張益明,張繁昌,丁繼才,王 迪,牛 聰

(1.中海油研究總院,北京100027;2.中國石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院,山東青島266580)

隨著油氣勘探的不斷深入,致密油氣儲層已經(jīng)成為一個新的勘探熱點。但致密儲層具有地層薄、孔隙度低、橫向非均質(zhì)性強等特點,此類非常規(guī)儲層甜點識別是勘探工作中遇到的核心和難點問題[1-2]。現(xiàn)有儲層反演等技術(shù)在解決此類問題時,主要依靠人工從屬性數(shù)據(jù)體中尋找規(guī)律并確定甜點的最大可能區(qū)域。李岳桐等[3]通過構(gòu)建振幅、頻率融合屬性預(yù)測巖性,然后通過優(yōu)選敏感特征曲線反演預(yù)測細粒沉積巖致密油甜點區(qū);汪關(guān)妹等[4]通過優(yōu)選敏感彈性參數(shù),基于保幅地震資料進行疊前彈性反演,預(yù)測致密砂巖含氣富集區(qū);朱超等[5]采用分頻成像、90°相位旋轉(zhuǎn)、分頻屬性優(yōu)化等技術(shù),對致密油甜點儲層分布進行了有效預(yù)測。由于致密儲層甜點與地震反射特征無明確的因果關(guān)系,因而甜點識別準確率低,且存在較大的主觀性。

事實上,地震波場中隱含有地層甜點物性變化的影響,但由于地層參數(shù)與地震波之間復(fù)雜的響應(yīng)機制,目前還沒有系統(tǒng)的理論來描述致密儲層甜點與地震響應(yīng)之間的因果關(guān)系,尚未建立確定的正演理論模型。深度學(xué)習(xí)能夠從數(shù)據(jù)本身挖掘有效信息,不需要確定的正演算法便可以建立預(yù)測模型[6-8],在地球物理領(lǐng)域得以廣泛應(yīng)用。楊柳青等[9]基于深度神經(jīng)網(wǎng)絡(luò)模型探討了一種砂巖儲層孔隙度預(yù)測方法;丁燕等[10]建立了利用深度信念網(wǎng)絡(luò)進行潛山碳酸鹽巖儲層的裂縫預(yù)測方法;劉可等[11]針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對不確定問題的不適用性,提出了一種空間近似概率約束的神經(jīng)網(wǎng)絡(luò)砂體厚度預(yù)測方法;周創(chuàng)等[12]介紹了一種深度卷積生成對抗網(wǎng)絡(luò)技術(shù)。實踐證明,同時利用地震數(shù)據(jù)和測井數(shù)據(jù)進行致密儲層甜點識別的困難在于:地震數(shù)據(jù)空間分布密集,測井數(shù)據(jù)稀少且空間分布不規(guī)則,而且地震數(shù)據(jù)和測井值不存在一一對應(yīng)關(guān)系,致使目前的深度學(xué)習(xí)模型(如卷積神經(jīng)網(wǎng)絡(luò))難以直接應(yīng)用于井震聯(lián)合的致密儲層甜點識別。

針對上述致密甜點預(yù)測問題,本文根據(jù)測井數(shù)據(jù)和地震數(shù)據(jù)的空間分布特征和數(shù)據(jù)分布特點,將全局和局部連接網(wǎng)絡(luò)相結(jié)合,有針對性地創(chuàng)建了適用于致密儲層甜點預(yù)測的混合深度學(xué)習(xí)結(jié)構(gòu),其中局部連接網(wǎng)絡(luò)負責(zé)學(xué)習(xí)數(shù)據(jù)分布特征,全局連接網(wǎng)絡(luò)負責(zé)學(xué)習(xí)空間分布特征,從而給出高孔隙度甜點識別結(jié)果。

1 方法原理

1.1 適于致密儲層甜點預(yù)測的混合深度學(xué)習(xí)網(wǎng)絡(luò)模型結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)[13]是由具有自動調(diào)節(jié)和自主學(xué)習(xí)能力的簡單神經(jīng)元組成的網(wǎng)絡(luò)。最早的神經(jīng)網(wǎng)絡(luò)稱為感知機,由兩層神經(jīng)元組成,只能實現(xiàn)簡單的與、或、非運算。近年來,深度學(xué)習(xí)網(wǎng)絡(luò)的研究發(fā)展迅速,在地球物理領(lǐng)域得到廣泛應(yīng)用。但利用深度學(xué)習(xí)網(wǎng)絡(luò)進行儲層預(yù)測存在測井與地震樣本數(shù)量不對稱、樣本不典型等問題,常用的深度學(xué)習(xí)結(jié)構(gòu)難以直接應(yīng)用于井震聯(lián)合的致密氣甜點預(yù)測。因此,本文根據(jù)測井數(shù)據(jù)和地震數(shù)據(jù)的空間分布特點和數(shù)據(jù)分布特點,有針對性地創(chuàng)建適于致密儲層甜點預(yù)測的混合深度學(xué)習(xí)網(wǎng)絡(luò)模型,如圖1所示。

圖1 混合深度學(xué)習(xí)網(wǎng)絡(luò)模型結(jié)構(gòu)

混合深度學(xué)習(xí)網(wǎng)絡(luò)模型運算步驟如下。

1) 建立全局連接網(wǎng)絡(luò)作為混合深度學(xué)習(xí)網(wǎng)絡(luò)的支網(wǎng)一。支網(wǎng)一以地震空間格架信息和其它先驗信息作為輸入,該結(jié)構(gòu)的每一結(jié)點都與上一層的所有結(jié)點相連,將地層格架高維特征映射到樣本標記空間,層間運算關(guān)系如下:

Yi+1=Wi·Yi

(1)

其中,Yi和Yi+1分別表示第i層和第i+1層的輸入,Wi表示第i層到第i+1層的連接權(quán)重矩陣,“·”表示點乘運算。

2) 建立局部連接的網(wǎng)絡(luò)作為混合深度學(xué)習(xí)網(wǎng)絡(luò)的支網(wǎng)二。支網(wǎng)二以地震數(shù)據(jù)作為輸入,層間運算關(guān)系如下:

(2)

3) 將步驟1)和步驟2)中的支網(wǎng)運算結(jié)果求和,得到總網(wǎng)輸出。

利用局部連接的網(wǎng)絡(luò)對地震數(shù)據(jù)進行卷積運算,可以通過建立大小不同的卷積核,提取地震數(shù)據(jù)本身的特征。全局連接的結(jié)構(gòu)對地震空間分布信息或其它地質(zhì)背景信息進行點乘運算,并與局部連接網(wǎng)絡(luò)的輸出合并計算,等價于將先驗信息加入深度學(xué)習(xí)網(wǎng)絡(luò)中,以解決樣本數(shù)量不對稱、樣本特征不典型的問題。

1.2 砂巖含量遮擋的樣本集構(gòu)建

深度學(xué)習(xí)建模方法依賴于數(shù)據(jù)。充分的數(shù)據(jù)和良好的分布是保證模型訓(xùn)練精度的兩個必要條件[14]。在致密儲層甜點識別中,常常面臨測井數(shù)據(jù)分布不均勻、有效值與背景值比例不均衡的問題。圖2a 為孔隙度曲線,其值大部分為0。圖2b顯示了孔隙度數(shù)據(jù)分布情況。由圖2b可見,孔隙度曲線中零值的比例占83%,有效值僅17%,樣本非均衡問題嚴重。如果采用全采樣方式建立學(xué)習(xí)樣本集,會造成網(wǎng)絡(luò)訓(xùn)練出現(xiàn)偏差[15]。圖2c為孔隙度與砂巖含量(Vsand)散點交會圖。由圖2c可見,低孔隙度背景值主要分布在低Vsand區(qū)域(藍色橢圓位置)。根據(jù)孔隙度數(shù)據(jù)的分布特點,以Vsand曲線為約束,建立砂巖含量遮擋的樣本集構(gòu)建方法,步驟如下:

圖2 孔隙度測井統(tǒng)計分析a 孔隙度曲線; b 孔隙度數(shù)據(jù)分布情況; c 孔隙度與砂巖含量散點交會結(jié)果

1) 以砂巖含量曲線為約束條件設(shè)置閾值,保留高于閾值部分的對應(yīng)深度孔隙度值;

2) 分析步驟1)中孔隙度有效值與背景值的比例。當有效值比例明顯高于背景值時,將砂巖含量曲線閾值減小;有效值比例明顯低于背景值時,將砂巖含量曲線閾值增大;

3) 返回步驟1),直到有效值與背景值比例大致相當,確定符合閾值條件的孔隙度數(shù)據(jù);

4) 利用篩選出的孔隙度值和對應(yīng)深度周圍的地震數(shù)據(jù)構(gòu)建網(wǎng)絡(luò)訓(xùn)練樣本集。

1.3 實現(xiàn)過程

結(jié)合上述方法,基于混合深度學(xué)習(xí)網(wǎng)絡(luò)的致密儲層甜點預(yù)測實現(xiàn)過程為:

1) 根據(jù)研究區(qū)實際地質(zhì)情況,對測井、地震數(shù)據(jù)進行時深標定;

2) 利用地震層位信息,搭建時間域地層格架;

3) 將井中的砂巖含量曲線作為期望輸出,井旁地震數(shù)據(jù)和相應(yīng)空間格架信息作為輸入,對混合深度學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練;

4) 將工區(qū)內(nèi)的地震數(shù)據(jù)及其空間格架信息輸入到訓(xùn)練好的網(wǎng)絡(luò),得到整個工區(qū)的砂巖含量值;

5) 利用1.2節(jié)所述的砂巖含量曲線遮擋方法,構(gòu)建孔隙度訓(xùn)練樣本集;

6) 將孔隙度訓(xùn)練樣本集作為期望輸出,井旁地震數(shù)據(jù)及其對應(yīng)的空間格架信息以及步驟4)所得的砂巖含量值一起作為輸入,對混合深度學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練;

7) 將工區(qū)內(nèi)的地震數(shù)據(jù)及其對應(yīng)的空間格架信息以及步驟4)所得的砂巖含量值一起輸入至訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò),得到孔隙度值;

8) 聯(lián)合儲層砂巖含量和孔隙度值,進行甜點識別。

2 方法應(yīng)用及結(jié)果分析

2.1 研究區(qū)致密甜點識別難點

將本文基于混合深度學(xué)習(xí)網(wǎng)絡(luò)的甜點預(yù)測方法用于鄂爾多斯盆地東北部上古生界的致密儲層甜點預(yù)測。本區(qū)致密砂巖儲層普遍具有地層薄、孔隙度低等特征,物性較差。自下而上發(fā)育元古界、古生界、中生界和新生界地層,有兩套含氣層系,分別為上古生界碎屑巖和下古生界碳酸鹽巖。上古生界石盒子組為主力含氣層,其組內(nèi)盒4、盒6、盒8段河道分期發(fā)育,含氣性較好,孔隙度甜點發(fā)育。氣層縱向上、下疊置,厚度一般小于10m,以大型巖性圈閉為主,具有面積大、豐度低的特征。該地區(qū)高孔隙度甜點識別存在以下難點:

1) 井中孔隙度曲線大部分數(shù)值為0,僅有少數(shù)有效值(圖2a),難以用地震反演方法進行預(yù)測;

2) 地震數(shù)據(jù)分辨率低。如圖3所示,左側(cè)為測井數(shù)據(jù),其中黃色區(qū)域為砂巖發(fā)育區(qū),灰色區(qū)域為泥巖發(fā)育區(qū);右側(cè)為井周圍的地震道集數(shù)據(jù)。由圖3可以看出,矩形框內(nèi)的甜點儲層厚度僅為2.7m,在地震記錄中無法識別。

圖3 薄層及其對應(yīng)的地震道集

2.2 網(wǎng)絡(luò)訓(xùn)練參數(shù)及預(yù)測結(jié)果分析

首先進行本區(qū)砂巖含量遮擋的訓(xùn)練樣本集構(gòu)建,如圖4所示。當Vsand閾值為0.70時,孔隙度測井曲線中有效值比例達86%,遠大于背景值比例,需要將閾值減小;將閾值設(shè)為0.10時,孔隙度測井曲線中有效值比例僅為24%,需要將閾值增大;當閾值為0.27時,有效值與背景值比例相當,為最佳閾值。在此閾值約束下構(gòu)建孔隙度訓(xùn)練樣本集。

圖4 不同Vsand閾值遮擋下的孔隙度樣本數(shù)據(jù)分布

研究區(qū)內(nèi)有40口井,隨機選取其中的36口井作為訓(xùn)練井,其余井作為驗證井對預(yù)測結(jié)果進行精度分析。訓(xùn)練樣本的輸入變量為井旁地震數(shù)據(jù)和地層格架信息,輸出變量為測井數(shù)據(jù)。

在進行砂巖含量參數(shù)預(yù)測時,支網(wǎng)一的輸入層包含3個神經(jīng)元節(jié)點,用于輸入地層空間格架信息,即線號、道號和層位值。在進行孔隙度預(yù)測時,支網(wǎng)一的輸入層包含4個節(jié)點,除輸入地層空間格架信息外,還輸入砂巖含量值。隱藏層僅1層即可,由9個神經(jīng)元節(jié)點構(gòu)成;輸出層包含1個神經(jīng)元,用于加載對應(yīng)位置的測井孔隙度數(shù)據(jù)。也就是說,在進行砂巖含量參數(shù)預(yù)測時,支網(wǎng)一的網(wǎng)絡(luò)結(jié)構(gòu)為3-9-1;在進行孔隙度參數(shù)預(yù)測時,支網(wǎng)一的網(wǎng)絡(luò)結(jié)構(gòu)為4-9-1。支網(wǎng)二包含兩層局部連接層,其卷積核大小分別為8×3和4×1,激活函數(shù)為ReLU函數(shù)。支網(wǎng)二輸入地震數(shù)據(jù)本身,其大小是以目標采樣點為中心,提取縱向30ms、橫向3道的地震數(shù)據(jù),輸出層和支網(wǎng)一共用同一個節(jié)點。利用此網(wǎng)絡(luò)結(jié)構(gòu)先預(yù)測砂巖含量值,在此基礎(chǔ)上再預(yù)測孔隙度值,即先進行儲層預(yù)測,再進行物性預(yù)測。預(yù)測砂巖含量時采用均方根池化方式,預(yù)測孔隙度時采用最大池化方式。

圖5a為過W2、W7、W8井的連井地震剖面;圖5b 和圖5c分別為采用混合深度學(xué)習(xí)網(wǎng)絡(luò)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的砂巖含量剖面。圖5中W2、W8井為訓(xùn)練井,W7井為驗證井。對比圖5a和圖5b 可以看出,混合深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測的砂巖含量剖面,垂向分辨率高于地震數(shù)據(jù),同時反映了儲層的橫向非均質(zhì)變化特征。對比圖5b和圖5c可以看出,混合深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測的砂巖含量剖面,垂向分辨率高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。同時,在W2井H8層附近(圖5b中紅色橢圓位置)的富砂儲層能夠被清晰識別,并與W2井的砂巖含量曲線高度吻合。在驗證井W7井H8層(圖5b中黑色橢圓位置)附近,預(yù)測結(jié)果為富砂儲層,與W7井的砂巖含量曲線相符,說明本文方法對薄砂巖儲層的預(yù)測效果良好。

圖6a和圖6b分別為采用混合深度學(xué)習(xí)網(wǎng)絡(luò)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的孔隙度剖面。其中,W2井、W8井為訓(xùn)練井,W7井為驗證井。對比圖6a和圖6b可以看出,混合深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測的孔隙度剖面分辨率高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果,橫向變化也符合圖5中地震剖面特征。在W2井的H8層附近(圖6a中紅色橢圓位置)的高孔隙度儲層被識別出來,并與W2井的孔隙度曲線匹配;在驗證井W7井的H8層附近(圖6a中黑色橢圓位置)預(yù)測結(jié)果為低孔隙度,同樣與W7井的孔隙度曲線相符,說明混合深度學(xué)習(xí)網(wǎng)絡(luò)能有效預(yù)測孔隙度值。

由圖5b和圖6a可以看出,W2井H8層(紅色橢圓位置)砂巖含量高,孔隙度值也高,為優(yōu)質(zhì)甜點;W7井H8層(黑色橢圓位置)砂巖含量高,但孔隙度低,說明儲層物性不好;W8井H8層(紫色橢圓位置)砂巖含量低,同時孔隙度也低,不是儲層。因此,結(jié)合砂巖含量和孔隙度剖面,能有效識別本區(qū)的甜點儲層。

圖5 連井地震剖面及采用不同方法預(yù)測的砂巖含量剖面a 連井地震剖面; b 混合深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測的砂巖含量剖面; c 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的砂巖含量剖面

圖6 不同方法預(yù)測的孔隙度剖面a 混合深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測的孔隙度剖面; b 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的孔隙度剖面

為了直觀地對比本文方法和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法預(yù)測結(jié)果,抽取兩種方法預(yù)測的W8井位置的砂巖含量曲線和孔隙度曲線與原始測井曲線進行對比,如圖7所示。由圖7可見,混合深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測的砂巖含量曲線與井中砂巖含量曲線的吻合率明顯高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的砂巖含量曲線;混合深度學(xué)習(xí)網(wǎng)絡(luò)預(yù)測的孔隙度曲線與原始孔隙度曲線吻合率遠高于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的孔隙度曲線。究其原因,雖然卷積神經(jīng)網(wǎng)絡(luò)能夠從數(shù)據(jù)本身挖掘有效信息,但在測井與地震數(shù)據(jù)聯(lián)合進行儲層參數(shù)預(yù)測時,存在一些問題:①地震數(shù)據(jù)多,測井數(shù)據(jù)少且空間分布不規(guī)則;②相同的地震數(shù)據(jù)對應(yīng)不同的測井值,反之,相同的測井數(shù)據(jù)對應(yīng)不同的地震數(shù)據(jù),也就是說,測井與地震數(shù)據(jù)不存在良好的一一對應(yīng)關(guān)系。地震測井聯(lián)合參數(shù)預(yù)測不僅標簽不充分,而且存在大量互相矛盾的標簽。這是導(dǎo)致傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測效果不好的原因。針對此問題,引入線道號和層位信息,與地震、測井數(shù)據(jù)一起參與訓(xùn)練。這樣,雖然相同的地震數(shù)據(jù)對應(yīng)不同的測井值,但是它們的空間位置不同,標簽不再互相矛盾,從而極大提高了預(yù)測結(jié)果的穩(wěn)定性。

圖7 采用不同方法預(yù)測的W8井砂巖含量(a)和孔隙度(b)曲線

圖8顯示了混合深度學(xué)習(xí)網(wǎng)絡(luò)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的砂巖含量誤差曲線;圖9顯示了混合深度學(xué)習(xí)網(wǎng)絡(luò)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)預(yù)測的孔隙度誤差曲線。由圖8 和圖9可以看出,雖然兩種網(wǎng)絡(luò)對砂巖含量和孔隙度訓(xùn)練樣本的學(xué)習(xí)都能達到很高的精度,訓(xùn)練誤差曲線都能夠很好地收斂,但混合深度學(xué)習(xí)網(wǎng)絡(luò)的驗證誤差小,砂巖含量的相對誤差僅為8%,孔隙度的相對誤差為10%;相比之下,傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的驗證誤差較大,砂巖含量的相對誤差為30%,孔隙度的誤差接近40%。

圖8 混合深度學(xué)習(xí)網(wǎng)絡(luò)(a)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(b)預(yù)測的砂巖含量誤差曲線

圖9 混合深度學(xué)習(xí)網(wǎng)絡(luò)(a)和傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)(b)預(yù)測的孔隙度誤差曲線

3 結(jié)論

針對現(xiàn)有深度學(xué)習(xí)模型無法直接用于測井與地震聯(lián)合的甜點預(yù)測問題,根據(jù)測井數(shù)據(jù)和地震數(shù)據(jù)的空間分布特點和數(shù)據(jù)分布特點,結(jié)合全局和局部連接網(wǎng)絡(luò),有針對性地創(chuàng)建了適用于致密儲層甜點預(yù)測的混合深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu),其中局部連接網(wǎng)絡(luò)負責(zé)學(xué)習(xí)數(shù)據(jù)分布特征,全局連接網(wǎng)絡(luò)負責(zé)學(xué)習(xí)空間分布特征。將該方法應(yīng)用于鄂爾多斯盆地東北部的上古生界儲層甜點預(yù)測。

首先針對測井砂巖含量值、孔隙度值與地震反射特征之間缺乏明確正演模型的問題,利用深度學(xué)習(xí)網(wǎng)絡(luò)的自我學(xué)習(xí)能力,從地震數(shù)據(jù)和測井數(shù)據(jù)本身挖掘信息,進行儲層甜點識別。在孔隙度數(shù)據(jù)訓(xùn)練時,針對孔隙度測井曲線不連續(xù)、樣本不均衡的問題,提出了砂巖含量遮擋的訓(xùn)練樣本集構(gòu)建方法。鄂爾多斯盆地東北部的甜點識別結(jié)果表明:混合深度學(xué)習(xí)網(wǎng)絡(luò)的預(yù)測結(jié)果準確度高,能夠有效識別較薄的高孔隙度甜點,反映甜點的橫向非均質(zhì)特征。