基于RNN-FCNN的多尺度油水層識(shí)別方法①

胡家琦 孫連山 石 敏 朱登明 李國(guó)軍

(*陜西科技大學(xué)電子信息與人工智能學(xué)院 西安 710021) (**華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院 北京 102206) (***中國(guó)科學(xué)院計(jì)算技術(shù)研究所 北京 100190) (****中國(guó)石油集團(tuán)測(cè)井有限公司 西安 710065)

0 引 言

測(cè)井?dāng)?shù)據(jù)是油藏開采過程中不可或缺的重要資源。地質(zhì)專家和工程師通過對(duì)測(cè)井?dāng)?shù)據(jù)的分析可以極大加深對(duì)地下情況的認(rèn)知，因此測(cè)井?dāng)?shù)據(jù)是輔助工作人員尋找和評(píng)價(jià)油水層的重要資源[1-3]。隨著測(cè)井技術(shù)的不斷發(fā)展，與之相關(guān)的測(cè)井解釋技術(shù)正逐步從定性、半定量的人工解釋逐步走向借助計(jì)算機(jī)定量化解釋的時(shí)代，相關(guān)的解釋模型和解釋效率也有了一定程度的提高[4-6]。

傳統(tǒng)的油水層識(shí)別主要依賴于專家經(jīng)驗(yàn)，專家通過對(duì)測(cè)井曲線的分析得到分層解釋結(jié)論，但專家未知的地質(zhì)模式則無法判別，得到的解釋結(jié)論也有待商榷，并且整個(gè)識(shí)別過程需要耗費(fèi)大量的人力物力。交會(huì)圖版法也是層位識(shí)別的重要技術(shù)之一，其通過建立研究區(qū)深側(cè)向電阻率與自然電位交會(huì)圖識(shí)別油水層，但由于部分層位物性相近，圖版中易出現(xiàn)混合區(qū)，故對(duì)于復(fù)雜地質(zhì)條件的油水層識(shí)別存在局限[7]。隨著大數(shù)據(jù)時(shí)代的到來，越來越多的學(xué)者提出使用數(shù)據(jù)驅(qū)動(dòng)的方式實(shí)現(xiàn)油水層識(shí)別[8,9]，以有效避免人為誤差，提高生產(chǎn)效率。聚類分析法用于測(cè)井曲線解釋，所需參數(shù)少，不易受參數(shù)影響，但該方法在樣本量足夠多時(shí)才能取得好的效果，從而限制了其實(shí)際應(yīng)用[10]。支持向量機(jī)(support vector machine，SVM)在小樣本、非線性和高維數(shù)據(jù)模式識(shí)別問題中能夠有好的發(fā)揮，可以被用于測(cè)井?dāng)?shù)據(jù)分層，但這一方法在高精度分層問題上存在較大誤差[11]。近年來學(xué)者開始嘗試將不同的神經(jīng)網(wǎng)絡(luò)應(yīng)用到測(cè)井分層解釋問題中，美國(guó)哈里伯頓測(cè)井公司介紹了這種方法[12]。葉濤等人[13]利用神經(jīng)網(wǎng)絡(luò)判斷地質(zhì)斷層取得了良好的效果，隨后多位學(xué)者針對(duì)不同測(cè)井曲線利用神經(jīng)網(wǎng)絡(luò)對(duì)地質(zhì)屬性進(jìn)行分析[14-16]。但是，目前這些基于機(jī)器學(xué)習(xí)的分層方法主要考慮一對(duì)一的映射關(guān)系，即針對(duì)單個(gè)采樣點(diǎn)進(jìn)行分析，而忽略了測(cè)井序列數(shù)據(jù)的縱向相關(guān)性，這不符合實(shí)際的地質(zhì)學(xué)思想以及傳統(tǒng)的地質(zhì)分析邏輯。并且現(xiàn)有方法對(duì)“水層”、“含油水層”、“油水同層”、“油層”等不同層位進(jìn)行統(tǒng)一識(shí)別，導(dǎo)致物性相近的層位難以區(qū)分，識(shí)別準(zhǔn)確率低。

本文在充分分析測(cè)井?dāng)?shù)據(jù)特點(diǎn)以及現(xiàn)有油水層識(shí)別問題的基礎(chǔ)上[17]，對(duì)測(cè)井?dāng)?shù)據(jù)蘊(yùn)含的信息進(jìn)行充分挖掘利用，主要貢獻(xiàn)在于提出基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)和全連接神經(jīng)網(wǎng)絡(luò)(fully connected neural network，F(xiàn)CNN)的多尺度油水層識(shí)別方法，該方法首先基于RNN構(gòu)建粗粒度下“儲(chǔ)層”和“非儲(chǔ)層”的識(shí)別模型，然后通過串聯(lián)多層FCNN以逐步細(xì)化識(shí)別尺度的方式完成“儲(chǔ)層”內(nèi)更細(xì)粒度的層位識(shí)別，該方法在油水層識(shí)別過程中，不僅可以節(jié)省大量的人力及時(shí)間成本，同時(shí)對(duì)測(cè)井?dāng)?shù)據(jù)所蘊(yùn)含的層位信息進(jìn)行了更充分的挖掘，較好地解決了物性相近層位識(shí)別易混淆的問題，提高了油水層識(shí)別的準(zhǔn)確率。

1 相關(guān)工作

1.1 測(cè)井?dāng)?shù)據(jù)

測(cè)井?dāng)?shù)據(jù)是利用不同測(cè)井儀由測(cè)井電纜下入井內(nèi)，沿著井筒等間隔記錄隨深度變化的各種參數(shù)[18]。通過表示各類參數(shù)的曲線反映不同地層的巖性、物性，是一種典型的序列數(shù)據(jù)[19]。通過對(duì)測(cè)井?dāng)?shù)據(jù)特征提取及敏感因子分析，共有7條測(cè)井曲線對(duì)層位識(shí)別有影響，分別為自然電位(SP)曲線、自然伽馬(GR)曲線、巖性密度(DEN)曲線、中子孔隙度(CNL)曲線、聲波時(shí)差(AC)曲線、深側(cè)向電阻率(LLD)曲線和淺側(cè)向電阻率(LLS)曲線。測(cè)井曲線的具體表示如圖1所示。

1.2 全連接神經(jīng)網(wǎng)絡(luò)

FCNN是由大量神經(jīng)元相互連接構(gòu)成的一種分布式并行信息處理模型，其通過模仿人類神經(jīng)的行為特征，模擬輸入與輸出之間的非線性映射關(guān)系，從而到達(dá)復(fù)雜信息處理的目的[20]。

(圖中◆代表SP，■代表GR，□代表CAL，▲代表DEN，▼代表CNL， ▽代表AC，○代表LLS，●代表LLD，下同)圖1 測(cè)井?dāng)?shù)據(jù)表示

FCNN的基本架構(gòu)由神經(jīng)元、權(quán)重和偏置3個(gè)部分組成，其中神經(jīng)元是一種按照層狀分布的計(jì)算單元，每個(gè)神經(jīng)元與其臨層中的所有神經(jīng)元相互連接，同層神經(jīng)元之間不連接[21]。對(duì)于某個(gè)神經(jīng)元來說，假設(shè)來自其他神經(jīng)元i的信息為xi(i=1,2,…,n)，它們與該神經(jīng)元的互連權(quán)重為wi，則該神經(jīng)元的輸出為

(1)

其中，xi為第i個(gè)神經(jīng)元的值，wi為權(quán)重，b為偏置項(xiàng)，f為激活函數(shù)，它決定了神經(jīng)元的輸出。常用的激活函數(shù)有sigmoid函數(shù)、tanh函數(shù)和ReLU函數(shù)等[22]。

通過不斷學(xué)習(xí)調(diào)整網(wǎng)絡(luò)內(nèi)部神經(jīng)元之間的相互連接關(guān)系，使模型達(dá)到一個(gè)處理信息的較優(yōu)狀態(tài)。圖2展示了一個(gè)典型的3層FCNN結(jié)構(gòu)。

圖2 3層FCNN結(jié)構(gòu)示意圖

1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)

盡管FCNN可以根據(jù)任意函數(shù)建模，但其僅適合處理固定維度的輸入和輸出，且所有的輸入和輸出之間相互獨(dú)立，因此其無法針對(duì)序列數(shù)據(jù)有效建模，無法考慮前后數(shù)據(jù)之間的關(guān)聯(lián)性，因此對(duì)連續(xù)存在的測(cè)井?dāng)?shù)據(jù)建模存在一定的局限[23]。

測(cè)井?dāng)?shù)據(jù)作為一種典型的序列數(shù)據(jù)，隨著一口井深度的不斷增加，前序采樣點(diǎn)的屬性信息與后續(xù)采樣點(diǎn)的屬性信息之間存在相關(guān)性，前序采樣點(diǎn)所屬層位會(huì)對(duì)其后采樣點(diǎn)產(chǎn)生一定影響。在RNN中，一個(gè)序列當(dāng)前的輸出與前序的輸出也有關(guān)，具體表現(xiàn)為網(wǎng)絡(luò)會(huì)對(duì)之前的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱藏層的神經(jīng)元之間不再無連接而是有連接的，并且隱藏層的輸入不僅包括輸入層的輸出還包括上一時(shí)刻隱藏層的輸出。RNN最大的特點(diǎn)是“記憶”單元，它可以捕獲一個(gè)序列的重要信息。因此，RNN是對(duì)測(cè)井?dāng)?shù)據(jù)建模較適合的網(wǎng)絡(luò)。圖3為RNN結(jié)構(gòu)及其展開結(jié)構(gòu)圖，該循環(huán)結(jié)構(gòu)是RNN與FCNN的主要區(qū)別。

圖3 RNN及其展開結(jié)構(gòu)示意圖

圖3中，xt-1、xt、xt+1和ot-1、ot、ot+1分別代表不同時(shí)刻的輸入和輸出。st是時(shí)刻t的隱狀態(tài)，即網(wǎng)絡(luò)的“記憶”單元，通過前一個(gè)時(shí)刻的隱狀態(tài)st-1和當(dāng)前時(shí)刻的輸入xt計(jì)算。U、V、W為所有時(shí)刻的共享參數(shù)，該參數(shù)共享的特點(diǎn)反映出RNN在每一時(shí)刻都執(zhí)行相同的任務(wù)，僅僅是輸入不同，此機(jī)制極大減少了需要學(xué)習(xí)的參數(shù)數(shù)量，使模型更加簡(jiǎn)單。式(2)和式(3)分別描述了當(dāng)前時(shí)刻的隱狀態(tài)及輸出的計(jì)算。

st=f(Uxt+Wst-1)

(2)

ot=softmax(Vst)

(3)

其中，函數(shù)f為激活函數(shù)，softmax函數(shù)將輸出映射為概率分布的形式。

2 多尺度油水層識(shí)別

2.1 多尺度識(shí)別框架

對(duì)于測(cè)井?dāng)?shù)據(jù)而言，多尺度識(shí)別相當(dāng)于在不同數(shù)據(jù)域上對(duì)不同層位特征的提取。由于不同層位的物性不同，因此它們反映在測(cè)井曲線上的響應(yīng)存在差異，其中物性相近的層位在測(cè)井曲線上的響應(yīng)差異較小。針對(duì)該測(cè)井?dāng)?shù)據(jù)的特點(diǎn)，本文根據(jù)層位的物性對(duì)模型的識(shí)別尺度進(jìn)行劃分，具體的尺度劃分如圖4所示。

圖4 尺度劃分示意圖

如圖4所示，首先，由于“儲(chǔ)層”中具有連通空隙，允許油水在其中儲(chǔ)層，而“非儲(chǔ)層”相反，所以它們物性差異最大，同時(shí)表現(xiàn)在測(cè)井曲線上響應(yīng)差異最大，因此在尺度1上首先對(duì)這2類進(jìn)行識(shí)別；接著，在第2個(gè)尺度將對(duì)“儲(chǔ)層”進(jìn)行詳細(xì)劃分，“儲(chǔ)層”中包括“干層”、“水層”、“含油水層”、“油水同層”以及“油層”5個(gè)層位，根據(jù)層位的含水量多少可以將其分為兩大類，即“水層、含油水層”和“干層、油層、油水同層”；最后，在每一類中再依據(jù)含水量或含油量進(jìn)行更細(xì)尺度的識(shí)別。在基于測(cè)井?dāng)?shù)據(jù)的多尺度油水層識(shí)別方法中，“儲(chǔ)層”與“非儲(chǔ)層”的識(shí)別是后續(xù)更細(xì)粒度層位識(shí)別的基礎(chǔ)。

2.2 粗粒度“儲(chǔ)層”與“非儲(chǔ)層”識(shí)別

對(duì)于測(cè)井序列數(shù)據(jù)而言，前序采樣點(diǎn)的層位信息會(huì)影響其后采樣點(diǎn)，即前序采樣點(diǎn)如果是“儲(chǔ)層”，其后采樣點(diǎn)也極有可能為“儲(chǔ)層”。圖5為基于RNN的“儲(chǔ)層”與“非儲(chǔ)層”識(shí)別過程示意圖，通過RNN的循環(huán)結(jié)構(gòu)可以充分地提取測(cè)井?dāng)?shù)據(jù)中蘊(yùn)含的層位特征信息。

圖5 “儲(chǔ)層”與“非儲(chǔ)層”識(shí)別過程示意圖

圖5中，S0為初始隱狀態(tài)。t時(shí)刻的輸入為ACt，CNLt，…，SPt，即某一深度的測(cè)井曲線值。輸出Pt是模型判斷該深度屬于“儲(chǔ)層”或“非儲(chǔ)層”的概率，由上一時(shí)刻的隱狀態(tài)St-1和該時(shí)刻輸入的測(cè)井?dāng)?shù)據(jù)得到。再根據(jù)該時(shí)刻的隱狀態(tài)St及下一時(shí)刻的輸入判斷下一時(shí)刻采樣點(diǎn)的所屬層位，如此循環(huán)。

由于地質(zhì)條件的復(fù)雜性，隨深度加深，測(cè)井曲線在一些層位變化不明顯，導(dǎo)致鄰層測(cè)井?dāng)?shù)據(jù)數(shù)值相近，從而層位特征提取困難。為了適應(yīng)測(cè)井?dāng)?shù)據(jù)的特點(diǎn)，本文在傳統(tǒng)RNN的基礎(chǔ)上對(duì)“重復(fù)網(wǎng)絡(luò)”部分的結(jié)構(gòu)進(jìn)行了改進(jìn)，將原RNN的單隱層修改為2個(gè)RNN記憶層和1個(gè)全連接層的結(jié)構(gòu)。雙記憶層將測(cè)井?dāng)?shù)據(jù)的序列信息提取得更完整，再通過全連接層將信息進(jìn)行整合，從而更全面地提取測(cè)井序列的特征、學(xué)習(xí)測(cè)井序列的模式。圖6描述了具體的隱層結(jié)構(gòu)，圖中隱狀態(tài)S1和隱狀態(tài)S2分別為本文改進(jìn)RNN的2個(gè)“記憶”單元，F(xiàn)C為全連接層。

2.3 “儲(chǔ)層”內(nèi)細(xì)粒度識(shí)別

在“儲(chǔ)層”與“非儲(chǔ)層”的識(shí)別基礎(chǔ)上，需要對(duì)“儲(chǔ)層”進(jìn)行更細(xì)粒度的識(shí)別?！皟?chǔ)層”中，“水層”和“含油水層”、“油水同層”和“油層”的物性相近，在多條測(cè)井曲線上的響應(yīng)差異小，屬于難分層位，統(tǒng)一識(shí)別不易區(qū)分。因此，本文先將難分層位視為一大類，接著在難分層位內(nèi)繼續(xù)識(shí)別，直至所有油水層識(shí)別完畢。由于難分層位測(cè)井?dāng)?shù)據(jù)相似度高，多尺度識(shí)別法通過對(duì)難分層位內(nèi)數(shù)據(jù)的標(biāo)準(zhǔn)化操作放大數(shù)據(jù)間的差異性，盡可能減小數(shù)據(jù)在空間上分布的混合區(qū)。式(4)描述了測(cè)井?dāng)?shù)據(jù)標(biāo)準(zhǔn)化方法。

圖6 改進(jìn)RNN隱層示意圖

(4)

(5)

(6)

在一個(gè)區(qū)塊內(nèi)，由于儲(chǔ)層的非均質(zhì)性，采樣過程中會(huì)導(dǎo)致部分層位樣本量較少。在進(jìn)行更細(xì)粒度的層位識(shí)別時(shí)，極易因樣本量少的層位所包含的特征過少，從而很難從有限的樣本中提取足夠多的地層信息，即使可以提取有限的地層信息，也容易造成模型過度依賴有限的數(shù)據(jù)樣本從而導(dǎo)致過擬合的問題。在油水層識(shí)別這一問題中，本文重點(diǎn)關(guān)注“油層”等含油層的識(shí)別，為了保證這類儲(chǔ)層的識(shí)別率，需要對(duì)這類層位的樣本集進(jìn)行擴(kuò)充以達(dá)到充分學(xué)習(xí)的目的。SMOTE算法可以解決各層位樣本不均衡的問題[24]。其通過某個(gè)采樣點(diǎn)與其近鄰點(diǎn)之間插值的方式生成新樣本，再根據(jù)每個(gè)層位采樣點(diǎn)的數(shù)量決定生成樣本的密度。具體生成如下式：

xi1=xi+ζ(xi(nn)-xi)

(7)

其中，xi為某層位的一個(gè)采樣點(diǎn)，xi(nn)為其k近鄰中的隨機(jī)樣本點(diǎn)，ζ為0和1之間的隨機(jī)數(shù)，xi1是生成的該層位新樣本點(diǎn)。

在“儲(chǔ)層”與“非儲(chǔ)層”識(shí)別結(jié)果的基礎(chǔ)上，本模型通過串聯(lián)多層FCNN的方式實(shí)現(xiàn)“儲(chǔ)層”內(nèi)部更細(xì)粒度的油水層識(shí)別。完整的油水層識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示。

圖7 “儲(chǔ)層”內(nèi)細(xì)粒度識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)示意圖

3 實(shí)驗(yàn)結(jié)果與分析

本文油水層識(shí)別方法首先基于RNN建立粗粒度“儲(chǔ)層”和“非儲(chǔ)層”的識(shí)別模型，再通過逐步細(xì)化識(shí)別尺度的方式在“儲(chǔ)層”內(nèi)實(shí)現(xiàn)進(jìn)一步的層位識(shí)別。據(jù)此，本文設(shè)計(jì)并開展了兩組對(duì)比實(shí)驗(yàn)，即本文改進(jìn)RNN、FCNN對(duì)“儲(chǔ)層”和“非儲(chǔ)層”的識(shí)別對(duì)比實(shí)驗(yàn)；RNN-FCNN多尺度油水層識(shí)別、基于RNN的單一尺度油水層識(shí)別對(duì)比實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用某區(qū)塊真實(shí)測(cè)井?dāng)?shù)據(jù)開展實(shí)驗(yàn)。如圖8所示，實(shí)驗(yàn)數(shù)據(jù)選用該區(qū)塊均勻分布的55口直井的測(cè)井?dāng)?shù)據(jù)。由于不同井深測(cè)井?dāng)?shù)據(jù)差異較大，為了減小這種差異性給層位識(shí)別帶來的負(fù)向影響，本文選用所有實(shí)驗(yàn)井口的同一深度段作為實(shí)驗(yàn)井段。

圖8 實(shí)驗(yàn)區(qū)域井位分布圖

實(shí)驗(yàn)所選測(cè)井段深度范圍為500～1 200 m，測(cè)井段總長(zhǎng)700 m，采樣間隔為0.1 m，故每口井共7 000個(gè)采樣點(diǎn)。模型以AC、CNL、DEN、GR、LLD和LLS這7條測(cè)井曲線作為輸入，識(shí)別概率作為輸出。實(shí)驗(yàn)選擇所有實(shí)驗(yàn)井中的一口井作為測(cè)試井，其余井作為訓(xùn)練井(本文后續(xù)實(shí)驗(yàn)均以Y44井作為測(cè)試井)。

3.2 “儲(chǔ)層”與“非儲(chǔ)層”識(shí)別對(duì)比實(shí)驗(yàn)

3.2.1 實(shí)驗(yàn)描述

設(shè)置本文改進(jìn)RNN的隱狀態(tài)為60維，為了防止模型過擬合，提高模型的泛化能力，加入dropout層，即在模型訓(xùn)練過程中每層隨機(jī)丟棄50%的神經(jīng)元；模型的序列長(zhǎng)度為400，即40 m，意味著每一個(gè)采樣點(diǎn)前方40 m范圍內(nèi)的采樣點(diǎn)會(huì)對(duì)該采樣點(diǎn)的所屬層位產(chǎn)生影響。

3.2.2 實(shí)驗(yàn)結(jié)果說明

本文改進(jìn)RNN、FCNN針對(duì)Y44井“儲(chǔ)層”和“非儲(chǔ)層”識(shí)別結(jié)果對(duì)比示意圖如圖9所示(圖中所展示的結(jié)果為Y44井的部分深度段識(shí)別結(jié)果)。圖9中，左3列為Y44井的測(cè)井曲線，隨深度變化在不同地層會(huì)產(chǎn)生不同的響應(yīng)；OG result列代表原始地層，即某個(gè)深度段的真實(shí)層位，該列中有標(biāo)注的深度段屬于“儲(chǔ)層”，未標(biāo)注的深度段屬于“非儲(chǔ)層”；最右2列分別為本文方法和FCNN的識(shí)別結(jié)果，其中倒數(shù)第2列表示本文方法識(shí)別出的儲(chǔ)層段，倒數(shù)第1列表示FCNN識(shí)別出的儲(chǔ)層段。

3.2.3 實(shí)驗(yàn)結(jié)果分析

從圖9中標(biāo)注的②、③、④虛線框的識(shí)別結(jié)果對(duì)比來看，F(xiàn)CNN分別出現(xiàn)了漏識(shí)、少識(shí)、誤識(shí)的情況，而本文方法在相同深度段沒有出現(xiàn)類似問題，說明其在對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行分析處理時(shí)相較于沒有考慮空間關(guān)聯(lián)性的方法，能更好地挖掘序列數(shù)據(jù)間關(guān)聯(lián)信息的隱藏模式，較準(zhǔn)確地提取測(cè)井曲線在“儲(chǔ)層”和“非儲(chǔ)層”的重要特征，忽略干擾因素的影響。

圖9 Y44井“儲(chǔ)層”“非儲(chǔ)層”識(shí)別結(jié)果對(duì)比

虛線框①反映出2個(gè)模型對(duì)于極薄層的識(shí)別都存在誤識(shí)的情況，即593.3～594.0 m深度段的“非儲(chǔ)層”被誤識(shí)為“儲(chǔ)層”。由于該層僅0.7 m，這種極薄層在連續(xù)變化的測(cè)井曲線上響應(yīng)相對(duì)較弱，故而模型較難從測(cè)井?dāng)?shù)據(jù)中提取到相關(guān)信息，容易出現(xiàn)將極薄層誤識(shí)為其相鄰層位的情況。

如圖9中虛線框⑤所示，模型在層位分界點(diǎn)處存在誤差。表1詳細(xì)描述了本文方法和FCNN對(duì)于Y44井“儲(chǔ)層”識(shí)別的深度段，其中每列分別描述了真實(shí)儲(chǔ)層段以及2種方法識(shí)別儲(chǔ)層段的起始深度和結(jié)束深度(表中“—”代表未能識(shí)別出的情況)。由表1所列可得，F(xiàn)CNN識(shí)別的儲(chǔ)層段起始深度和結(jié)束深度的誤差最大為2.4 m，最小為0.1 m，本文方法的識(shí)別誤差最大為0.7 m，最小為0 m，遠(yuǎn)小于前者的識(shí)別誤差。圖10具體展現(xiàn)了2種方法的識(shí)別誤差對(duì)比(其中“-1”代表未能識(shí)別出的情況)。綜合表1及圖10的結(jié)果來看，在大部分層位，本文方法對(duì)于層位分界點(diǎn)處的識(shí)別較FCNN誤差更小，說明本文方法在層位分界點(diǎn)處更敏感，有更好的層位邊界識(shí)別效果。

表1 Y44井“儲(chǔ)層”與“非儲(chǔ)層”識(shí)別結(jié)果

圖10 2種方法在各層識(shí)別誤差

3.3 多尺度與單一尺度油水層識(shí)別對(duì)比實(shí)驗(yàn)

本實(shí)驗(yàn)分別使用基于RNN-FCNN的多尺度油水層識(shí)別方法和基于RNN的單一尺度識(shí)別方法識(shí)別Y44井的油水層，并比較2種方法對(duì)該井油水層的識(shí)別結(jié)果。

3.3.1 實(shí)驗(yàn)描述

該實(shí)驗(yàn)區(qū)域儲(chǔ)層內(nèi)共有“干層”、“水層”、“含油水層”、“油水同層”以及“油層”5個(gè)層位?；赗NN-FCNN的多尺度識(shí)別法，首先識(shí)別Y44井的“儲(chǔ)層”及“非儲(chǔ)層”，接著在“儲(chǔ)層”內(nèi)做進(jìn)一步的識(shí)別。基于RNN的單一尺度識(shí)別即對(duì)所有層位進(jìn)行統(tǒng)一識(shí)別。表2描述了2種方法的識(shí)別結(jié)果對(duì)比。

3.3.2 實(shí)驗(yàn)結(jié)果分析

從表2描述的識(shí)別結(jié)果來看，本文采用的基于RNN-FCNN的多尺度識(shí)別方法相較于傳統(tǒng)單一尺度的識(shí)別方法準(zhǔn)確識(shí)別的層位數(shù)更多。在表2所列出的深度段中，即便基于RNN-FCNN的方法在630.0～635.0 m將“含油水層”誤判為“水層”，666.0～670.0 m、 945.0～946.3 m將“油層”誤判為“油水同層”，但在識(shí)別易混淆的16個(gè)層位當(dāng)中，本文方法準(zhǔn)確識(shí)別13個(gè)層位，較單一尺度識(shí)別方法準(zhǔn)確識(shí)別的層位更多。這說明在逐步細(xì)化識(shí)別尺度的過程中，模型能更好地學(xué)習(xí)各層特征。表2所列層位的識(shí)別準(zhǔn)確率如圖11所示。

表2 Y44井多粒度與單一粒度油水層識(shí)別結(jié)果

圖11 2種方法識(shí)別準(zhǔn)確率

4 結(jié) 論

本文討論了目前地質(zhì)領(lǐng)域油水層識(shí)別的研究現(xiàn)狀，并根據(jù)當(dāng)前油水層識(shí)別現(xiàn)存問題，結(jié)合測(cè)井?dāng)?shù)據(jù)特點(diǎn)，綜合實(shí)際應(yīng)用需求，提出了基于RNN-FCNN的多尺度油水層識(shí)別方法，并將該方法應(yīng)用到實(shí)際的測(cè)井?dāng)?shù)據(jù)當(dāng)中。該方法以某區(qū)塊Y44井為例，首先利用測(cè)井序列數(shù)據(jù)在空間上的關(guān)聯(lián)性識(shí)別“儲(chǔ)層”和“非儲(chǔ)層”，其次，在“儲(chǔ)層”內(nèi)進(jìn)行更細(xì)粒度的分析和識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文方法能夠有效地利用測(cè)井?dāng)?shù)據(jù)進(jìn)行油水層識(shí)別，協(xié)助地質(zhì)專家了解地層分布情況，從而達(dá)到油藏開采降本增效的目的。

由于本文方法在部分層位分界點(diǎn)處仍存在一定誤差，并且該方法對(duì)少部分薄層識(shí)別不夠敏感。對(duì)此，未來工作將在分界點(diǎn)處的數(shù)據(jù)特征以及薄層識(shí)別方面做進(jìn)一步研究。