劉宗堡, 崔雨萌, 李軍輝, 楊占龍, 劉 芳, 劉 濤, 劉曉文

(1.東北石油大學 地球科學學院, 黑龍江 大慶 163318; 2.大慶油田有限責任公司 勘探開發(fā)研究院,黑龍江 大慶 163712; 3.中國石油勘探開發(fā)研究院 西北分院, 甘肅 蘭州 730020; 4.東北石油大學 計算機與信息技術學院, 黑龍江 大慶 163318)

0 引 言

巖相是綜合反映沉積物形成過程、成巖演化、流體溫壓等地質條件的特定巖石組合。巖相類型識別是致密油氣儲層質量評價的核心工作,其對致密砂巖儲層儲集性及含油性分級分類均具有重要控制作用[1]。以往致密砂巖儲層巖相識別方法主要有兩種:第一種是基于巖心觀察分析的直接判別,此方法對巖相的定量判別不可或缺,直觀提取巖心特征或實驗分析結果[2-7],優(yōu)點是識別準確率高,但缺點是取心成本昂貴且資料不連續(xù)[8-9];第二種方法為基于測井曲線的定性判別,特別是測井曲線的多維響應特征可以實現(xiàn)目的層全井段巖相類型的連續(xù)判別[10],如眾多學者采用電成像測井[11-13]或雷達圖[14-17]建立了儲層巖相測井曲線識別圖版,但該方法判別過程工作量極大,判別結果人為主觀性強且判識準確率有待提高[15]。

伴隨著石油工業(yè)4.0時代的到來,要想實現(xiàn)儲層全井段巖相類型的測井曲線高精度連續(xù)自動識別,尤其是針對巖性類型多、砂體變化快和層理規(guī)模小的陸相致密砂巖儲層[18-19],亟需引入計算機人工智能方法[20-21]。目前,深度學習是人工智能與地質大數(shù)據(jù)交叉融合的研究熱點[22-26],特別是基于深度學習的圖像識別方法可以在學習過程中自適應的形成針對各種關鍵深層特征敏感的濾波器,通過測井曲線數(shù)據(jù)復制的多維度非線性關系,可以廣泛實用處理巖相識別領域[27-28],如采用主成分分析法的頁巖油儲層巖相測井曲線敏感性分析及智能判別[29]。上述研究表明深度學習已經(jīng)在儲層巖相測井曲線智能判識領域取得了重要進展,但對于巖相類型復雜多變的致密砂巖儲層還需要深入研究。

針對上述問題,筆者以松遼盆地三肇凹陷州6區(qū)塊扶余油層為靶區(qū),采用具有自動提取測井曲線圖像特征的卷積神經(jīng)網(wǎng)絡作為分類器,擬建立一種致密砂巖儲層巖相類型測井曲線人工智能識別的新方法,實現(xiàn)致密砂巖儲層質量評價及計算機人工智能的有機深度融合,其研究結果對非常規(guī)油氣優(yōu)質儲層分布預測具有重要指導作用。

1 卷積神經(jīng)網(wǎng)絡

1.1 基本結構

卷積神經(jīng)網(wǎng)絡(CNN)包括特征提取網(wǎng)絡(卷積層和池化層)和分類器網(wǎng)絡(全連接層)。CNN結構中特征提取網(wǎng)絡接收輸入圖像(包含大量的卷積層和池化層),卷積層利用卷積進行圖像轉換,池化層通過將相鄰像素合并為一個像素實現(xiàn)降維,全連接部分就是普通的多分類網(wǎng)絡。CNN的核心操作是卷積和池化。卷積是一種局部操作,通過一定大小的卷積核作用于局部圖像區(qū)域,可以檢測圖像的邊緣、顏色、形狀、紋理等多種模式信息。通過組合這些卷積核,而一般的模式會被逐漸抽象為具有高層語義的“概念”表示,并以此對應到具體的樣本類別。池化的作用是使圖像降維,首先對圖像上局部窗口進行融合得到一個輸出數(shù)據(jù),然后采用某種步長掃描圖像。最常用的池化窗口為2×2,其融合操作有最大值和平均值兩種。由于卷積層通常后接ReLU激活層,其正值不變,負值變?yōu)?,所以神經(jīng)元的激活值越大,說明該神經(jīng)元對輸入局部窗口數(shù)據(jù)的反應越激烈,提取的特征越好,因此池化層的融合操作通常采用最大值池化。文中利用卷積神經(jīng)網(wǎng)絡,開展測井曲線形態(tài)特征的致密砂巖儲層巖相類型識別,正是考慮了該網(wǎng)絡具有強大的信息提取和分類識別能力。

1.2 采用CNN解決儲層巖相識別實施方案

采用CNN解決致密砂巖儲層巖相識別的基本思路是:首先通過分析不同類型巖相的測井曲線響應特征,選定若干條測井曲線作為識別的指標數(shù)據(jù)集,進行數(shù)據(jù)預處理(如必要時采用濾波去除異常點,統(tǒng)計各維數(shù)據(jù)的最大值與最小值等),并將各條測井曲線數(shù)據(jù)以巖相單元為單位生成訓練樣本圖像,每幅圖像對應一種巖相類型,然后將訓練樣本提交卷積神經(jīng)網(wǎng)絡實施訓練,訓練后的網(wǎng)絡即可用于新目標井儲層的巖相識別。本次研究選擇圖像樣本的依據(jù)是它完整體現(xiàn)了測井曲線的形態(tài)特征和位置關系,有助于建立測井曲線形態(tài)和致密砂巖儲層巖相類型之間的復雜映射關系。

2 巖相類型及測井曲線響應特征

州6區(qū)塊位于松遼盆地北部三肇凹陷肇州油田,扶余油層為研究區(qū)主力含油層系,扶余油層物源方向來自西南?？刁w系,沉積環(huán)境為三角洲相沉積體系,除扶余油層頂?shù)仔影l(fā)育三角洲前緣亞相以外,其他主體層系均為三角洲平原亞相[30]。州6區(qū)塊扶余油層埋深多在-1 780～-2 050 m,油層厚度介于230～250 m,整體表現(xiàn)為北西方向傾沒的低幅鼻狀構造特征[31-32]如圖1和2所示。

圖1 研究區(qū)位置Fig. 1 Location of study area

圖2 研究區(qū)地層綜合柱狀Fig. 2 Comprehensive strata profile of study area

目前,研究區(qū)內有水平井14口、注水井85口和采油井95口。儲層孔隙度平均值為10.9%,空氣滲透率平均值為0.86 mD,孔隙度與滲透率具有良好的線性關系,上述表明研究區(qū)屬于典型的孔隙型致密砂巖儲層[33-35]。為了開展致密砂巖儲層的巖相類型人工智能判識,首先開展基于測井曲線深度校正的巖心深度歸位,進而由巖心觀察分析得到扶余油層巖相類型,然后將巖相類型與測井曲線資料實施對比,分析不同類型巖相的差異測井曲線響應特性,選取典型測井曲線構建巖相識別的特征集合,擬合測井曲線特征集合與巖相類型之間的映射關系。通過對三肇凹陷州6區(qū)塊扶余油層巖心描述,重點考慮巖性類型、層理結構和厚度占比,進而深入剖析與巖相類型變化密切相關的測井曲線類型,主要包括自然伽馬(GR)、聲波時差(AC)、深側向電阻率(RD)、自然電位(SP)和井徑(CAL)等。為有效篩選出與巖相類型密切相關的測井曲線類型,文中首先采用主成分分析法給出不同測井曲線對巖相識別的貢獻率。具體方法是先計算測井曲線響應特征與巖相的相關度,將結果按降序排列,再進行部分和累加及歸一化處理,如表1所示。州6區(qū)塊扶余油層巖相類型特征如圖3所示。

表1 主成分分析法對5種測井曲線響應特征的分析結果Table 1 Analysis results of five logging response characteristics by principal component analysis

圖3 州6區(qū)塊扶余油層巖相類型特征Fig. 3 Lithofacies type characteristics of Fuyu reservoir in Zhou 6 block

由于巖相類型與測井曲線響應特性之間的映射關系較為復雜,而主成分分析僅僅從相關度方面刻畫二者之間的關聯(lián)性,無法反映出每種測井曲線響應特性對于特定巖相類型的敏感度,因此,文中同時采用繪制雷達圖的方法,來綜合確定用于巖相識別的測井曲線類型(圖4、圖5)。文中將研究區(qū)扶余油層劃分為7種類型巖相,如圖3所示。

圖4 不同巖相的測井響應特征分布雷達圖Fig. 4 Radar map of well logging response characteristic distributions for different lithologies

圖5 測井響應特征對不同巖相的敏感度分布雷達圖Fig. 5 Radar map of sensitivity distribution of logging response characteristics to different lithofacies

由圖3可見,文中將研究區(qū)扶余油層劃分為7種類型巖相:槽狀交錯層理細砂巖相(LfI);板狀交錯層理細砂巖相(LfII);平行層理細砂巖相(LfIII);波狀層理細砂巖相(LfIV);水平層理粉砂巖相(LfV);波狀層理泥質粉砂巖相(LfVI);其他泥巖類巖相(LfVII)。

圖4中7種類型巖相在GR、RD、AC上的區(qū)分度較好,而在SP、CAL上的區(qū)分度相對較差。圖5也顯示了相同的結論,即GR、RD、AC對于7類巖相呈現(xiàn)出較好的各向異性,而SP、CAL則呈現(xiàn)出各向同性(近似于正多邊形),同時表1中GR、RD、AC的貢獻率總和占全部特征的82%以上。因此,文中最終選定3條測井曲線開展不同類型巖相的響應特征,進而生成圖像樣本,進行基于卷積神經(jīng)網(wǎng)絡的巖相識別。

3 巖相類型卷積神經(jīng)網(wǎng)絡識別

現(xiàn)有基于測井曲線的巖相識別方法,都是采用測井曲線的單個數(shù)據(jù)點作為輸入,這些方法無法利用儲層厚度范圍內測井曲線的整體形態(tài)特征。文中首次將測井曲線的形態(tài)特征作為識別依據(jù),該方法需要首先將儲層厚度范圍內的測井曲線繪制成樣本圖像,其次將巖相判識問題轉化為測井曲線形態(tài)圖像的識別問題,最后將樣本圖像提交CNN實施訓練。

3.1 樣本圖像生成

樣本以單一巖相為單位,每個巖相生成一個樣本圖像,具體過程只需將該儲層厚度范圍內的取心井巖相標簽對應的測井曲線畫出并保存成統(tǒng)一大小的灰度圖像即可。這些圖像即為CNN的輸入樣本,而其對應的巖相即為期望輸出樣本。選定州6區(qū)塊扶余油層6口取心井(州102井、州351井、州扶59-51井、肇43-251井、肇43-251-1井、肇43-261井、肇44-261井)的690個巖相單元,不同類型巖相的樣本數(shù)量如圖6所示。將這些巖相對應的GR、RD、AC測井曲線畫圖保存成灰度圖像即可以得到690個樣本圖像,每種巖相隨機選取的5個樣本圖像,如圖7所示。

圖6 不同巖相的樣本數(shù)柱狀圖Fig. 6 Histogram of sample number of different lithofacies lithofacies

圖7 不同巖相隨機選取的5個樣本圖像 Fig. 7 Five sample images randomly selected from different

3.2 CNN模型及控制參數(shù)設計

關于CNN的網(wǎng)絡結構設計,沒有固定規(guī)律可循,以幅度為63×63的輸入圖像為例,經(jīng)過多次實驗,最終確定的CNN拓撲結構包括1個輸入層、5個卷積層、3個池化層和2個激活函數(shù)層。其中從左到右5個卷積核的大小分別為8×8,5×5,5×5,4×4,1×1;3個池化核的大小均為2×2且采用最大值池化,第1個激活函數(shù)層采用ReLU函數(shù),第2個激活函數(shù)層采用Softmax函數(shù)。在CNN輸出端采用交叉熵損失函數(shù)作為網(wǎng)絡訓練的目標函數(shù)。圖中各模塊右下角的數(shù)字為該層圖像的通道序號,各層圖像的通道數(shù)量分別為1、1、1、20、20、50、50、50、500、7、7。前9層為模式特征提取層,最后2層為實現(xiàn)分類的全連接層。CNN的訓練參數(shù)包括5個卷積層的卷積核值、閾值,輸出層連接權值,這些參數(shù)共20+25 050+400 500+3 507+49=429 691個。這些參數(shù)均初始化為均值為0,方差為10-4且服從正態(tài)分布的隨機數(shù)。

3.3 CNN樣本劃分及訓練結果

CNN的樣本分為訓練集、驗證集和測試集。訓練集用于調整網(wǎng)絡參數(shù),驗證集用于校驗CNN的訓練效果或泛化能力,測試集用于測試訓練后的CNN模型效果,并將模型真正推向實際應用。文中將7類帶標簽的樣本,每類均按3∶1∶1劃分為訓練集、驗證集與測試集,其中,訓練集和驗證集用于提交網(wǎng)絡訓練,并記錄每步訓練結果的目標函數(shù)值、訓練集識別率和驗證集識別率。單次訓練過程,如圖8所示。

圖8 損失函數(shù)及誤差隨迭代步數(shù)的變化曲線Fig. 8 Loss function and error curve of CNN training process with iterative steps

文中采用的CNN分類識別模型中,網(wǎng)絡輸出為輸入樣本被識別為各類巖相的概率,其中,僅考慮排名前2的兩種巖相的判別結果記為Top2,考慮排名前3的三種巖相(只要排名前3的三種巖相有一種正確即認為判別成功)的判別結果記為Top3。在訓練過程中CNN的控制參數(shù)包括:學習速率α,權重衰減系數(shù)λ,慣性因子β,每批樣本數(shù)B,訓練步數(shù)G。經(jīng)過反復實驗,最終確定的參數(shù)取值為α=0.001,λ=0.000 5,β=0.9,B=10,G=50。圖8a為CNN訓練過程損失函數(shù)隨迭代步數(shù)的變化曲線。圖8b為Top2誤差隨迭代步數(shù)的變化曲線。圖8c為Top3誤差隨迭代步數(shù)的變化曲線。為降低單次訓練的隨機性,文中采用相同樣本對CNN獨立訓練30次,訓練集Top2、Top3的平均識別率分別為99.64%和100%,驗證集Top2、Top3的平均識別率分別為94.48%和98.89%。

3.4 基于CNN的單井巖相識別

在巖相識別推廣過程中,由于要識別巖相的新目標井是沒有分層的,即沒有現(xiàn)成的測試集樣本可以直接提交給訓練后的CNN進行識別。針對該問題文中首次提出新目標井巖相逐點掃描識別方法。

3.5 基于CNN的巖相識別結果

為了驗證識別結果的準確性,文中建立算法識別結果的混淆矩陣(圖9),識別效果最好的巖相為LfII和LfVII,識別準確率均為100%。對于未正確識別巖相類型中,LfI樣本識別準確率為83.3%,其中,有16.7%被識別為LfII;LfIII樣本識別準確率為92.0%,4.0%被識別為LfII、4.0%被識別為LfIV;LfIV樣本識別準確率為88.5%,3.8%被識別為LfIII、7.7%被識別為LfVI;LfV樣本識別準確率為84.6%,其中,有7.7%被識別為LfIV、7.7%被識別為LfVI;LfVI識別準確率為92.9%,樣本中有7.1%被識別為LfVII。綜上所述,CNN模型對于州6區(qū)塊扶余油層7類巖相類型平均識別準確率為91.6%,說明在沉積環(huán)境和成巖作用相近的地質條件下,此CNN模型對7種巖相類型均具有良好的識別效果,雖然有所誤判但誤差在可接受范圍內,可以達到巖相類型判識實際工作需要。

圖9 巖相識別結果的混淆矩陣 Fig. 9 Confusion matrix of lithofacies identification results

3.6 基于CNN的單井巖相識別結果

圖10 BF48-46井巖相識別結果Fig. 10 BF48-46 well identification results

在這120個小層中,屬于每類巖相的層單元數(shù)、這些層單元的最大厚度、最小厚度、平均厚度如表2所示。不同類型巖相的層單元數(shù)、厚度最小值、厚度最大值和厚度平均值的判識結果,對于開展致密砂巖儲層質量評價和優(yōu)質儲層預測提供了重要依據(jù)。

表2 巖相識別結果中屬于各類巖相的小層數(shù)量及厚度Table 2 Number and thickness of small layers belonging to various lithofacies in recognition results

4 結 論

(1)三肇凹陷州6區(qū)塊扶余油層發(fā)育三角洲相致密砂巖儲層,其主要發(fā)育槽狀交錯層理細砂巖相、板狀交錯層理細砂巖相、平行層理細砂巖相、波狀層理細砂巖相、水平層理粉砂巖相、波狀層理泥質粉砂巖相和其他泥巖類巖相,采用主成分分析法和雷達圖法的測井曲線敏感性特征分析表明自然伽馬、聲波時差、深側向電阻率對扶余油層巖相類型判別具有顯著響應特征。

(2)文中首次提出將致密砂巖儲層巖相分類歸結為測井曲線形態(tài)圖像的識別問題,構建了適用于致密砂巖儲層巖相識別的卷積神經(jīng)網(wǎng)絡模型方法,測試集的平均準確率為91.6%,實現(xiàn)了對目標儲層巖相的高精度連續(xù)識別,獲得了良好的實驗效果。

(3)巖相逐點掃描識別方法實現(xiàn)了新目標井巖相的自動劃分與識別,解決了以往方法進行單井巖相識別需要提前分層的問題。此外,本文也為計算機人工智能與非常規(guī)油氣儲層質量評價的深度融合提供了新思路。