震資料上進行了實驗仿真，實驗結(jié)果表明：本文算法相對比傳統(tǒng)機器學習方法能夠更有效地進行儲層含油性預測。

地下巖層隨著深度和廣度的不斷增加，其地質(zhì)結(jié)構(gòu)也隨之存在潛在變化，如何更加有效地捕捉地震道數(shù)據(jù)內(nèi)和數(shù)據(jù)之間存在的潛在分布變化或概念漂移現(xiàn)象，并將其特征融入含油性判別任務中是值得進一步探索的研究內(nèi)容。