韓宏偉 王繼晨 康 宇 馮德永 劉海寧 朱劍兵 呂文君

(1. 中國石油化工股份有限公司 勝利油田分公司物探研究院，山東 東營 257022； 2. 中國科學(xué)技術(shù)大學(xué) 自動化系，合肥 230027)

測井是進(jìn)行地下儲層解釋與評價的手段，通過記錄多種不同的物理參數(shù)來間接反映地質(zhì)信息．常用測井方法包括電阻率、伽馬射線、橫縱波速度、自然電位等．測井資料的處理與解釋是獲得巖性類別、滲透率、孔隙度、泥砂比等地質(zhì)信息的重要環(huán)節(jié)[1]．其中，測井資料處理的目的在于消除多種非地質(zhì)因素對測井?dāng)?shù)據(jù)造成的影響和偏差，使測井?dāng)?shù)據(jù)更充分準(zhǔn)確地應(yīng)用于測井解釋[2]．測井解釋的核心工作是確定測井?dāng)?shù)據(jù)與地質(zhì)信息之間的映射關(guān)系，從而建立解釋模型，將二者有機(jī)聯(lián)系起來[3]．

隨著大數(shù)據(jù)和信息技術(shù)飛速持續(xù)發(fā)展，當(dāng)今世界正在進(jìn)入數(shù)字化和智能化時代，人工智能(artificial intelligence，AI)逐步滲透并廣泛應(yīng)用于科學(xué)研究、工業(yè)生產(chǎn)、軍事國防和人民生活等多個領(lǐng)域，智能化正在悄然改變著人們的思想觀念和生活方式[4]．如今，AI已經(jīng)發(fā)展成為一門綜合性學(xué)科，集計算機(jī)、信息技術(shù)、大數(shù)據(jù)等前沿技術(shù)于一體，也是21世紀(jì)引領(lǐng)未來高新技術(shù)發(fā)展前進(jìn)的主流學(xué)科之一[5]．自20世紀(jì)80年代開始，隨著油氣資源勘探和開發(fā)難度的提升，傳統(tǒng)測井技術(shù)迎來極大考驗，特別是傳統(tǒng)測井解釋大多依賴領(lǐng)域?qū)＜医?jīng)驗，具有偶然性強、人為影響大、效率低等問題．因此，人們開始將人工智能技術(shù)引入測井處理與解釋領(lǐng)域，探索全新的解決方案[6]．

經(jīng)歷數(shù)十年的發(fā)展完善，測井智能處理與解釋研究成果層出不窮．劉爭平等[7]較早在國內(nèi)引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測井解釋，一定程度上證實了機(jī)器學(xué)習(xí)模型的實用性、優(yōu)越性．竇宏恩等[8]從全球視角指出，在國際油價低迷的形勢下，AI將成為石油公司智能化發(fā)展、變革和轉(zhuǎn)型的重要推力．李寧等[6]定量統(tǒng)計了測井解釋研究成果并展示了發(fā)展趨勢，同時主要從有監(jiān)督和半監(jiān)督角度，對巖相預(yù)測、測井曲線重構(gòu)和物性參數(shù)預(yù)測方面進(jìn)行了深入闡述．類似地，匡立春等[9]調(diào)研了石油勘探開發(fā)領(lǐng)域人工智能應(yīng)用現(xiàn)狀，Bergen等[10]系統(tǒng)性地分析并對比了各類機(jī)器學(xué)習(xí)技術(shù)在地球科學(xué)中的潛在應(yīng)用價值．

這些綜述主要從宏觀的角度描述了該領(lǐng)域的研究現(xiàn)狀并預(yù)測了未來的發(fā)展走勢；然而，機(jī)器學(xué)習(xí)技術(shù)日新月異、文獻(xiàn)數(shù)量增速極快，因此需要從更細(xì)致的微觀角度進(jìn)一步調(diào)研．本文首先全面回顧了人工智能發(fā)展現(xiàn)狀，隨后從測井處理與解釋的5個重要領(lǐng)域出發(fā)，即測井深度匹配、測井曲線重構(gòu)、物性參數(shù)預(yù)測、巖相類別預(yù)測、測井地層劃分，分別描述了人工智能在這5個領(lǐng)域的交叉研究現(xiàn)狀，并說明了其相較于傳統(tǒng)方法的優(yōu)勢．最后，對測井智能處理與解釋的未來發(fā)展趨勢、當(dāng)前面臨的問題與對應(yīng)的潛在技術(shù)路線進(jìn)行了展望．

1 人工智能發(fā)展現(xiàn)狀

1956年，美國達(dá)特茅斯學(xué)院舉辦了計算機(jī)模擬人類智能主題研討會，并首次提出“人工智能”這一概念．人工智能的發(fā)展主要經(jīng)歷了3個階段．第一代人工智能是基于知識與經(jīng)驗的推理模型，通常稱為“符號主義”[11]；一個典型示例如超級電腦“沃森”(Watson)[12]，于Jeopardy挑戰(zhàn)賽中以極大優(yōu)勢擊敗了人類選手．然而，符號主義AI主要依靠專家經(jīng)驗獲取知識，模型通用性差、效率低下、不確定性高，難以得到大規(guī)模應(yīng)用[13]．第二代人工智能時間跨度較大，從神經(jīng)網(wǎng)絡(luò)先驅(qū)Warren McCulloch和Walter Pitts開始，主要受到連接主義的啟發(fā)，依托于統(tǒng)計學(xué)習(xí)方法理論，以深度學(xué)習(xí)為代表，如：Google旗下DeepMind公司開發(fā)的AlphaGo[14]，首次在圍棋比賽中擊敗世界冠軍；該公司于2017年開發(fā)完全基于強化學(xué)習(xí)且搜索增強的AlphaGo Zero[15]，在各種棋類領(lǐng)域中均取得明顯優(yōu)勢．類似研究成果還包括神經(jīng)機(jī)器翻譯模型GNMT[16]、標(biāo)準(zhǔn)圖像庫ImageNet[17]、Adam優(yōu)化器[18]等．第三代人工智能結(jié)合第一代知識驅(qū)動方法和第二代數(shù)據(jù)驅(qū)動方法，同時兼顧知識、數(shù)據(jù)、算法和算力四要素，全方位反映人類智能，構(gòu)造性能更為強大、魯棒性和可解釋性更穩(wěn)健的AI[13]，未來將廣泛應(yīng)用于智慧家居產(chǎn)業(yè)、數(shù)字化家用電器等眾多領(lǐng)域[19]．

目前，人工智能及其衍生學(xué)科已形成了極為龐大的知識體系，發(fā)展勢頭旺盛，在工業(yè)領(lǐng)域得以廣泛應(yīng)用．人工智能以機(jī)器學(xué)習(xí)理論為領(lǐng)域?qū)W科和技術(shù)發(fā)展的基礎(chǔ)，在地球物理測井方向，利用機(jī)器學(xué)習(xí)相關(guān)算法處理數(shù)據(jù)集，自動分析數(shù)據(jù)集獲得一定規(guī)律，訓(xùn)練出更精確的智能模型，能夠為實際生產(chǎn)創(chuàng)造巨大的經(jīng)濟(jì)效益．機(jī)器學(xué)習(xí)主要分為無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)3種方式，三者的主要區(qū)別在于目標(biāo)數(shù)據(jù)標(biāo)簽數(shù)目．綜合近年來大量研究成果，圖1分別展示有監(jiān)督、無監(jiān)督、半監(jiān)督和強化學(xué)習(xí)4種框架下適用的方法和模型，主要包括神經(jīng)網(wǎng)絡(luò)和統(tǒng)計模型．

圖1 機(jī)器學(xué)習(xí)常見模型與方法

為搶抓人工智能發(fā)展的重大戰(zhàn)略機(jī)遇，構(gòu)筑我國人工智能的先發(fā)優(yōu)勢，加快建設(shè)創(chuàng)新型國家和世界科技強國，2017年7月，國務(wù)院發(fā)布《國務(wù)院關(guān)于印發(fā)新一代人工智能發(fā)展規(guī)劃的通知》[20]．該計劃擬分3步走，以期到2020年實現(xiàn)人工智能總體技術(shù)和應(yīng)用與世界先進(jìn)水平同步；到2025年人工智能基礎(chǔ)理論實現(xiàn)重大突破；其最終目標(biāo)是到2030年，中國人工智能理論、技術(shù)和應(yīng)用總體達(dá)到世界領(lǐng)先水平，成為世界主要人工智能創(chuàng)新中心．

在當(dāng)今信息化時代，人工智能是簡化處理海量數(shù)據(jù)的利器，從而能夠有力促進(jìn)多領(lǐng)域可持續(xù)發(fā)展，有效改善人類生活．目前而言，人工智能正逐漸成為世界范圍內(nèi)促進(jìn)經(jīng)濟(jì)發(fā)展的強大推動者[21]．在地球物理測井領(lǐng)域，人工智能相關(guān)技術(shù)的持續(xù)飛速發(fā)展，也為其在該領(lǐng)域的廣泛研究應(yīng)用打下了良好基礎(chǔ)，并逐漸出現(xiàn)取代傳統(tǒng)測井解釋方式的趨勢[22]．

2 測井資料智能處理方法現(xiàn)狀

2.1 測井曲線深度匹配

作業(yè)過程中，測井工具通常會受到井下各種擾動的影響，特別是測井工具在井壁上的粘滯、卡鉆和滑動，因此深度本身也可能存在錯誤，這便導(dǎo)致傳統(tǒng)測井曲線大多存在深度偏差[23]．如果測井資料深度不匹配，會將巖石物理分析建立在錯誤的測井資料上，從而導(dǎo)致解釋結(jié)果錯誤．測井曲線深度匹配支持多物理數(shù)據(jù)的綜合反演，提供一致性更好的通用地層模型，對于判別不同測井?dāng)?shù)據(jù)間的相關(guān)性極其重要[24]．測井曲線的深度匹配是測井預(yù)處理的首要工作．

在石油行業(yè)，對多條測井曲線深度匹配，是一個長期面臨的挑戰(zhàn)[25]．在傳統(tǒng)測井中，測井曲線深度匹配方法大多是基于兩個信號的經(jīng)典互相關(guān)和協(xié)方差測量，然后進(jìn)行手工調(diào)整，這也導(dǎo)致測井深度匹配成為勞動密集型工作，不利于高效自動化生產(chǎn)，也無法避免人工干預(yù)和人為錯誤．現(xiàn)有的很多針對測井曲線深度匹配的方法大都存在如下問題：1)對相關(guān)性依賴程度較高，在沒有人為干預(yù)的情況下難以正常執(zhí)行；2)計算成本高；3)精確率不夠[24]．已有研究方法中，互相關(guān)聯(lián)和動態(tài)時間規(guī)整(DTW)方法[26]，雖然取得了一定成效，但是時間復(fù)雜度較高，并且在許多復(fù)雜的場景中，仍然不可避免地需要測井專家的手工調(diào)整．

隨著人工智能技術(shù)的飛速發(fā)展，以機(jī)器學(xué)習(xí)為基礎(chǔ)的測井曲線深度匹配方法得到了廣泛關(guān)注．已有研究工作如：Bittar等[24]在有監(jiān)督框架下，擬合單井伽馬測井曲線以代替同井多道測井曲線深度，該方案有很好的數(shù)據(jù)增強效果；同時開發(fā)特征選擇模塊以自動選擇值得匹配的信號，對信號進(jìn)行疊加和濾波，并設(shè)定指標(biāo)系統(tǒng)控制質(zhì)量，減少人工干預(yù)；在用戶使用過程中，該模型能夠不斷地自我進(jìn)化和完善，泛化能力較強．基于深度學(xué)習(xí)框架的測井曲線深度匹配模型具有較好的研究前景，Zimmermann等[23]訓(xùn)練一個全連接神經(jīng)網(wǎng)絡(luò)，用伽馬測井同步實現(xiàn)多測井曲線的深度匹配，該模型巧妙操作數(shù)據(jù)，避免了人為干預(yù)，同時采用松弛精度準(zhǔn)則以提升訓(xùn)練的性能和魯棒性．類似工作還有Hong等[27]基于測井曲線本身在相鄰深度點特征相似的假設(shè)提出的無監(jiān)督深度神經(jīng)網(wǎng)絡(luò)，具有簡潔易行、泛化性能好的特點．通過這些研究能夠看出，機(jī)器學(xué)習(xí)模型具有較強的特征提取和模型擬合能力，能夠有效避免傳統(tǒng)方法存在的人工干預(yù)強、時間成本高等問題，具有較強的應(yīng)用前景．對于深度偏差較大且地層較薄的情況，深度匹配的多解性還需深入研究．

代表性實例：Bittar等[24]建立“強化學(xué)習(xí)+深度匹配”框架，提出一種基于DQN(深度Q網(wǎng)絡(luò))的測井深度匹配方法．具體流程如下：使用一維CNN在輸入測井曲線中提取特征，根據(jù)agent的移動狀態(tài)對比空間狀態(tài)給予獎勵，使之能夠找到最佳匹配點．DQN由多個一維卷積層和可學(xué)習(xí)濾波器組成，處理輸入測井?dāng)?shù)據(jù)提取特征，從而在含噪聲信號中找到匹配點．網(wǎng)絡(luò)結(jié)構(gòu)為雙通道滑動窗口，第一通道為agent基于數(shù)據(jù)集的當(dāng)前位置深度，即滑動參考井窗口；第二通道為試圖匹配的目標(biāo)深度，即靜態(tài)目標(biāo)井窗口．按不同方向不同距離滑動第一通道，直至找到匹配值，求得滑動參考井窗口的長度；網(wǎng)絡(luò)的輸出節(jié)點對應(yīng)agent移動方式種類．最終成功找到相應(yīng)匹配深度，同時有效避免了錯誤信息的干擾．該模型的網(wǎng)絡(luò)結(jié)構(gòu)框架如圖2所示．

圖2 DQN結(jié)構(gòu)框架

2.2 測井曲線重構(gòu)

在實際應(yīng)用中，獲取足夠的測井?dāng)?shù)據(jù)具有極高的成本；此外，由于各種不可避免的原因，如井眼擴(kuò)大、儀器故障、鉆井測井過程中的操作問題，或出于經(jīng)濟(jì)考慮而未能實現(xiàn)完整測井[28]，常常會導(dǎo)致在某些深度區(qū)間或整條測井曲線上，測井信息缺失或不完整，甚至可能會出現(xiàn)測井曲線丟失的情況[29]．儲層表征包括整合不同類型的數(shù)據(jù)，以了解地下巖性，為了將多種測井類型整合到儲層研究中，估算缺失測井曲線是必不可少的環(huán)節(jié)．測井記錄的缺失始終是油藏研究的一個主要問題，因此測井曲線重構(gòu)具有極高的科研和工業(yè)價值．

針對測井曲線缺失問題，一種常見方法是重新測井，但這種方法通常成本極高，且對于某些已經(jīng)過固井的油氣井無法執(zhí)行[29]．傳統(tǒng)的測井曲線重構(gòu)方法使用經(jīng)驗統(tǒng)計模型，或自動建立不同巖石性質(zhì)之間的關(guān)系，并利用相關(guān)性估計缺失的測井?dāng)?shù)據(jù)．經(jīng)驗統(tǒng)計模型通常建立在對大量數(shù)據(jù)進(jìn)行統(tǒng)計分析的基礎(chǔ)上，闡明各參數(shù)間簡單的非線性關(guān)系，但需要大量的測井?dāng)?shù)據(jù)，并需要依托于專家經(jīng)驗，耗時耗力[30]；巖石物理理論模型根據(jù)巖石的結(jié)構(gòu)和礦物學(xué)理論，建立更復(fù)雜的數(shù)學(xué)模型來表征參數(shù)之間的關(guān)系，這種方法預(yù)測精度較高，但算法復(fù)雜，參數(shù)多，且計算效率低下[31]．此方法的代表性工作如：Luo等[32]修正了原有P-L模型，簡化了巖石干模量與巖石基質(zhì)模量之間的關(guān)系，實際應(yīng)用表明了新模型的穩(wěn)定性和準(zhǔn)確性，但還是未能完全避免上述問題．還有部分研究采用缺失數(shù)據(jù)的隨機(jī)重建方法，以填充測井曲線的空白[33]，如：Hurley等[34]通過多點統(tǒng)計填充成像測井的空白，最終可以生成完整的井眼圖像；Kozubowski等[35]根據(jù)統(tǒng)計正態(tài)混合模型，估計鉆孔剖面的巖石裂縫分布，但此類方法隨機(jī)性很強，均難以保證結(jié)果的穩(wěn)定性．

近年來，在數(shù)據(jù)驅(qū)動方法和計算機(jī)技術(shù)飛速發(fā)展的背景下，機(jī)器學(xué)習(xí)(ML)模型已然發(fā)展成為測井曲線重構(gòu)的一類新型有效的方法，并且性能顯著優(yōu)于傳統(tǒng)方法[28]．主要研究工作包括：金永吉等[36]使用遺傳算法優(yōu)化傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的權(quán)值、拓?fù)浣Y(jié)構(gòu)和閾值等，在此基礎(chǔ)上提出基于遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化方法的測井曲線重構(gòu)技術(shù)，該方法能夠克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法易陷入局部最小值的缺點；何苗等[37]將測井曲線異常的井段劃分為Ⅰ型、Ⅱ型和Ⅲ型，提出一種改進(jìn)的MRGC聚類分析方法(MMRGC)進(jìn)行相關(guān)性分析，選擇伽馬等3條測井曲線為輸入，能夠高效準(zhǔn)確地實現(xiàn)對異常井段、異常曲線的重構(gòu)；周欣等[30]提出了基于雙向門控循環(huán)單元(BGRU)神經(jīng)網(wǎng)絡(luò)的聲波測井曲線重構(gòu)技術(shù)．實驗證明，該方法魯棒性和準(zhǔn)確性更強，聲波時差測井曲線重構(gòu)效果更加精確．Feng等[33]在其他完整測井特征的基礎(chǔ)上，利用隨機(jī)森林算法對缺失的測井曲線值進(jìn)行預(yù)測，并在Volve油田測井?dāng)?shù)據(jù)集上進(jìn)行了驗證．Chen等[28]證明長-短期記憶網(wǎng)絡(luò)(LSTM)能考慮到測井?dāng)?shù)據(jù)空間的依賴性，并以地質(zhì)力學(xué)參數(shù)反映的物理機(jī)制為先驗知識，提出物理約束的LSTM方法，該方法可憑借較低的成本，準(zhǔn)確地生成地質(zhì)力學(xué)測井資料，且預(yù)測精度更高．

在現(xiàn)有機(jī)器學(xué)習(xí)方法的基礎(chǔ)上，進(jìn)一步改進(jìn)和優(yōu)化模型，往往能夠有效提升識別性能．如：張海濤等[38]提出了一種基于DBi-LSTM神經(jīng)網(wǎng)絡(luò)的測井?dāng)?shù)據(jù)重構(gòu)方法，可在不額外增加測量成本的條件下，充分考慮缺失數(shù)據(jù)點的前趨和后繼之間的雙向關(guān)聯(lián)性，并通過增加雙向長短時記憶神經(jīng)網(wǎng)絡(luò)深度以增強模型表達(dá)能力，實驗表明該改進(jìn)方法具有更好的數(shù)據(jù)重構(gòu)精確度；Chen等[39]將集成神經(jīng)網(wǎng)絡(luò)和級聯(lián)LSTM網(wǎng)絡(luò)優(yōu)勢互補，構(gòu)建集成長短時記憶(EnLSTM)網(wǎng)絡(luò)，與常用模型進(jìn)行比較，大幅降低了MSE指標(biāo)并提升預(yù)測速度；Pham等[29]開發(fā)了一種基于全連接神經(jīng)網(wǎng)絡(luò)級聯(lián)的雙向卷積長短時記憶(雙向ConvLSTM)網(wǎng)絡(luò)，以挪威大陸架Volve油田、英國大陸架成熟地區(qū)(UKCS)、加拿大海上Scotian大陸架Penobscot油田，及懷俄明州Teapot Dome數(shù)據(jù)集的一系列測井?dāng)?shù)據(jù)作為測試對象，可以對伽瑪、中子孔隙度、密度等聲波測井曲線進(jìn)行準(zhǔn)確預(yù)測．針對大多數(shù)鉆井缺乏Vs數(shù)據(jù)的問題，Wang等結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)和LSTM網(wǎng)絡(luò)，提出一種自適應(yīng)的集成卷積雙向記憶網(wǎng)絡(luò)(ECBMN)[40]；還結(jié)合CNN和GRU網(wǎng)絡(luò)，開發(fā)出基于深度卷積GRU(DCGRU)方法[31]，在實際油藏的數(shù)據(jù)集上進(jìn)行測試，這兩種方法相比于單一算法，能夠提供更可靠和準(zhǔn)確的Vs預(yù)測值．針對測井資料缺失的問題，Wu等[41]將CNN和LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合，提取了測井?dāng)?shù)據(jù)的時空特征信息，并采用粒子群算法(PSO)確定最優(yōu)CNN-LSTM體系結(jié)構(gòu)的超參數(shù)，最終實現(xiàn)了對多井可靠、高效的測井曲線預(yù)測，對復(fù)雜性強的油藏也能顯著減少優(yōu)化時間．對比傳統(tǒng)方法，深度神經(jīng)網(wǎng)絡(luò)能夠有效提取曲線的形態(tài)信息，循環(huán)神經(jīng)網(wǎng)絡(luò)的引入也能有效利用沉積韻律，因此達(dá)到更好的重構(gòu)效果．然而目前的重構(gòu)更多是對形態(tài)的重構(gòu)，在缺失目標(biāo)井缺失曲線取值范圍時，其絕對誤差難以保證．通過巖心檢測的手段可以獲取目標(biāo)井極少量缺失測井信息，因此需要進(jìn)一步研究跨域半監(jiān)督學(xué)習(xí)問題．

代表性實例：Shan等[42]通過將雙向長短時記憶(BiLSTM)網(wǎng)絡(luò)、注意力機(jī)制和CNN融合，構(gòu)建出缺失測井曲線預(yù)測混合神經(jīng)網(wǎng)絡(luò)CNN-BiLSTM-AT．該網(wǎng)絡(luò)具有以下雙分支的結(jié)構(gòu)：一個分支利用CNN獲取測井曲線的空間屬性，另一個分支利用帶有注意機(jī)制的雙層BiLSTM進(jìn)行特征選擇；然后合并兩個分支的時空相關(guān)性以預(yù)測目標(biāo)測井曲線．實驗中訓(xùn)練了自然電位測井曲線(SP)、聲波測井曲線(AC)、伽馬測井曲線(GR)等6個模型．測試結(jié)果表明，該方法考慮了測井曲線的時空信息，具有較高的預(yù)測精度并可適用于任何區(qū)域．

3 測井資料智能解釋方法現(xiàn)狀

3.1 測井物性參數(shù)預(yù)測

確定油氣儲層的性質(zhì)在勘探工業(yè)中極為重要，其中孔隙度和滲透率是儲層的關(guān)鍵物性參數(shù)；儲層非均質(zhì)性是指孔隙度、滲透率、流體(油、氣、水)飽和度等巖石性質(zhì)在空間上的非線性、非均勻分布．這一性質(zhì)是由復(fù)雜的地質(zhì)條件和沉積環(huán)境所導(dǎo)致，與測井響應(yīng)特征之間也存在明顯的非線性關(guān)系，采用線性測井響應(yīng)方程和經(jīng)驗統(tǒng)計公式不能有效表征儲層，難以有效地描述地質(zhì)條件、沉積環(huán)境和儲層巖石性質(zhì)之間的非線性關(guān)系，存在較高的不確定性，從而無法滿足實際生產(chǎn)需要；而簡單的線性方程、經(jīng)驗公式只能應(yīng)用于某些特定的油藏，并且推導(dǎo)難度大、耗時長，同樣難以達(dá)到要求[43]．

傳統(tǒng)的物性參數(shù)預(yù)測方法主要包括巖心實驗和測井資料解釋兩種途徑．如：Huang等[44]基于委內(nèi)瑞拉稠油帶和加拿大油砂帶儲層厚大、膠結(jié)疏松、中細(xì)砂巖、高孔高滲等特征，建立了相應(yīng)的儲層評價指標(biāo)，包括孔隙度、滲透率、泥質(zhì)含量、飽和度、隔夾層、連續(xù)油層厚度和寬度等；然后利用地球物理測井傳統(tǒng)解釋技術(shù)對儲量進(jìn)行了評價和分類．此類方法雖然對儲層評價有一定效果，但是太過于繁瑣，過度依賴專家經(jīng)驗，時間成本、人力成本過高，不利于推廣使用．類似工作還包括：Cedola等[45]開發(fā)了一個經(jīng)驗?zāi)Ｐ?，綜合UCS-伽馬對比，更好地反映頁巖孔隙度之間的對比關(guān)系，更準(zhǔn)確地預(yù)測混合巖性和頁巖儲層段的孔隙度變化．然而，巖石的非均質(zhì)空間分布導(dǎo)致巖石的性質(zhì)很難預(yù)測，傳統(tǒng)的分析技術(shù)，如多元回歸分析等方法，在這方面的適用性也受到限制．

近年來，在數(shù)據(jù)驅(qū)動方法快速發(fā)展的背景下，基于機(jī)器學(xué)習(xí)理論的回歸模型，儼然發(fā)展成為預(yù)測巖石滲透率等物性參數(shù)的新型方案．單一模型的使用或模型的細(xì)化、具體應(yīng)用，有逐漸取代傳統(tǒng)方法的趨勢[46]．已有研究采用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)等機(jī)器學(xué)習(xí)方法．Otchere等[47]總結(jié)了現(xiàn)有工作得出結(jié)論，在數(shù)據(jù)有限時SVM比ANN更有效，并對比了這兩種機(jī)器學(xué)習(xí)算法的實際應(yīng)用效果．Al-abduljabbar等[48]基于來自A、B井的現(xiàn)場數(shù)據(jù)，使用ANN前饋技術(shù)從鉆井參數(shù)預(yù)測孔隙度，以A、B井測井?dāng)?shù)據(jù)集分別作為訓(xùn)練集和測試集，結(jié)果證明該方法能夠有效且高精度地預(yù)測孔隙度，并具有較低的均方根誤差．在模型細(xì)化及改進(jìn)方面，Sun等[43]選取延安氣田延969井區(qū)的隨鉆測井?dāng)?shù)據(jù)進(jìn)行訓(xùn)練，并比較各種模型對隨鉆孔隙度和滲透率的預(yù)測結(jié)果．Bagheripour等[49]提出混合遺傳算法-模式搜索(GA-PS)技術(shù)，以建立巖心孔隙度與巖石物理測井之間的模糊規(guī)則，可以提取模糊聚類的最優(yōu)參數(shù)，轉(zhuǎn)化為最優(yōu)模糊公式．Wood[50]提出一種新的多測井曲線數(shù)據(jù)匹配算法，在標(biāo)準(zhǔn)測井曲線和巖相、地層信息的數(shù)據(jù)集上開展研究，目標(biāo)在于預(yù)測Ke、Sw和EP 3種物性參數(shù)．成果應(yīng)用于解釋阿爾及利亞Hassi R'mel氣田100米剖面三疊系儲層，有效證明了該方法在物性參數(shù)預(yù)測方面的可行性．

為了解決單一物性參數(shù)預(yù)測模型的多解性問題，閆星宇等[51]將XGBoost算法應(yīng)用于致密砂巖氣儲層，基于某工區(qū)測井解釋資料，通過XGBoost算法建立回歸預(yù)測模型，最終準(zhǔn)確預(yù)測了該區(qū)孔隙度與滲透率等物性參數(shù)，并能夠有效識別該工區(qū)致密砂巖氣層．Zhong等[52]提出了混合核函數(shù)支持向量機(jī)(MKF-SVM)模型，構(gòu)建了常規(guī)測井?dāng)?shù)據(jù)與稀疏巖心數(shù)據(jù)之間的關(guān)系模型以預(yù)測儲層孔隙度，并使用粒子群優(yōu)化(PSO)算法對模型進(jìn)行優(yōu)化，有效提高了MKF-SVM模型中5個控制參數(shù)合適值的定位效率，綜合得到PSO-MKF-SVM模型．另外，Ahmadi等[53]綜合使用多種機(jī)器學(xué)習(xí)算法建立了混合模型，其中包括ANN、模糊決策樹、遺傳算法、帝國主義競爭算法(ICA)、PSO算法混合模型分別與單一模型綜合比較．結(jié)果表明，在物性參數(shù)估算中混合應(yīng)用機(jī)器學(xué)習(xí)方法，建立的靜態(tài)油藏模型更加可靠和有效．

隨著深度學(xué)習(xí)理論發(fā)展，深度模型的預(yù)測精度和識別能力不斷提高，深度學(xué)習(xí)策略不斷被應(yīng)用到實際問題中，并已經(jīng)取得了突破性進(jìn)展[54]．為了預(yù)測儲層孔隙度，王俊等[55]提出深度雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(DBRNN)模型，即疊加多個雙向RNN，有效解決孔隙度預(yù)測的空間尺度問題，兼顧時間尺度效應(yīng)．相比于BRNN、DNN等模型，其準(zhǔn)確性和有效性突出．Pinheiro等[56]提出基于角競爭神經(jīng)網(wǎng)絡(luò)的密度-中子測井方法，通過合成數(shù)據(jù)方法識別儲集巖中所有可識別的黏土礦物，并在巴西Campos盆地Namorado油田進(jìn)行評價．安鵬等[46]證明了長短期記憶(LSTM)循環(huán)神經(jīng)網(wǎng)絡(luò)在儲層參數(shù)預(yù)測方面的準(zhǔn)確性和穩(wěn)定性；此后Chen等[54]開發(fā)了多層LSTM模型(MLSTM)預(yù)測孔隙度，在中國南方某區(qū)塊的測試表明，MLSTM在深度序列預(yù)測方面具有更好的魯棒性和準(zhǔn)確性，可實現(xiàn)高效、低成本的孔隙度預(yù)測．Konate等[57]比較了廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)和前饋-反向傳播神經(jīng)網(wǎng)絡(luò)(FFBP)在鎮(zhèn)靖油田孔隙度建模中的應(yīng)用效果．門控循環(huán)單元(GRU)神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)模型也取得了良好的效果[58]．

測井物性參數(shù)預(yù)測和測井曲線重構(gòu)本質(zhì)上都屬于回歸問題，因此這兩部分的研究具有一定的重合度，也證明了深度學(xué)習(xí)方法的有效性．區(qū)別在于：測井曲線重構(gòu)的訓(xùn)練集標(biāo)簽可以是完整的曲線，因此標(biāo)簽比較充分，連續(xù)性較好；物性參數(shù)需要通過對巖心的測試得出，因此成本較高，數(shù)量少且往往不是連續(xù)的．另外，考慮到成本問題，往往只對目的層甚至是目標(biāo)儲層進(jìn)行取樣實驗，因此訓(xùn)練集的有標(biāo)簽樣本的相對于無標(biāo)簽樣本不滿足獨立同分布假設(shè)，因此標(biāo)簽稀疏、標(biāo)簽分布不均是測井物性參數(shù)預(yù)測后期需要研究的問題．

代表性實例：Zhang等[59]提出了基于GRU神經(jīng)網(wǎng)絡(luò)的多測井參數(shù)組合預(yù)測方法．首先，采用基于Copula函數(shù)的相關(guān)測量方法，選取與孔隙度最相關(guān)的測井參數(shù)；隨后利用GRU神經(jīng)網(wǎng)絡(luò)，識別測井?dāng)?shù)據(jù)與孔隙度參數(shù)之間的非線性映射關(guān)系．在鄂爾多斯盆地某勘探區(qū)應(yīng)用結(jié)果證明，該方法優(yōu)于多元回歸分析和遞歸神經(jīng)網(wǎng)絡(luò)方法，表明GRU神經(jīng)網(wǎng)絡(luò)在預(yù)測孔隙度等一系列儲層參數(shù)方面更為有效，不僅可以同時充分利用不同測井參數(shù)對不同地層的響應(yīng)特性，而且能夠擺脫傳統(tǒng)經(jīng)驗公式線性預(yù)測的局限性．3層GRU神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖3所示．

圖3 3層GRU網(wǎng)絡(luò)結(jié)構(gòu)圖

3.2 測井巖相類別預(yù)測

圖儲層巖相資料是地層對比、沉積模擬、有利區(qū)預(yù)測等地質(zhì)工作中不可缺少的資料．隨著油氣資源開發(fā)難度的提升，對復(fù)雜巖相預(yù)測技術(shù)提出了更高的要求．依托于專家經(jīng)驗或人工干預(yù)的傳統(tǒng)測井解釋方案，難以適用于復(fù)雜化的儲層地質(zhì)條件和多樣化的測井資料；并且在實際測井中，獲得實際的巖相類型，成本通常非常高昂，相關(guān)工程極為繁瑣[60]．因此，實現(xiàn)巖相預(yù)測解釋技術(shù)的突破與升級，成為測井勘探研究與應(yīng)用的重難點．測井巖相識別是油藏描述、地層評價、儲層建模和實時鉆井的基礎(chǔ)工作，也是油氣勘探早期的一項重要工作，能夠?qū)訋r石物理特征進(jìn)行直觀表述，在油氣勘探領(lǐng)域意義非凡[61]．井眼巖相解釋是指在已被解釋的測井?dāng)?shù)據(jù)上建立分類器，建立一個從測井曲線到巖相的目標(biāo)映射函數(shù)，預(yù)測未解釋測井?dāng)?shù)據(jù)所對應(yīng)的巖相類別．

傳統(tǒng)巖相預(yù)測主要采用重力場、測井、地震、遙感、電磁，以及各類地球物理和地球化學(xué)方法[62]．已有研究側(cè)重于從現(xiàn)有知識領(lǐng)域中建立巖性識別的統(tǒng)計模型，但通常需要大量的人工操作，較為繁瑣；且不同地區(qū)測井?dāng)?shù)據(jù)分布差異大，因此提出的模型在不同地區(qū)的井上往往不具有通用性和普遍性．對復(fù)雜巖性剖面或新型油氣藏儲層應(yīng)用已經(jīng)成熟的解釋方法，是傳統(tǒng)測井巖相預(yù)測的主流思路[1]，其中代表性工作如ECS(地層元素)測井方法．已有研究如趙軍等[63]在ECS測井基礎(chǔ)上提出一種快速評價模型，即利用巖石薄片資料校正ECS測井所選礦物組合，并利用礦物和指示元素相關(guān)關(guān)系構(gòu)建方解石和石膏的評價模型，其解釋結(jié)果與錄井、巖心分析結(jié)果吻合度更高，過程相對簡便易行．此外，王澤華等[64]提出“常規(guī)測井+成像測井+ECS測井+巖心標(biāo)定”的火成巖巖性預(yù)測基本架構(gòu)，綜合以上方案，極大提高了復(fù)雜火成巖巖性預(yù)測的準(zhǔn)確率．但上述方法不可避免地受到人為干預(yù)，且對測井、錄井資料要求較高．

目前，機(jī)器學(xué)習(xí)逐漸成為解決空間預(yù)測、地震處理、地層對比、測井解釋等多種地球物理問題的有力工具，結(jié)合機(jī)器學(xué)習(xí)模型進(jìn)行巖性識別，逐漸呈現(xiàn)出替代部分傳統(tǒng)地質(zhì)統(tǒng)計學(xué)和傳統(tǒng)地球物理方法的新趨勢．與傳統(tǒng)巖性識別方法相比，結(jié)合機(jī)器學(xué)習(xí)模型進(jìn)行巖性識別不僅減少了領(lǐng)域?qū)＜业臄?shù)據(jù)分析工作，而且大幅提高了巖性識別效率，因此實際應(yīng)用價值極高[65]．其中，朱怡翔等[66]基于強非線性環(huán)境下的SVM測井?dāng)?shù)據(jù)，得到高精度的火山巖巖性識別結(jié)果．蔡磊等[67]經(jīng)相關(guān)研究發(fā)現(xiàn)，ELM算法能極大簡化參數(shù)選擇，從而明顯縮短訓(xùn)練時間，在巖相預(yù)測方面的整體性能要優(yōu)于SVM；此后，徐鵬宇等[68]使用ELM模型，實現(xiàn)了對川中北部GM區(qū)塊燈影組燈二段儲層巖性的精細(xì)分類評價及其物性參數(shù)解釋，為測井綜合評價提供了科學(xué)有力的支持．Choi等[69]使用測井?dāng)?shù)據(jù)中多種彈性性質(zhì)進(jìn)行非線性轉(zhuǎn)換，基于巖相多元概率密度函數(shù)(PDF)貝葉斯推理法預(yù)測震區(qū)巖相概率體積．另外，Han等[70]基于XGBoost算法，在遼河盆地火成巖巖相上進(jìn)行巖性識別，從而得到了巖性識別的精確實用型方案．

進(jìn)一步優(yōu)化和改進(jìn)模型，或者多模型混合應(yīng)用，通?？梢杂行嵘龓r相預(yù)測性能．陳科貴等[71]建立基于主成分分析(PCA)的ELM模型，分析測井?dāng)?shù)據(jù)得到主成分并輸入ELM模型進(jìn)行測試．相較于常規(guī)的測井解釋方法，PCA-ELM模型實現(xiàn)了巖性識別的自動化與高效化．吳施楷等[72]提出了基于連續(xù)限制玻爾茲曼機(jī)的支持向量機(jī)(CRBM-SVM)模型，其引入連續(xù)限制玻爾茲曼機(jī)(CRBM)提取測井?dāng)?shù)據(jù)巖性特征，并基于SVM對優(yōu)化后特征進(jìn)行巖相預(yù)測，有效解決了物性相似巖相測井響應(yīng)差別小的問題．Liu等[73]提出了一種基于多核關(guān)聯(lián)向量機(jī)(MKRVM)的相識別方法，通過多核學(xué)習(xí)(MKL)方法將原始數(shù)據(jù)映射到組合空間，在新空間中更準(zhǔn)確地表達(dá)特征，有效提高了分類精度．Zou等[74]提出了基于梯度增強決策樹(GBDT)的巖相預(yù)測方法，利用網(wǎng)格搜索和交叉驗證建立GBDT分類器以選擇最優(yōu)特征和超參數(shù)．針對致密砂巖儲層巖性識別，谷宇峰等[75]提出了混合模型CRBM-PSO-XGBoost，該模型可在最短的耗時內(nèi)得到最佳預(yù)測結(jié)果．針對測井?dāng)?shù)據(jù)模糊性和不確定性，Ren等[61]綜合決策樹、模糊理論K-means++算法，提出了一種新型的混合巖性識別模型，較好地改善了此缺陷．類似工作可見參考文獻(xiàn)[76]、[77]等．

深度學(xué)習(xí)模型能夠從海量數(shù)據(jù)中高效自動地提取特征，并通過逐層特征變化解決復(fù)雜的分類或預(yù)測問題，從而有效解決多維非線性問題和大數(shù)據(jù)問題[46]．武中原等[78]基于長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)構(gòu)建了能夠提取和學(xué)習(xí)巖性沉積序列特征的巖性識別手段，提升了巖性識別效果，為復(fù)雜碳酸鹽巖儲層的表征和評價提供了數(shù)據(jù)基礎(chǔ)．Zhu等[79]提出了一種基于小波分解的方法，為每個測井點構(gòu)造多層圖像，并輸入CNN中，從而將測井巖性解釋問題轉(zhuǎn)化為有監(jiān)督圖像的識別任務(wù)，該方法在大慶油田的實際應(yīng)用中取得了良好的效果．Gu等[80]綜合了3種模型的優(yōu)點，取長補短，提出了基于連續(xù)受限玻爾茲曼機(jī)和粒子群優(yōu)化改進(jìn)概率神經(jīng)網(wǎng)絡(luò)，即CRBM-PSO-PNN，實驗證明該方法對復(fù)雜巖性的預(yù)測是有效的．其他工作還采用了概率神經(jīng)網(wǎng)絡(luò)(PNN)[81]、深度卷積神經(jīng)網(wǎng)絡(luò)[82]、全卷積網(wǎng)絡(luò)(FCNN)[83]等一系列常見深度學(xué)習(xí)模型．

有監(jiān)督學(xué)習(xí)一般需要大量標(biāo)記測井?dāng)?shù)據(jù)作為支撐，然而大多數(shù)地球物理問題存在數(shù)據(jù)集不均衡、標(biāo)簽稀缺，使用半監(jiān)督或無監(jiān)督學(xué)習(xí)算法訓(xùn)練分類模型，可以大幅提高各類別預(yù)測的準(zhǔn)確率，從而構(gòu)建更精確的巖相預(yù)測模型[84]．例如，Chang等[85]在新井無巖性標(biāo)記的前提下，將無監(jiān)督域自適應(yīng)方法引入巖性識別，開發(fā)了雙流多層神經(jīng)網(wǎng)絡(luò)，并根據(jù)最大均值差異優(yōu)化方法訓(xùn)練網(wǎng)絡(luò)．該方法應(yīng)用于渤海灣盆地濟(jì)陽坳陷，有效緩解了該區(qū)測井?dāng)?shù)據(jù)分布差異所導(dǎo)致的性能下降問題．Li等[86]提出了一種基于深度平滑特征的半監(jiān)督加權(quán)極限學(xué)習(xí)機(jī)(FD-S2WELM)的半監(jiān)督學(xué)習(xí)方法，以解決標(biāo)簽稀缺的巖性識別問題，體現(xiàn)了該方法卓越的安全性和準(zhǔn)確性．Liu等[87]提出了一種名為數(shù)據(jù)漂移聯(lián)合適應(yīng)極限學(xué)習(xí)機(jī)(DDJA-ELM)的遷移學(xué)習(xí)方法，將項目均值最大均值差異、聯(lián)合分布域自適應(yīng)和流形正則化引入極限學(xué)習(xí)機(jī)(ELM)，大幅提高了源域模型應(yīng)用于目標(biāo)域巖性識別的精度．另外，Xu等[88]綜合對比5種主動學(xué)習(xí)算法，采集勝利油田和杭景吉氣田的測井?dāng)?shù)據(jù)，不斷調(diào)整超參數(shù)評估實驗結(jié)果，指出不確定性方法和不確定性熵是測井巖相識別主動學(xué)習(xí)的最優(yōu)選擇，能夠在保證分類精度的同時顯著降低標(biāo)注成本．

測井巖相類別預(yù)測已經(jīng)得到了較為充分的研究，但是仍然存在以下問題：

1)與物性參數(shù)預(yù)測類似，巖相信息需要通過對巖心的觀察得出，因此標(biāo)簽是稀缺的；巖屑錄井雖然丟失了巖石本身的結(jié)構(gòu)信息，但是仍然能夠從中獲取類別且縱向分辨率上較粗的巖相信息；另外，測井學(xué)家也能通過其經(jīng)驗對測井曲線直接解釋，獲取一定連續(xù)性好的標(biāo)簽．可見：這3種標(biāo)簽各具特點，能夠有效豐富訓(xùn)練集中的有標(biāo)簽樣本數(shù)量，增加模型訓(xùn)練的準(zhǔn)確度．

2)由于測井設(shè)備、鉆井液等非地層因素的影響，不同井的測井曲線形態(tài)、分布上存在較大差異，即使在同一口井不同地層上也能發(fā)現(xiàn)這種差異，然而現(xiàn)有工作很少考慮這種非獨立同分布假設(shè)引發(fā)的模型泛化能力下降的問題，這將是今后的研究重點．

在測井智能處理與解釋方法中，測井巖相識別研究最多，下面舉幾個代表性例子．為解決地下巖相分布的強空間異質(zhì)性，Chang等[89]提出一種新的地球物理測井分割網(wǎng)絡(luò)SegLog．該工作設(shè)計了一個像素增強的卷積子網(wǎng)絡(luò)以學(xué)習(xí)像素級測井值所表示的微觀細(xì)節(jié)特征，將其與骨干U-Net提取的宏觀語義特征融合，構(gòu)成兼顧描述測井空間相關(guān)性和像素特異性的表征在濟(jì)陽坳陷實際數(shù)據(jù)集上的大量實驗，驗證了該模型的優(yōu)越性．

針對模型通用性差的問題，Xie等[76]基于具有離群數(shù)據(jù)集的多類巖性分類模型，提出一種結(jié)合異常值檢測、極隨機(jī)樹于一體的智能測井巖性識別框架．采用無監(jiān)督學(xué)習(xí)方法來檢測數(shù)據(jù)集中的異常值，然后采用極隨機(jī)樹分類器進(jìn)行粗到細(xì)的推斷．該模型在DGF和HGF區(qū)域的巖相預(yù)測準(zhǔn)確率分別高達(dá)89.4%和91.1%，顯著優(yōu)于其他幾種分類器，因此具有較高的精度識別砂巖類的能力．該模型基本原理及流程如圖4所示．

圖4 基于極隨機(jī)樹的智能測井巖性識別框架

3.3 測井地層劃分

層序地層學(xué)是地質(zhì)學(xué)的一個分支；測井層序定義為由不整合面或其相關(guān)的相關(guān)整合面包圍的一般相關(guān)沉積地層序列，測井地層劃分的目的是根據(jù)層序界面將沉積巖劃分為不同體系域[90]．由于在測井響應(yīng)中存在較多噪聲，難以清晰識別地層交界面，因此地層邊界信息的準(zhǔn)確性在油氣勘探領(lǐng)域具有重要意義．利用測井曲線劃分地層是測井分析的首要步驟，也是儲層表征和儲層建模的重要步驟，是油氣勘探中解釋地質(zhì)或地球物理資料的一項必不可少的常規(guī)工作[91]．

傳統(tǒng)測井地層劃分，大多結(jié)合了特征分析方法或數(shù)理統(tǒng)計方法．特征分析法多采用小波變換、傅里葉變換等提取測井曲線特征[92]；傅里葉變換不能在時域和頻域優(yōu)化結(jié)果，因此不能很好地處理測井曲線的突變點，而小波變換可以有效處理非平穩(wěn)信號[93]．例如：在渤海海域墾東凸起東部斜坡帶的淺水三角洲地區(qū)，楊建民等[94]針對該區(qū)復(fù)雜的儲層特性，根據(jù)測井和地震資料提取頻譜特征，識別地層旋回性以劃分層序界面，并基于連續(xù)小波變換進(jìn)行層序識別，建立高分辨的等時地層格架，最終得到較精確的地層旋回劃分結(jié)果．Ali等[95]采用連續(xù)小波變換和離散小波變換方法，將伽馬測井曲線和孔隙度測井曲線分解為一組尺度不同的小波系數(shù)，得到更小的頻率帶寬．實際應(yīng)用結(jié)果證明，小波變換是一種快捷簡便有效的方法，能夠從測井資料中有效識別主層序界面．Zhang等[95]針對東營凹陷大厚砂礫巖地層差異不明顯、層序界面不清晰、水平對比標(biāo)志不連續(xù)等一系列問題，提出DB5連續(xù)小波變換方法，對GR測井曲線進(jìn)行多尺度分析，有效劃分了砂礫巖沉積物，克服了人工劃分的局限性．此外，將小波變換方法結(jié)合其他信號處理方法，往往能夠得到更加精確的地層劃分結(jié)果．例如，薛波等[96]在小波變化的基礎(chǔ)上，首先對測井曲線進(jìn)行形態(tài)學(xué)濾波，消除影響分層的奇異樣本，有效降低了劃分出假地層的概率．Pan等[91]結(jié)合小波變換和傅里葉變換方法，對油田自然電位測井和GR測井進(jìn)行分析，獲得了清晰的地層界面識別信號，結(jié)果優(yōu)于常規(guī)方法和小波變換方法．類似研究工作還可見參考文獻(xiàn)[97]、[98]．然而，進(jìn)行小波變換必須選擇特定的小波基，因此導(dǎo)致結(jié)果差異性較大；同時，進(jìn)行地層劃分時無法綜合多條測井曲線的特點，而且劃分主要依靠極值點，從而可能導(dǎo)致劃分出假界面的情況，這就決定了進(jìn)行小波變換必須要有人工干預(yù)[96]．

數(shù)理統(tǒng)計法利用數(shù)字化測井信息的層間和層內(nèi)方法作為統(tǒng)計量，進(jìn)行定量分析，建立地質(zhì)旋回與數(shù)學(xué)最優(yōu)化結(jié)果的對應(yīng)關(guān)系，實現(xiàn)層序地層單元的劃分．Partovi等[99]采用方差分析工具和多重比較方法，評價分層過程中各參數(shù)的有效性，表明該方法自動搜索地質(zhì)邊界能力較強．Velis[100]等尋找數(shù)據(jù)中變化點來自動檢測平穩(wěn)段，用統(tǒng)計檢驗方法設(shè)置兩個相同概率分布的顯著性標(biāo)記，通過保持產(chǎn)生低概率的變化點來決定數(shù)據(jù)分段數(shù)量，從而可以為識別巖性單元和層序提供輔助．類似研究可見朱常坤等的科研成果[101]．

在上述測井地層劃分傳統(tǒng)方法的基礎(chǔ)上，引入機(jī)器學(xué)習(xí)技術(shù)，即成為測井地層智能劃分方法．現(xiàn)有的測井地層智能劃分方面的研究有：Yang等[102]采用了協(xié)同小波變換和改進(jìn)K均值聚類方法，對中國大陸科學(xué)鉆探主孔變質(zhì)巖進(jìn)行分類，提高了CCSD-MH變質(zhì)巖分類的準(zhǔn)確率，減少了計算時間并成功分類整個中國大陸科學(xué)鉆探主孔的變質(zhì)巖，有效實現(xiàn)了巖性界面識別．Karimi等[103]將主成分分析(PCA)方法應(yīng)用于碳酸鹽巖儲層多條測井曲線的自動井間對比，減少了對單井測井?dāng)?shù)據(jù)統(tǒng)計屬性的依賴，顯著提高了不同井的巖性界面識別能力．Elkatatny等[104]開發(fā)出魯棒性極強的人工神經(jīng)網(wǎng)絡(luò)(ANN)，確定了地層頂部界面．另外，Zhou等[105]提出一種用于地質(zhì)統(tǒng)計序列模擬的機(jī)器學(xué)習(xí)方法，在遞歸神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，依次建立了地層類型和地層厚度的序列模型，并引入專家驅(qū)動學(xué)習(xí)，從而在一定程度上提高了模型的預(yù)測能力．類似研究工作可參考文獻(xiàn)[106]等．無論是人工的、還是自動的測井地層劃分，本質(zhì)上是一個無監(jiān)督學(xué)習(xí)問題，更準(zhǔn)確地說是聚類問題，這類問題很難通過指標(biāo)對其劃分結(jié)果進(jìn)行評估，往往是通過其劃分結(jié)果在地質(zhì)學(xué)上的一致性進(jìn)行人工評價．因此這類研究較為特殊，研究程度相對不足．后續(xù)有兩點值得深入：1)找到更為一般的評價方式，反之指導(dǎo)地質(zhì)學(xué)家建立新的地質(zhì)認(rèn)識；2)為其它測井解釋服務(wù)，通過地層劃分預(yù)先減小數(shù)據(jù)的分布差異，進(jìn)而降低跨域?qū)W習(xí)的難度．

代表性實例：Zhang等[107]提出一種卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型，能夠有效地從地球物理測井?dāng)?shù)據(jù)中檢測地層界面．該方法可自動從測井?dāng)?shù)據(jù)中提取代表性特征，歸一化數(shù)據(jù)后將數(shù)據(jù)點轉(zhuǎn)換為二維段，并將其作為單頻道圖片輸入卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，利用訓(xùn)練好的模型預(yù)測地層界面．模型結(jié)構(gòu)圖如圖5所示．

圖5 基于CNN的地層檢測模型基本流程

實驗結(jié)果表明，地層界面檢測平均預(yù)測精度高達(dá)89.69%，并且地層分類的正確率和召回率均較高，預(yù)測的邊界點與真實值之間相對誤差僅為1%，可以滿足實際應(yīng)用要求．

4 總結(jié)與展望

目前，雖然已經(jīng)進(jìn)行了大量人工智能與測井處理解釋的交叉研究工作，但是從實際應(yīng)用來看，這些技術(shù)方法難以落地，主要存在標(biāo)簽稀缺、分布差異和解釋性差這3個問題．

第一，在大多數(shù)工況下，出于錄井與人工解釋成本的限制，標(biāo)簽數(shù)量相對于測井樣本數(shù)目通常較為稀缺，不同來源標(biāo)簽可靠性不一致，且有標(biāo)簽樣本數(shù)量不足以支撐較大模型的訓(xùn)練．針對此類問題，可以采用半監(jiān)督學(xué)習(xí)方法，即組合少量有標(biāo)簽數(shù)據(jù)和大量無標(biāo)簽數(shù)據(jù)，從中學(xué)習(xí)數(shù)據(jù)分布特性并構(gòu)建模型．其中，海量數(shù)據(jù)有助于模型保持?jǐn)?shù)據(jù)原有幾何結(jié)構(gòu)，少量有標(biāo)簽樣本可使模型提取具有可分性的特征，總體上有效提升模型的擬合能力，提高對未標(biāo)記樣本的預(yù)測精度．為了有效利用未標(biāo)記樣本信息，半監(jiān)督學(xué)習(xí)通?；诜植技僭O(shè)，如：平滑性假設(shè)、聚類假設(shè)、流形假設(shè)等．畢麗飛等[84]提出“聚類-人工標(biāo)注-偽標(biāo)注-分類”的半監(jiān)督學(xué)習(xí)巖性預(yù)測基本框架，實驗發(fā)現(xiàn)，該模型通過綜合挖掘有標(biāo)注和無標(biāo)注數(shù)據(jù)的分布特性，可獲得更精確的巖性預(yù)測效果，在不均衡數(shù)據(jù)集上也能大幅提高巖相預(yù)測準(zhǔn)確率．Koeshidayatullah等[108]針對數(shù)千幅碳酸鹽巖圖像，構(gòu)建用于目標(biāo)檢測的DNN模型，在訓(xùn)練集較小且分布不均衡時，也可以有效檢測識別白云石、生物碎屑、孔隙、方解石等巖石成分．測井樣本標(biāo)簽有限且無法充分精確反映地層信息時，相較于無監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)，引入半監(jiān)督學(xué)習(xí)方式能夠更充分地利用現(xiàn)有數(shù)據(jù)，有效解決測井處理與解釋中標(biāo)簽不足的問題．

第二，由于沉積環(huán)境、井眼條件和測井設(shè)備等均存在一定的差異，基于已解釋測井?dāng)?shù)據(jù)訓(xùn)練所得模型用于其他樣本的解釋任務(wù)時，往往會出現(xiàn)預(yù)測精度下降的情況，該狀況可歸類于機(jī)器學(xué)習(xí)中的數(shù)據(jù)偏差問題[109]．由于不同地區(qū)之間測井?dāng)?shù)據(jù)概率分布差異較大，因此所提出的模型往往不具有普遍性，導(dǎo)致在某一地區(qū)建立的模型無法適用于其他地區(qū)，模型自適應(yīng)性、通用性難以保障，甚至?xí)?dǎo)致同種巖相在兩口井之間或同一口井的兩層之間表現(xiàn)出不同的測井特征．一種解決方案是對所有地區(qū)都進(jìn)行實時實地測井，但是成本極高，并且測井難度大，不符合現(xiàn)實．針對此類問題，域適應(yīng)學(xué)習(xí)是一類有效的解決辦法[110]．域適應(yīng)著重強調(diào)從源域適應(yīng)到目標(biāo)域的學(xué)習(xí)過程，一般源域含帶豐富的標(biāo)簽，而目標(biāo)域標(biāo)簽稀少，通過某種方式將源域的先驗知識遷移到目標(biāo)域，就能夠?qū)崿F(xiàn)對目標(biāo)域模型的性能提升．類似成果如：Wu等[111]提出了一種穩(wěn)健單向?qū)R(RUA)的巖相分類方法，將數(shù)據(jù)映射到高維，在高維子空間中將目標(biāo)域樣本特征向源域?qū)R，從而達(dá)到域適應(yīng)的目的，在渤海灣盆地濟(jì)陽坳陷的幾個測井?dāng)?shù)據(jù)集上開展實驗，驗證了該方法在精度和穩(wěn)定性方面的優(yōu)勢．Chen等[112]提出一種基于ELM的空間學(xué)習(xí)算法—域空間轉(zhuǎn)移極限學(xué)習(xí)機(jī)(DST-ELM)，用于處理無監(jiān)督域適應(yīng)問題，在保持高效率的同時，準(zhǔn)確性方面也能優(yōu)于現(xiàn)有的幾種域適應(yīng)方法．另外，也可以引入深度強化、自適應(yīng)神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)等相關(guān)算法，使模型在構(gòu)建數(shù)據(jù)庫的過程中，逐步提高分析和自適應(yīng)能力．因此，域適應(yīng)學(xué)習(xí)作為減小測井?dāng)?shù)據(jù)分布差異的有效手段，能夠有力提升模型泛化性能，可以成為解決數(shù)據(jù)漂移問題的有效途徑．

第三，絕大多數(shù)人工智能算法可解釋性較差．一方面，多數(shù)神經(jīng)網(wǎng)絡(luò)模型是黑箱模型，其運行機(jī)理并不明確，超越了現(xiàn)有邏輯的可解釋范疇；然而測井處理與解釋本身是風(fēng)險敏感領(lǐng)域，其解釋成果的可靠性會直接影響后續(xù)勘探工作，因此在實際生產(chǎn)中難以建立對人工智能的信任感，從而對其應(yīng)用范圍有所制約．另一方面，端到端訓(xùn)練是人工智能的重要優(yōu)勢，能夠減少大量中間工作，然而傳統(tǒng)的流程雖然會消耗一定的人力物力，但是其流程已經(jīng)過大量實踐驗證，也能夠得到專家的理解與認(rèn)可；而端到端學(xué)習(xí)，本質(zhì)上是摒棄了已有的工作流程，導(dǎo)致專家難以理解，且無法通過流程中間結(jié)果的評價以實現(xiàn)對整體流程的人工約束與控制．綜上所述，可解釋性是未來測井智能化的一項重要挑戰(zhàn)．已有工作中，Wu等[113]開發(fā)了交叉熵聚類-高斯混合模型-隱馬爾可夫(CEC-GMM-HMM)模型工作流，并開發(fā)基于區(qū)域的預(yù)測建模方法，模仿傳統(tǒng)測井解釋工作流，保證了可解釋性，能夠有效促進(jìn)分區(qū)分配、偏遠(yuǎn)數(shù)據(jù)檢測和地層屬性解釋．Zhang等[114]針對地球物理測井曲線校正問題，進(jìn)行多方位統(tǒng)計解釋，提出了一種可解釋的機(jī)器學(xué)習(xí)方法—單向?qū)R(UA)，可以在無監(jiān)督框架下，有效對齊井間測井曲線，且能夠不丟失原有物理意義，實驗結(jié)果準(zhǔn)確率高、可解釋性強．因此，使智能模型的處理過程對測井專家更加可信和開放透明，對人工智能在測井處理與解釋中的規(guī)?；渴鸷凸I(yè)級應(yīng)用意義重大，相關(guān)設(shè)想包括重新構(gòu)建嶄新的邏輯體系，并對模型的可信任度進(jìn)行量化[115]．如今，伴隨第三代人工智能技術(shù)的發(fā)展與推廣，機(jī)器學(xué)習(xí)算法和模型不斷升級更新，傳統(tǒng)機(jī)器學(xué)習(xí)模型的可解釋性也必定會迎來一個全新的質(zhì)的飛躍[13]．