胡勇，高小洋，何文祥，李順利，朱建斌，司錦，陸雨詩

1.油氣地球化學(xué)與環(huán)境湖北省重點(diǎn)實(shí)驗(yàn)室（長(zhǎng)江大學(xué)，資源與環(huán)境學(xué)院），武漢 430100

2.中國(guó)地質(zhì)大學(xué)（北京）能源學(xué)院，北京 100089

3.長(zhǎng)慶油田分公司第一采油廠，陜西延安 716000

0 引言

儲(chǔ)層地質(zhì)模型是油藏描述的核心，也是連接油藏地質(zhì)與石油工程的橋梁，準(zhǔn)確表征砂體形態(tài)及分布，建立相應(yīng)的儲(chǔ)層地質(zhì)模型具有重要的理論和現(xiàn)實(shí)意義[1-8]。曲流河砂體是重要的陸相碎屑巖儲(chǔ)層類型，目前用于曲流河的建模方法主要有基于目標(biāo)、基于過程和多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)三種方法[9-16]?；谀繕?biāo)的模擬方法雖然能較好地再現(xiàn)河道的形態(tài)，但難以準(zhǔn)確刻畫點(diǎn)壩[9]，為此，多位學(xué)者開展了點(diǎn)壩建模算法的探索性研究，主要有基于點(diǎn)壩空間形態(tài)的矢量靜態(tài)模擬[17]，基于廢棄河道與點(diǎn)壩位置關(guān)系的模擬[18]，還有基于沉積過程算法（Alluvsim）的應(yīng)用性研究成果[19-21]，上述成果都沒有涉及條件化方面的研究。其中，基于沉積過程的建模方法（Alluvsim）能夠模擬曲流河的側(cè)向遷移形成點(diǎn)壩，主要通過對(duì)曲流河中線進(jìn)行隨機(jī)游走實(shí)現(xiàn)河道的側(cè)向遷移、垂向加積、分汊改道和決口等過程，并用幾何形態(tài)參數(shù)對(duì)曲流河中線上所有的節(jié)點(diǎn)賦值，建立每期曲流河的三維模型，最終實(shí)現(xiàn)曲流河模擬，可以比較真實(shí)精細(xì)地刻畫河道及點(diǎn)壩的幾何形態(tài)[10]。條件化是基于目標(biāo)和基于過程的建模方法待解決的另一個(gè)難題，即建立的模型不能很好地滿足井點(diǎn)條件[14,20,22]，難以滿足實(shí)際工作需要；多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)由于訓(xùn)練圖像平穩(wěn)性問題多存在模擬不完全的現(xiàn)象，如模擬的河道易出現(xiàn)中斷[23-29]。可見，傳統(tǒng)建模方法難以做到既有效描述點(diǎn)壩與河流形態(tài)，又滿足井點(diǎn)條件，因此需要開展更深層次的研究。

近年來，隨著人工智能技術(shù)的快速發(fā)展，深度學(xué)習(xí)技術(shù)在圖像識(shí)別、圖像生成等領(lǐng)域取得了突破性的進(jìn)展[30-32]，其中圖像的識(shí)別與生成是應(yīng)用相對(duì)較廣的一項(xiàng)技術(shù)[33-36]。圖像生成主要利用生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）來進(jìn)行，通過分析多幅圖像，感知幾何特征，進(jìn)而模仿并生成相關(guān)圖像，該算法自2014 年Goodfellowet al.[37]提出以來，在地質(zhì)研究上被廣泛應(yīng)用于生成各種復(fù)雜圖像，例如：巖石薄片圖像生成、數(shù)字巖心重構(gòu)等[38-41]。這些人工智能生成的圖像細(xì)節(jié)豐富、逼真，為模擬復(fù)雜多變的曲流河帶來了可能。已有學(xué)者在人工智能曲流河建模方面做了一些探索性的工作：如利用生成對(duì)抗網(wǎng)絡(luò)生成無條件化的二維[42]和三維曲流河圖像[43]；為了解決條件化的難題，一些學(xué)者提出了多種解決方案：主要有條件化井?dāng)?shù)據(jù)[44-45]、分層訓(xùn)練[46]、樣本參數(shù)化[47]等方法，成功生成了條件化的三維曲流河模型，但這些模型沒有考慮點(diǎn)壩砂體，也沒有采用實(shí)際數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證。期望克服以上不足，實(shí)現(xiàn)以下目標(biāo)：建立一個(gè)既能滿足井點(diǎn)條件，又具有一定預(yù)測(cè)效果的三維曲流河與點(diǎn)壩模型。

以鄂爾多斯盆地某氣田為研究對(duì)象，采用條件生成對(duì)抗網(wǎng)絡(luò)算法進(jìn)行曲流河建模。為了較好地模擬點(diǎn)壩砂體，采用Alluvsim 算法建立多個(gè)（200）能夠反映研究區(qū)曲流河彎曲形態(tài)以及點(diǎn)壩砂體的模型，通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)200 個(gè)模型進(jìn)行深度學(xué)習(xí)獲取特征矩陣，在此基礎(chǔ)上，結(jié)合實(shí)際井點(diǎn)數(shù)據(jù)利用條件生成對(duì)抗網(wǎng)絡(luò)來生成曲流河模型，從而實(shí)現(xiàn)模擬結(jié)果既能很好地刻畫點(diǎn)壩及曲流河彎曲形態(tài)，又能很好地滿足井點(diǎn)條件。同時(shí)，詳細(xì)討論了影響模擬結(jié)果的關(guān)鍵因素，將模擬結(jié)果與多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模結(jié)果對(duì)比分析，并進(jìn)行了模型的抽稀井檢驗(yàn)。

1 生成對(duì)抗網(wǎng)絡(luò)原理

生成對(duì)抗網(wǎng)絡(luò)是一種基于深度學(xué)習(xí)的生成模型，由Goodfellowet al.[37]在2014 年提出，是近年來復(fù)雜分布上無監(jiān)督學(xué)習(xí)最具前景的方法之一，主要應(yīng)用于圖像生成領(lǐng)域。與傳統(tǒng)深度學(xué)習(xí)算法不同，它主要根據(jù)生成器與判別器之間的“博弈”對(duì)生成結(jié)果不斷優(yōu)化。在這個(gè)“博弈”過程中，生成器的目標(biāo)是建立模型，判別器的目標(biāo)是判別模型的真?zhèn)?。為了在“博弈”過程中取得成功，生成器必須學(xué)習(xí)建立能夠反映地質(zhì)特征的模型，而判別器則會(huì)通過不斷地判別模型的真?zhèn)蝸硖岣吲袆e能力，通過不斷地建立與判別，直到判別器無法識(shí)別生成模型的真?zhèn)?，這時(shí)生成器就可以建立可靠合理的模型。

假設(shè)用于訓(xùn)練的模型數(shù)據(jù)為x，模型數(shù)據(jù)的分布為Pdata（x），隨機(jī)變量z的分布為Pz(z)，在理想情況下G(z)的分布應(yīng)該盡可能地接近Pdata(x)。根據(jù)交叉熵?fù)p失，可以構(gòu)造損失函數(shù)：

式中：EX～Pdata(x)[·]與EZ～PZ(Z)[·]指數(shù)學(xué)期望，EX～Pdata(x)是在訓(xùn)練數(shù)據(jù)x 中取得的樣本，EZ～PZ(Z)是從隨機(jī)變量z 中取得的樣本。其中G(z)代表生成器G 生成的模型，D(x)代表判別器D判斷模型是否真實(shí)的概率；D(G(z))是判別器D判斷G(z)是否真實(shí)的概率。

通過GAN網(wǎng)絡(luò)訓(xùn)練得到的模型可以隨機(jī)生成河道砂體模型，但是與基于目標(biāo)的模擬方法一樣難以條件化，所以需要在這一過程中加入一定的約束條件，使生成器能夠生成滿足井點(diǎn)條件的模型。

為了解決這一問題，有學(xué)者在GAN 的基礎(chǔ)上提出了CGAN（Conditional Generative Adversarial Networks）模型[48]，在訓(xùn)練與生成過程中加入約束條件y，即在公式1中加入條件y（井點(diǎn)數(shù)據(jù)）：

式中：D(x|y)為判別器輸出的模型x是否是條件y所對(duì)應(yīng)模型的概率；G(z|y)為隨機(jī)向量z在該條件y下生成的模型。

在訓(xùn)練過程中，需要在給定條件下將生成的模型與實(shí)際的模型做對(duì)比，所以在訓(xùn)練時(shí)需要輸入成對(duì)的訓(xùn)練集。利用公式（2）建立了新的損失函數(shù)：

式中：y表示條件數(shù)據(jù)，x為訓(xùn)練數(shù)據(jù)，z為輸入G網(wǎng)絡(luò)的隨機(jī)向量，G（z|y）為G網(wǎng)絡(luò)根據(jù)條件數(shù)據(jù)和隨機(jī)向量生成的目標(biāo)模型，D（y,G（z|y））是D 網(wǎng)絡(luò)判斷G 生成的模型在y條件下是否真實(shí)的概率。

數(shù)據(jù)集異常值、網(wǎng)絡(luò)參數(shù)以及損失函數(shù)的設(shè)定不當(dāng)通常會(huì)影響模型訓(xùn)練的效果，過擬合是在模型訓(xùn)練過程中最常出現(xiàn)的現(xiàn)象，在本次訓(xùn)練過程中也遇到了這種現(xiàn)象，很多學(xué)者提出了各種方法來解決這一問題[49-52]，其中利用正則化懲罰項(xiàng)是最常見的手段，本研究采用L2 正則化懲罰項(xiàng)來解決這一問題，即：

式中：w為網(wǎng)絡(luò)中所用到的權(quán)重參數(shù)，λ是控制L2（G）比例的超參數(shù)，本研究設(shè)定為0.001。L2可以加快模型收斂并提高模型的精度。因最終目標(biāo)是形成一個(gè)生成滿足井點(diǎn)條件河道模型的生成網(wǎng)絡(luò)，最終的目標(biāo)函數(shù)為：

式中：輸入模型x（訓(xùn)練集）與條件y（條件集），判別網(wǎng)絡(luò)提取訓(xùn)練集與條件集的特征矩陣，并通過兩個(gè)全連接層得到訓(xùn)練模型的真實(shí)概率；生成網(wǎng)絡(luò)中的Encoder（編碼器）將條件y 進(jìn)行下采樣提取條件特征，結(jié)合隨機(jī)噪音數(shù)據(jù)輸入到Decoder（解碼器）中生成滿足條件y的模型；將生成的模型輸入判別網(wǎng)絡(luò)得到模型是否真實(shí)的概率，并與訓(xùn)練數(shù)據(jù)的概率進(jìn)行對(duì)比；將對(duì)比結(jié)果反饋給生成對(duì)抗網(wǎng)絡(luò)并進(jìn)行參數(shù)優(yōu)化，通過多次迭代使損失函數(shù)G*趨于穩(wěn)定時(shí)就可以得到能生成滿足研究區(qū)條件曲流河模型的生成網(wǎng)絡(luò)（公式5）。

2 基于生成對(duì)抗網(wǎng)絡(luò)的建模方法

與傳統(tǒng)建模方法不同，基于生成對(duì)抗網(wǎng)絡(luò)的建模是模擬人腦的思維過程，它需要對(duì)同類型的模型不斷學(xué)習(xí)、模仿，從而提高建模（模仿）水平，最終能夠建立（模仿）一個(gè)形態(tài)特征與學(xué)習(xí)數(shù)據(jù)一致、與實(shí)際鉆井吻合的模型。

在上述建模實(shí)現(xiàn)過程中主要有以下四個(gè)步驟（其中②、③、④是交叉迭代進(jìn)行的），圖1為建模過程流程圖。

圖1 基于生成對(duì)抗網(wǎng)絡(luò)的曲流河建模流程圖Fig.1 Flow chart of meandering river modeling based on the generated countermeasure network

1）準(zhǔn)備用于深度學(xué)習(xí)的模型——訓(xùn)練數(shù)據(jù)的建立方法

CGAN理論的核心在于對(duì)數(shù)據(jù)開展深度學(xué)習(xí)，這就需要采用合適的方法建立一定數(shù)量的能夠反映研究區(qū)砂體空間形態(tài)特征的地質(zhì)模型。

點(diǎn)壩是曲流河沉積單元中最重要的儲(chǔ)集砂體，也是研究區(qū)的重點(diǎn)研究對(duì)象，因此建立的模型不僅要很好地再現(xiàn)曲流河的彎曲形態(tài)，還要能夠在成因上反映點(diǎn)壩砂體的空間形態(tài)。

盡管基于目標(biāo)的建模方法能較好刻畫河流彎曲形態(tài)，但難以刻畫點(diǎn)壩[9]，多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)則難以刻畫連續(xù)形態(tài)的河道[23-29]?；谝陨喜蛔?，Pyrczet al.[10]在2009 年提出了基于沉積過程的建模方法（Alluvsim），Alluvsim能夠模擬河道的側(cè)向遷移，從而較好地在河道的凹岸加積形成點(diǎn)壩，國(guó)內(nèi)多位學(xué)者開展了利用Alluvsim 算法模擬點(diǎn)壩砂體的研究[18-21]。因而Alluvsim建立的模型符合研究區(qū)砂體特征，是本文建立數(shù)據(jù)集所采用的方法。

Alluvsim的主要輸入?yún)?shù)為河道平均厚度、河道寬厚比、河道彎曲度、模擬河道的條數(shù)。設(shè)定好這些初始參數(shù)，即可開展Alluvsim 隨機(jī)模擬，得到多個(gè)曲流河砂體模型，用于下一步的深度學(xué)習(xí)。

2）對(duì)①的模型進(jìn)行深度學(xué)習(xí)——數(shù)據(jù)集的訓(xùn)練方法

人工智能是模仿人腦學(xué)習(xí)的過程，在建立河道模型之前必須先對(duì)模型進(jìn)行學(xué)習(xí)，因此特征的提取尤為重要。研究區(qū)模型的厚度為30 m，為了保證模型的精度，垂向能達(dá)到每個(gè)網(wǎng)格0.5 m 的精度（多數(shù)開發(fā)階段地質(zhì)建模所采用的精度），同時(shí)便于計(jì)算機(jī)計(jì)算，網(wǎng)格數(shù)量設(shè)置為2的倍數(shù)，垂向網(wǎng)格設(shè)置為64個(gè)。橫向尺寸考慮到滿足模型的精度和計(jì)算機(jī)的數(shù)據(jù)處理能力，設(shè)置為256，最終訓(xùn)練模型的網(wǎng)格大小為256×256×64（共419 萬個(gè)網(wǎng)格），第一層卷積核定義為3×3×64的矩陣。

特征提取主要通過卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行，采用PatchGAN結(jié)構(gòu)[53]，對(duì)于三維地質(zhì)模型，需將一個(gè)模型分解為N×N 個(gè)部分，每部分通過多個(gè)卷積層，得到N×N×1 的判別層，其中每個(gè)元素代表對(duì)應(yīng)的真?zhèn)闻卸ńY(jié)果，整個(gè)輸入的真?zhèn)闻卸ńY(jié)果是N×N 個(gè)元素的均值，經(jīng)過Isolaet al.[53]的研究，將N設(shè)為70模型生成效果最好，本文也采用這一參數(shù)。

通過大量的卷積核對(duì)上一層的模型進(jìn)行卷積運(yùn)算，在①的模型中提取出了大量的特征矩陣。在特征提取過程中，需要將每層模型的值（每個(gè)網(wǎng)格單元）與卷積核進(jìn)行線性運(yùn)算（y=w×x+b，w 為卷積核的參數(shù)，b 為偏置項(xiàng)）。由于池化層對(duì)上一層的輸出信息有一定的“舍棄”，會(huì)丟失一定的信息，但并不能保證所舍棄的信息是否有用，故在研究中用卷積層來代替池化層，保證神經(jīng)網(wǎng)絡(luò)可以獲取更多的信息。在訓(xùn)練時(shí)會(huì)通過梯度下降法不斷優(yōu)化w和b，因而每一個(gè)卷積層輸出的特征都是原始模型在該隱空間上的映射，而提取到的特征矩陣會(huì)在訓(xùn)練過程中隨著優(yōu)化而不斷變化。在上述特征提取步驟中，為了使生成的模型滿足給定的井點(diǎn)條件，需要將訓(xùn)練模型與條件模型在相同維度上進(jìn)行拼接，即河道模型與條件模型的大小為256×256×64，拼接之后的模型大小則為256×512×64（圖2）。

圖2 訓(xùn)練模型與條件模型拼接示意圖Fig.2 Schematic diagram of training and conditional model splicing

3）在深度學(xué)習(xí)的基礎(chǔ)上開始模仿①的模型進(jìn)行建模——生成網(wǎng)絡(luò)的建立方法

模型的生成（建立）則是②的逆過程，目前應(yīng)用較廣的是采用U-Net 結(jié)構(gòu)[53]來生成模型，它主要是通過對(duì)特征矩陣進(jìn)行相同層數(shù)的反卷積運(yùn)算實(shí)現(xiàn)。在反卷積過程中，模型的生成（生成網(wǎng)絡(luò)來實(shí)現(xiàn)）與對(duì)比（判別網(wǎng)絡(luò)來實(shí)現(xiàn)）以及模型的訓(xùn)練（深度學(xué)習(xí)）在運(yùn)算過程中是交叉運(yùn)行的。

CGAN模型主體為判別網(wǎng)絡(luò)與生成網(wǎng)絡(luò)，判別網(wǎng)絡(luò)主要對(duì)模型進(jìn)行特征提取，并判斷模型的真實(shí)性；生成網(wǎng)絡(luò)主要采用U-Net網(wǎng)絡(luò)結(jié)構(gòu)，生成網(wǎng)絡(luò)需要將條件模型進(jìn)行卷積操作（Encoder 過程）生成特征向量，然后對(duì)特征向量進(jìn)行反卷積（Decoder 過程）生成對(duì)應(yīng)的三維模型。

在U-Net 結(jié)構(gòu)中，Encoder（編碼器）為一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)，將條件數(shù)據(jù)通過多層卷積運(yùn)算進(jìn)行下采樣，提取井點(diǎn)數(shù)據(jù)信息。在研究中將Encoder過程設(shè)定為6 個(gè)卷積層，卷積核計(jì)算步幅設(shè)定為2，卷積核個(gè)數(shù)由淺入深分別設(shè)定為32，64，128，256，512與1 024個(gè)，最終得到一個(gè)4×4×1 024的矩陣，通過兩個(gè)全連接層將該矩陣輸出為一個(gè)100 個(gè)數(shù)據(jù)的一維向量，然后再建立一個(gè)100個(gè)數(shù)據(jù)的服從正態(tài)分布的一維隨機(jī)數(shù)組，將兩個(gè)數(shù)組拼接為一個(gè)200個(gè)數(shù)據(jù)的一維數(shù)組，得到一個(gè)隨機(jī)向量；Decoder（解碼器）為反卷積過程，通過結(jié)合Encoder過程所采集到的各層信息以及與Encoder過程相同層數(shù)的反卷積層運(yùn)算，即Encoder 的逆過程，生成一個(gè)模型。判別所生成模型在條件數(shù)據(jù)下的真實(shí)性，然后輸出損失函數(shù)的變化曲線，當(dāng)該曲線隨訓(xùn)練的進(jìn)行趨于穩(wěn)定時(shí)，CGAN 模型就已經(jīng)訓(xùn)練完成。將每個(gè)模型的權(quán)重、損失量等信息反饋給生成網(wǎng)絡(luò)與判別網(wǎng)絡(luò)，根據(jù)反饋信息調(diào)整參數(shù)，使生成網(wǎng)絡(luò)生成的每一個(gè)模型越來越接近訓(xùn)練數(shù)據(jù)。

4）對(duì)③所建立的模型與①的模型進(jìn)行對(duì)比——判別網(wǎng)絡(luò)的建立方法

訓(xùn)練模型中真實(shí)模型的概率：將②中訓(xùn)練模型所提取到的特征值，通過兩個(gè)全連接層網(wǎng)絡(luò)輸出一個(gè)模型是否為真實(shí)的概率值（模型的真實(shí)與否，在訓(xùn)練模型中需預(yù)先標(biāo)定）。

生成模型是否真實(shí)的概率：將③中所建立的模型提取特征矩陣后，同樣通過兩個(gè)全連接層輸出概率值。

生成模型的對(duì)比：將“生成模型是否真實(shí)的概率”與“訓(xùn)練模型中真實(shí)模型的概率”進(jìn)行對(duì)比，從而得到生成模型是否真實(shí)的結(jié)果。

3 建模實(shí)例研究

3.1 工區(qū)概況

研究區(qū)位于蘇里格氣田南部地區(qū)（圖3a），伊陜斜坡西部中段，坡降非常平緩，為3～5 m/km，地層傾角不足1°。上古生界石盒子組盒8 段是本區(qū)的主力含氣層段，該段砂體分布穩(wěn)定，含氣性好，具有較大的勘探和開發(fā)潛力。盒8段平均孔隙度較低，集中在5%～8%，屬于低孔儲(chǔ)層。圖3b為長(zhǎng)慶油田內(nèi)部沉積相研究成果，建模工區(qū)位于圖3b中西側(cè)，前人研究成果顯示建模工區(qū)內(nèi)分布有兩條曲流河，工區(qū)面積為25 km2，鉆井較少共有10口井，研究目的層為盒8上1段，前人研究成果顯示鄰區(qū)盒8上段均為曲流河沉積環(huán)境[54-58]，本區(qū)巖心與測(cè)井顯示為曲流河河道的沉積特征（圖4，5）。

圖3 研究工區(qū)概況（a）研究區(qū)位置圖；（b）研究區(qū)沉積相（長(zhǎng)慶油田內(nèi)部成果）Fig.3 Overview of the study area

圖4 研究區(qū)A6 井曲流河沉積特征（a）1 498.65 m，上部為灰色粗—中砂巖，槽狀交錯(cuò)層理，下部部見沖刷面、滯留泥礫；（b）1 492.32 m，灰色粗—中砂巖，厚層狀，可見多組高角度板狀交錯(cuò)層理；（c）1 484.83 m，淺灰綠色細(xì)砂巖，厚層狀，可見多組中—低角度板狀交錯(cuò)層理；（d）曲流河沉積剖面與垂向沉積序列圖Fig.4 Sedimentary characteristics of meandering river in well A6 in the study area(a) 1 498.65 m,the upper part is gray coarse medium sandstone with trough cross bedding,and the lower part is the scouring surface and retained mud gravel;(b) 1 492.32 m,bray coarse medium sandstone with thick layer,with multiple groups of high angle plate cross bedding visible;(c) 1 484.83 m,light gray green fine sandstone with thick layer,with multiple groups of medium low angle plate cross bedding visible

圖4a巖心上部為灰色粗砂巖，槽狀交錯(cuò)層理，反映河道沉積特征；下部見沖刷面，滯留礫巖，反映了河床底部的沖刷沉積特征。圖4b巖心為淺灰綠色細(xì)砂巖，厚層狀，可見多組高角度板狀交錯(cuò)層理，反映了層理角度較大的點(diǎn)壩底部側(cè)向加積的沉積特征。圖4c巖心位于點(diǎn)壩側(cè)積體頂部，相對(duì)圖4b的巖心層理角度變小，粒度變細(xì)。河道在側(cè)向遷移的過程中，每一期側(cè)移層底部為河床滯留沉積，滯留沉積之上為槽狀交錯(cuò)層理，側(cè)向遷移形成的點(diǎn)壩主體則是板狀交錯(cuò)層理，A6 井屬于沉積序列中的點(diǎn)壩主體（圖4d）。

自然伽馬（GR）測(cè)井曲線的形態(tài)整體顯示出正旋回的沉積特征（圖5），其中A5整體砂巖厚度較大，GR整體值偏低，為點(diǎn)壩沉積特征；A1～A4正旋回現(xiàn)象較明顯，下部GR值低，上部GR值高，反映了河道側(cè)積過程中河道與點(diǎn)壩的復(fù)合沉積，A1-A4井整體下部低GR曲線段為點(diǎn)壩沉積，上部高GR曲線段為河道沉積。

圖5 層GR 曲線沉積特征（以正旋回沉積為主）Fig.5 Sedimentary characteristics of the gamma ray (GR) curve from (primarily positive cycle sedimentation)

3.2 建模輸入?yún)?shù)

1）Alluvsim模型的建立

因研究受國(guó)家自然科學(xué)基金項(xiàng)目資助，屬于探索性研究，為了明確方法的可行性以及能夠較好地體現(xiàn)研究效果，選取了面積和地層厚度相對(duì)較小的工區(qū)來開展研究（不考慮河漫沉積，以模擬滿足井點(diǎn)條件的點(diǎn)壩和河道為主），工區(qū)內(nèi)沉積體也相對(duì)簡(jiǎn)單，分布有2 條曲流河（圖3b）。研究的訓(xùn)練模型數(shù)據(jù)集利用Pyrczet al.[10]公開發(fā)表的Alluvsim源代碼建立，該源代碼采用Fortran 語言編譯，利用Petrel 建模軟件對(duì)成果進(jìn)行三維顯示?；贏lluvsim 算法建立了200個(gè)河道砂體等概率模型（圖6），模型的網(wǎng)格尺寸為5 km×5 km×30 m。Alluvsim 算法是基于河道沉積過程的算法，只需輸入河道相關(guān)參數(shù)即可得到對(duì)應(yīng)的模型，根據(jù)圖3b前人沉積相研究成果，統(tǒng)計(jì)得到河道彎曲度為1.4，河道的平均寬度為500 m，根據(jù)測(cè)井曲線統(tǒng)計(jì)得到河道的平均厚度為12 m，河道寬厚比設(shè)置為45，模擬河道條數(shù)為2。圖6的模擬結(jié)果中黃色為河道，藍(lán)色為點(diǎn)壩，灰色為泛濫平原沉積（泥巖為主），模擬出的河道在剖面上呈正透鏡狀，河道改道彎曲的區(qū)域則是點(diǎn)壩砂體，較好地體現(xiàn)了河道及點(diǎn)壩的沉積特征。

圖6 訓(xùn)練用模型（顯示了16 個(gè)）Fig.6 Models used for training (16 shown)

Alluvsim在建立河道模型過程中，通過將河道在空間上進(jìn)行平移以滿足井?dāng)?shù)據(jù)。因初始構(gòu)建的河道模型未考慮任何井點(diǎn)數(shù)據(jù)，在河道平移的過程中，常出現(xiàn)難以滿足所有井點(diǎn)的現(xiàn)象，從而造成模型條件化程度低、不收斂，甚至崩潰?；诖?，研究采用條件生成對(duì)抗網(wǎng)絡(luò)（CGAN）的建模思路來解決條件化的難題。生成對(duì)抗網(wǎng)絡(luò)（GAN）是在隨機(jī)噪音的基礎(chǔ)上生成模型，而CGAN 所采用的隨機(jī)噪音模型中則包含了井點(diǎn)數(shù)據(jù)作為初始數(shù)據(jù)，因而生成的模型能與井點(diǎn)數(shù)據(jù)吻合較好。若在對(duì)200 個(gè)模型訓(xùn)練時(shí)均采用實(shí)際井點(diǎn)數(shù)據(jù)作為條件數(shù)據(jù)，那么在生成模型時(shí)，一旦實(shí)際建模時(shí)井點(diǎn)數(shù)據(jù)發(fā)生了變化（如新增加鉆井），可能造成生成的模型條件化效果不高，也即該訓(xùn)練模型僅適用于工區(qū)目前的井點(diǎn)分布情況。一旦建模時(shí)井點(diǎn)分布發(fā)生變化，則需要根據(jù)實(shí)際井點(diǎn)數(shù)據(jù)重新訓(xùn)練，會(huì)耗費(fèi)大量機(jī)時(shí)。為了應(yīng)對(duì)不同的井點(diǎn)分布情況，需要隨機(jī)設(shè)定井位分布，即讓模型訓(xùn)練時(shí)能考慮足夠多的可能性，這樣訓(xùn)練完畢的模型適用性也更廣。這也是深度學(xué)習(xí)的主要特點(diǎn)，需要足夠多的隨機(jī)樣本（訓(xùn)練模型、條件模型）進(jìn)行學(xué)習(xí)，增強(qiáng)模型的生成能力。

根據(jù)圖5的模型隨機(jī)設(shè)定了相應(yīng)的井點(diǎn)條件（圖7），即基于訓(xùn)練模型集中的每個(gè)模型（200 個(gè)），隨機(jī)設(shè)定一些虛擬井，每口井有著與模型對(duì)應(yīng)位置的微相特征，其中泛濫平原作為背景相輸入，條件相為河道與點(diǎn)壩。該條件模型同樣為三維模型，垂向上分為64 個(gè)網(wǎng)格單元層，每一網(wǎng)格層的條件與建立的三維河道砂體模型的每一網(wǎng)格層模型一一對(duì)應(yīng)。為了確保建立模型時(shí)能夠滿足實(shí)際井點(diǎn)條件，訓(xùn)練時(shí)的條件井?dāng)?shù)應(yīng)大于實(shí)際井?dāng)?shù)，因而在圖7中訓(xùn)練用的井?dāng)?shù)大于10（隨機(jī)設(shè)定井?dāng)?shù)為11、12、13）。圖8為工區(qū)實(shí)際井點(diǎn)數(shù)據(jù)，本次參與模擬的井共10口，作為生成該河道砂體模型的條件數(shù)據(jù)。其中鉆遇以河道為主的井4 口，鉆遇以點(diǎn)壩為主的井2 口，鉆遇以泛濫平原泥巖為主的井4 口?；谝陨蠑?shù)據(jù)開展了深度學(xué)習(xí)，期望所建立的河道模型能夠再現(xiàn)砂體的復(fù)雜形態(tài)，并較好地滿足井點(diǎn)條件。

圖7 條件數(shù)據(jù)（顯示了16 個(gè)）Fig.7 Condition data (16 shown)

圖8 研究區(qū)井點(diǎn)數(shù)據(jù)（a）井點(diǎn)位置平面圖；（b）井點(diǎn)數(shù)據(jù)三維圖Fig.8 Well point data in the study area

3.3 建模結(jié)果

CGAN網(wǎng)絡(luò)的訓(xùn)練利用Mirzaet al.[48]公開發(fā)表的源代碼進(jìn)行二次開發(fā)并建立，該源代碼采用Python語言編譯，利用Petrel 建模軟件對(duì)成果進(jìn)行三維顯示。

在數(shù)據(jù)集的訓(xùn)練過程中，理論上訓(xùn)練次數(shù)越多，提取的特征矩陣也會(huì)越多，從而保證生成模型的質(zhì)量。研究將圖6 與圖7 作為“數(shù)據(jù)對(duì)”訓(xùn)練100次，以圖7 作為條件數(shù)據(jù)，建立了該工區(qū)的三維河道模型。

為了展示模型中河道的垂向變化，圖9為該模型第1、15、30、40個(gè)網(wǎng)格層的二維模型。模擬結(jié)果再現(xiàn)了彎曲的河道，也基本體現(xiàn)了河道與點(diǎn)壩的形態(tài)及相互關(guān)系。圖9a～d顯示了河道在垂向上由河道頂部到底部的變化特征，由于河道形態(tài)呈正透鏡狀，從頂?shù)降缀拥勒w的寬度應(yīng)逐漸變窄。

圖9 訓(xùn)練100 次時(shí)各網(wǎng)格層的模型Fig.9 Model of each grid layer after training 100 times

在圖9中，圖b與圖a對(duì)應(yīng)較好，可以展示點(diǎn)壩及河道垂向上的變化；圖c左側(cè)標(biāo)注區(qū)的點(diǎn)壩與圖a、b、d沒有對(duì)應(yīng)關(guān)系，右側(cè)標(biāo)注區(qū)與圖a、b對(duì)應(yīng)較差，圖c北部河道與點(diǎn)壩的形狀和規(guī)模也不符合河道的垂向變化特征；與圖a、b、c 相比，圖d 標(biāo)注區(qū)的河道彎曲度較小，導(dǎo)致河道形狀及點(diǎn)壩個(gè)數(shù)與圖a、b、c在垂向上對(duì)應(yīng)關(guān)系較差。

上述分析說明該模型在每一個(gè)網(wǎng)格層模擬效果較好，垂向上也可以展示河道的變化特征，但模型在三維空間上存在河道形狀、點(diǎn)壩個(gè)數(shù)不對(duì)應(yīng)的現(xiàn)象，不能體現(xiàn)河道的沉積成因及變化規(guī)律。

4 討論

為了明確影響模型結(jié)果的關(guān)鍵因素，并提高模型的精度，從以下幾方面開展了討論。

4.1 輸入?yún)?shù)

由于CGAN模型輸入?yún)?shù)較多，鑒于CGAN目前應(yīng)用較廣，為相對(duì)較成熟的算法，一一測(cè)試不僅耗費(fèi)大量機(jī)時(shí)，還占用大量篇幅，故研究中的各個(gè)參數(shù)均為經(jīng)驗(yàn)取值，因最終的建模結(jié)果能夠滿足研究的需求，沒有對(duì)輸入?yún)?shù)做進(jìn)一步的測(cè)試，表1 為研究過程中CGAN的主要參數(shù)及意義。

4.2 訓(xùn)練次數(shù)

本次測(cè)試在訓(xùn)練集模型數(shù)量為200的前提下，分別通過訓(xùn)練10 次、50 次、100 次以及200 次建立四個(gè)生成器，將圖7的條件數(shù)據(jù)分別輸入四個(gè)生成器中生成四個(gè)模型，與圖9一樣，輸出第1、15、30、40網(wǎng)格層的二維模型來展示模型特征。由于河道形態(tài)在垂向上是變化的，在頂面規(guī)模最大、底面最小，因而圖10～12的結(jié)果中，最上面的網(wǎng)格層（第1層，河道頂面）與井點(diǎn)吻合很好；由于鉆井并不總是位于河道最厚處，隨著網(wǎng)格層向河道底部移動(dòng)，會(huì)出現(xiàn)一些偏差，主要集中在河道底部的第40 個(gè)網(wǎng)格層。整體上，隨著訓(xùn)練次數(shù)的增加，生成的模型與井點(diǎn)吻合度越來越高（圖10～12）。

當(dāng)訓(xùn)練10 次時(shí)（圖10），單層模型河道形態(tài)基本展現(xiàn)出來，但部分區(qū)域模擬不完整，河道存在中斷的現(xiàn)象；點(diǎn)壩基本在河道彎曲處生成，形態(tài)還需要進(jìn)一步優(yōu)化。垂向上也能體現(xiàn)河道及點(diǎn)壩的變化，即由頂?shù)降缀拥缹挾戎饾u變窄，點(diǎn)壩規(guī)模逐漸變小，但某些部位與上下層的對(duì)應(yīng)關(guān)系較差（標(biāo)注區(qū)的河道彎曲度及點(diǎn)壩的位置、大小）。

當(dāng)訓(xùn)練50 次時(shí)（圖11），單層模型河道形態(tài)變好，河道的形態(tài)也更為連續(xù)，局部還有斷開的現(xiàn)象。模型中部模擬較好，南北兩側(cè)模擬較差，細(xì)節(jié)刻畫還不夠精確；點(diǎn)壩模擬則較為完整，但圖11a 下部、圖11c 上部等某些部位與河道之間的對(duì)應(yīng)關(guān)系較差。垂向上與圖10 相比更能體現(xiàn)河道及點(diǎn)壩的垂向變化，但某些河道的幾何形態(tài)上下層不一致（標(biāo)注區(qū)）。

圖11 訓(xùn)練50 次時(shí)各網(wǎng)格層的模型圖（a）第1層；（b）第15層；（c）第30層；（d）第40層Fig.11 Model of each grid layer after training 50 times

當(dāng)訓(xùn)練100 次時(shí)（圖9），河道的連續(xù)性，點(diǎn)壩與河道的關(guān)系模擬較為合理，除垂向各層之間河道及點(diǎn)壩的幾何形狀、大小及對(duì)應(yīng)關(guān)系還有待完善，模型基本滿足曲流河沉積特征。

當(dāng)訓(xùn)練200 次時(shí)（圖12），各單層模型模擬較為完全，河道連續(xù)，點(diǎn)壩的形狀、大小與位置正確，河道與點(diǎn)壩的對(duì)應(yīng)關(guān)系也較好。垂向上各單層體現(xiàn)出河道及點(diǎn)壩的變化，即從頂?shù)降缀拥缹挾燃包c(diǎn)壩大小逐漸變小，圖9～11 中上下層不對(duì)應(yīng)的情況也得到了很好的解決。將得到的曲流河砂體三維模型數(shù)據(jù)輸入Petrel 軟件中得到該工區(qū)的地質(zhì)模型可視化圖（圖13）。

圖12 訓(xùn)練200 次時(shí)各層的模型圖（a）第1層；（b）第15層；（c）第30層；（d）第40層Fig.12 Model of each layer after training 200 times

圖13 工區(qū)三維河道地質(zhì)模型Fig.13 Three-dimensional (3D) river geological model of the study area

上述測(cè)試說明更多的訓(xùn)練次數(shù)會(huì)帶來更好的模擬結(jié)果，但相應(yīng)的計(jì)算時(shí)間會(huì)成倍增加，為了確定最優(yōu)化的訓(xùn)練次數(shù)，在訓(xùn)練過程中統(tǒng)計(jì)了G*損失函數(shù)的值。圖14顯示損失函數(shù)隨著訓(xùn)練次數(shù)的增加逐漸降低，并逐漸收斂于0.7，當(dāng)訓(xùn)練次數(shù)為160時(shí)，損失函數(shù)的值保持穩(wěn)定，說明更多的訓(xùn)練次數(shù)不能帶來更好的模擬效果，因此本工區(qū)最合適的訓(xùn)練次數(shù)為160。

圖14 G*損失函數(shù)變化曲線圖Fig.14 Variation of G* loss function

4.3 數(shù)據(jù)集的影響

深度學(xué)習(xí)的基礎(chǔ)是訓(xùn)練數(shù)據(jù)集，為了確定最優(yōu)化的數(shù)據(jù)集數(shù)量，本次研究分別使用10、50、100、200個(gè)模型數(shù)量來進(jìn)行訓(xùn)練，將圖8條件數(shù)據(jù)分別輸入生成器得到4 個(gè)模型，同樣輸出每個(gè)模型的第1、15、30、40網(wǎng)格層二維模型進(jìn)行對(duì)比。

上述的10、50、100、200 個(gè)模型均由Alluvsim 建立，這些模型主要用于深度學(xué)習(xí)，理論上來說用于學(xué)習(xí)的模型數(shù)量越多，最后生成的模型越真實(shí)（如同學(xué)習(xí)畫，臨摹的數(shù)量越多，畫出成品的概率越高），但模型數(shù)量并不是越多越好，模型數(shù)量越多意味著更多的運(yùn)算時(shí)間，需要找到適合工區(qū)的最優(yōu)化學(xué)習(xí)模型的數(shù)量。

以下4 次測(cè)試均為模型訓(xùn)練本研究區(qū)最優(yōu)化的訓(xùn)練次數(shù)（160次）。

當(dāng)訓(xùn)練10 個(gè)模型時(shí)，如圖15 所示，生成的模型沒有展現(xiàn)曲流河的形態(tài)，僅在井點(diǎn)數(shù)據(jù)周圍生成了一些數(shù)據(jù)，河道不僅連續(xù)性差且看不出河道與點(diǎn)壩的關(guān)系，模擬的效果非常差。

圖15 訓(xùn)練10 個(gè)數(shù)據(jù)集時(shí)各層的模型圖（a）第1層；（b）第15層；（c）第30層；（d）第40層Fig.15 Model of each layer for 10 training datasets

當(dāng)訓(xùn)練50 個(gè)模型時(shí)，生成的曲流河各層模型如圖16所示。平面上，各層的河道基本連續(xù)了起來，部分區(qū)域存在斷開和模擬不完全的現(xiàn)象；垂向上，有點(diǎn)壩大小及河道寬度逐漸降低的趨勢(shì)，但各層模型點(diǎn)壩與河道的幾何形態(tài)對(duì)應(yīng)關(guān)系較差。

圖16 訓(xùn)練50 個(gè)數(shù)據(jù)集時(shí)各層的模型圖（a）第1層；（b）第15層；（c）第30層；（d）第40層Fig.16 Model of each layer for 50 training datasets

當(dāng)訓(xùn)練100個(gè)模型時(shí)，所生成的曲流河各層模型如圖17所示。平面上，各層模型河道基本連續(xù)，河道還存在斷開的現(xiàn)象，一些點(diǎn)壩模擬效果較差，點(diǎn)壩與河道的對(duì)應(yīng)關(guān)系較差；垂向上，基本可以體現(xiàn)出點(diǎn)壩大小與河道寬度逐漸減小的趨勢(shì)，但是部分區(qū)域點(diǎn)壩與河道的幾何形態(tài)在垂向上難以對(duì)應(yīng)，由于訓(xùn)練數(shù)據(jù)集的增加，模擬結(jié)果與圖16 相比得到了一定的改善。

圖17 訓(xùn)練100 個(gè)數(shù)據(jù)集時(shí)各層的模型圖（a）第1層；（b）第15層；（c）第30層；（d）第40層Fig.17 Model of each layer for 100 training datasets

當(dāng)訓(xùn)練200個(gè)模型時(shí)，所生成的曲流河各層模型如圖12、13 所示。平面和垂向上模型模擬得較為完整，說明形成的生成對(duì)抗網(wǎng)絡(luò)模型捕捉了足夠多的曲流河沉積特征，通過200次的訓(xùn)練所建立的生成器能生成細(xì)節(jié)足夠豐富，點(diǎn)壩與河道較為完整的曲流河砂體三維儲(chǔ)層模型。

人工智能深度學(xué)習(xí)需要對(duì)數(shù)據(jù)樣本進(jìn)行大量的矩陣運(yùn)算，GPU（顯卡）因?yàn)槠涮幚砭仃囉?jì)算的高效性被廣泛運(yùn)用到深度學(xué)習(xí)，本研究在訓(xùn)練過程中采用英偉達(dá)的GeForce GTX 1660 型號(hào)GPU，該GPU 有1 408個(gè)流處理器單元，訓(xùn)練的模型大小為256×256×64，根據(jù)本文討論的參數(shù)，訓(xùn)練200個(gè)模型、訓(xùn)練200次所花費(fèi)的時(shí)間為4 h。

4.4 與傳統(tǒng)建模方法的對(duì)比

為了體現(xiàn)本研究所建模型方法的適用性，與傳統(tǒng)建模方法進(jìn)行了對(duì)比。其中基于目標(biāo)的模擬目前難以很好地刻畫點(diǎn)壩，另外目前河道建模條件化所采用的方法為先模擬河道，再對(duì)河道進(jìn)行平移或旋轉(zhuǎn)等來滿足井點(diǎn)條件，在這個(gè)過程中通常會(huì)出現(xiàn)河道形態(tài)扭曲和不能滿足所有井點(diǎn)的現(xiàn)象，造成基于目標(biāo)的建模方法難以應(yīng)用于實(shí)際工作中。

圖13顯示本文所采用的方法與序貫指示模擬方法類似，為基于已知數(shù)據(jù)進(jìn)行河道模擬，從而能完全滿足井點(diǎn)條件，進(jìn)一步通過深度學(xué)習(xí)再現(xiàn)河道和點(diǎn)壩的形態(tài)。與基于目標(biāo)的方法相比，本文所采用的方法不僅能很好地模擬河道和點(diǎn)壩的形態(tài)，也能很好地條件化，即生成的模型與井點(diǎn)數(shù)據(jù)是完全吻合的（圖8、圖18a）。

圖18 人工智能生成模型與多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬結(jié)果對(duì)比（a）人工智能生成模型；（b）多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬結(jié)果Fig.18 Comparison between artificial intelligence generation model and multipoint geostatistical simulation results

多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)可以模擬復(fù)雜儲(chǔ)層形態(tài)及其相互關(guān)系，為此，本研究?jī)H將CGAN 模擬結(jié)果與多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)的模擬結(jié)果進(jìn)行對(duì)比分析，在多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬中所采用的訓(xùn)練圖像為圖18a的成果。

通過對(duì)比圖18 的模擬結(jié)果可知，因采用圖18a作為訓(xùn)練圖像，圖18b的多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬的結(jié)果首先能滿足井點(diǎn)條件，其次較好地反映了點(diǎn)壩與河道之間的關(guān)系，這是多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)的優(yōu)勢(shì)；但同時(shí)圖18b 對(duì)河道的連續(xù)性模擬得并不好，存在多處中斷，多位學(xué)者的研究也證實(shí)了這點(diǎn)[23-29]，并且模擬結(jié)果中出現(xiàn)了大約4條主河道，而訓(xùn)練圖像中僅給出了2 條河道，并不能很好地再現(xiàn)圖18a 中的沉積特征。對(duì)比結(jié)果表明與傳統(tǒng)建模方法相比，本文所采用的方法能較好地再現(xiàn)河道模型地質(zhì)體的空間特征。

同時(shí)圖18a的模擬結(jié)果也較好地體現(xiàn)了圖3b中的河道沉積特征，主要分布有2 條河道，河道彎曲的區(qū)域分布有點(diǎn)壩，河道與點(diǎn)壩的規(guī)模與前人的研究成果也相符合，且實(shí)現(xiàn)了河道儲(chǔ)層的三維化，能在此基礎(chǔ)上開展更為精細(xì)的描述（本研究中未考慮河漫沉積）。

4.5 模型的驗(yàn)證

為了檢驗(yàn)所建立的模型是否能夠準(zhǔn)確表征砂體的特征，通常采用抽稀井檢驗(yàn)、油藏?cái)?shù)值模擬檢驗(yàn)等方法。油藏?cái)?shù)值模擬適用于開發(fā)中的油氣田，故而本研究區(qū)主要采用抽稀井檢驗(yàn)的方法。因模型的主要目的是刻畫點(diǎn)壩砂體，為了檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度，依據(jù)實(shí)際井鉆遇砂體情況，將圖8中的A5井去掉，將剩下的A1～A4、A6～A10 作為條件數(shù)據(jù)輸入到CGAN網(wǎng)絡(luò)，建立了基于9口井的河道模型，以檢驗(yàn)A5井處的點(diǎn)壩預(yù)測(cè)效果。

圖19 為模擬結(jié)果，可以發(fā)現(xiàn)整體結(jié)果與圖18a差異不大。右側(cè)河道區(qū)域由于沒有對(duì)井?dāng)?shù)進(jìn)行改變，模擬結(jié)果保持不變；左側(cè)河道在模擬過程中參與計(jì)算的為A3、A4兩口井，整體形態(tài)與分布變化不大，變化的區(qū)域主要體現(xiàn)在A3 與A4 兩口井之間的河道區(qū)域，與圖18a相比較，由于條件數(shù)據(jù)更少（圖18a為3 口井，圖19 為2 口井），對(duì)模擬結(jié)果的約束也就越少，因而模擬的河道形態(tài)更為均勻、協(xié)調(diào)（河道寬度變化較小，主要體現(xiàn)在河道的波峰波谷位置），A5 井區(qū)的點(diǎn)壩也得到了很好的預(yù)測(cè)，與井點(diǎn)吻合較好。

圖19 模型抽稀井驗(yàn)證（A5 為抽稀井）Fig.19 Verification of model dilution well (A5)

為了更清晰地明確河道的演化，選取了3條過井剖面（圖18a）。可以很清晰地顯示河道內(nèi)部沉積特征，整體上與測(cè)井曲線吻合較好，其中點(diǎn)壩以砂為主，對(duì)應(yīng)測(cè)井曲線低GR部分；河道以細(xì)粒沉積為主，對(duì)應(yīng)測(cè)井曲線的上部高GR 值（圖20）。也說明了本文所采取的研究方法能有效進(jìn)行河道沉積砂體的模擬，利用圖19 的三維地質(zhì)模型可以開展進(jìn)一步的有利儲(chǔ)層研究。

圖20 過井剖面圖Fig.20 Cross-sections

5 結(jié)論與展望

針對(duì)傳統(tǒng)的建模方法難以有效模擬曲流河砂體，本文利用基于人工智能深度學(xué)習(xí)的條件生成對(duì)抗網(wǎng)絡(luò)（CGAN），克服了其他建模方法的條件化困難、不易恢復(fù)點(diǎn)壩砂體等難題，在河道人工智能三維建模方面進(jìn)行了深入研究。

本研究通過Alluvsim 算法建立了200 個(gè)反映目標(biāo)區(qū)河流沉積特征的三維模型，通過大量的卷積運(yùn)算提取河道模型訓(xùn)練數(shù)據(jù)集的特征矩陣，利用條件生成對(duì)抗網(wǎng)絡(luò)（CGAN）建立了可以生成河道砂體三維模型的生成網(wǎng)絡(luò)，通過反卷積操作來生成所需的河道模型，所建立的模型可以很好地克服傳統(tǒng)建模方法的不足。在模擬地質(zhì)體形態(tài)方面，由于模擬結(jié)果是在對(duì)大量Alluvsim 模型（包含點(diǎn)壩與曲流河）深度學(xué)習(xí)基礎(chǔ)上利用條件生成對(duì)抗網(wǎng)絡(luò)所生成的，模擬的曲流河與點(diǎn)壩形態(tài)特征與訓(xùn)練數(shù)據(jù)（Alluvsim模型）保持一致，這也是生成網(wǎng)絡(luò)的優(yōu)勢(shì)；在條件化方面，因在生成過程中加入了條件數(shù)據(jù)的約束，生成網(wǎng)絡(luò)模擬的結(jié)果除了能與Alluvsim模型保持一致，還會(huì)滿足實(shí)際井點(diǎn)數(shù)據(jù)，打破了長(zhǎng)久以來傳統(tǒng)曲流河建模方法條件化困難的局面，從而使得建立的曲流河模型能與實(shí)際更有效地結(jié)合。

研究表明，訓(xùn)練時(shí)所用的學(xué)習(xí)數(shù)據(jù)越多，模型在深度學(xué)習(xí)的過程中所提取的信息也越多，在模型生成階段根據(jù)條件數(shù)據(jù)所建立的模型也越可靠。而在給定訓(xùn)練數(shù)據(jù)集的前提下，該算法對(duì)模型訓(xùn)練的次數(shù)愈多，所獲得的模型特征數(shù)據(jù)庫愈大，所包含的模型細(xì)節(jié)也愈豐富，生成的模型也愈反映輸入模型的形態(tài)特征。

雖然本文的研究取得了一定的效果，目前國(guó)內(nèi)應(yīng)用Alluvsim 算法研究曲流河建模的主要是高校多年研究建模算法的科研工作者，主要采用研究源代碼的方式，如何降低建立訓(xùn)練模型的門檻，可能是曲流河人工智能建模今后要考慮的方向。

另外三角洲沉積砂體規(guī)模大，是近年致密油氣勘探的重要領(lǐng)域，與曲流河相比，三角洲沉積受河湖交互影響，砂體的空間分布更為復(fù)雜，難以較好地隨機(jī)模擬三角洲及內(nèi)部砂體的形態(tài)及分布。現(xiàn)階段能反映各微相三維特征的三角洲訓(xùn)練模型多為手動(dòng)修改完成，這對(duì)需要大量訓(xùn)練數(shù)據(jù)的人工智能建模研究來說是巨大的工作量，利用多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)采用人機(jī)互動(dòng)的方式建立三角洲訓(xùn)練模型是一個(gè)較為可行的策略，作者正在這方面開展積極的探索研究。

相信隨著計(jì)算機(jī)軟硬件技術(shù)的快速發(fā)展，能更好地拓寬人工智能地質(zhì)建模的應(yīng)用領(lǐng)域，為今后智能化油氣田的勘探和開發(fā)添磚加瓦。