周雪晴, 張占松, 朱林奇, 張超謨

(1.長江大學(xué)油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室,湖北武漢 430100;2.長江大學(xué)地球物理與石油資源學(xué)院,湖北武漢 430100; 3.中國科學(xué)院深海科學(xué)與工程研究所,海南三亞 572000;4.青島海洋科學(xué)與技術(shù)國家實(shí)驗(yàn)室海洋地質(zhì)過程與環(huán)境功能實(shí)驗(yàn)室,山東青島 266237)

碳酸鹽巖儲(chǔ)層由于儲(chǔ)集空間類型多樣、儲(chǔ)層性質(zhì)復(fù)雜、非均質(zhì)性極強(qiáng),導(dǎo)致不同的流體性質(zhì)在測井曲線上的響應(yīng)不明顯,這給氣、水識(shí)別工作帶來極大的困難[1-2]。大量學(xué)者基于測井曲線響應(yīng)特征及其衍生的各種巖石物理參數(shù)開展了相關(guān)的研究工作,包括交會(huì)圖法[3]、曲線重疊法、數(shù)理統(tǒng)計(jì)法[4],利用特殊測井(包括電成像測井、陣列聲波測井、核磁測井等)計(jì)算各類巖石物理參數(shù)及流體表征參數(shù)的流體識(shí)別方法[5]等。然而,受成本限制,特殊測井難以在大多數(shù)井中測量,且在大多老井中未采集。因此基于常規(guī)測井曲線的流體識(shí)別仍然是研究熱點(diǎn)且存在很大挑戰(zhàn)[6]。目前針對(duì)流體分布復(fù)雜的儲(chǔ)層,多基于機(jī)器學(xué)習(xí)類方法進(jìn)行流體識(shí)別,例如使用支持向量機(jī)[7],模糊邏輯模型、決策樹類、神經(jīng)網(wǎng)絡(luò)及其衍生方法等[8]。近年來,隨著深度學(xué)習(xí)的興起,其強(qiáng)特征提取及非線性逼近能力在各行各業(yè)得到廣泛的研究及應(yīng)用,成為近年研究的熱點(diǎn)內(nèi)容之一[9-11]。目前,深度學(xué)習(xí)在儲(chǔ)層參數(shù)建模、儲(chǔ)層識(shí)別、孔隙特征預(yù)測、裂縫識(shí)別[12]等研究中取得較好的應(yīng)用效果。但是,在流體識(shí)別方面,多應(yīng)用傳統(tǒng)的全連接神經(jīng)網(wǎng)絡(luò),建立的映射多為點(diǎn)對(duì)點(diǎn)映射,導(dǎo)致在強(qiáng)非均質(zhì)性儲(chǔ)層中應(yīng)用效果不佳。筆者應(yīng)用深度學(xué)習(xí)中先進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)-雙向長短期記憶網(wǎng)絡(luò)(Bi-LSTM)建立流體識(shí)別模型,充分發(fā)揮研究區(qū)測井曲線與流體類型之間的非線性及連續(xù)性特征,并對(duì)比長短期記憶網(wǎng)絡(luò)及3類經(jīng)典機(jī)器學(xué)習(xí)算法預(yù)測效果。

1 基于Bi-LSTM的流體識(shí)別方法原理

1.1 長短期記憶網(wǎng)絡(luò)

長短期記憶網(wǎng)絡(luò)(LSTM)是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的改進(jìn)算法之一[13],其保留了RNN處理時(shí)序數(shù)據(jù)的優(yōu)勢。通過門機(jī)制將短期記憶與長期記憶結(jié)合起來,解決RNN 只能記憶短期的歷史輸入信息無法有效解決長期記憶的問題,又在一定程度上解決了梯度消失和梯度爆炸的問題。LSTM保留了RNN的鏈?zhǔn)叫问?由一系列遞歸連接的記憶區(qū)塊的子網(wǎng)絡(luò)構(gòu)成,其中關(guān)鍵結(jié)構(gòu)即交互層中的3個(gè)門層[14],即輸入門、輸出門、遺忘門。遺忘門決定著細(xì)胞狀態(tài)Ct-1對(duì)Ct的影響,輸入門主要是xt對(duì)Ct的影響,主要是將新信息添加到當(dāng)前步驟的細(xì)胞狀態(tài)中。輸出門主要是Ct對(duì)ht的影響,對(duì)應(yīng)的數(shù)學(xué)表達(dá)式如下:

ft=σ(Wfxt+Wfht-1+bf),

(1)

it=σ(Wixt+Wiht-1+bi),

(2)

Ct=ft⊙Ct-1+it⊙(tanh(Wgxt+Wght-1+bg)),

(3)

ot=σ(Woxt+Woht-1+bo),

(4)

ht=ot⊙tanh(Ct).

(5)

式中,σ為sigmoid函數(shù);ft、Wf、bf分別為遺忘門在t時(shí)刻的狀態(tài)、權(quán)值及偏置;it、Wi、bi分別為輸入門在t時(shí)刻的狀態(tài)、權(quán)值及偏置;ot、Wo、bo分別為輸出門在t時(shí)刻的狀態(tài)、權(quán)值及偏置;Wg、bg為細(xì)胞狀態(tài)在t時(shí)刻的權(quán)值及偏置;⊙為Hadamard積;xt和ht為t時(shí)刻的輸入及輸出。

利用以上結(jié)構(gòu),在各個(gè)時(shí)間部t都可以得到對(duì)應(yīng)的隱層狀態(tài)序列,根據(jù)輸出樣本維數(shù),變換得到最終的輸出結(jié)果。但是由于LSTM只能按從前到后的順序來處理數(shù)據(jù),無法加入后面數(shù)據(jù)信息的影響,使用過程中仍存在一定的不足。

1.2 雙向-長短期記憶網(wǎng)絡(luò)

為了將后面信息的影響加入到模型中,提高模型的精度及效果,本文中使用雙向-長短期記憶網(wǎng)絡(luò)(Bi-LSTM)[15],該網(wǎng)絡(luò)由一個(gè)前向LSTM模型與后向LSTM模型連接組成,作為時(shí)序相反的兩個(gè)LSTM網(wǎng)絡(luò),前向LSTM 可以獲取輸入序列的上部儲(chǔ)層段的信息,后向LSTM 可以獲取輸入序列的下部儲(chǔ)層段的信息,即該模型能從前、后2方面充分獲取上下儲(chǔ)層段的信息,提高模型效果。

圖1為Bi-LSTM模型示意圖(圖中，yt為t時(shí)刻Bi-LSTM輸出)。為便于理解及表達(dá)Bi-LSTM模型,分別將前向LSTM模型的輸出表示為hat,后向LSTM模型的輸出為hbt,W1～W6為權(quán)值矩陣,可以用以下公式表示:

hat=f(W1xt+W2hat-1),

(6)

hbt=f(W3xt+W5hbt-1),

(7)

(8)

其中concat表示向量拼接,即利用公式(8)串聯(lián)起前向LSTM及后向LSTM模型的隱藏層向量,將得到的最終隱藏層向量輸入到softmax函數(shù),得到Bi-LSTM模型的最終預(yù)測結(jié)果。

圖1 Bi-LSTM模型示意圖Fig.1 Bi-LSTM network

1.3 基于Bi-LSTM的流體識(shí)別框架

在儲(chǔ)層縱向非均質(zhì)性較強(qiáng)的情況,地下某一深度對(duì)應(yīng)的測井曲線響應(yīng)值會(huì)受到上下儲(chǔ)層性質(zhì)變化的影響。將Bi-LSTM網(wǎng)絡(luò)思想引入到儲(chǔ)層流體識(shí)別中,類比于時(shí)間序列中特征向量隨時(shí)間的變化,測井曲線響應(yīng)值即隨著深度而變化,構(gòu)建出測井序列作為流體識(shí)別模型的輸入,利用Bi-LSTM模型的記憶能力,構(gòu)建出考慮測井曲線的變化趨勢及上下數(shù)據(jù)的相關(guān)關(guān)系的流體識(shí)別模型,來有效克服儲(chǔ)層縱向非均質(zhì)性帶來的影響。本文中搭建的流體識(shí)別模型主要由6部分組成(圖2),包括預(yù)處理層、輸入層、Bi-LSTM層、全連接層、softmax層及輸出層。

圖2 基于Bi-LSTM流體識(shí)別模型框架Fig.2 Fluid identification framework of Bi-LSTM neural network

其中預(yù)處理層包含流體敏感曲線的選取、質(zhì)量檢測及標(biāo)準(zhǔn)化,保證了模型輸入數(shù)據(jù)的準(zhǔn)確性;輸入層將常規(guī)點(diǎn)對(duì)點(diǎn)映射變?yōu)樾蛄袑?duì)點(diǎn)映射,把深度段的連續(xù)測井曲線值看作序列數(shù)據(jù),形成輸入層;Bi-LSTM層是網(wǎng)絡(luò)的核心部分,該層的上層/下層輸出將用作下一層/上一層的輸入(前向、后向LSTM網(wǎng)絡(luò)模型相接),起到有效利用儲(chǔ)層上下層信息的作用。經(jīng)過Bi-LSTM層的多次迭代求解,直到模型收斂,結(jié)果作為輸入向量進(jìn)入全連接層,其輸出結(jié)果經(jīng)過softmax層后輸出為流體類別,形成最終的流體識(shí)別模型。

2 馬家溝組中組合流體識(shí)別難點(diǎn)

研究區(qū)塊位于鄂爾多斯盆地伊陜斜坡中北部,是含氣富集區(qū)也是目前勘探的熱點(diǎn)地區(qū),由于受構(gòu)造運(yùn)動(dòng)、儲(chǔ)集空間類型多樣性、天然氣成因及來源的差異性的影響,儲(chǔ)層非均質(zhì)性較強(qiáng),高產(chǎn)井分布范圍有限,氣水關(guān)系復(fù)雜且存在高阻出水現(xiàn)象[16]。根據(jù)馬家溝組450塊巖樣的巖心物性分析資料,統(tǒng)計(jì)分析了孔隙度分布(圖3(a))。通過試驗(yàn)結(jié)果發(fā)現(xiàn),孔隙度主要分布在0～6%,平均為3.15%。根據(jù)巖石薄片資料,研究區(qū)儲(chǔ)集空間類型多樣(圖3(b)),主要發(fā)育微裂縫、晶間孔和溶孔3種儲(chǔ)集空間類型。概括來說,研究區(qū)儲(chǔ)層致密、具有孔隙空間小、儲(chǔ)集空間類型復(fù)雜多樣等特點(diǎn),測井曲線受到儲(chǔ)集空間類型的影響,流體信號(hào)弱,測井響應(yīng)特征復(fù)雜,氣水層測井解釋難度加大。

為分析不同流體的響應(yīng)特征,首先,根據(jù)研究區(qū)試氣資料,梳理出6種流體類型,分別為氣層、差氣層、氣水同層、含氣水層、水層及干層。其次,為充分放大氣層響應(yīng)特征,提高流體識(shí)別精度,根據(jù)不同測井的測量原理及對(duì)流體的響應(yīng)特征[17],嘗試計(jì)算了5個(gè)衍生參數(shù),分別為密度孔隙度φD、聲波孔隙度φS、三孔隙度差值C、三孔隙度比值B、基于多礦物模型孔隙度φ,計(jì)算公式為

(9)

(10)

φN=IH,

(11)

C=φD+φS-2φN,

(12)

(13)

式中,ρ為巖性密度;ρma為石灰?guī)r骨架密度,取2.71 g/cm3;ρf為流體密度,取1 g/cm3;Δtma為石灰?guī)r骨架聲波時(shí)差,取156 μs/m;Δtf為流體的聲波時(shí)差,取620 μs/m;IH為含氫指數(shù),等于測量的中子響應(yīng)值。

圖3 研究區(qū)孔隙度及儲(chǔ)集空間類型分布直方圖Fig.3 Histogram of porosity and pore type distribution

圖4是研究區(qū)7條常規(guī)測井曲線及5個(gè)衍生參數(shù)對(duì)應(yīng)的不同性質(zhì)流體響應(yīng)特征折線圖。從7條測井曲線響應(yīng)值可以看出,對(duì)于不同性質(zhì)的流體,測井響應(yīng)特征差異不大,總結(jié)為以下幾個(gè)方面:①對(duì)流體敏感的電阻率曲線在研究區(qū)不同性質(zhì)的流體識(shí)別中,難以直接發(fā)揮作用,研究區(qū)存在部分高阻水層現(xiàn)象,即水層的電阻率接近甚至高于氣層電阻率;②從物性曲線(密度ρ、中子φCNL、聲波Δt)響應(yīng)值來看,水層及氣層物性均較好;③部分干層的測井響應(yīng)為氣層特征;④含氣水層及氣水同層測井響應(yīng)變化較大,響應(yīng)特征與氣層、差氣層及水層交疊,識(shí)別難度較大。

圖4 研究區(qū)不同性質(zhì)流體典型測井響應(yīng)折線圖Fig.4 Fold Line chart of logging responses of different fluid in study area

根據(jù)圖4衍生參數(shù)在不同性質(zhì)流體中的響應(yīng)特征分析,計(jì)算得到的衍生參數(shù)對(duì)研究區(qū)氣層響應(yīng)特征的放大能力有限,孔隙度φ及孔隙度差值C可一定程度上區(qū)分某一類流體性質(zhì),但采用單一參數(shù)或常規(guī)測井曲線均難以識(shí)別研究區(qū)流體性質(zhì)?？偨Y(jié)不同流體的響應(yīng)特征,建立的流體識(shí)別線性模型預(yù)測精度為61.54%,難以滿足生產(chǎn)要求。

在研究區(qū)復(fù)雜孔隙系統(tǒng)、強(qiáng)儲(chǔ)層非均質(zhì)性的情況下,有必要在確定流體敏感曲線后,建立能充分挖掘儲(chǔ)層信息、考慮強(qiáng)非均質(zhì)性影響的流體識(shí)別模型。

3 研究區(qū)塊模型建立與分析

3.1 敏感曲線選取及特征分析

根據(jù)對(duì)常規(guī)測井曲線及衍生曲線在不同性質(zhì)流體中的響應(yīng)特征分析,雖然難以簡單利用測井曲線響應(yīng)值有效識(shí)別流體性質(zhì),但不同曲線的響應(yīng)值對(duì)不同類型的流體有不同程度的區(qū)分,即存在一定的類間差異。例如,密度及深側(cè)向電阻率曲線RLLD對(duì)干層敏感,中子、聲波、C、φD、φS及φ曲線對(duì)差氣層敏感,自然伽馬GR、淺側(cè)向電阻率曲線RLLS對(duì)氣水同層敏感。因此篩選確定出10條敏感曲線,包括6條常規(guī)測井曲線、4條衍生曲線。

(14)

式中,n為每列的長度;r(RLLD,ρ)為曲線RLLD與ρ的相關(guān)系數(shù)范圍為-1到1,-1表示完全負(fù)相關(guān),而值為1表示完全正相關(guān),值為0表示列之間沒有關(guān)聯(lián)。

圖5為10條曲線間的相關(guān)性檢驗(yàn)結(jié)果,從圖中可以看出,由于衍生曲線中的φD、φS為ρ、Δt曲線直接通過線性變換所得,完全線性相關(guān);同樣,C由ρ、Δt、φCNL曲線計(jì)算而來,與ρ、Δt存在強(qiáng)相關(guān)關(guān)系;此外,深淺電阻率之間存在正相關(guān)關(guān)系,而φ與各條原始常規(guī)測井曲線之間不存在高度共線性關(guān)系。綜合10條敏感曲線相似性分析結(jié)果,去除高度共線性曲線,最終優(yōu)選出以常規(guī)測井曲線為主的ρ、Δt、φCNL、φ、RLLD、GR 6條曲線輸入組合及以衍生曲線為主的φ、C、φCNL、RLLD、GR 5條曲線輸入組合來分別建立流體識(shí)別模型。由于輸入組合不同時(shí),后續(xù)訓(xùn)練樣本及Bi-LSTM流體識(shí)別模型建立過程類似,為減少重復(fù)內(nèi)容,訓(xùn)練樣本建立及Bi-LSTM流體識(shí)別模型兩部分以6條曲線輸入組合為例論述。

圖5 測井曲線及衍生參數(shù)相關(guān)度熱圖Fig.5 Heat map of correlation of different logging curves and derivative parameters

3.2 訓(xùn)練樣本建立

訓(xùn)練樣本建立包括預(yù)處理及序列樣本生成2部分。預(yù)處理包括測井曲線質(zhì)量檢測及曲線歸一化。曲線質(zhì)量檢測剔除擴(kuò)徑嚴(yán)重、曲線失真井段,保證了數(shù)據(jù)的可靠性,曲線歸一化消除各類參數(shù)量綱差異帶來的影響,提高后續(xù)模型收斂速度及精度。

序列樣本生成包括數(shù)據(jù)充填及序列提取。首先通過插值進(jìn)行數(shù)據(jù)充填,使得生成的序列長度統(tǒng)一。其次,設(shè)置序列長度為8個(gè)采樣(總長度為1 m)的滑動(dòng)窗,自上而下對(duì)31 口井試氣層段的測井?dāng)?shù)據(jù)進(jìn)行提取,形成訓(xùn)練序列數(shù)據(jù)。根據(jù)研究區(qū)試氣資料,一共生成681組有效深度序列數(shù)據(jù),按照訓(xùn)練樣本集與驗(yàn)證樣本集7∶3的比例,隨機(jī)抽取其中200組作為驗(yàn)證樣本集,其余作為訓(xùn)練樣本集。

3.3 基于Bi-LSTM流體識(shí)別模型

確定訓(xùn)練樣本集以及驗(yàn)證集后,建立基于Bi-LSTM網(wǎng)絡(luò)的流體識(shí)別模型。為了防止過擬合,對(duì)Bi-LSTM層中的連接添加Dropout,即將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的隱藏層節(jié)點(diǎn)按照給定概率進(jìn)行丟棄,增加了訓(xùn)練網(wǎng)絡(luò)的多樣化,提高模型的泛化能力。模型內(nèi)部選用Adam算法,使用交叉熵?fù)p失函數(shù),通過不斷的迭代更新,觀察損失函數(shù)變化,直到模型收斂停止,確定最終網(wǎng)絡(luò)模型。由于循環(huán)神經(jīng)網(wǎng)絡(luò)的序列輸入模式以及內(nèi)部網(wǎng)絡(luò)結(jié)構(gòu),使得網(wǎng)絡(luò)本身的結(jié)構(gòu)就比較深,所以無需設(shè)置過多的Bi-LSTM層。經(jīng)過多次試驗(yàn),設(shè)置2層Bi-LSTM層,1層全連接層,其他網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置為:隱層神經(jīng)元數(shù)100,最小批訓(xùn)練次數(shù)16。除此之外,針對(duì)學(xué)習(xí)率對(duì)網(wǎng)絡(luò)的影響,采用動(dòng)態(tài)學(xué)習(xí)率,將網(wǎng)絡(luò)訓(xùn)練分為前期及后期兩部分,網(wǎng)絡(luò)訓(xùn)練前期采用較大學(xué)習(xí)率,隨著模型的收斂,后期減小學(xué)習(xí)率,以使模型更好地收斂,初始學(xué)習(xí)率設(shè)置為0.01。計(jì)算機(jī)系統(tǒng)環(huán)境為Windows 10 64位系統(tǒng),內(nèi)存為32 GB,雙處理器(Intel(R) Xeon(R) CPU ES-2660 v3 @ 2.60 GHz)。

圖6為Bi-LSTM流體識(shí)別模型訓(xùn)練過程。從圖中可以看出,隨著網(wǎng)絡(luò)的迭代更新,模型復(fù)雜度增加,訓(xùn)練樣本誤差漸漸減小的同時(shí),驗(yàn)證集損失函數(shù)整體呈現(xiàn)為先快速下降,后逐漸收斂保持平穩(wěn)的變化趨勢,未出現(xiàn)損失函數(shù)值先下降后逐步升高的過擬合現(xiàn)象。模型在迭代到6 500次后,模型收斂,得到最終模型。

4 對(duì)比分析

根據(jù)敏感曲線選取及特征分析,確定兩種不同的輸入曲線組合,并分別建立基于Bi-LSTM流體識(shí)別模型,其中以常規(guī)測井曲線為主的ρ、Δt、φCNL、φ、RLLD、GR 6條曲線輸入組合建立的流體識(shí)別模型判別精度為91.5%,以衍生曲線為主的φ、C、φCNL、RLLD、GR 5條曲線輸入組合建立的流體識(shí)別模型判別精度為85.5%。根據(jù)兩個(gè)模型的穩(wěn)定性及精度,最終采用以ρ、Δt、φCNL、φ、RLLD、GR 6條曲線輸入組合建立的Bi-LSTM流體識(shí)別模型。

為驗(yàn)證Bi-LSTM模型在測井流體識(shí)別問題中的優(yōu)勢,將圖2中的Bi-LSTM層換為LSTM層,建立單向LSTM流體識(shí)別模型。為充分驗(yàn)證基于序列信息的流體識(shí)別模型的應(yīng)用效果,對(duì)比分析包括Fisher判別、支持向量機(jī)SVM、貝葉斯3種經(jīng)典機(jī)器學(xué)習(xí)方法的流體識(shí)別精度。此外,分析研究區(qū)多口井的流體識(shí)別結(jié)果與試氣結(jié)論,從實(shí)際運(yùn)用效果中驗(yàn)證模型的可靠性。為保證對(duì)比結(jié)果的可靠性,Fisher判別、支持向量機(jī)、貝葉斯均采用相同的建模樣本集及預(yù)測樣本集。其中貝葉斯判別采用樸素貝葉斯判別Naive Bayes,判別精確度見表1。從預(yù)測精度來看建立的5個(gè)非線性模型精度均高于前文中建立的流體識(shí)別線性模型,考慮測井序列信息的LSTM模型精度高于其他3種機(jī)器學(xué)習(xí)方法,凸顯了一定的模型優(yōu)勢。

圖6 交叉驗(yàn)證集損失函數(shù)及精確度隨迭代次數(shù)的變化Fig.6 Cross validation set loss and accuracy change with number of iterations

表1 不同流體識(shí)別模型精度

將建立的Bi-LSTM流體識(shí)別模型及單向LSTM、Fisher判別、支持向量機(jī)、貝葉斯判別5個(gè)流體識(shí)別模型應(yīng)用于研究區(qū)預(yù)測井中,圖7為A井5種流體識(shí)別模型流體識(shí)別結(jié)果。其中3 612～3 614 m為測試層段,日產(chǎn)氣5.43×104m3,試氣結(jié)論為氣層,是研究區(qū)典型氣層。從測井曲線響應(yīng)特征來看,測試層段物性較好,孔隙度分布范圍在7%～9%,基于Bi-LSTM流體識(shí)別模型、LSTM流體識(shí)別模型及Fisher判別模型均可有效識(shí)別氣層段,而Bayes模型及SVM模型的判別結(jié)果為水層,從識(shí)別結(jié)果來看,Bi-LSTM流體識(shí)別模型除精度優(yōu)勢外,表現(xiàn)出更高的模型穩(wěn)定性。

圖7 A井5種流體識(shí)別模型流體識(shí)別結(jié)果Fig.7 Fluid identification results of 5 fluid identification models in well A

圖8為B井5種流體識(shí)別模型流體識(shí)別結(jié)果。3 696.5～3 698.5 m及3 702.5～3 705 m為測試層段,日產(chǎn)氣0.084×104m3,日產(chǎn)水26 m3,試氣結(jié)論為水層。從測井曲線響應(yīng)特征來看,測試層段電阻率較高,上段深側(cè)向電阻率均值約200 Ω·m,下段深側(cè)向電阻率均值約400 Ω·m,是研究區(qū)典型的高阻水層?；贐i-LSTM流體識(shí)別模型、LSTM模型、Bayes判別模型及SVM模型的判別結(jié)果為水層,Fisher判別模型在此處難以有效識(shí)別水層,判別結(jié)果為氣水同層及差氣層。從兩口典型井的判別結(jié)果來看,經(jīng)典機(jī)器學(xué)習(xí)算法的流體識(shí)別模型,在對(duì)氣層及高阻水層的識(shí)別上,存在模型偏重,即Fisher判別模型偏重于將具備氣層特征的儲(chǔ)層識(shí)別為氣層,Bayes判別模型及SVM模型的判別結(jié)果偏重為水層,并未真正挖掘到曲線與流體之間的關(guān)系,難以識(shí)別疑難層的流體性質(zhì)。基于連續(xù)序列信息的Bi-LSTM/LSTM模型均能充分利用測井響應(yīng)特征,其中Bi-LSTM流體識(shí)別模型精度及穩(wěn)定性更強(qiáng),更適用于強(qiáng)非均質(zhì)性儲(chǔ)層中的流體識(shí)別問題。

圖8 B井5種流體識(shí)別模型流體識(shí)別結(jié)果Fig.8 Fluid identification results of 5 fluid identification models in well B

5 結(jié)束語

將Bi-LSTM網(wǎng)絡(luò)思想引入儲(chǔ)層流體識(shí)別中,充分利用Bi-LSTM模型的記憶能力,構(gòu)建出考慮測井曲線的變化趨勢及上下數(shù)據(jù)的相關(guān)關(guān)系的流體識(shí)別模型。模型的設(shè)計(jì)框架符合循環(huán)神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)原理,又充分考慮了測井流體識(shí)別問題的特殊性,最終建立了包括預(yù)處理層、輸入層、Bi-LSTM層、全連接層、softmax層及輸出層的6層網(wǎng)絡(luò),預(yù)處理層中的流體敏感曲線的選取、質(zhì)量檢測及標(biāo)準(zhǔn)化,確保了輸入樣本的正確性。模型中的Adam算法及超參數(shù)的選取,保證了模型在更新迭代中找到最優(yōu)模型。該模型已在鄂爾多斯盆地馬家溝組中應(yīng)用,與其他4類算法預(yù)測結(jié)果的對(duì)比表明,基于Bi-LSTM的流體識(shí)別模型,能有效識(shí)別流體性質(zhì),提高流體識(shí)別符合率。基于Bi-LSTM流體識(shí)別模型有望改善復(fù)雜儲(chǔ)層的流體識(shí)別和評(píng)價(jià),為復(fù)雜儲(chǔ)層流體識(shí)別提供新思路。