曾麗麗,孟凡月,湯華貝,牛藝曉,湯敏

(東北石油大學(xué)電氣信息工程學(xué)院,黑龍江大慶163318)

0 引 言

巖相識別是儲層評價、油藏描述和地質(zhì)分析等的基礎(chǔ)工作。碳酸鹽巖儲層結(jié)構(gòu)復(fù)雜,各測井?dāng)?shù)據(jù)間存在較強(qiáng)的非線性關(guān)系,傳統(tǒng)的巖相識別技術(shù)難以對儲層進(jìn)行精準(zhǔn)描述。

深度學(xué)習(xí)技術(shù)通過構(gòu)建多隱層模型自動尋找儲層信息中的非線性特征,在巖相識別方面取得了一定的成果[1-5]。鄭陽[6]采用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)識別測井巖相,相對于淺層網(wǎng)絡(luò)[7-8],其準(zhǔn)確率有較大提高。Yadigar等[9]通過一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)合Adagrad優(yōu)化器提高了巖相分類準(zhǔn)確率。馮雅興等[10]利用孿生卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行巖相自動識別,其巖相識別精度達(dá)89.4%。Li等[11]采用卷積神經(jīng)網(wǎng)絡(luò)處理聲學(xué)測井?dāng)?shù)據(jù),對混合噪聲的測井?dāng)?shù)據(jù)有很好的識別效果。王俊等[12]利用長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)實現(xiàn)巖相自動識別,有效地解決了長序列的梯度消失問題。然而,這些研究局限于單一深度神經(jīng)網(wǎng)絡(luò)算法,將各種測井?dāng)?shù)據(jù)直接輸入網(wǎng)絡(luò),難以從非線性關(guān)系中有效提取關(guān)鍵特征,輸入的特征值利用效率低,測井解釋不準(zhǔn)確,無法在巖相識別環(huán)節(jié)實現(xiàn)明顯的突破。

注意力機(jī)制通過模擬人腦信號處理機(jī)制實現(xiàn)了按比例分配資源,已經(jīng)廣泛應(yīng)用于自然語言處理[13-14]、圖像識別[15-16]、語音識別[17-18]等各種不同領(lǐng)域的深度學(xué)習(xí)任務(wù)中。杜秀麗等[19]針對腦電信號識別準(zhǔn)確率不高的問題,構(gòu)建了注意力機(jī)制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型,提高了腦電信號的識別準(zhǔn)確率。袁英淏[20]利用前饋注意力機(jī)制進(jìn)行地震儲層圖像解釋,證明了前饋注意力機(jī)制能夠提高網(wǎng)絡(luò)的抗干擾性能。李宗民等[21]基于循環(huán)神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制對油藏儲量進(jìn)行預(yù)測,緩解了數(shù)據(jù)波動對預(yù)測結(jié)果的影響,相對于單一循環(huán)神經(jīng)網(wǎng)絡(luò),融合注意力機(jī)制預(yù)測模型的準(zhǔn)確率得到了很大提升。

針對目前傳統(tǒng)巖相識別和單一神經(jīng)網(wǎng)絡(luò)存在的問題,本文提出了一種融合注意力機(jī)制與卷積神經(jīng)網(wǎng)絡(luò)的非線性儲層巖相識別網(wǎng)絡(luò)。該網(wǎng)絡(luò)利用特征注意力模塊提取測井?dāng)?shù)據(jù)的關(guān)鍵特征,利用卷積神經(jīng)網(wǎng)絡(luò)模塊提取測井序列之間的空間信息,實現(xiàn)了碳酸鹽巖儲層巖相的自動識別。同時,重點關(guān)注了注意力機(jī)制位置的不同對儲層巖相識別精度的影響。最后,將該方法應(yīng)用于碳酸鹽巖非均質(zhì)儲層,并在交叉驗證的基礎(chǔ)上與傳統(tǒng)的巖相識別方法進(jìn)行性能比較與分析。

1 數(shù)據(jù)集及其預(yù)處理

1.1 數(shù)據(jù)集

本文采用的測井?dāng)?shù)據(jù)來源于伊拉克Mishrif組,該組所在的油田呈南北分布,長40 km,寬20 km,油氣藏儲量十分豐富,是世界上最大的油田之一[22-23]。該油田處于扎格羅斯盆地的過渡帶,地勢屬于低角褶皺區(qū)域,氣候干旱少雨,受蒸發(fā)作用的影響,形成以白云巖為主的碳酸鹽巖儲層。這種碳酸鹽巖儲層空間以孔隙為主,其形成直接受溶蝕和白云石化作用的控制,地層內(nèi)部結(jié)構(gòu)復(fù)雜,不同種類的測井?dāng)?shù)據(jù)之間具有高度的非線性關(guān)系。

選取研究區(qū)相鄰2口井的測井?dāng)?shù)據(jù)作為實驗數(shù)據(jù)集,共有3 436個樣本,采樣間隔為0.1 m,其中訓(xùn)練集占80%,井深為2 820.5～3 092.3 m;測試集占20%,井深為2 831.9～2 903.5 m。研究區(qū)碳酸鹽巖儲層主要由白云巖、硬石膏、泥巖、砂巖組成。

本文采用井徑(CAL)、自然電位(SP)、自然伽馬(GR)、密度(DEN)、側(cè)向電阻率(RLL)、中子孔隙度(CNL)、聲波時差(AC)等測井?dāng)?shù)據(jù),實現(xiàn)非均質(zhì)儲層巖相的自動識別。采用皮爾森(Pearson Correlation Coefficient,PCC)系數(shù)評估巖相與各種測井曲線之間的相關(guān)性(見表1)。由表1可知,GR與巖相相關(guān)性最強(qiáng),AC與巖相的相關(guān)性次之。巖相與CAL、DEN、RLL、CNL、SP的皮爾森系數(shù)絕對值小于等于0.250,最低值為-0.110,各種測井曲線與預(yù)測目標(biāo)之間的弱相關(guān)性給巖相識別任務(wù)帶來了一定的困難。

表1 巖相與各個測井曲線之間的相關(guān)性

1.2 數(shù)據(jù)預(yù)處理

為了提高巖相識別的準(zhǔn)確率,防止模型過擬合,本文對選取的測井?dāng)?shù)據(jù)集進(jìn)行數(shù)據(jù)清理、數(shù)據(jù)標(biāo)簽化、分辨率處理和數(shù)據(jù)歸一化等數(shù)據(jù)預(yù)處理操作。

1.2.1數(shù)據(jù)清理

由于井斜不同、鉆井液性能改變和儀器約束等原因?qū)е略紲y井?dāng)?shù)據(jù)存在異常值,不能直接作為深度神經(jīng)網(wǎng)絡(luò)的輸入。需要對獲得的數(shù)據(jù)集進(jìn)行數(shù)據(jù)清理。首先采用奈爾(Nair)檢驗法判斷各種測井?dāng)?shù)據(jù)的異常值,其次采用均值替代法對異常數(shù)據(jù)和噪聲數(shù)據(jù)進(jìn)行處理。

1.2.2數(shù)據(jù)標(biāo)簽化

隨著地殼運動和氣候變化的長時間影響,巖相邊界模糊不清。同時,巖相識別屬于多分類的監(jiān)督學(xué)習(xí)過程,需要對測井?dāng)?shù)據(jù)進(jìn)行分析和數(shù)據(jù)集標(biāo)簽化處理。以研究區(qū)4種巖相體積占比(v)為巖相標(biāo)簽的主要劃分依據(jù)(見表2);當(dāng)體積占比出現(xiàn)沖突時,利用測井?dāng)?shù)據(jù)特性輔助巖相劃分(見表3);獲得白云巖巖相、泥巖巖相、砂巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖 -砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相。為了方便介紹,這7種巖相在后文中均采用其標(biāo)簽數(shù)字1～7代替。

表2 巖相體積占比分類

表3 測井?dāng)?shù)據(jù)范圍

*非法定計量單位,1 ft=12 in=0.304 8 m,下同

1.2.3分辨率處理

測井儀器的性能、老化程度和工作時長是導(dǎo)致各種測井?dāng)?shù)據(jù)分辨率出現(xiàn)差異的主要因素,低分辨率的測井?dāng)?shù)據(jù)將會降低攜帶信息的可信度、影響巖相識別的精度。本文采用三點反褶積法[24]提高測井?dāng)?shù)據(jù)的縱向分辨率,如式(1)所示。

(1)

本文所采用的測井?dāng)?shù)據(jù)中GR和DEN的縱向分辨率較低,圖1呈現(xiàn)了采用三點反褶積法處理的結(jié)果,為便于觀察只截取了少量數(shù)據(jù)進(jìn)行繪圖,其中藍(lán)色為原始數(shù)據(jù),橙色為處理后的數(shù)據(jù)。由圖1可見,GR和DEN經(jīng)過處理后使縱向分辨率得到提高,更加真實地描述了各測井?dāng)?shù)據(jù)對地層界面變化的敏感性,有利于提高儲層巖相識別模型的精度。

圖1 GR、DEN測井?dāng)?shù)據(jù)分辨率處理對比圖

1.2.4數(shù)據(jù)歸一化

每種測井?dāng)?shù)據(jù)具有不同的量綱和單位,直接作為深度神經(jīng)網(wǎng)絡(luò)的輸入將會嚴(yán)重影響巖相識別的準(zhǔn)確率。數(shù)據(jù)歸一化可以消除各種測井?dāng)?shù)據(jù)之間的不同量級,提高數(shù)據(jù)集質(zhì)量,進(jìn)而改善巖相識別效果,加快迭代速度。本文采用Min-Max標(biāo)準(zhǔn)化法對選取的數(shù)據(jù)集進(jìn)行測井?dāng)?shù)據(jù)歸一化處理,見式(2)。

(2)

式中,zn為輸入的測井?dāng)?shù)據(jù);zmin為該類測井?dāng)?shù)據(jù)的最小值;zmax為該類測井?dāng)?shù)據(jù)的最大值;znorm為該類測井?dāng)?shù)據(jù)的歸一化值。

2 方 法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)算法中應(yīng)用最為廣泛的一種深度前反饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的非線性擬合能力和權(quán)值共享的特點,有助于構(gòu)建模型從測井?dāng)?shù)據(jù)和巖相的非線性關(guān)系中提取更多空間特征信息,提高模型的準(zhǔn)確率,減少參數(shù)數(shù)量,降低計算成本。

矩陣X=[x1,x2,…,xk]為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù),則當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)的輸出公式為

D=g(X?[σ1,σ2,…,σρ])

(3)

式中,D為當(dāng)前卷積層的輸出;σρ為第ρ個濾波器輸出的特征映射信息;g(·)為激活函數(shù)(tanh函數(shù)或Relu函數(shù));?為卷積運算。

2.2 模型設(shè)計

基于卷積神經(jīng)網(wǎng)絡(luò),本文利用注意力機(jī)制所在位置的不同構(gòu)建了3種非線性儲層巖相識別網(wǎng)絡(luò)模型,包括前置特征注意力(FAtt)模塊的卷積神經(jīng)網(wǎng)絡(luò)(FAtt-CNN)模型、后置時間注意力(Time Attention,TAtt)模塊的卷積神經(jīng)網(wǎng)絡(luò)(CNN-TAtt)模型、前后雙置注意力模塊的卷積神經(jīng)網(wǎng)絡(luò)(FAtt-CNN-TAtt)模型。圖2給出了3種網(wǎng)絡(luò)模型的具體結(jié)構(gòu),其中x為某種測井?dāng)?shù)據(jù)的歸一化值,?為某種測井?dāng)?shù)據(jù)的的歸一化權(quán)重值。

圖2 非線性儲層巖相識別模型結(jié)構(gòu)

本文以FAtt-CNN模型為例詳細(xì)闡述巖相自動識別方法,FAtt-CNN模型由FAtt模塊、CNN模塊以及全連接網(wǎng)絡(luò)層構(gòu)成。特征提取是巖相識別模型的關(guān)鍵。首先,FAtt模塊為測井?dāng)?shù)據(jù)自動賦值,實現(xiàn)測井關(guān)鍵特征提取。然后,CNN模塊采用多個局部濾波器和滑動濾波器捕捉測井序列之間的空間特征。最后,經(jīng)過全連接網(wǎng)絡(luò)層輸出巖相類別概率,實現(xiàn)非均質(zhì)儲層巖相自動識別。

2.3 FAtt模塊

注意力機(jī)制源于對人類所特有的大腦信號處理機(jī)制的研究,通過模擬人腦機(jī)制計算相似性權(quán)重,突出關(guān)鍵輸入數(shù)據(jù)對識別目標(biāo)的影響,利用有限的注意力資源從海量數(shù)據(jù)中自動、快速的提取關(guān)鍵特征。

針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中特征提取權(quán)重等占比的不足,研究構(gòu)建了FAtt模塊,通過對識別目標(biāo)和測井?dāng)?shù)據(jù)進(jìn)行相似性度量,使每個測井?dāng)?shù)據(jù)值獲得新的權(quán)重系數(shù),進(jìn)而提高測井?dāng)?shù)據(jù)的利用率和網(wǎng)絡(luò)的關(guān)鍵特征提取能力。

設(shè)輸入數(shù)據(jù)xnorm為預(yù)處理后的測井矩陣,如式(4)所示。

(4)

式中,d為測井深度,m;下標(biāo)為各測井曲線。

FAtt模塊主要由CNN層和Softmax歸一化層組成,如圖3所示。

圖3 特征注意力模塊結(jié)構(gòu)

首先,把測井序列xGR作為CNN層的輸入,通過CNN層計算GR與識別目標(biāo)之間的相似性權(quán)重,如式(5)所示。

λGR=C(xGR)

(5)

式中,λGR為測井?dāng)?shù)據(jù)GR的相似性權(quán)重;C(·)為與CNN層有關(guān)的函數(shù)。同理,可求取其他測井?dāng)?shù)據(jù)的相似性權(quán)重。

(6)

最后,對輸入測井?dāng)?shù)據(jù)進(jìn)行加權(quán)獲得測井關(guān)鍵特征,以測井?dāng)?shù)據(jù)GR為例,如式(7)所示。

(7)

2.4 CNN模塊

(8)

(9)

非線性巖相識別網(wǎng)絡(luò)最終輸出的巖相類別概率矩陣Γk如式(10)所示。

(10)

式中,Γ1,d為在井深d時第1類巖相的概率;矩陣每行的第1個下角標(biāo)為一種巖相。

2.5 評價指標(biāo)

本文采用準(zhǔn)確率(A)、精確率(P)、召回率(R)和F1分?jǐn)?shù)(F1)作為評價系統(tǒng)的性能指標(biāo)。

(11)

(12)

(13)

(14)

式中,TP為樣本中α類巖相被正確識別的數(shù)量;TN為樣本中β類巖相被正確識別的數(shù)量;FP為樣本中β類巖相被錯誤識別為α類巖相的數(shù)量;FN為樣本中α類巖相被錯誤識別為β類巖相的數(shù)量。

3 應(yīng)用實例

本實驗訓(xùn)練及測試代碼均運行于Windows下Tensorflow深度學(xué)習(xí)平臺。為了科學(xué)地評估所提出模型的性能,每個模型參數(shù)設(shè)置保持一致,選擇Adadelta為模型優(yōu)化器,交叉熵?fù)p失函數(shù)為模型損失函數(shù),同時采用6倍交叉驗證取平均值作為實驗結(jié)果對巖相模型進(jìn)行調(diào)優(yōu)。

實驗將該方法應(yīng)用于碳酸鹽巖儲層,圖4給出了測試集測井曲線及不同模型下識別的巖相與實際巖相分布情況。從圖4中可以看出CNN模型的巖相識別效果最差,出現(xiàn)了明顯的欠擬合現(xiàn)象。例如,在井深3 853～3 865 m位置,白云巖-泥巖混合巖相和硬石膏-白云巖-泥巖混合巖相交替出現(xiàn)的井段直接誤判為白云巖-泥巖混合巖相;在井深2 840 m和2 846 m附近,CNN模型將硬石膏-白云巖-泥巖混合巖相誤判為白云巖-泥巖-砂巖混合巖相;在井深2 890 m附近,密度突然增大,說明巖相有所改變,CNN模型對白云巖巖相識別失敗。此外,由圖4也可以看出白云巖-泥巖混合巖相與電阻率的值有很大關(guān)系,在白云巖-泥巖混合巖相出現(xiàn)時電阻率的對數(shù)值整體處于0～0.5 Ω·m,表明CNN模型對電阻率的特征提取能力較差。

圖4 測試集測井曲線及不同模型中識別的巖相與實際巖相對比

隨著注意力機(jī)制的加入,模型的非線性擬合能力和魯棒性均有所提高。FAtt-CNN模型整體的巖相識別結(jié)果最優(yōu),該模型僅在井深2 871 m附近將極少量白云巖巖相誤判成硬石膏-白云巖-泥巖混合巖相,巖相分布與實際巖相分布情況高度符合。在井深2 894 m附近,井徑出現(xiàn)異常,但FAtt-CNN和FAtt-CNN-TAtt模型仍能準(zhǔn)確地識別巖相,說明FAtt模塊能夠從當(dāng)前井段的其他數(shù)據(jù)中提取出關(guān)鍵特征,減少了井徑異常對巖相識別模型帶來的影響。CNN-TAtt和FAtt-CNN-TAtt模型在井深2 846～2 863 m處,對白云巖-泥巖混合巖相識別出現(xiàn)明顯誤差,混淆了白云巖-泥巖混合巖相和硬石膏-白云巖-泥巖混合巖相。此外,在井深2 871 m附近,CNN-TAtt模型將一小部分的硬石膏-白云巖-泥巖混合巖相誤判為白云巖巖相。實驗結(jié)果分析表明,CNN-TAtt和FAtt-CNN-TAtt模型的非線性擬合能力稍遜于FAtt-CNN模型。

表4給出了4種模型巖相識別結(jié)果的精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率,加粗字體表示同一巖相識別的最高值。

表4 不同模型中巖相識別的精確率、召回率、F1分?jǐn)?shù)和準(zhǔn)確率

從整體巖相的準(zhǔn)確率來看,FAtt-CNN模型的巖相識別準(zhǔn)確率為98%。相比傳統(tǒng)的CNN模型,融合注意力機(jī)制的3種巖相識別模型準(zhǔn)確率分別提高了9%、5%和4%。實驗結(jié)果說明注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)兩者結(jié)合后能夠從測井?dāng)?shù)據(jù)的非線性關(guān)系中充分提取相關(guān)測井特征,有助于提高巖相識別的準(zhǔn)確率。

從單一巖相的精確率來看,FAtt-CNN模型中白云巖巖相及相關(guān)混合巖相的精確率均為100%。FAtt-CNN-TAtt模型中白云巖巖相的精確率次之(73%),CNN-TAtt模型中白云巖巖相的精確率最低(56%)。CNN模型中白云巖巖相的精確率為100%,但其相關(guān)混合巖相普遍低于其他3種模型,其中白云巖-泥巖混合巖相的精確率最差(74%)。

從單一巖相的召回率來看,FAtt-CNN模型中,白云巖巖相和砂巖巖相的召回率分別為80%和92%,其他巖相的召回率均為100%。引入TAtt模塊后,CNN-TAtt和FAtt-CNN-TAtt模型關(guān)于白云巖巖相的召回率均達(dá)100%。

F1分?jǐn)?shù)基于精確率和召回率對模型性能進(jìn)行綜合性評估。研究區(qū)碳酸鹽巖儲層以白云巖為主,因此,下面主要從白云巖巖相及相關(guān)混合巖相的F1分?jǐn)?shù)評價指標(biāo)對實驗結(jié)果進(jìn)行分析。FAtt-CNN模型的識別效果最佳(見表4),泥巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖-砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相的F1分?jǐn)?shù)達(dá)100%。CNN模型中白云巖巖相的F1分?jǐn)?shù)為33%,性能最差。相比于CNN模型,FAtt-CNN模型中白云巖巖相的F1分?jǐn)?shù)提高了53%,FAtt-CNN-TAtt模型中白云巖巖相提高了51%,CNN-TAtt模型中白云巖巖相提高了38%。

圖5為各個模型巖相識別結(jié)果的F1分?jǐn)?shù)評價折線圖?？梢钥吹?橙色線條代表的FAtt-CNN模型,各類巖相的F1分?jǐn)?shù)在100%附近波動,波動范圍較小,模型穩(wěn)定性較高?；疑€條代表的CNN-TAtt模型,各類巖相的F1分?jǐn)?shù)波動范圍為71%～100%。藍(lán)色線條代表的FAtt-CNN-TAtt模型,各類巖相的F1分?jǐn)?shù)波動范圍為84%～100%。黃色線條代表的CNN模型,F1分?jǐn)?shù)波動范圍為33%～100%,波動范圍較大,該模型穩(wěn)定性較差,其性能明顯低于其他3種模型。實驗結(jié)果說明在深度神經(jīng)網(wǎng)絡(luò)中引入注意力機(jī)制有助于提高模型穩(wěn)定性和巖相識別精度。

圖5 巖相評價結(jié)果的F1分?jǐn)?shù)折線圖

圖6給出了4個模型中巖相識別的分布密度隨井深的變化情況。琴型圖左側(cè)(綠色部分)代表巖相的識別結(jié)果,右側(cè)(橙色部分)代表實際巖相。由圖6(a)可觀察到CNN模型對白云巖巖相、白云巖-泥巖-砂巖混合巖相和硬石膏-泥巖混合巖相識別效果均低于其他3種模型,巖相識別結(jié)果與巖相實際分布有明顯差異。FAtt-CNN模型對白云巖巖相、泥巖巖相、砂巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖-砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相這7種巖相識別效果最佳[見圖6(b)],識別得到的巖相和實際巖相的形狀基本對稱,說明識別密度與實際儲層密度相符,該模型具有較高的巖相識別能力。CNN-TAtt模型在井深2 810～2 855 m附近,對白云巖巖相的位置分布判別出現(xiàn)錯誤[見圖6(c)],導(dǎo)致圖形拉長,與實際對比圖形長度不相匹配。FAtt-CNN-TAtt模型對白云巖-泥巖-砂巖混合巖相和白云巖-泥巖混合巖相的識別效果和實際情況存在偏差[見圖6(d)],圖形對稱效果稍差。

圖6 不同模型中巖相識別的密度分布情況

在相同的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)下,研究基于頁巖儲層,選取常規(guī)測井?dāng)?shù)據(jù)和聲波成像測井?dāng)?shù)據(jù)實現(xiàn)儲層巖相的自動識別。當(dāng)識別目標(biāo)與常規(guī)測井?dāng)?shù)據(jù)的非線性關(guān)系更強(qiáng)時,融合注意力機(jī)制的網(wǎng)絡(luò)模型依然能夠從成像測井?dāng)?shù)據(jù)中提取更多的關(guān)鍵特征,其巖相識別精度不低于碳酸鹽巖儲層。利用F1分?jǐn)?shù)指標(biāo)對模型進(jìn)行評價,FAtt-CNN模型效果最佳,FAtt-CNN-TAtt模型和CNN-TAtt模型效果次之,CNN模型效果最差。實驗結(jié)果表明,該方法適用于不同研究區(qū)的非線性儲層巖相識別。

基于以上實驗結(jié)果可知,盡管構(gòu)建的3個模型對碳酸鹽巖儲層的巖相識別效果各不相同,但相對于單一卷積神經(jīng)網(wǎng)絡(luò)來說,融合注意力機(jī)制與卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型在非線性巖相識別任務(wù)中取得了顯著的效果。其中,FAtt-CNN模型對碳酸鹽巖儲層的巖相識別效果最佳,有效地提高了巖相識別的精度。不同研究區(qū)的實驗結(jié)果表明該模型具有較好的遷移性。

FAtt-CNN網(wǎng)絡(luò)模型前置FAtt模塊可以更好地擬合測井?dāng)?shù)據(jù)與巖相數(shù)據(jù)之間的非線性關(guān)系,減少因環(huán)境因素引起的參數(shù)緩慢漂移的現(xiàn)象,同時增強(qiáng)模型的魯棒性和系統(tǒng)的穩(wěn)定性。CNN-TAtt模型后置TAtt模塊,評價指標(biāo)高于單一的CNN模型,但是由于卷積神經(jīng)網(wǎng)絡(luò)無時間記憶功能,TAtt模塊無法沿儲層垂向高效地提取時序信息,因此,巖相的識別準(zhǔn)確率不及FAtt-CNN模型。FAtt-CNN-TAtt模型在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上分別加入FAtt模塊和TAtt模塊,充分考慮了數(shù)據(jù)的時序性和測井?dāng)?shù)據(jù)的非線性,其評價指標(biāo)均高于CNN和CNN-TAtt模型。然而,與CNN-TAtt模型同理,卷積神經(jīng)網(wǎng)絡(luò)無時間記憶功能,所以利用卷積神經(jīng)網(wǎng)絡(luò)同時從特征和時間維度進(jìn)行信息提取時,這2個注意力模塊相互干擾,導(dǎo)致巖相識別效果變差,這也是以后需要進(jìn)一步解決的問題。

4 結(jié) 論

(1)本文融合注意力機(jī)制和卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了儲層巖相識別網(wǎng)絡(luò)模型,該模型利用識別目標(biāo)與各個測井曲線之間的相關(guān)性實現(xiàn)了儲層巖相識別,對測井?dāng)?shù)據(jù)的強(qiáng)非線性關(guān)系具有較好的魯棒性,有效提高了巖相識別精度,為儲層測井評價提供可靠的巖相數(shù)據(jù)。

(2)特征注意力模塊可以為測井?dāng)?shù)據(jù)賦予不同的權(quán)重系數(shù),為有利于識別目標(biāo)的測井?dāng)?shù)據(jù)分配更高的權(quán)重系數(shù),在提高測井?dāng)?shù)據(jù)應(yīng)用效率的同時降低了模型損耗,時間性能優(yōu)于傳統(tǒng)測井技術(shù)。

(3)巖相識別精度與注意力機(jī)制的位置有關(guān)。在實際勘探過程中針對不同地區(qū)的油氣儲層,可以通過調(diào)節(jié)注意力機(jī)制所處的位置來提高巖相識別效果。