房大志，馬偉竣，閻續(xù)，毛崢，高楊

（1.中石化重慶頁(yè)巖氣有限公司，重慶 408400；2.長(zhǎng)江大學(xué)石油工程學(xué)院，湖北 武漢 430100；3.湖北省油氣鉆采工程重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430100）

0 引 言

巖性識(shí)別可以幫助確定儲(chǔ)層的巖性、孔隙結(jié)構(gòu)和滲透性，為油氣勘探和開(kāi)發(fā)提供關(guān)鍵信息，并指導(dǎo)井位選擇、鉆井設(shè)計(jì)和油氣生產(chǎn)管理。目前傳統(tǒng)的巖性識(shí)別方法主要為直接法和間接法。直接法是通過(guò)直接觀察巖心來(lái)確定巖性，不同地質(zhì)工程人員做出的解釋不同導(dǎo)致這種方法不夠準(zhǔn)確。間接法是通過(guò)測(cè)井曲線(xiàn)來(lái)定量研究地質(zhì)構(gòu)造的物理特征，采用層析成像技術(shù)直接獲得并觀察井壁圖片。測(cè)井曲線(xiàn)解釋需要對(duì)多條測(cè)井曲線(xiàn)進(jìn)行人工識(shí)別并標(biāo)注巖性，工作繁重且耗時(shí)長(zhǎng)，甚至需要借助交會(huì)圖等圖形技術(shù)[1]，技術(shù)要求高。而層析成像技術(shù)又受成像深度等因素限制無(wú)法廣泛應(yīng)用?？偠灾?，傳統(tǒng)識(shí)別方法精度低、效率慢并且人為因素影響大，因此，需要將儲(chǔ)層表征過(guò)程自動(dòng)化，研究出一種高精度自動(dòng)識(shí)別巖性的方法。

近年來(lái)，計(jì)算機(jī)技術(shù)逐漸被引入巖性識(shí)別工作中，其中機(jī)器學(xué)習(xí)法可實(shí)現(xiàn)巖性識(shí)別自動(dòng)化[2]，能使巖層識(shí)別過(guò)程更加高效。目前學(xué)者對(duì)不同機(jī)器學(xué)習(xí)模型在巖性自動(dòng)識(shí)別方面的應(yīng)用進(jìn)行研究。CRACKNELL M J等[3]使用大量地球物理數(shù)據(jù)，比較5種機(jī)器學(xué)習(xí)在巖性分類(lèi)中的性能。XIE Y等[4]使用測(cè)井?dāng)?shù)據(jù)，采用5種機(jī)器學(xué)習(xí)方法進(jìn)行巖性識(shí)別。LUO H等[5]使用神經(jīng)網(wǎng)絡(luò)根據(jù)巖性敏感曲線(xiàn)預(yù)測(cè)陸相頁(yè)巖油氣藏的巖性。AO Y L等[6]提出將2種機(jī)器學(xué)習(xí)算法結(jié)合在一起的混合算法，用于識(shí)別相似空間中的巖性。GONG K等[7]使用單一分類(lèi)算法來(lái)識(shí)別地下復(fù)雜沉積環(huán)境的巖性。盡管機(jī)器學(xué)習(xí)方法在巖性識(shí)別方面已取得諸多成果，但該方法對(duì)數(shù)據(jù)質(zhì)量要求較高，為進(jìn)一步提升巖性識(shí)別精度，需要對(duì)數(shù)據(jù)進(jìn)行優(yōu)化處理。

小波降噪多用于信號(hào)處理領(lǐng)域，旨在通過(guò)短波實(shí)現(xiàn)噪音消除。在油氣領(lǐng)域，小波降噪主要應(yīng)用于測(cè)井曲線(xiàn)降噪[8-11]。小波降噪后，測(cè)井曲線(xiàn)表現(xiàn)出高保真、高信噪比的特點(diǎn)，有利于油氣水層的進(jìn)一步解釋識(shí)別。但小波降噪后的測(cè)井曲線(xiàn)，在基于機(jī)器學(xué)習(xí)的巖性識(shí)別方面應(yīng)用較少，還需要進(jìn)一步研究。

本文從信號(hào)處理角度出發(fā)，對(duì)測(cè)井曲線(xiàn)進(jìn)行降噪處理，突出測(cè)井曲線(xiàn)有效信號(hào)特征，進(jìn)而建立并訓(xùn)練隨機(jī)森林、XGBoost、支持向量機(jī)等人工智能模型。通過(guò)小波降噪與人工智能模型聯(lián)合使用，提升巖性識(shí)別準(zhǔn)確率。

1 降噪與機(jī)器學(xué)習(xí)方法

針對(duì)測(cè)井曲線(xiàn)信噪比低的特點(diǎn)，引入小波變換方法對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行降噪處理，利用不同類(lèi)型的機(jī)器學(xué)習(xí)方法對(duì)降噪后的測(cè)井?dāng)?shù)據(jù)進(jìn)行分類(lèi)。下文對(duì)小波降噪技術(shù)，以及隨機(jī)森林模型、支持向量機(jī)模型、XGBoost模型這3種機(jī)器學(xué)習(xí)方法的原理進(jìn)行概述。

1.1 小波降噪技術(shù)

小波變換是傅里葉分析的一般形式。由于傅里葉變換要求信號(hào)是平穩(wěn)信號(hào)，且對(duì)數(shù)據(jù)信號(hào)中高頻特征存在過(guò)濾效應(yīng)，使得傅里葉變換應(yīng)用受到局限。小波變換將傅里葉變換中的三角函數(shù)基轉(zhuǎn)換為有限長(zhǎng)度且會(huì)衰減的基小波，從而獲得時(shí)域與頻域處理效果的提升。

實(shí)際應(yīng)用中，通過(guò)對(duì)尺度因子與平移因子離散化，實(shí)現(xiàn)小波變換的離散化應(yīng)用，離散小波變換表達(dá)式見(jiàn)式 （1）。

式中，Wf(m,n)為小波系數(shù)，m，n為整數(shù)；a0為常數(shù)，且a0≠1；φ*(t) 為基小波的共軛運(yùn)算。

信號(hào)降噪處理后，需對(duì)分解后的信號(hào)進(jìn)行逆變換，離散小波變換的逆變換為

式中，c為常數(shù)。

本文采用Daubechies3小波對(duì)數(shù)據(jù)進(jìn)行降噪。對(duì)于Daubechies小波的階數(shù)，雖然高階小波會(huì)過(guò)濾低頻噪音，但同時(shí)也會(huì)過(guò)濾有效信息[12]。在利用Daubechies3小波將測(cè)井?dāng)?shù)據(jù)降噪后，用3種類(lèi)型的機(jī)器學(xué)習(xí)方法對(duì)降噪后的測(cè)井?dāng)?shù)據(jù)分類(lèi)。

1.2 隨機(jī)森林模型

隨機(jī)森林模型是由多棵決策樹(shù)組成的集成模型，通過(guò)構(gòu)建大量決策樹(shù)，對(duì)所有決策樹(shù)結(jié)果進(jìn)行投票，進(jìn)而給出最終結(jié)果。隨機(jī)森林中的每棵決策樹(shù)并不是對(duì)全部樣本進(jìn)行學(xué)習(xí)，而是在構(gòu)成決策樹(shù)前，對(duì)原始樣本集進(jìn)行有放回的抽樣，形成M份子樣本集，進(jìn)而構(gòu)建M棵決策樹(shù)。

1.3 XGBoost模型

XGBoost模型的主要思路是對(duì)殘差進(jìn)行學(xué)習(xí)，求每棵樹(shù)預(yù)測(cè)結(jié)果之和作為最終預(yù)測(cè)值[13]。XGBoost采用泰勒級(jí)數(shù)對(duì)損失函數(shù)進(jìn)行近似估計(jì)，近似估計(jì)見(jiàn)式 （3）。

式中，Lt為損失函數(shù)；gi、hi為前（k–1）棵樹(shù)的殘差，在模型訓(xùn)練時(shí)為已知項(xiàng)，僅需對(duì)第k棵樹(shù)的殘差項(xiàng)f k(xi) 以及第k棵樹(shù)的復(fù)雜度Ω(fk)進(jìn)行優(yōu)化。

1.4 支持向量機(jī)模型

對(duì)于支持向量機(jī)模型，無(wú)論分類(lèi)任務(wù)，還是回歸任務(wù)，其核心思路在于將輸入數(shù)據(jù)通過(guò)核函數(shù)映射至更高維空間，目的是在高維空間對(duì)數(shù)據(jù)進(jìn)行更精準(zhǔn)分類(lèi)/擬合[14]。在原始輸入空間中，通過(guò)曲線(xiàn)難以將樣本點(diǎn)分類(lèi)，在核函數(shù)映射后，樣本點(diǎn)可由單一超平面分隔開(kāi)來(lái)。

1.5 模型評(píng)估方法

由于本研究為分類(lèi)預(yù)測(cè)問(wèn)題，故采用精準(zhǔn)度P、召回率R、F1評(píng)分來(lái)評(píng)估模型效果[15]。

式中，Tp為目標(biāo)巖性預(yù)測(cè)正確個(gè)數(shù)；Fp為將非目標(biāo)巖性誤認(rèn)為目標(biāo)巖性的個(gè)數(shù)；FN為目標(biāo)巖性預(yù)測(cè)錯(cuò)誤的個(gè)數(shù)；F1為F1評(píng)分的值。精準(zhǔn)度評(píng)估模型預(yù)測(cè)能力，表示其給出的預(yù)測(cè)值的可信度；召回率評(píng)估模型識(shí)別性能，表示可以從總樣本集中準(zhǔn)確挑出相應(yīng)巖性的能力；F1評(píng)分為精準(zhǔn)度與召回率的調(diào)和平均，是模型識(shí)別能力的綜合體現(xiàn)。

2 巖性識(shí)別模型的建立

2.1 研究流程

建立小波降噪與人工智能巖性識(shí)別模型的主要研究流程：①進(jìn)行數(shù)據(jù)收集整理工作，主要對(duì)隨鉆測(cè)井?dāng)?shù)據(jù)進(jìn)行收集，并整理匯總至Excel表格中以備程序讀取。②對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，并刪除缺失數(shù)據(jù)，進(jìn)而對(duì)數(shù)據(jù)進(jìn)行小波降噪處理，提取有效信息。③對(duì)降噪后的數(shù)據(jù)歸一化處理，并進(jìn)行Kendall相關(guān)性分析。④數(shù)據(jù)預(yù)處理與分析完成后，將數(shù)據(jù)導(dǎo)入不同機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，并對(duì)有無(wú)小波降噪的模型表現(xiàn)進(jìn)行對(duì)比。

2.2 數(shù)據(jù)獲取

本文采用某區(qū)塊2口水平井，15 764條、5種不同巖性的測(cè)井?dāng)?shù)據(jù)，其中泥巖數(shù)據(jù)6 770條，泥質(zhì)灰?guī)r數(shù)據(jù)5 074條，灰?guī)r數(shù)據(jù)1 438條，碳質(zhì)灰?guī)r數(shù)據(jù)2 352條，白云質(zhì)灰?guī)r數(shù)據(jù)130條。這些數(shù)據(jù)比例相差較大，因此，模型對(duì)于白云質(zhì)灰?guī)r的識(shí)別能力，反映出模型對(duì)數(shù)據(jù)特征的學(xué)習(xí)效果。該數(shù)據(jù)集包括補(bǔ)償中子測(cè)井、聲波測(cè)井、自然伽馬測(cè)井、密度測(cè)井、光電測(cè)井、釷含量、鈾含量這7種特征。

2.3 數(shù)據(jù)預(yù)覽

A井小波降噪前的測(cè)井曲線(xiàn)見(jiàn)圖1。各測(cè)井曲線(xiàn)震蕩強(qiáng)烈，數(shù)據(jù)特征被頻繁小幅震蕩覆蓋，特征不明顯，表1為A井各測(cè)井參數(shù)降噪前的統(tǒng)計(jì)值。

表1 A 井測(cè)井參數(shù)降噪前的統(tǒng)計(jì)值

圖1 A井小波降噪前的測(cè)井曲線(xiàn)圖

B井小波降噪前的測(cè)井曲線(xiàn)見(jiàn)圖2。相較于A井，B井密度曲線(xiàn)圍繞均值震蕩明顯，但總體來(lái)說(shuō)，各個(gè)曲線(xiàn)均存在大量小幅震蕩，覆蓋了數(shù)據(jù)的原有信息。表2為B井各測(cè)井參數(shù)降噪前的統(tǒng)計(jì)值。

表2 B 井測(cè)井參數(shù)降噪前的統(tǒng)計(jì)值

2.4 小波降噪處理

分別對(duì)A、B井進(jìn)行小波降噪處理， Daubechies3作為基小波，硬閾值設(shè)定為0.3。

圖3為A井小波降噪后的測(cè)井曲線(xiàn)圖，相較于降噪前，A井測(cè)井曲線(xiàn)降噪后更加平滑。光電測(cè)井起始位置至2 000 m深度，降噪效果較好；深度大于2 000 m，由于原始數(shù)據(jù)振幅增大，降噪后，特征得到突出，但仍有較大振幅。補(bǔ)償中子測(cè)井、聲波測(cè)井、自然伽馬測(cè)井、密度測(cè)井、鈾含量曲線(xiàn)降噪效果良好，釷含量曲線(xiàn)降噪后波動(dòng)降低。從表3可以看出，相較于降噪前，A井測(cè)井?dāng)?shù)據(jù)的均值和方差均降低，說(shuō)明無(wú)效信號(hào)去除效果理想。

表3 A 井測(cè)井參數(shù)降噪后的統(tǒng)計(jì)值

圖3 A井小波降噪后測(cè)井曲線(xiàn)

圖4為B井小波降噪后的測(cè)井曲線(xiàn)圖。相較于小波降噪前，B井測(cè)井曲線(xiàn)降噪后更加平滑，光電測(cè)井仍存在少量波動(dòng)，數(shù)據(jù)特征得到加強(qiáng)。補(bǔ)償中子測(cè)井、聲波測(cè)井、自然伽馬測(cè)井、密度測(cè)井、鈾含量曲線(xiàn)降噪效果良好，釷含量曲線(xiàn)降噪后波動(dòng)降低，但仍存在少量峰值點(diǎn)。從表4可以看出，相較于降噪前，B井測(cè)井?dāng)?shù)據(jù)均值和方差均降低，說(shuō)明無(wú)效信號(hào)去除效果理想。

表4 B 井測(cè)井參數(shù)降噪后的統(tǒng)計(jì)值

圖4 B井小波降噪后測(cè)井曲線(xiàn)

2.5 相關(guān)性分析

綜合A、B井?dāng)?shù)據(jù)，對(duì)測(cè)井曲線(xiàn)與巖性進(jìn)行相關(guān)性分析。由于本任務(wù)為巖性識(shí)別任務(wù)，目標(biāo)值為非連續(xù)分類(lèi)數(shù)值，故采用Kendall相關(guān)系數(shù)計(jì)算測(cè)井參數(shù)與巖性分類(lèi)標(biāo)簽的相關(guān)性（見(jiàn)表5）。從表5可以看出，降噪前，所有測(cè)井參數(shù)與巖性分類(lèi)標(biāo)簽的顯著性均接近于0，具有統(tǒng)計(jì)學(xué)顯著性，證明測(cè)井曲線(xiàn)與巖性間存在相關(guān)性。補(bǔ)償中子測(cè)井與巖性相關(guān)性最高，相關(guān)系數(shù)達(dá)0.47，鈾含量與巖性相關(guān)系數(shù)最低。降噪后，光電測(cè)井、鈾含量與巖性相關(guān)性均有所上升。

表5 測(cè)井參數(shù)降噪前、 后與巖性分類(lèi)標(biāo)簽Kendall 相關(guān)系數(shù)

3 模型結(jié)果

3.1 隨機(jī)森林模型

圖5為小波降噪前、后隨機(jī)森林巖性識(shí)別混淆矩陣。如圖5所示，小波降噪前，隨機(jī)森林將24個(gè)泥巖樣本誤判為泥質(zhì)灰?guī)r，將16個(gè)泥質(zhì)灰?guī)r樣本誤判為泥巖，導(dǎo)致其小波降噪前的精準(zhǔn)度相對(duì)較低；從另一角度看，降噪前，對(duì)于1 393個(gè)泥巖樣本，模型可精確挑出其中1 376個(gè)樣本；對(duì)于1 005個(gè)泥質(zhì)灰?guī)r樣本，模型可精確挑出其中965個(gè)樣本。小波降噪后，模型對(duì)于泥質(zhì)灰?guī)r與泥巖的誤判問(wèn)題得到改善，總體精準(zhǔn)度、召回率、F1評(píng)分得到提升，F(xiàn)1評(píng)分達(dá)0.989（見(jiàn)表6）。

表6 小波降噪前、 后隨機(jī)森林模型評(píng)分

圖5 小波降噪前、后隨機(jī)森林巖性識(shí)別混淆矩陣

3.2 XGBoost模型

圖6為小波降噪前、后XGBoost巖性識(shí)別混淆矩陣。如圖6所示，小波降噪前，XGBoost模型在泥巖與泥質(zhì)灰?guī)r判斷上，泥巖預(yù)測(cè)結(jié)果存在17個(gè)誤判，泥質(zhì)灰?guī)r預(yù)測(cè)結(jié)果存在18個(gè)誤判，其精準(zhǔn)度為0.96；對(duì)于給定真實(shí)樣本，其降噪前召回率為0.989。

圖6 小波降噪前、后XGBoost巖性識(shí)別混淆矩陣

小波降噪后，可以看出，盡管XGBoost仍存在微量誤判，但其精準(zhǔn)度、召回率、F1評(píng)分均得到提升，對(duì)于巖性特征捕捉能力更優(yōu)，F(xiàn)1評(píng)分達(dá)到0.998（見(jiàn)表7）。

表7 小波降噪前、 后XGBoost 模型評(píng)分

3.3 支持向量機(jī)模型

圖7為小波降噪前、后支持向量機(jī)巖性識(shí)別混淆矩陣。從圖7可以看出，小波降噪前，支持向量機(jī)模型在泥質(zhì)灰?guī)r、泥巖和灰?guī)r的判斷上存在較大誤差。支持向量機(jī)模型給出預(yù)測(cè)結(jié)果中，有102個(gè)泥巖預(yù)測(cè)結(jié)果錯(cuò)誤，77個(gè)泥質(zhì)灰?guī)r預(yù)測(cè)結(jié)果錯(cuò)誤，以及35個(gè)灰?guī)r預(yù)測(cè)結(jié)果錯(cuò)誤，支持向量機(jī)模型精準(zhǔn)度為0.891（見(jiàn)表8）。對(duì)于存在的真實(shí)巖性，55個(gè)泥巖、134個(gè)泥質(zhì)灰?guī)r和30個(gè)灰?guī)r結(jié)果未被篩選出，模型召回率為0.854，總體F1評(píng)分為0.869。小波降噪后，支持向量機(jī)識(shí)別能力得到提升，精準(zhǔn)度提升至0.953，召回率提升至0.970，綜合評(píng)分提升至0.961。

表8 小波降噪前、 后支持向量機(jī)模型評(píng)分

圖7 小波降噪前、后支持向量機(jī)巖性識(shí)別混淆矩陣

3.4 模型表現(xiàn)匯總

表9為各模型降噪前、后表現(xiàn)匯總。從精準(zhǔn)度來(lái)看，降噪前，支持向量機(jī)模型表現(xiàn)最差，精準(zhǔn)度只有0.891，其給出的預(yù)測(cè)結(jié)果可信度最低；XGBoost模型的精準(zhǔn)度最高，達(dá)0.960。降噪后，各模型的精準(zhǔn)度均得到提升，XGBoost模型的精準(zhǔn)度接近1，其模型預(yù)測(cè)值可信度最高；支持向量機(jī)模型精準(zhǔn)度提升效果最明顯，提升6.2%。召回率方面，降噪前，支持向量機(jī)模型表現(xiàn)最差，召回率僅0.854，其對(duì)真實(shí)巖性的分辨能力最弱，其他模型召回率均在0.900以上，XGBoost模型的召回率最高，達(dá)0.989。降噪后，各模型召回率均得到提升，XGBoost模型召回率接近1，其模型預(yù)測(cè)值對(duì)真實(shí)巖性的辨別能力最強(qiáng)。

表9 小波降噪前、 后模型表現(xiàn)匯總

總體效果來(lái)看，降噪前，支持向量機(jī)模型綜合表現(xiàn)最差，F(xiàn)1評(píng)分只有0.869，XGBoost模型的F1評(píng)分最高，達(dá)0.974。降噪后，各模型綜合性能均得到提升，XGBoost模型F1評(píng)分接近1。支持向量機(jī)模型提升效果最明顯，F(xiàn)1評(píng)分提升9.2%。

4 結(jié) 論

（1）本文基于小波降噪技術(shù)，對(duì)15 764條數(shù)據(jù)，5種不同巖性進(jìn)行處理，數(shù)據(jù)集包含補(bǔ)償中子測(cè)井、聲波測(cè)井、自然伽馬測(cè)井、密度測(cè)井、光電測(cè)井、釷含量、鈾含量這7種特征。在提升測(cè)井曲線(xiàn)信噪比的基礎(chǔ)上構(gòu)建5種人工智能模型，實(shí)現(xiàn)對(duì)巖性的識(shí)別。

（2）小波降噪技術(shù)可有效提升測(cè)井曲線(xiàn)信噪比，突出不同巖性特征，各測(cè)試模型精準(zhǔn)度、召回率、F1評(píng)分均得到提升，其中小波降噪對(duì)支持向量機(jī)模型的提升最高，精準(zhǔn)度、召回率、F1評(píng)分分別提升6.2%、11.6%、9.2%。

（3）人工智能模型可有效識(shí)別巖性，在小波降噪前，XGBoost模型表現(xiàn)最優(yōu)，其F1評(píng)分達(dá)0.974，小波降噪后，XGBoost模型仍表現(xiàn)最優(yōu)，同時(shí)，其模型性能得到提升，F(xiàn)1評(píng)分達(dá)0.998。