亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        沉積過(guò)程模擬驅(qū)動(dòng)下的深度學(xué)習(xí)地質(zhì)建模方法

        2023-02-06 05:33:56劉彥鋒段太忠張文彪
        石油與天然氣地質(zhì) 2023年1期
        關(guān)鍵詞:沉積建模深度

        劉彥鋒,段太忠,黃 淵,張文彪,李 蒙

        (中國(guó)石化 石油勘探開(kāi)發(fā)研究院,北京 102206)

        三維地質(zhì)模型是勘探開(kāi)發(fā)決策的重要依據(jù)。地質(zhì)建模的基本原則是綜合應(yīng)用地質(zhì)、測(cè)井、地震和生產(chǎn)動(dòng)態(tài)等各類(lèi)數(shù)據(jù)和知識(shí),但深層油氣藏可用的資料相對(duì)較少、分辨率低,對(duì)地質(zhì)建模的方法要求高[1-2],地質(zhì)知識(shí)需要發(fā)揮更大的作用。40 年來(lái),地質(zhì)建模大致經(jīng)歷了兩點(diǎn)地質(zhì)統(tǒng)計(jì)、多點(diǎn)地質(zhì)統(tǒng)計(jì)建模階段[3-4],隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展,目前進(jìn)入了以深度學(xué)習(xí)為代表的人工智能地質(zhì)建模發(fā)展階段。從地質(zhì)建模技術(shù)發(fā)展歷程看,知識(shí)在地質(zhì)建模中的作用越來(lái)越大。

        在傳統(tǒng)的兩點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)中,知識(shí)通過(guò)變差函數(shù)的方式參與地質(zhì)建模,以概率統(tǒng)計(jì)的形式體現(xiàn)地質(zhì)體的長(zhǎng)、寬、厚度和方向等參數(shù)[5]?;谀繕?biāo)的建模方法可以給出更多的關(guān)于幾何形態(tài)的地質(zhì)認(rèn)識(shí),比如彎曲度、長(zhǎng)寬比、厚度范圍等參數(shù),用來(lái)模擬更具象的地質(zhì)模型[6]。多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模通過(guò)訓(xùn)練圖像表達(dá)概念性地質(zhì)知識(shí),表達(dá)的內(nèi)容比變差函數(shù)更豐富,表達(dá)的方式比單純的幾何參數(shù)更靈活[7]?;诘刭|(zhì)過(guò)程的建模是定量化地質(zhì)知識(shí)驅(qū)動(dòng)的建模方法,地質(zhì)知識(shí)以微分方程的形式內(nèi)嵌于地質(zhì)建模算法之中,是純粹的地質(zhì)知識(shí)驅(qū)動(dòng)。以深度學(xué)習(xí)為代表的人工智能地質(zhì)建模方法以大規(guī)模訓(xùn)練樣本為基礎(chǔ),地質(zhì)知識(shí)蘊(yùn)含在大規(guī)模訓(xùn)練樣本中,相比于多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué),可以從訓(xùn)練樣本中挖掘更豐富的地質(zhì)知識(shí),建立更符合地質(zhì)規(guī)律的地質(zhì)模型,并且在同類(lèi)地質(zhì)問(wèn)題中可以一次訓(xùn)練多次應(yīng)用。

        生成對(duì)抗網(wǎng)絡(luò)(GAN)是目前深度學(xué)習(xí)地質(zhì)建模中采用的主要神經(jīng)網(wǎng)絡(luò)[8],分為非條件和條件化生成對(duì)抗網(wǎng)絡(luò)。非條件生成對(duì)抗網(wǎng)絡(luò)與非條件地質(zhì)建模類(lèi)似,條件化生成對(duì)抗網(wǎng)絡(luò)與條件化地質(zhì)建模類(lèi)似。非條件地質(zhì)建模通過(guò)變差函數(shù)、訓(xùn)練圖像或目標(biāo)體長(zhǎng)、寬、高等少量參數(shù)輸入得到一系列三維模型,這些模型不考慮與條件數(shù)據(jù)的吻合情況,但能夠體現(xiàn)較為真實(shí)的地質(zhì)認(rèn)識(shí)。生成對(duì)抗網(wǎng)絡(luò)深度學(xué)習(xí)體現(xiàn)了類(lèi)似過(guò)程。標(biāo)準(zhǔn)的生成對(duì)抗網(wǎng)絡(luò)[9],即非條件生成對(duì)網(wǎng)絡(luò),其目標(biāo)是訓(xùn)練出一個(gè)性能良好的生成網(wǎng)絡(luò),輸入一個(gè)低維的隨機(jī)數(shù)序列生成到高維的網(wǎng)絡(luò)層(地質(zhì)模型),通過(guò)訓(xùn)練學(xué)習(xí)地質(zhì)模式,利用訓(xùn)練后的生成網(wǎng)絡(luò)可以得到滿(mǎn)足地質(zhì)認(rèn)識(shí)的非條件模擬結(jié)果[10]。在生成對(duì)抗網(wǎng)絡(luò)的地質(zhì)模式重現(xiàn)能力得到廣泛認(rèn)可之后,眾多學(xué)者將研究重點(diǎn)轉(zhuǎn)移到對(duì)條件化生成對(duì)抗網(wǎng)絡(luò)(cGAN)的地質(zhì)建模上,以期在實(shí)用性方面取得更大突破。

        目前生成對(duì)抗網(wǎng)絡(luò)地質(zhì)建模的條件化主要有兩種途徑:一是先訓(xùn)練非條件生成對(duì)抗網(wǎng)絡(luò),再二次條件化,比如預(yù)訓(xùn)練的生成器通過(guò)啟發(fā)式迭代優(yōu)化進(jìn)行條件化,或者訓(xùn)練過(guò)程中通過(guò)正則化方法進(jìn)行條件化,前人用卷積生成對(duì)抗網(wǎng)絡(luò)建立了條件化的河流相地質(zhì)模型[11-12];另一種是通過(guò)條件化生成對(duì)抗網(wǎng)絡(luò),直接在網(wǎng)絡(luò)的輸入?yún)?shù)中加入條件化數(shù)據(jù),比如井?dāng)?shù)據(jù)、地震數(shù)據(jù)以及砂地比等參數(shù)[13-14],這種方法通用性更強(qiáng),更受青睞。

        目前,深度學(xué)習(xí)地質(zhì)建模方法整體上仍處于探索階段,實(shí)際工業(yè)落地應(yīng)用難,面臨的主要問(wèn)題之一是缺少樣本[15],采用人工合成樣本是目前比較可行的方式。盡管多點(diǎn)地質(zhì)統(tǒng)計(jì)建模中訓(xùn)練圖像獲取的方法也適用于深度學(xué)習(xí)地質(zhì)建模,包括手繪地質(zhì)模式圖、野外露頭、衛(wèi)星圖像分析、地質(zhì)條件類(lèi)似的密井網(wǎng)區(qū)塊、基于目標(biāo)的模擬方法和基于沉積過(guò)程的模擬方法等。考慮到深度學(xué)習(xí)對(duì)樣本的需求量大,基于目標(biāo)模擬和沉積過(guò)程模擬是可選的方法。

        沉積過(guò)程模擬與深度學(xué)習(xí)建模相結(jié)合可以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)?;诔练e過(guò)程模擬的建模方法可以更好地體現(xiàn)地質(zhì)知識(shí)的約束,與地質(zhì)統(tǒng)計(jì)學(xué)建模方法相比,井間預(yù)測(cè)更符合地質(zhì)規(guī)律。但是,由于沉積模擬的輸入數(shù)據(jù)通常都難以直接測(cè)量,不確定性較大,模擬結(jié)果與井?dāng)?shù)據(jù)、地震數(shù)據(jù)等條件數(shù)據(jù)吻合難度大,需要大量的手動(dòng)調(diào)整工作,通常需耗時(shí)1~2 個(gè)月才能獲取與觀測(cè)數(shù)據(jù)吻合度較高的模型,效率較低。深度學(xué)習(xí)建模對(duì)樣本的需求量大,目前的技術(shù)還無(wú)法直接得到大規(guī)模地下實(shí)際模型用于深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練。但沉積模擬恰好具備大規(guī)模樣本生成能力,有效彌補(bǔ)了訓(xùn)練樣本不足問(wèn)題。本文試圖將兩種方法結(jié)合起來(lái),建立沉積過(guò)程數(shù)值模擬驅(qū)動(dòng)的深度學(xué)習(xí)地質(zhì)建模方法,并利用普光氣藏主力區(qū)塊地質(zhì)剖面對(duì)其進(jìn)行驗(yàn)證。

        1 沉積過(guò)程模擬驅(qū)動(dòng)的深度學(xué)習(xí)地質(zhì)建模方法

        1.1 沉積過(guò)程驅(qū)動(dòng)的深度學(xué)習(xí)地質(zhì)建?;舅枷?/h3>

        將沉積過(guò)程模擬技術(shù)和深度學(xué)習(xí)相結(jié)合,可以將沉積模擬中蘊(yùn)含的地質(zhì)知識(shí)以訓(xùn)練樣本的形式賦予深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)參數(shù),間接實(shí)現(xiàn)知識(shí)驅(qū)動(dòng)的地質(zhì)建模。定量化領(lǐng)域知識(shí)與深度學(xué)習(xí)結(jié)合的方式有多種[16-17],最直接的方法是將定量化可微分的公式直接嵌入到神經(jīng)網(wǎng)絡(luò)的隱藏層,或嵌入到神經(jīng)網(wǎng)絡(luò)的目標(biāo)函數(shù);還有一種是為神經(jīng)網(wǎng)絡(luò)提供大規(guī)模訓(xùn)練圖像。后者屬于間接的知識(shí)驅(qū)動(dòng)方法,解耦性好,不同類(lèi)型的領(lǐng)域知識(shí)和神經(jīng)網(wǎng)絡(luò)可以靈活組合。

        地層沉積過(guò)程正演數(shù)值模擬通過(guò)數(shù)值計(jì)算的方式,考慮各種地質(zhì)因素的影響,再現(xiàn)地層形成過(guò)程,最終得到完整的二維或三維沉積模型[18-19]。前人對(duì)地層沉積模擬進(jìn)行了大量研究[20-21],提出了多種沉積模擬方法,涵蓋了大部分的沉積相類(lèi)型。代表性的沉積模擬軟件有法國(guó)石油研究院的Dinoisos,斯坦福大學(xué)的Sedsim,斯倫貝謝公司的GPM 等。地層沉積過(guò)程正演模型描述了可容空間、沉積物剝蝕、供給、生產(chǎn)、搬運(yùn)、堆積以及壓實(shí)作用,輸出結(jié)果是模擬地層和一系列古環(huán)境條件,比如整個(gè)演化歷程的古地貌、沉積間斷、沉積相等。地層沉積數(shù)值模擬模型可以表示為:

        式中:M表示模擬結(jié)果,即地質(zhì)模型;F表示正演模擬方程,通常是描述沉積物沉積搬運(yùn)和沉淀的數(shù)學(xué)物理方程;s1,s2,s3,…,sn表示n個(gè)模擬的輸入?yún)?shù)。由于沉積模擬輸入?yún)?shù)多,且大部分難以直接測(cè)量,如地質(zhì)歷史時(shí)期的海平面曲線(xiàn)、碳酸鹽產(chǎn)率、搬運(yùn)速度、基底沉降速度等,導(dǎo)致模擬結(jié)果不確定性大。為了得到與實(shí)際的鉆井或地震數(shù)據(jù)吻合度較高的模型,往往需要通過(guò)試錯(cuò)法或參數(shù)優(yōu)化方法反復(fù)調(diào)整輸入?yún)?shù)[22-25]。

        沉積過(guò)程模擬驅(qū)動(dòng)的深度學(xué)習(xí)地質(zhì)建?;舅悸啡缦拢▓D1)。針對(duì)某個(gè)區(qū)塊,綜合資料分析,獲取初始地形、海平面曲線(xiàn)、碳酸鹽產(chǎn)率、沉積物剝蝕搬運(yùn)等相關(guān)參數(shù),開(kāi)展初步沉積模擬研究。以觀測(cè)數(shù)據(jù)為基礎(chǔ),不斷修改沉積模擬的輸入,縮小其可能的取值區(qū)間,降低參數(shù)的不確定性,獲得每個(gè)參數(shù)可能的最小值和最大值。根據(jù)超立方采樣的參數(shù)采樣方法,獲取一定規(guī)模的等概率的參數(shù)組合,把這些參數(shù)的模擬結(jié)果(沉積模擬地質(zhì)模型)作為訓(xùn)練樣本提供給深度學(xué)習(xí)網(wǎng)絡(luò)。利用訓(xùn)練后的生成網(wǎng)絡(luò),直接輸入條件數(shù)據(jù),即可得到該區(qū)塊的地質(zhì)模型。搭建訓(xùn)練條件化生成對(duì)抗網(wǎng)絡(luò)時(shí)需要考慮實(shí)際沉積條件數(shù)據(jù)的情況,以地質(zhì)模型上抽提的虛擬井?dāng)?shù)據(jù),甚至基于地質(zhì)模型合成地震數(shù)據(jù)作為訓(xùn)練輸入,地質(zhì)模型作為輸出,具體方法見(jiàn)1.2 節(jié)的描述。

        圖1 沉積模擬驅(qū)動(dòng)的深度學(xué)習(xí)地質(zhì)建模技術(shù)流程Fig.1 Workflow showing deep learning-based geological modeling driven by sedimentary process simulation

        1.2 基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的地質(zhì)建模方法

        1.2.1 生成對(duì)抗網(wǎng)絡(luò)地質(zhì)建模原理

        在深度學(xué)習(xí)框架下,地質(zhì)建模是一個(gè)生成式問(wèn)題。按照訓(xùn)練目標(biāo)的特點(diǎn),神經(jīng)網(wǎng)絡(luò)分為判別式網(wǎng)絡(luò)和生成式網(wǎng)絡(luò):前者由高維神經(jīng)網(wǎng)絡(luò)層通過(guò)一系列的隱藏層得到低維輸出層,比如分類(lèi)、聚類(lèi)等;后者輸入低維網(wǎng)絡(luò)層得到高維神經(jīng)網(wǎng)絡(luò)層,如輸入低維的隨機(jī)數(shù)據(jù)得到清晰的語(yǔ)音、圖像、文字等[26]。油氣藏地質(zhì)建模通常是輸入稀疏的、高精度的井點(diǎn)數(shù)據(jù),在稠密的、相對(duì)低精度的地震數(shù)據(jù)約束條件下建立高精度三維網(wǎng)格模型,可視為生成式神經(jīng)網(wǎng)絡(luò)問(wèn)題。相對(duì)于判別式問(wèn)題,生成式問(wèn)題的機(jī)器學(xué)習(xí)難度大,直到生成式對(duì)抗網(wǎng)絡(luò)的出現(xiàn)[9,27],才大大加快了生成式問(wèn)題的解決。該技術(shù)迅速在圖像和語(yǔ)音合成領(lǐng)域得到普及,并應(yīng)用到了地質(zhì)建模領(lǐng)域[28-29]。

        生成對(duì)抗網(wǎng)絡(luò)(GAN)由生成網(wǎng)絡(luò)(G)和判別網(wǎng)絡(luò)(D)組成,采用對(duì)抗學(xué)習(xí)的策略進(jìn)行訓(xùn)練,目標(biāo)是獲取生成表達(dá)能力強(qiáng)的生成網(wǎng)絡(luò)G。該訓(xùn)練框架中,生成網(wǎng)絡(luò)(G)將從先驗(yàn)分布p(z)采樣的隨機(jī)向量z映射到地質(zhì)模型空間,鑒別網(wǎng)絡(luò)(D)將輸入地質(zhì)模型映射到似然概率(判斷真假的概率)。G的作用是生成大量讓D認(rèn)為“真實(shí)”的模型,而D起著對(duì)抗的作用,即判斷由G生成的模型為假,而來(lái)自樣本庫(kù)的模型為真,G和D在相互競(jìng)爭(zhēng)中學(xué)習(xí),因此稱(chēng)為生成對(duì)抗網(wǎng)絡(luò)。標(biāo)準(zhǔn)生成對(duì)抗網(wǎng)絡(luò)的目標(biāo)函數(shù)如下:

        式中:x是來(lái)自pdata分布的樣本;pdata是全部的訓(xùn)練樣本;D(x)是判別網(wǎng)絡(luò)對(duì)樣本的判別;z是潛在空間上的隨機(jī)向量;G(z)是生成的地質(zhì)模型;D(G(z))是判別網(wǎng)絡(luò)對(duì)生成的地質(zhì)模型的判別;E是一組樣本已判別結(jié)果的期望。

        通過(guò)大規(guī)模的訓(xùn)練可以得到生成網(wǎng)絡(luò)G,它體現(xiàn)了隨機(jī)向量z到地質(zhì)模型的映射。變換不同的z可以得到相應(yīng)的地質(zhì)模型,但是z沒(méi)有明確的物理意義。往往需要二次的條件化才能建立具有實(shí)際地質(zhì)意義的模型[11]。條件化生成網(wǎng)絡(luò)輸入有明確物理意義的建模參數(shù)[30],輸出結(jié)果更容易被解釋。

        1.2.2 條件化生成對(duì)抗網(wǎng)絡(luò)地質(zhì)建模

        條件化生成對(duì)抗網(wǎng)絡(luò)地質(zhì)建模直接把井、震等條件數(shù)據(jù)作為網(wǎng)絡(luò)的輸入得到二維或三維地質(zhì)模型。標(biāo)準(zhǔn)GAN提出之后,為了約束生成的結(jié)果,使其更加可控,很快就出現(xiàn)了條件化GAN,稱(chēng)為cGAN[31]。cGAN 是GAN的擴(kuò)展,它的生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)都利用條件數(shù)據(jù)y,條件數(shù)據(jù)可以是任意類(lèi)型,比如類(lèi)型標(biāo)簽(相類(lèi)型、是否為陡坡沉積、是否發(fā)育生物等),或者儲(chǔ)層分布的條件約束(波阻抗、砂體發(fā)育概率等),同時(shí)參與到生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的訓(xùn)練。在生成網(wǎng)絡(luò)中,通常把條件數(shù)據(jù)作為y和隨機(jī)向量z一起作為網(wǎng)絡(luò)的輸入層;在判別網(wǎng)絡(luò)中,樣本標(biāo)簽數(shù)據(jù)x和條件數(shù)據(jù)y同時(shí)作為輸入層(圖2)。cGAN的目標(biāo)函數(shù)可以表示為如下的形式:

        圖2 條件化生成對(duì)抗網(wǎng)絡(luò)基本結(jié)構(gòu)Fig.2 Basic architecture of a cGAN

        在條件化生成對(duì)抗網(wǎng)絡(luò)的基本框架下,在不同領(lǐng)域的應(yīng)用,產(chǎn)生了不同的網(wǎng)絡(luò)結(jié)構(gòu)。地質(zhì)模型具有多尺度復(fù)雜特征,需要生成網(wǎng)絡(luò)具備更強(qiáng)的生成能力,U-Net 神經(jīng)網(wǎng)絡(luò)[32]具有多尺度卷積和跨層連接的特點(diǎn),在刻畫(huà)多尺度結(jié)構(gòu)特征方面具有較強(qiáng)能力,把它作為cGAN 的生成網(wǎng)絡(luò),可以用于生成二維和三維高精度地質(zhì)模型。通常,在判別網(wǎng)絡(luò)中不只是對(duì)整個(gè)輸出結(jié)果做單一的判別,而是考慮地質(zhì)模型的多尺度結(jié)構(gòu)化特征,進(jìn)行多尺度判別。

        2 深度學(xué)習(xí)地質(zhì)建模方法在普光氣藏的應(yīng)用

        2.1 基于沉積過(guò)程模擬的樣本生成

        2.1.1 碳酸鹽巖地層沉積正演模擬器

        地層沉積模擬可以生成沉積規(guī)律約束的二維和三維地質(zhì)模型。碳酸鹽沉積體系的形成、演化和消亡除了受構(gòu)造活動(dòng)、海平面變化、氣候條件、海洋環(huán)境和水動(dòng)力條件等因素的直接或間接控制外,還尤其受到體系中生物與生態(tài)因素控制[33-35]。我們采用了自主研發(fā)的產(chǎn)碳酸鹽地層沉積正演模擬方法[36]和CarbSIMS 軟件,考慮了最新的碳酸鹽巖工廠、生態(tài)可容空間和層序地層學(xué)等基本原理。把地層形成過(guò)程視為生物能、勢(shì)能和水體動(dòng)能這3 種能量場(chǎng)相互耦合的過(guò)程,生物能體現(xiàn)為碳酸鹽巖生物的生長(zhǎng),動(dòng)能表現(xiàn)為風(fēng)能和風(fēng)能引起的波浪能,勢(shì)能主要以地形的形式體現(xiàn)。模型的具體細(xì)節(jié)參考文獻(xiàn)[35]。

        CarbSIMS 軟件中的地層沉積正演模擬技術(shù),包含碳酸鹽巖原位生長(zhǎng)模型、水體能量分布模型和沉積物搬運(yùn)模型,可以模擬碳酸鹽巖沉積物剝蝕、搬運(yùn)和沉積作用,形成并展示碳酸鹽巖體系的幾何形態(tài)、沉積層序展布,還可以通過(guò)沉積反演模擬技術(shù)自動(dòng)匹配沉積過(guò)程模擬結(jié)果與觀測(cè)數(shù)據(jù)[21-22]。該軟件可以模擬臺(tái)緣帶、緩坡、孤立臺(tái)地以及復(fù)雜地形下的碳酸鹽巖沉積體系。

        在該模型中,輸入?yún)?shù)包括4大類(lèi)12小類(lèi)。這4大類(lèi)包括可容空間類(lèi)、沉積物供給類(lèi)、沉積物搬運(yùn)剝蝕類(lèi)和水體動(dòng)能分布類(lèi),其涉及的每一小類(lèi)又包括多個(gè)具體參數(shù)。下表列出了主要參數(shù)類(lèi)型和推薦的分析方法(表1)。

        表1 碳酸鹽巖沉積模擬主要參數(shù)類(lèi)型及分析方法Table 1 Main parameter types and analytical methods of sedimentary process simulation of carbonates

        2.1.2 普光區(qū)塊沉積正演模型基本框架

        前人對(duì)該地區(qū)的層序地層、沉積特征、地質(zhì)建模方法進(jìn)行了大量研究[37-39],為沉積過(guò)程模擬參數(shù)獲取和深度學(xué)習(xí)地質(zhì)建模方法分析奠定了基礎(chǔ)。普光氣藏位于川東斷褶帶雙石廟—普光NE 向背斜構(gòu)造帶上,是川東北地區(qū)已探明的大型碳酸鹽巖構(gòu)造-巖性氣藏[40]。普光氣藏主要含氣層系是上二疊統(tǒng)長(zhǎng)興組和下三疊統(tǒng)飛仙關(guān)組,處于有利的臺(tái)地邊緣沉積相帶。其中,長(zhǎng)興組臺(tái)地邊緣生物礁及飛仙關(guān)組臺(tái)地邊緣顆粒灘為該區(qū)最有利的沉積相,是模擬的主要層位。

        碳酸鹽巖結(jié)合地質(zhì)分析和前人研究成果,初步獲得該地區(qū)海平面變化、構(gòu)造沉降、碳酸鹽產(chǎn)率等參數(shù),對(duì)主產(chǎn)區(qū)垂直臺(tái)地邊緣的7 口井開(kāi)展了沉積模擬框架下的沉積相解釋?zhuān)笇?dǎo)正演模擬參數(shù)的調(diào)整。搭建了該地區(qū)的地層沉積過(guò)程模擬基本框架,構(gòu)建了樣本庫(kù)的沉積模擬基礎(chǔ)模型(圖3)。沉積模擬范圍為19.0 km × 8.8 km,時(shí)間跨度為3.5 Ma,平面網(wǎng)格數(shù)為129 ×129,總時(shí)間步數(shù)為200。

        圖3 手動(dòng)參數(shù)調(diào)整的沉積正演模擬剖面與井資料對(duì)比Fig.3 Comparison of stratigraphic forward modeling by manual parameter adjustment with well data

        根據(jù)深度學(xué)習(xí)對(duì)泛化能力的要求,需要訓(xùn)練樣本庫(kù)涵蓋盡可能多的地質(zhì)模式,因此對(duì)基礎(chǔ)模型要求不高,不要求與井?dāng)?shù)據(jù)完全吻合,甚至允許有些井有較大差別,只要模擬出整體的沉積規(guī)律即可。

        2.1.3 樣本庫(kù)構(gòu)建

        為了保證神經(jīng)網(wǎng)絡(luò)模型的泛化能力,在手動(dòng)調(diào)整沉積模型的基礎(chǔ)上,應(yīng)使樣本庫(kù)涵蓋更多的沉積特征。在樣本庫(kù)構(gòu)建過(guò)程中,針對(duì)不確定性參數(shù),在計(jì)算量允許的情況下,以基礎(chǔ)模型參數(shù)為基礎(chǔ)盡量擴(kuò)大參數(shù)擾動(dòng)范圍,獲取盡量多的樣本。

        根據(jù)該地區(qū)前期的資料分析,我們認(rèn)為初始地形的不確定性較低,采用確定值。海平面曲線(xiàn)、碳酸鹽產(chǎn)率、沉積物搬運(yùn)等相關(guān)參數(shù)共計(jì)41個(gè),不確定性較大,以手動(dòng)調(diào)整的參數(shù)值為基礎(chǔ),分析不同參數(shù)變化區(qū)間中樣本地質(zhì)模式的多樣性,最終確定50 %參數(shù)變化區(qū)間(表2)。這41 個(gè)參數(shù)中,參數(shù)名字的最后一個(gè)數(shù)字指示這類(lèi)參數(shù)的第一個(gè)參數(shù),有些參數(shù)考慮了時(shí)間的變化,比如根據(jù)時(shí)間段再劃分為3個(gè),其中長(zhǎng)興組2 個(gè),飛仙關(guān)1 個(gè)。具體參數(shù)意義如下:參數(shù)1—6 與海平面曲線(xiàn)有關(guān)(分別表示三級(jí)和四級(jí)海平面旋回正弦函數(shù)的振幅、周期和相位,以及線(xiàn)性約束),第7 個(gè)參數(shù)與構(gòu)造沉降有關(guān)(給定構(gòu)造沉降面數(shù)據(jù)的系數(shù)),參數(shù)8—11 與沉積物搬運(yùn)有關(guān)(分別是勢(shì)能和動(dòng)能在X和Y方向引起的沉積物搬運(yùn)系數(shù)),參數(shù)12—27 與碳酸鹽產(chǎn)率有關(guān)(分別是勢(shì)能產(chǎn)率最大幅度、勢(shì)能產(chǎn)率遞減系數(shù)、透光帶厚度、動(dòng)能產(chǎn)率系數(shù)、動(dòng)能產(chǎn)率基準(zhǔn)值,以及勢(shì)能相關(guān)產(chǎn)率的權(quán)重),參數(shù)28—41 與水體動(dòng)能有關(guān)(即動(dòng)能幅度、波浪能下降系數(shù)、地形消浪能系數(shù)、浪基面和風(fēng)能系數(shù))。

        表2 沉積反演模擬參數(shù)區(qū)間Table 2 Parameter ranges of stratigraphic inverse modeling

        考慮上述41 個(gè)不確定性較大的參數(shù),在確定的參數(shù)區(qū)間內(nèi),通過(guò)超立方隨機(jī)采樣的方式生成大量的參數(shù)組合,構(gòu)建深度學(xué)習(xí)所需的樣本庫(kù)。本實(shí)例中,樣本庫(kù)為地質(zhì)模型二維剖面。模型以二維矩陣表示,矩陣尺寸為128 × 128,通過(guò)人工和自動(dòng)篩選,去除模擬結(jié)果明顯不合理的少量樣本后,該樣本庫(kù)共計(jì)樣本11 503個(gè),訓(xùn)練集和測(cè)試集隨機(jī)劃分,通常80 %用于訓(xùn)練,20 %用于測(cè)試。從訓(xùn)練集中隨機(jī)抽取幾個(gè)樣本,如圖4 所示(不同顏色表示不同的沉積相帶),可以看出它們具備不同的沉積相結(jié)構(gòu)樣式,體現(xiàn)了樣本包含的沉積模式的多樣性。

        圖4 從訓(xùn)練集隨機(jī)抽取的一組訓(xùn)練樣本Fig.4 A group of training samples randomly selected from the training dataset

        2.2 神經(jīng)網(wǎng)絡(luò)搭建與訓(xùn)練

        在條件化生成對(duì)抗網(wǎng)絡(luò)的框架下,搭建井?dāng)?shù)據(jù)約束的深度學(xué)習(xí)地質(zhì)模型網(wǎng)絡(luò),以U-net 網(wǎng)絡(luò)作為生成網(wǎng)絡(luò)的基本結(jié)構(gòu),多尺度卷積網(wǎng)絡(luò)作為判別網(wǎng)絡(luò),目標(biāo)函數(shù)為判別損失加上帶權(quán)重的第一范式損失(L1 損失),具體的網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖5。其中L1損失的權(quán)重是超參,需要人為給定,對(duì)模擬結(jié)果有一定影響。上采樣和下采樣作為基本的網(wǎng)絡(luò)層單元,由卷積(轉(zhuǎn)置卷積)層、丟棄層、歸一化層和非線(xiàn)性化層組成。生成網(wǎng)絡(luò)由一系列的下采樣和上采樣層組成,通過(guò)不斷下采樣捕捉更大尺度的結(jié)構(gòu)化特征,然后再通過(guò)上采樣獲取更小尺度的地質(zhì)特征,同時(shí)通過(guò)跨層連接實(shí)現(xiàn)信息跨尺度融合,提高生成模型的分辨率。判別網(wǎng)絡(luò)由一系列的下采樣組成,最后得到14×14的判別結(jié)果,即對(duì)模擬結(jié)果給出196個(gè)判別指標(biāo),分別指示不同區(qū)域,并配合L1損失進(jìn)行綜合判別。

        圖5 條件化生成對(duì)抗網(wǎng)絡(luò)中生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D的結(jié)構(gòu)Fig.5 Architectures of generative(G)and discriminative(D)networks of cGAN

        該生成網(wǎng)絡(luò)以從沉積模擬樣本中抽取的虛擬井?dāng)?shù)據(jù)為輸入,二維地質(zhì)模型為輸出。設(shè)置最大訓(xùn)練輪次為200,通常迭代30 輪次能得到比較理想的效果。從生成網(wǎng)絡(luò)基本結(jié)構(gòu)可以知道,按照多尺度結(jié)構(gòu)化特征,以井?dāng)?shù)據(jù)為基礎(chǔ),先通過(guò)卷積運(yùn)算刻畫(huà)不同尺度的宏觀特征,然后通過(guò)反卷積刻畫(huà)小尺度特征,并通過(guò)跨尺度連接實(shí)現(xiàn)大尺度對(duì)小尺度的約束,生成新的地質(zhì)模型,生成的地質(zhì)模型整體上符合沉積過(guò)程模擬的地質(zhì)規(guī)律。圖6 是訓(xùn)練的生成網(wǎng)絡(luò)在測(cè)試集上的表現(xiàn),圖中a1到a9,a1'到a9'共計(jì)9 組圖形,分別為正演模擬器和生成網(wǎng)絡(luò)模擬結(jié)果,兩者基本一致。

        圖6 訓(xùn)練后的生成網(wǎng)絡(luò)模型在隨機(jī)挑選的測(cè)試集上的模擬結(jié)果Fig.6 Results of applying the trained generative network model on randomly selected test dataset

        2.3 模型效果分析

        把實(shí)際觀測(cè)的井上解釋的沉積相數(shù)據(jù)作輸入訓(xùn)練后的生成網(wǎng)絡(luò),得到該區(qū)塊的模擬結(jié)果。分析了不同情況下的模擬結(jié)果,可以看出基于生成對(duì)抗網(wǎng)絡(luò)的地質(zhì)建模在井?dāng)?shù)據(jù)處與井上觀測(cè)數(shù)據(jù)完全吻合,井間的沉積相分布符合地質(zhì)規(guī)律。同時(shí)分析了深度學(xué)習(xí)地質(zhì)建模與多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模效果的差異,在此基礎(chǔ)上測(cè)試了改變訓(xùn)練樣本數(shù)量及損失函數(shù)中L1 損失權(quán)重時(shí)的模擬結(jié)果。

        圖7 對(duì)比了深度學(xué)習(xí)地質(zhì)建模與多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模的效果,兩者均以Cy84 和PG8 等8 口井?dāng)?shù)據(jù)為硬數(shù)據(jù)。圖7a是本文提出的深度學(xué)習(xí)地質(zhì)建模,圖7b是基于直接采樣法的多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模,以上述沉積模擬基礎(chǔ)模型為訓(xùn)練圖像(圖3),可以看出兩種方法得到的相帶整體分布規(guī)律一致,自左向右均表現(xiàn)出深水、斜坡、臺(tái)緣和開(kāi)闊臺(tái)地的沉積相帶特征。分析認(rèn)為多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)地質(zhì)統(tǒng)計(jì)學(xué)和深度學(xué)習(xí)地質(zhì)建模各有優(yōu)勢(shì)。在相帶分布的細(xì)節(jié)刻畫(huà)方面,通常深度學(xué)習(xí)建模方法優(yōu)于多點(diǎn)建模方法。多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模只需一個(gè)訓(xùn)練圖像,深度學(xué)習(xí)方法需要大規(guī)模樣本,在實(shí)際應(yīng)用中前者更容易實(shí)施,另外對(duì)抗生成網(wǎng)絡(luò)訓(xùn)練不容易收斂,也進(jìn)一步限制了該方法的應(yīng)用潛力。

        圖7 深度學(xué)習(xí)地質(zhì)建模(a)與多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模(b)比較Fig.7 Comparison of deep learning-based geologic modeling(a)and multi-point geostatistics-based modeling(b)

        圖8和圖9對(duì)比分析了訓(xùn)練樣本量和不同L1損失權(quán)重情況下的模擬結(jié)果,為了不遮擋模擬結(jié)果,4 個(gè)子圖只有一個(gè)顯示了井上條件數(shù)據(jù)。

        圖8 訓(xùn)練樣本量不同時(shí)生成網(wǎng)絡(luò)模擬結(jié)果Fig.8 Results of generative network modeling with training datasets of different scales

        圖9 損失函數(shù)L1權(quán)重不同時(shí)生成網(wǎng)絡(luò)模擬結(jié)果Fig.9 Results of generative network modeling with different weights of L1 loss

        實(shí)際應(yīng)用時(shí)應(yīng)該增加樣本,盡量減少過(guò)擬合現(xiàn)象,同時(shí)降低不合理樣本對(duì)訓(xùn)練的影響。圖8 中4 個(gè)子圖采用的樣本量分別占總樣本的80 %,60 %,40 %和20 %,可以看出:訓(xùn)練集占總樣本的60 %和80 %時(shí)模擬效果差別不大;40 %時(shí)出現(xiàn)明顯差異,特別是少井區(qū)域;20 %時(shí)模擬結(jié)果明顯不合理,完全不具備地質(zhì)規(guī)律,預(yù)測(cè)失敗,說(shuō)明樣本量過(guò)少,存在嚴(yán)重的過(guò)擬合現(xiàn)象。需要說(shuō)明的是,圖8d 中沒(méi)有疊加顯示井?dāng)?shù)據(jù),井所在位置顯示的是模擬結(jié)果,可以看出即使在神經(jīng)網(wǎng)絡(luò)過(guò)擬合,井間預(yù)測(cè)不合理的情況下,井點(diǎn)處也能保證和條件數(shù)據(jù)吻合。

        面向地質(zhì)建模的條件化生成對(duì)抗網(wǎng)絡(luò)中總的損失函數(shù)包含判別損失和L1 損失。添加L1 損失的目的是增加模型的分辨率,圖9 中4 個(gè)子圖分別是L1 損失權(quán)重取值為100,50,10和1時(shí)的模擬結(jié)果,可以看出降低L1 損失的權(quán)重會(huì)降低生成模型的分辨率,導(dǎo)致預(yù)測(cè)結(jié)果中散點(diǎn)增多。但是,過(guò)度增加L1損失的權(quán)重會(huì)導(dǎo)致判別器對(duì)模型的真假識(shí)別能力降低,權(quán)重值的確定需要根據(jù)實(shí)際的樣本量和地質(zhì)模式的復(fù)雜度,通過(guò)反復(fù)測(cè)試后確定。

        3 討論

        深度學(xué)習(xí)地質(zhì)建模有廣闊的應(yīng)用前景。目前階段面臨的主要問(wèn)題是樣本需求量大而實(shí)際地質(zhì)模型樣本不足,地層沉積過(guò)程模擬技術(shù)可以有效緩解這一難題,但不可忽視采用沉積模擬方法生成大規(guī)模樣本時(shí)存在的不確定性。

        首先應(yīng)明確選用的沉積正演模擬器是否能夠刻畫(huà)目標(biāo)區(qū)塊的主要沉積過(guò)程,錯(cuò)誤的或過(guò)度簡(jiǎn)化的正演模擬器不可能給出符合沉積規(guī)律的地質(zhì)模型作為樣本。其次是輸入數(shù)據(jù)的不確定性,假設(shè)兩個(gè)極端情況,即所有參數(shù)均不確定和所有參數(shù)均確定。前者將產(chǎn)生無(wú)限量樣本的訓(xùn)練集,后者只產(chǎn)生一個(gè)模型用來(lái)訓(xùn)練。但實(shí)際情況是總能通過(guò)有限的觀測(cè)數(shù)據(jù)和區(qū)域地質(zhì)分析獲得一些比較確定性的認(rèn)識(shí),降低參數(shù)的不確定性。但是,我們不可能獲得足夠數(shù)據(jù)以確定全部參數(shù),因此需要設(shè)置一定的參數(shù)擾動(dòng)區(qū)間,基本原則是在計(jì)算量允許的范圍內(nèi)越大越好,以降低人為影響。還有一部分不確定性由測(cè)井?dāng)?shù)據(jù)的人工解釋引起,這部分反映了地質(zhì)認(rèn)識(shí)的綜合不確定性,屬于可接受的范圍。

        基于對(duì)上述3 種不確定性的理解,可以進(jìn)一步分析該方法的使用范圍?;诔练e模擬的深度學(xué)習(xí)地質(zhì)建模方法依賴(lài)兩個(gè)基本假設(shè):①沉積正演模擬采用的數(shù)學(xué)物理方程可以比較準(zhǔn)確地刻畫(huà)地層沉積形成的基本過(guò)程;②沉積正演模擬輸入?yún)?shù)的不確定性在合理區(qū)間內(nèi)。適合用該方法建立合理地質(zhì)模型的區(qū)塊需要滿(mǎn)足這兩個(gè)基本假設(shè)。很明顯,地質(zhì)過(guò)程正演模擬方法并不是要精細(xì)刻畫(huà)每一個(gè)地質(zhì)過(guò)程,而是模擬主要地質(zhì)特征,忽略不必要的細(xì)節(jié)。因?yàn)橐话愕牡刭|(zhì)體都經(jīng)歷了百萬(wàn)年甚至上億年的演化,歷經(jīng)非常復(fù)雜的物理、化學(xué)作用,正演模擬器只要能刻畫(huà)預(yù)期的主要特征,就滿(mǎn)足了第一個(gè)基本假設(shè)。在充分理解所選沉積正演模擬器的基礎(chǔ)上,結(jié)合地質(zhì)分析,獲取輸入?yún)?shù)的可能取值范圍。有些參數(shù)不確定性較低,有些參數(shù)不確定性較高,需要利用鉆井?dāng)?shù)據(jù)和地震數(shù)據(jù)進(jìn)行標(biāo)定;在參數(shù)不確定性分析的基礎(chǔ)上構(gòu)建針對(duì)目標(biāo)區(qū)塊的訓(xùn)練樣本庫(kù)。

        深度學(xué)習(xí)在各個(gè)行業(yè)落地應(yīng)用的過(guò)程中,與專(zhuān)業(yè)領(lǐng)域知識(shí)的結(jié)合是必然要求。數(shù)據(jù)密集場(chǎng)景率先進(jìn)行了智能化升級(jí),比如測(cè)井相識(shí)別、地震數(shù)據(jù)解釋、產(chǎn)量遞減曲線(xiàn)分析等。地質(zhì)領(lǐng)域傳統(tǒng)上以概念和定性的知識(shí)為主,定量化的數(shù)據(jù)較少,智能化的發(fā)展相對(duì)緩慢。但是智能化離不開(kāi)定量化,為了使地質(zhì)知識(shí)更好地服務(wù)于深層油氣藏勘探開(kāi)發(fā)的實(shí)踐,有必要對(duì)沉積過(guò)程、成巖過(guò)程、溶蝕過(guò)程、構(gòu)造過(guò)程及地應(yīng)力過(guò)程等地質(zhì)過(guò)程進(jìn)行定量化模擬。同時(shí)探索小樣本和基于符號(hào)的機(jī)器學(xué)習(xí)方法也是發(fā)展的重要方向,可以直接把地質(zhì)領(lǐng)域的知識(shí)融入到智能化地質(zhì)建模之中。

        4 結(jié)論

        1)智能化地質(zhì)建模是地質(zhì)建模技術(shù)的重要發(fā)展方向,訓(xùn)練樣本獲取難度大是該領(lǐng)域面臨的主要問(wèn)題之一。沉積過(guò)程模擬與深度學(xué)習(xí)建模的結(jié)合可以實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ),解決沉積正演模擬與觀測(cè)數(shù)據(jù)吻合難度大和深度學(xué)習(xí)地質(zhì)建模缺少樣本的問(wèn)題。

        2)通過(guò)在普光氣藏主力區(qū)塊典型地質(zhì)剖面上的測(cè)試應(yīng)用,該方法的可靠性得到了驗(yàn)證,構(gòu)建了10 000多個(gè)地質(zhì)模型組成的樣本庫(kù),并以樣本上抽取的虛擬井?dāng)?shù)據(jù)作為條件輸入,以地質(zhì)模型作為輸出,進(jìn)行網(wǎng)絡(luò)訓(xùn)練和測(cè)試。利用訓(xùn)練后的生成網(wǎng)絡(luò),輸入7 口實(shí)際的觀測(cè)井?dāng)?shù)據(jù)作為條件數(shù)據(jù),建立了同時(shí)滿(mǎn)足井?dāng)?shù)據(jù)和碳酸鹽巖沉積成因模式的地質(zhì)模型。

        3)深度學(xué)習(xí)在油氣藏地質(zhì)領(lǐng)域的落地應(yīng)用需要充分利用專(zhuān)業(yè)領(lǐng)域知識(shí),有必要加強(qiáng)沉積模擬、成巖模擬、溶蝕模擬、構(gòu)造演化以及應(yīng)力模擬等地質(zhì)知識(shí)的定量化研究,促進(jìn)地質(zhì)知識(shí)直接驅(qū)動(dòng)的智能化地質(zhì)建模。

        猜你喜歡
        沉積建模深度
        聯(lián)想等效,拓展建?!浴皫щ娦∏蛟诘刃?chǎng)中做圓周運(yùn)動(dòng)”為例
        深度理解一元一次方程
        《沉積與特提斯地質(zhì)》征稿簡(jiǎn)則
        深度觀察
        深度觀察
        基于PSS/E的風(fēng)電場(chǎng)建模與動(dòng)態(tài)分析
        電子制作(2018年17期)2018-09-28 01:56:44
        深度觀察
        不對(duì)稱(chēng)半橋變換器的建模與仿真
        《沉積與特提斯地質(zhì)》征稿簡(jiǎn)則
        人人添人人澡人人澡人人人人| 久久亚洲春色中文字幕久久| 久久99精品久久久久麻豆| 亚洲国产成人精品无码区二本| 中文无码精品一区二区三区| 无遮高潮国产免费观看韩国 | 亚洲精品一区二区网站| 日日摸天天碰中文字幕你懂的| 久久伊人色av天堂九九| 久久久久久一级毛片免费无遮挡| 少妇高潮呻吟求饶视频网站| 日韩免费视频| 国产成人久久精品激情| 亚洲一区二区三区av链接| 最新国产一区二区三区| 精品久久有码中文字幕| 国产人妻人伦精品1国产盗摄 | 国产精选污视频在线观看| 亚洲日韩精品久久久久久| 日本在线一区二区三区视频| 性猛交ⅹxxx富婆视频| 拍摄av现场失控高潮数次| 国产人妖xxxx做受视频| 精彩亚洲一区二区三区| 人妻体体内射精一区二区| 国产在线观看入口| 黄色三级国产在线观看| 亚洲啪啪视频一区二区| 青青草原综合久久大伊人| 欧美综合图区亚洲综合图区| 免费人妖一区二区三区| 国产特级毛片aaaaaa视频| 一本一本久久a久久精品| 中文字幕中文字幕人妻黑丝| 中文有码亚洲制服av片| 欧洲成人午夜精品无码区久久| 亚洲片在线视频| 国模91九色精品二三四| 少妇无码av无码专区| 亚洲AV无码久久精品成人| 国产av剧情精品麻豆|