裂縫性儲層分級評價中的卷積神經(jīng)網(wǎng)絡(luò)算法研究與應(yīng)用

吳正陽,莫修文,柳建華,胡國山

(1.吉林大學地球探測科學與技術(shù)學院,吉林長春130026;2.中國石油化工股份有限公司西北油氣分公司,新疆烏魯木齊830011)

裂縫性碳酸鹽巖和火成巖儲層是油氣勘探的重要目標之一,而裂縫則是其主要儲集空間和滲流通道,有的還伴有溶蝕孔洞。因此,此類儲層測井解釋的主要任務(wù)之一是有效地識別裂縫并對其進行準確評價。裂縫性儲層的解釋分為定性和定量兩個層次,定性解釋是識別裂縫并對裂縫儲層做出分級評價;定量解釋則是對裂縫的長度、寬度、裂縫孔隙度[1]等進行定量計算。由于裂縫性儲層的非均質(zhì)性非常強,測井響應(yīng)特征受各種因素的影響而變得極為復(fù)雜,導(dǎo)致有些裂縫性儲層的異常特征不明顯。因此,裂縫的識別和分級評價是此類儲層測井解釋的一個難點。

前人從不同角度對裂縫識別問題進行了大量探究,如韓磊等[2]利用綜合密度法、判別分析法、改進的BP神經(jīng)網(wǎng)絡(luò)法對裂縫存在與否進行評價;瞿子易等[3]利用粒子群和支持向量機的方法對裂縫進行了識別;ZHANG等[4]引入小波變換的方法建立了裂縫指示曲線;TAN等[5]利用三維有限元數(shù)值模擬法模擬雙側(cè)向測井的裂縫響應(yīng)特征。在裂縫發(fā)育程度及其分級評價方面,湯小燕等[6]利用綜合概率法對火山巖裂縫發(fā)育程度進行了評價;郭秀娟等[7]利用分維方法描述了裂縫的發(fā)育程度;張立松等[8]等根據(jù)Griffith準則和Hoek-Brown準則確定了定量表征裂縫發(fā)育等級的參數(shù);徐平等[9]在克深地區(qū)利用裂縫孔隙度、裂縫滲透率等參數(shù)建立了裂縫發(fā)育等級評判表。

可以發(fā)現(xiàn),裂縫性儲層的分級評價仍然以常規(guī)測井資料為主。近年來,成像測井資料的應(yīng)用越來越廣泛,為判別裂縫發(fā)育程度提供了具有很高參考價值的井眼圖像資料。但無論是利用常規(guī)測井資料還是成像測井資料,目前的解釋方法仍然需要人工選取或求解多種參數(shù),而且普遍存在效率低、受經(jīng)驗性和主觀性影響容易導(dǎo)致誤判等問題。因此有必要尋求一種受參數(shù)不確定性影響小、裂縫評價的準確性更高且更具識別效率的判別裂縫發(fā)育等級的方法。

卷積神經(jīng)網(wǎng)絡(luò)算法是一種用于圖像辨別和語音研究的高效深度學習方法[10]。該算法無需建立測井解釋模型或計算各類反映裂縫特征的參數(shù),網(wǎng)絡(luò)會自動尋找不同等級的裂縫與測井響應(yīng)數(shù)據(jù)之間隱含的、甚至難以用數(shù)學公式表達的關(guān)系。因卷積神經(jīng)網(wǎng)絡(luò)具有局部連接與權(quán)值共享等特點,可以更高效、更全面地提取輸入信息的特征去尋找最優(yōu)解,而且能夠避免普通神經(jīng)網(wǎng)絡(luò)算法容易過擬合和陷入局部最優(yōu)解的缺陷,所以本文引入卷積神經(jīng)網(wǎng)絡(luò)技術(shù)對不同發(fā)育程度的裂縫進行識別。

1 裂縫發(fā)育等級判別標準及方法

1.1 裂縫發(fā)育等級判別標準

裂縫性儲層的基質(zhì)孔隙度極低或不發(fā)育,其油氣的儲集空間和滲流通道主要是裂縫,故裂縫的發(fā)育程度直接影響到儲層的品質(zhì)和產(chǎn)能。但裂縫系統(tǒng)本身的復(fù)雜性會導(dǎo)致儲層強烈的非均質(zhì)性,因此基于常規(guī)測井的傳統(tǒng)解釋方法難以對其進行準確識別和評價。經(jīng)過大量實踐,前人對裂縫性儲層的測井響應(yīng)特征有了較全面的認識,提出了利用電阻率測井、孔隙度測井以及成像測井的某些特征判別儲層的裂縫發(fā)育程度的方法[11-13],并據(jù)此將裂縫分為4類[14-15]。其判別標準大致可以總結(jié)為:Ⅰ類儲集層,裂縫極發(fā)育,裂縫密度大、張開度好,具有全井段相對最好的滲透性,為主要的儲、滲空間,測井曲線上,裂縫響應(yīng)特征明顯;Ⅱ類儲集層,裂縫發(fā)育中等或一般,裂縫密度較大,具有全井段相對較好的滲透性,在測井曲線上有較明顯響應(yīng);Ⅲ類儲集層,裂縫發(fā)育一般,裂縫密度較小,具有全井段相對較差的滲透性,測井曲線上裂縫特征不明顯;Ⅳ類儲集層,為裂縫不發(fā)育的致密層,測井曲線上無裂縫顯示[16]。這種分類已經(jīng)在我國多個探區(qū)的碳酸鹽巖儲層勘探生產(chǎn)中得到應(yīng)用。

1.2 裂縫發(fā)育等級判別方法

要得到更準確的裂縫分級評價結(jié)果,往往需要綜合常規(guī)測井資料、成像資料和鉆井現(xiàn)場資料等多種資料[17]。但實際生產(chǎn)中,很多情況下只能依賴于常規(guī)測井資料,在此基礎(chǔ)上發(fā)展的綜合概率模型是判斷裂縫發(fā)育程度的主要方法。該方法綜合利用多種測井資料判別裂縫,依據(jù)各條測井曲線反映的裂縫特征,提取測井裂縫指標并計算其指示裂縫存在的概率,最后通過加權(quán)計算建立綜合概率模型劃分裂縫帶[18]。

用以指示裂縫的指標主要有裂縫孔隙度Φ、裂縫開度ε、孔隙膠結(jié)指數(shù)m、次生孔隙度指數(shù)Φ2、井徑指標DCAL、自然放射性鈾異常PU、井溫指標DMP等。將裂縫指標進行正態(tài)轉(zhuǎn)換之后,利用指數(shù)函數(shù)建立裂縫概率函數(shù),并根據(jù)加權(quán)平均的思想得到綜合概率模型:

(1)

式中:P為綜合概率;Pj為第j種測井方法的裂縫概率;Wj為對應(yīng)的權(quán)值。

裂縫孔隙度指標主要利用深、淺側(cè)向測井曲線的幅度差計算得到,如果有微電阻率成像測井資料,則計算效果更好。因泥漿侵入與裂縫孔隙度有較大相關(guān)性,而雙側(cè)向測井可以指示泥漿的侵入情況,故可以利用雙側(cè)向測井曲線的幅度差來估算裂縫孔隙度[19]。在泥漿侵入時,侵入帶裂縫中的流體會先于基質(zhì)中的流體被泥漿濾液替代,此時深、淺側(cè)向電阻率可表示為:

式中:φm,φf分別為基質(zhì)孔隙度和裂縫孔隙度;Swf,Swm分別為原狀地層裂縫的含水飽和度和基質(zhì)部分的含水飽和度;m,mf分別為基質(zhì)和裂縫的膠結(jié)指數(shù);n,nf分別為基質(zhì)和裂縫的飽和度指數(shù);Sxof為沖洗帶裂縫含水飽和度。

據(jù)此可計算出含油層及含水層的裂縫孔隙度:

式中:Rmf為泥漿濾液電阻率;C淺,C深分別為淺側(cè)向和深側(cè)向測得的電導(dǎo)率;Cmf,Cw分別為泥漿濾液和地層水的電導(dǎo)率。

用微電阻率成像資料也可以計算井壁孔隙度,其原理是根據(jù)阿爾奇公式將電阻率圖像轉(zhuǎn)為孔隙度圖像。首先,將該方法測得的電阻率視為沖洗帶電阻率,其含水飽和度Sxo=1,設(shè)阿爾奇公式中的參數(shù)m=n=2,a=1,則孔隙度可以用電阻率表示為:

(6)

式中:Rxo為沖洗帶電阻率。根據(jù)孔隙度圖像,可進一步給出孔隙的分布和大小。如果孔隙度頻率圖出現(xiàn)單峰,說明此深度段只有原生孔隙;若顯示雙峰或多峰,表明存在次生孔隙,如裂縫等。

可以看出,判別裂縫儲層的等級不僅需要人工綜合分析多種測井資料,還需要計算多個與裂縫相關(guān)的參數(shù),工作量大、效率低,而且如果參數(shù)或模型選擇不當,會使結(jié)果產(chǎn)生偏差或增加不確定性。而卷積神經(jīng)網(wǎng)絡(luò)技術(shù)只需輸入多條測井曲線,無需很多的中間環(huán)節(jié)和人為干預(yù),不僅能同時利用多種測井方法,還可優(yōu)勢互補,找到比較全面的各個裂縫等級特征,實現(xiàn)裂縫準確分級的目的。

2 卷積神經(jīng)網(wǎng)絡(luò)算法及其實現(xiàn)過程

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是多層感知器(MLP)的生物啟發(fā)式變體[20]。根據(jù)生物神經(jīng)網(wǎng)絡(luò)的特點,提出了具有稀疏連接和權(quán)值共享特質(zhì)的卷積神經(jīng)網(wǎng)絡(luò)。作為目前最流行的深度學習算法之一,卷積神經(jīng)網(wǎng)絡(luò)在圖像特征提取領(lǐng)域已經(jīng)得到廣泛應(yīng)用,王秀席等[21]利用改進的卷積神經(jīng)網(wǎng)絡(luò)LeNet-5進行車型識別,GOLOVKO等[22]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于手寫數(shù)字分類問題,都取得了較好的結(jié)果。但是目前還未見到應(yīng)用于裂縫識別的文獻。

2.1 基本原理

卷積神經(jīng)網(wǎng)絡(luò)是一種特殊的深層神經(jīng)網(wǎng)絡(luò)模型,它的建立基于3個重要的架構(gòu)概念:局部連接、權(quán)重共享和子采樣。局部連接是指隱層的每個神經(jīng)元不必感受全部的輸入信息,只提取局部區(qū)域的信息,如圖1所示,每個神經(jīng)元只與對應(yīng)圖像位置的感受野相連接。這種結(jié)構(gòu)將學習到的信息限定在局部空間里,降低了毗鄰層神經(jīng)元之間的連接數(shù)量,亦即減少了需要訓練的參數(shù)個數(shù)。經(jīng)過多層堆疊之后,卷積神經(jīng)網(wǎng)絡(luò)就可以得到全局的信息[23]。權(quán)重共享指的是隱層的所有神經(jīng)元共用權(quán)值參數(shù)和偏置參數(shù),也就是使用同一個卷積核提取輸入層的一種特征,進一步降低參數(shù)數(shù)量。為獲取輸入層的多種細節(jié)信息,我們可以使用多個卷積核去卷積圖像。子采樣是對提取的信息進行簡化,保留有用信息的同時減少數(shù)據(jù)處理量。

圖1 局部連接示意

2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)通常由輸入層、卷積層、子采樣層、全連接層和輸出層組成,其結(jié)構(gòu)如圖2所示,3個卷積核分別與輸入圖像進行卷積得到卷積層C1的3個特征圖,然后對卷積層C1進行子采樣,得到3個子采樣層S1的特征圖。同理,子采樣層S1與8個卷積核分別再進行卷積,然后經(jīng)過子采樣,得到卷積層C2和子采樣層S2。最后,將提取的特征鋪開連接成一個向量送入全連接層進行處理,得到最終輸出。

2.1.2 卷積層

卷積操作具備局部連接和權(quán)值共享的特征。卷積過程如圖3所示,卷積核的每個元素與輸入圖像的對應(yīng)位置相乘再求和,然后將卷積核向右移動一個單位,再次進行卷積,直到完成對整張圖的卷積操作。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

圖3卷積過程示意

卷積完成后,在其結(jié)果上加一個可以訓練的參數(shù)即偏置(bias)。因之前都為線性操作,為使卷積神經(jīng)網(wǎng)絡(luò)模型具備擬合非線性特征的能力,需要引入一個非線性的激活函數(shù)對得到的結(jié)果進行處理,本文采用ReLU函數(shù)。

經(jīng)該函數(shù)映射后得到卷積層的輸出特征圖。具體卷積過程如公式(7)所述。

(7)

式中:outputi為第i個卷積核的輸出;inputk為卷積層的第k個輸入;ωi為第i個卷積核的權(quán)重;bi為第i個卷積核對應(yīng)的偏置;f[·]為激活函數(shù);conv(·)為卷積操作。

2.1.3 子采樣層

子采樣層通常在卷積層之后,根據(jù)輸入信息局部相關(guān)性,對特征圖進行子抽樣,減少特征圖和網(wǎng)絡(luò)中超參數(shù)的個數(shù)。常用的子采樣方法有:最大值子采樣和均值子采樣。如圖4所示,將卷積層的每個特征圖劃分成幾個不重疊的小區(qū)域,分別求取各個區(qū)域的最大值或平均值,將這些最大值或平均值投入到后續(xù)的訓練。除此之外還有運用高斯模糊方法的高斯子采樣和可訓練子采樣。

圖4 子采樣過程示意

2.2 卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)過程

用于裂縫發(fā)育程度識別的卷積神經(jīng)網(wǎng)絡(luò)模型由輸入層、卷積層、全連接層和輸出層組成。針對所選研究區(qū)域地質(zhì)和測井概況,選取與裂縫具有較大相關(guān)性的測井曲線資料以及裂縫判別資料。對其進行預(yù)處理之后,選取不同發(fā)育等級的裂縫和與之對應(yīng)的測井數(shù)據(jù)構(gòu)成學習樣本和檢驗樣本。

訓練網(wǎng)絡(luò)時輸入層為一列測井數(shù)據(jù),之后排布3個卷積層。第1個卷積層通過15個1×2×1的卷積核,分別提取測井數(shù)據(jù)與裂縫之間隱含的關(guān)系特征。第2個卷積層由20個1×2×15的卷積核組成,第3個卷積層由25個1×2×20個卷積核組成,分別抽取上層提取的特征的組合特征。然后將提取的組合特征變?yōu)橐粋€向量輸入全連接層,最終輸出網(wǎng)絡(luò)預(yù)測的裂縫發(fā)育等級。

采用小批量梯度下降法,batch-size為40,當輸入的訓練樣本數(shù)達到40時,批量求取預(yù)測結(jié)果與已知的裂縫發(fā)育等級之間的誤差。并將此誤差在網(wǎng)絡(luò)中進行反向傳播,依次得到全連接層、卷積層的權(quán)值和偏置的梯度,并據(jù)此更新每個參數(shù)。反向傳播結(jié)束后進行下一批次的訓練。當訓練次數(shù)達到設(shè)定的最大迭代次數(shù)10000時,訓練結(jié)束并得到確定的網(wǎng)絡(luò)模型。將本井與鄰井的測井數(shù)據(jù)依次輸入該模型,得到裂縫發(fā)育程度的預(yù)測結(jié)果并與綜合概率法或成像測井結(jié)果進行對比和解釋。模型的實現(xiàn)流程如圖5所示。

圖5 卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用流程

3 實際應(yīng)用與效果分析

利用本方法,對塔里木盆地北部某含油氣構(gòu)造單元裂縫性儲層進行了儲層評價。該區(qū)域地層形成時代為震旦系—新生界,油氣儲層以裂縫性碳酸鹽巖地層為主,巖性多為白云巖以及石灰?guī)r[24]。研究區(qū)地層致密,在構(gòu)造運動等地質(zhì)作用的影響下發(fā)育了大量的裂縫、溶洞等次生儲集空間。

3.1 數(shù)據(jù)準備

研究區(qū)測井資料以常規(guī)測井資料為主,且對部分井裂縫發(fā)育情況的研究程度已經(jīng)比較深入。因此,以某些有代表性的關(guān)鍵井和重點層段作為裂縫分級評價的標準樣本,經(jīng)過優(yōu)選敏感曲線,提取了不同發(fā)育程度的裂縫響應(yīng)特征。

3.1.1 輸入測井曲線類型的選擇

選取了對裂縫較為敏感的井徑、聲波、中子、密度、自然伽馬、淺側(cè)向、深側(cè)向測井曲線作為網(wǎng)絡(luò)模型的輸入。

1) 井徑曲線。

裂縫有時會使得井徑擴大或產(chǎn)生橢圓井眼;若鉆井過程中使用了堵漏材料,還可能造成井徑因堵漏材料的堆積而減小。

2) 聲波測井曲線。

一般認為聲波速度反映的是基質(zhì)孔隙度,但也可能與裂縫產(chǎn)狀有關(guān)。水平裂縫發(fā)育時,縱波的能量會因反射和折射而有所衰減,時差會增大,聲波曲線上有時會出現(xiàn)周期“跳躍”現(xiàn)象;橫波在遇到裂縫時速度下降更加明顯。

3) 中子測井曲線。

中子測井反映的是地層的含氫指數(shù),在裂縫地層會有泥漿侵入,含氫指數(shù)上升,使中子孔隙度有所增加。

4) 密度測井曲線。

密度測井輸出的泥餅校正曲線Δρ有時可用于指示裂縫的存在。當井眼規(guī)則,裂縫巖石邊緣被鉆頭削落時,Δρ曲線會顯示出比正常情況更高的校正值,而密度測井儀會顯示明顯的低密度值。

5) 自然伽馬測井曲線。

在裂縫發(fā)育層段,地下水的流動可能會伴隨一定量的鈾沉積,導(dǎo)致自然伽馬曲線出現(xiàn)明顯高值。

6) 雙側(cè)向測井曲線。

側(cè)向測井發(fā)出的電流在地層中呈水平輻射狀,探測深度不同的兩條雙側(cè)向曲線受裂縫影響程度不同。高角度裂縫發(fā)育時,深淺側(cè)向測井曲線會出現(xiàn)正幅度差;而在低角度裂縫發(fā)育段深淺側(cè)向測井曲線會產(chǎn)生負幅度差或重合[25]。

3.1.2 訓練數(shù)據(jù)和檢驗數(shù)據(jù)的選擇

對研究區(qū)多口井的測井數(shù)據(jù)、地質(zhì)錄井和取心資料進行綜合分析可知,裂縫和溶洞主要發(fā)育在奧陶系地層,從中選取訓練數(shù)據(jù)和測試數(shù)據(jù)。訓練數(shù)據(jù)來自于多口井,共897組,其中Ⅰ類儲集層(裂縫發(fā)育)數(shù)據(jù)158組,Ⅱ類儲集層(裂縫較發(fā)育)數(shù)據(jù)430組,Ⅲ類儲集層(裂縫欠發(fā)育)數(shù)據(jù)35組,Ⅳ類儲集層(致密層)數(shù)據(jù)274組。為了檢驗方法的有效性,選擇STK69,STK311等數(shù)口井進行了測試,即測試數(shù)據(jù)集與訓練數(shù)據(jù)集不重合。

3.1.3 數(shù)據(jù)預(yù)處理

將測井數(shù)據(jù)輸入網(wǎng)絡(luò)之前需要進行預(yù)處理,首先對數(shù)據(jù)進行歸一化處理:

(11)

式中:B*為歸一化后的各類測井曲線;B為各類原始

輸入曲線;Bmax為輸入的各類測井曲線的最大值;Bmin為輸入的各類測井曲線的最小值。

然后對裂縫等級數(shù)據(jù)進行量化處理,定義為Ⅰ類儲集層為1,Ⅱ類儲集層為2,Ⅲ類儲集層為3,Ⅳ類儲集層為4。

3.2 裂縫發(fā)育等級識別結(jié)果對比與分析

圖6顯示了STK69井5507.0～5559.5m裂縫發(fā)育等級判別結(jié)果,可以看出:在5507～5518m井段,自然伽馬值明顯升高,井徑較大,中子孔隙度和聲波時差高于其它層段,出現(xiàn)低密度值,深、淺側(cè)向電阻率值很低,為小幅度的正幅度差或重合,具有Ⅰ類儲集層即裂縫發(fā)育的特征,卷積神經(jīng)網(wǎng)絡(luò)和人工解釋結(jié)論都給出了正確的判斷結(jié)果;在5518～5530m,自然伽馬值較大,井徑較小,中子孔隙度和聲波時差較高,密度沒有明顯降低,深、淺側(cè)向電阻率較低,略高于裂縫發(fā)育層段,兩類方法都判斷為Ⅱ類儲集層;在5530～5546m井段,自然伽馬值較低,井徑較大,中子孔隙度與聲波時差都很小,密度沒有減小的趨勢,深、淺側(cè)向雖有較大幅度差但電阻率測量值都很高,綜合判斷為Ⅳ類儲集層即致密層;5546～5547m處,深、淺側(cè)向測井值在高電阻率的背景下明顯下降且有較大幅度差,判斷為Ⅰ類儲集層,但兩種方法判斷的層厚略有不同;5558～5560m,雙側(cè)向測井電阻率值明顯下降呈較小幅度差,判斷為Ⅲ類儲集層。

圖6 STK69井5507.0～5559.5m裂縫發(fā)育等級判別結(jié)果(1in≈2.54cm,1ft≈0.3048m)

圖7為鄰井STK311井的判別結(jié)果,卷積神經(jīng)網(wǎng)絡(luò)算法和人工解釋的結(jié)論很相近,判斷的不同類別的儲集層的厚度略有不同。5450～5470m深度段,自然伽馬值稍有增高,井徑值整體較小,聲波時差稍有增大,密度值略微減小,深淺側(cè)向電阻率值較低,略有幅度差,僅在5462～5463m,井徑較大、聲波時差略有減小、密度值稍有增大,且電阻率值明顯增高,因此人工解釋將5461.8～5463.0m判斷為Ⅳ類儲集層,卷積神經(jīng)網(wǎng)絡(luò)判斷的致密層厚度略薄,5450～5470m其余深度段,兩種方法都判別為Ⅱ類儲集層;在5486～5498m深度范圍內(nèi),自然伽馬值較大,聲波時差明顯升高,雙側(cè)向測井電阻率值降低且有較大的正幅度差,兩種方法都判斷為Ⅰ類儲集層。

圖7 STK311井5448.375～5498.375m裂縫發(fā)育等級判別結(jié)果(1in≈2.54cm,1ft≈0.3048m)

對比兩種方法對STK69井、STK311井的裂縫分級結(jié)果,可以看到,卷積神經(jīng)網(wǎng)絡(luò)算法的解釋結(jié)果與人工解釋結(jié)論的符合率很高,除個別裂縫段的邊界稍有差異,對各層段裂縫發(fā)育級別的判斷結(jié)論基本一致,且卷積神經(jīng)網(wǎng)絡(luò)算法減少了很多中間環(huán)節(jié),避免了更多人為因素的干擾,運行效率更高效便捷。

4 結(jié)論與認識

1) 卷積神經(jīng)網(wǎng)絡(luò)的多層網(wǎng)絡(luò)多個卷積核、權(quán)重共享、非全連接等特性,使網(wǎng)絡(luò)運行速度較快且不易陷入局部最優(yōu)值。

2) 利用卷積神經(jīng)網(wǎng)絡(luò)算法對裂縫性儲層進行分級評價時,可以充分利用測井曲線中有關(guān)裂縫特征的信息,且提取過程是客觀的,不受人為因素的干擾,減小了人工造成的判斷誤差和計算誤差。

3) 卷積神經(jīng)網(wǎng)絡(luò)算法對裂縫發(fā)育程度的判斷與其它方法得到的結(jié)果相比,具有很好的一致性,但效率更高,使用更方便,它可以作為現(xiàn)有方法的有效補充,提高測井解釋的效率,具有一定的推廣價值。

4) 學習樣本的選取對于裂縫的分級結(jié)果有較大影響,需要挑選與測試井相關(guān)性較強的已知井,并從中提取訓練數(shù)據(jù)。