王華,張雨順

(電子科技大學(xué)資源與環(huán)境學(xué)院,四川成都611731)

0 引 言

地球物理測井是在井筒開鉆同時或開鉆后,利用特定的儀器測量井下地層的物理、化學(xué)性質(zhì)、地層結(jié)構(gòu)及井身幾何特性,以了解井中及井周地層情況的一門學(xué)科。該學(xué)科的理論基礎(chǔ)為地質(zhì)學(xué)、物理學(xué)和數(shù)學(xué),涵蓋電子信息技術(shù)、傳感器技術(shù)、特定場景儀器的研發(fā)以及數(shù)據(jù)的高效傳輸和處理解釋等。它既是識別地下流體性質(zhì)、儲集層巖性及物性的有效途徑,也是石油工程技術(shù)人員解決相關(guān)問題的必要資料來源。早在1876年,中國四川自貢地區(qū)就利用濕泥巴纏裹的木棒測量鹽鹵水層的深度和出水量?，F(xiàn)代地球物理測井則起源于人們對石油資源探測的需求,物理學(xué)家于1927年將地面電阻率探礦裝置用于定性識別井中油水層。1942年,Archie的實(shí)驗(yàn)及分析結(jié)果將現(xiàn)代地球物理測井從定性推動到定量化的階段,基于此結(jié)果建立起來的巖石物理體積模型為后續(xù)出現(xiàn)的各種測井方法的應(yīng)用提供了理論依據(jù)。經(jīng)過近一個世紀(jì)的發(fā)展,地球物理測井已經(jīng)成為石油科學(xué)的十大主干學(xué)科之一,也逐漸從油田勘探開發(fā)拓展到了深地、深海、地下工程、生態(tài)監(jiān)測等領(lǐng)域。面對越來越復(fù)雜的應(yīng)用場景,測井領(lǐng)域研究往往是方法研究先行,在電子信息技術(shù)的發(fā)展下不斷發(fā)展新儀器。測井也從早期模擬記錄時代過渡到數(shù)字磁帶、數(shù)控測井時代,直到近20年的成像測井時代。新的儀器、采集方式、數(shù)據(jù)處理方法不斷涌現(xiàn),使得我們能獲取豐富的井下信息來定量評價地層巖性、物性、含油性等。

測井資料處理解釋長期面臨的一個問題是需要解釋專家具有豐富的區(qū)域地質(zhì)經(jīng)驗(yàn)。即便如此,不同專家的解釋結(jié)果還存在很大的差異,尤其是非常規(guī)油氣藏等復(fù)雜巖性的測井解釋。在電子信息技術(shù)的高速發(fā)展下,采用新的、高效的觀測方式和技術(shù)(如分布式光纖技術(shù)),服務(wù)公司得以快速實(shí)時地采集越來越多的測井?dāng)?shù)據(jù)。海量的數(shù)據(jù)隨時間增加呈指數(shù)增多,加劇了人工測井解釋的壓力,同時油田公司和服務(wù)公司普遍存在用人緊張的問題。如何在新形勢下高效開展地球物理測井資料解釋成為了一大難題。

互聯(lián)網(wǎng)時代下,大數(shù)據(jù)、機(jī)器學(xué)習(xí)(Machine Learning,ML)及人工智能(Artificial Intelligence,AI)正逐漸成為各個行業(yè)的熱門詞匯。自2016年起,幾乎所有石油行業(yè)相關(guān)會議都專門開展了機(jī)器學(xué)習(xí)或人工智能與行業(yè)結(jié)合的主題探討會。許多勘探領(lǐng)域的學(xué)術(shù)期刊也專門為應(yīng)用于地球科學(xué)、石油工程領(lǐng)域的機(jī)器學(xué)習(xí)及大數(shù)據(jù)專題提供了專刊及主題會議[1]。各大國際石油公司和服務(wù)公司也在調(diào)整發(fā)展戰(zhàn)略,將數(shù)據(jù)作為寶貴資源,在數(shù)據(jù)科學(xué)、人工智能領(lǐng)域持續(xù)發(fā)力,如斯倫貝謝公司就已著手建設(shè)自己的智能化測井處理解釋平臺[2]。作為勘探和開發(fā)領(lǐng)域中重要的組成部分,地球物理測井相關(guān)從業(yè)人員也在逐漸探尋人工智能、機(jī)器學(xué)習(xí)技術(shù)與自身研究領(lǐng)域的高效融合。

基于以上挑戰(zhàn)與機(jī)遇,本文首先介紹人工智能、機(jī)器學(xué)習(xí)間的關(guān)系,總結(jié)歸納若干類較為典型的測井資料智能處理研究,并對測井資料智能解釋的未來提出思考及展望。

1 人工智能在測井資料處理解釋應(yīng)用的適用性分析

人工智能是指利用特定算法獲取信息后,執(zhí)行具有人類特征任務(wù)的能力,如識別物體、聲音及從環(huán)境中學(xué)習(xí)以解決其他問題。人工智能的關(guān)鍵在于自動化方法的設(shè)計(jì),即設(shè)計(jì)出一種學(xué)習(xí)算法,使計(jì)算機(jī)能夠在沒有人類干預(yù)或幫助的情況下自動獲取知識。機(jī)器學(xué)習(xí)方法的不斷優(yōu)化,促進(jìn)了人工智能領(lǐng)域相關(guān)技術(shù)的發(fā)展。機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)子領(lǐng)域及統(tǒng)計(jì)學(xué)研究的領(lǐng)域之一,旨在針對給定數(shù)據(jù)設(shè)計(jì)及訓(xùn)練出具有拆分、排序、轉(zhuǎn)換等能力的特殊算法[3]。根據(jù)學(xué)習(xí)任務(wù)的特點(diǎn),可分為監(jiān)督學(xué)習(xí)(Supervised Learning)、無監(jiān)督學(xué)習(xí)(Unsupervised Learning)和半監(jiān)督學(xué)習(xí)(Semi-Supervised Learning)。

訓(xùn)練數(shù)據(jù)樣本包含了輸入向量以及對應(yīng)目標(biāo)向量的機(jī)器學(xué)習(xí)任務(wù)被稱為監(jiān)督學(xué)習(xí)。根據(jù)學(xué)習(xí)目標(biāo)的不同,可分為分類與回歸這2類任務(wù):分類任務(wù)用于為每個輸入向量分配離散標(biāo)簽;回歸任務(wù)則用于輸出1個或多個連續(xù)變量,以表征輸入變量與目標(biāo)變量之間的統(tǒng)計(jì)關(guān)系。諸如支持向量機(jī)(Support Vector Machine,SVM)[4]、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)[5]、決策樹(Decision Tree)、隨機(jī)森林(Random Forest)[6]等經(jīng)典監(jiān)督學(xué)習(xí)方法,正逐步被應(yīng)用到測井解釋作業(yè)中。

訓(xùn)練數(shù)據(jù)僅由1組輸入向量組成、不含對應(yīng)目標(biāo)標(biāo)簽的機(jī)器學(xué)習(xí)任務(wù)稱為無監(jiān)督學(xué)習(xí)。根據(jù)學(xué)習(xí)目標(biāo)不同,無監(jiān)督學(xué)習(xí)任務(wù)可分為聚類(Clustering)、密度估計(jì)(Density Estimation)與數(shù)據(jù)可視化(Visualization)等。聚類任務(wù)的目標(biāo)是將樣本整體劃分為若干個由相似對象組成的類簇;密度估計(jì)用于確定輸入數(shù)據(jù)在空間中的分布;數(shù)據(jù)可視化主要利用降維方法,將數(shù)據(jù)從高維空間投影到二維/三維空間,供從業(yè)人員直觀可視。常用無監(jiān)督方法包括K-Means聚類[7]、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚類[8]、主成分分析(Principal Component Analysis,PCA)[9]等。

為了最大限度提高機(jī)器學(xué)習(xí)任務(wù)模式識別能力,可構(gòu)建具有一定深度的模型,獲取數(shù)據(jù)更深層次的特征或表征,以提升算法在處理更大數(shù)據(jù)量、更高維度的數(shù)據(jù)集時的準(zhǔn)確度和可靠性。這些具有層次結(jié)構(gòu)更為復(fù)雜的機(jī)器學(xué)習(xí)方法被稱為深度學(xué)習(xí)(Deep Learning,DL)[10],包括卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)[11]、堆棧自編碼網(wǎng)絡(luò)(Stacked Auto-Encoder Network)[12]、深度置信網(wǎng)絡(luò)(Deep Belief Nets)[13]等。

還有1類模式識別任務(wù)利用少量標(biāo)簽數(shù)據(jù)和大量未標(biāo)簽的數(shù)據(jù)實(shí)現(xiàn),此類任務(wù)即半監(jiān)督學(xué)習(xí)。研究表明,少量標(biāo)簽有助于顯著提升聚類效果[14-15],結(jié)合無監(jiān)督學(xué)習(xí)降維方法的半監(jiān)督分類任務(wù)則可在標(biāo)簽不足的情況下提升監(jiān)督學(xué)習(xí)分類效果[16]。

通常而言,地球物理領(lǐng)域所獲取到的數(shù)據(jù)是海量的,數(shù)據(jù)分析人員可根據(jù)數(shù)據(jù)及待求任務(wù)的特點(diǎn),應(yīng)用或自定義最佳機(jī)器學(xué)習(xí)算法(見圖1)[17]。

圖1 多種機(jī)器學(xué)習(xí)算法使從業(yè)人員得以按需選擇(圖片重制自Bergen等[17])

整體而言,目前的地球物理測井領(lǐng)域的數(shù)據(jù)量呈現(xiàn)了大容量、多尺度、高維、多噪聲等特點(diǎn)。同時,基于物理或經(jīng)驗(yàn)?zāi)Ｐ偷臄?shù)值模擬任務(wù)也為測井領(lǐng)域帶來了大量的待處理數(shù)據(jù)及海量的計(jì)算任務(wù):如Prioul等[18]基于物理模型正演了井外各向異性介質(zhì)(裂縫)對井壁電阻率成像、聲波測井、垂直地震剖面等的響應(yīng)情況,助力實(shí)際誘發(fā)裂縫方向研究;Wang等[19-21]則利用三維有限差分研究了套管偏心、不同膠結(jié)情況、方位竄槽等情況下的單極子和偶極子聲場特征,有助于利用聲波測井資料解釋套管井的固井質(zhì)量?；谖锢砟Ｐ万?qū)動的處理解釋的實(shí)例不勝枚舉,其核心在于探索以領(lǐng)域知識為基礎(chǔ)的變量間的可靠關(guān)系,所提供的假設(shè)及函數(shù)對應(yīng)的映射均來自用戶的有限定義,不同變量和潛在物理知識間的重要關(guān)系難免存在遺漏。以測井解釋為例,一個剛學(xué)完測井解釋課程的學(xué)生和一個有多年豐富地質(zhì)經(jīng)驗(yàn)積累的測井解釋資深專家給出的結(jié)果可能會完全不同。這是因?yàn)槌Ｒ?guī)定量解釋手段往往基于巖石物理體積模型建立近似的線性方程組來優(yōu)化求解。這種做法在巖性簡單的常規(guī)地層應(yīng)用問題不大,但在復(fù)雜巖性地層中,測井響應(yīng)與物性參數(shù)呈非線性關(guān)系,需要結(jié)合當(dāng)?shù)氐牡刭|(zhì)情況進(jìn)行相應(yīng)的調(diào)整。同樣,以聲波全波形測井資料應(yīng)用為例,復(fù)雜環(huán)境下波形多變,需要經(jīng)驗(yàn)豐富的專家來識別。此外,基于數(shù)值模擬的方法存在耗時久、運(yùn)算量大等問題。因此,從業(yè)人員已經(jīng)開始探索更為高效可靠的解決方式:采用基于人工智能、機(jī)器學(xué)習(xí)的測井資料智能處理方法。

同圖2(a)提到的模型驅(qū)動方法相比,基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法[見圖2(b)]通過探索數(shù)據(jù)本身內(nèi)存在的更大函數(shù)空間(見圖3)[10],以新的視角挖掘數(shù)據(jù)內(nèi)潛在的知識,將數(shù)據(jù)與目標(biāo)(或稱為標(biāo)簽)相聯(lián)系,以非線性方式,從高維空間中發(fā)現(xiàn)變量間關(guān)系[22-24]。隨著計(jì)算成本和運(yùn)行時間的減少,內(nèi)存、網(wǎng)絡(luò)深度和可用數(shù)據(jù)樣本的不斷增加,Scikit-Learn[25]、Tensorflow[26]等易于實(shí)現(xiàn)的機(jī)器學(xué)習(xí)算法庫的開源使用,傳統(tǒng)機(jī)器學(xué)習(xí)算法及更多新算法可以在學(xué)術(shù)和商業(yè)環(huán)境中方便各行業(yè)的人們使用。

圖2 地球物理測井領(lǐng)域的2種數(shù)據(jù)分析工作流

圖3 人工智能適合于地球物理測井領(lǐng)域的原因(圖片重制自Bergen等[17])

2 測井資料智能解釋現(xiàn)狀

從測井資料中識別儲層的巖性及沉積相是地下儲層建模及地下資源開發(fā)的關(guān)鍵。巖性及沉積相分析的常見方法有測井曲線解釋、巖心分析等。常規(guī)測井曲線[27]是記錄井眼巖石物理性質(zhì)最直接也最基本的方法,包括電法測井、核測井、聲波測井等。鉆井液對電阻率測井曲線的侵入效應(yīng)受孔隙尺寸、孔喉尺寸、迂曲度和Maxwell-Wagner極化的影響,這些影響與孔隙尺寸分布相關(guān);中子測井對地層中流體含氫量敏感,而氫原子含量又與地層平均孔隙度高度相關(guān);伽馬射線用于測量地層中的自然輻射,同砂巖、石灰?guī)r相比,含有黏土的巖石能夠釋放出更多的伽馬射線,可用于計(jì)算泥質(zhì)含量;密度測井可直接顯示井下流體和礦物體積濃度關(guān)系。巖心分析[28]則可獲得關(guān)于礦物學(xué)、化學(xué)成分、物理特性(孔隙度、滲透率)等信息。

早期研究中,根據(jù)2種不同的測井曲線繪制交會圖,運(yùn)用判別分析或簡單基于截?cái)嘀档姆治龇椒纯傻玫綆r相及孔隙度分類信息[29]。而隨著測井技術(shù)的不斷發(fā)展、面臨的測量環(huán)境更加復(fù)雜,有必要在實(shí)際工程中進(jìn)行更為細(xì)致的巖相劃分,對地下介質(zhì)性質(zhì)分析的精度要求也逐漸提高。常規(guī)測井曲線間隱藏著復(fù)雜的關(guān)系,雖然不同曲線可以感知不同的物理現(xiàn)象和地層性質(zhì),但某些測井曲線的組合往往相互關(guān)聯(lián),簡單的線性判別分析方法難以滿足需求。雖然巖心分析可以精確獲取整個工區(qū)地下介質(zhì)的多種物理參數(shù)信息,但耗時較多。受人工智能監(jiān)督學(xué)習(xí)領(lǐng)域發(fā)展的啟發(fā),大量研究以測井曲線等序列數(shù)據(jù)及對應(yīng)的巖相解釋結(jié)果或敏感參數(shù)作為算法模型輸入,訓(xùn)練機(jī)器學(xué)習(xí)算法,以建立已有數(shù)據(jù)和待求參數(shù)間的映射關(guān)系,借此實(shí)現(xiàn)測井資料的近實(shí)時解釋。由于老油田積累的一些巖心分析結(jié)果和專家的解釋結(jié)果有利于建立穩(wěn)定的機(jī)器學(xué)習(xí)模型,這些穩(wěn)定模型將有望應(yīng)用于新的測井資料,并取得非常好的效果?；诖?筆者匯總了人工智能在測井資料智能解釋中的應(yīng)用,并對智能方法未來的發(fā)展道路提出了一些展望。

2.1 常規(guī)測井資料模式識別任務(wù)

手寫數(shù)字體的識別,即通過訓(xùn)練算法學(xué)習(xí)手寫數(shù)字體圖片和各數(shù)字標(biāo)簽之間的映射關(guān)系,是機(jī)器學(xué)習(xí)中經(jīng)典的學(xué)習(xí)案例之一。這些算法能夠綜合考慮數(shù)字的各種特點(diǎn),完成分類任務(wù)。利用測井曲線進(jìn)行巖相智能分類類似于手寫數(shù)字體識別。對同一地層,不同的測井曲線提供了不同的屬性信息,且曲線之間相互補(bǔ)充,綜合使用可以更好地區(qū)分井下介質(zhì)的巖相類型。通過構(gòu)建輸入測井曲線和標(biāo)簽(專家解釋或巖心分析得到的巖相結(jié)果)之間完備的數(shù)據(jù)集,訓(xùn)練監(jiān)督學(xué)習(xí)模型用于巖相分類,能夠?yàn)檫€未經(jīng)專家解釋的地區(qū)進(jìn)行巖相分類。該類研究在近年來較為熱門,在2007年Dubois等[30]利用了7種分類器研究了測井曲線巖相分類問題,包括利用貝葉斯準(zhǔn)則方法的經(jīng)典分類法(即二維或三維交會圖)和3種非參數(shù)方法(模糊邏輯方法、K-最近鄰、BP神經(jīng)網(wǎng)絡(luò))。結(jié)果表明,基于判別分析的經(jīng)典線性分類方法(如交會圖)[31]在某些應(yīng)用場景會存在分類不充分的問題。非參數(shù)方法中,BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大非線性映射能力,可以很好地實(shí)現(xiàn)測井曲線的巖相分類任務(wù)。相關(guān)數(shù)據(jù)集由Hall[31]加以整理,供從業(yè)人員進(jìn)行方法測試和復(fù)現(xiàn)。Ouadfeul等[32]采用自組織映射(Self-Organized Maps,SOM)與多層感知機(jī)(Multilayer Perceptron,MLP),以及將傳統(tǒng)信號分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的方法,驗(yàn)證了神經(jīng)網(wǎng)絡(luò)在巖相自動分割任務(wù)中的有效性,并獲得了優(yōu)于傳統(tǒng)方法的結(jié)果?；跊Q策樹的多種分類器也被用于巖相分類研究,如隨機(jī)森林[33]、梯度提升樹[34]、XGBoost提升樹[35]等。Ao等[36]結(jié)合Mean-shift算法與隨機(jī)森林算法,從原型相似度的角度進(jìn)行巖性識別,取得了優(yōu)于直接采用決策樹等算法的效果。Jaikla等[22]提出FaciesNet,用于捕獲地質(zhì)信息、疊加模式的巖相及地質(zhì)相關(guān)性,模型將卷積自編碼器(Convolutional Autoencoder,CAE)與雙向遞歸神經(jīng)網(wǎng)絡(luò)(Bi-directional Recurrent Neural Networks,BRNNs)相結(jié)合,用于預(yù)測測井曲線資料中具有地質(zhì)意義的巖相,實(shí)現(xiàn)了儲層相與非儲層相的分割。Feng[37]將ANN與隱馬爾科夫模型(Hidden Markov Models,HMM)方法結(jié)合,以儲層研究巖相的概率分布,結(jié)合統(tǒng)計(jì)學(xué)及地質(zhì)學(xué)的角度實(shí)現(xiàn)分類過程,取得了優(yōu)于其他分類方法的性能。此外,疊前地震資料等地震數(shù)據(jù)也可以被從業(yè)人員存儲為與測井曲線類似的序列數(shù)據(jù),部分研究通過利用疊前地震資料等地震數(shù)據(jù),實(shí)現(xiàn)了在更大空間尺度上的巖相識別:Hami-Eddine等[38]利用地震數(shù)據(jù)作為巖相預(yù)測的傳遞手段,結(jié)合測井曲線數(shù)據(jù)的巖相識別結(jié)果,訓(xùn)練神經(jīng)網(wǎng)絡(luò)從地震數(shù)據(jù)中尋找可用于巖性分布和不確定性預(yù)測的模式。

類似測井曲線的儲層及沉積相分類任務(wù),從常規(guī)固井測井資料中獲得的水泥膠結(jié)質(zhì)量評價信息也可作為監(jiān)督學(xué)習(xí)目標(biāo),實(shí)現(xiàn)固井質(zhì)量自動評價。相關(guān)研究[39-41]按水平好壞劃分出若干表征固井質(zhì)量的類別相(如膠結(jié)質(zhì)量好、一般、較差等)。整個工作流程以測井?dāng)?shù)據(jù)作為輸入向量,以質(zhì)量類別相作為目標(biāo)向量,訓(xùn)練得到能夠自動輸出盲井的固井質(zhì)量評價結(jié)果的監(jiān)督學(xué)習(xí)模型。具體的,Reolon等[40]結(jié)合MRGC(Multi-Resolution Graph-based Clustering)聚類手段與貝葉斯框架,實(shí)現(xiàn)了井下水泥膠結(jié)相、水力間隔相的分類,并給出了分類相概率及不確定性。Viggen等[41]則設(shè)計(jì)特征工程方法,采用領(lǐng)域知識從測井資料中提取特征,獲得了更好的分類效果。相關(guān)方法雖然還不能完全替代人工解釋,但足以作為人工解釋過程中的重要輔助資料,極大提升固井質(zhì)量解釋效率。

綜上所述,相較于傳統(tǒng)信號處理方法,基于機(jī)器學(xué)習(xí)方法,建立非線性映射的處理方法,對巖相識別任務(wù)準(zhǔn)確度有極大的提升。同時,更先進(jìn)的算法,以及針對特定任務(wù)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì),還能夠更好地實(shí)現(xiàn)諸如儲層相與非儲層相的分割、固井質(zhì)量評價等衍生任務(wù)。

2.2 常規(guī)測井資料參數(shù)反演任務(wù)

與分類任務(wù)類似,機(jī)器學(xué)習(xí)的回歸算法也被廣泛應(yīng)用于測井資料解釋中。該類方法主要是通過建立已有測井曲線資料與地層參數(shù)之間的樣本數(shù)據(jù)集合,訓(xùn)練機(jī)器學(xué)習(xí)算法的回歸模型,從而實(shí)現(xiàn)工區(qū)目標(biāo)參數(shù)的反演。如Meshalkin等[42]利用回歸算法反演測井資料中巖石熱導(dǎo)率。他們比較了K-means、ANN、高斯過程(Gaussian Process)、隨機(jī)森林、自適應(yīng)提升算法(Ada Boost)、梯度提升算法(Gradient Boosting)、極端隨機(jī)樹(Extra Trees)等監(jiān)督學(xué)習(xí)算法的反演結(jié)果,在不依靠額外參數(shù)的情況下直接預(yù)測不同深度的巖石熱導(dǎo)率。Gasior等[43]則利用密度、聲波、中子、伽馬、井徑及電阻率等測井資料,采用多元回歸和神經(jīng)網(wǎng)絡(luò)方法建立數(shù)學(xué)模型,實(shí)現(xiàn)了連續(xù)導(dǎo)熱值系數(shù)的反演,與實(shí)驗(yàn)數(shù)據(jù)具有較好的一致性。Li等[44]提出一種基于深度CNN評價隨鉆電阻率測井的地層幾何參數(shù)的流程,將目標(biāo)檢測領(lǐng)域中的智能方法(You Only Look Once,YOLO)應(yīng)用于隨鉆電阻率測井地質(zhì)導(dǎo)向任務(wù)中,以數(shù)值模擬的隨鉆測井資料作為輸入,實(shí)現(xiàn)了地層電阻率的反演。Kisra等[45]通過搭建CNN,以原始聲波測井資料作為輸入,實(shí)現(xiàn)了地層縱波和橫波慢度的近實(shí)時反演。Li等[46]采用井下磁共振測井?dāng)?shù)據(jù),選擇長短時間記憶網(wǎng)絡(luò)(Long-short Term Memory,LSTM)、變分自編碼器(Variational Autoencoders,VAEs)模型用于合成核磁共振T2譜分布數(shù)據(jù),實(shí)現(xiàn)對含油氣頁巖儲層的充液孔隙大小分布的量化。Shahriari等[47]通過訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),實(shí)現(xiàn)了對井眼測量數(shù)據(jù)的實(shí)時反演,并利用LSTM實(shí)現(xiàn)了數(shù)據(jù)降維。該實(shí)時反演方法有望應(yīng)用于隨鉆測井(Logging While Drilling,LWD)技術(shù),提升井下測量信息的實(shí)時傳輸效率。Garcia等[48]結(jié)合ANN與無監(jiān)督學(xué)習(xí)方法,對缺省的光電因子參數(shù)進(jìn)行了反演重建,并基于重建資料,采用無監(jiān)督神經(jīng)網(wǎng)絡(luò)方法改進(jìn)了巖相分類效果,并量化了巖石物理性質(zhì)分配的不確定性?？梢?不論是經(jīng)典機(jī)器學(xué)習(xí)算法還是深度學(xué)習(xí)算法,在測井曲線解釋任務(wù)上均有較好表現(xiàn)。然而,現(xiàn)有研究[42]也表明,忽略數(shù)據(jù)集本身特點(diǎn)而盲目選用先進(jìn)算法,不一定會改善測井曲線的解釋效果。因此,近來研究大都選用多種方法,通過對比擇優(yōu)更好地實(shí)現(xiàn)測井曲線參數(shù)反演。

3 測井資料智能解釋思考及展望

前文主要闡述了測井領(lǐng)域中應(yīng)用較為系統(tǒng)及廣泛的人工智能應(yīng)用。顯然,人工智能在測井領(lǐng)域中的應(yīng)用遠(yuǎn)不止所列出的方面。然而,這些應(yīng)用由于起步時間較短,還未形成較為完善的工作流程。筆者將簡述已有的基于測井資料的創(chuàng)新解釋流程,這些方法還未大量見諸于地球物理測井領(lǐng)域,但對于測井行業(yè)的未來有一定的指導(dǎo)性意義,可供相關(guān)從業(yè)人員借鑒。

3.1 基于機(jī)器學(xué)習(xí)的智能正演過程探索

相比于常規(guī)測井曲線或成像測井等,陣列聲波測井則是另一種高分辨率測井方法,可用于求解地下介質(zhì)參數(shù)及表征儲層特征。陣列聲波測井?dāng)?shù)據(jù)量豐富,為消除冗余信息,一般需要從陣列波形中提取某些敏感特征(如頻散曲線),再將提取的特征與基于假定模型的數(shù)值模擬的特征對比,通過最小化觀測數(shù)據(jù)和合成數(shù)據(jù)間差異的Misfit函數(shù),不斷更新正演模型并最終得到同實(shí)測數(shù)據(jù)對應(yīng)的相關(guān)模型參數(shù)。這其中存在3個問題。

(1)陣列波形中敏感特征的提取。目前針對復(fù)雜井孔模型陣列波形敏感特征的提取研究一直是聲波測井領(lǐng)域的重要議題之一,也是聲波測井資料應(yīng)用的難點(diǎn)之一。

(2)大量的正演模擬。井孔聲學(xué)的正演模擬一直是聲波測井研究中較為困難的一環(huán)。雖然隨著科研人員計(jì)算機(jī)知識的豐富,正演模擬已經(jīng)不再遙不可及,但復(fù)雜井孔環(huán)境的數(shù)值模擬仍需要一定的技巧。同時,盡管并行計(jì)算等高性能手段能夠在一定程度上加快計(jì)算速度,但大量的正演模擬仍需要較多的計(jì)算時間,使得現(xiàn)場應(yīng)用受限。此外,目前的正演過程采用的是基于物理驅(qū)動的模型,可能會忽略變量之間的隱含關(guān)系。

(3)快速準(zhǔn)確的反演。目前反演方法大多為全局優(yōu)化非線性方法,如模擬退火算法[49]等已被應(yīng)用到了偶極聲波測井反演地層各向異性研究中[50-51]。但反演過程仍存在耗時的問題,難以達(dá)到現(xiàn)場應(yīng)用的實(shí)時性要求。

為了滿足現(xiàn)場應(yīng)用的實(shí)時性需求,從全波資料中挖掘更多的有用信息,目前的一種可能思路是利用機(jī)器學(xué)習(xí)方法來縮短以上過程(見圖4),以盡可能地利用全波資料同時達(dá)到實(shí)時解釋的效果。在地震資料處理領(lǐng)域,已有研究[52]將模型參數(shù)作為網(wǎng)絡(luò)學(xué)習(xí)目標(biāo),訓(xùn)練深度神經(jīng)網(wǎng)絡(luò),直接預(yù)測了輸入實(shí)際數(shù)據(jù)對應(yīng)的模型參數(shù)資料。但對于測井領(lǐng)域,由于井下環(huán)境的復(fù)雜性,根據(jù)少量井下介質(zhì)表征參數(shù)(如井徑、單一地層縱橫波速度等)建立的數(shù)值模擬模型因缺乏對實(shí)際環(huán)境的周密考慮,且由于復(fù)雜環(huán)境下的有限元、有限差分等數(shù)值模擬建模計(jì)算量大,難以滿足實(shí)際生產(chǎn)過程中反演過程的準(zhǔn)確性和時效性。諸多現(xiàn)狀表明,直接建立效果良好的智能反演算法任重道遠(yuǎn)。

圖4 同基于物理驅(qū)動的數(shù)值模擬模型相結(jié)合的機(jī)器學(xué)習(xí)全波形反演流程展望

目前有學(xué)者對此開展了一些工作。如2019年,Giannakis等[53]探尋了基于機(jī)器學(xué)習(xí)的快速正演方法。他們通過訓(xùn)練特殊的深度神經(jīng)網(wǎng)絡(luò),近實(shí)時地獲得了與數(shù)值模擬正演結(jié)果匹配良好的機(jī)器學(xué)習(xí)正演結(jié)果,極大節(jié)省了探地雷達(dá)正演的計(jì)算成本。這也為地球物理測井領(lǐng)域帶來啟發(fā):借助機(jī)器學(xué)習(xí)強(qiáng)大的非線性擬合能力,以較為完備的模型參數(shù)向量集作為輸入,通過將模型正演結(jié)果作為目標(biāo)輸出,以替代耗時費(fèi)力的數(shù)值模擬正演過程。相關(guān)方法已經(jīng)見諸于套管井頻散曲線正演應(yīng)用中:斯倫貝謝公司道爾研究中心的科研人員在其智能化處理平臺上掛接了智能化的井外地層徑向速度成像方法[2],針對實(shí)際數(shù)據(jù)處理過程中多層柱體模型頻散曲線求取病態(tài)問題而引起的計(jì)算速度慢的問題,利用神經(jīng)網(wǎng)絡(luò)方法替代頻散曲線正演解算器,實(shí)現(xiàn)了頻散曲線快速正演。隨著正演過程的不斷完善和提速,在不久的將來,機(jī)器學(xué)習(xí)模型可以貫穿于整個全波形聲波測井資料的反演過程,為智能反演速度帶來數(shù)量級提升,從而滿足現(xiàn)場應(yīng)用的實(shí)時性要求。

3.2 結(jié)合常規(guī)測井資料及成像測井資料的模式識別任務(wù)

結(jié)合智能解釋方法,常規(guī)測井曲線從數(shù)學(xué)及統(tǒng)計(jì)學(xué)層面反映了儲層巖石物理性質(zhì)和沉積相信息。高分辨率井下成像儀器能夠真實(shí)地從視覺角度觀察到豐富的地質(zhì)信息。成像測井資料經(jīng)圖像處理方法,如Hough變換[54]、結(jié)合灰度直方圖的閾值分割Otsu算法[55]、邊緣檢測濾波[56]、形態(tài)學(xué)濾波[57-58]等,可實(shí)現(xiàn)裂縫、斷層識別。發(fā)展至今,成像測井領(lǐng)域積累了大量高分辨率井下圖像數(shù)據(jù),隨深度學(xué)習(xí)在圖像分割領(lǐng)域的不斷發(fā)展,深度學(xué)習(xí)方法在基于圖像的模式識別任務(wù)中表現(xiàn)出比傳統(tǒng)方法更好的性能[59]。這些方法最早在勘探地震資料上加以應(yīng)用,如Wu等[60]提出FaultSeg3D網(wǎng)絡(luò),該網(wǎng)絡(luò)結(jié)合醫(yī)學(xué)影像分割領(lǐng)域中應(yīng)用廣泛的U-Net網(wǎng)絡(luò),利用大量合成數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),實(shí)現(xiàn)了對三維工區(qū)的斷層檢測,引領(lǐng)了一波基于深度學(xué)習(xí)的地震數(shù)據(jù)斷層檢測浪潮。對于成像測井領(lǐng)域,成像資料一方面缺少大量可靠且質(zhì)量統(tǒng)一的標(biāo)簽數(shù)據(jù)集;另一方面,受測量盲區(qū)的影響,成像資料中存在寬尺度條帶的缺失,給算法的特征提取帶來一定干擾。因此,相關(guān)研究還不夠成熟。已有研究中,Cruz等[61]提出了基于深度學(xué)習(xí)進(jìn)行斷層與裂縫識別的工作流程,通過Hough變換發(fā)現(xiàn)可能的斷層及裂縫,并利用深度學(xué)習(xí)確定其是否為斷層及裂縫;Dias等[62]則建立了快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast Region Convolutional Neural Networks,Fast-RCNN)自動從模擬的井眼聲波測井圖像中拾取裂縫與斷層,并給出所拾取的目標(biāo)的置信度。

裂縫、斷層在成像測井圖像中直觀而明顯,因此,業(yè)界人員通常從成像測井資料中獲取井下裂縫、斷層等圖像信息。常規(guī)圖像處理手段對井眼圖像進(jìn)行分析具有簡單易行的優(yōu)勢,但算法對于圖像失真、圖像噪聲高度敏感,具有不穩(wěn)定的特點(diǎn)。結(jié)合機(jī)器學(xué)習(xí)的裂縫、斷層自動拾取手段又因標(biāo)簽數(shù)據(jù)的缺乏,難以用于實(shí)際工程數(shù)據(jù)分析研究。近年來,在機(jī)器學(xué)習(xí)方法的幫助下,利用成像測井圖像資料估算孔隙度、滲透率,甚至實(shí)現(xiàn)地層解釋的任務(wù)逐漸涌現(xiàn),并取得了很好的效果。這些方法很好地利用了成像測井資料分辨率高的優(yōu)勢,并提升了井下參數(shù)在空間上的精確度。Valentin等[24]將不同測深處的井眼圖像數(shù)據(jù)轉(zhuǎn)換為紋理信息,以此保留測深周圍井壁處觀察到的地質(zhì)構(gòu)造信息,并基于堆棧自編碼器構(gòu)建深度編碼-解碼模型,利用井眼圖像數(shù)據(jù)對地層滲透率和孔隙度進(jìn)行了有效估計(jì),在測試數(shù)據(jù)集精度達(dá)到了96%;Al-Obaidi等[63]將井眼成像測井?dāng)?shù)據(jù)中提取的基于圖像的巖石結(jié)構(gòu)相關(guān)的特征與常規(guī)測井資料及常規(guī)巖心分析數(shù)據(jù)相結(jié)合,實(shí)現(xiàn)了巖相及巖石類別的檢測;Gonzalez等[64]采用圖像分析方法將電成像測井資料提取為基于圖像特征的巖石結(jié)構(gòu)參數(shù)變化曲線,結(jié)合常規(guī)測井曲線信息,利用無監(jiān)督聚類方法進(jìn)行巖相分類,為常規(guī)測井曲線進(jìn)行逐層聯(lián)合反演,并借此估計(jì)孔隙度、流體飽和度及總有機(jī)碳含量。

這些創(chuàng)新解釋方法表明,隨著人工智能及地球物理測井領(lǐng)域的不斷發(fā)展,從業(yè)人員有望基于機(jī)器學(xué)習(xí)強(qiáng)大的非線性映射能力,吸納更多來自新測井手段的有用信息,以跳出對測井資料的固有認(rèn)識,獲得比現(xiàn)有智能巖相分類、參數(shù)反演等更為可靠的預(yù)測結(jié)果。同時,還可以通過不確定性分析,為地球物理測井分類或回歸任務(wù)的精度和可靠性進(jìn)行評價,并通過影響因素評價分析不同輸入資料的重要性,更系統(tǒng)地解釋測井手段蘊(yùn)含的深層次信息。

3.3 開源數(shù)據(jù)集、標(biāo)簽數(shù)據(jù)擴(kuò)充及無監(jiān)督方法結(jié)合

為訓(xùn)練出用于測井?dāng)?shù)據(jù)智能解釋的魯棒性強(qiáng)、泛化性好的算法,需要可靠的標(biāo)簽數(shù)據(jù)集。計(jì)算機(jī)視覺、圖像處理領(lǐng)域作為機(jī)器學(xué)習(xí)發(fā)展的先導(dǎo)領(lǐng)域已經(jīng)證明:不斷涌現(xiàn)出的性能優(yōu)良的新模型離不開高質(zhì)量數(shù)據(jù)集的幫助[59]。但是,在地球物理測井這樣一個垂直領(lǐng)域,由于測井儀器研發(fā)的成本昂貴、采集數(shù)據(jù)的成本較高,通常難以獲取足量且高質(zhì)量的、適用于機(jī)器學(xué)習(xí)任務(wù)的標(biāo)簽數(shù)據(jù)集。因此,對于地球物理測井領(lǐng)域,開發(fā)及編譯大量高質(zhì)量具有代表性的標(biāo)簽數(shù)據(jù)集,有利于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法研究,并有望促進(jìn)計(jì)算機(jī)視覺等其他機(jī)器學(xué)習(xí)應(yīng)用領(lǐng)域的算法改進(jìn)。Hall[31]曾于2016年在The Leading Edge地球物理教程系列中,為地球物理從業(yè)人員展示了簡單的基于機(jī)器學(xué)習(xí)的巖相分類應(yīng)用(文中用到的分類器為SVM)的工作流程。通過將相關(guān)數(shù)據(jù)集開源,吸引了大量人員探索巖相分類機(jī)器學(xué)習(xí)方法[34-35],并付諸于實(shí)際應(yīng)用[36],取得了優(yōu)于傳統(tǒng)方法的效果。

挪威Equinor公司[65]于2018年公開了其在北海Volve油田測量的數(shù)據(jù),包含了來自挪威大陸架Volve油田從2008到2016年投產(chǎn)期間的約40 000個文件,用以支持學(xué)術(shù)機(jī)構(gòu)、學(xué)生和研究人員進(jìn)行能源創(chuàng)新智能研究。過去,測井?dāng)?shù)據(jù)格式紛繁復(fù)雜,學(xué)術(shù)界即便拿到數(shù)據(jù),也難以實(shí)現(xiàn)數(shù)據(jù)解編,而隨著該數(shù)據(jù)集中常用的測井?dāng)?shù)據(jù)格式DLIS的編輯、讀取方式公開[66],多位學(xué)者基于此數(shù)據(jù)集進(jìn)行了相關(guān)的研究,取得了可觀的研究成果,如2.1節(jié)提到的挪威科技大學(xué)的Viggen等[39-41]以及Reolon等[40]的研究。美國科羅拉多礦業(yè)學(xué)院的Ghaithi等[67]則利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測了Volve油田的橫波測井資料。

雖然行業(yè)逐漸意識到標(biāo)簽數(shù)據(jù)集對創(chuàng)新智能解釋應(yīng)用帶來的極大幫助,然而,受限于現(xiàn)有數(shù)據(jù)集,需多次訓(xùn)練[24]或設(shè)計(jì)復(fù)雜的訓(xùn)練過程[53]以保證網(wǎng)絡(luò)性能。簡單分類器難以在測試集上得到優(yōu)良的分類精度,而先進(jìn)算法因樣本數(shù)量有限難以獲得顯著的效果提升[68]。同時,監(jiān)督學(xué)習(xí)算法只能為測試集數(shù)據(jù)分配訓(xùn)練集中存在的標(biāo)簽類別。以巖相分類應(yīng)用為例:訓(xùn)練數(shù)據(jù)僅包含砂巖、頁巖及碳酸鹽巖的巖相標(biāo)簽,輸入模型的測試數(shù)據(jù)將只能被預(yù)測為這些巖相標(biāo)簽。對于實(shí)際工區(qū)數(shù)據(jù),若測試數(shù)據(jù)確實(shí)存在新的巖相,已有模型將無法正確為這些巖相樣本做出正確預(yù)測。因此,如何設(shè)計(jì)新方法,以降低對完備數(shù)據(jù)集的需求程度,有極大的研究意義。

機(jī)器學(xué)習(xí)的發(fā)展使得數(shù)據(jù)分析人員可以根據(jù)數(shù)據(jù)特點(diǎn)選擇最合適的處理方法。經(jīng)典聚類算法(如K-Means)在計(jì)算給定的含有多個數(shù)據(jù)樣本的低維度樣本集時,能夠很快地將它們劃分為K個分區(qū)。在成像測井領(lǐng)域,Yamada等[69]結(jié)合圖像分割技術(shù)與無監(jiān)督方法,通過計(jì)算井眼圖像各個深度的邊界似然值,并用聚類算法為相似邊界進(jìn)行聚類以構(gòu)造標(biāo)簽參考區(qū)域。但該方法對于成像資料分辨率及成像質(zhì)量要求較高,一般工區(qū)難以實(shí)現(xiàn)。聚類方法也可以根據(jù)常規(guī)測井資料內(nèi)不同深度的相似特征自動將不同深度歸為相同的簇[23],但歸類后各深度的地質(zhì)意義仍需要資深的測井解釋人員來分析。在這些應(yīng)用中,不同測量深度所對應(yīng)的不同測井曲線值被視為代表該測深巖相特征的向量。聚類算法為不同測深的特征向量聚類,以類比真實(shí)的巖相分類,取得了一定效果。當(dāng)數(shù)據(jù)維度增大,利用經(jīng)典算法進(jìn)行聚類分析將十分耗時,聚類效果也會受到影響。隨著深度學(xué)習(xí)卷積層為深度學(xué)習(xí)算法帶來的飛躍式發(fā)展[11],這一問題得到了一定改善。同樣以手寫數(shù)字體識別為例,可以利用CAE獲取手寫數(shù)字體的深度表征,并將其用于聚類分析,以降低聚類方法的時耗,顯著提升聚類效果[70],該方法以新角度改善了標(biāo)簽不足的問題。相關(guān)思路已經(jīng)見諸于地球物理領(lǐng)域,如Qian等[71]通過設(shè)計(jì)CAE對疊前地震數(shù)據(jù)進(jìn)行特征提取,并為所提取特征執(zhí)行聚類分配,實(shí)現(xiàn)了地震相識別。Wen等[72]在Qian的基礎(chǔ)上設(shè)計(jì)了多種損失函數(shù),得到更好的重構(gòu)效果,在一定程度上改善了聚類效果,但并未將聚類損失納入網(wǎng)絡(luò)訓(xùn)練中。Nalepa等[73]將三維卷積自編碼器架構(gòu)用于遙感高光譜圖像的特征學(xué)習(xí),并將嵌入式特征用于聚類,這種聚類是在網(wǎng)絡(luò)訓(xùn)練過程中進(jìn)行的,即在損失函數(shù)中加入了加權(quán)聚類損失,同時考慮嵌入式特征層設(shè)計(jì)對算法性能的影響,實(shí)現(xiàn)了對無標(biāo)簽數(shù)據(jù)的分割。Duan等[74]同樣將編碼器提取的深度表征與聚類分配之間的散度作為聯(lián)合損失,以提升編碼器表征提取能力,獲得更佳的聚類效果。

隨著深度聚類方法在勘探地震領(lǐng)域取得成功,這些方法也有望從新的角度幫助測井從業(yè)人員對數(shù)據(jù)集進(jìn)行解釋,以改善測井資料智能解釋中普遍存在的數(shù)據(jù)集不足等問題。例如,針對成像測井資料,可設(shè)計(jì)具有一定深度的表征學(xué)習(xí)網(wǎng)絡(luò)(如深度卷積自編碼器),用于提取成像測井資料的嵌入式特征(見圖5)。選擇合適的聚類方法對嵌入式特征執(zhí)行聚類分配,可改善成像測井資料分類任務(wù)精度,幫助實(shí)現(xiàn)高質(zhì)量儲層模型建立及精細(xì)的儲層解釋。如Lima等[75]率先做出相關(guān)嘗試,并給出了相應(yīng)的聚類簇中各個成像資料所蘊(yùn)含的巖相信息解釋,節(jié)省了人工解釋時間。相關(guān)方法或許仍難以完全替代巖心分析、專家解釋,但可作為人工解釋或完備數(shù)據(jù)集制作等工作的先導(dǎo)研究,極大節(jié)省從業(yè)人員在數(shù)據(jù)預(yù)處理、數(shù)據(jù)集準(zhǔn)備過程中耗費(fèi)的時間和精力,更好地推動智能方法在測井領(lǐng)域的應(yīng)用。目前筆者的課題組在這個方向已經(jīng)取得了初步的成果。

圖5 用于成像測井資料的深度聚類方法示意圖(圖片重制自Lima等[75])

4 總 結(jié)

通過介紹人工智能、機(jī)器學(xué)習(xí)相關(guān)概念及其分類,將基于物理模型的傳統(tǒng)建模方法和基于機(jī)器學(xué)習(xí)手段的智能方法進(jìn)行對比,簡述了人工智能方法對于地球物理測井領(lǐng)域數(shù)據(jù)分析任務(wù)的適用性。用這些方法探索更大的函數(shù)空間,以非線性方式從高維空間中發(fā)現(xiàn)變量間的關(guān)系。并從2類發(fā)展較為系統(tǒng)的常規(guī)測井資料智能解釋領(lǐng)域(常規(guī)測井資料巖相分類和參數(shù)反演)列舉了這些智能算法的工作流程。最后,筆者從3個方面為測井資料智能解釋的未來發(fā)展提出了思考及展望。

(1)借助大量理論模型正演資料,機(jī)器學(xué)習(xí)方法或能作為數(shù)值模擬方法的替代模型。

(2)開發(fā)適用于更多來自新手段的測井資料的機(jī)器學(xué)習(xí)智能解釋工作流,可為傳統(tǒng)智能巖相分類及參數(shù)反演等任務(wù)帶來更好的效果。

(3)如何高效擴(kuò)充開源數(shù)據(jù)集或結(jié)合無監(jiān)督手段提升智能算法表現(xiàn),值得從業(yè)人員思考。

除了上述3點(diǎn)思考和展望外,還有不少新進(jìn)展:如基于計(jì)算機(jī)視覺的成像測井裂縫識別及數(shù)字巖心圖像重構(gòu);基于人工智能技術(shù)的測井儀器(基于集成電路技術(shù)發(fā)展定制化的測井芯片);基于邊緣計(jì)算、深度學(xué)習(xí)的測井資料壓縮(實(shí)現(xiàn)更快的數(shù)據(jù)傳輸);構(gòu)建測井云平臺,利用大數(shù)據(jù)技術(shù)將機(jī)器學(xué)習(xí)方法應(yīng)用于海量測井?dāng)?shù)據(jù)的快速解釋等。

相信,隨著從業(yè)人員的不斷探索,人工智能、機(jī)器學(xué)習(xí)方法同地球物理測井領(lǐng)域?qū)?shí)現(xiàn)更為緊密的結(jié)合,帶來更多的進(jìn)展與突破。