基于深度學習的復雜儲層流體性質(zhì)測井識別
——以車排子油田某井區(qū)為例

藍茜茜， 張逸倫， 康志宏*

(1.中國地質(zhì)大學(北京)能源學院， 北京 100083； 2.北京大學地球與空間科學學院， 北京 100871)

儲層流體性質(zhì)識別是一項重要的儲層表征和含油氣性評價方法，對后續(xù)油田開發(fā)方案的制定與調(diào)整起到關(guān)鍵作用。復雜儲層具有儲集空間多樣、巖性復雜、非均質(zhì)性強等特點，由于測井資料受多種因素控制導致流體響應特征不明顯，僅利用單一的測井資料或者儲層參數(shù)無法準確識別儲層流體性質(zhì)[1]。目前以綜合多種測井資料及儲層參數(shù)解釋為主要識別手段，常用的方法包括多參數(shù)重疊法、交會圖法、經(jīng)驗公式法等[2-5]。近年來隨著數(shù)據(jù)挖掘技術(shù)的快速發(fā)展，回歸算法、聚類算法、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)、決策樹算法、隨機森林、支持向量機等技術(shù)及結(jié)合上述多種技術(shù)的綜合判別方法均被用于儲層流體識別中[6-13]。

在眾多的機器學習算法中，BP神經(jīng)網(wǎng)絡(luò)及其改進算法由于在綜合多屬性數(shù)據(jù)預測中優(yōu)秀的非線性映射能力，已成為最為廣泛使用的儲層性質(zhì)識別技術(shù)，但該方法網(wǎng)絡(luò)結(jié)構(gòu)簡單，只能挖掘到樣本淺層的特征信息。與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，深度學習的網(wǎng)絡(luò)結(jié)構(gòu)更深，學習能力更強，具備處理大量樣本數(shù)據(jù)、解決復雜非線性預測問題的能力，同時避免了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小值，梯度消失的問題[14-16]。針對目前復雜儲層流體識別中常規(guī)方法存在的識別率低、嚴重依賴人工經(jīng)驗的問題，將深度學習方法引入，建立了多屬性測井參數(shù)和復雜儲層流體性質(zhì)之間的非線性關(guān)系，并將其應用于車排子油田低滲油藏某井區(qū)，體現(xiàn)了深度學習在復雜儲層流體識別中的優(yōu)越性。

1 方法原理

深度神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督式的特征學習模型，它在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，通過增加隱含層數(shù)提高特征提取能力。與隱含層數(shù)量較少的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相比，深度學習可以將低層特征進行組合，提取潛在的復雜高層特征信息，從而較好地解決復雜的非線性問題。

典型的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、多個隱含層和輸出層構(gòu)成，層與層之間采用全連接方式，上一層的神經(jīng)元輸出即為下一層神經(jīng)元的輸入。訓練模型包括信息前饋傳遞和誤差反向傳遞兩個過程。以隱含層中的一個神經(jīng)元為例，前饋傳遞過程如圖1所示。經(jīng)多結(jié)點加權(quán)求和與非線性函數(shù)激活，神經(jīng)元在傳遞過程中具備了非線性表達能力。誤差反向傳遞過程采用小批量梯度下降法更新網(wǎng)絡(luò)[17]。

Y、Z分別表示神經(jīng)元的輸入和輸出值；Xi、ωi、b分別為上一層第i個神經(jīng)元(共m個神經(jīng)元)的輸出值、連接權(quán)值和偏置項；G為非線性激活函數(shù)圖1 單個神經(jīng)元前饋傳遞過程Fig.1 Feedforward transmission process of a single neuron

1.1 樣本優(yōu)化——混合采樣技術(shù)

深度神經(jīng)網(wǎng)絡(luò)是建立在擬均衡樣本集的基礎(chǔ)上，樣本選取是否合理直接影響到深度學習的預測效果。儲層流體性質(zhì)識別本質(zhì)上是一個多屬性分類問題，對于復雜儲層區(qū)塊，非產(chǎn)層段在所有井段中往往占絕對優(yōu)勢，作為開發(fā)目標的產(chǎn)層段明顯少于水層、干層等非產(chǎn)層段，在深度學習中極易忽視產(chǎn)層段帶來的影響，出現(xiàn)誤判和錯判的情況。

采用混合采樣技術(shù)進行樣本均衡優(yōu)化。該方法將上采樣和下采樣有機結(jié)合，在上采樣過程中采用Smote算法增加少樣本類別的樣本數(shù)；下采樣過程中采用K-means聚類算法減少多樣本類別的樣本數(shù)[18-19]。假定一個包含N個樣本的非均衡數(shù)據(jù)集分為m類{C1,C2,…,Cm}，每類中的樣本數(shù)為{N1,N2,…,Nm}，具體實現(xiàn)步驟如下。

(1)據(jù)式(1)計算每類中樣本數(shù)的平均值k，以k為分界，大于k的類別為大樣本類，反之則為小樣本類。經(jīng)混合采樣后每類樣本大小均為k，原始不均衡樣本集將演化為均衡樣本集。

(2)對于大樣本類，K-means算法將樣本聚為k類，僅保留距離每個聚類中心最近的一個樣本，聚類后的k個樣本在降采樣的基礎(chǔ)上仍保留了原始數(shù)據(jù)的全部特征。

(1)

(2)

式中：R為一個均勻分布在0～1間的隨機數(shù)。

1.2 網(wǎng)絡(luò)結(jié)構(gòu)改進

1.2.1 ReLU-Softmax激活函數(shù)

神經(jīng)網(wǎng)絡(luò)中引入激活函數(shù)的目的是最大限度地擬合輸入層與輸出層之間復雜的非線性關(guān)系，目前Sigmod、Tanh和ReLU是常用的隱含層激活函數(shù)，如圖2所示。Sigmod和Tanh函數(shù)在反向誤差傳播過程時，由于函數(shù)值在邊界處變化緩慢，導數(shù)趨近于0，容易出現(xiàn)梯度消失現(xiàn)象從而導致模型無法收斂，且Sigmod和Tanh函數(shù)本身及其求導過程涉及指數(shù)和除法運算，計算復雜度高。ReLU是一個分段函數(shù)[式(3)]，求解函數(shù)及其導數(shù)過程均較為簡單，避免了梯度消失現(xiàn)象，計算便捷高效，故選用ReLU函數(shù)作為隱含層神經(jīng)元節(jié)點的激活函數(shù)[20]。

圖2 不同類型的激活函數(shù)Fig.2 Different types of activation function

對于多分類問題，在輸出層后添加一個Softmax層，如式(4)所示，假定輸出層有T個原始輸出，該層使用Softmax函數(shù)將輸出值Vi映射為0～1區(qū)間內(nèi)的概率值Si，即轉(zhuǎn)換為“軟分類”模型。利用Softmax激活函數(shù)后，以交叉熵作為損失函數(shù)，誤差反向傳導過程易于實現(xiàn)，應用效果較好。ReLU、Softmax激活函數(shù)分別應用于隱含層和輸出層，兩者的有機結(jié)合起到了優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的作用。

(3)

(4)

1.2.2 Dropout正則化

隱含層的增加保證了訓練模型較好的學習能力，但同時復雜的網(wǎng)絡(luò)結(jié)構(gòu)使得模型預測結(jié)果嚴重依賴于訓練樣本集，出現(xiàn)“過擬合”現(xiàn)象。在儲層流體識別中具體表現(xiàn)為：預測樣本集識別率顯著低于訓練集，模型泛化能力差，跨井位、跨工區(qū)的遷移性較差。Dropout正則化通過對網(wǎng)絡(luò)結(jié)構(gòu)進行取平均有效防止模型“過擬合”，模型訓練過程中按照一定比例隨機丟棄一些“神經(jīng)元”(圖3)，每一次訓練的網(wǎng)絡(luò)結(jié)構(gòu)均不同，使得網(wǎng)絡(luò)在每次迭代過程中并不依賴于所有全連接層神經(jīng)元，降低了網(wǎng)絡(luò)結(jié)構(gòu)復雜的關(guān)聯(lián)性，學習到的樣本特征更具魯棒性[21]。

圖3 Dropout正則化示意圖Fig.3 Diagram of Dropout regularization

1.3 識別原理——組合優(yōu)化策略

將深度學習應用于多分類問題時，其識別效果受多種因素影響。因此，需要提出適用于復雜儲層流體性質(zhì)識別問題的優(yōu)化方案。針對樣本數(shù)據(jù)和網(wǎng)絡(luò)結(jié)構(gòu)兩方面進行優(yōu)化。

利用混合采樣進行樣本優(yōu)化后，大樣本類的樣本數(shù)減少，小樣本類的樣本數(shù)增加，原本不均衡樣本集轉(zhuǎn)換為均衡樣本集，使得模型訓練時不會過分受某一類別干擾而影響識別效果。在優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)時，將ReLU激活函數(shù)、Softmax層和Dropout正則化引入，可使網(wǎng)絡(luò)模型更好地適應多分類問題，防止出現(xiàn)“過擬合”現(xiàn)象，有效提高訓練模型的穩(wěn)定性。

在識別過程中，首先將優(yōu)化后的樣本集作為深度神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集，經(jīng)改進后的網(wǎng)絡(luò)訓練得到神經(jīng)網(wǎng)絡(luò)模型，并對儲層流體性質(zhì)進行識別。樣本數(shù)據(jù)和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化策略的有機統(tǒng)一提高了本文方法的應用效果。

2 區(qū)域概況與測井響應特征

車排子油田位于準噶爾盆地西北緣，是盆地內(nèi)主要的油氣富集區(qū)之一。研究區(qū)儲層沉積了一套以礫巖、砂礫巖為主的粗碎屑沉積，儲層非均質(zhì)性較強。根據(jù)部分巖心資料分析，研究區(qū)儲層孔隙度分布區(qū)間為1.2%～26.7%，平均值為17.54%；絕對滲透率分布區(qū)間為0.02～802 mD，平均值為4.19 mD，為中孔低滲儲層。自2016年新井投產(chǎn)后，該研究區(qū)部分出現(xiàn)高部位斷塊油井試油出水，同一斷塊不同部位試油結(jié)論差異大，因此，有效識別油層對儲層精細描述和開發(fā)方案調(diào)整至關(guān)重要。

目標區(qū)測井資料包括聲波時差(AC)、補償中子(CNL)、密度(DEN)、自然伽馬(GR)、井徑(CAL)、自然電位(SP)、沖洗帶電阻率(RXO)、淺側(cè)向電阻率(RI)、深側(cè)向電阻率(RT)9種，測井資料統(tǒng)計情況如表1所示，根據(jù)多種測錄井解釋方法和試油分析的聯(lián)合標定結(jié)果，將研究區(qū)內(nèi)12口開發(fā)井的所有層段劃分為干層、水層、油層和油水同層4類。

表1 目標區(qū)測井資料統(tǒng)計Table 1 Logging data statistics in target area

該區(qū)塊地層中鈣質(zhì)含量較低，水層一般為低電阻響應特征，深側(cè)向電阻率小于淺側(cè)向電阻率，但負差異較小，沖洗帶電阻率低，自然伽馬低，井徑顯著增大，自然電位異常幅度最大，且變化幅度劇烈，呈“齒狀”，聲波時差為中等值。干層的儲層物性一般較差，電阻率低，深淺側(cè)向電阻率無明顯正負差異，部分干層由于含鈣質(zhì)導致電阻率增大，沖洗帶電阻率低，自然伽馬低，自然電位可能存在微小異常，井徑無明顯響應，聲波時差低，密度高，中子低。油層電阻率明顯高于水層，一般為水層的3～5倍，深淺側(cè)向電阻率曲線基本重疊且均為高阻特征，沖洗帶電阻率高，自然伽馬值一般較低，自然電位異常幅度較水層小，聲波時差低且無明顯變化，曲線呈“箱形”，密度和中子變化平緩。油水同層的測井響應特征介于油層和水層之間，深淺側(cè)向電阻率高于水層且低于油層，其他測井響應特征與油層基本一樣。

目標區(qū)塊多種測井參數(shù)與儲層流體性質(zhì)間無明顯的線性響應特征，且參數(shù)間耦合關(guān)系復雜，單一的測井響應很難準確識別該區(qū)塊的儲層流體性質(zhì)，依靠人工解釋時，往往結(jié)合多種測井參數(shù)綜合識別，但容易顧此失彼，解釋結(jié)果嚴重依賴人工經(jīng)驗，準確識別還有賴于綜合利用其他資料，如地震、錄井資料和試油結(jié)論等。因此，可以利用深度神經(jīng)網(wǎng)絡(luò)建立測井響應特征與儲層流體性質(zhì)之間的非線性映射關(guān)系，準確識別儲層流體性質(zhì)。

3 儲層流體性質(zhì)識別

3.1 深度學習參數(shù)選取

由于深度學習良好的自動學習能力，將所有測井參數(shù)利用式(5)進行歸一化處理后均作為神經(jīng)網(wǎng)絡(luò)模型輸入?yún)?shù)，避免了常規(guī)訓練模型中半定量化優(yōu)選參數(shù)導致的誤差影響，有效節(jié)省了算法用時。采用的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。經(jīng)過多次重復試驗，最終確定網(wǎng)絡(luò)參數(shù)為輸入層9個神經(jīng)元(對應9種測井參數(shù))、5個隱含層(神經(jīng)元個數(shù)依次為20、25、30、25、15，Dropout比例為0.2)、輸出層4個神經(jīng)元[邏輯數(shù)組{1，0，0，0}，{0，1，0，0}，{0，0，1，0}，{0，0，0，1}分別表示4種流體性質(zhì)]和一個Softmax層。Softmax層中最大概率值對應的類別即為最終分類結(jié)果。

圖4 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The deep neural network structure

(5)

3.2 識別結(jié)果與模型驗證

將12口開發(fā)井中的10口井數(shù)據(jù)作為訓練樣本集，其余兩口作為測試樣本集。圖5所示分別為訓練集和測試集的樣本集數(shù)量分布，原始訓練集儲層流體中水層段占絕對優(yōu)勢，在1 297個樣本中占比達67.85%，為高度不均衡樣本集，經(jīng)混合采樣后達到均衡。兩口井數(shù)據(jù)組成的測試數(shù)據(jù)集共包括 197個樣本，其中水層樣本122個，占61.9%；干層樣本46個，占23.4%；油水同層和油層樣本分別為18、11個，僅占9.1%、5.6%，樣本不均衡程度與訓練集接近，均為高度不均衡樣本集。

圖5 樣本集數(shù)量分布Fig.5 Distribution of sample set

利用訓練得到的深度神經(jīng)網(wǎng)絡(luò)模型預測儲層流體性質(zhì)，并對結(jié)果進行綜合評價。其中，混淆矩陣是神經(jīng)網(wǎng)絡(luò)多分類器中常用的評價手段，矩陣中每行代表相應類別的實際樣本數(shù)，每列代表預測樣本數(shù)(表2)，評價指標包括精準率(Precision),召回率(Recall)，F(xiàn)值(F-measure)。式(6)～式(8)為第i類樣本(共K類)的評價指標表達式精準率和召回率從不同維度評價多分類問題，而F值是對精準率和召回率的平均估計，是評價多分類問題的最佳參數(shù)，F(xiàn)值越高，代表分類結(jié)果越好。

表2 識別結(jié)果混淆矩陣Table 2 Confusion matrix of identification results

(6)

(7)

(8)

式中：Aij為實際結(jié)果為第i類、預測結(jié)果為第j類的樣本數(shù)；β為調(diào)節(jié)精準率和召回率的權(quán)值常數(shù)，取1。

由混淆矩陣可知，對角位置為正確識別樣本，水層、干層、油水同層和油層分別為105、35、15、8個，累計占總樣本數(shù)的比例達82.7%。兩個大樣本類(水層和干層)的F值分別為88.6%、69.3%，兩個小樣本類(油水同層和油層)的F值分別為90.9%、69.6%。結(jié)果顯示，本文方法在保證了整體識別率的基礎(chǔ)上，目標流體層的識別率也達到理想預測結(jié)果。

混淆矩陣非對角位置為錯誤分類結(jié)果，分析可知，水層與干層之間、油層與干層之間互相誤判的樣本數(shù)較多，分別為24、7個，這兩類誤判中均包含干層，其主要原因是干層的測井響應特征不明顯，導致對其他層段的識別造成干擾。進一步結(jié)合區(qū)塊內(nèi)開發(fā)井史得知，部分干層也出現(xiàn)了少量的工業(yè)油氣流，推測區(qū)塊內(nèi)可能存在“假性”干層。同時，由于采用概率輸出值的不確定性預測，對于測井響應不明顯的層位，網(wǎng)絡(luò)輸出值經(jīng)Softmax層得到的 4個概率間的差異可能較小，將其歸入概率最大值對應的類中會造成結(jié)果的誤判，可根據(jù)實際情況將樣本類別進一步細分來減少錯誤識別樣本數(shù)量。

將儲層流體性質(zhì)的模型預測結(jié)果與人工解釋結(jié)論進行對比，如圖6所示，選取的目標層段為其中一口測試井2 580～2 640 m共60 m的儲層段。該段內(nèi)的含油飽和度So均較高，平均值達37.2%。結(jié)合測井響應特征、儲層物性特征和試油結(jié)果等，人工解釋結(jié)論將目標段劃分為9個流體層段。其中，油層段有4個，層厚分布不一；油水同層和水層段各有1個，均為厚層；干層有3個，均為薄層。

圖6 人工解釋結(jié)論與模型預測結(jié)果對比Fig.6 Comparison of artificial interpretation conclusions and model prediction results

結(jié)果顯示，厚層段的預測結(jié)果與人工解釋結(jié)果完全一致，包括3個油層段、1個水層段、1個油水同層段。這是由于厚層段測井曲線呈現(xiàn)“鐘形”或“箱形”結(jié)構(gòu)，響應特征變化幅度小，樣本的輸入測井參數(shù)在段內(nèi)較為穩(wěn)定，預測結(jié)果抗干擾能力強，模型對厚層段的容錯率較高。

對于薄層段，僅有兩個極薄的干層段被錯識為油層段，主要原因是薄層段“鋸齒形”或“脈沖形”的測井曲線變化幅度大，選取的測井輸入?yún)?shù)無法較好地反映段內(nèi)真實的測井響應特征。但由于局部的極薄層段在開發(fā)過程中不作為主力產(chǎn)層段，對整體預測結(jié)果的影響可近似忽略。在復雜儲層流體精細識別中，可將模型的預測結(jié)果作為預判，在此基礎(chǔ)上，對薄層段做進一步人工解釋。

為了進一步驗證混合采樣技術(shù)和Dropout正則化組合策略的應用效果，在參數(shù)設(shè)置一致的前提下，以F值為綜合評價指標，設(shè)置3個參照組與本文方法進行對比，各方法的識別結(jié)果如圖7所示。其中，4種方法對水層的識別效果均較好，F(xiàn)值接近，分布為84%～90%；干層的識別情況也較為接近，與未采用兩種優(yōu)化策略的結(jié)果相比，本文方法的F值提高了10.2%；4種方法在油水同層和油層中的識別效果差異顯著，其中，本文方法的識別效果最好。

圖7 不同優(yōu)化方法的識別效果(F值)對比Fig.7 Comparison of identification effects (F-measure) of different optimization methods

分析可知，若未采用混合采樣技術(shù)，F(xiàn)值大小與各類別的樣本數(shù)量明顯正相關(guān)，大部分樣本被歸為水層和干層這兩個大樣本類中，導致水層和干層的識別效果較好，但油水同層和油層的識別率極差，驗證了混合采樣技術(shù)可顯著提高不均衡樣本集中小樣本類的識別效果。

在未采用混合采樣時，Dropout正則化對識別效果的提高不顯著；采用混合采樣對樣本集進行均衡處理后，Dropout正則化顯著提高了油水同層和油層的識別率，說明Dropout正則化在樣本均衡的前提下可有效防止模型“過擬合”。綜上，充分說明了樣本數(shù)據(jù)選取與網(wǎng)絡(luò)結(jié)構(gòu)之間相互制衡和統(tǒng)一的關(guān)系，驗證了基于優(yōu)化組合策略的深度神經(jīng)網(wǎng)絡(luò)方法在實際應用中的優(yōu)越性。

4 結(jié)論

針對常規(guī)儲層流體性質(zhì)識別中存在識別效果差、嚴重依賴人工經(jīng)驗的問題，以深度神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，從樣本數(shù)據(jù)和網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化入手，創(chuàng)新性地提出一種綜合混合采樣技術(shù)、ReLU-Softmax激活函數(shù)、Dropout正則化的儲層流體性質(zhì)識別新方法，建立了儲層測井參數(shù)與流體性質(zhì)之間的神經(jīng)網(wǎng)絡(luò)模型，得到以下結(jié)論。

(1)優(yōu)化策略的有機結(jié)合有效提高了儲層流體性質(zhì)的識別效果?；旌喜蓸蛹夹g(shù)使樣本集均衡化，顯著提高了小樣本類的識別率；ReLU-Softmax激活函數(shù)使得多分類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)得以優(yōu)化；Dropout正則化降低了模型對網(wǎng)絡(luò)結(jié)構(gòu)的“過擬合”。

(2)車排子油田目標井區(qū)12口井資料的識別結(jié)果顯示：儲層流體性質(zhì)的總體識別準確率達82.7%，樣本量分別僅占9.1%、5.6%的油水同層和油層的識別率均顯著高于其他未優(yōu)化方法結(jié)果，滿足實際測井資料解釋的要求。與其他未優(yōu)化方法的識別效果對比，優(yōu)化策略的有機結(jié)合使得本文方法的流體識別準確率大幅提高，進一步驗證了本文組合優(yōu)化策略在儲層流體性質(zhì)識別中的優(yōu)越性。展示了深度學習在復雜儲層流體識別中良好的應用效果。