曾麗麗,孟凡月,湯華貝,牛藝曉,湯敏

(東北石油大學(xué)電氣信息工程學(xué)院,黑龍江大慶163318)

0 引 言

巖相識(shí)別是儲(chǔ)層評(píng)價(jià)、油藏描述和地質(zhì)分析等的基礎(chǔ)工作。碳酸鹽巖儲(chǔ)層結(jié)構(gòu)復(fù)雜,各測(cè)井?dāng)?shù)據(jù)間存在較強(qiáng)的非線性關(guān)系,傳統(tǒng)的巖相識(shí)別技術(shù)難以對(duì)儲(chǔ)層進(jìn)行精準(zhǔn)描述。

深度學(xué)習(xí)技術(shù)通過構(gòu)建多隱層模型自動(dòng)尋找儲(chǔ)層信息中的非線性特征,在巖相識(shí)別方面取得了一定的成果[1-5]。鄭陽[6]采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)識(shí)別測(cè)井巖相,相對(duì)于淺層網(wǎng)絡(luò)[7-8],其準(zhǔn)確率有較大提高。Yadigar等[9]通過一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)合Adagrad優(yōu)化器提高了巖相分類準(zhǔn)確率。馮雅興等[10]利用孿生卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行巖相自動(dòng)識(shí)別,其巖相識(shí)別精度達(dá)89.4%。Li等[11]采用卷積神經(jīng)網(wǎng)絡(luò)處理聲學(xué)測(cè)井?dāng)?shù)據(jù),對(duì)混合噪聲的測(cè)井?dāng)?shù)據(jù)有很好的識(shí)別效果。王俊等[12]利用長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)巖相自動(dòng)識(shí)別,有效地解決了長(zhǎng)序列的梯度消失問題。然而,這些研究局限于單一深度神經(jīng)網(wǎng)絡(luò)算法,將各種測(cè)井?dāng)?shù)據(jù)直接輸入網(wǎng)絡(luò),難以從非線性關(guān)系中有效提取關(guān)鍵特征,輸入的特征值利用效率低,測(cè)井解釋不準(zhǔn)確,無法在巖相識(shí)別環(huán)節(jié)實(shí)現(xiàn)明顯的突破。

注意力機(jī)制通過模擬人腦信號(hào)處理機(jī)制實(shí)現(xiàn)了按比例分配資源,已經(jīng)廣泛應(yīng)用于自然語言處理[13-14]、圖像識(shí)別[15-16]、語音識(shí)別[17-18]等各種不同領(lǐng)域的深度學(xué)習(xí)任務(wù)中。杜秀麗等[19]針對(duì)腦電信號(hào)識(shí)別準(zhǔn)確率不高的問題,構(gòu)建了注意力機(jī)制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型,提高了腦電信號(hào)的識(shí)別準(zhǔn)確率。袁英淏[20]利用前饋?zhàn)⒁饬C(jī)制進(jìn)行地震儲(chǔ)層圖像解釋,證明了前饋?zhàn)⒁饬C(jī)制能夠提高網(wǎng)絡(luò)的抗干擾性能。李宗民等[21]基于循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制對(duì)油藏儲(chǔ)量進(jìn)行預(yù)測(cè),緩解了數(shù)據(jù)波動(dòng)對(duì)預(yù)測(cè)結(jié)果的影響,相對(duì)于單一循環(huán)神經(jīng)網(wǎng)絡(luò),融合注意力機(jī)制預(yù)測(cè)模型的準(zhǔn)確率得到了很大提升。

針對(duì)目前傳統(tǒng)巖相識(shí)別和單一神經(jīng)網(wǎng)絡(luò)存在的問題,本文提出了一種融合注意力機(jī)制與卷積神經(jīng)網(wǎng)絡(luò)的非線性儲(chǔ)層巖相識(shí)別網(wǎng)絡(luò)。該網(wǎng)絡(luò)利用特征注意力模塊提取測(cè)井?dāng)?shù)據(jù)的關(guān)鍵特征,利用卷積神經(jīng)網(wǎng)絡(luò)模塊提取測(cè)井序列之間的空間信息,實(shí)現(xiàn)了碳酸鹽巖儲(chǔ)層巖相的自動(dòng)識(shí)別。同時(shí),重點(diǎn)關(guān)注了注意力機(jī)制位置的不同對(duì)儲(chǔ)層巖相識(shí)別精度的影響。最后,將該方法應(yīng)用于碳酸鹽巖非均質(zhì)儲(chǔ)層,并在交叉驗(yàn)證的基礎(chǔ)上與傳統(tǒng)的巖相識(shí)別方法進(jìn)行性能比較與分析。

1 數(shù)據(jù)集及其預(yù)處理

1.1 數(shù)據(jù)集

本文采用的測(cè)井?dāng)?shù)據(jù)來源于伊拉克Mishrif組,該組所在的油田呈南北分布,長(zhǎng)40 km,寬20 km,油氣藏儲(chǔ)量十分豐富,是世界上最大的油田之一[22-23]。該油田處于扎格羅斯盆地的過渡帶,地勢(shì)屬于低角褶皺區(qū)域,氣候干旱少雨,受蒸發(fā)作用的影響,形成以白云巖為主的碳酸鹽巖儲(chǔ)層。這種碳酸鹽巖儲(chǔ)層空間以孔隙為主,其形成直接受溶蝕和白云石化作用的控制,地層內(nèi)部結(jié)構(gòu)復(fù)雜,不同種類的測(cè)井?dāng)?shù)據(jù)之間具有高度的非線性關(guān)系。

選取研究區(qū)相鄰2口井的測(cè)井?dāng)?shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集,共有3 436個(gè)樣本,采樣間隔為0.1 m,其中訓(xùn)練集占80%,井深為2 820.5～3 092.3 m;測(cè)試集占20%,井深為2 831.9～2 903.5 m。研究區(qū)碳酸鹽巖儲(chǔ)層主要由白云巖、硬石膏、泥巖、砂巖組成。

本文采用井徑(CAL)、自然電位(SP)、自然伽馬(GR)、密度(DEN)、側(cè)向電阻率(RLL)、中子孔隙度(CNL)、聲波時(shí)差(AC)等測(cè)井?dāng)?shù)據(jù),實(shí)現(xiàn)非均質(zhì)儲(chǔ)層巖相的自動(dòng)識(shí)別。采用皮爾森(Pearson Correlation Coefficient,PCC)系數(shù)評(píng)估巖相與各種測(cè)井曲線之間的相關(guān)性(見表1)。由表1可知,GR與巖相相關(guān)性最強(qiáng),AC與巖相的相關(guān)性次之。巖相與CAL、DEN、RLL、CNL、SP的皮爾森系數(shù)絕對(duì)值小于等于0.250,最低值為-0.110,各種測(cè)井曲線與預(yù)測(cè)目標(biāo)之間的弱相關(guān)性給巖相識(shí)別任務(wù)帶來了一定的困難。

表1 巖相與各個(gè)測(cè)井曲線之間的相關(guān)性

1.2 數(shù)據(jù)預(yù)處理

為了提高巖相識(shí)別的準(zhǔn)確率,防止模型過擬合,本文對(duì)選取的測(cè)井?dāng)?shù)據(jù)集進(jìn)行數(shù)據(jù)清理、數(shù)據(jù)標(biāo)簽化、分辨率處理和數(shù)據(jù)歸一化等數(shù)據(jù)預(yù)處理操作。

1.2.1數(shù)據(jù)清理

由于井斜不同、鉆井液性能改變和儀器約束等原因?qū)е略紲y(cè)井?dāng)?shù)據(jù)存在異常值,不能直接作為深度神經(jīng)網(wǎng)絡(luò)的輸入。需要對(duì)獲得的數(shù)據(jù)集進(jìn)行數(shù)據(jù)清理。首先采用奈爾(Nair)檢驗(yàn)法判斷各種測(cè)井?dāng)?shù)據(jù)的異常值,其次采用均值替代法對(duì)異常數(shù)據(jù)和噪聲數(shù)據(jù)進(jìn)行處理。

1.2.2數(shù)據(jù)標(biāo)簽化

隨著地殼運(yùn)動(dòng)和氣候變化的長(zhǎng)時(shí)間影響,巖相邊界模糊不清。同時(shí),巖相識(shí)別屬于多分類的監(jiān)督學(xué)習(xí)過程,需要對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行分析和數(shù)據(jù)集標(biāo)簽化處理。以研究區(qū)4種巖相體積占比(v)為巖相標(biāo)簽的主要?jiǎng)澐忠罁?jù)(見表2);當(dāng)體積占比出現(xiàn)沖突時(shí),利用測(cè)井?dāng)?shù)據(jù)特性輔助巖相劃分(見表3);獲得白云巖巖相、泥巖巖相、砂巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖 -砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相。為了方便介紹,這7種巖相在后文中均采用其標(biāo)簽數(shù)字1～7代替。

表2 巖相體積占比分類

表3 測(cè)井?dāng)?shù)據(jù)范圍

*非法定計(jì)量單位,1 ft=12 in=0.304 8 m,下同

1.2.3分辨率處理

測(cè)井儀器的性能、老化程度和工作時(shí)長(zhǎng)是導(dǎo)致各種測(cè)井?dāng)?shù)據(jù)分辨率出現(xiàn)差異的主要因素,低分辨率的測(cè)井?dāng)?shù)據(jù)將會(huì)降低攜帶信息的可信度、影響巖相識(shí)別的精度。本文采用三點(diǎn)反褶積法[24]提高測(cè)井?dāng)?shù)據(jù)的縱向分辨率,如式(1)所示。

(1)

本文所采用的測(cè)井?dāng)?shù)據(jù)中GR和DEN的縱向分辨率較低,圖1呈現(xiàn)了采用三點(diǎn)反褶積法處理的結(jié)果,為便于觀察只截取了少量數(shù)據(jù)進(jìn)行繪圖,其中藍(lán)色為原始數(shù)據(jù),橙色為處理后的數(shù)據(jù)。由圖1可見,GR和DEN經(jīng)過處理后使縱向分辨率得到提高,更加真實(shí)地描述了各測(cè)井?dāng)?shù)據(jù)對(duì)地層界面變化的敏感性,有利于提高儲(chǔ)層巖相識(shí)別模型的精度。

圖1 GR、DEN測(cè)井?dāng)?shù)據(jù)分辨率處理對(duì)比圖

1.2.4數(shù)據(jù)歸一化

每種測(cè)井?dāng)?shù)據(jù)具有不同的量綱和單位,直接作為深度神經(jīng)網(wǎng)絡(luò)的輸入將會(huì)嚴(yán)重影響巖相識(shí)別的準(zhǔn)確率。數(shù)據(jù)歸一化可以消除各種測(cè)井?dāng)?shù)據(jù)之間的不同量級(jí),提高數(shù)據(jù)集質(zhì)量,進(jìn)而改善巖相識(shí)別效果,加快迭代速度。本文采用Min-Max標(biāo)準(zhǔn)化法對(duì)選取的數(shù)據(jù)集進(jìn)行測(cè)井?dāng)?shù)據(jù)歸一化處理,見式(2)。

(2)

式中,zn為輸入的測(cè)井?dāng)?shù)據(jù);zmin為該類測(cè)井?dāng)?shù)據(jù)的最小值;zmax為該類測(cè)井?dāng)?shù)據(jù)的最大值;znorm為該類測(cè)井?dāng)?shù)據(jù)的歸一化值。

2 方 法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法中應(yīng)用最為廣泛的一種深度前反饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的非線性擬合能力和權(quán)值共享的特點(diǎn),有助于構(gòu)建模型從測(cè)井?dāng)?shù)據(jù)和巖相的非線性關(guān)系中提取更多空間特征信息,提高模型的準(zhǔn)確率,減少參數(shù)數(shù)量,降低計(jì)算成本。

矩陣X=[x1,x2,…,xk]為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù),則當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)的輸出公式為

D=g(X?[σ1,σ2,…,σρ])

(3)

式中,D為當(dāng)前卷積層的輸出;σρ為第ρ個(gè)濾波器輸出的特征映射信息;g(·)為激活函數(shù)(tanh函數(shù)或Relu函數(shù));?為卷積運(yùn)算。

2.2 模型設(shè)計(jì)

基于卷積神經(jīng)網(wǎng)絡(luò),本文利用注意力機(jī)制所在位置的不同構(gòu)建了3種非線性儲(chǔ)層巖相識(shí)別網(wǎng)絡(luò)模型,包括前置特征注意力(FAtt)模塊的卷積神經(jīng)網(wǎng)絡(luò)(FAtt-CNN)模型、后置時(shí)間注意力(Time Attention,TAtt)模塊的卷積神經(jīng)網(wǎng)絡(luò)(CNN-TAtt)模型、前后雙置注意力模塊的卷積神經(jīng)網(wǎng)絡(luò)(FAtt-CNN-TAtt)模型。圖2給出了3種網(wǎng)絡(luò)模型的具體結(jié)構(gòu),其中x為某種測(cè)井?dāng)?shù)據(jù)的歸一化值,?為某種測(cè)井?dāng)?shù)據(jù)的的歸一化權(quán)重值。

圖2 非線性儲(chǔ)層巖相識(shí)別模型結(jié)構(gòu)

本文以FAtt-CNN模型為例詳細(xì)闡述巖相自動(dòng)識(shí)別方法,FAtt-CNN模型由FAtt模塊、CNN模塊以及全連接網(wǎng)絡(luò)層構(gòu)成。特征提取是巖相識(shí)別模型的關(guān)鍵。首先,FAtt模塊為測(cè)井?dāng)?shù)據(jù)自動(dòng)賦值,實(shí)現(xiàn)測(cè)井關(guān)鍵特征提取。然后,CNN模塊采用多個(gè)局部濾波器和滑動(dòng)濾波器捕捉測(cè)井序列之間的空間特征。最后,經(jīng)過全連接網(wǎng)絡(luò)層輸出巖相類別概率,實(shí)現(xiàn)非均質(zhì)儲(chǔ)層巖相自動(dòng)識(shí)別。

2.3 FAtt模塊

注意力機(jī)制源于對(duì)人類所特有的大腦信號(hào)處理機(jī)制的研究,通過模擬人腦機(jī)制計(jì)算相似性權(quán)重,突出關(guān)鍵輸入數(shù)據(jù)對(duì)識(shí)別目標(biāo)的影響,利用有限的注意力資源從海量數(shù)據(jù)中自動(dòng)、快速的提取關(guān)鍵特征。

針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中特征提取權(quán)重等占比的不足,研究構(gòu)建了FAtt模塊,通過對(duì)識(shí)別目標(biāo)和測(cè)井?dāng)?shù)據(jù)進(jìn)行相似性度量,使每個(gè)測(cè)井?dāng)?shù)據(jù)值獲得新的權(quán)重系數(shù),進(jìn)而提高測(cè)井?dāng)?shù)據(jù)的利用率和網(wǎng)絡(luò)的關(guān)鍵特征提取能力。

設(shè)輸入數(shù)據(jù)xnorm為預(yù)處理后的測(cè)井矩陣,如式(4)所示。

(4)

式中,d為測(cè)井深度,m;下標(biāo)為各測(cè)井曲線。

FAtt模塊主要由CNN層和Softmax歸一化層組成,如圖3所示。

圖3 特征注意力模塊結(jié)構(gòu)

首先,把測(cè)井序列xGR作為CNN層的輸入,通過CNN層計(jì)算GR與識(shí)別目標(biāo)之間的相似性權(quán)重,如式(5)所示。

λGR=C(xGR)

(5)

式中,λGR為測(cè)井?dāng)?shù)據(jù)GR的相似性權(quán)重;C(·)為與CNN層有關(guān)的函數(shù)。同理,可求取其他測(cè)井?dāng)?shù)據(jù)的相似性權(quán)重。

(6)

最后,對(duì)輸入測(cè)井?dāng)?shù)據(jù)進(jìn)行加權(quán)獲得測(cè)井關(guān)鍵特征,以測(cè)井?dāng)?shù)據(jù)GR為例,如式(7)所示。

(7)

2.4 CNN模塊

(8)

(9)

非線性巖相識(shí)別網(wǎng)絡(luò)最終輸出的巖相類別概率矩陣Γk如式(10)所示。

(10)

式中,Γ1,d為在井深d時(shí)第1類巖相的概率;矩陣每行的第1個(gè)下角標(biāo)為一種巖相。

2.5 評(píng)價(jià)指標(biāo)

本文采用準(zhǔn)確率(A)、精確率(P)、召回率(R)和F1分?jǐn)?shù)(F1)作為評(píng)價(jià)系統(tǒng)的性能指標(biāo)。

(11)

(12)

(13)

(14)

式中,TP為樣本中α類巖相被正確識(shí)別的數(shù)量;TN為樣本中β類巖相被正確識(shí)別的數(shù)量;FP為樣本中β類巖相被錯(cuò)誤識(shí)別為α類巖相的數(shù)量;FN為樣本中α類巖相被錯(cuò)誤識(shí)別為β類巖相的數(shù)量。

3 應(yīng)用實(shí)例

本實(shí)驗(yàn)訓(xùn)練及測(cè)試代碼均運(yùn)行于Windows下Tensorflow深度學(xué)習(xí)平臺(tái)。為了科學(xué)地評(píng)估所提出模型的性能,每個(gè)模型參數(shù)設(shè)置保持一致,選擇Adadelta為模型優(yōu)化器,交叉熵?fù)p失函數(shù)為模型損失函數(shù),同時(shí)采用6倍交叉驗(yàn)證取平均值作為實(shí)驗(yàn)結(jié)果對(duì)巖相模型進(jìn)行調(diào)優(yōu)。

實(shí)驗(yàn)將該方法應(yīng)用于碳酸鹽巖儲(chǔ)層,圖4給出了測(cè)試集測(cè)井曲線及不同模型下識(shí)別的巖相與實(shí)際巖相分布情況。從圖4中可以看出CNN模型的巖相識(shí)別效果最差,出現(xiàn)了明顯的欠擬合現(xiàn)象。例如,在井深3 853～3 865 m位置,白云巖-泥巖混合巖相和硬石膏-白云巖-泥巖混合巖相交替出現(xiàn)的井段直接誤判為白云巖-泥巖混合巖相;在井深2 840 m和2 846 m附近,CNN模型將硬石膏-白云巖-泥巖混合巖相誤判為白云巖-泥巖-砂巖混合巖相;在井深2 890 m附近,密度突然增大,說明巖相有所改變,CNN模型對(duì)白云巖巖相識(shí)別失敗。此外,由圖4也可以看出白云巖-泥巖混合巖相與電阻率的值有很大關(guān)系,在白云巖-泥巖混合巖相出現(xiàn)時(shí)電阻率的對(duì)數(shù)值整體處于0～0.5 Ω·m,表明CNN模型對(duì)電阻率的特征提取能力較差。

圖4 測(cè)試集測(cè)井曲線及不同模型中識(shí)別的巖相與實(shí)際巖相對(duì)比

隨著注意力機(jī)制的加入,模型的非線性擬合能力和魯棒性均有所提高。FAtt-CNN模型整體的巖相識(shí)別結(jié)果最優(yōu),該模型僅在井深2 871 m附近將極少量白云巖巖相誤判成硬石膏-白云巖-泥巖混合巖相,巖相分布與實(shí)際巖相分布情況高度符合。在井深2 894 m附近,井徑出現(xiàn)異常,但FAtt-CNN和FAtt-CNN-TAtt模型仍能準(zhǔn)確地識(shí)別巖相,說明FAtt模塊能夠從當(dāng)前井段的其他數(shù)據(jù)中提取出關(guān)鍵特征,減少了井徑異常對(duì)巖相識(shí)別模型帶來的影響。CNN-TAtt和FAtt-CNN-TAtt模型在井深2 846～2 863 m處,對(duì)白云巖-泥巖混合巖相識(shí)別出現(xiàn)明顯誤差,混淆了白云巖-泥巖混合巖相和硬石膏-白云巖-泥巖混合巖相。此外,在井深2 871 m附近,CNN-TAtt模型將一小部分的硬石膏-白云巖-泥巖混合巖相誤判為白云巖巖相。實(shí)驗(yàn)結(jié)果分析表明,CNN-TAtt和FAtt-CNN-TAtt模型的非線性擬合能力稍遜于FAtt-CNN模型。

表4給出了4種模型巖相識(shí)別結(jié)果的精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率,加粗字體表示同一巖相識(shí)別的最高值。

表4 不同模型中巖相識(shí)別的精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率

從整體巖相的準(zhǔn)確率來看,FAtt-CNN模型的巖相識(shí)別準(zhǔn)確率為98%。相比傳統(tǒng)的CNN模型,融合注意力機(jī)制的3種巖相識(shí)別模型準(zhǔn)確率分別提高了9%、5%和4%。實(shí)驗(yàn)結(jié)果說明注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)兩者結(jié)合后能夠從測(cè)井?dāng)?shù)據(jù)的非線性關(guān)系中充分提取相關(guān)測(cè)井特征,有助于提高巖相識(shí)別的準(zhǔn)確率。

從單一巖相的精確率來看,FAtt-CNN模型中白云巖巖相及相關(guān)混合巖相的精確率均為100%。FAtt-CNN-TAtt模型中白云巖巖相的精確率次之(73%),CNN-TAtt模型中白云巖巖相的精確率最低(56%)。CNN模型中白云巖巖相的精確率為100%,但其相關(guān)混合巖相普遍低于其他3種模型,其中白云巖-泥巖混合巖相的精確率最差(74%)。

從單一巖相的召回率來看,FAtt-CNN模型中,白云巖巖相和砂巖巖相的召回率分別為80%和92%,其他巖相的召回率均為100%。引入TAtt模塊后,CNN-TAtt和FAtt-CNN-TAtt模型關(guān)于白云巖巖相的召回率均達(dá)100%。

F1分?jǐn)?shù)基于精確率和召回率對(duì)模型性能進(jìn)行綜合性評(píng)估。研究區(qū)碳酸鹽巖儲(chǔ)層以白云巖為主,因此,下面主要從白云巖巖相及相關(guān)混合巖相的F1分?jǐn)?shù)評(píng)價(jià)指標(biāo)對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。FAtt-CNN模型的識(shí)別效果最佳(見表4),泥巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖-砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相的F1分?jǐn)?shù)達(dá)100%。CNN模型中白云巖巖相的F1分?jǐn)?shù)為33%,性能最差。相比于CNN模型,FAtt-CNN模型中白云巖巖相的F1分?jǐn)?shù)提高了53%,FAtt-CNN-TAtt模型中白云巖巖相提高了51%,CNN-TAtt模型中白云巖巖相提高了38%。

圖5為各個(gè)模型巖相識(shí)別結(jié)果的F1分?jǐn)?shù)評(píng)價(jià)折線圖。可以看到,橙色線條代表的FAtt-CNN模型,各類巖相的F1分?jǐn)?shù)在100%附近波動(dòng),波動(dòng)范圍較小,模型穩(wěn)定性較高。灰色線條代表的CNN-TAtt模型,各類巖相的F1分?jǐn)?shù)波動(dòng)范圍為71%～100%。藍(lán)色線條代表的FAtt-CNN-TAtt模型,各類巖相的F1分?jǐn)?shù)波動(dòng)范圍為84%～100%。黃色線條代表的CNN模型,F1分?jǐn)?shù)波動(dòng)范圍為33%～100%,波動(dòng)范圍較大,該模型穩(wěn)定性較差,其性能明顯低于其他3種模型。實(shí)驗(yàn)結(jié)果說明在深度神經(jīng)網(wǎng)絡(luò)中引入注意力機(jī)制有助于提高模型穩(wěn)定性和巖相識(shí)別精度。

圖5 巖相評(píng)價(jià)結(jié)果的F1分?jǐn)?shù)折線圖

圖6給出了4個(gè)模型中巖相識(shí)別的分布密度隨井深的變化情況。琴型圖左側(cè)(綠色部分)代表巖相的識(shí)別結(jié)果,右側(cè)(橙色部分)代表實(shí)際巖相。由圖6(a)可觀察到CNN模型對(duì)白云巖巖相、白云巖-泥巖-砂巖混合巖相和硬石膏-泥巖混合巖相識(shí)別效果均低于其他3種模型,巖相識(shí)別結(jié)果與巖相實(shí)際分布有明顯差異。FAtt-CNN模型對(duì)白云巖巖相、泥巖巖相、砂巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖-砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相這7種巖相識(shí)別效果最佳[見圖6(b)],識(shí)別得到的巖相和實(shí)際巖相的形狀基本對(duì)稱,說明識(shí)別密度與實(shí)際儲(chǔ)層密度相符,該模型具有較高的巖相識(shí)別能力。CNN-TAtt模型在井深2 810～2 855 m附近,對(duì)白云巖巖相的位置分布判別出現(xiàn)錯(cuò)誤[見圖6(c)],導(dǎo)致圖形拉長(zhǎng),與實(shí)際對(duì)比圖形長(zhǎng)度不相匹配。FAtt-CNN-TAtt模型對(duì)白云巖-泥巖-砂巖混合巖相和白云巖-泥巖混合巖相的識(shí)別效果和實(shí)際情況存在偏差[見圖6(d)],圖形對(duì)稱效果稍差。

圖6 不同模型中巖相識(shí)別的密度分布情況

在相同的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)下,研究基于頁巖儲(chǔ)層,選取常規(guī)測(cè)井?dāng)?shù)據(jù)和聲波成像測(cè)井?dāng)?shù)據(jù)實(shí)現(xiàn)儲(chǔ)層巖相的自動(dòng)識(shí)別。當(dāng)識(shí)別目標(biāo)與常規(guī)測(cè)井?dāng)?shù)據(jù)的非線性關(guān)系更強(qiáng)時(shí),融合注意力機(jī)制的網(wǎng)絡(luò)模型依然能夠從成像測(cè)井?dāng)?shù)據(jù)中提取更多的關(guān)鍵特征,其巖相識(shí)別精度不低于碳酸鹽巖儲(chǔ)層。利用F1分?jǐn)?shù)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià),FAtt-CNN模型效果最佳,FAtt-CNN-TAtt模型和CNN-TAtt模型效果次之,CNN模型效果最差。實(shí)驗(yàn)結(jié)果表明,該方法適用于不同研究區(qū)的非線性儲(chǔ)層巖相識(shí)別。

基于以上實(shí)驗(yàn)結(jié)果可知,盡管構(gòu)建的3個(gè)模型對(duì)碳酸鹽巖儲(chǔ)層的巖相識(shí)別效果各不相同,但相對(duì)于單一卷積神經(jīng)網(wǎng)絡(luò)來說,融合注意力機(jī)制與卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型在非線性巖相識(shí)別任務(wù)中取得了顯著的效果。其中,FAtt-CNN模型對(duì)碳酸鹽巖儲(chǔ)層的巖相識(shí)別效果最佳,有效地提高了巖相識(shí)別的精度。不同研究區(qū)的實(shí)驗(yàn)結(jié)果表明該模型具有較好的遷移性。

FAtt-CNN網(wǎng)絡(luò)模型前置FAtt模塊可以更好地?cái)M合測(cè)井?dāng)?shù)據(jù)與巖相數(shù)據(jù)之間的非線性關(guān)系,減少因環(huán)境因素引起的參數(shù)緩慢漂移的現(xiàn)象,同時(shí)增強(qiáng)模型的魯棒性和系統(tǒng)的穩(wěn)定性。CNN-TAtt模型后置TAtt模塊,評(píng)價(jià)指標(biāo)高于單一的CNN模型,但是由于卷積神經(jīng)網(wǎng)絡(luò)無時(shí)間記憶功能,TAtt模塊無法沿儲(chǔ)層垂向高效地提取時(shí)序信息,因此,巖相的識(shí)別準(zhǔn)確率不及FAtt-CNN模型。FAtt-CNN-TAtt模型在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上分別加入FAtt模塊和TAtt模塊,充分考慮了數(shù)據(jù)的時(shí)序性和測(cè)井?dāng)?shù)據(jù)的非線性,其評(píng)價(jià)指標(biāo)均高于CNN和CNN-TAtt模型。然而,與CNN-TAtt模型同理,卷積神經(jīng)網(wǎng)絡(luò)無時(shí)間記憶功能,所以利用卷積神經(jīng)網(wǎng)絡(luò)同時(shí)從特征和時(shí)間維度進(jìn)行信息提取時(shí),這2個(gè)注意力模塊相互干擾,導(dǎo)致巖相識(shí)別效果變差,這也是以后需要進(jìn)一步解決的問題。

4 結(jié) 論

(1)本文融合注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了儲(chǔ)層巖相識(shí)別網(wǎng)絡(luò)模型,該模型利用識(shí)別目標(biāo)與各個(gè)測(cè)井曲線之間的相關(guān)性實(shí)現(xiàn)了儲(chǔ)層巖相識(shí)別,對(duì)測(cè)井?dāng)?shù)據(jù)的強(qiáng)非線性關(guān)系具有較好的魯棒性,有效提高了巖相識(shí)別精度,為儲(chǔ)層測(cè)井評(píng)價(jià)提供可靠的巖相數(shù)據(jù)。

(2)特征注意力模塊可以為測(cè)井?dāng)?shù)據(jù)賦予不同的權(quán)重系數(shù),為有利于識(shí)別目標(biāo)的測(cè)井?dāng)?shù)據(jù)分配更高的權(quán)重系數(shù),在提高測(cè)井?dāng)?shù)據(jù)應(yīng)用效率的同時(shí)降低了模型損耗,時(shí)間性能優(yōu)于傳統(tǒng)測(cè)井技術(shù)。

(3)巖相識(shí)別精度與注意力機(jī)制的位置有關(guān)。在實(shí)際勘探過程中針對(duì)不同地區(qū)的油氣儲(chǔ)層,可以通過調(diào)節(jié)注意力機(jī)制所處的位置來提高巖相識(shí)別效果。