融合深度置信網(wǎng)絡(luò)與與核極限學(xué)習(xí)機(jī)算法的核磁共振測井儲(chǔ)層滲透率預(yù)測方法

朱林奇,張 沖,周雪晴,魏 旸,黃雨陽,高齊明

(1.油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室(長江大學(xué)),武漢 430100; 2.長江大學(xué) 地球物理與石油資源學(xué)院,武漢 430100) (*通信作者電子郵箱yzlogging@163.com)

融合深度置信網(wǎng)絡(luò)與與核極限學(xué)習(xí)機(jī)算法的核磁共振測井儲(chǔ)層滲透率預(yù)測方法

朱林奇1,2,張 沖1,2*,周雪晴1,2,魏 旸1,2,黃雨陽1,2,高齊明1,2

(1.油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室(長江大學(xué)),武漢 430100; 2.長江大學(xué) 地球物理與石油資源學(xué)院,武漢 430100) (*通信作者電子郵箱yzlogging@163.com)

由于低孔低滲儲(chǔ)層孔隙結(jié)構(gòu)較為復(fù)雜,現(xiàn)有核磁共振(NMR)測井滲透率模型對于低孔低滲儲(chǔ)層預(yù)測精度不高。為此,提出一種融合深度置信網(wǎng)絡(luò)(DBN)算法與核極限學(xué)習(xí)機(jī)(KELM)算法的滲透率預(yù)測方法。該方法首先對DBN模型進(jìn)行預(yù)訓(xùn)練,然后將KELM模型作為預(yù)測器放置在訓(xùn)練好DBN模型后,利用訓(xùn)練數(shù)據(jù)進(jìn)行有監(jiān)督的訓(xùn)練,最終形成深度置信-核極限學(xué)習(xí)機(jī)(DBKELMN)模型?？紤]到該模型需充分利用反映孔隙結(jié)構(gòu)的橫向弛豫時(shí)間譜信息,將離散化后的核磁共振測井橫向弛豫時(shí)間譜作為輸入,滲透率作為輸出,確定NMR測井橫向弛豫時(shí)間譜與滲透率的函數(shù)關(guān)系,并基于該函數(shù)關(guān)系對儲(chǔ)層滲透率進(jìn)行預(yù)測。實(shí)例應(yīng)用表明,融合DBN算法與KELM算法的滲透率預(yù)測方法是有效的,預(yù)測樣本的平均絕對誤差(MAE)較斯倫貝謝道爾研究中心(SDR)模型降低了0.34。融合DBN算法與KELM算法的滲透率預(yù)測方法可提高低孔滲儲(chǔ)層滲透率預(yù)測精度,可應(yīng)用于油氣田勘探開發(fā)。

深度學(xué)習(xí);核磁共振測井;滲透率;深度置信網(wǎng)絡(luò);深度置信-核極限學(xué)習(xí)機(jī)

0 引言

由于低孔滲儲(chǔ)層存在較致密、非均質(zhì)性強(qiáng)的特點(diǎn),導(dǎo)致儲(chǔ)層滲透率較小,常規(guī)測井難以準(zhǔn)確預(yù)測。核磁共振測井測量得到的橫向弛豫時(shí)間譜(T2譜)中存在的孔隙結(jié)構(gòu)信息十分豐富,所以,如何利用T2譜的豐富孔隙結(jié)構(gòu)信息,是預(yù)測儲(chǔ)層滲透率精度的關(guān)鍵。

核磁共振測井滲透率模型可以分為三類：將橫向弛豫時(shí)間譜(T2譜)分區(qū)間與滲透率建立統(tǒng)計(jì)關(guān)系或理論關(guān)系的模型[1-2];斯倫貝謝道爾研究中心(Schlumberger Doll Researchcenter, SDR)模型及其改進(jìn)模型[3];與壓汞資料結(jié)合,利用各種孔隙結(jié)構(gòu)計(jì)算滲透率的模型[4-10]。前兩種模型均嘗試用一個(gè)參數(shù)或幾個(gè)參數(shù)描述整個(gè)T2譜的形態(tài)變化,在低孔滲儲(chǔ)層中,孔隙結(jié)構(gòu)復(fù)雜,T2譜的變化較大,較少的參數(shù)難以表征這種變化。第三種模型未考慮儲(chǔ)層含油氣對T2譜形態(tài)的影響,將這種影響也看作對孔隙結(jié)構(gòu)變化的響應(yīng),導(dǎo)致在油氣層滲透率預(yù)測不準(zhǔn)。上述三種模型均存在不適應(yīng)于低孔滲儲(chǔ)層滲透率預(yù)測的情況。

針對上述問題,本文將T2譜作為輸入,滲透率作為輸出,利用本文提出的深度置信-極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)(Deep Belief Kernel Extreme Learning Machine Network, DBKELMN)進(jìn)行函數(shù)的映射,以確定T2譜與滲透率的函數(shù)關(guān)系并預(yù)測儲(chǔ)層滲透率,達(dá)到準(zhǔn)確預(yù)測滲透率的目的。

1 深度置信-核極限學(xué)習(xí)機(jī)模型

考慮到輸入曲線維數(shù)高(對于斯倫貝謝儀器,T2譜由30維或64維數(shù)據(jù)組成)、模型復(fù)雜度強(qiáng)、含氣矯正較為困難,提出了利用深度學(xué)習(xí)方法對模型進(jìn)行學(xué)習(xí)。深度學(xué)習(xí)理論認(rèn)為,淺層學(xué)習(xí)算法包括極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)、支持向量機(jī)(Support Vector Machine, SVM)、反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network, BPNN)、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network, RBFNN)，由于隱層數(shù)過少導(dǎo)致難以表征較為復(fù)雜的函數(shù)關(guān)系；而深度學(xué)習(xí)模型由于能進(jìn)行逐層特征提取,具有強(qiáng)特征提取能力,對復(fù)雜函數(shù)具有強(qiáng)大的學(xué)習(xí)能力。但是,在石油勘探領(lǐng)域中,深度學(xué)習(xí)算法還未引起重視。本文利用其抽象數(shù)據(jù)特征的能力進(jìn)行高維數(shù)據(jù)的降維，利用其自動(dòng)特征提取功能進(jìn)行含氣校正，利用其多隱層的特征進(jìn)行復(fù)雜非線性滲透率模型的學(xué)習(xí),以期準(zhǔn)確預(yù)測滲透率。

1.1 深度置信網(wǎng)絡(luò)

深度置信網(wǎng)絡(luò)(Deep Belief Network, DBN)是一種半監(jiān)督學(xué)習(xí)算法,解決了深度神經(jīng)網(wǎng)絡(luò)難以優(yōu)化的問題[11]。它由多層隨機(jī)隱變量組成，其最底層單元的狀態(tài)為輸入曲線,向上連接若干限制玻爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)堆棧。訓(xùn)練時(shí)先輸入若干維樣本進(jìn)行第一層RBM的訓(xùn)練,并利用訓(xùn)練結(jié)果作為輸入進(jìn)行下一層RBM的訓(xùn)練,以此類推逐層進(jìn)行RBM的預(yù)訓(xùn)練,最后利用誤差反向傳播算法去微調(diào)整個(gè)網(wǎng)絡(luò)參數(shù)。RBM是一種特殊的玻爾茲曼機(jī),其對輸入層與隱層連接進(jìn)行了限制,僅連接了輸入層節(jié)點(diǎn)與隱層節(jié)點(diǎn)[12],如圖1所示。假設(shè)所有輸入曲線v和隱單元h均為二值變量,即對于任意ij,均有vi∈{0,1},hj∈{0,1}。對于一組給定的節(jié)點(diǎn)(v,h),RBM系統(tǒng)定義能量函數(shù):

(1)

其中:θ={Wij,bi,cj}為RBM模型參數(shù)?；谠撃芰亢瘮?shù)得到(v,h)的聯(lián)合概率分布為:

(2)

其中Z(θ)稱為歸一化因子。

輸入曲線層的邊際分布為:

(3)

圖1 RBM示意圖

由于RBM的特殊結(jié)構(gòu),可得到第j個(gè)隱單元的激活概率為:

苗木的生存離不開相應(yīng)的監(jiān)督，在管理上，需要培養(yǎng)技術(shù)人員掌握相應(yīng)的育苗和管理技能。同時(shí)，在培訓(xùn)中應(yīng)補(bǔ)充相應(yīng)的技術(shù)實(shí)踐，使他們能夠更好地掌握林木育苗技術(shù)，使造林更加符合我國的建設(shè)。林業(yè)標(biāo)準(zhǔn)在苗木培育技術(shù)管理上應(yīng)引進(jìn)相關(guān)新技術(shù)，提高我國造林苗木培育技術(shù)水平，在苗木的日常管理和保護(hù)上，應(yīng)做到不間斷監(jiān)測，及時(shí)滿足。苗木對水肥的需求，保證了苗木生長發(fā)育過程中的養(yǎng)分需求。同時(shí)，創(chuàng)新育苗方法，確保苗木成活率，從而保證我國林業(yè)育種的順利實(shí)施，同時(shí)為我國人工造林事業(yè)做出貢獻(xiàn)。

(4)

其中σ為sigmoid激活函數(shù)。

第i個(gè)可見單元的激活概率為:

(5)

利用式(4)計(jì)算隱層單元狀態(tài),進(jìn)而利用式(5)確定可見單元vi取值為1的概率,進(jìn)而產(chǎn)生可見層的重構(gòu)。本文即是利用該方法進(jìn)行RBM的模型訓(xùn)練。

1.2 核極限學(xué)習(xí)機(jī)

利用誤差反向傳播算法進(jìn)行求解，其解有可能為局部極小解，而不是全局最優(yōu)解，導(dǎo)致預(yù)測精度會(huì)受到影響,即使存在預(yù)學(xué)習(xí)的方法,仍無法徹底解決該問題。為此,本文嘗試將核ELM(Kernel ELM, KELM)作為預(yù)測器連接于DBN后,提高預(yù)測精度。KELM結(jié)合了ELM的學(xué)習(xí)精度及計(jì)算效率的優(yōu)勢及核方法處理非線性不可分問題的優(yōu)勢,是一種高效可靠的淺層模型,其性能優(yōu)于BPNN、SVM及ELM[13]。

對于數(shù)據(jù)集D={xp,tp},xp為輸入,tp為目標(biāo)輸出,那么,對于隱層節(jié)點(diǎn)數(shù)為L的ELM,有輸出:

(6)

其中:β=[β1,β2,…,βL]T,為ELM隱層與輸出層的權(quán)值向量;h(xp)=[h1(xp),h2(xp),…,hL(xp)]T為xp從n維輸入空間映射到L維隱層特征空間的向量。那么,根據(jù)KKT(Karush-Kuhn-Tucker)理論可知,ELM訓(xùn)練等同求解一對偶優(yōu)化,即:

(7)

其中:C為正則化系數(shù);ζp為理論輸出tp相對于實(shí)際輸出f(xp)的誤差;αp為Lagrange乘子。求解式(7),可得:

(8)

其中:T=[t1,t2,…,tN]T為輸入樣本的目標(biāo)值向量。將式(8)代入式(6)得模型的輸出為:

f(xp)=[K(xp,x1),K(xp,x2),…,K(xp,xN)]·

(I/C+HHT)-1T

(9)

其中K為核函數(shù)。由式(9)可以看到,模型輸出結(jié)果與隱層數(shù)無關(guān),即KELM在使用中無需設(shè)定隱層數(shù),避免了模型確定時(shí)隱層數(shù)選擇的盲目性。本文在進(jìn)行建模時(shí),選用較為普遍的高斯核為算法中的核函數(shù)。

1.3 基于DBKELMN的NMR測井預(yù)測滲透率方法

基于上述特點(diǎn),本文嘗試將DBN與KELM結(jié)合,提出了DBKELMN模型,提升模型的穩(wěn)定性、精度及泛化能力。在模型建立時(shí),首先提取核磁共振測井T2譜數(shù)據(jù)及對應(yīng)的滲透率,如圖2所示。其中,核磁共振測井T2譜原始數(shù)據(jù)一般已被離散化為30維或64維的數(shù)據(jù),利用離散化后的數(shù)據(jù)中孔隙度分量值作為T2譜的輸入數(shù)據(jù)(由于采樣時(shí)間點(diǎn)固定,在選取輸入樣本的特征時(shí),可忽略采樣時(shí)間值,僅輸入孔隙度分量)。

圖2 T2譜離散化示意圖

然后利用輸入數(shù)據(jù)逐層對RBM進(jìn)行預(yù)訓(xùn)練,建立特征抽象層。將特征抽象層建立好之后,將離散化T2譜輸入,并將特征抽象層對應(yīng)的輸出作為特征,輸入到核極限學(xué)習(xí)機(jī)中,利用KELM中的核函數(shù)對特征進(jìn)行映射,并通過KELM網(wǎng)絡(luò),得到最終輸出,而不進(jìn)行參數(shù)的微調(diào)。借助DBN中的特征抽象層優(yōu)勢,使得模型的特征提取能力更強(qiáng),對復(fù)雜函數(shù)的逼近能力更強(qiáng)。而KELM網(wǎng)絡(luò)較快的訓(xùn)練速度,以及較其他模型更強(qiáng)的泛化能力,顯著提高了DBKELM的適用性,如圖3所示。在第2章中,本文將通過某區(qū)塊致密氣儲(chǔ)層資料證明該模型在精度與泛化能力的優(yōu)勢。

圖3 DBKELMN示意圖

2 實(shí)例與分析

為了證明深度學(xué)習(xí)算法的有效性,利用某區(qū)致密氣儲(chǔ)層資料進(jìn)行模型的驗(yàn)證。利用9口井320塊巖樣進(jìn)行絕對滲透率的測定并提取對應(yīng)深度核磁共振測井T2譜。其中,將7口井200塊巖樣數(shù)據(jù)設(shè)為訓(xùn)練樣本,另2口井(A1、A2) 塊巖樣數(shù)據(jù)設(shè)為預(yù)測樣本。將數(shù)據(jù)進(jìn)行歸一化之后,分別嘗試建立KELM、DBN模型與DBKELMN模型。本文采用K交叉驗(yàn)證(K-Cross Validation,K-CV)方法進(jìn)行交叉驗(yàn)證,以有效避免過學(xué)習(xí)及欠學(xué)習(xí)的發(fā)生[14]。將200個(gè)訓(xùn)練樣本均分為4組,每組數(shù)據(jù)分別作1次驗(yàn)證集,除此組以外的數(shù)據(jù)作為訓(xùn)練集。對DBN與KELM模型采用K折交叉驗(yàn)證(K-CV),確定兩模型的最優(yōu)參數(shù)。最后確定的最適合于預(yù)測滲透率的KELM網(wǎng)絡(luò)參數(shù)為:正則化系數(shù)2-2,核參數(shù)240;確定的DBN網(wǎng)絡(luò)參數(shù)為:隱層數(shù)20、隱層神經(jīng)元數(shù)30。隱層數(shù)與隱層神經(jīng)元數(shù)較大的原因應(yīng)歸結(jié)為滲透率與T2譜關(guān)系復(fù)雜,所以需要高隱層數(shù)去進(jìn)行表征。

同樣,在DBKELMN網(wǎng)絡(luò)中,隱層數(shù)、不同的正則化系數(shù)C與核參數(shù)γ共同決定了網(wǎng)絡(luò)的精度(相對于隱層數(shù)來說神經(jīng)元數(shù)與精度相關(guān)性弱,所以該處取DBN模擬得到的最優(yōu)隱層神經(jīng)元數(shù)30進(jìn)行模擬)。通過對200樣本進(jìn)行K-CV模擬,確定不同網(wǎng)絡(luò)參數(shù)對預(yù)測精度的影響大小見圖4。通過圖4可以看出,網(wǎng)絡(luò)參數(shù)的改變對精度的改變并不大。隨著正則化系數(shù)C的變大,網(wǎng)絡(luò)的穩(wěn)定性逐漸變強(qiáng);而隨著核參數(shù)γ的增大,當(dāng)大于2-6時(shí),網(wǎng)絡(luò)精度提升;而隱層數(shù)的變化與網(wǎng)絡(luò)精度相關(guān)性很小,存在隱層數(shù)大、精度變高的情況,但是并不明顯。根據(jù)模擬結(jié)果,認(rèn)為在該模型中,正則化系數(shù)C等于215,核參數(shù)γ等于215,隱層數(shù)為15時(shí),模型的泛化能力最好,預(yù)測精度最高。為了方便進(jìn)行對比,同時(shí)建立正則化系數(shù)不變、核參數(shù)不變、隱層數(shù)1、2、3、5、10層的模型,并對預(yù)測樣本進(jìn)行處理,以觀察模型的效果。

圖4 DBKELMN模型正則化系數(shù)C-核參數(shù)γ歸一化誤差體

同時(shí),建立1隱層20隱層單元的BPNN模型以及由1 000個(gè)C4.5算法組成的隨機(jī)森林(Random Forest, RF)模型同時(shí)進(jìn)行學(xué)習(xí),并通過巖心數(shù)據(jù)確定SDR模型以及Coates模型系數(shù)，通過該儲(chǔ)層驗(yàn)證井的預(yù)測精度高低評價(jià)模型的優(yōu)劣。對A1井及A2井的120個(gè)預(yù)測樣本評價(jià)結(jié)果如圖5所示。

由圖5來看,Timur模型與SDR模型明顯對低孔滲儲(chǔ)層滲透率預(yù)測能力不足,這也是由于未考慮過多的儲(chǔ)層微觀參數(shù)所必然造成的結(jié)果。RF模型預(yù)測效果略好于其他淺層學(xué)習(xí)算法(BPNN模型、KELM模型),說明對于地球物理問題來說,集成算法能在一定程度上提高泛化能力,而DBN模型效果是略優(yōu)于其他模型的。從圖6來看,本文提出的深度模型框架,在參數(shù)合適的情況下,預(yù)測精度是高于淺層模型的。比較2種深度學(xué)習(xí)模型評價(jià)結(jié)果,可以看出,DBKELMN的泛化能力是優(yōu)于DBN的,預(yù)測精度較高,如果利用集成算法進(jìn)行集成,精度有可能會(huì)進(jìn)一步提高,該思路可作為下一步研究方向。同時(shí)也可以看出,15層網(wǎng)絡(luò)模型的效果要優(yōu)于其他模型。這是由于地球物理問題的特殊性所導(dǎo)致的,地球物理問題雖由于成本的原因?qū)е螺斎刖S數(shù)與樣本數(shù)較小,但是輸入曲線與輸出關(guān)系復(fù)雜,且存在對應(yīng)的物理關(guān)系,所以即使模型層數(shù)較高,精度也并不會(huì)降低,反而是需要較多層數(shù)來表征復(fù)雜的函數(shù)關(guān)系。對應(yīng)的A1、A2井不同模型預(yù)測平均絕對誤差(Mean Absolute Error, MAE)結(jié)果統(tǒng)計(jì)見表1。

圖5 不同模型對預(yù)測樣本的預(yù)測絕對誤差

圖6 不同隱層下DBKELMN模型對預(yù)測樣本的預(yù)測絕對誤差

表1 不同模型預(yù)測MAE結(jié)果

從表1可以得出,在MAE指標(biāo)上,DBKELMN模型得到的結(jié)果均優(yōu)于其他模型,多層網(wǎng)絡(luò)的確能增加模型的精度。上述分析表明,DBKELMN模型預(yù)測精度優(yōu)于其他模型,可應(yīng)用于對致密砂巖儲(chǔ)層滲透率預(yù)測。

3 結(jié)語

針對現(xiàn)有滲透率模型對核磁共振測井信息利用率不足導(dǎo)致的預(yù)測精度不高的問題,本文提出了將T2譜作為輸入,滲透率作為輸出,利用函數(shù)逼近算法確定T2譜與滲透率的函數(shù)關(guān)系。該方法可準(zhǔn)確預(yù)測低孔滲儲(chǔ)層滲透率。同時(shí),將DBN模型與KELM模型進(jìn)行融合,提出了DBKELMN模型,以原有模型改進(jìn)訓(xùn)練速度與泛化能力的問題,使其更適合于儲(chǔ)層滲透率評價(jià)。在今后的工作中,應(yīng)主要針對深度學(xué)習(xí)算法在各類測井解釋問題的適用性以及模型對樣本數(shù)量的需求進(jìn)行研究,使深度學(xué)習(xí)模型能更好地為測井解釋問題提供幫助。

References)

[1] 邵維志, 解經(jīng)宇, 遲秀榮, 等.低孔隙度低滲透率巖石孔隙度與滲透率關(guān)系研究[J]. 測井技術(shù), 2013, 37(2): 149-153. (SHAO W Z, XIE J Y, CHI X R, et al. On the relation of porosity and permeability in low porosity and low permeability rock [J]. Well Logging Technology, 2013, 37(2): 149-153.)

[2] PETROBRAS T W, PETROBRAS C B, PETROBRAS N P, et al. Magnetic Resonance (NMR) approach for permeability estimation in carbonate rocks [EB/OL]. [2017- 01- 10]. https://www.onepetro.org/conference-paper/OTC-26338-MS.

[3] XIAO L, ZOU C C, MAO Z Q, et al. Tight-gas-sand permeability estimation from Nuclear-Magnetic-Resonance (NMR) logs based on the Hydraulic-Flow-Unit (HFU) approach [EB/OL]. [2017- 01- 10]. https://www.onepetro.org/journal-paper/SPE-167255-PA.

[4] XIAO L, LIU X P, ZOU C C, et al. Comparative study of models for predicting permeability from Nuclear Magnetic Resonance (NMR) logs in two Chinese tight sandstone reservoirs [J]. Acta Geophysica, 2014, 62(1): 116-141.

[5] RIOS E H, AZEREDO R B V, MOSS A K, et al. Estimating the permeability of carbonate rocks by principal component regressions of NMR and MICP data [C]// Proceedings of the SPWLA 56th Annual Logging Symposium. Long Beach, CA: [s.n.], 2015.

[6] WEI D F, LIU X P, HU X X, et al. Estimation of permeability from NMR logs based on formation classification method in tight gas sands [J]. Acta Geophysica, 2015, 63(5): 1316-1338.

[7] 成志剛, 羅少成, 杜支文, 等.基于儲(chǔ)層孔喉特征參數(shù)計(jì)算致密砂巖滲透率的新方法[J]. 測井技術(shù), 2014, 38(2): 185-189. (CHENG Z G, LUO S C, DU Z W, et al. The method to calculate tight sandstone reservoir permeability using pore throat characteristic parameters [J]. Well Logging Technology, 2014, 38(2): 185-189.)

[8] RUSH D, LINDSAY C, ALLEN M. Combining electrical measurements and mercury porosimetry to predict permeability [J]. Petrophysics, 2013, 54(6): 531-537.

[9] 朱林奇, 張沖, 何小菊, 等.基于動(dòng)態(tài)孔隙結(jié)構(gòu)效率的核磁共振測井預(yù)測滲透率方法[J]. 新疆石油地質(zhì), 2015, 36(5): 607-611. (ZHU L Q, ZHANG C, HE X J, et al. NMR logging permeability prediction method based on dynamic pore structure efficiency [J]. Xinjiang Petroleum Geology, 2015, 36(5): 607-611.)

[10] 朱林奇, 張沖, 胡佳, 等.基于單元體模型的核磁共振測井滲透率評價(jià)方法[J]. 石油鉆探技術(shù), 2016, 44(5): 120-126. (ZHU L Q, ZHANG C, HU J, et al. An NMR logging permeability evaluation method based on the representative elementary volume model [J]. Petroleum Drilling Techniques, 2016, 44(5): 120-126.)

[11] HINTON G E, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks [J]. Science, 2006, 313(5786): 504-507.

[12] HINTON G E. Training products of experts by minimizing contrastive divergence [J]. Neural Computation, 2002, 14(8): 1771-1800.

[13] HUANG G B, ZHOU H M, DING X J. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems, Man, and Cybernetics, 2013, 43(2): 513-529.

[14] 江沸菠, 戴前偉, 董莉.基于主成分-正則化極限學(xué)習(xí)機(jī)的超高密度電法非線性反演[J]. 地球物理學(xué)報(bào), 2015, 58(9): 3356-3369. (JIANG F B, DAI Q W, DONG L. Ultra-high density resistivity nonlinear inversion based on principal component-regularized ELM [J]. Chinese Journal of Geophysics, 2015, 58(9): 3356-3369.)

Nuclearmagneticresonanceloggingreservoirpermeabilitypredictionmethodbasedondeepbeliefnetworkandkernelextremelearningmachinealgorithm

ZHU Linqi1,2, ZHANG Chong1,2*, ZHOU Xueqing1,2,WEI Yang1,2, HUANG Yuyang1,2, GAO Qiming1,2

(1.KeyLaboratoryofExplorationTechnologiesforOHandGasResourcesofMinistryofEducation(YangtzeUniversity),WuhanHubei430100,China;2.SchoolofGeophysicsandOilResources,YangtzeUniversity,WuhanHubei430100,China)

Duing to the complicated pore structure of low porosity and low permeability reservoirs, the prediction accuracy of the existing Nuclear Magnetic Resonance (NMR) logging permeability model for low porosity and low permeability reservoirs is not high. In order to solve the problem, a permeability prediction method based on Deep Belief Network (DBN) algorithm and Kernel Extreme Learning Machine (KELM) algorithm was proposed. The pre-training of DBN model was first carried out, and then the KELM model was placed as a predictor in the trained DBN model. Finally, the Deep Belief Kernel Extreme Learning Machine Network (DBKELMN) model was formed with supervised training by using the training data. Considering that the proposed model should make full use of the information of the transverse relaxation time spectrum which reflected the pore structure, the transverse relaxation time spectrum of NMR logging after discretization was taken as the input, and the permeability was taken as the output. The functional relationship between the transverse relaxation time spectrum of NMR logging and permeability was determined, and the reservoir permeability was predicted based on the functional relationship. The applications of the example show that the permeability prediction method based on DBN algorithm and KELM algorithm is effective and the Mean Absolute Error (MAE) of the prediction sample is 0.34 lower than that of Schlumberger Doll Researchcenter (SDR) model. The experimental results show that the combination of DBN algorithm and KELM algorithm can improve the prediction accuracy of low porosity and low permeability reservoir, and can be used to the exploration and development of oil and gas fields.

Deep Learning (DL); Nuclear Magnetic Resonance (NMR) logging; permeability; Deep Belief Network (DBN); Deep Belief Kernel Extreme Learning Machine Network (DBKELMN)

2017- 04- 02;

2017- 05- 20。

湖北省自然科學(xué)基金資助項(xiàng)目(2013CFB396);中國石油天然氣集團(tuán)公司重大專項(xiàng)(2013E- 38- 09);長江大學(xué)教育部實(shí)驗(yàn)室開放基金資助項(xiàng)目(K2016- 09)。

朱林奇(1993—),男,湖北荊州人,博士研究生,CCF會(huì)員,主要研究方向:機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘方法的地球物理應(yīng)用、核磁共振測井解釋; 張沖(1983—),男,湖北漢川人,副教授,博士,主要研究方向:復(fù)雜儲(chǔ)層測井解釋; 周雪晴(1993—),女,山東東營人,碩士研究生,主要研究方向:測井地質(zhì)、機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘方法的地球物理應(yīng)用; 魏旸(1991—),男,湖北孝感人,碩士研究生,主要研究方向:碳酸鹽巖測井解釋; 黃雨陽(1994—),男,湖北鄂州人,碩士研究生,主要研究方向:頁巖氣測井解釋; 高齊明(1990—),男,山東泰安人,碩士,主要研究方向:測井解釋。

1001- 9081(2017)10- 3034- 05

10.11772/j.issn.1001- 9081.2017.10.3034

TP18;P631.8

A

This work is partially supported by the Natural Science Foundation of Hubei Province (2013CFB396), the Major Projects of China National Petroleum Corporation (2013E- 38- 09), the Open Found of Key Laboratory of Exploration Technologies for Oil and Gas Resources (Yangtze University), Ministry of Education (K2016 09).

ZHULinqi, born in 1993, Ph. D. candidate. His research interests include machine learning and data mining application in geophysics, nuclear magnetic resonance logging interpretation.

ZHANGChong, born in 1983, Ph. D., associate professor. His research interests include complex reservoir well logging interpretation.

ZHOUXueqing, born in 1993, M. S. candidate. Her research interests include logging geology, machine learning and data mining application in geophysics.

WEIYang, born in 1991, M. S. candidate. His research interests include carbonate logging interpretation.

HUANGYuyang, born in 1994, M. S. candidate. His research interests include shale gas logging interpretation.

GAOQiming, born in 1990, M. S. His research interests include logging interpretation.