王婷婷,孫振軒,戴金龍,姜基露,趙萬春

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

2.東北石油大學(xué)非常規(guī)油氣研究院,黑龍江 大慶 163318

0 引言

巖性信息的識別分類對油氣儲層分類評價具有重要意義[1]。常規(guī)方法通過鉆井或巖屑錄井等方式獲取巖心,根據(jù)巖心分析巖性信息[2-5]。這些方式存在價格高昂、誤差較大、后續(xù)實驗分析復(fù)雜等問題,使得根據(jù)測井資料識別巖性信息備受關(guān)注[6-7]。

油氣勘探開發(fā)的物理測井資料能夠充分展示地層信息,具有全方位、高分辨率、信息量大、復(fù)雜程度高的特點[8]。研究人員嘗試將交會圖技術(shù)作為分析測井曲線的主要方法[9-10]。隨著油氣勘探開發(fā)規(guī)模的擴大和儲層復(fù)雜度的提高,研究發(fā)現(xiàn)交會圖技術(shù)無法完全揭示測井?dāng)?shù)據(jù)中可能存在的關(guān)系,測井解釋同樣依靠測井分析專家的經(jīng)驗[11-12]。近年來隨著計算機算力的增強以及人工智能的發(fā)展,機器學(xué)習(xí)在分析復(fù)雜數(shù)據(jù)中表現(xiàn)出巨大的優(yōu)勢,可以最大程度地減少人為干擾所導(dǎo)致的偏差[13-14]。機器學(xué)習(xí)應(yīng)用于巖性分類的常見算法包括支持向量機(support vector machine, SVM)、決策樹、人工神經(jīng)網(wǎng)絡(luò)(ANN)、樸素貝葉斯統(tǒng)計方法等[15-18]。傳統(tǒng)機器學(xué)習(xí)算法對數(shù)據(jù)量要求巨大,而常規(guī)測井?dāng)?shù)據(jù)珍貴,無法滿足機器學(xué)習(xí)的大規(guī)模訓(xùn)練,導(dǎo)致訓(xùn)練效果不佳[19]。機器學(xué)習(xí)在訓(xùn)練時,任何新的數(shù)據(jù)或經(jīng)驗都可能導(dǎo)致錯誤結(jié)果輸出。在巖性識別方面,由于測井?dāng)?shù)據(jù)變化多樣以及每組數(shù)據(jù)包含眾多的類,機器學(xué)習(xí)在訓(xùn)練單組測井?dāng)?shù)據(jù)時,無法實現(xiàn)多種分類輸出,且在識別分類時容易忽略巖石沉積演化過程中巖石類型轉(zhuǎn)移階次的問題,無法提取深度方向上數(shù)據(jù)與數(shù)據(jù)之間的信息,導(dǎo)致無法準確分類巖石序列或出現(xiàn)儲層中不存在的巖石序列。

相對其他機器學(xué)習(xí)算法而言,深度學(xué)習(xí)作為機器學(xué)習(xí)的一個全新領(lǐng)域,經(jīng)過近幾年的快速發(fā)展,在算法和理論上日趨成熟,同時也融合了部分其他機器學(xué)習(xí)算法,使深度學(xué)習(xí)應(yīng)用更加廣泛,效果更加優(yōu)秀。隨著AlexNet、Visual Geometry Group、GoogleNet、ResNet等深度學(xué)習(xí)網(wǎng)絡(luò)的崛起[20-23],單組測井?dāng)?shù)據(jù)實現(xiàn)多分類問題得以解決,同時在深度方向加強了數(shù)據(jù)與數(shù)據(jù)之間的聯(lián)系。

本文采用深度學(xué)習(xí)網(wǎng)絡(luò)中的U-Net。U-Net具有良好的去噪性能,且對數(shù)據(jù)量小、數(shù)據(jù)信息豐富的數(shù)據(jù),表現(xiàn)出較好的分類效果[24]?；跍y井?dāng)?shù)據(jù)和U-Net的自身特點,研究發(fā)現(xiàn)測井?dāng)?shù)據(jù)分類存在以下問題:1)常規(guī)測井?dāng)?shù)據(jù)量少,無法滿足機器學(xué)習(xí)大規(guī)模訓(xùn)練;2)機器學(xué)習(xí)算法忽略了測井?dāng)?shù)據(jù)在深度方向的聯(lián)系;3)U-Net在自上而下特征提取的過程中,忽略高級通道對低級通道的影響,而導(dǎo)致巖性分類性能較差;4)U-Net在特征提取過程中因為最大池化等問題會造成特征“退化”;5)測井?dāng)?shù)據(jù)變化復(fù)雜,而U-Net結(jié)構(gòu)簡單,容易忽略數(shù)據(jù)所包含的關(guān)鍵信息。

針對以上問題,本文基于U-Net提出一種適用于測井?dāng)?shù)據(jù)的網(wǎng)絡(luò)結(jié)構(gòu):特征注意力融合網(wǎng)絡(luò)(feature attention fusion Unet, FAF-Unet),分別從通道方向和卷積方向添加殘差塊與通道注意力機制。FAF-Unet針對U-Net處理測井?dāng)?shù)據(jù)時的問題擬做如下改善:1)在下采樣過程中添加殘差塊來減少“退化”現(xiàn)象;2)將特征提取的高級通道信息與低級特征結(jié)合,增加部分低級特征通道的權(quán)重,提高巖性分類性能;3)為了提高網(wǎng)絡(luò)對關(guān)鍵信息的提取,特別提出特征注意力融合(FAF)模塊。

1 網(wǎng)絡(luò)結(jié)構(gòu)

1.1 U-Net

U-Net具有分類以及分割的作用,相比于普通分類網(wǎng)絡(luò),它是一種可以進行多分類的語義分割網(wǎng)絡(luò)。由于測井曲線數(shù)據(jù)的特點,U-Net成為本文基礎(chǔ)網(wǎng)絡(luò)。本文特征提取網(wǎng)絡(luò)處理的數(shù)據(jù)為一維測井?dāng)?shù)據(jù)。在處理曲線類數(shù)據(jù)時,Oh等[25]用U-Net處理一維Electrocardiogram(ECG)數(shù)據(jù)。U-Net網(wǎng)絡(luò)主要采用卷積神經(jīng)網(wǎng)絡(luò)(CNN),CNN對噪聲具有魯棒性,因此即使在數(shù)據(jù)嘈雜的情況下也能夠提取有用的預(yù)測變量[26]。U-Net最初應(yīng)用于生物醫(yī)學(xué)領(lǐng)域,可以用少量的數(shù)據(jù)集訓(xùn)練達到較為理想的分類結(jié)果,這在數(shù)據(jù)量相對有限的領(lǐng)域作用巨大。

U-Net產(chǎn)生于FCN(fully convolutional networks)[27]。與FCN相比,U-Net具有更加完善的解碼器以及跳躍結(jié)構(gòu)。其主要框架由特征提取網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和跳躍連接構(gòu)成。特征提取網(wǎng)絡(luò)主要作用為得到抽象語義特征。在特征提取過程中,數(shù)據(jù)特征具有從低級特征到高級特征的特點。而特征融合過程與特征提取過程相反,數(shù)據(jù)特征具有從高級特征到低級特征的特點,原因是在上采樣過程中融合了下采樣所產(chǎn)生的數(shù)據(jù)特征。由于上采樣部分與下采樣部分對稱,形成了U型結(jié)構(gòu),故稱為U-Net。U-Net具有較強的抗干擾能力,但在特征提取過程中存在信息丟失的情況[28]。

1.2 注意力機制

眾多研究表明,在深度卷積神經(jīng)網(wǎng)絡(luò)中,添加注意力機制能夠顯著提高CNN的性能[29],且注意力機制可以更好地解決上下文特征關(guān)聯(lián)度差的問題[30]。在U-Net模型中添加注意力機制,可以篩選出與分類結(jié)果相關(guān)程度大的信息。注意力機制可以在特征提取時自動獲取與分類結(jié)果相關(guān)的特征并抑制不重要的特征,從而有效提高巖性分類效果。注意力機制類似于專家分析數(shù)據(jù),從大量因素中篩選出決定性因素。注意力機制主要包括通道注意力機制和空間注意力機制,本文采用數(shù)據(jù)格式為一維數(shù)據(jù),主要采用通道注意力機制。

通道注意力機制更注重通道間的信息,本文的輸入數(shù)據(jù)為一維8通道輸入數(shù)據(jù),包括聲波(AC)、自然伽馬(GR)、井徑(CAL)、自然電位(SP)、深側(cè)向電阻率(RLLD)、淺側(cè)向電阻率(RLLS),密度(DEN)、光電吸收截面指數(shù)(PEF)。有效通道注意力網(wǎng)絡(luò)(efficient channel attention net, ECA-Net)(圖1)是SE-Net(squeeze-and-excitation net)的一種改進形式,可以說是通道注意力機制的一種實現(xiàn)形式。其核心思想是卷積操作具有良好的跨通道獲取信息的能力,能夠在一定程度上彌補SE-Net降維所帶來的缺陷。

傳統(tǒng)U-Net在跳躍連接中直接將低級特征與上采樣進行融合。低級特征通道所包含的權(quán)重并不相同,在直接與上采樣融合的過程中忽視了對分類產(chǎn)生作用的關(guān)鍵通道。本文一維8通道輸入數(shù)據(jù),數(shù)據(jù)與數(shù)據(jù)之間的聯(lián)系決定了分類效果,通過特征注意力融合網(wǎng)絡(luò)幫助提升關(guān)鍵通道權(quán)重。

1.3 FAF-Unet

本文基于U-Net提出了FAF-Unet,其是基于測井?dāng)?shù)據(jù)識別儲層巖性的網(wǎng)絡(luò),結(jié)構(gòu)如圖2所示。FAF-Unet模型集成了殘差卷積和注意力機制,殘差塊可以更好地保留深度方向低級特征的數(shù)據(jù),而通道注意力機制可以彌補豎向卷積時忽略橫向通道之間聯(lián)系的問題。具體為,首先,為了減少更多特征信息的損失,在網(wǎng)絡(luò)模型編碼器部分采用殘差卷積模塊,能夠避免模型“退化”帶來的問題。其次,在卷積的過程中,根據(jù)測井?dāng)?shù)據(jù)深度方向進行卷積(圖3)。最后,在模型跳躍連接部分添加ECA機制,有效獲取通道之間的特征信息。

圖2 FAF-Unet模型

圖3 卷積方向結(jié)構(gòu)圖

本文分析U-Net模型的缺陷,設(shè)計FAF模塊,將高級特征獲取的通道信息與低級特征融合,彌補低級通道對重要信息關(guān)注度不夠的缺陷,使網(wǎng)絡(luò)的高級特征通道指導(dǎo)網(wǎng)絡(luò)的低級特征通道,從而達到獲取更多語義和細節(jié)特征信息的目的。將深層通道特征的細節(jié)信息和淺層通道特征的語義信息拼接融合可以有效緩解網(wǎng)絡(luò)模型錯檢、漏檢等問題。在整個模型中,使用通道注意力機制的特征提取層,將輸出特征使用全局平均池化,保持1×1×C通道,使用大小為k的卷積核在1×1×C的全局描述特征圖上做一維卷積,并調(diào)整通道數(shù)與低級特征通道數(shù)相等,以捕獲跨通道局部交互信息。對以上得到的結(jié)果,通過Sigmoid函數(shù)將其映射到0～1之間。k個近鄰?fù)ǖ拦蚕頇?quán)重,以及通過一維卷積實現(xiàn)卷積操作。

(1)

w=σ[C1Dk(y)]。

(2)

令Fl為下采樣過程中第l層的特征,使用通道注意力機制得到特征向量VC,高級特征通道注意力機制以及與低級特征輸出Hout特征融合過程如下:

(3)

(4)

FAF-Unet模型(式(4))等號右側(cè)為上采樣過程,主要進行網(wǎng)絡(luò)的特征融合。將數(shù)據(jù)恢復(fù)成原來的數(shù)據(jù)尺寸,并通過歸一化指數(shù)函數(shù)給輸出類別進行打分。圖4中左側(cè)每行為類別,顏色越深代表相應(yīng)類別的分值更高,右側(cè)為分數(shù)最高的分類結(jié)果。

圖4 模型輸出示意圖

2 應(yīng)用實例及數(shù)據(jù)集

數(shù)據(jù)集采為松遼盆地中央坳陷區(qū)龍虎泡油田地層的測井?dāng)?shù)據(jù)。龍虎泡油田位于黑龍江省大慶市杜爾伯特蒙古族自治縣境內(nèi)[31-32],西鄰敖古拉油田,東鄰哈爾溫油田,北為金騰油田,南接龍南油田。區(qū)內(nèi)地勢平坦,海拔在140～160 m之間。龍虎泡地帶(圖5)位于中央坳陷區(qū)的龍虎泡階地,東部、南部緊鄰齊家—古龍凹陷,總體為一東高西低的單斜構(gòu)造[32],東部、西部以及東北部為單斜構(gòu)造,北部構(gòu)造比較簡單。

圖5 松遼盆地中央坳陷區(qū)龍虎泡油田A區(qū)塊高三組頂面構(gòu)造

2.1 實驗環(huán)境及數(shù)據(jù)預(yù)處理

本實驗的實驗配置及實驗參數(shù)設(shè)置包括:計算機硬件配置為NVIDIA GeForce RTX 2080 Ti(GPU),Intel(R) Xeon(R) CPU E5-2678 v3@2.50 GHz處理器,軟件試驗環(huán)境配置為Ubuntu18.04操作系統(tǒng),深度學(xué)習(xí)框架采用Tensorflow2.6,編程語言為python3.7以及numpy1.17.0等庫。

本文特征提取網(wǎng)絡(luò)改為處理一維測井?dāng)?shù)據(jù),數(shù)據(jù)集包含20口井測數(shù)據(jù),共160 000個分類數(shù)據(jù)。從井口數(shù)據(jù)中將8種選中的數(shù)據(jù)排列成二維矩陣,初步形成160張尺寸為8×1 000的原始測井?dāng)?shù)據(jù),數(shù)據(jù)集均采用有效儲層數(shù)據(jù)。根據(jù)專家分析以及實際巖柱分析,將測井?dāng)?shù)據(jù)制作成與之對應(yīng)的實際標(biāo)簽?？偣卜譃?類:粉砂巖、泥質(zhì)粉砂巖、粉砂質(zhì)泥巖、泥巖、油頁巖。由于儲層巖性沉積演化和測井?dāng)?shù)據(jù)的形態(tài)特征具有特殊意義,在對測井?dāng)?shù)據(jù)進行處理時需要對測井資料進行深度校正、數(shù)據(jù)增強和降噪處理,以保證每組數(shù)據(jù)處在同一深度。訓(xùn)練時采用單GPU,利用Adam網(wǎng)絡(luò)優(yōu)化算法,一共訓(xùn)練100次迭代次數(shù),網(wǎng)絡(luò)訓(xùn)練每批次為2,衰減底數(shù)設(shè)置為0.92,初始學(xué)習(xí)率設(shè)置為10-4,采用遷移學(xué)習(xí)策略獲得網(wǎng)絡(luò)預(yù)訓(xùn)練權(quán)重,根據(jù)不同對比實驗超參數(shù)設(shè)置略有調(diào)整。

2.2 測井參數(shù)敏感性分析

數(shù)據(jù)集經(jīng)過校正處理,在很大程度上消除了外部因素所產(chǎn)生的噪聲影響。通過對儲層巖性和測井資料的分析[31],篩選出8項測井參數(shù)(SP、PEF、DEN、AC、CAL、RLLD、RLLS、GR)進行敏感性分析,這8項測井資料對不同巖性均表現(xiàn)出不同的敏感性。此外,深感應(yīng)電阻率測井(RILD)與中感應(yīng)電阻率測井(RILM)更多應(yīng)用于劃分滲透層,能夠快速直觀地判斷油、水層,但與本文劃分儲層巖性不具有相關(guān)性,因此沒有考慮在內(nèi)。本文采用的是深度學(xué)習(xí)算法,如果在現(xiàn)場實測中有更多關(guān)于儲層巖性分類的測井曲線,將更加有利于深度學(xué)習(xí)算法的訓(xùn)練。

以龍虎泡油田龍-26井為例,對5種巖性做箱形圖進行分析,結(jié)果如圖6所示:1)密度測井對泥巖敏感程度高,與其他巖性沒有重疊部分,在識別其他巖性時效果較差(圖6b),而淺側(cè)向電阻率對識別泥巖與粉砂質(zhì)泥巖效果較好(圖6f),因此泥巖和粉砂質(zhì)泥巖可以用密度-淺側(cè)向電阻率來劃分;2)聲波時差測井與自然伽馬測井對油頁巖識別效果較好,且自然伽馬測井對泥巖類與砂巖類分類效果較好(圖6c、g);3)自然電位測井能夠區(qū)分粉砂巖(圖6a),同時粉砂巖中泥質(zhì)含量較低,自然伽馬測井值較低,因此自然電位測井與自然伽馬測井在劃分粉砂巖時具有良好的效果。由于測井?dāng)?shù)據(jù)的復(fù)雜性,箱形圖展示的測井?dāng)?shù)據(jù)會出現(xiàn)部分異常值,異常值的出現(xiàn)主要對極值范圍產(chǎn)生影響,對整體的敏感性分析影響較小。

ft(英尺)、in(英寸)為非法定計量單位,1 ft=0.3048 m,1 in=0.0254 m,下同。

根據(jù)真實測井?dāng)?shù)據(jù),對不同測井?dāng)?shù)據(jù)與不同巖性之間進行敏感性分析,并統(tǒng)計敏感性分布在20%～80%之間的測井?dāng)?shù)據(jù),結(jié)果如表1與表2所示。分析圖6、表1、表2可以得出:1)常規(guī)測井?dāng)?shù)據(jù)在解釋儲層巖石巖性上具有重要的參考作用;2)由于巖石沉積演化,以及巖性與巖性間的相互影響,每組測井?dāng)?shù)據(jù)在箱形圖分析上都表現(xiàn)出不同程度的重疊情況,需要多組特征的測井?dāng)?shù)據(jù)協(xié)同分析;3)不同巖性對不同測井參數(shù)敏感性不同,單一測井?dāng)?shù)據(jù)只能對巖性大類進行初步劃分,只有通過更多通道特征的測井?dāng)?shù)據(jù)綜合分析,才能實現(xiàn)對巖性進行精細劃分。

表1 松遼盆地中央坳陷區(qū)龍虎泡油田不同巖性參數(shù)響應(yīng)特征對比(敏感性為20%～80%)

3 評價指標(biāo)及不同方法對比試驗

3.1 評價指標(biāo)

本文通過召回率和準確率兩個方面評價FAF-Unet的性能。

1)召回率指分類過程中真陽性在實際標(biāo)簽為陽性樣本中的占比:

(5)

式中:R為召回率;NTP和NFN分別為真陽性和假陰性樣本的數(shù)量。

2)準確率指分類過程中真陽性在判斷為陽性樣本中的占比:

(6)

式中:P為準確率;NFP為假陽性樣本的數(shù)量。

3.2 不同方法對比試驗

本文通過混淆矩陣分別對比了SVM、決策樹、U-Net、添加ECA機制的U-Net(ECA-Unet)、添加殘差塊的U-Net(Res-Unet)以及同時添加ECA機制和殘差塊的FAF-Unet 等6種方法的巖性識別情況,結(jié)果如圖7所示。表3、表4以表格形式對比了6種方法的準確率和召回率。

表4 松遼盆地中央坳陷區(qū)龍虎泡油田不同方法的巖性識別召回率

SVM方法結(jié)果受數(shù)據(jù)噪聲影響較大,因此該實驗數(shù)據(jù)集經(jīng)過平滑去噪處理以確保實驗結(jié)果的可靠性。決策樹方法純?nèi)~節(jié)點會導(dǎo)致模型復(fù)雜,容易引起過擬合而影響實驗結(jié)果,本文訓(xùn)練中主要采用提前終止的方法來防止過擬合情況的發(fā)生,保證實驗結(jié)果的可靠性。控制卷積核的大小對實驗結(jié)果至關(guān)重要,卷積核的大小可以直接影響網(wǎng)絡(luò)特征提取能力,U-Net采用的卷積核大小為3×1,而Res-Unet、ECA-Unet、FAF-Unet均在U-Net基礎(chǔ)上改進創(chuàng)新。

SVM方法在測井?dāng)?shù)據(jù)預(yù)測識別時,對特征較為明顯的油頁巖效果較好,預(yù)測準確率為70.01%(圖7a、表3),召回率為78.65%(表4),召回效果強于準確率。決策樹方法對泥巖預(yù)測效果較好,預(yù)測準確率為76.03%(圖7b、表3),召回率為68.47%(表4)。SVM方法和決策樹方法準確率在55.10%～76.03%之間(表3),召回率在56.52%～78.65%之間(表4),波動范圍較大,而且對巖性變化不明顯的儲層巖性識別效果較差,不適合識別粉砂質(zhì)泥巖、粉砂巖和泥質(zhì)粉砂巖。

U-Net方法對于測井?dāng)?shù)據(jù)識別分類效果相比于SVM方法與決策樹方法有所提升,U-Net具有與機器學(xué)習(xí)不同的特征提取方式和特征融合方式,可以最大程度地提取數(shù)據(jù)間的內(nèi)在信息。U-Net方法對5種巖性識別的準確率、召回率均在70.00%以上(分別為71.13%～78.06%(表3)和73.20%～76.60%(表4))。相比于SVM方法和決策樹方法,U-Net方法魯棒性更強,但在準確率與召回率方面并沒有表現(xiàn)出突出的優(yōu)勢,這是由于下采樣過程中的池化、dropout等步驟導(dǎo)致部分特征喪失。Res-Unet方法和ECA-Unet方法在識別5種巖性時準確率和召回率比U-Net方法有所提升,FAF-Unet方法提升效果更顯著,其準確率和召回率均達到89.00%以上。相比于U-Net方法,FAF-Unet方法對5種巖性的識別準確率分別提升了13.92%、19.97%、11.99%、18.90%、14.29%(表3),召回率分別提升了17.40%、13.60%、16.06%、18.64%、14.32%(表4)。FAF-Unet方法的準確率和召回率均高于其他方法,其中,與SVM、決策樹、U-Net相比,FAF-Unet識別巖性的平均準確率分別提高了24.65%、27.79%、16.01%,平均召回率分別提高了24.25%、27.46%、16.00%。

不同方法的巖性識別結(jié)果對比如圖8所示。可以看出,FAF-Unet與真實標(biāo)簽匹配程度更高,預(yù)測的準確率更高。

圖8 松遼盆地中央坳陷區(qū)龍虎泡油田測井?dāng)?shù)據(jù)及不同方法巖性識別結(jié)果對比

4 結(jié)論

1)FAF-Unet方法能夠有效識別巖石沉積序列,有助于提升儲層巖性識別效果。通過添加特征注意力融合模塊與殘差模塊,解決了普通模型在特征提取時造成特征信息丟失的問題,使網(wǎng)絡(luò)能夠有效捕捉巖性與測井?dāng)?shù)據(jù)之間的內(nèi)在關(guān)系,增加模型魯棒性。

2)FAF-Unet具有良好的泛化能力,通過引入殘差模塊與通道注意力機制,自動提取測井?dāng)?shù)據(jù)序列間的信息,提升巖性識別精度,保證了特征信息傳遞的完整性。

3)與SVM、決策樹、U-Net相比,FAF-Unet識別巖性的平均準確率分別提高了24.65%、27.79%、16.01%,平均召回率分別提高了24.25%、27.46%、16.00%,準確率與召回率均達到89.00%以上,能夠在實際油藏生產(chǎn)中得到更好的應(yīng)用。