劉彥鋒，段太忠，黃 淵，張文彪，李 蒙

（中國石化 石油勘探開發(fā)研究院，北京 102206）

三維地質(zhì)模型是勘探開發(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)、測井、地震和生產(chǎn)動態(tài)等各類數(shù)據(jù)和知識，但深層油氣藏可用的資料相對較少、分辨率低，對地質(zhì)建模的方法要求高［1-2］，地質(zhì)知識需要發(fā)揮更大的作用。40 年來，地質(zhì)建模大致經(jīng)歷了兩點地質(zhì)統(tǒng)計、多點地質(zhì)統(tǒng)計建模階段［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，知識在地質(zhì)建模中的作用越來越大。

在傳統(tǒng)的兩點地質(zhì)統(tǒng)計學(xué)中，知識通過變差函數(shù)的方式參與地質(zhì)建模，以概率統(tǒng)計的形式體現(xiàn)地質(zhì)體的長、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)認識，比如彎曲度、長寬比、厚度范圍等參數(shù)，用來模擬更具象的地質(zhì)模型［6］。多點地質(zhì)統(tǒng)計學(xué)建模通過訓(xùn)練圖像表達概念性地質(zhì)知識，表達的內(nèi)容比變差函數(shù)更豐富，表達的方式比單純的幾何參數(shù)更靈活［7］?；诘刭|(zhì)過程的建模是定量化地質(zhì)知識驅(qū)動的建模方法，地質(zhì)知識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)知識驅(qū)動。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)知識蘊含在大規(guī)模訓(xùn)練樣本中，相比于多點地質(zhì)統(tǒng)計學(xué)，可以從訓(xùn)練樣本中挖掘更豐富的地質(zhì)知識，建立更符合地質(zhì)規(guī)律的地質(zhì)模型，并且在同類地質(zhì)問題中可以一次訓(xùn)練多次應(yīng)用。

生成對抗網(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抗網(wǎng)絡(luò)。非條件生成對抗網(wǎng)絡(luò)與非條件地質(zhì)建模類似，條件化生成對抗網(wǎng)絡(luò)與條件化地質(zhì)建模類似。非條件地質(zhì)建模通過變差函數(shù)、訓(xùn)練圖像或目標(biāo)體長、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)較為真實的地質(zhì)認識。生成對抗網(wǎng)絡(luò)深度學(xué)習(xí)體現(xiàn)了類似過程。標(biāo)準(zhǔn)的生成對抗網(wǎng)絡(luò)［9］，即非條件生成對網(wǎng)絡(luò)，其目標(biāo)是訓(xùn)練出一個性能良好的生成網(wǎng)絡(luò)，輸入一個低維的隨機數(shù)序列生成到高維的網(wǎng)絡(luò)層（地質(zhì)模型），通過訓(xùn)練學(xué)習(xí)地質(zhì)模式，利用訓(xùn)練后的生成網(wǎng)絡(luò)可以得到滿足地質(zhì)認識的非條件模擬結(jié)果［10］。在生成對抗網(wǎng)絡(luò)的地質(zhì)模式重現(xiàn)能力得到廣泛認可之后，眾多學(xué)者將研究重點轉(zhuǎn)移到對條件化生成對抗網(wǎng)絡(luò)（cGAN）的地質(zhì)建模上，以期在實用性方面取得更大突破。

目前生成對抗網(wǎng)絡(luò)地質(zhì)建模的條件化主要有兩種途徑：一是先訓(xùn)練非條件生成對抗網(wǎng)絡(luò)，再二次條件化，比如預(yù)訓(xùn)練的生成器通過啟發(fā)式迭代優(yōu)化進行條件化，或者訓(xùn)練過程中通過正則化方法進行條件化，前人用卷積生成對抗網(wǎng)絡(luò)建立了條件化的河流相地質(zhì)模型［11-12］；另一種是通過條件化生成對抗網(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，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，實際工業(yè)落地應(yīng)用難，面臨的主要問題之一是缺少樣本［15］，采用人工合成樣本是目前比較可行的方式。盡管多點地質(zhì)統(tǒng)計建模中訓(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程的模擬方法等?？紤]到深度學(xué)習(xí)對樣本的需求量大，基于目標(biāo)模擬和沉積過程模擬是可選的方法。

沉積過程模擬與深度學(xué)習(xí)建模相結(jié)合可以實現(xiàn)優(yōu)勢互補?；诔练e過程模擬的建模方法可以更好地體現(xiàn)地質(zhì)知識的約束，與地質(zhì)統(tǒng)計學(xué)建模方法相比，井間預(yù)測更符合地質(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，需要大量的手動調(diào)整工作，通常需耗時1～2 個月才能獲取與觀測數(shù)據(jù)吻合度較高的模型，效率較低。深度學(xué)習(xí)建模對樣本的需求量大，目前的技術(shù)還無法直接得到大規(guī)模地下實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，有效彌補了訓(xùn)練樣本不足問題。本文試圖將兩種方法結(jié)合起來，建立沉積過程數(shù)值模擬驅(qū)動的深度學(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)剖面對其進行驗證。

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

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

將沉積過程模擬技術(shù)和深度學(xué)習(xí)相結(jié)合，可以將沉積模擬中蘊含的地質(zhì)知識以訓(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)，間接實現(xiàn)知識驅(qū)動的地質(zhì)建模。定量化領(lǐng)域知識與深度學(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驅(qū)動方法，解耦性好，不同類型的領(lǐng)域知識和神經(jīng)網(wǎng)絡(luò)可以靈活組合。

地層沉積過程正演數(shù)值模擬通過數(shù)值計算的方式，考慮各種地質(zhì)因素的影響，再現(xiàn)地層形成過程，最終得到完整的二維或三維沉積模型［18-19］。前人對地層沉積模擬進行了大量研究［20-21］，提出了多種沉積模擬方法，涵蓋了大部分的沉積相類型。代表性的沉積模擬軟件有法國石油研究院的Dinoisos，斯坦福大學(xué)的Sedsim，斯倫貝謝公司的GPM 等。地層沉積過程正演模型描述了可容空間、沉積物剝蝕、供給、生產(chǎn)、搬運、堆積以及壓實作用，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和沉淀的數(shù)學(xué)物理方程；s1，s2，s3，…，sn表示n個模擬的輸入?yún)?shù)。由于沉積模擬輸入?yún)?shù)多，且大部分難以直接測量，如地質(zhì)歷史時期的海平面曲線、碳酸鹽產(chǎn)率、搬運速度、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，往往需要通過試錯法或參數(shù)優(yōu)化方法反復(fù)調(diào)整輸入?yún)?shù)［22-25］。

沉積過程模擬驅(qū)動的深度學(xué)習(xí)地質(zhì)建?；舅悸啡缦拢▓D1）。針對某個區(qū)塊，綜合資料分析，獲取初始地形、海平面曲線、碳酸鹽產(chǎn)率、沉積物剝蝕搬運等相關(guān)參數(shù)，開展初步沉積模擬研究。以觀測數(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)練條件化生成對抗網(wǎng)絡(luò)時需要考慮實際沉積條件數(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1.2 節(jié)的描述。

圖1 沉積模擬驅(qū)動的深度學(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 基于生成對抗神經(jīng)網(wǎng)絡(luò)的地質(zhì)建模方法

1.2.1 生成對抗網(wǎng)絡(luò)地質(zhì)建模原理

在深度學(xué)習(xí)框架下，地質(zhì)建模是一個生成式問題。按照訓(xùn)練目標(biāo)的特點，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)層通過一系列的隱藏層得到低維輸出層，比如分類、聚類等；后者輸入低維網(wǎng)絡(luò)層得到高維神經(jīng)網(wǎng)絡(luò)層，如輸入低維的隨機數(shù)據(jù)得到清晰的語音、圖像、文字等［26］。油氣藏地質(zhì)建模通常是輸入稀疏的、高精度的井點數(shù)據(jù)，在稠密的、相對低精度的地震數(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)問題。相對于判別式問題，生成式問題的機器學(xué)習(xí)難度大，直到生成式對抗網(wǎng)絡(luò)的出現(xiàn)［9，27］，才大大加快了生成式問題的解決。該技術(shù)迅速在圖像和語音合成領(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，采用對抗學(xué)習(xí)的策略進行訓(xùn)練，目標(biāo)是獲取生成表達能力強的生成網(wǎng)絡(luò)G。該訓(xùn)練框架中，生成網(wǎng)絡(luò)（G）將從先驗分布p（z）采樣的隨機向量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認為“真實”的模型，而D起著對抗的作用，即判斷由G生成的模型為假，而來自樣本庫的模型為真，G和D在相互競爭中學(xué)習(xí)，因此稱為生成對抗網(wǎng)絡(luò)。標(biāo)準(zhǔn)生成對抗網(wǎng)絡(luò)的目標(biāo)函數(shù)如下：

式中：x是來自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)對樣本的判別；z是潛在空間上的隨機向量；G（z）是生成的地質(zhì)模型；D（G（z））是判別網(wǎng)絡(luò)對生成的地質(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 條件化生成對抗網(wǎng)絡(luò)地質(zhì)建模

條件化生成對抗網(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，稱為cGAN［31］。cGAN 是GAN的擴展，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)可以是任意類型，比如類型標(biāo)簽（相類型、是否為陡坡沉積、是否發(fā)育生物等），或者儲層分布的條件約束（波阻抗、砂體發(fā)育概率等），同時參與到生成網(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，在刻畫多尺度結(jié)構(gòu)特征方面具有較強能力，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)中不只是對整個輸出結(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、海平面變化、氣候條件、海洋環(huán)境和水動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。把地層形成過程視為生物能、勢能和水體動能這3 種能量場相互耦合的過程，生物能體現(xiàn)為碳酸鹽巖生物的生長，動能表現(xiàn)為風(fēng)能和風(fēng)能引起的波浪能，勢能主要以地形的形式體現(xiàn)。模型的具體細節(jié)參考文獻［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模型、水體能量分布模型和沉積物搬運模型，可以模擬碳酸鹽巖沉積物剝蝕、搬運和沉積作用，形成并展示碳酸鹽巖體系的幾何形態(tài)、沉積層序展布，還可以通過沉積反演模擬技術(shù)自動匹配沉積過程模擬結(jié)果與觀測數(shù)據(jù)［21-22］。該軟件可以模擬臺緣帶、緩坡、孤立臺地以及復(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12小類。這4大類包括可容空間類、沉積物供給類、沉積物搬運剝蝕類和水體動能分布類，其涉及的每一小類又包括多個具體參數(shù)。下表列出了主要參數(shù)類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

前人對該地區(qū)的層序地層、沉積特征、地質(zhì)建模方法進行了大量研究［37-39］，為沉積過程模擬參數(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)長興組和下三疊統(tǒng)飛仙關(guān)組，處于有利的臺地邊緣沉積相帶。其中，長興組臺地邊緣生物礁及飛仙關(guān)組臺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)，對主產(chǎn)區(qū)垂直臺地邊緣的7 口井開展了沉積模擬框架下的沉積相解釋，指導(dǎo)正演模擬參數(shù)的調(diào)整。搭建了該地區(qū)的地層沉積過程模擬基本框架，構(gòu)建了樣本庫的沉積模擬基礎(chǔ)模型（圖3）。沉積模擬范圍為19.0 km × 8.8 km，時間跨度為3.5 Ma，平面網(wǎng)格數(shù)為129 ×129，總時間步數(shù)為200。

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

根據(jù)深度學(xué)習(xí)對泛化能力的要求，需要訓(xùn)練樣本庫涵蓋盡可能多的地質(zhì)模式，因此對基礎(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 樣本庫構(gòu)建

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

根據(jù)該地區(qū)前期的資料分析，我們認為初始地形的不確定性較低，采用確定值。海平面曲線、碳酸鹽產(chǎn)率、沉積物搬運等相關(guān)參數(shù)共計41個，不確定性較大，以手動調(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 個參數(shù)中，參數(shù)名字的最后一個數(shù)字指示這類參數(shù)的第一個參數(shù)，有些參數(shù)考慮了時間的變化，比如根據(jù)時間段再劃分為3個，其中長興組2 個，飛仙關(guān)1 個。具體參數(shù)意義如下：參數(shù)1—6 與海平面曲線有關(guān)（分別表示三級和四級海平面旋回正弦函數(shù)的振幅、周期和相位，以及線性約束），第7 個參數(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 與沉積物搬運有關(guān)（分別是勢能和動能在X和Y方向引起的沉積物搬運系數(shù)），參數(shù)12—27 與碳酸鹽產(chǎn)率有關(guān)（分別是勢能產(chǎn)率最大幅度、勢能產(chǎn)率遞減系數(shù)、透光帶厚度、動能產(chǎn)率系數(shù)、動能產(chǎn)率基準(zhǔn)值，以及勢能相關(guān)產(chǎn)率的權(quán)重），參數(shù)28—41 與水體動能有關(guān)（即動能幅度、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 個不確定性較大的參數(shù)，在確定的參數(shù)區(qū)間內(nèi)，通過超立方隨機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。本實例中，樣本庫為地質(zhì)模型二維剖面。模型以二維矩陣表示，矩陣尺寸為128 × 128，通過人工和自動篩選，去除模擬結(jié)果明顯不合理的少量樣本后，該樣本庫共計樣本11 503個，訓(xùn)練集和測試集隨機劃分，通常80 %用于訓(xùn)練，20 %用于測試。從訓(xùn)練集中隨機抽取幾個樣本，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)見圖5。其中L1損失的權(quán)重是超參，需要人為給定，對模擬結(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，通過不斷下采樣捕捉更大尺度的結(jié)構(gòu)化特征，然后再通過上采樣獲取更小尺度的地質(zhì)特征，同時通過跨層連接實現(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，即對模擬結(jié)果給出196個判別指標(biāo)，分別指示不同區(qū)域，并配合L1損失進行綜合判別。

圖5 條件化生成對抗網(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)，先通過卷積運算刻畫不同尺度的宏觀特征，然后通過反卷積刻畫小尺度特征，并通過跨尺度連接實現(xiàn)大尺度對小尺度的約束，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)在測試集上的表現(xiàn)，圖中a1到a9，a1'到a9'共計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)模型在隨機挑選的測試集上的模擬結(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

把實際觀測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抗網(wǎng)絡(luò)的地質(zhì)建模在井?dāng)?shù)據(jù)處與井上觀測數(shù)據(jù)完全吻合，井間的沉積相分布符合地質(zhì)規(guī)律。同時分析了深度學(xué)習(xí)地質(zhì)建模與多點地質(zhì)統(tǒng)計學(xué)建模效果的差異，在此基礎(chǔ)上測試了改變訓(xùn)練樣本數(shù)量及損失函數(shù)中L1 損失權(quán)重時的模擬結(jié)果。

圖7 對比了深度學(xué)習(xí)地質(zhì)建模與多點地質(zhì)統(tǒng)計學(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地質(zhì)統(tǒng)計學(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、臺緣和開闊臺地的沉積相帶特征。分析認為多點地質(zhì)統(tǒng)計學(xué)地質(zhì)統(tǒng)計學(xué)和深度學(xué)習(xí)地質(zhì)建模各有優(yōu)勢。在相帶分布的細節(jié)刻畫方面，通常深度學(xué)習(xí)建模方法優(yōu)于多點建模方法。多點地質(zhì)統(tǒng)計學(xué)建模只需一個訓(xùn)練圖像，深度學(xué)習(xí)方法需要大規(guī)模樣本，在實際應(yīng)用中前者更容易實施，另外對抗生成網(wǎng)絡(luò)訓(xùn)練不容易收斂，也進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）與多點地質(zhì)統(tǒng)計學(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 個子圖只有一個顯示了井上條件數(shù)據(jù)。

圖8 訓(xùn)練樣本量不同時生成網(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

實際應(yīng)用時應(yīng)該增加樣本，盡量減少過擬合現(xiàn)象，同時降低不合理樣本對訓(xùn)練的影響。圖8 中4 個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 %時模擬效果差別不大；40 %時出現(xiàn)明顯差異，特別是少井區(qū)域；20 %時模擬結(jié)果明顯不合理，完全不具備地質(zhì)規(guī)律，預(yù)測失敗，說明樣本量過少，存在嚴(yán)重的過擬合現(xiàn)象。需要說明的是，圖8d 中沒有疊加顯示井?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)過擬合，井間預(yù)測不合理的情況下，井點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 個子圖分別是L1 損失權(quán)重取值為100，50，10和1時的模擬結(jié)果，可以看出降低L1 損失的權(quán)重會降低生成模型的分辨率，導(dǎo)致預(yù)測結(jié)果中散點增多。但是，過度增加L1損失的權(quán)重會導(dǎo)致判別器對模型的真假識別能力降低，權(quán)重值的確定需要根據(jù)實際的樣本量和地質(zhì)模式的復(fù)雜度，通過反復(fù)測試后確定。

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題是樣本需求量大而實際地質(zhì)模型樣本不足，地層沉積過程模擬技術(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目標(biāo)區(qū)塊的主要沉積過程，錯誤的或過度簡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)生無限量樣本的訓(xùn)練集，后者只產(chǎn)生一個模型用來訓(xùn)練。但實際情況是總能通過有限的觀測數(shù)據(jù)和區(qū)域地質(zhì)分析獲得一些比較確定性的認識，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)擾動區(qū)間，基本原則是在計算量允許的范圍內(nèi)越大越好，以降低人為影響。還有一部分不確定性由測井?dāng)?shù)據(jù)的人工解釋引起，這部分反映了地質(zhì)認識的綜合不確定性，屬于可接受的范圍。

基于對上述3 種不確定性的理解，可以進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)建模方法依賴兩個基本假設(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)確地刻畫地層沉積形成的基本過程；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)塊需要滿足這兩個基本假設(shè)。很明顯，地質(zhì)過程正演模擬方法并不是要精細刻畫每一個地質(zhì)過程，而是模擬主要地質(zhì)特征，忽略不必要的細節(jié)。因為一般的地質(zhì)體都經(jīng)歷了百萬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預(yù)期的主要特征，就滿足了第一個基本假設(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)進行標(biāo)定；在參數(shù)不確定性分析的基礎(chǔ)上構(gòu)建針對目標(biāo)區(qū)塊的訓(xùn)練樣本庫。

深度學(xué)習(xí)在各個行業(yè)落地應(yīng)用的過程中，與專業(yè)領(lǐng)域知識的結(jié)合是必然要求。數(shù)據(jù)密集場景率先進行了智能化升級，比如測井相識別、地震數(shù)據(jù)解釋、產(chǎn)量遞減曲線分析等。地質(zhì)領(lǐng)域傳統(tǒng)上以概念和定性的知識為主，定量化的數(shù)據(jù)較少，智能化的發(fā)展相對緩慢。但是智能化離不開定量化，為了使地質(zhì)知識更好地服務(wù)于深層油氣藏勘探開發(fā)的實踐，有必要對沉積過程、成巖過程、溶蝕過程、構(gòu)造過程及地應(yīng)力過程等地質(zhì)過程進行定量化模擬。同時探索小樣本和基于符號的機器學(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)域面臨的主要問題之一。沉積過程模擬與深度學(xué)習(xí)建模的結(jié)合可以實現(xiàn)優(yōu)勢互補，解決沉積正演模擬與觀測數(shù)據(jù)吻合難度大和深度學(xué)習(xí)地質(zhì)建模缺少樣本的問題。

2）通過在普光氣藏主力區(qū)塊典型地質(zhì)剖面上的測試應(yīng)用，該方法的可靠性得到了驗證，構(gòu)建了10 000多個地質(zhì)模型組成的樣本庫，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，進行網(wǎng)絡(luò)訓(xùn)練和測試。利用訓(xùn)練后的生成網(wǎng)絡(luò)，輸入7 口實際的觀測井?dāng)?shù)據(jù)作為條件數(shù)據(jù)，建立了同時滿足井?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)用需要充分利用專業(yè)領(lǐng)域知識，有必要加強沉積模擬、成巖模擬、溶蝕模擬、構(gòu)造演化以及應(yīng)力模擬等地質(zhì)知識的定量化研究，促進地質(zhì)知識直接驅(qū)動的智能化地質(zhì)建模。