基于卷積神經(jīng)網(wǎng)絡(luò)算法的自動(dòng)地層對(duì)比實(shí)驗(yàn)

徐朝暉，劉鈺銘，周新茂，何輝，張波，吳昊，高建

1 中國(guó)石油大學(xué)(北京)地球科學(xué)學(xué)院 北京 102249

2 中國(guó)石油勘探開發(fā)研究院 北京 100083

3 阿拉巴馬大學(xué)地球科學(xué)系 塔斯卡盧薩 美國(guó) 35487

0 引言

油氣藏內(nèi)井間地層對(duì)比是油藏描述與儲(chǔ)層表征的關(guān)鍵步驟之一，對(duì)比結(jié)果直接決定油藏格架并進(jìn)一步控制了油藏內(nèi)儲(chǔ)集體的空間分布，最終影響油氣藏的開發(fā)[1]。地層對(duì)比的核心工作主要由地質(zhì)工作者依據(jù)標(biāo)志層、沉積旋回和巖性組合等測(cè)井曲線特征，通過建立覆蓋全油田所有井的相互交叉的連井剖面完成[2]。然而，油田進(jìn)入開發(fā)中后期鉆井增多，地層對(duì)比工作量十分繁重。目前，已有商業(yè)軟件輔助地層對(duì)比工作，但其主要貢獻(xiàn)限于井?dāng)?shù)據(jù)庫(kù)和對(duì)比剖面的建立，而對(duì)于單井地層劃分和連井剖面上井間地層對(duì)應(yīng)關(guān)系分析這一核心工作，主要通過地質(zhì)工作者眼、手、腦并用進(jìn)行綜合分析完成。其不足在于：一是帶來眼力、體力和腦力上的極大耗費(fèi)；二是主觀性強(qiáng)，對(duì)比結(jié)果高度依賴于地質(zhì)工作者個(gè)人的相關(guān)知識(shí)和經(jīng)驗(yàn)。近年來，有學(xué)者采用模糊數(shù)學(xué)[3]、層內(nèi)差異與聚類分析法[4]、沃爾什變換[5]、測(cè)井信號(hào)相似性對(duì)比[6]以及神經(jīng)網(wǎng)絡(luò)[7]等方法嘗試實(shí)現(xiàn)自動(dòng)地層對(duì)比，但并未取得明顯的可應(yīng)用于工業(yè)實(shí)踐的成功。地層對(duì)比不僅僅是測(cè)井曲線形態(tài)的對(duì)比，本質(zhì)是測(cè)井曲線所隱含的地質(zhì)信息的對(duì)比，而許多地質(zhì)信息(如多級(jí)沉積旋回)往往比較抽象難于用數(shù)學(xué)語言來表達(dá)。

當(dāng)前，人工智能(Arti ficial Intelligence，簡(jiǎn)稱AI)的浪潮正在席卷全球，深度學(xué)習(xí)(Deep Learning，簡(jiǎn)稱DL)方法是推動(dòng)這一輪浪潮的核心力量[8]。深度學(xué)習(xí)善于從原始輸入數(shù)據(jù)中挖掘抽象的特征表示，而這些表示具有良好的泛化能力[9]。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，簡(jiǎn)稱CNN)是以卷積為計(jì)算核心且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的代表算法之一，因其強(qiáng)大的特征學(xué)習(xí)與分類能力在圖像分類[10]、目標(biāo)檢測(cè)[11]、圖像語義分割[12]等領(lǐng)域取得了一系列突破性的成功，其原理與人工地層對(duì)比中對(duì)測(cè)井曲線進(jìn)行特征提取與分析有相通之處。本文采用卷積神經(jīng)網(wǎng)絡(luò)算法，開展自動(dòng)地層對(duì)比實(shí)驗(yàn)研究，以探索人工智能在油氣地質(zhì)研究中的效果。

1 實(shí)驗(yàn)工區(qū)

實(shí)驗(yàn)工區(qū)選擇大慶油田喇嘛甸油田，構(gòu)造位置位于松遼盆地大慶長(zhǎng)垣北端(圖1)，已開發(fā)四十多年，先后部署了基礎(chǔ)井網(wǎng)、一次加密、二次加密等多套井網(wǎng)，鉆井、測(cè)井資料齊全。對(duì)比目標(biāo)井段屬于中白堊統(tǒng)嫩江組，沉積環(huán)境為大型河流三角洲前緣，主要發(fā)育分流河道砂體[13]。儲(chǔ)層巖石類型以細(xì)砂巖、粉砂巖和泥巖為主，縱向上整體表現(xiàn)為“泥包砂”特征。選取地層對(duì)比井段為某含油層系(記為S)，地層厚度約200 m，進(jìn)一步劃分為4個(gè)油層組(如S1)、10個(gè)砂層組(如S11)、30個(gè)小層(如S111)。其中，單一油層組厚度25～50 m，單一砂層組厚度10～20 m，單一小層厚度 5～10 m。

圖1 區(qū)域沉積背景及研究區(qū)位置圖Fig.1 Sedimentary background and location of study area

在喇嘛甸油田內(nèi)部選取長(zhǎng)9 km、寬5 km的實(shí)驗(yàn)區(qū)(圖2)，該區(qū)內(nèi)未發(fā)育斷層，表現(xiàn)為大型背斜，構(gòu)造相對(duì)簡(jiǎn)單。以實(shí)驗(yàn)區(qū)內(nèi)分布較為規(guī)則的基礎(chǔ)井網(wǎng)和一次加密井為實(shí)驗(yàn)對(duì)象井，總井?dāng)?shù)463口(圖2)，并將這些井重命名為W1、W2、……、W463。實(shí)驗(yàn)對(duì)象井均完鉆于1970年代，其分層數(shù)據(jù)歷經(jīng)四十多年開發(fā)實(shí)踐的檢驗(yàn)，具有較高的可靠性。

實(shí)驗(yàn)對(duì)象井測(cè)井資料齊全?；凇皫r心刻度測(cè)井”方法，選擇對(duì)巖性敏感的自然電位曲線(SP)和微電極曲線(ML1、ML2)作為地層對(duì)比基準(zhǔn)曲線(圖3)。

圖2 研究區(qū)實(shí)驗(yàn)井位圖Fig. 2 Well locations for automatic stratigraphic correlation experiments

圖3 過W1-W2-W3井地層對(duì)比剖面示意圖Fig. 3 Sketch of stratigraphic correlation pro file through well W1, W2 and W3

2 實(shí)驗(yàn)原理

2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本原理

1989年，LeCun等人在論述神經(jīng)網(wǎng)絡(luò)的網(wǎng)格結(jié)構(gòu)時(shí)首次提出了“卷積”一詞[14]，標(biāo)志著“卷積神經(jīng)網(wǎng)絡(luò)”的誕生，LeNet是一種多階段全局可訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模型，可以從經(jīng)過簡(jiǎn)單預(yù)處理的、甚至原始的數(shù)據(jù)中學(xué)習(xí)到抽象的、本質(zhì)的和高階的特征。2006年，Hinton提出了深度學(xué)習(xí)的概念[15]，基于深度神經(jīng)網(wǎng)絡(luò)在大量的數(shù)據(jù)中自動(dòng)提取、學(xué)習(xí)高層特征。

卷積神經(jīng)網(wǎng)絡(luò)是一種具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，具有局部感知、權(quán)值共享、降采樣的特點(diǎn)。典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、卷積層、池化層、全連接層和輸出層(圖4)。卷積層的本質(zhì)是特征提取，如同模仿眼睛掃描物體進(jìn)行圖像特征提取的過程；池化層，即降采樣層，實(shí)現(xiàn)特征數(shù)據(jù)的降維處理，在減少數(shù)據(jù)同時(shí)保留有效信息，如同閉上眼睛回憶看到的事物的最重要的特征，是壓縮圖像并保留重要信息的過程。全連接層位于網(wǎng)絡(luò)模型末端，用于對(duì)各卷積和池化層特征的回歸、分類等處理，并匯總為特征向量。

圖4 卷積神經(jīng)網(wǎng)絡(luò)模型的基本結(jié)構(gòu)Fig. 4 Structure of convolutional neural networks model

圖5 SegNet網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig. 5 Schematic diagram of SegNet model

2.2 卷積神經(jīng)網(wǎng)絡(luò)模型及參數(shù)選擇

隨著深度學(xué)習(xí)理論的不斷完善，卷積神經(jīng)網(wǎng)絡(luò)引入了多類學(xué)習(xí)和優(yōu)化理論，在結(jié)構(gòu)上不斷加深，先后提出了多種算法。SegNet模型是一種應(yīng)用于像素級(jí)別的圖像分割任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)模型[16]。地質(zhì)研究中，地層劃分與對(duì)比可看作為一種圖像分割任務(wù)，故本實(shí)驗(yàn)選用SegNet網(wǎng)絡(luò)模型對(duì)地層進(jìn)行自動(dòng)劃分。

SegNet網(wǎng)絡(luò)模型由Badrinarayanan于2016年提出，該網(wǎng)絡(luò)通過端到端的方式實(shí)現(xiàn)目標(biāo)體的分類。SegNet網(wǎng)絡(luò)結(jié)構(gòu)包括編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)兩部分(圖5)。編碼網(wǎng)絡(luò)主要由一系列基于非線性處理的層組構(gòu)成，每個(gè)層組由卷積層、分批歸一化層、激勵(lì)函數(shù)層和最大池化層組成，主要通過卷積對(duì)輸入數(shù)據(jù)圖像的特征信息進(jìn)行提取，并通過池化操作不斷縮小輸入數(shù)據(jù)規(guī)模。解碼是編碼的反過程，同樣由一系列基于非線性處理的層組構(gòu)成，每個(gè)層組由上采樣層、卷積層、分批歸一化層、激勵(lì)函數(shù)層組成，主要目的是對(duì)輸入數(shù)據(jù)進(jìn)行上采樣，還原原始輸入數(shù)據(jù)圖像。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)選擇是保證試驗(yàn)效果的關(guān)鍵。根據(jù)SegNet網(wǎng)絡(luò)相關(guān)原理，結(jié)合地層劃分中的地質(zhì)特點(diǎn)分析認(rèn)為，影響實(shí)驗(yàn)效果的主要參數(shù)為非線性處理層組的數(shù)量選擇、卷積核大小、卷積核數(shù)量等。

非線性處理層組的數(shù)量取決于處理井段的厚度和采樣點(diǎn)數(shù)據(jù)量。在編碼網(wǎng)絡(luò)中，每經(jīng)過一非線性層組，數(shù)據(jù)都會(huì)減半；而在解碼網(wǎng)絡(luò)中，每經(jīng)過一非線性層組，數(shù)據(jù)大小都會(huì)翻倍。根據(jù)參數(shù)調(diào)整經(jīng)驗(yàn)，編碼網(wǎng)絡(luò)中最后的非線性層組的數(shù)據(jù)量大小為地質(zhì)層位數(shù)量(在輸入數(shù)據(jù)中為標(biāo)記類別數(shù)量)的1到2倍時(shí)效果最好。假設(shè)平均厚度為20 m的一套地層，按照測(cè)井系列數(shù)據(jù)8點(diǎn)/m得采樣頻率，則其數(shù)據(jù)大小為160×1；按照油組級(jí)別地層單元，標(biāo)記類別數(shù)量為4；此時(shí)設(shè)計(jì)10組非線性處理層組(編碼網(wǎng)絡(luò)5組，解碼網(wǎng)絡(luò)5組)，則第一非線性層組輸出數(shù)據(jù)大小為80×1，而第二非線性層組輸出數(shù)據(jù)大小為40×1，依次類推，至第五組非線性處理層組時(shí)輸出數(shù)據(jù)量大小為5×1。實(shí)驗(yàn)分析表明，此時(shí)網(wǎng)絡(luò)訓(xùn)練效果會(huì)比較好。

卷積核均為n×1數(shù)組，其數(shù)量和大小根據(jù)參數(shù)調(diào)整的經(jīng)驗(yàn)確定。在編碼網(wǎng)絡(luò)中，第一層卷積核大小為50×1，自第二層開始依次減小，最后一層卷積核大小降為3×1；卷積核數(shù)量上，各非線性層組并不相同，一般后面層組的數(shù)量大于或等于前一層組數(shù)量，如第一層組為64個(gè)，后面層組可依次增大為128個(gè)、256個(gè)、512個(gè)等。在解碼網(wǎng)絡(luò)中，每層的卷積核大小和數(shù)量變化趨勢(shì)與編碼網(wǎng)絡(luò)中各層相反。

2.3 自動(dòng)地層對(duì)比思路

人工在連井剖面上進(jìn)行地層對(duì)比時(shí)，往往要先通過大量的觀察在測(cè)井曲線上找出標(biāo)志層、沉積旋回等可用于對(duì)比的地質(zhì)信息，然后利用這些信息連接井間地層。而對(duì)于卷積神經(jīng)網(wǎng)絡(luò)而言，在研究過程無法像決策樹、回歸等傳統(tǒng)的機(jī)器學(xué)習(xí)算法一樣，確定每一非線性層組的具體物理意義。根據(jù)卷積神經(jīng)網(wǎng)絡(luò)算法原理，自動(dòng)地層對(duì)比實(shí)驗(yàn)分“訓(xùn)練和預(yù)測(cè)”兩大部分(圖 6)。

圖6 基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)地層對(duì)比試驗(yàn)設(shè)計(jì)思路Fig. 6 Flow chart of automatic stratigraphic correlation using convolutional neural networks

第一部分，訓(xùn)練。針對(duì)選定的已知分層的井，將測(cè)井曲線作為數(shù)據(jù)輸入(Data)，以各井對(duì)應(yīng)的單個(gè)地層單元的分層數(shù)據(jù)為標(biāo)注(Label)，通過SegNet網(wǎng)絡(luò)算法，自動(dòng)提取各地層單元的特征信息，并建立卷積模型。本次研究，我們選擇了自然電位(SP)、微電極(ML1、ML2) 3條測(cè)井曲線。輸入數(shù)據(jù)文件4個(gè)，其中3個(gè)Data文件、1個(gè)Label文件。Data文件分別代表三條曲線，每個(gè)文件為n×1數(shù)據(jù)，其中n代表了測(cè)井?dāng)?shù)據(jù)的數(shù)據(jù)量。Label文件為確定的地層分層數(shù)據(jù)文件，代表了現(xiàn)有的分層結(jié)果，用于樣本學(xué)習(xí)。

第二部分，預(yù)測(cè)。針對(duì)未知分層的井，將測(cè)井曲線(Data)作為數(shù)據(jù)輸入，基于訓(xùn)練建立的卷積神經(jīng)網(wǎng)絡(luò)模型，開展測(cè)井曲線圖像的分割分類，匹配到可能性最高的地層單元，從而實(shí)現(xiàn)地層自動(dòng)劃分。

3 實(shí)驗(yàn)方案設(shè)計(jì)

表1 實(shí)驗(yàn)井?dāng)?shù)和比例Table 1 Number and proportion for experimental well

圖7 訓(xùn)練井與預(yù)測(cè)井平面分布Fig. 7 Well location map for training and testing

實(shí)驗(yàn)中，隨機(jī)選取部分實(shí)驗(yàn)對(duì)象井作為訓(xùn)練樣本，對(duì)未參與訓(xùn)練的實(shí)驗(yàn)對(duì)象井進(jìn)行自動(dòng)地層對(duì)比預(yù)測(cè)，并與原始分層數(shù)據(jù)比對(duì)進(jìn)行誤差分析。按照訓(xùn)練樣本的實(shí)驗(yàn)對(duì)象井?dāng)?shù)據(jù)比例65%、40%、20%和10%將實(shí)驗(yàn)分為a)、b)、c)、d)共4組(表1)。作為訓(xùn)練樣本的實(shí)驗(yàn)對(duì)象井隨機(jī)抽取，其平面分布如圖7所示。

為揭示實(shí)驗(yàn)效果，每組實(shí)驗(yàn)針對(duì)油層組、砂層組和小層三個(gè)級(jí)次地層單元進(jìn)一步設(shè)置3個(gè)相互獨(dú)立的實(shí)驗(yàn)，即實(shí)驗(yàn)為4組，每組3個(gè)，共12個(gè)。

4 實(shí)驗(yàn)結(jié)果

4.1 單井預(yù)測(cè)準(zhǔn)確度

將單井全井段預(yù)測(cè)的結(jié)果與原始分層數(shù)據(jù)進(jìn)行比對(duì)，并計(jì)算準(zhǔn)確度。單井預(yù)測(cè)準(zhǔn)確度Aw定義為

公式(1)中，預(yù)測(cè)正確的點(diǎn)數(shù)，是指就測(cè)井曲線上每個(gè)點(diǎn)而言，若預(yù)測(cè)的地層歸屬與原有分層數(shù)據(jù)一致，則該點(diǎn)計(jì)為預(yù)測(cè)正確的點(diǎn)?？梢钥闯觯瑔尉A(yù)測(cè)準(zhǔn)確度也可以理解為預(yù)測(cè)結(jié)果與原有分層結(jié)果一致的厚度與總厚度的百分比。以W345井砂組級(jí)地層單元預(yù)測(cè)為例(圖8)，其在訓(xùn)練井?dāng)?shù)為65%、40%、20%和10%等4組實(shí)驗(yàn)中預(yù)測(cè)準(zhǔn)確度分別為98.3%、98%、97.7%和92.5%。

分別計(jì)算了12個(gè)實(shí)驗(yàn)所有井預(yù)測(cè)結(jié)果的準(zhǔn)確度，采用算術(shù)平均方法求取每個(gè)實(shí)驗(yàn)的平均單井準(zhǔn)確度(表2)。整體上，對(duì)于就某一特定的地層級(jí)別而言(比如砂組)，單井準(zhǔn)確度隨訓(xùn)練量降低而降低；就某特定的訓(xùn)練量而言(比如40%)，單井準(zhǔn)確度隨地層單元細(xì)分而降低。具體地說，在訓(xùn)練量大于等于20%時(shí)，油組和砂組級(jí)別的單井預(yù)測(cè)準(zhǔn)確度，都超過了90%，說明只需要20%的已知分層數(shù)據(jù)就可以較為可靠進(jìn)行砂組和油組級(jí)別的自動(dòng)地層對(duì)比。對(duì)于小層級(jí)別的地層單元而言，當(dāng)訓(xùn)練量小于等于40%時(shí)，其預(yù)測(cè)準(zhǔn)確度都低于70%，說明小層級(jí)別的自動(dòng)對(duì)比需要較多的訓(xùn)練數(shù)據(jù)。

圖8 WA井砂組單元預(yù)測(cè)結(jié)果與原始分層對(duì)比示意圖Fig. 8 Correlation of original and predicted Stratigraphic unit for well WA

4.2 單一地層單元預(yù)測(cè)準(zhǔn)確度

對(duì)于某一級(jí)次的單一地層單元而言，其預(yù)測(cè)準(zhǔn)確度As定義為：

公式(2)中，單井上，某特定地層單元預(yù)測(cè)是否正確取決于該地層單元頂面、底面與原始分層數(shù)據(jù)的決定，若頂、底面絕對(duì)誤差之和不超過2 m，則認(rèn)為該井預(yù)測(cè)結(jié)果準(zhǔn)確；反之，則不準(zhǔn)確。之所以把可容忍的最大誤差定為2 m，是因?yàn)樵搮^(qū)單個(gè)有效砂體的厚度往往都大于2 m，即正確的預(yù)測(cè)結(jié)果不會(huì)改變2 m以上砂體對(duì)應(yīng)的地層單元?dú)w屬。

統(tǒng)計(jì)發(fā)現(xiàn)，油組級(jí)別的單層預(yù)測(cè)準(zhǔn)確度在訓(xùn)練量為65%、40%、20%和10%時(shí)均大于等于90%(圖9)，說明只需要10%的訓(xùn)練量就可以對(duì)油組級(jí)地層單元進(jìn)行可靠預(yù)測(cè)。

表2 自動(dòng)對(duì)比實(shí)驗(yàn)平均單井預(yù)測(cè)準(zhǔn)確度統(tǒng)計(jì)表Table 2 Average prediction accuracy of single well for automatic stratigraphic correlation

圖9 油組級(jí)地層單元單層預(yù)測(cè)準(zhǔn)確度Fig. 9 Prediction accuracy of stratigraphic units for formation level

砂組級(jí)別的單層預(yù)測(cè)準(zhǔn)確度隨預(yù)測(cè)量的降低依次降低，訓(xùn)練量為65%時(shí)砂組級(jí)單層預(yù)測(cè)準(zhǔn)確度不小于90%；訓(xùn)練量為40%時(shí)砂組級(jí)單層預(yù)測(cè)準(zhǔn)確度在82%～97%，10個(gè)地層單元中有5個(gè)準(zhǔn)確度不小于90%；訓(xùn)練量為20%時(shí)砂組級(jí)單層預(yù)測(cè)準(zhǔn)確度在75%～95%，10個(gè)地層單元中有4個(gè)準(zhǔn)確度大于90%，有1個(gè)小于80%；而訓(xùn)練量為10%時(shí)砂組級(jí)單層預(yù)測(cè)準(zhǔn)確度在44%～94%，10個(gè)地層單元中有3個(gè)準(zhǔn)確度大于90%，有2個(gè)小于60%(圖10)。

圖10 砂組級(jí)地層單元單層預(yù)測(cè)準(zhǔn)確度Fig. 10 Prediction accuracy of stratigraphic units for sand group level

小層級(jí)別的單層預(yù)測(cè)準(zhǔn)確度隨預(yù)測(cè)量的降低依次降低，訓(xùn)練量為65%時(shí)，30個(gè)小層中11個(gè)準(zhǔn)確度大于90%，14個(gè)在80%～90%，5個(gè)小于80%；當(dāng)訓(xùn)練量為40%時(shí)，30個(gè)小層中有17個(gè)小層準(zhǔn)確度小于80%；當(dāng)訓(xùn)練量為20%和10%時(shí)，準(zhǔn)確度進(jìn)一步降低(圖11)。

圖11 小層級(jí)地層單元單層預(yù)測(cè)準(zhǔn)確度Fig. 11 Prediction accuracy of stratigraphic units for single layer level

此外，相對(duì)于油組與砂組而言，小層級(jí)別的單層預(yù)測(cè)準(zhǔn)確度的層間差異較大，進(jìn)一步分析發(fā)現(xiàn)該差異與小層砂體平面分布相關(guān)。如圖12所示，砂體或非儲(chǔ)層分布較為均勻的S121、S424小層其準(zhǔn)確度較高，而砂體和非儲(chǔ)層分布相對(duì)不均勻的S211小層其準(zhǔn)確度較低。

圖12 小層砂體厚度平面圖Fig. 12 Sketch maps of sand thickness for single layer

5 結(jié)論與展望

5.1 結(jié)論

(1)訓(xùn)練量越大，自動(dòng)對(duì)比效果越好；地層級(jí)別越高(厚度越厚)，自動(dòng)對(duì)比效果越好。

(2)對(duì)于砂組及以上級(jí)別地層單元而言(厚度不小于10 m)，20%的訓(xùn)練量就可以較為可靠地進(jìn)行自動(dòng)地層對(duì)比。說明卷積神經(jīng)網(wǎng)絡(luò)算法能有效應(yīng)用于依據(jù)測(cè)井曲線圖像進(jìn)行油藏規(guī)模地層自動(dòng)對(duì)比，具有良好的發(fā)展前景。

5.2 展望

目前，尚未見有采用人工智能方法進(jìn)行地層自動(dòng)對(duì)比的研究報(bào)道。本文提出的采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)地層對(duì)比的探索性實(shí)驗(yàn)表明，該方法對(duì)于構(gòu)造簡(jiǎn)單、測(cè)井響應(yīng)特征明顯的砂泥巖儲(chǔ)層適用性好，自動(dòng)地層對(duì)比結(jié)果能夠滿足生產(chǎn)實(shí)踐需要。然而，深度學(xué)習(xí)算法對(duì)于復(fù)雜儲(chǔ)層的自動(dòng)地層對(duì)比的適用性和效果有待進(jìn)一步落實(shí)。為進(jìn)一步提高自動(dòng)地層對(duì)比效果，應(yīng)基于實(shí)際的地質(zhì)規(guī)律進(jìn)一步改進(jìn)算法：

(1)地層單元在垂向上有分級(jí)控制的旋回性，采用預(yù)測(cè)準(zhǔn)確度更好的高級(jí)次(如砂組)對(duì)比結(jié)果約束進(jìn)行低級(jí)次(如小層)地層對(duì)比，可進(jìn)一步提高低級(jí)次地層對(duì)比的準(zhǔn)確性。

(2)本次實(shí)驗(yàn)中用于訓(xùn)練的井和用于預(yù)測(cè)的井在平面上是隨機(jī)選取的，若能在預(yù)測(cè)時(shí)考慮訓(xùn)練的井與預(yù)測(cè)的井的空間關(guān)系，并結(jié)合沉積物源等地質(zhì)信息對(duì)預(yù)測(cè)過程進(jìn)行干預(yù)，可能會(huì)提高預(yù)測(cè)準(zhǔn)確度。

(3)本次實(shí)驗(yàn)未考慮地層對(duì)比中較為常見的斷點(diǎn)問題，下一步可結(jié)合地震解釋或斷層信息，在預(yù)測(cè)過程中考慮各井的空間位置，實(shí)現(xiàn)斷點(diǎn)自動(dòng)對(duì)比。