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。