段太忠，張文彪，何治亮，劉彥鋒，馬琦琦，李 蒙，廉培慶，黃 淵

（1.中國石化 石油勘探開發(fā)研究院，北京 102206；2.中國石油化工股份有限公司，北京 100728）

深層-超深層斷控縫洞型儲集體受到較為廣泛關(guān)注，尤其在近幾年，中國塔里木盆地接續(xù)發(fā)現(xiàn)大型斷控縫洞型油氣藏［1-2］，為支撐其高效開發(fā)，儲層的精細(xì)表征工作更加受到重視。不同學(xué)者針對斷控縫洞型油氣藏的分類、形態(tài)特征、預(yù)測技術(shù)、產(chǎn)能特征等做了較多的研究工作［3-11］，揭示了斷控縫洞型儲集體具有縱向分層、平面分段的特點(diǎn)，并摸索出了一系列斷溶體三維地震刻畫的技術(shù)方法［12-15］。同時，斷控縫洞型油氣藏地質(zhì)建模工作已處于傳統(tǒng)的確定性建模與地質(zhì)統(tǒng)計學(xué)建模相結(jié)合的應(yīng)用階段［16-18］，通過建模-數(shù)模一體化支撐著開發(fā)過程調(diào)整。然而，隨著塔里木盆地順北超深斷控縫洞型油藏開發(fā)節(jié)奏的加快，傳統(tǒng)的地質(zhì)建模技術(shù)在應(yīng)用過程中呈現(xiàn)如下問題：①開發(fā)早期可用于標(biāo)定的井?dāng)?shù)據(jù)數(shù)量極少，地質(zhì)統(tǒng)計學(xué)建模的不確定性較大；②傳統(tǒng)的分層次地質(zhì)建模效率較低，難以支撐快速的模型建立和更新。

深度學(xué)習(xí)地質(zhì)建模技術(shù)具有信息綜合性強(qiáng)、模擬效率高的優(yōu)勢，目前在河流相地質(zhì)建模應(yīng)用中已取得了良好的效果，表現(xiàn)出了較好的發(fā)展?jié)摿?。為探索更?zhǔn)確、更高效的斷溶體油氣藏地質(zhì)建模技術(shù)，本研究以塔里木盆地順北地區(qū)為例，通過建立大量訓(xùn)練樣本，引入深度學(xué)習(xí)算法，搭建了深層斷溶體分布預(yù)測的訓(xùn)練網(wǎng)絡(luò)，初步形成了一套適用于順北地區(qū)的斷溶體深度學(xué)習(xí)地質(zhì)建模方法，并基于實(shí)例分析了其應(yīng)用效果，以期為斷溶體油氣藏勘探開發(fā)提供更高效的技術(shù)支撐。

1 地質(zhì)概況

順北地區(qū)構(gòu)造位于塔里木盆地順托果勒低隆起西北部，沙雅隆起的西南傾沒端，東西分別緊鄰滿加爾坳陷和阿瓦提坳陷，南北分別鄰近卡塔克隆起和沙雅隆起，構(gòu)造特征北高南低、東高西低，構(gòu)造平緩。該地區(qū)經(jīng)歷多階段構(gòu)造演化活動，主要含油氣層位為奧陶系一間房組和鷹山組，巖性為碳酸鹽巖，受大型走滑斷裂活動及溶蝕作用雙重控制，主要的儲集體類型為斷裂/裂縫、溶孔及溶洞。研究區(qū)為順北5號斷裂帶南段（圖1），該斷裂帶全長約55 km，目標(biāo)儲層埋深超過8 000 m，目前沿斷裂帶已鉆各類井7口，錄取了多種動靜態(tài)資料，分析發(fā)現(xiàn)在斷裂帶不同位置的鉆井所揭示的流體性質(zhì)、壓力變化和產(chǎn)能特征存在巨大差異，反映了斷控縫洞型儲集體內(nèi)部極強(qiáng)的非均質(zhì)性。建立更加準(zhǔn)確的斷溶體三維構(gòu)型模型，是指導(dǎo)斷控縫洞型油藏高效開發(fā)的重要基礎(chǔ)。

圖1 塔里木盆地順北油田順北5號斷裂帶南段位置Fig.1 Map showing the location of the No.5 fault zone in Shunbei oilfield，Shunbei area，Tarim Basin

2 斷溶體深度學(xué)習(xí)地質(zhì)建模方法

近些年，以大數(shù)據(jù)和深度學(xué)習(xí)為基礎(chǔ)的人工智能技術(shù)在油氣領(lǐng)域得到了快速發(fā)展［19-25］，在測井資料解釋、地震儲層預(yù)測以及非常規(guī)油氣藏產(chǎn)能預(yù)測中均取得了較好的應(yīng)用效果。油氣藏地質(zhì)建模屬于多學(xué)科集成式研究范疇，傳統(tǒng)的兩點(diǎn)地質(zhì)統(tǒng)計學(xué)、多點(diǎn)地質(zhì)統(tǒng)計學(xué)和基于沉積過程的建模技術(shù)已形成較為成熟的多學(xué)科研究流程，而人工智能地質(zhì)建模技術(shù)就是要深度挖掘多學(xué)科之間的復(fù)雜耦合關(guān)系，關(guān)鍵是要構(gòu)建適應(yīng)于多學(xué)科、多維度和多尺度數(shù)據(jù)的多層神經(jīng)網(wǎng)絡(luò)框架，解決面向復(fù)雜地質(zhì)對象的生成式問題。

2.1 深度學(xué)習(xí)訓(xùn)練網(wǎng)絡(luò)

以深度學(xué)習(xí)為基礎(chǔ)的人工智能地質(zhì)建模主要采用生成對抗網(wǎng)絡(luò)（GAN）。生成對抗網(wǎng)絡(luò)建模包括非條件化模擬和條件化模擬。非條件化模擬不要求模擬結(jié)果與觀測數(shù)據(jù)吻合，只需要訓(xùn)練后的網(wǎng)絡(luò)可以生成與訓(xùn)練樣本類似的地質(zhì)模式即可；條件化深度學(xué)習(xí)建模則要求模擬結(jié)果與觀測數(shù)據(jù)吻合。油氣藏地質(zhì)建模的最終結(jié)果需要與已知井?dāng)?shù)據(jù)吻合，因此，條件化模擬是人工智能地質(zhì)建模的重要攻關(guān)內(nèi)容。

2.1.1 生成對抗網(wǎng)絡(luò)

生成對抗網(wǎng)絡(luò)由 Goodfellow 等［26］于2014 年提出，指從圖像的潛在空間中采樣，并創(chuàng)建全新圖像，是目前最流行的生成式人工智能網(wǎng)絡(luò)。生成對抗網(wǎng)絡(luò)由生成網(wǎng)絡(luò)（G）和鑒別網(wǎng)絡(luò)（D）組成，生成網(wǎng)絡(luò)盡量生成逼真的圖像結(jié)果，鑒別網(wǎng)絡(luò)盡量提高自身對真假圖像的鑒別能力，損失函數(shù)同時對這兩種網(wǎng)絡(luò)的參數(shù)進(jìn)行優(yōu)化（圖2）。

圖2 生成對抗網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.2 Sketch diagram showing the basic structure of generative adversarial network（GAN）

生成對抗網(wǎng)絡(luò)已經(jīng)被證明可以生成高質(zhì)量的二維和三維圖像，該訓(xùn)練框架中，生成網(wǎng)絡(luò)將從先驗(yàn)分布p（z）采樣的隨機(jī)向量z映射到圖像空間，鑒別網(wǎng)絡(luò)將輸入圖像映射到似然概率（判斷真假的概率）。生成網(wǎng)絡(luò)的作用是生成大量認(rèn)為“真實(shí)”的圖像，而鑒別網(wǎng)絡(luò)起著對抗的作用，即從生成網(wǎng)絡(luò)生成的數(shù)據(jù)分布Pdata中區(qū)分出真實(shí)圖像，其公式如下：

式中：V是散度；G是生成網(wǎng)絡(luò)；D是判別網(wǎng)絡(luò)；h是來自全部的訓(xùn)練圖像（Pdata）分布的樣本；x表示隨機(jī)樣本；Pdata（x）表示隨機(jī)樣本分布；D（h）是對樣本的判別；E是期望；z是潛在空間上的隨機(jī)編碼；Pz表示隨機(jī)編碼分布；G（z）是生成的模型；D（G（z））是判別器對生成器的判別。

根據(jù)地質(zhì)建模輸入數(shù)據(jù)的特點(diǎn)，為了突出訓(xùn)練網(wǎng)絡(luò)模型的生成能力，降低參數(shù)量和訓(xùn)練難度，整個網(wǎng)絡(luò)均由卷積單元和轉(zhuǎn)置卷積單元組成，不包含全連接層，每個單元配套一個批量標(biāo)準(zhǔn)化層和非線性化層。

2.1.2 條件化生成對抗網(wǎng)絡(luò)

條件化生成對抗網(wǎng)絡(luò)通常包括兩類，分別為二次條件化和直接條件化。二次條件化方法是指在非條件化生成對抗網(wǎng)絡(luò)計算結(jié)果的基礎(chǔ)上，通過優(yōu)化算法進(jìn)行反復(fù)迭代，直至其與條件數(shù)據(jù)相吻合；直接條件化方法則是在構(gòu)建網(wǎng)絡(luò)的過程中，把條件數(shù)據(jù)作為輸入?yún)?shù)，訓(xùn)練過程中通過正則化的方法進(jìn)行條件化，直接實(shí)現(xiàn)條件化生成對抗網(wǎng)絡(luò)模型的構(gòu)建。由于二次條件化方法需要大量的迭代運(yùn)算，計算量大、耗時長，本研究采用了直接條件化深度學(xué)習(xí)地質(zhì)建模方法。

直接條件化深度學(xué)習(xí)地質(zhì)建模方法需要對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行正則化改進(jìn)，也就是將地質(zhì)建模問題視為圖像恢復(fù)問題?；趫D像語義恢復(fù)技術(shù)［27-30］，以卷積對抗網(wǎng)絡(luò)（DCGAN）為基礎(chǔ)，通過定義損失函數(shù)，實(shí)現(xiàn)了油藏尺度和巖心尺度基于生成對抗網(wǎng)絡(luò)的地質(zhì)建模方法，取得了較好效果。但該方法定義的損失函數(shù)僅考慮以井點(diǎn)數(shù)據(jù)為中心的固定影響半徑，且僅能模擬二維空間的油藏模型。針對以上問題，Zhang 等［31］進(jìn)一步改進(jìn)了損失函數(shù)正則化方法，將生成對抗網(wǎng)絡(luò)地質(zhì)建模擴(kuò)展應(yīng)用到三維，實(shí)現(xiàn)了少量且隨機(jī)分布的條件數(shù)據(jù)約束，在河流相儲層模擬中得到了初步驗(yàn)證。

生成對抗網(wǎng)絡(luò)具有強(qiáng)大的模式再現(xiàn)能力及條件化能力，但生成網(wǎng)絡(luò)僅能滿足當(dāng)前訓(xùn)練時給定的輸入條件，一旦變換已知條件，如隨著油氣田開發(fā)過程，鉆井?dāng)?shù)量、井位分布、相比例認(rèn)識等都會變化，此時，已訓(xùn)練的模型則無法繼續(xù)使用，還要重新進(jìn)行網(wǎng)絡(luò)訓(xùn)練，耗時耗力，因此有必要開發(fā)具有更強(qiáng)條件化適應(yīng)能力的生成對抗網(wǎng)絡(luò)。Song等［32-33］嘗試了將模擬器直接條件化的地質(zhì)建模方法應(yīng)用于河道相模擬，通過基于目標(biāo)算法生產(chǎn)的案例作為訓(xùn)練樣本，并把河道寬度和彎曲度、砂巖與泥巖的含量比、概率分布圖等作為約束條件加入到模擬器中，取得了較好的測試效果。

2.2 斷溶體深度學(xué)習(xí)地質(zhì)建模方法

目前深度學(xué)習(xí)地質(zhì)建模技術(shù)已經(jīng)從二維走向三維、從非條件化進(jìn)步到條件化。油氣藏地質(zhì)建模的輸入?yún)?shù)往往是平面稀疏、縱向高精度的井點(diǎn)數(shù)據(jù)和平面稠密、縱向低精度的地震數(shù)據(jù)，對于深層斷溶體油氣藏，更是面臨可用于標(biāo)定的井?dāng)?shù)據(jù)極少的難題，充分挖掘并利用好三維地震信息，是本研究斷溶體深度學(xué)習(xí)建模的關(guān)鍵。

2.2.1 斷溶體地質(zhì)建模深度學(xué)習(xí)網(wǎng)絡(luò)搭建

條件化生成對抗網(wǎng)絡(luò)（CGAN）可以實(shí)現(xiàn)從語義/標(biāo)簽到真實(shí)圖像的直接轉(zhuǎn)換，且支持多種條件生成，例如分類條件圖像自動生成，圖像到圖像（Pix2Pix，P2P）轉(zhuǎn)換或圖像自動修復(fù)。目前的條件化地質(zhì)建模多采用隨機(jī)向量、井點(diǎn)數(shù)據(jù)、地震預(yù)測數(shù)據(jù)作為網(wǎng)絡(luò)輸入，同步實(shí)現(xiàn)條件化。斷溶體油藏往往井?dāng)?shù)據(jù)少，且大部分井僅鉆遇儲層的頂部，統(tǒng)計意義不強(qiáng)，因此，本研究主要考慮地震數(shù)據(jù)作為建模的輸入，選擇圖像到圖像轉(zhuǎn)換的網(wǎng)絡(luò)［34-36］作為斷溶體深度學(xué)習(xí)建模的主要方法。

圖像轉(zhuǎn)換網(wǎng)絡(luò)的目標(biāo)是把一幅圖像轉(zhuǎn)換為另一幅圖像，本質(zhì)上是像素到像素的映射問題，該網(wǎng)絡(luò)可以表達(dá)地球物理數(shù)據(jù)與地質(zhì)現(xiàn)象之間的復(fù)雜映射關(guān)系，是條件化生成對抗網(wǎng)絡(luò)中的典型代表。本研究建模的思路就是把地震反射剖面和地質(zhì)結(jié)構(gòu)剖面分別作為兩個圖像，通過條件化生成對抗網(wǎng)絡(luò)建立兩個剖面之間的映射關(guān)系，實(shí)現(xiàn)深度學(xué)習(xí)建模。

條件化生成對抗網(wǎng)絡(luò)將學(xué)習(xí)觀察到的地震圖像（x）與地質(zhì)模型（y）之間形成映射關(guān)系：G：｛x｝→y，其中，生成網(wǎng)絡(luò)產(chǎn)生大量包含“真?zhèn)巍钡牡刭|(zhì)模型圖像庫，鑒別網(wǎng)絡(luò)盡可能檢測出生成器中的“偽”地質(zhì)模型圖像（圖3）。

圖3 基于P2P網(wǎng)絡(luò)的斷溶體地質(zhì)建模主要框架Fig.3 Sketch diagram showing the main framework of fault-karst geological modeling based on P2P network

條件化生成對抗網(wǎng)絡(luò)（CGAN）的目標(biāo)函數(shù)可以表示為：

式中：L表示損失函數(shù)。通過在對地質(zhì)圖像“去偽存真”的過程中不斷優(yōu)化生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)，得到最優(yōu)的適用于斷溶體預(yù)測的網(wǎng)絡(luò)。

與傳統(tǒng)條件化對抗生成網(wǎng)絡(luò)不同的是，生成網(wǎng)絡(luò)采用了類似U-Net 網(wǎng)絡(luò)的跨層連接結(jié)構(gòu)，它能更好地模擬地質(zhì)體的多尺度特征（圖4）。圖像轉(zhuǎn)換問題的一個特征就是將高分辨率的輸入網(wǎng)格映射到一個高分辨率的輸出網(wǎng)格。輸入和輸出在表象上雖然不一樣，但是在底層結(jié)構(gòu)上卻是一致的，反映了相同的地質(zhì)規(guī)律。為了使生成器避開信息瓶頸問題，模仿“U-Net”增加了跳線連接，在第i層和第n-i層之間添加跳線，其中n是網(wǎng)絡(luò)的總層數(shù)。每根跳線將第i層和第n-i層的特征通道連接在一起。

圖4 U-Net型網(wǎng)絡(luò)結(jié)構(gòu)的生成網(wǎng)絡(luò)Fig.4 Sketch diagram showing the generative network of U-Net type

2.2.2 斷溶體地質(zhì)建模訓(xùn)練樣本構(gòu)建

訓(xùn)練樣本獲取難度大是深度學(xué)習(xí)地質(zhì)建模面臨的另一個關(guān)鍵問題。地下地質(zhì)體的真實(shí)樣本獲取難度大且費(fèi)用高，目前研究中普遍采用基于目標(biāo)或基于地質(zhì)過程的方法生成大量符合地質(zhì)認(rèn)識的合成樣本，但該做法僅能滿足算法的一般性測試?；谀繕?biāo)的方法只能模擬預(yù)設(shè)的幾種簡單幾何形態(tài)的地質(zhì)體；基于地質(zhì)過程或地質(zhì)事件的模擬方法可以一定程度上體現(xiàn)地質(zhì)規(guī)律的約束，但前提條件是對于地質(zhì)規(guī)律的把握較為清晰，且可通過一定的數(shù)學(xué)方程進(jìn)行表達(dá)，目前對于沉積型儲層較為適用。斷溶體屬于強(qiáng)改造型儲集體，儲集體的形態(tài)不規(guī)則，基于目標(biāo)的方法和沉積過程模擬方法均不適用。本研究主要基于井?dāng)?shù)據(jù)、地震數(shù)據(jù)和動態(tài)數(shù)據(jù)，首先通過多學(xué)科綜合建立既符合靜態(tài)特征又反映動態(tài)規(guī)律的斷溶體油藏模型，然后將符合多維度數(shù)據(jù)特征的該油藏模型與三維地震數(shù)據(jù)進(jìn)行匹配，建立具有映射關(guān)系的訓(xùn)練樣本。

基于前期研究認(rèn)識，斷溶體的構(gòu)型要素按照規(guī)模依次包括外部輪廓、縫洞組合和大型溶洞，且三者之間由外向內(nèi)屬于包含關(guān)系，外部輪廓代表斷溶體的整體發(fā)育規(guī)模，輪廓內(nèi)部發(fā)育不同的縫洞組合，縫洞組合內(nèi)部最主要的儲集空間為大型溶洞。通過單井標(biāo)定及地震多參數(shù)分析，采用地震結(jié)構(gòu)紋理屬性預(yù)測斷溶體外部輪廓，輪廓約束下采用包絡(luò)能量屬性預(yù)測縫洞組合，最后采用剩余阻抗屬性得到內(nèi)部大型溶洞分布。多級構(gòu)型要素組合，初步得到斷溶儲集體模型，再通過單井生產(chǎn)動態(tài)信息的校正，得到當(dāng)前狀態(tài)下較為準(zhǔn)確的三維模型。將該三維地質(zhì)模型與三維地震數(shù)據(jù)進(jìn)行匹配，每個地震剖面和對應(yīng)的地質(zhì)模型剖面作為一個訓(xùn)練樣本對，訓(xùn)練樣本a1—n1表示斷溶體三維構(gòu)型模型剖面，b2—n2表示對應(yīng)的原始地震數(shù)據(jù)，訓(xùn)練樣本具有“原位等尺度”特點(diǎn)，更加適合深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練。從隨機(jī)抽取的4組樣本（圖5）可以看出，斷溶體結(jié)構(gòu)與地震數(shù)據(jù)有基本的對應(yīng)關(guān)系，但難以用簡單的數(shù)學(xué)語言直接表述，只有通過生成對抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，才可以建立兩者之間復(fù)雜的映射關(guān)系。

圖5 斷溶體深度學(xué)習(xí)訓(xùn)練樣本Fig.5 Training dataset for deep learning of fault-karst reservoirs

2.2.3 斷溶體深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練

本研究構(gòu)建的訓(xùn)練樣本數(shù)據(jù)位于順北5 號帶南段的中部，其中地震訓(xùn)練樣本的尺寸要求盡量保持一致，且訓(xùn)練的結(jié)果也不會超越地震資料本身的分辨率。另外，訓(xùn)練過程中樣本的數(shù)量也不是越多越好，樣本盡量要精準(zhǔn)、代表性強(qiáng)，涵蓋所要預(yù)測儲層的各類特征，過多具有無效信息的樣本反而會影響訓(xùn)練的速度，而且容易造成過擬合現(xiàn)象。本研究選取了256 組剖面作為樣本，基于上述建立的斷溶體生成對抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中生成網(wǎng)絡(luò)以地震數(shù)據(jù)作為輸入，地質(zhì)模型作為輸出；判別網(wǎng)絡(luò)以地質(zhì)模型和地震數(shù)據(jù)作為輸入，輸出是取值為0～ 1 的概率。將256 組樣本訓(xùn)練一遍為一輪，觀察測試集中同一個剖面的不同訓(xùn)練階段的模擬效果。第1 輪訓(xùn)練結(jié)束后，生成網(wǎng)絡(luò)的預(yù)測結(jié)果僅能模擬斷溶體的大致輪廓，準(zhǔn)確度不高；第3 輪訓(xùn)練結(jié)束后，已可以模擬斷溶體內(nèi)部的初步結(jié)構(gòu)；待第8輪迭代完成后，已經(jīng)基本能模擬斷溶體內(nèi)部的構(gòu)型要素，不同剖面訓(xùn)練結(jié)果展示了不同的結(jié)構(gòu)樣式（圖6a1，a2，a3—c1，c2，c3），說明該模型沒有發(fā)生模式坍塌效應(yīng)。此外，判別網(wǎng)絡(luò)和生成網(wǎng)絡(luò)的訓(xùn)練誤差也在不斷下降（圖6d），并逐步停止變化，進(jìn)一步體現(xiàn)了該訓(xùn)練網(wǎng)絡(luò)的可靠性。

圖6 針對斷溶體的P2P生成對抗網(wǎng)絡(luò)訓(xùn)練過程Fig.6 The training process of P2P GAN for fault-karst reservoirs

3 深度學(xué)習(xí)地質(zhì)建模應(yīng)用效果

3.1 深度學(xué)習(xí)網(wǎng)絡(luò)遷移應(yīng)用

基于以上建立的深度學(xué)習(xí)網(wǎng)絡(luò)，對順北5 號斷裂帶南段斷溶體內(nèi)部結(jié)構(gòu)進(jìn)行深度學(xué)習(xí)建模應(yīng)用。采用滾動訓(xùn)練預(yù)測的研究思路，首先，將研究區(qū)中部的訓(xùn)練網(wǎng)絡(luò)遷移應(yīng)用到北部（圖7a），以檢測該深度學(xué)習(xí)網(wǎng)絡(luò)的預(yù)測效果。從建模測試結(jié)果來看（圖7b1—b3，c1—c3），斷溶體的分布與地震反射異常具有較好的對應(yīng)關(guān)系，測試結(jié)果與檢驗(yàn)標(biāo)簽之間整體形態(tài)較為相似，內(nèi)部的縫洞結(jié)構(gòu)分布也較為合理，體現(xiàn)了斷溶體構(gòu)型要素之間的約束關(guān)系。

圖7 塔里木盆地順北5號斷裂帶南段深度學(xué)習(xí)建模方法測試效果Fig.7 Test results of deep learning-based geological modeling in the south segment of the No.5 fault zone in Shunbei area，Tarim Basin

進(jìn)一步將該訓(xùn)練網(wǎng)絡(luò)快速應(yīng)用到整條斷裂帶，預(yù)測不同類型斷溶體結(jié)構(gòu)的空間分布以及與鉆井之間的吻合度。從三維建模結(jié)果來看（圖8），斷溶體沿著走滑斷裂帶呈現(xiàn)縱深發(fā)育，且寬窄不一、斷續(xù)分布，平面上不同位置處的發(fā)育寬度以及溶洞的發(fā)育密度不同，均表現(xiàn)出走滑斷裂的分段性特征，說明斷溶體深度學(xué)習(xí)建模結(jié)果的地質(zhì)意義較為明確。

圖8 塔里木盆地順北5號斷裂帶南段斷溶體深度學(xué)習(xí)地質(zhì)建模結(jié)果Fig.8 Deep learning-based geological modeling of fault-karst reservoirs in the south segment of the No.5 fault zone in Shunbei area，Tarim Basin

另外，從順北5 號斷裂帶南段的發(fā)育結(jié)構(gòu)來看（圖9），雖然該斷裂帶整體為走滑拉分性質(zhì)，但局部特征不同，空間變化特征明顯?？p洞結(jié)構(gòu)具有受斷溶體形態(tài)約束的特點(diǎn)，從底部到頂部裂縫密度逐漸變小、孔洞密度逐漸變大，這與斷溶體儲層沿縱深發(fā)育的規(guī)律相一致，即溶蝕強(qiáng)度沿頂部界面向下呈現(xiàn)逐步減弱的趨勢，展示出大型斷裂對斷溶體整體形態(tài)的主要控制作用。把該斷裂帶建模結(jié)果與單井鉆遇的放空漏失結(jié)果對比發(fā)現(xiàn)，溶洞帶建模結(jié)果吻合率78 %，縫洞帶建模吻合率83 %，斷溶體輪廓帶吻合率超過90 %。

圖9 塔里木盆地順北5號斷裂帶深度學(xué)習(xí)建模結(jié)果與三維地震疊合效果Fig.9 Deep learning-based modeling results overlying the 3D seismic data of the No.5 fault zone in Shunbei area，Tarim Basin

3.2 討論

深度學(xué)習(xí)在油氣藏地質(zhì)建模領(lǐng)域具有較大的應(yīng)用前景，本研究以深層斷溶體為例，初步探索了一套以地震驅(qū)動為基礎(chǔ)的三維儲層建模方法，并取得了一定效果，但從建模方法的實(shí)現(xiàn)過程及結(jié)果來看，仍存在一些關(guān)鍵問題需要進(jìn)一步攻關(guān)和探索。

1）需要大規(guī)模訓(xùn)練樣本的難題仍難以克服。目前的深度學(xué)習(xí)網(wǎng)絡(luò)具有很強(qiáng)的模式再現(xiàn)能力，但前提是需要提供大規(guī)模高信息量、低冗余度的訓(xùn)練樣本，而在地質(zhì)學(xué)領(lǐng)域，往往很難獲取足量的樣本，尤其是符合地質(zhì)學(xué)規(guī)律的三維訓(xùn)練樣本。本研究應(yīng)用的圖像到圖像網(wǎng)絡(luò)在訓(xùn)練過程中，也受到了訓(xùn)練樣本是否足量的限制，因此，有必要進(jìn)一步開發(fā)基于小樣本的深度學(xué)習(xí)地質(zhì)建模方法，或以測井相、生產(chǎn)動態(tài)作為半監(jiān)督的分類方法等，以專家知識的優(yōu)勢彌補(bǔ)訓(xùn)練樣本的不足。

2）深度學(xué)習(xí)地質(zhì)建模過程的條件化仍任重道遠(yuǎn)。目前在河流、三角洲沉積儲層的深度學(xué)習(xí)建模研究中，已有相關(guān)學(xué)者加入了多種約束條件，進(jìn)行了建模結(jié)果的條件化嘗試。而對于深層斷溶體儲層，其形成過程和發(fā)育規(guī)律與河流、三角洲儲層有本質(zhì)區(qū)別，約束條件也存在差異，因此難以直接借鑒其相應(yīng)做法。本研究所應(yīng)用的深度學(xué)習(xí)網(wǎng)絡(luò)，在樣本制作過程中力求達(dá)到井震標(biāo)定和多數(shù)據(jù)吻合，并基于此遷移應(yīng)用到其他區(qū)塊，雖然取得了一定效果，但從條件化深度學(xué)習(xí)建模方法的要求來看，尚未真正實(shí)現(xiàn)將條件約束數(shù)據(jù)加入到深度學(xué)習(xí)網(wǎng)絡(luò)中，如將井點(diǎn)標(biāo)定的放空漏失段作為一種硬數(shù)據(jù)約束，或?qū)嗳荏w不同構(gòu)型要素的比例作為約束條件加入到訓(xùn)練網(wǎng)絡(luò)中，人工智能的條件化方法仍需進(jìn)一步探索。

3）深度學(xué)習(xí)地質(zhì)建模的精度仍受基礎(chǔ)資料的限制。地質(zhì)模型的精度和準(zhǔn)確度是評價其優(yōu)劣的重要標(biāo)準(zhǔn)之一，在確保模型準(zhǔn)確的前提下，總是希望地質(zhì)模型能夠在精度上更加逼近地質(zhì)家所描述的儲層非均質(zhì)性。地質(zhì)模型的精度取決于輸入數(shù)據(jù)的分辨率及所采用的方法，傳統(tǒng)的地質(zhì)統(tǒng)計學(xué)方法可以比較容易實(shí)現(xiàn)尊重井?dāng)?shù)據(jù)的統(tǒng)計規(guī)律，且根據(jù)研究需求甚至可以實(shí)現(xiàn)與單井分辨率基本一致的模型結(jié)果。而深度學(xué)習(xí)地質(zhì)建模的精度受到訓(xùn)練樣本以及遷移數(shù)據(jù)資料的精度限制，本研究針對的深層斷溶體儲層，訓(xùn)練和預(yù)測的基礎(chǔ)均主要來自于三維地震資料，因此，建模結(jié)果也難以突破地震分辨率的限制。未來深度學(xué)習(xí)網(wǎng)絡(luò)如果具備了更好的自學(xué)習(xí)能力，在加入井?dāng)?shù)據(jù)作為約束條件下，實(shí)現(xiàn)從地震分辨率到測井分辨率的逐步提升，對于深度學(xué)習(xí)地質(zhì)建模方法將是巨大的提升。

4 結(jié)論

1）形成了一種基于深度學(xué)習(xí)的斷溶體地質(zhì)建模方法。圖像到圖像網(wǎng)絡(luò)是條件化生成對抗網(wǎng)絡(luò)的典型代表，在大數(shù)據(jù)樣本構(gòu)建及網(wǎng)絡(luò)訓(xùn)練基礎(chǔ)上，可以實(shí)現(xiàn)從地震數(shù)據(jù)到地質(zhì)模型的快速轉(zhuǎn)化。

2）深度學(xué)習(xí)建模方法在順北地區(qū)的應(yīng)用取得了初步效果。通過“原位等尺度”訓(xùn)練樣本的構(gòu)建及網(wǎng)絡(luò)遷移，塔里木盆地順北5 號斷裂帶南段斷溶體的三維建模結(jié)果具有分布模式合理、鉆井吻合度較高的特點(diǎn)，但本次建模精度仍難以超越地震的分辨率。

3）深度學(xué)習(xí)地質(zhì)建模仍存在樣本需求量大、條件化程度低、建模精度難提升等諸多難題，積極探索基于小樣本的、具有自學(xué)習(xí)能力的新的深度學(xué)習(xí)網(wǎng)絡(luò)是今后努力的方向之一。