機器學(xué)習(xí)在儲層預(yù)測中的應(yīng)用分析

王俊

機器學(xué)習(xí)在儲層預(yù)測中的應(yīng)用分析

王俊

（成都理工大學(xué) 地球物理學(xué)院，四川 成都 610059）

機器學(xué)習(xí)是整個人工智能領(lǐng)域中應(yīng)用前景最為廣闊的技術(shù)，近年來的發(fā)展突飛猛進，被廣泛用于與人們生活息息相關(guān)的各種領(lǐng)域，尤其在儲層預(yù)測方面。儲層預(yù)測是油氣勘探生產(chǎn)的首要環(huán)節(jié)，傳統(tǒng)的儲層預(yù)測方法往往需要經(jīng)歷多個環(huán)節(jié)，勘探與研究工作周期長，降低了勘探效率。為此，介紹了機器學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、支持向量機等主流人工神經(jīng)網(wǎng)絡(luò)及其在儲層預(yù)測中的應(yīng)用。

機器學(xué)習(xí)；儲層預(yù)測；神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)模型

利用地震屬性對含油氣儲層特征進行描述是油氣地球物理勘探的主要手段之一。以原始地震數(shù)據(jù)為基礎(chǔ)進行油氣儲層預(yù)測，至今仍是油氣勘探開發(fā)研究的熱點。儲層物性的空間變化會引起地震信息的變化，進而在不同地震屬性中引起不同的變化，同類型的測井數(shù)據(jù)同樣會有不同特征響應(yīng)，地震信息與測井數(shù)據(jù)本質(zhì)上均為間接觀測得到的地下儲層信息，兩者與儲層特征參數(shù)的關(guān)系非常復(fù)雜，在數(shù)學(xué)上表現(xiàn)為復(fù)雜的非線性關(guān)系，尋找一種合適的算法對其擬合，并進行非線性預(yù)測是地震儲層預(yù)測的熱點和難點。國內(nèi)外眾多學(xué)者針對地震儲層預(yù)測問題研發(fā)了很多新技術(shù)、新方法，極大地推動了油氣勘探進程。近年來人工智能領(lǐng)域的機器學(xué)習(xí)應(yīng)用于地質(zhì)儲層預(yù)測已成為研究熱點之一。

1 機器學(xué)習(xí)

機器學(xué)習(xí)是整個人工智能領(lǐng)域中應(yīng)用前景最為廣闊的技術(shù)，近年來的發(fā)展突飛猛進，越來越多的人工智能應(yīng)用得以實現(xiàn)。其本質(zhì)為一個可以模擬人腦進行分析、學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解釋數(shù)據(jù)，通過組合低層特征，形成更加抽象的高層特征或?qū)傩灶悇e，來擬合人們?nèi)粘Ｉ钪械母鞣N事情，目前已被廣泛用于與人們生活息息相關(guān)的各種領(lǐng)域，可以實現(xiàn)自然語言處理、機器翻譯、語音識別等。機器學(xué)習(xí)利用大量的數(shù)據(jù)訓(xùn)練模型，以學(xué)習(xí)復(fù)雜而有效的信息，進而提高預(yù)測的準確性。機器學(xué)習(xí)除了可以學(xué)習(xí)特征和任務(wù)之間的關(guān)聯(lián)以外，還能自動地從簡單特征中提取更加復(fù)雜的特征，從而解決復(fù)雜的非線性問題，并且也成為地球科學(xué)特別是油氣地球物理勘探領(lǐng)域的一個非常吸引人的新技術(shù)。基于統(tǒng)計學(xué)理論的地震儲層預(yù)測方法主要有聚類分析、遺傳算法、模糊理論等，但是地下情況復(fù)雜、非均質(zhì)性較強，數(shù)據(jù)間的映射關(guān)系極為復(fù)雜，應(yīng)用傳統(tǒng)方法的效果較差。近年來隨著機器學(xué)習(xí)方法在科學(xué)和工程領(lǐng)域的應(yīng)用廣泛，很多研究者使用數(shù)據(jù)驅(qū)動方法來解決地質(zhì)問題，例如利用卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、支持向量機等方法來進行地質(zhì)儲層預(yù)測，均取得了很好的預(yù)測結(jié)果。

2 深度學(xué)習(xí)與儲層預(yù)測

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是機器學(xué)習(xí)中最經(jīng)典的模型之一。卷積神經(jīng)網(wǎng)絡(luò)在諸多應(yīng)用領(lǐng)域都表現(xiàn)優(yōu)異。卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括兩種特殊的神經(jīng)元層：①卷積層，每個神經(jīng)元的輸入與前一層的局部相連，并提取該局部的特征；②池化層，用來求局部敏感性與二次特征提取的計算層。

卷積層和池化層一般會取多個，采用卷積層和池化層交替設(shè)置，即一個卷積層連接一個池化層，池化層后再連接一個卷積層，依此類推。卷積層中輸出特征面的每個神經(jīng)元與其輸入進行局部連接，并通過對應(yīng)的連接權(quán)值與局部輸入進行加權(quán)求和，再加上偏置值。卷積神經(jīng)網(wǎng)絡(luò)因其具有適用性強、泛化能力強、可自適應(yīng)提取、分類并識別特征等優(yōu)點，結(jié)合油氣藏分布規(guī)律及其在地震響應(yīng)上所具有的特點，應(yīng)用地震數(shù)據(jù)驅(qū)動實現(xiàn)油氣儲層預(yù)測和評價。目前，許多研究者也根據(jù)卷積神經(jīng)網(wǎng)絡(luò)提出了各種儲層預(yù)測模型[1]。

2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）是一類非常強大的專門用于處理序列和變長數(shù)據(jù)的學(xué)習(xí)模型。循環(huán)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)克服了傳統(tǒng)機器學(xué)習(xí)方法對輸入和輸出數(shù)據(jù)的許多限制，使其成為深度學(xué)習(xí)領(lǐng)域中一類非常重要的模型。但是RNN難以訓(xùn)練，原因為：①隨著時間的推移，其對輸入的敏感性逐漸下降，甚至忘記之前的輸入；②隨著神經(jīng)元數(shù)量的增加，反向傳播過程中梯度會逐漸衰減，甚至出現(xiàn)梯度消失問題；③反向傳播過程中梯度可能會逐漸增強直至出現(xiàn)溢出，即梯度爆炸問題。針對RNN在實際應(yīng)用中存在的問題，RNN的各種變體應(yīng)運而生。長短時記憶網(wǎng)絡(luò)（LSTM）是最成功的一種，能夠保持信息的長期依賴而備受關(guān)注。LSTM建模前后關(guān)聯(lián)、多序列和變長序列數(shù)據(jù)效果好，能很好地根據(jù)序列數(shù)據(jù)中先前步驟的預(yù)測結(jié)果影響目前步驟中的計算，分析序列數(shù)據(jù)中前后數(shù)據(jù)間的相互影響。結(jié)合地震信息與測井數(shù)據(jù)序列化、變長序列、多參數(shù)相互作用、隨深度變化而變化的特點，已有研究者利用地震信息與測井數(shù)據(jù)訓(xùn)練模型，成功實現(xiàn)了測井曲線生成[2]等。

2.3 支持向量機

支持向量機是基于結(jié)構(gòu)風(fēng)險最小化原理的分類器，綜合考慮分類器的經(jīng)驗風(fēng)險和置信風(fēng)險，在一定意義下具有最好的泛化能力，具有全局最優(yōu)解，不會陷入局部最優(yōu)，利用核函數(shù)解決非線性分類問題。這些優(yōu)點使得SVM在解決小樣本、非線性及高維模式識別問題中具有獨特的優(yōu)勢。利用支持向量機結(jié)構(gòu)簡單、泛化性能高等優(yōu)點，考慮地震屬性與儲層特征參數(shù)之間的非線性映射關(guān)系，已有很多研究者將其應(yīng)用于儲層預(yù)測，以挖掘地震數(shù)據(jù)中事先未知的、潛在的信息，以預(yù)測油氣藏的分布規(guī)律[3]。

3 結(jié)論與展望

本文主要介紹了支持向量機（SVM）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其在地質(zhì)儲層預(yù)測中的應(yīng)用，各種方法均表現(xiàn)出了各自的優(yōu)異性能，但是也存在很大的局限性。為了克服單一模型的局限性，集成的思想被逐漸被引入，一些研究者提出使用混合的神經(jīng)網(wǎng)絡(luò)，嘗試將各種網(wǎng)絡(luò)模型進行結(jié)合以取得更好的效果。例SVM和CNN、CNN和LSTM結(jié)合等。目前SVM和CNN的結(jié)合模型已在儲層預(yù)測中得到很好的應(yīng)用[4]，CNN和LSTM的結(jié)合體（C-LSTM）在自然語言處理、計算機視覺等領(lǐng)域都取得矚目的結(jié)果，但還未在地質(zhì)儲層預(yù)測中得到應(yīng)用，這將是本研究未來努力的方向。

［1］林年添，張棟，張凱，等.地震油氣儲層的小樣本卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與預(yù)測［J］.地球物理學(xué)報，2018，61（10）：4110-4125.

［2］張東曉，陳云天，孟晉.基于循環(huán)神經(jīng)網(wǎng)絡(luò)的測井曲線生成方法［J］.石油勘探與開發(fā)，2018，45（4）：598-607.

［3］張向君，張曄.基于支持向量機的交互檢驗儲層預(yù)測［J］.石油物探，2018，57（4）：597-600.

［4］付超，林年添，張棟，等.多波地震深度學(xué)習(xí)的油氣儲層分布預(yù)測案例［J］.地球物理學(xué)報，2018，61（1）：293-303.

TP18

A

10.15913/j.cnki.kjycx.2019.17.070

2095－6835（2019）17－0150－01

王?。?992—），男，碩士，主要從事地震數(shù)據(jù)深度學(xué)習(xí)方面的研究。

〔編輯：王霞〕