王哲峰,高娜,曾蕊,杜雪菲,杜欣睿,陳思宇

(中國石油集團測井有限公司長慶分公司,陜西西安710201)

0 引 言

微電阻率掃描成像測井通過推靠極板上的紐扣電極,測量井眼周向上的電導(dǎo)率,由軟件方法通過色標刻度,得到井眼環(huán)周二維圖像,已廣泛應(yīng)用于碳酸鹽巖、砂礫巖和火成巖的測井評價[1-3]。但在大井眼情況下,電成像測井的井眼覆蓋率達不到100%,圖像上出現(xiàn)空白條帶。為保證后期測井處理和解釋的精度,有必要對空白條帶進行充填。

常用的空白條帶充填方法是基于多點地質(zhì)統(tǒng)計學(xué)的Filtersim算法,HURLEY N F等[4]首先提出了該方法,并應(yīng)用于空白條帶充填。其主要思路是將已知像素的圖像塊使用濾波器濾波后,聚類形成多個圖像塊模板類別。在充填時,通過比較當前缺損圖像塊與各類別圖像塊模板的度量距離,選擇距離最近的模板類別進行充填,如果當前缺損圖像塊中沒有已知像素點,則在圖像塊模板中隨機選擇一個進行充填。國內(nèi)外在實際應(yīng)用中,很多選擇了Filtersim算法[5-8]。文獻[9]的研究指出,Filtersim算法中在結(jié)構(gòu)特征為主的多層理區(qū)域,充填后的層理連續(xù)性不強,無法得到較好的充填效果。本文的實驗研究也表明了這一點。

深度學(xué)習(xí)已成為目前計算機視覺、圖像處理和語音識別等領(lǐng)域的研究熱點。YANG C等[10]應(yīng)用深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),進行自然場景圖像的修復(fù)。LI Y J等[11]提出一種深度產(chǎn)生式模型,用于人臉圖像的補全。但這類算法都需要大量的訓(xùn)練樣本,而對于電成像測井來說,取得大量的井周全井眼真實圖像數(shù)據(jù)是不現(xiàn)實的。因此,本文借鑒文獻[12]提出的人為設(shè)計的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身就能夠抓取大量低層級的圖像統(tǒng)計先驗信息的思想,通過優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型結(jié)構(gòu),保留CNN前端的多層卷積層和下采樣層(池化層),后端替換為多層卷積層和上采樣層,形成Encoder—Decoder網(wǎng)絡(luò)模型,實現(xiàn)單幅圖像的結(jié)構(gòu)和紋理特征信息推理。實際應(yīng)用表明,本文提出的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型算法對于砂泥巖剖面和砂礫巖體圖像,都取得了較好的充填效果。

1 深度學(xué)習(xí)概念及其神經(jīng)網(wǎng)絡(luò)模型原理

深度學(xué)習(xí)通過特征學(xué)習(xí)、特征抽象、模型學(xué)習(xí)等任務(wù)模塊的參與,借助多層任務(wù)模塊完成最終的學(xué)習(xí)任務(wù)。不同于傳統(tǒng)的學(xué)習(xí)算法,深度學(xué)習(xí)的主要優(yōu)勢在于自主性的特征學(xué)習(xí)功能。深度學(xué)習(xí)中一類代表性的算法是神經(jīng)網(wǎng)絡(luò)算法,包括深度置信網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)等。特別是CNN[13],目前在諸多領(lǐng)域特別是圖像相關(guān)任務(wù)上表現(xiàn)優(yōu)異,如圖像分類、圖像語義分割、圖像檢索、物體檢測等,其最主要特點是卷積運算操作。

CNN是一種層次模型,用于圖像分類的典型網(wǎng)絡(luò)模型結(jié)構(gòu)的輸入是原始數(shù)據(jù),如RGB圖像等,通過卷積操作,池化操作和非線性激活函數(shù)映射等一系列操作的層層堆疊,將高層語義信息逐層由原始數(shù)據(jù)輸入層中抽取出來,逐層抽象,進行前饋運算,再通過全連接層和輸出層將分類任務(wù)形式化為目標函數(shù)。通過計算預(yù)測值于真實值之間的誤差或損失,采用隨機梯度下降算法(SGD)和誤差反向傳播,將誤差或損失由最后一層逐層向前反饋,更新每層參數(shù),并在更新參數(shù)后再次前饋,如此反復(fù),直到網(wǎng)絡(luò)模型收斂,從而達到模型訓(xùn)練的目的。在測試時,由前饋運算,計算輸入測試圖像的分類標簽。

CNN的主要優(yōu)點:①卷積層通過網(wǎng)絡(luò)訓(xùn)練,學(xué)習(xí)到最有效的底層特征抽取參數(shù),即卷積核參數(shù),避免了顯式的特征抽取;而且學(xué)習(xí)到卷積核參數(shù)對圖像不同位置的所有輸入都是相同的,具有權(quán)值共享特性,減少了學(xué)習(xí)參數(shù),在降低網(wǎng)絡(luò)規(guī)模的同時,提高了訓(xùn)練速度。②進行二次特征提取的池化層,在降低特征維數(shù)的同時,使特征學(xué)習(xí)包含某種程度的自由度,可容忍一些特征微小的位移,并在一定程度上防止訓(xùn)練過擬合。

2 電成像圖像充填深度學(xué)習(xí)模型

通常認為CNN在圖像生成和復(fù)原方面的優(yōu)異表現(xiàn),得益于大量訓(xùn)練樣本圖像,但DMITRY U等[12]的研究表明在大量樣本學(xué)習(xí)之前,深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身就能夠捕獲大量低層級的圖像統(tǒng)計先驗信息。基于這一思想,將圖像修復(fù)問題表示為式(1)的能量最小化問題

(1)

式中,fθ(.)為一深度神經(jīng)網(wǎng)絡(luò)模型;θ為網(wǎng)絡(luò)模型參數(shù);x0為待修復(fù)圖像;z為網(wǎng)絡(luò)模型輸入;能量函數(shù)E(.;.)計算在輸入z的情況下,由神經(jīng)網(wǎng)絡(luò)模型預(yù)測出的圖像在已知像素點處與x0的差異,作為網(wǎng)絡(luò)模型的誤差,并將這一誤差,經(jīng)反向傳播,更新θ。重復(fù)這一訓(xùn)練過程,直至達到最大迭代次數(shù),或網(wǎng)絡(luò)模型誤差達到限定值。最終,使用得到的(局部)最優(yōu)θ*,通過x*=fθ*(z)計算預(yù)測圖像x*,作為圖像修復(fù)結(jié)果。

很明顯,因為fθ(.)要求輸出與x0相同維數(shù)的圖像張量,CNN圖像分類模型框架已經(jīng)不適用。本文保留CNN圖像分類模型前端的多層卷積層和池化層(下采樣),進行圖像底層特征的提取,并將后端替換為多層卷積層和上采樣層,形成Encoder—Decoder網(wǎng)絡(luò)模型結(jié)構(gòu)。

2.1 模型結(jié)構(gòu)

Encoder—Decoder網(wǎng)絡(luò)模型結(jié)構(gòu)中,左邊為Encoder結(jié)構(gòu),網(wǎng)絡(luò)深度為6個組合層,卷積核大小為5×5,采用卷積步長為2來進行下采樣,代替池化層。卷積層的16、32、64、128表示卷積層輸出的通道數(shù),使用反射padding。使用Leaky ReLU作為激活函數(shù),并加入批規(guī)范化操作層(Batch Normalization),加快模型收斂速度,在一定程度上緩解網(wǎng)絡(luò)的”梯度彌散“問題,使深層網(wǎng)絡(luò)模型的訓(xùn)練更加穩(wěn)定。在Decoder結(jié)構(gòu)部分,加入上采樣層(UpSample),數(shù)值2表示上采樣的尺度大小。卷積核的大小為3×3,卷積步長為1,同樣使用反射padding。網(wǎng)絡(luò)深度也為6個組合層。

圖1 空白條帶圖像充填效果對比圖(1)

2.2 網(wǎng)絡(luò)模型的輸入輸出

網(wǎng)絡(luò)模型的輸入采用與待修復(fù)圖像同樣尺寸的2通道網(wǎng)格灰度圖像(MeshGrid)。其中,第1通道圖像灰度從左至右,由0漸變到255;第2通道圖像灰度從上至下,由0漸變到255。采用這樣的網(wǎng)絡(luò)模型輸入,可提供1個額外的平滑先驗,對于修復(fù)大面積的缺失區(qū)域非常有幫助。實驗研究也表明采用MeshGrid灰度圖像輸入比采用均勻分布的隨機圖像效果好。

為保證修復(fù)后圖像不出現(xiàn)電成像刻度色標以外的顏色,本文將電成像彩色圖像灰度化后,作為待修復(fù)圖像。網(wǎng)絡(luò)模型輸出也為1通道的灰度圖像,與待修復(fù)圖像,經(jīng)掩膜模板,計算已知像素點上的均方誤差(MSE),進行網(wǎng)絡(luò)模型的誤差反向傳播。修復(fù)后的圖像,通過比較刻度色標上的灰度值,轉(zhuǎn)化為彩色圖像。

2.3 網(wǎng)絡(luò)模型優(yōu)化算法

深度卷積神經(jīng)網(wǎng)絡(luò)通常采用隨機梯度下降(SGD)類型的優(yōu)化算法進行模型訓(xùn)練和參數(shù)求解,在誤差反向傳播時,根據(jù)一階梯度信息對參數(shù)進行更新。本文采用Adam算法,利用梯度的一階矩估計和二階矩估計動態(tài)調(diào)整每個參數(shù)的學(xué)習(xí)率。這樣,經(jīng)過偏置校正后,每一次迭代學(xué)習(xí)率都有一個確定范圍,可使參數(shù)更新比較平穩(wěn)。具體算法見文獻[14]。本文中,Adam算法的基本學(xué)習(xí)率為0.01,同時隨機初始化網(wǎng)絡(luò)模型參數(shù)。

3 實驗結(jié)果分析及應(yīng)用實例

3.1 充填結(jié)果對比分析

本文提出的深度神經(jīng)網(wǎng)絡(luò)模型充填算法在PyTorch[15]深度學(xué)習(xí)框架下實現(xiàn),并與Filtersim算法在砂泥巖剖面和砂礫巖體電成像圖像上進行了充填效果對比。

Filtersim算法采用與文獻[9]同樣的運行參數(shù)。如圖1(b)所示,Filtersim算法對于結(jié)構(gòu)特征豐富的多層理區(qū)域,充填后的層理連續(xù)性不強,無法得到較好的充填效果。本文提出的深度神經(jīng)網(wǎng)絡(luò)算法,設(shè)置迭代次數(shù)為2 000次,圖2顯示了多輪的網(wǎng)絡(luò)模型輸出結(jié)果。如圖2(a)所示,沒有經(jīng)過訓(xùn)練的網(wǎng)絡(luò)模型輸出顯示為隨機值,經(jīng)過100次迭代,網(wǎng)絡(luò)模型捕獲到圖像的大致輪廓信息,隨著迭代次數(shù)的增加,更多的圖像細節(jié)被網(wǎng)絡(luò)模型學(xué)習(xí)到。最終的充填圖像如圖1(c)所示,可以看到,對于層理連接處的處理效果更好,過度平滑且自然,極佳地保持了多個層理在空白處的連續(xù)性。

對于如圖3(a)所示的砂泥巖剖面成像圖,對比圖3(b)和圖3(c),可以發(fā)現(xiàn),在大面積的紋理分量突出區(qū)域,2種方法取得的充填效果近似,但對于圖像上半部分的黑色泥質(zhì)條帶,顯然本文方法處理的效果更好。

圖2 深度神經(jīng)網(wǎng)絡(luò)多輪迭代輸出

圖3 空白條帶圖像充填效果對比圖(2)

圖4顯示了對砂礫巖體電成像圖像的處理結(jié)果。可以看到,Filtersim算法充填后,礫石邊緣輪廓的連續(xù)性較差,而本文方法有效地恢復(fù)了輪廓邊緣信息,有利于圖像分割等后處理過程。

圖4 空白條帶圖像充填效果對比圖(3)

3.2 充填方法在砂礫巖巖性精細評價中的應(yīng)用

深層砂礫巖油藏是重要的油氣勘探開發(fā)目標,但這類油藏埋藏深、巖性復(fù)雜、巖相變化快,巖石骨架造成孔隙結(jié)構(gòu)復(fù)雜化,削弱了流體變化對電阻率的影響,測井信息識別巖性評價儲層難度大。為做好砂礫巖儲層評價,服務(wù)難動用油藏開發(fā),以高分辨率的電成像測井為基礎(chǔ),準確識別砂礫巖巖相。但目前采集的電成像數(shù)據(jù)未實現(xiàn)對井眼的全覆蓋,導(dǎo)致計算結(jié)果不準,識別準確率較低,影響巖相劃分結(jié)果。因此,在本文充填方法的基礎(chǔ)上,對全井眼圖像進行分割等圖像處理,提取粒度變化譜,實現(xiàn)對砂礫巖巖相的準確識別。圖5為YJ油田砂礫巖區(qū)塊Y1井的巖性精細評價綜合成果圖。

圖5 Y1井3 676～3 677.6 m段砂礫巖巖性精細評價綜合成果圖

圖5中第2道為原始FMI靜態(tài)成像圖;第1道為采用本文空白條帶充填方法,得到的全井眼成像圖;第3道為第1道成像圖經(jīng)圖像處理后,構(gòu)建的砂礫巖粒度譜;第4道為計算的砂礫巖巖性剖面?？梢钥吹綆r性以細礫巖和中礫巖為主,符合YJ油田砂礫巖體區(qū)塊的儲層“四性”關(guān)系分析結(jié)論:含礫砂巖、礫狀砂巖物性含油性較好,因此為Y1井優(yōu)選壓裂設(shè)計井段3 675～3 677 m。Y1井根據(jù)巖性精細評價成果確定射孔井段5簇,壓裂成功實施后,獲得初產(chǎn)近20 t的產(chǎn)能,目前穩(wěn)產(chǎn)日產(chǎn)油10 t,水3 m3。

本文提出的電成像空白條帶充填方法應(yīng)用于YJ油田難動用區(qū)塊復(fù)查工作中,可準確評價油層的有效性,為優(yōu)選射孔井段和壓裂層段提供依據(jù)。老井在難動用儲量開發(fā)中獲得重新利用。

4 結(jié) 論

(1)文章提出的電成像空白條帶充填方法,利用深度神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu),學(xué)習(xí)已知像素點上的圖像底層特征,并拓展到圖像空白條帶處。在實際應(yīng)用中,較Filtersim算法,取得了更好的充填效果。

(2)該方法不需要大量的學(xué)習(xí)樣本,只對單幅圖像進行處理,在使用上更加貼合生產(chǎn)實際。