張國印，王志章，林承焰，王偉方，李 令，李 誠

(1.中國石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院，山東青島 266580；2.中國石油大學(xué)(北京)地球科學(xué)學(xué)院，北京102249)

三維地震資料具有極強(qiáng)多解性和垂向低分辨率特征，提高地震儲(chǔ)層預(yù)測結(jié)果的分辨率和準(zhǔn)確性一直是油氣藏表征的一個(gè)關(guān)鍵問題[1-2]。地震儲(chǔ)層預(yù)測方法可以分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)的方法。模型驅(qū)動(dòng)的方法是通過巖石物理模型和波動(dòng)方程等，建立地震響應(yīng)與地質(zhì)參數(shù)之間的物理關(guān)系[3-4]。數(shù)據(jù)驅(qū)動(dòng)的方法是通過統(tǒng)計(jì)學(xué)習(xí)或機(jī)器學(xué)習(xí)方法建立地震響應(yīng)和地質(zhì)參數(shù)之間的統(tǒng)計(jì)關(guān)系[5-6]。模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)的方法都是建立地震響應(yīng)與地質(zhì)參數(shù)之間的復(fù)雜非線性預(yù)測模式，其關(guān)鍵是利用有效的算法，充分提取地震波形中的有效信息，擬合復(fù)雜非線性預(yù)測模式。深度學(xué)習(xí)作為當(dāng)今最強(qiáng)大的統(tǒng)計(jì)學(xué)習(xí)方法之一，具有很強(qiáng)的特征提取、非線性模式擬合能力，與大數(shù)據(jù)和計(jì)算能力的提升一起引領(lǐng)了新一輪的人工智能技術(shù)發(fā)展浪潮，已成功應(yīng)用于許多領(lǐng)域，如計(jì)算機(jī)視覺和自然語言處理等[7]。自2017年以來基于深度學(xué)習(xí)的地震資料解釋吸引了越來越多學(xué)者的關(guān)注，尤其以深度卷積神經(jīng)網(wǎng)絡(luò)研究最多，開展了基于卷積神經(jīng)網(wǎng)絡(luò)的鹽體識(shí)別[8]、斷層解釋[9]、層位追蹤[10]、河道識(shí)別[11]、地震相分析[12]、地震反演[13-14]等研究，顯示了較好的預(yù)測效果。深度學(xué)習(xí)依靠數(shù)據(jù)驅(qū)動(dòng)，不需要先驗(yàn)知識(shí)，直接從油氣藏?cái)?shù)據(jù)中進(jìn)行信息提取和模式學(xué)習(xí)，如何組織和預(yù)處理地震數(shù)據(jù)、獲取地震數(shù)據(jù)對應(yīng)的地質(zhì)標(biāo)簽數(shù)據(jù)、構(gòu)建深度學(xué)習(xí)框架是深度學(xué)習(xí)反演方法的關(guān)鍵。筆者將頻譜分解與深度學(xué)習(xí)相結(jié)合，以疊后地震、疊前地震和測井?dāng)?shù)據(jù)為輸入和標(biāo)簽數(shù)據(jù)，提出基于小波變換和卷積神經(jīng)網(wǎng)絡(luò)的地震巖性、儲(chǔ)層類型的直接反演方法。

1 深度學(xué)習(xí)地震反演方法

對于深度學(xué)習(xí)地震反演方法，數(shù)據(jù)準(zhǔn)備及預(yù)處理是重要基礎(chǔ)，深度學(xué)習(xí)反演框架是關(guān)鍵。

1.1 數(shù)據(jù)預(yù)處理

1.1.1 井震數(shù)據(jù)匹配

將測井?dāng)?shù)據(jù)和井旁地震數(shù)據(jù)作為深度學(xué)習(xí)模型的輸入和標(biāo)簽數(shù)據(jù)。首先通過合成地震記錄，進(jìn)行地震數(shù)據(jù)與測井?dāng)?shù)據(jù)的時(shí)深匹配，獲得準(zhǔn)確的時(shí)深關(guān)系，將深度域的測井?dāng)?shù)據(jù)轉(zhuǎn)換為時(shí)間域。測井與地震的匹配程度是影響反演結(jié)果的關(guān)鍵因素。測井?dāng)?shù)據(jù)與地震數(shù)據(jù)往往具有不同的采樣率，考慮測井?dāng)?shù)據(jù)和地震數(shù)據(jù)的分辨率、儲(chǔ)層厚度等因素，將時(shí)間域的測井?dāng)?shù)據(jù)和地震數(shù)據(jù)以相同的1 ms采樣率進(jìn)行重采樣。圖1為 JS33-17井時(shí)深匹配和重采樣后的測井和地震數(shù)據(jù)。

圖1 JS33-17井測井和地震資料匹配

時(shí)深和采樣率匹配后的地震和測井?dāng)?shù)據(jù)頻帶范圍仍然差異很大，可分辨地層厚度差異也很大。地震數(shù)據(jù)僅包含中頻信息，可分辨十幾到幾十米的巖層，而測井信息包含低頻到高頻的全頻段信息，可分辨小于1 m的地層。以川西沙溪廟地震資料為例，地震頻帶范圍在12～60 Hz，主頻為37 Hz，目的層地層速度約4 000 m/s，一般來說，傳統(tǒng)的地震視分辨率是λ/4，約13.5 m；原始測井?dāng)?shù)據(jù)可分辨分米級(jí)厚度的巖層，其分辨率遠(yuǎn)高于地震數(shù)據(jù)，以1 ms的采樣率重采樣后的測井?dāng)?shù)據(jù)可區(qū)分的最薄巖層厚度約為2 m。在不確定深度學(xué)習(xí)模型可以預(yù)測的巖層厚度極限的情況下，保留所有厚、中、薄巖層測井?dāng)?shù)據(jù)，充分挖掘地震數(shù)據(jù)的預(yù)測能力。需要注意的是，這種做法會(huì)在訓(xùn)練過程中降低一定的模型預(yù)測準(zhǔn)確度數(shù)值，因?yàn)榈卣饠?shù)據(jù)不能預(yù)測的薄巖層可能作為噪聲存在。

1.1.2 時(shí)頻譜圖轉(zhuǎn)換

頻譜分解可以將復(fù)雜的地震信號(hào)分解為不同頻率地震信號(hào)組合的時(shí)頻譜圖。頻譜分解已被廣泛應(yīng)用于地震反演，地震信號(hào)中高頻率成分的變化對地下薄層反射信息的變化敏感[15]，基于地震資料頻譜的地震儲(chǔ)層預(yù)測具有獨(dú)特優(yōu)勢，特別是對于薄層識(shí)別具有優(yōu)勢[16]。使用頻譜分解后的時(shí)頻譜圖作為卷積神經(jīng)網(wǎng)絡(luò)輸入，有助于從數(shù)據(jù)中進(jìn)行特征提取，預(yù)期可幫助地震薄層識(shí)別，這是受卷積神經(jīng)網(wǎng)絡(luò)在語音識(shí)別領(lǐng)域的應(yīng)用啟發(fā)，聲波通常被轉(zhuǎn)換為時(shí)頻譜以應(yīng)用卷積運(yùn)算進(jìn)行特征提取[17]。本文中選擇Morlet連續(xù)小波變換進(jìn)行頻譜分解[18]，利用不同尺度的Morlet小波，可以對原始地震信號(hào)在不同頻率和不同時(shí)間分辨率下進(jìn)行分析，得到信號(hào)在時(shí)間和頻率上的能量分布，獲得高時(shí)間分辨率和高頻率分辨率的時(shí)頻譜圖，如圖1中所示JS33-17井井旁疊后地震道小波變換頻譜分解后得到的時(shí)頻譜圖。

1.1.3 滑動(dòng)時(shí)窗采樣

將時(shí)深和采樣率匹配后的測井和井旁地震波形、時(shí)頻譜數(shù)據(jù)進(jìn)行對應(yīng)采樣形成深度學(xué)習(xí)模型的訓(xùn)練數(shù)據(jù)集。圖2為“點(diǎn)-點(diǎn)”和“點(diǎn)-窗”的采樣方法。由于測井?dāng)?shù)據(jù)的每個(gè)時(shí)間深度的數(shù)據(jù)與一定時(shí)窗內(nèi)的相鄰數(shù)據(jù)點(diǎn)都相關(guān)，這與經(jīng)典的卷積模型原理保持一致，即測井反射系數(shù)信息與子波長度內(nèi)的地震波形相關(guān)，因此選擇“點(diǎn)-窗”的匹配采樣方法。選定合適的采樣時(shí)間步長、時(shí)間窗口大小、時(shí)頻譜圖頻率范圍，時(shí)間窗口內(nèi)的地震數(shù)據(jù)與時(shí)間窗口中心時(shí)間對應(yīng)測井?dāng)?shù)據(jù)相匹配，進(jìn)行可重疊的滑動(dòng)時(shí)窗采樣，形成輸入二維時(shí)頻譜圖與測井標(biāo)簽數(shù)據(jù)樣本，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入。

圖2 井震匹配采樣方法

1.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)地震反演的關(guān)鍵。卷積神經(jīng)網(wǎng)絡(luò)可以被視為深度學(xué)習(xí)架構(gòu)的一種，與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)類似，具有輸入層、隱含層和輸出層?；A(chǔ)的深度神經(jīng)網(wǎng)絡(luò)中的隱含層為全連接層，全連接層對輸入進(jìn)行線性運(yùn)算后經(jīng)過激活函數(shù)輸出，可表示為

y=f(Wx+b).

(1)

式中，x為輸入特征向量；W和b分別為權(quán)重系數(shù)矩陣和偏置向量；f為激活函數(shù)；y為輸出。卷積神經(jīng)網(wǎng)絡(luò)具有局部連接和共享權(quán)重的卷積層(convolutional layer)，起到從結(jié)構(gòu)性輸入數(shù)據(jù)中提取特征的重要作用。特征圖(feature map)是卷積層使用濾波器(filter)進(jìn)行特征提取后的輸出結(jié)果。該過程與信號(hào)處理中的卷積運(yùn)算類似，可表示為

(2)

式中，Oi為第i輸入圖；Qj為第j特征圖；I為輸入圖的層數(shù)；J為濾波器的數(shù)量；wi,j為濾波器，是連接Oi與Qj的權(quán)重系數(shù)矩陣。濾波器以指定的步幅在輸入圖Oi上滑動(dòng)做卷積運(yùn)算產(chǎn)生特征圖Qj。I、J可以根據(jù)需要指定。卷積層中的濾波器數(shù)量決定了產(chǎn)生的特征圖的數(shù)量。特征提取可以被視為輸入圖的一種變換，以突出輸入圖的特定特征(圖3)。不同的濾波器可以從輸入圖中提取不同的特征。理論上，濾波器越多，提取的特征就越多，但是過多的濾波器會(huì)增加模型的訓(xùn)練負(fù)擔(dān)。應(yīng)用中，輸入圖所具有的特征有限，應(yīng)該設(shè)置最佳數(shù)量的濾波器。激活函數(shù)f使用ReLU函數(shù)[19]：

f(x)=max(0,x).

(3)

ReLU函數(shù)可以減輕梯度消失問題，提高訓(xùn)練效率。

巖性或儲(chǔ)層類型的反演問題可以作為分類問題，用于M類分類問題的卷積神經(jīng)網(wǎng)絡(luò)，可以在輸出層中使用softmax函數(shù)估計(jì)每類的后驗(yàn)概率：

(4)

(5)

(6)

式中，ε為損失函數(shù)；g為真實(shí)標(biāo)簽；yL為softmax函數(shù)輸出的后驗(yàn)概率。使用優(yōu)化函數(shù)Adam控制學(xué)習(xí)過程。通過定義的損失函數(shù)和優(yōu)化函數(shù)，可以優(yōu)化、學(xué)習(xí)網(wǎng)絡(luò)中的權(quán)重和偏差。

(7)

式中，W和b分別為需要學(xué)習(xí)的權(quán)重和偏差；η為學(xué)習(xí)率。在訓(xùn)練過程中，權(quán)重和偏差將根據(jù)每個(gè)樣品或一小批樣品的誤差進(jìn)行更新，小批量訓(xùn)練在每次迭代時(shí)使用多個(gè)樣本，使學(xué)習(xí)過程更加穩(wěn)定。學(xué)習(xí)率η可以是固定值或變化的值，使用優(yōu)化函數(shù)Adam時(shí)，學(xué)習(xí)率隨著學(xué)習(xí)過程而變化，使學(xué)習(xí)過程更穩(wěn)定高效。為避免過度擬合，在隱含層后使用Dropout提高模型的泛化能力[21]。Dropout在每一步訓(xùn)練時(shí)隨機(jī)刪除一定比例的隱藏層神經(jīng)元，被移除的神經(jīng)元的權(quán)重和偏差被保留但不更新，并且可以在下一次訓(xùn)練迭代中再次工作。

1.3 深度學(xué)習(xí)反演框架

圖3為結(jié)合小波變換與卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)地震反演框架。以時(shí)頻譜圖作為輸入的二維卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、全連接層和輸出層組成，時(shí)頻譜圖輸入卷積層進(jìn)行特征提取，卷積層包含64個(gè)過濾器，卷積層輸出的所有特征圖像輸入全連接層進(jìn)行分類。為了保留特征圖像的正值和負(fù)值，在卷積層中不使用ReLU激活函數(shù)。不進(jìn)行粗化，以卷積的滑動(dòng)步長控制特征圖像的分辨率。全連接層后應(yīng)用Dropout，取值0.4以防止模型過擬合。最后一層是輸出層，使用交叉熵函數(shù)計(jì)算每類標(biāo)簽的后驗(yàn)概率作為輸出，以巖性預(yù)測深度學(xué)習(xí)模型為例，輸出為砂巖和泥巖的后驗(yàn)概率。模型采用20個(gè)樣本的小批量訓(xùn)練方式，使模型收斂更加穩(wěn)定。優(yōu)化函數(shù)Adam的學(xué)習(xí)率從0.000 1開始，并在培訓(xùn)過程中自動(dòng)調(diào)整。當(dāng)驗(yàn)證誤差在一定訓(xùn)練步數(shù)之后仍然沒有下降時(shí)，則終止訓(xùn)練。深度學(xué)習(xí)反演模型使用TernsorFlow在Python3.6上編程搭建，同時(shí)使用Scikit-learn、Obspy等工具包進(jìn)行數(shù)據(jù)預(yù)處理。

圖3 基于小波變換和卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)地震反演架構(gòu)

2 儲(chǔ)層預(yù)測應(yīng)用

選取川西坳陷中江地區(qū)約200 km2疊前地震覆蓋區(qū)作為主要研究區(qū)。研究區(qū)目的層沙溪廟組主要發(fā)育三角洲平原和三角洲前緣沉積，儲(chǔ)層類型以分流河道致密砂巖為主。研究區(qū)致密砂巖儲(chǔ)層按照孔隙度、滲透率、含氣性等特征分為3類儲(chǔ)層，并根據(jù)測井響應(yīng)特征形成測井解釋成果曲線。Ⅰ類儲(chǔ)層具有相對最好的孔隙度、滲透率，孔隙度為8.0%～14.6%，平均為11.7%；滲透率分布在(0.483～16.200)×10-3μm2，平均為1.312×10-3μm2。含氣性好，鉆遇井多為高產(chǎn)井。Ⅱ類儲(chǔ)層孔隙度仍然較好，但滲透率較差，孔隙度為7.6%～14.3%，平均為10.6%；滲透率分布在(0.017～0.518)×10-3μm2，平均為0.153×10-3μm2；含氣性一般，鉆遇井多為低產(chǎn)井。Ⅲ類儲(chǔ)層孔隙度、滲透率都較差，孔隙度為2.6%～10.1%，平均為7.4%；滲透率分布在(0.008～0.336)×10-3μm2，平均為0.048×10-3μm2。含氣性差，鉆遇井多為非氣井。Ⅰ類儲(chǔ)層為最好儲(chǔ)層類型，Ⅱ類次之，Ⅲ類較差。選取研究區(qū)疊后地震、疊前地震數(shù)據(jù)以及資料較全的13口井參與地震反演，對比常規(guī)反演方法和深度學(xué)習(xí)地震反演方法，預(yù)測巖性和不同儲(chǔ)層類型的空間展布。

2.1 常規(guī)地震儲(chǔ)層反演思路

常規(guī)地震儲(chǔ)層預(yù)測中，巖石物理分析是建立地質(zhì)參數(shù)與地震資料響應(yīng)之間的橋梁，是開展地震反演儲(chǔ)層預(yù)測的基礎(chǔ)。進(jìn)行巖石物理分析，分析儲(chǔ)層的敏感巖石物理參數(shù)，進(jìn)而優(yōu)選合適的地震反演預(yù)測方法。圖4統(tǒng)計(jì)分析了沙溪廟組主要河道砂巖、儲(chǔ)層類型與泥巖巖石物理彈性參數(shù)特征。主要河道砂巖縱波阻抗范圍是8 000～11 000 g/cm3·m/s，泥巖縱波阻抗分布在10 000～13 000 g/cm3·m/s，縱波阻抗可以區(qū)分主要河道砂巖和泥巖，卻不能區(qū)分不同的儲(chǔ)層類型。引入橫波信息，計(jì)算更多巖石彈性參數(shù)，如橫波阻抗、縱橫波速度比、泊松比、彈性模量等，通過分析縱橫波速度比與縱波阻抗結(jié)合，可以區(qū)分不同的儲(chǔ)層類型。

圖4 沙溪廟組巖石物理分析

根據(jù)巖石物理特征制定合適地震儲(chǔ)層預(yù)測方法。疊后地震反演可得到穩(wěn)定縱波阻抗，進(jìn)而可以根據(jù)巖性與縱波阻抗的關(guān)系，推測巖性信息。與疊后地震資料相比，疊前地震資料雖然信噪比相對較低，但保留了振幅隨炮檢距變化的信息，通過疊前同時(shí)反演得到橫波速度、密度等信息，進(jìn)行儲(chǔ)層類型預(yù)測。為了增加信噪比、提高資料品質(zhì)、降低計(jì)算量，疊前同時(shí)反演從近道(0°～12°)、中道(12°～24°)和遠(yuǎn)道(24°～36°)3個(gè)角度部分疊加數(shù)據(jù)體中反演縱、橫波阻抗和密度，并在此基礎(chǔ)上計(jì)算縱波速度、橫波速度、縱橫波速度比等多種彈性參數(shù)。結(jié)合巖石物理分析結(jié)果，通過反演得到的彈性參數(shù)可以得到不同類型儲(chǔ)層的預(yù)測結(jié)果。

2.2 深度學(xué)習(xí)地震儲(chǔ)層反演思路

深度學(xué)習(xí)地震儲(chǔ)層反演方法從數(shù)據(jù)中自動(dòng)學(xué)習(xí)地震儲(chǔ)層預(yù)測模式，不必要進(jìn)行巖石物理分析等步驟，但是巖石物理分析可以幫助制定有效的深度學(xué)習(xí)反演策略。根據(jù)巖石物理分析結(jié)果，疊后地震可以預(yù)測巖性信息，儲(chǔ)層類型需要通過疊前地震數(shù)據(jù)預(yù)測。制定以下儲(chǔ)層層次預(yù)測思路：以疊后地震數(shù)據(jù)和測井解釋巖性為訓(xùn)練數(shù)據(jù)，建立疊后深度學(xué)習(xí)地震反演模型，預(yù)測巖性展布；以疊前地震數(shù)據(jù)和測井解釋儲(chǔ)層類型為訓(xùn)練數(shù)據(jù)，建立疊前深度學(xué)習(xí)地震反演模型，在巖性預(yù)測結(jié)果的約束下，預(yù)測不同類型儲(chǔ)層展布，如圖5所示。

圖5 基于深度學(xué)習(xí)的儲(chǔ)層層次預(yù)測策略

疊前深度學(xué)習(xí)地震反演模型，采用與疊后深度學(xué)習(xí)反演模型類似的卷積網(wǎng)絡(luò)結(jié)構(gòu)，將部分角度疊加的遠(yuǎn)、中、近角度地震數(shù)據(jù)分別做小波變換，形成三通道二維圖像作為輸入，即在式(2)中I=3，以測井解釋三類儲(chǔ)層類型劃分結(jié)果作為輸出。與疊后深度學(xué)習(xí)地震反演模型相比，疊前深度學(xué)習(xí)地震反演模型同樣具有卷積層與全連接層，不同的是卷積層對近、中、遠(yuǎn)三通道輸入圖像進(jìn)行特征提取。模型預(yù)測結(jié)果同樣得到每一類儲(chǔ)層的后驗(yàn)概率，預(yù)測后驗(yàn)概率最大的儲(chǔ)層類型作為最終模型預(yù)測結(jié)果。

深度學(xué)習(xí)儲(chǔ)層反演分為兩步：疊后深度學(xué)習(xí)反演預(yù)測巖性和疊前深度學(xué)習(xí)反演預(yù)測儲(chǔ)層類型。首先，訓(xùn)練巖性預(yù)測的疊后深度學(xué)習(xí)模型，對研究區(qū)13口井進(jìn)行數(shù)據(jù)預(yù)處理后，形成共3 770個(gè)樣本的數(shù)據(jù)集。輸入時(shí)頻譜圖的頻率范圍選擇10～80 Hz，時(shí)間窗長采用40 ms，時(shí)間窗口應(yīng)為研究區(qū)地震波形的一個(gè)波長以上[13]。整個(gè)數(shù)據(jù)集分為3個(gè)子集：訓(xùn)練集、驗(yàn)證集和測試集。測試集為來自一口指定井JS7的所有樣本從一開始就被單獨(dú)拿出，作為測試盲井，用于最終建立模型的性能評估。驗(yàn)證集和訓(xùn)練集用于訓(xùn)練模型，除測試盲井外樣本的隨機(jī)30%為驗(yàn)證集，70%為訓(xùn)練集。通過統(tǒng)計(jì)，砂巖標(biāo)簽樣本的比例為所有樣品的17%，遠(yuǎn)小于泥巖標(biāo)簽樣本的比例，將少數(shù)類的砂巖樣本進(jìn)行2倍過采樣，用于平衡訓(xùn)練集和驗(yàn)證集中的砂巖和泥巖樣本比例。過采樣會(huì)降低訓(xùn)練集和驗(yàn)證集的擬合準(zhǔn)確性，但會(huì)使模型更容易訓(xùn)練。第二步，訓(xùn)練儲(chǔ)層類型預(yù)測的疊前深度學(xué)習(xí)模型時(shí)，從數(shù)據(jù)集中選取所有650個(gè)砂巖標(biāo)簽樣本數(shù)據(jù)，以疊前遠(yuǎn)、中、近角度疊加地震數(shù)據(jù)作為輸入，以測井解釋三類儲(chǔ)層類型劃分結(jié)果作為輸出。同樣以JS7為盲井測試，其余樣本的隨機(jī)30%為驗(yàn)證集，70%為訓(xùn)練集。利用訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，進(jìn)行適度的參數(shù)優(yōu)化，得到巖性預(yù)測的疊后深度學(xué)習(xí)反演模型和用于儲(chǔ)層類型預(yù)測的疊前深度學(xué)習(xí)反演模型，最終在單井、剖面、平面上驗(yàn)證深度學(xué)習(xí)反演儲(chǔ)層預(yù)測效果。

2.3 儲(chǔ)層預(yù)測結(jié)果

2.3.1 單井結(jié)果

通過測試盲井的預(yù)測結(jié)果分析深度學(xué)習(xí)對厚層、中層及薄層砂的預(yù)測能力。深度學(xué)習(xí)模型的輸出是不同巖性和儲(chǔ)層類型的后驗(yàn)概率，取后驗(yàn)概率大的類型即得到巖性和儲(chǔ)層類型的預(yù)測結(jié)果。圖6為測試盲井JS7井常規(guī)反演與深度學(xué)習(xí)反演巖性和儲(chǔ)層類型的預(yù)測結(jié)果。深度學(xué)習(xí)反演比常規(guī)地震反演在1 100、1 150、1 325 ms處預(yù)測出更多的砂巖，與測井巖性吻合更好。在巖性約束下進(jìn)行儲(chǔ)層類型預(yù)測，深度學(xué)習(xí)反演對JS7井1 080 ms處的Ⅱ類儲(chǔ)層預(yù)測更好。盲井JS7井預(yù)測結(jié)果表明，深度學(xué)習(xí)反演在巖性和儲(chǔ)層類型的預(yù)測上，與測井巖性和儲(chǔ)層類型吻合更好，優(yōu)于常規(guī)反演方法。

圖6 JS7井巖性與儲(chǔ)層類型預(yù)測結(jié)果

圖7為綜合統(tǒng)計(jì)13口井預(yù)測砂體、Ⅰ類儲(chǔ)層、Ⅱ類儲(chǔ)層與測井厚度的交匯分析。如果按照能否預(yù)測出砂體進(jìn)行統(tǒng)計(jì)，厚度大于5 m的砂體，深度學(xué)習(xí)反演的預(yù)測精度達(dá)到92.5%，常規(guī)地震波阻抗反演預(yù)測精度47.5%；如果按照預(yù)測的砂體厚度誤差，厚度大于5 m的砂體，深度學(xué)習(xí)反演預(yù)測砂巖厚度平均相對誤差在34%，常規(guī)地震波阻抗反演預(yù)測砂巖厚度平均相對誤差在66%。薄層砂體預(yù)測上，深度學(xué)習(xí)展現(xiàn)出較高的精度。

圖7 深度學(xué)習(xí)反演與常規(guī)反演預(yù)測砂巖、Ⅰ類、Ⅱ類儲(chǔ)層厚度與測井厚度誤差分析

按照能否預(yù)測出厚度大于5 m的Ⅰ類或Ⅱ類儲(chǔ)層進(jìn)行統(tǒng)計(jì)，疊前深度學(xué)習(xí)反演Ⅰ類儲(chǔ)層預(yù)測精度達(dá)到83.3%，Ⅱ類儲(chǔ)層預(yù)測精度達(dá)到87.5%；常規(guī)疊前反演Ⅰ類儲(chǔ)層預(yù)測精度為33.3%，Ⅱ類儲(chǔ)層預(yù)測精度為69%。按照預(yù)測厚度大于5 m的Ⅰ類或Ⅱ類儲(chǔ)層厚度誤差，疊前深度學(xué)習(xí)反演Ⅰ類儲(chǔ)層厚度預(yù)測平均相對誤差為34%，Ⅱ類儲(chǔ)層厚度預(yù)測平均相對誤差為15%；常規(guī)疊前反演Ⅰ類儲(chǔ)層厚度預(yù)測平均相對誤差為75%，Ⅱ類儲(chǔ)層厚度預(yù)測平均相對誤差為72%。儲(chǔ)層類型上，深度學(xué)習(xí)同樣具有更好的預(yù)測能力。

預(yù)測厚度與測井厚度統(tǒng)計(jì)結(jié)果表明，深度學(xué)習(xí)反演預(yù)測砂體、Ⅰ類和Ⅱ類儲(chǔ)層的精度都高于常規(guī)地震反演方法，具有更好的預(yù)測能力。

2.3.2 剖面結(jié)果

圖8為深度學(xué)習(xí)反演得到的砂巖概率、巖性以及儲(chǔ)層類型剖面與常規(guī)地震反演得到的波阻抗、巖性和儲(chǔ)層類型剖面，剖面AB位置見圖9。常規(guī)波阻抗反演分辨率低、連續(xù)性差，難以預(yù)測薄層砂巖，疊后深度學(xué)習(xí)反演預(yù)測巖性分辨率高，預(yù)測砂巖與盲井JS7吻合率更高，如圖8(c)和(d)所示。常規(guī)地震反演方法需要首先預(yù)測縱波阻抗，然后根據(jù)巖石物理分析得到巖性分布，如圖8(a)和(c)所示。疊后深度學(xué)習(xí)反演可以直接得到砂巖概率剖面，不需要巖石物理分析，直接得到巖性結(jié)果，減少了大量的統(tǒng)計(jì)分析工作。砂巖概率剖面還可以為巖性分布提供更多參考信息，如圖8(b)和(d)所示。

常規(guī)和深度學(xué)習(xí)儲(chǔ)層類型預(yù)測都是在巖性約束下進(jìn)行，疊前深度學(xué)習(xí)反演預(yù)測儲(chǔ)層類型與盲井JS7吻合更好，如圖8(e)和(f)所示。河道砂體內(nèi)部不同方法預(yù)測的儲(chǔ)層類型分布不同，在預(yù)測河道砂體的約束下，深度學(xué)習(xí)反演預(yù)測優(yōu)質(zhì)儲(chǔ)層Ⅰ類和Ⅱ類儲(chǔ)層往往位于河道砂體中部，Ⅲ類儲(chǔ)層往往位于河道砂體邊部，更符合地質(zhì)認(rèn)識(shí)。

2.3.3 平面結(jié)果

圖9和10為利用深度學(xué)習(xí)與常規(guī)反演預(yù)測巖性、儲(chǔ)層類型數(shù)據(jù)體提取的J2s21層和J2s33-2層砂巖厚度、Ⅰ類和Ⅱ類儲(chǔ)層厚度。根據(jù)疊后反演預(yù)測J2s21層和J2s33-2層砂巖厚度圖分析河道砂體展布，深度學(xué)習(xí)預(yù)測河道砂體連續(xù)性更好，兩個(gè)層中都可以識(shí)別常規(guī)反演無法識(shí)別的小河道，如圖9(a)和圖10(a)。盲井JS7可以證實(shí)預(yù)測J2s21河道的存在，證明深度學(xué)習(xí)反演預(yù)測巖性分辨率更高且更準(zhǔn)確，如圖8(d)和圖9(a)所示。分析J2s21層和J2s33-2層物性較好的Ⅰ類儲(chǔ)層、Ⅱ類儲(chǔ)層分布，由于深度學(xué)習(xí)和常規(guī)反演方法均利用疊前地震資料，兩種方法均能在一定程度上預(yù)測河道內(nèi)不同儲(chǔ)層類型展布，如圖9和圖10所示。

圖10 深度學(xué)習(xí)反演與常規(guī)反演預(yù)測J2s33-2層砂巖厚度、Ⅰ類和Ⅱ類儲(chǔ)層厚度

圖9 深度學(xué)習(xí)反演與常規(guī)反演預(yù)測J2s21層砂巖厚度、Ⅰ類和Ⅱ類儲(chǔ)層厚度

在J2s33-2層主力產(chǎn)氣河道內(nèi)，利用盲井JS33-5、JS33-17、JS5驗(yàn)證河道內(nèi)部儲(chǔ)層類型的預(yù)測精度，JS33-15和JS33-18井測試產(chǎn)氣情況較好，分別為6.47×104和11.4×104m3/d，深度學(xué)習(xí)反演結(jié)果證實(shí)以鉆遇 Ⅰ 類儲(chǔ)層為主；JS5井測試產(chǎn)氣0.11×104m3/d，深度學(xué)習(xí)反演結(jié)果證實(shí)以鉆遇Ⅱ類和Ⅲ類儲(chǔ)層為主。與常規(guī)疊后反演結(jié)果對比，深度學(xué)習(xí)反演預(yù)測不同儲(chǔ)層類型厚度分布與生產(chǎn)測試情況更加吻合。

3 結(jié)束語

基于小波變換和卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)地震反演方法可以實(shí)現(xiàn)儲(chǔ)層參數(shù)的直接預(yù)測。通過結(jié)合小波變換與卷積神經(jīng)網(wǎng)絡(luò)，有助于充分挖掘地震數(shù)據(jù)高頻和低頻信息，能夠提高地震預(yù)測的分辨率和準(zhǔn)確度。該方法以測井和井旁地震數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，自動(dòng)學(xué)習(xí)地震儲(chǔ)層預(yù)測模式，不必要進(jìn)行巖石物理分析等工作，但是巖石物理分析可以幫助制定有效的深度學(xué)習(xí)反演策略。將新方法成功應(yīng)用于川西沙溪廟組儲(chǔ)層預(yù)測中，制定了巖性與儲(chǔ)層類型的層次約束預(yù)測思路，深度學(xué)習(xí)反演預(yù)測巖性和儲(chǔ)層類型的分辨率和精確更高，能夠識(shí)別小河道砂體，與生產(chǎn)測試情況更加吻合，優(yōu)于常規(guī)地震反演方法。提出的深度學(xué)習(xí)地震反演方法取得了較好的應(yīng)用效果，具有較高推廣應(yīng)用價(jià)值，但仍處于初步探索階段，更多深入的研究急需開展，如不同頻譜分解方法的應(yīng)用、模型泛化能力的提升、低頻信息的融合、預(yù)測結(jié)果的不確定性評價(jià)等。