• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)和MPGA-LM算法的陣列側(cè)向測(cè)井快速反演方法

    2021-09-06 12:10:58吳易智范宜仁巫振觀鄧少貴張盼陳詩(shī)宇尹中旭
    地球物理學(xué)報(bào) 2021年9期
    關(guān)鍵詞:側(cè)向測(cè)井電阻率

    吳易智, 范宜仁*, 巫振觀, 鄧少貴,張盼, 陳詩(shī)宇, 尹中旭

    1 中國(guó)石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院, 青島 266580 2 海洋國(guó)家實(shí)驗(yàn)室海洋礦產(chǎn)資源評(píng)價(jià)與探測(cè)技術(shù)功能實(shí)驗(yàn)室, 青島 266237

    0 引言

    憑借著較高的分辨率以及豐富的探測(cè)信息,陣列側(cè)向測(cè)井被廣泛用于大斜度井/水平井的油氣藏評(píng)價(jià)(Rasmus, 1982; Itskovich et al., 1998; 鄧少貴等, 2010).然而在致密性儲(chǔ)層電阻率評(píng)價(jià)過(guò)程中,由于地層裂縫和薄互層發(fā)育以及沉積顆粒的大小、磨圓不一等因素,導(dǎo)致儲(chǔ)層各向異性特征明顯,測(cè)井響應(yīng)復(fù)雜,為油氣層的識(shí)別與評(píng)價(jià)帶來(lái)一定的難度(Salazar and Torres-Verdín, 2009; 高杰等, 2010; Gao et al., 2013).因此,如何從測(cè)井響應(yīng)中準(zhǔn)確提取地層真實(shí)電阻率成為電測(cè)井領(lǐng)域亟待解決的難題之一.

    非線性反演技術(shù)可以充分考慮井眼、侵入等因素對(duì)測(cè)井響應(yīng)的影響,成為大斜度井/水平井井旁電阻率剖面重構(gòu)的有效手段(Nam et al., 2010; Wang, 2011; 潘克家等, 2013).其算法包括確定性算法和隨機(jī)類算法.其中,確定性算法主要基于最小二乘理論,其核心在于通過(guò)不斷迭代模型參數(shù)的方式使得模擬數(shù)據(jù)與觀測(cè)數(shù)據(jù)的偏差最小(Osman and Laporte, 1996; Habashy and Abubakar, 2004; Madsen et al., 2004; 姚東華等, 2010; Hu and Fan, 2018),該類算法包括最速下降法、高斯牛頓法以及列文伯格馬奎特法等(Anderson, 2001).由于能夠有效消除圍巖、層厚和侵入等因素的影響,確定性算法被廣泛用于2D陣列側(cè)向測(cè)井資料的快速處理(Wang et al., 2009; 王磊等, 2018).然而對(duì)于斜井各向異性等三維地層環(huán)境而言,正演效率過(guò)低,導(dǎo)致反演迭代過(guò)程中雅可比矩陣或海森矩陣求取耗時(shí),同時(shí)該類算法對(duì)初值依賴性強(qiáng),易陷于局部極小值,不利于陣列側(cè)向測(cè)井資料的快速精確處理(Pardo et al., 2007; Dubourg et al., 2017; Wu et al., 2020).不同于確定性算法,隨機(jī)類算法由單點(diǎn)或多點(diǎn)啟發(fā),搜索步長(zhǎng)和方向具有隨機(jī)性,可以在求解域內(nèi)全空間搜索,全局尋優(yōu)能力強(qiáng),進(jìn)而能夠提高資料處理精度,此類算法包括粒子群優(yōu)化算法、模擬退火算法以及差分進(jìn)化算法等(Eiben et al., 1994;Yang and Torres-Verdín, 2011; Li et al., 2020).然而,兩類算法在尋優(yōu)過(guò)程中皆要不斷調(diào)用正演,尤其對(duì)于三維地層環(huán)境而言,正演速度仍是制約反演效率的關(guān)鍵因素.

    近年來(lái),隨著智能算法的興起,有研究學(xué)者將深度學(xué)習(xí)技術(shù)引入地球物理反演當(dāng)中(林年添等, 2018; Shahriari et al., 2020; Wu and Fan, 2021; Zhang et al.,2021),以期能夠解決反演策略中正演效率低的難題.其中,反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)作為一種強(qiáng)大的監(jiān)督類學(xué)習(xí)架構(gòu),自從提出以來(lái)被廣泛用于特征識(shí)別以及函數(shù)逼近領(lǐng)域(Rumelhart and McClelland, 1986; Xu et al., 2018).然而,面對(duì)復(fù)雜輸入輸出問(wèn)題,BPNN存在超參數(shù)優(yōu)化困難、遷移性差、訓(xùn)練參數(shù)過(guò)多以及不易收斂等缺點(diǎn).為此,深層卷積神經(jīng)網(wǎng)絡(luò)(CNN)憑借著局部連接和權(quán)重共享的優(yōu)點(diǎn)逐漸代替BPNN(Fukushima, 1980; LeCun et al., 1998; Krizhevsky et al., 2017).在測(cè)井領(lǐng)域,Zhu等(2018)通過(guò)建立五層卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了地層巖性特征的快速識(shí)別;Li等(2019)基于1D模型和多層卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了大斜度井/水平井隨鉆電磁波測(cè)井的快速反演;Jin等(2019)通過(guò)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的損失函數(shù)實(shí)現(xiàn)了隨鉆測(cè)井領(lǐng)域的實(shí)時(shí)地質(zhì)導(dǎo)向.然而,上述研究皆是針對(duì)簡(jiǎn)單輸入輸出問(wèn)題,而對(duì)于陣列側(cè)向測(cè)井3D反演問(wèn)題,國(guó)內(nèi)外尚無(wú)研究.因此,針對(duì)陣列側(cè)向測(cè)井資料處理,如何提升高維正演效率,如何保證反演精度是當(dāng)前智能測(cè)井領(lǐng)域亟需解決的難題.

    為此,本文從三維有限元技術(shù)(3D-FEM)出發(fā),首先對(duì)斜井各向異性地層參數(shù)進(jìn)行敏感性分析,確定侵入、各向異性和地層傾角對(duì)陣列側(cè)向測(cè)井的敏感性大??;其次,建立三維陣列側(cè)向測(cè)井響應(yīng)數(shù)據(jù)庫(kù),引入二維卷積神經(jīng)網(wǎng)絡(luò)(2D-CNN)技術(shù),并基于二進(jìn)制轉(zhuǎn)換將地層模型轉(zhuǎn)為網(wǎng)絡(luò)輸入層所需的2D圖像,提高網(wǎng)絡(luò)識(shí)別局部特征的能力;接著,建立深層2D-CNN結(jié)構(gòu),并引入“丟棄”(Dropout)和“填充”(Padding)機(jī)制,實(shí)現(xiàn)三維陣列側(cè)向快速正演;最后,基于敏感性分析和快速正演,將多種群遺傳算法與列文伯格馬奎特算法相結(jié)合(MPGA-LM),對(duì)傾斜各向異性地層的電阻率剖面進(jìn)行了快速精確重構(gòu).

    1 陣列側(cè)向測(cè)井?dāng)?shù)值模擬

    1.1 三維有限元數(shù)值模擬

    本文以斯倫貝謝研發(fā)的高分辨率陣列側(cè)向測(cè)井儀HRLA為例,儀器包括一個(gè)主電極A0、六對(duì)屏蔽電極A1-A6(A1′-A6′)及兩對(duì)監(jiān)督電極M1、M2(M1′、M2′),屏蔽電極和監(jiān)督電極關(guān)于主電極對(duì)稱,通過(guò)改變不同電極間的收發(fā)組合方式,可以形成6種具有不同探測(cè)深度的視電阻率曲線,探測(cè)深度由淺及深分別命名為RLA0,RLA1,RLA2,RLA3,RLA4,RLA5.

    不同探測(cè)模式視電阻率可以通過(guò)測(cè)量監(jiān)督電極電位進(jìn)行計(jì)算,其中淺探測(cè)模式RLA0需要測(cè)量同側(cè)兩個(gè)監(jiān)督電極的電勢(shì)差值ΔUM1M2(RLA0),其他探測(cè)模式只需測(cè)量任意監(jiān)督電極上電勢(shì),其視電阻率計(jì)算公式如下:

    (1)

    (2)

    式中,i為1~5,分別代表上述5種工作方式;Ki為第i種測(cè)井模式的電極系數(shù),可在均勻地層條件下獲得;RRLAi為第i種測(cè)井模式的視電阻率;UM1(RLAi)為第i種測(cè)井模式的主電極電位;I0(RLAi)為第i種測(cè)井模式的主電極電流.

    可以看出,求解陣列側(cè)向測(cè)井視電阻率的關(guān)鍵在于得到監(jiān)督電極上的電勢(shì),為此必須將整個(gè)空間的電位分布函數(shù)求出.由于陣列側(cè)向測(cè)井用的是低頻交流電,故可視為穩(wěn)定電流,進(jìn)而該問(wèn)題轉(zhuǎn)為穩(wěn)流場(chǎng)電勢(shì)分布函數(shù)的求解問(wèn)題.

    根據(jù)邊界條件和變分原理,陣列側(cè)向測(cè)井響應(yīng)可歸結(jié)為求取泛函極值問(wèn)題,泛函構(gòu)造式如下:

    (3)

    式中,Λ為除去電極部分的求解區(qū)域,Ii和Ui分別代表儀器每個(gè)電極的電流和電勢(shì)大小.

    在電阻率不同的子空間交界面上,電流、電位具有連續(xù)性,滿足如下邊界條件:

    (4)

    式中,“-”表示交界面左側(cè)(上側(cè)),“+”表示交界面右側(cè)(下側(cè));n為交界面單位法向量.

    在無(wú)窮遠(yuǎn)邊界和絕緣電極表面還需滿足Dirichlet和Neumann邊界條件,如下所示:

    U|Γ1=0,

    (5)

    式中,Γ1和Γ2分別為無(wú)窮遠(yuǎn)邊界和絕緣電極表面.

    在主電極和屏蔽電極表面,滿足等值面邊界條件:

    (6)

    式中,UAi為電極表面電勢(shì),Γ3主電極或屏蔽電極表面,n為電極表面單位法向量,Ii為電極發(fā)射電流,i為0~5.

    為求解上述泛函的最小值,一般采用三維有限元方法(3D-FEM),最后采用前線解法求取含有大型稀疏矩陣的線性方程組,如式(7),該方法由于可以在求解過(guò)程中對(duì)剛度矩陣邊消元邊安裝,可有效提升正演計(jì)算速度(張庚驥, 2009).

    KΦ=F,

    (7)

    1.2 影響因素分析

    陣列側(cè)向測(cè)井受泥漿侵入、地層傾角以及各向異性等多種因素影響,因此,確定各因素對(duì)測(cè)井響應(yīng)影響強(qiáng)弱對(duì)于反演初值選取、約束條件施加具有重要意義.本節(jié)系統(tǒng)分析了侵入深度、各向異性和地層相對(duì)傾角等因素對(duì)陣列側(cè)向測(cè)井響應(yīng)的敏感性,定義敏感因子S如下:

    (8)

    其中,i為陣列側(cè)向探測(cè)模式,此處取1~5,x為地層參數(shù),分別代表侵入深度Di,各向異性系數(shù)λ和地層傾角θ.

    首先,分析侵入對(duì)陣列側(cè)向測(cè)井響應(yīng)的影響.以無(wú)限厚一層模型為例,地層為各向同性,侵入帶電阻率為2 Ωm,侵入深度Di變化范圍為0~3 m,侵入帶與原狀地層電阻率對(duì)比度范圍Rat為1~20.敏感性分布圖如圖1所示,橫縱坐標(biāo)分別為侵入深度和電阻率對(duì)比度.可以看出,陣列側(cè)向測(cè)井對(duì)侵入深度敏感因子最大約為2,且隨著探測(cè)深度的增大,對(duì)侵入深度的敏感區(qū)間也隨之增大:淺、中、深探測(cè)模式RLA1、RLA3和RLA5的敏感區(qū)域分別為0.2~0.5 m、0.3~1.0 m和0.6~2.3 m.

    圖1 HRLA對(duì)侵入深度的敏感性 (a)?RLA1/?Di; (b)?RLA3/?Di; (c)?RLA5/?DiFig.1 The sensitivity of HRLA to invasion depth

    接著,分析各向異性和地層傾角對(duì)陣列側(cè)向測(cè)井的影響.以無(wú)限厚模型為例,地層為各向異性,地層水平電阻率為2 Ωm,各向異性系數(shù)變化范圍為1~4,地層相對(duì)傾角變化范圍為0°~90°.圖2和圖3分別表示各向異性和地層相對(duì)傾角的敏感性分布圖,橫縱坐標(biāo)分別為各向異性系數(shù)和地層相對(duì)傾角.可以看出:(1)陣列側(cè)向測(cè)井對(duì)各向異性系數(shù)和地層相對(duì)傾角的敏感因子最大約為1;(2)陣列側(cè)向測(cè)井在高角度地層(60°~90°)對(duì)各向異性最為敏感,且探測(cè)深度較深的測(cè)井模式對(duì)各向異性的敏感性較大,原因在于當(dāng)?shù)貙酉鄬?duì)傾角逐漸增大時(shí),儀器電極發(fā)射電流方向逐漸朝著垂直電阻率方向傾斜.因此,垂直電阻率對(duì)測(cè)井響應(yīng)貢獻(xiàn)變大,各向異性敏感性增強(qiáng),而深探測(cè)曲線因探測(cè)范圍最廣,受其影響最大;(3)陣列側(cè)向測(cè)井在中高角度(50°~80°)對(duì)地層相對(duì)傾角最為敏感,且不同測(cè)井模式對(duì)相對(duì)傾角的敏感性與各向異性相似,皆是探測(cè)深度較深的測(cè)井模式對(duì)其敏感性較大,原因在于地層傾角對(duì)陣列側(cè)向曲線的影響本質(zhì)是因?yàn)榈貙痈飨虍愋缘挠绊?,因?yàn)榈貙觾A角增大,導(dǎo)致垂直電阻率的影響增大,進(jìn)而使得陣列側(cè)向五條曲線出現(xiàn)變化.

    圖2 HRLA對(duì)各向異性的敏感性 (a)?RLA1/? λ; (b)?RLA3/? λ; (c)?RLA5/? λ.Fig.2 The sensitivity of HRLA to anisotropy

    圖3 HRLA對(duì)地層相對(duì)傾角的敏感性 (a)?RLA1/? θ; (b)?RLA3/? θ; (c) ?RLA5/? θ.Fig.3 The sensitivity of HRLA to dipping angle

    2 深層卷積神經(jīng)網(wǎng)絡(luò)快速正演模型

    2.1 深層卷積神經(jīng)網(wǎng)絡(luò)理論

    深層卷積神經(jīng)網(wǎng)絡(luò)憑借著強(qiáng)大的泛化特性以及學(xué)習(xí)能力被廣泛用于圖像分類、語(yǔ)音檢測(cè)以及物體識(shí)別等復(fù)雜特征識(shí)別領(lǐng)域.一般而言,卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、卷積層、匯聚層(池化層)、全連接層和輸出層,本文以經(jīng)典二維卷積神經(jīng)網(wǎng)絡(luò)——LeNet-5為例,其結(jié)構(gòu)如圖4所示.其中,輸入層為三通道RGB圖像或者單通道灰度圖像,卷積層包含多個(gè)卷積核,不同的卷積核相當(dāng)于不同的特征提取器,結(jié)構(gòu)為一個(gè)二維矩陣,圖像經(jīng)過(guò)卷積層可提取多個(gè)局部特征并保存;匯聚層的作用在于特征選擇,降低特征數(shù)量,從而減少參數(shù)數(shù)量,其核心思想在于步長(zhǎng)間隔的選擇,達(dá)到“降維”的作用;全連接層與全連接前饋神經(jīng)網(wǎng)絡(luò)相同,不再贅述.

    圖4 LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 The architecture of LeNet-5

    相較于全連接神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)最大的特點(diǎn)在于局部連接和權(quán)重共享,如圖5所示,圖5a為傳統(tǒng)的二層全連接神經(jīng)網(wǎng)絡(luò),包括3個(gè)輸入,5個(gè)輸出,需訓(xùn)練參數(shù)包括15個(gè)權(quán)重和1個(gè)偏置共16個(gè)參數(shù);圖5b為二層卷積神經(jīng)網(wǎng)絡(luò),包括3個(gè)輸入,5個(gè)輸出,由于輸入層每個(gè)神經(jīng)元只需要與下層局部窗口內(nèi)的神經(jīng)元連接,且每個(gè)窗口內(nèi)權(quán)重共享,若卷積核大小為3,則需訓(xùn)練參數(shù)包括3個(gè)權(quán)重和1個(gè)偏置共4個(gè)參數(shù),可大大減少訓(xùn)練參數(shù)的數(shù)量,提高訓(xùn)練效率.

    圖5 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) (a) 全連接層; (b) 卷積層.Fig.5 The connection feature of network (a) Fully connected layer; (b) Convolution layer.

    同時(shí),為提高深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率,通常卷積層和全連接層分別引入填充(Padding)和丟棄(Dropout)機(jī)制,如圖6所示,通過(guò)在圖像卷積之前填充一層像素,使卷積之后的圖片與原圖尺寸相同,進(jìn)而使得卷積層得以加深,提高訓(xùn)練精度,如圖6a;另外通過(guò)隨機(jī)丟棄部分神經(jīng)元,可有效防止網(wǎng)絡(luò)過(guò)擬合,加快訓(xùn)練進(jìn)程,如圖6b.

    圖6 神經(jīng)元連接機(jī)制 (a) “Padding”機(jī)制; (b) “Dropout”機(jī)制.Fig.6 Neuronal connection mechanism (a) “Padding” mechanism; (b) “Dropout” mechanism.

    2.2 數(shù)據(jù)庫(kù)構(gòu)建及模型可視化

    神經(jīng)網(wǎng)絡(luò)模型的可靠性和穩(wěn)定性很大程度上依賴于訓(xùn)練數(shù)據(jù)的精度,因此,本文基于嚴(yán)格三維有限元算法,構(gòu)建大型數(shù)據(jù)集,并將其載入深層2D-CNN進(jìn)行訓(xùn)練,以此建立快速回歸模型.考慮圍巖和層厚對(duì)陣列側(cè)向測(cè)井響應(yīng)的影響,數(shù)據(jù)集基于三層地層模型構(gòu)建,如圖7a所示,該模型亦作為2D-CNN的輸入.具體地,令兩側(cè)圍巖為各向同性地層,電阻率相同,中間層為有侵各向異性地層,模型參數(shù)范圍如下:各向異性系數(shù)λ為1~4,分為13組,間隔0.25;侵入深度Di為0~1 m,分為11組,間隔0.1 m;圍巖電阻率Rs、沖洗帶水平電阻率Rxoh和目的層水平電阻率Rth范圍皆為0.1~500 Ωm,將其以對(duì)數(shù)形式各分為20組,對(duì)數(shù)間隔為0.19;兩側(cè)圍巖為半無(wú)限厚地層;目的層厚度H為0~5 m,分為16組,間隔0.33 m;測(cè)量點(diǎn)為以目的層中點(diǎn)為中心,上下各取兩個(gè)點(diǎn),共5個(gè)測(cè)量點(diǎn),采樣點(diǎn)間隔為0.1 m.需要注意的是,為簡(jiǎn)化數(shù)據(jù)庫(kù)構(gòu)建流程,將其按地層傾角分為10個(gè)子庫(kù),每個(gè)子庫(kù)地層傾角間隔10°.因此,每個(gè)子庫(kù)有13×11×203×16,共18,304,000個(gè)樣本,每個(gè)樣本包括六個(gè)模型參數(shù),共109,824,000個(gè)模型數(shù)據(jù),將其儲(chǔ)存至變量M中,大小為18304000×6;同時(shí)每個(gè)樣本含有五個(gè)測(cè)量點(diǎn),每個(gè)測(cè)量點(diǎn)包括五個(gè)電阻率值(RLA1~RLA5),因此,每組共包含457,600,000個(gè)數(shù)據(jù)點(diǎn),將數(shù)據(jù)點(diǎn)作為輸出儲(chǔ)存至變量D中,大小為18304000×25.在計(jì)算機(jī)內(nèi)存中,每個(gè)數(shù)據(jù)點(diǎn)占8個(gè)字節(jié),因此,每組數(shù)據(jù)大小約為0.944 GB,數(shù)據(jù)庫(kù)總大小為9.44 GB.

    對(duì)于復(fù)雜模型回歸問(wèn)題,1D-CNN訓(xùn)練精度無(wú)法滿足需求,因此,本文采用學(xué)習(xí)和泛化能力較強(qiáng)的2D-CNN結(jié)構(gòu).而對(duì)于2D-CNN而言,輸入層普遍為2D圖像,為滿足網(wǎng)絡(luò)需求,本文基于二進(jìn)制轉(zhuǎn)換將一系列一維模型數(shù)組轉(zhuǎn)化為二維字符串,進(jìn)而合成一系列二值圖像(Zhong et al., 2019).具體轉(zhuǎn)換過(guò)程如圖7所示,其中圖7a為三層地層模型,具體模型參數(shù)如下:兩側(cè)圍巖為半無(wú)限厚各向同性地層,電阻率為2.564 Ωm,中間層層厚為3.156 m,侵入深度為0.428 m,侵入帶和目的層水平電阻率分別為11.278 Ωm和47.433 Ωm,各向異性系數(shù)為1.3,圖7b為模型參數(shù)對(duì)應(yīng)的二進(jìn)制矩陣,圖7c為基于二進(jìn)制矩陣轉(zhuǎn)換為的二值圖像,每個(gè)模型可唯一對(duì)應(yīng)一個(gè)二值圖像.由于數(shù)據(jù)庫(kù)中最大數(shù)值為8000,且小數(shù)后保留3位,故確定二進(jìn)制字符串長(zhǎng)度為32,若字符串長(zhǎng)度過(guò)長(zhǎng),可自動(dòng)補(bǔ)零.

    圖7 模型可視化過(guò)程 (a) 地層模型; (b) 模型參數(shù)對(duì)應(yīng)二進(jìn)制矩陣; (c) 二值圖像.Fig.7 The process of model visualization (a) Formation model; (b) The binary matrix correspond to model parameters; (c) Binary image corresponding to formation model.

    2.3 2D-CNN損失函數(shù)及數(shù)據(jù)歸一化

    由于前饋神經(jīng)網(wǎng)絡(luò)的局限性導(dǎo)致訓(xùn)練精度偏低,為此本文將反向傳播技術(shù)應(yīng)用于2D-CNN網(wǎng)絡(luò)架構(gòu)中,定義損失函數(shù)如下:

    (9)

    g(w,b,x)=w?x+b,

    (10)

    σ(z)=max(z,0),

    (11)

    (12)

    式中,L為神經(jīng)網(wǎng)絡(luò)層數(shù),Kl和Ml分別為第l層卷積核數(shù)量和卷積核尺寸.

    接著,通過(guò)計(jì)算損失函數(shù)關(guān)于每層參數(shù)的梯度進(jìn)行反向傳播,為不失一般性,本文使用鏈?zhǔn)角髮?dǎo)法則對(duì)卷積層第l層的參數(shù)進(jìn)行求導(dǎo):

    (13)

    由式(10)和式(11),易得

    (14)

    (15)

    式中,k為第l層第k個(gè)特征映射,U為第l+1層的卷積核數(shù)量,X(l,k)=σ(g(l,k)).

    同時(shí),由于每組樣本中有5個(gè)測(cè)量點(diǎn),即Y= (Y1,Y2,Y3,Y4,Y5)T,每個(gè)測(cè)量點(diǎn)包含五個(gè)視電阻率值,即Yi=(RLAi1,RLAi2,RLAi3,RLAi4,RLAi5)T.為提升訓(xùn)練精度,可將數(shù)據(jù)進(jìn)行歸一化處理,本文采用最小最大值歸一化方法,將輸出數(shù)據(jù)統(tǒng)一歸一化至[0,1],公式如下:

    (16)

    需要注意的是,對(duì)于卷積神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的數(shù)據(jù)而言,需將其反歸一化至正常值.

    2.4 深層卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)及測(cè)試

    本文以9層卷積神經(jīng)網(wǎng)絡(luò)為例,對(duì)大型數(shù)據(jù)集進(jìn)行訓(xùn)練測(cè)試,網(wǎng)絡(luò)結(jié)構(gòu)及超參數(shù)定義如表1所示.網(wǎng)絡(luò)輸入為侵入深度、各向異性系數(shù)、侵入帶和原狀地層水平電阻率、圍巖層電阻率和目的層厚度所轉(zhuǎn)換為的二值圖像,即Input=BImage6×32×1, 輸出為陣列側(cè)向測(cè)井歸一化之后的視電阻率,即Output=RLA1×25.網(wǎng)格架構(gòu)搭建平臺(tái)為:Pycharm2020.2.3,Python3.7和Tensorflow2.0(GPU版本).為防止訓(xùn)練模型過(guò)擬合以及提升訓(xùn)練精度,引入Dropout和Padding機(jī)制,其中Dropout率為0.5,Padding選擇‘same’模式,即每層輸入輸出維度一致,進(jìn)而使得在每層輸入不丟失信息的前提下將卷積層延續(xù),達(dá)到深化卷積層、提升訓(xùn)練精度的目的.除此之外,由于匯聚層將卷積層提取的多個(gè)特征融合,而對(duì)于本文回歸問(wèn)題,每個(gè)模型特征都是唯一的,因此,為保持模型特征完整性,不使用匯聚層.同時(shí)反向傳播算法采用自適應(yīng)矩估計(jì)算法(Adam).訓(xùn)練過(guò)程中,隨機(jī)選取95%的數(shù)據(jù)集為訓(xùn)練集,剩余5%的數(shù)據(jù)為測(cè)試集.

    表1 2D-CNN超參數(shù)定義Table 1 The definition of hyperparameters in 2D-CNN

    為測(cè)試2D-CNN網(wǎng)格訓(xùn)練精度,本文將其訓(xùn)練結(jié)果與BPNN對(duì)比分析,其中BPNN網(wǎng)絡(luò)架構(gòu)與其類似,具體為:九層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),激活函數(shù)為ReLU,隱含層神經(jīng)元個(gè)數(shù)分別為32,64,128,256,516,516,516,Dropout率為0.5,損失函數(shù)與反向傳播訓(xùn)練算法與2D-CNN一致.圖8為其訓(xùn)練精度與損失函數(shù)下降量的對(duì)比結(jié)果,綠色和黑色散點(diǎn)線分別代表2D-CNN和BPNN訓(xùn)練結(jié)果,可以看出兩者收斂速度大致相同,但訓(xùn)練精度卻相差較大,2D-CNN在100次迭代后訓(xùn)練精度即可達(dá)到99%左右,而B(niǎo)PNN為85%.除此之外,BPNN容易陷入局部極小值,精度無(wú)法隨著迭代的進(jìn)行而提升,相較而言,2D-CNN不僅可以快速收斂,而且訓(xùn)練精度隨著迭代的進(jìn)行逐漸接近100%.測(cè)試集與之規(guī)律類似,不再贅述.另外,通過(guò)計(jì)算2D-CNN和BPNN在測(cè)試集上的泛化誤差,計(jì)算公式如式(17).我們發(fā)現(xiàn),兩者泛化誤差分別為1.28%和16.37%,從而也佐證了2D-CNN算法的高效性.

    圖8 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果 (a) BPNN和2D-CNN預(yù)測(cè)精度; (b) BPNN和2D-CNN損失函數(shù).Fig.8 Neural network training results (a) Prediction accuracy of BPNN and 2D-CNN; (b) Loss function of BPNN and 2D-CNN.

    (17)

    式中,ntest為測(cè)試集樣本數(shù),此處為211200;RLAij_2D-CNN為2D-CNN計(jì)算結(jié)果,RLAij_3D-FEM為3D-FEM計(jì)算結(jié)果.

    除此之外,為驗(yàn)證訓(xùn)練模型的精度,我們隨機(jī)選取20個(gè)樣本點(diǎn),分別測(cè)試中間層原狀地層水平電阻率與各向異性系數(shù)對(duì)模型預(yù)測(cè)精度的影響,如圖9所示,實(shí)線代表3D-FEM計(jì)算結(jié)果,散點(diǎn)表示2D-CNN預(yù)測(cè)結(jié)果.樣本點(diǎn)模型皆為三層模型:Rs為2 Ωm,H為4 m,Di為0.5 m,Rxoh為20 Ωm.其中圖9aλ為1.5,Rth變化范圍為1~500 Ωm;圖9b中Rth為100 Ωm,λ變化范圍為1~3.從對(duì)比結(jié)果可以看出,兩者吻合度極高,最大相對(duì)誤差分別為0.81%和0.24%.因此,基于深層卷積網(wǎng)絡(luò)的快速正演模型滿足精度需求,為斜井各向異性地層的快速反演提供有力支撐.

    圖9 2D-CNN精度測(cè)試 (a) Rth對(duì)預(yù)測(cè)精度的影響; (b) λ對(duì)預(yù)測(cè)精度的影響.Fig.9 Prediction accuracy testing of 2D-CNN (a) The effect of Rth on the prediction accuracy; (b) The effect of λ on the prediction accuracy.

    3 混合MPGA-LM算法及快速反演流程

    3.1 代價(jià)函數(shù)定義

    大斜度井/水平井陣列側(cè)向測(cè)井是典型的非線性反演問(wèn)題,確定性算法L-M算法由于結(jié)合高斯牛頓算法和最速下降法的特性,能夠彌補(bǔ)全局尋優(yōu)能力不強(qiáng)或收斂性差的缺陷,反演過(guò)程中采用的代價(jià)函數(shù)如下:

    (18)

    式中,x為待反演參數(shù)矢量,x=(Di,Rxoh,Rth,λ,Rs)T,上標(biāo)T表示矩陣的轉(zhuǎn)置,S(x)為陣列側(cè)向儀器正演響應(yīng),dobs為實(shí)際測(cè)量數(shù)據(jù),‖·‖2表征L2范數(shù),xp為模型已知參考矢量,通常是上一步迭代參數(shù)矢量,ξ為正則化參數(shù),最后一項(xiàng)的作用是壓制測(cè)量噪聲,同時(shí)減小非線性反演出現(xiàn)的病態(tài)問(wèn)題.反演的目的是得到一個(gè)x*使得代價(jià)函數(shù)最小,即x*=argmin{C(x)}.

    進(jìn)一步,經(jīng)二階泰勒近似,可得第k步迭代步長(zhǎng)xk為

    xk=-JT(xk){S(xk)-dobs)}[JT(xk)J(xk)+ξkI]-1,

    (19)

    式中,I為單位矩陣,J為S在xk處的雅克比矩陣,ξk為第k次迭代的正則化參數(shù)大小.

    為克服傳統(tǒng)差分方法計(jì)算雅可比矩陣耗時(shí)的缺陷,本文采用Broyden近似方法進(jìn)行雅可比矩陣的迭代更新(Broyden, 2000).

    ·(xk)T,

    (20)

    式中,J(xk+1)為第k+1步的雅可比矩陣.

    3.2 基于MPGA的初值優(yōu)選策略

    由于L-M算法對(duì)初值依賴性較強(qiáng),若初值選取不適,算法易困于局部極小值,反演精度低.為此,本文基于卷積神經(jīng)網(wǎng)絡(luò)快速正演模型,同時(shí)為克服標(biāo)準(zhǔn)遺傳算法(GA)早熟早收斂的缺陷,利用多種群遺傳算法(MPGA)優(yōu)化初值選取,進(jìn)而提升L-M算法全局尋優(yōu)能力.

    如圖10所示,多種群遺傳算法的核心在于將多個(gè)種群進(jìn)行初始化,即“二進(jìn)制”編碼,并同時(shí)進(jìn)行選擇、交叉和變異操作.種群間通過(guò)移民算子進(jìn)行協(xié)同進(jìn)化,最后通過(guò)適應(yīng)度函數(shù)分析,借助人工選擇算子選取種群最優(yōu)個(gè)體組成精華種群.本文定義適應(yīng)度函數(shù)如下:

    圖10 多種群遺傳算法流程Fig.10 The framework of multi-population genetic algorithm

    (21)

    式中,p= 1,2,…,P,P為種群數(shù)量,n=1,2,…,N,N為每個(gè)種群個(gè)體數(shù)量,m為每個(gè)測(cè)量點(diǎn)數(shù)據(jù)量,此處為25.

    除此之外,本文所采用的多種群遺傳算法超參數(shù)選擇如下:種群數(shù)目為5,個(gè)體數(shù)目為30,最大遺傳代數(shù)為50,變量的二進(jìn)制位數(shù)為32,交叉概率在[0.7,0.9]內(nèi)隨機(jī)產(chǎn)生,變異概率在[0.001,0.05]內(nèi)隨機(jī)產(chǎn)生.

    為測(cè)試初值選取精度,以30°三層地層模型為例,兩側(cè)為各向同性圍巖,中間層為有侵各向異性地層.表2為測(cè)試模型參數(shù)分布以及多種群遺傳算法初值選取結(jié)果,Mode l1-Mode l5層厚分別為1~5 m,間隔為1 m.可以看出,受層厚影響,當(dāng)層厚小于3 m時(shí),圍巖電阻率可準(zhǔn)確選取,平均相對(duì)誤差為4.4%;當(dāng)層厚大于3 m時(shí),陣列側(cè)向測(cè)井響應(yīng)基本不反映圍巖信息,選取誤差急劇增大,而此時(shí)其他參數(shù)選取較為精確,整體而言,侵入深度平均相對(duì)誤差為18.6%,各向異性系數(shù)為17.8%,侵入帶和原狀地層水平電阻率分別為18.7%和6.8%,選取精度滿足L-M算法需求.

    表2 初值選取結(jié)果Table 2 The selection result of initial value

    3.3 混合MPGA-LM快速反演流程及有效性測(cè)試

    實(shí)際資料處理過(guò)程中,針對(duì)帶有深度點(diǎn)的大型測(cè)井響應(yīng)數(shù)據(jù)集,我們將其由上到下分為若干子區(qū)域,每個(gè)子區(qū)域?yàn)槿龑幽P?,中間層為有限厚,地層厚度由層界面位置決定,而層界面位置可通過(guò)視電阻率曲線拐點(diǎn)或伽馬、自然電位等巖性曲線確定,上下地層視為無(wú)限厚地層進(jìn)行處理.圖11為混合MPGA-LM反演流程圖,由上節(jié)可知,經(jīng)MPGA優(yōu)選后的參數(shù)分布于反演代價(jià)函數(shù)真實(shí)解附近,故可將其作為L(zhǎng)-M算法的初值,進(jìn)而提升反演效率;另一方面,由于當(dāng)層厚大于3 m時(shí)候,圍巖對(duì)陣列側(cè)向響應(yīng)近乎無(wú)影響,此時(shí)反演參數(shù)可降為4個(gè),即Di、Rxoh、Rth和λ.同時(shí),為提高訓(xùn)練精度,反演可循環(huán)N次(本文N為2),即處理完整個(gè)井段資料后,可進(jìn)行二次處理.

    圖11 混合MPGA-LM反演流程Fig.11 The workflow of hybrid MPGA-LM scheme

    另外,為測(cè)試混合MPGA-LM快速反演算法的有效性,本文以三層模型為例,分別采用簡(jiǎn)單初始模型與MPGA提供的初始模型進(jìn)行反演對(duì)比,反演算法皆為L(zhǎng)M算法.地層傾角選擇30°,模型參數(shù)分布如表3所示.其中,在簡(jiǎn)單初始模型中分別將深、淺測(cè)井響應(yīng)RLA1和RLA5作為Rxoh和Rth的初始值,Di和λ的初始值分別為0.5 m和1.5,表3為兩者方法反演結(jié)果及相對(duì)誤差,可以看出,較之簡(jiǎn)單初始模型的LM算法,MPGA-LM可以更好的將地層剖面重構(gòu),反演精度更高.以中間地層反演結(jié)果為例,基于簡(jiǎn)單初始模型的LM算法反演后Di、λ、Rxoh和Rth的相對(duì)誤差(RE)分別為36.67%、33%、84.10%和23.08%;MPGA-LM反演后Di、λ、Rxoh和Rth的相對(duì)誤差分別為3.33%、0.50%、6.40%和2.86%,精度可以提高數(shù)倍至數(shù)十倍,由此本文提出的混合MPGA-LM快速反演算法的有效性得到了驗(yàn)證,為下文數(shù)值模擬實(shí)例的分析提供了保障.

    表3 LM與MPGA-LM算法反演結(jié)果對(duì)比Table 3 The inverted results comparison between LM and MPGA-LM algorithm

    4 數(shù)值模擬實(shí)例

    本節(jié)通過(guò)建立21層俄克拉荷馬模型,進(jìn)一步驗(yàn)證上述反演方案的有效性.模型參數(shù)如下:井徑為8 inch,泥漿電阻率為0.1 Ωm,地層相對(duì)傾角分別

    為0°、30°和60°,侵入深度范圍0~1.0 m,侵入帶水平電阻率分布范圍為0.2~30 Ωm,原狀地層水平電阻率范圍為0.2~100 Ωm,各向異性系數(shù)范圍為1~2.5 Ωm.圖12為該模型參數(shù)分布示意圖,縱坐標(biāo)為真實(shí)垂直深度(TVD).圖13為地層相對(duì)傾角分別為0°、30°和60°時(shí)陣列側(cè)向測(cè)井響應(yīng).本文將地層界面位置作為已知條件,僅反演侵入深度、侵入帶電阻率以及原狀地層電阻率.

    圖12 俄克拉荷馬模型參數(shù)分布 (a) 侵入深度; (b) 侵入帶和原狀地層水平電阻率; (c) 各向異性系數(shù).Fig.12 The Oklahoma model parameters (a) Di; (b) Rxoh and Rth;(c) λ.

    圖13 陣列側(cè)向測(cè)井響應(yīng)結(jié)果 (a) 0°; (b) 30°; (c) 60°.Fig.13 The responses of array laterolog

    從測(cè)井響應(yīng)結(jié)果可以看出,泥漿濾液侵入對(duì)其影響嚴(yán)重,如模型第八層,該層為各向同性地層,厚度為5.2 m,侵入深度為0.3 m,地層真實(shí)電阻率為70 Ωm,而視電阻率值在0°、30°和60°時(shí)與地層電阻率的最大偏離度,即max(RLA/Rth),分別為32.16%、31.81%和31.03%,遠(yuǎn)遠(yuǎn)偏離地層真實(shí)電阻率;除此之外,由于受地層各向異性的影響,導(dǎo)致響應(yīng)結(jié)果介于水平和垂直電阻率之間,如模型第16層,該層無(wú)侵入,地層水平和垂直電阻率分別為5 Ωm和20 Ωm,測(cè)井響應(yīng)在0°、30°和60°時(shí)的視電阻率大小分別在12 Ωm、13 Ωm 和15 Ωm附近,可以看出,60°地層對(duì)各向異性更為敏感,由此驗(yàn)證了2.3部分的結(jié)論.由上述可知,單單從測(cè)井曲線無(wú)法提取地層真實(shí)電阻率,因此需借助反演手段對(duì)地層真實(shí)電阻率剖面進(jìn)行重構(gòu).本文基于運(yùn)行內(nèi)存為8 GB 的英特爾i7-9700 處理器對(duì)60 m測(cè)井?dāng)?shù)據(jù)進(jìn)行反演處理,數(shù)據(jù)采樣間隔為0.1 m,循環(huán)反演次數(shù)為2次,反演總耗時(shí)約6.8 min.圖14是基于本文提出的反演策略對(duì)測(cè)井資料處理后的結(jié)果.

    從圖14反演結(jié)果及圖15反演誤差曲線可以看出,就反演精度而言,地層水平電阻率>侵入深度>各向異性系數(shù),三者的相對(duì)誤差范圍分別為0~8.38%、0.11%~6.98%和0~14.35%,該現(xiàn)象可由1.3節(jié)結(jié)論解釋,即測(cè)井響應(yīng)對(duì)侵入深度的敏感性大于地層各向異性;另一方面,地層傾角對(duì)侵入深度和地層水平電阻率的反演精度影響較小,而對(duì)地層各向異性影響較大,可以看出,三個(gè)角度下各向異性的反演相對(duì)誤差最大值分別為14.35%、7.79%和3.85%,該現(xiàn)象亦可由1.3節(jié)結(jié)論解釋,即高角度條件下陣列側(cè)向測(cè)井響應(yīng)對(duì)各向異性的敏感性較強(qiáng).

    圖14 混合MPGA-LM反演結(jié)果 (a) 侵入深度; (b) 侵入帶和原狀地層水平電阻率; (c) 各向異性系數(shù).Fig.14 The inverted results using hybrid MPGA-LM algorithm (a) Di; (b) Rxoh and Rth; (c) λ.

    圖15 反演結(jié)果相對(duì)誤差 (a) 侵入深度反演誤差; (b) 侵入帶和原狀地層水平電阻率反演誤差; (c) 各向異性系數(shù)反演誤差.Fig.15 The relative error of inverted results (a) The relative error of inverted Di; (b) The relative error of inverted Rxoh and Rth; (c) The relative error of inverted λ.

    另外,由于在反演過(guò)程中調(diào)用的正演模型是2D-CNN快速計(jì)算模型,而非3D-FEM算法,而2D-CNN模型缺乏對(duì)各向異性圍巖層的考慮.因此,為進(jìn)一步分析反演誤差產(chǎn)生原因,我們將2D-CNN與3D-CNN的計(jì)算結(jié)果進(jìn)行誤差分析,平均相對(duì)誤差(MRE)計(jì)算公式如式(22)所示,具體結(jié)果如表4所示.

    表4 2D-CNN與3D-FEM計(jì)算結(jié)果平均相對(duì)誤差Table 4 The mean relative error between the responses calculated by 2D-CNN and 3D-FEM

    (22)

    式中,RLAi_2D-CNN為2D-CNN計(jì)算結(jié)果,RLAi_3D-FEM為3D-FEM計(jì)算結(jié)果.

    可以發(fā)現(xiàn),整體而言,兩者平均相對(duì)誤差小于10%,對(duì)于大多數(shù)層而言,相對(duì)誤差小于3%,滿足精度要求.然而在薄層處,由于受到圍巖層厚、侵入和各向異性的影響,平均相對(duì)誤差普遍大于5%,如第2層、第10層和第18層等.該現(xiàn)象正是造成反演結(jié)果精度較低的原因之一.為此,在后續(xù)研究中,我們將繼續(xù)完善訓(xùn)練模型,提升神經(jīng)網(wǎng)絡(luò)算法對(duì)圍巖層特征的拾取能力.

    值得注意的是,本文所采用的反演模型均為侵入模型,由于多解性問(wèn)題的存在,會(huì)使得無(wú)侵地層的侵入深度反演結(jié)果不為0,但侵入帶電阻率和原狀地層電阻率的反演結(jié)果一致性較高,如模型第五層和第九層.整體而言,該方案可有效提升算法克服反演多解性的能力,進(jìn)而提高傾斜各向異性地層陣列側(cè)向測(cè)井反演精度,給陣列側(cè)向測(cè)井實(shí)際資料處理提供一種新思路.

    5 結(jié)論

    針對(duì)傾斜各向異性地層,本文基于3D-FEM,分析了侵入深度、各向異性以及地層傾角等因素對(duì)陣列側(cè)向測(cè)井響應(yīng)的影響;接著,引入2D-CNN網(wǎng)絡(luò)架構(gòu),針對(duì)侵入深度小于1.0 m,各向異性系數(shù)小于4,層厚小于5 m,圍巖和地層水平電阻率位于0.1~500 Ωm的地層,通過(guò)建立大型數(shù)據(jù)集以及將模型可視化,使得2D-CNN訓(xùn)練精度和計(jì)算速度能夠滿足正反演需求,訓(xùn)練精度達(dá)到99%左右,計(jì)算一個(gè)測(cè)井點(diǎn)僅需0.36 ms;在此基礎(chǔ)上,通過(guò)引入全局尋優(yōu)能力較強(qiáng)的MPGA算法,可為L(zhǎng)-M反演算法提供較為精確的初值,進(jìn)而基于區(qū)域分解技術(shù)使得斜井各向異性地層電阻率反演精度達(dá)到90%以上.

    不可否認(rèn)的是,在更為復(fù)雜的三維地層條件下,例如碳酸鹽巖地層,存在裂縫和溶洞發(fā)育、地層各向異性強(qiáng)以及電阻率大等特征,本文提供的數(shù)據(jù)庫(kù)及網(wǎng)絡(luò)架構(gòu)將不再適用,讀者僅需將其進(jìn)行擴(kuò)充與完善即可.另外,復(fù)雜三維地層的測(cè)井響應(yīng)會(huì)使得反演多解性更為強(qiáng)烈,為此,在今后研究中,應(yīng)進(jìn)一步豐富和完善神經(jīng)網(wǎng)絡(luò)架構(gòu)以及反演方案,以期為油氣田開(kāi)發(fā)提供更為便捷可靠的處理方案.

    猜你喜歡
    側(cè)向測(cè)井電阻率
    本期廣告索引
    軍航無(wú)人機(jī)與民航航班側(cè)向碰撞風(fēng)險(xiǎn)評(píng)估
    八扇區(qū)水泥膠結(jié)測(cè)井儀刻度及測(cè)井?dāng)?shù)據(jù)處理
    彎月薄鏡的側(cè)向支撐
    三維電阻率成像與高聚物注漿在水閘加固中的應(yīng)用
    側(cè)向風(fēng)場(chǎng)中無(wú)人機(jī)的飛行研究
    基于 L1自適應(yīng)控制的無(wú)人機(jī)橫側(cè)向控制
    基于測(cè)井響應(yīng)評(píng)價(jià)煤巖結(jié)構(gòu)特征
    隨鉆電阻率測(cè)井的固定探測(cè)深度合成方法
    中石油首個(gè)全國(guó)測(cè)井行業(yè)標(biāo)準(zhǔn)發(fā)布
    蜜桃久久精品国产亚洲av| 黄片小视频在线播放| 国产精品亚洲一级av第二区| 国内精品久久久久精免费| 国产69精品久久久久777片 | 午夜福利欧美成人| 国产精品久久久久久亚洲av鲁大| 日韩精品青青久久久久久| 久久精品亚洲精品国产色婷小说| 国产区一区二久久| 麻豆成人午夜福利视频| 成人手机av| 免费看十八禁软件| 欧美成人性av电影在线观看| 变态另类丝袜制服| 精品乱码久久久久久99久播| 99久久精品热视频| 亚洲国产看品久久| 久久国产乱子伦精品免费另类| 国内少妇人妻偷人精品xxx网站 | 国产精品乱码一区二三区的特点| 亚洲av成人一区二区三| 色综合婷婷激情| 亚洲精品av麻豆狂野| 精品一区二区三区av网在线观看| 观看免费一级毛片| 午夜福利成人在线免费观看| 免费看日本二区| 国产欧美日韩一区二区精品| 亚洲欧美日韩高清专用| 99riav亚洲国产免费| 麻豆av在线久日| 亚洲av熟女| 国产黄色小视频在线观看| 欧美日韩中文字幕国产精品一区二区三区| 视频区欧美日本亚洲| 淫秽高清视频在线观看| 深夜精品福利| 国内揄拍国产精品人妻在线| 男女做爰动态图高潮gif福利片| 亚洲欧美日韩无卡精品| 亚洲成人中文字幕在线播放| 美女免费视频网站| 嫩草影视91久久| 999久久久国产精品视频| 成年版毛片免费区| 不卡av一区二区三区| 91老司机精品| 夜夜躁狠狠躁天天躁| 精品国内亚洲2022精品成人| 99热这里只有是精品50| 成人亚洲精品av一区二区| 一卡2卡三卡四卡精品乱码亚洲| 亚洲欧美精品综合久久99| 免费在线观看亚洲国产| tocl精华| 久9热在线精品视频| 18美女黄网站色大片免费观看| 国产亚洲精品久久久久5区| 国产一区二区激情短视频| 欧美一区二区国产精品久久精品 | 日日夜夜操网爽| 成人亚洲精品av一区二区| 在线观看日韩欧美| 国产av又大| 免费在线观看黄色视频的| 嫁个100分男人电影在线观看| 国模一区二区三区四区视频 | 麻豆国产97在线/欧美 | av视频在线观看入口| 亚洲无线在线观看| 中文字幕熟女人妻在线| 亚洲性夜色夜夜综合| 舔av片在线| 欧美一区二区国产精品久久精品 | 欧美乱妇无乱码| 人成视频在线观看免费观看| 国产亚洲精品久久久久5区| 一个人免费在线观看电影 | 亚洲精品在线观看二区| 国产伦一二天堂av在线观看| 午夜福利在线观看吧| 亚洲 国产 在线| 国产精品一区二区免费欧美| 又大又爽又粗| 夜夜爽天天搞| 免费观看人在逋| 亚洲性夜色夜夜综合| 日韩欧美免费精品| 久久久久久久午夜电影| 深夜精品福利| 日本 av在线| 村上凉子中文字幕在线| 每晚都被弄得嗷嗷叫到高潮| 变态另类成人亚洲欧美熟女| 亚洲一区二区三区不卡视频| 精品高清国产在线一区| 黄色a级毛片大全视频| 日日摸夜夜添夜夜添小说| 亚洲天堂国产精品一区在线| 婷婷丁香在线五月| 特大巨黑吊av在线直播| 桃色一区二区三区在线观看| 一级作爱视频免费观看| 又大又爽又粗| 岛国在线免费视频观看| 国产伦人伦偷精品视频| 露出奶头的视频| 哪里可以看免费的av片| 波多野结衣高清作品| 天堂动漫精品| 欧美一区二区国产精品久久精品 | 毛片女人毛片| 可以在线观看的亚洲视频| 女警被强在线播放| 精品熟女少妇八av免费久了| 1024手机看黄色片| 91国产中文字幕| 久久久久九九精品影院| 在线观看午夜福利视频| 中国美女看黄片| 黄片大片在线免费观看| 男插女下体视频免费在线播放| 最近在线观看免费完整版| 国产真实乱freesex| 免费在线观看成人毛片| 亚洲人成伊人成综合网2020| 国内精品久久久久久久电影| 成人国语在线视频| 欧美一级毛片孕妇| 亚洲天堂国产精品一区在线| 看免费av毛片| 国产av麻豆久久久久久久| 一级毛片高清免费大全| 两性午夜刺激爽爽歪歪视频在线观看 | 无人区码免费观看不卡| 国产区一区二久久| 国产成人啪精品午夜网站| 国产aⅴ精品一区二区三区波| 高潮久久久久久久久久久不卡| 国产精品亚洲美女久久久| 国产精品1区2区在线观看.| 日韩欧美 国产精品| 亚洲 国产 在线| 18禁黄网站禁片免费观看直播| 国产精品香港三级国产av潘金莲| 久久这里只有精品中国| 99精品欧美一区二区三区四区| 九九热线精品视视频播放| 又爽又黄无遮挡网站| www.www免费av| 51午夜福利影视在线观看| 久久精品91无色码中文字幕| 欧美色视频一区免费| 可以免费在线观看a视频的电影网站| svipshipincom国产片| 成人一区二区视频在线观看| 欧美乱码精品一区二区三区| 激情在线观看视频在线高清| 999久久久精品免费观看国产| 神马国产精品三级电影在线观看 | 久久久精品国产亚洲av高清涩受| 国产单亲对白刺激| www.熟女人妻精品国产| 精品国产乱子伦一区二区三区| 熟妇人妻久久中文字幕3abv| 亚洲人成网站在线播放欧美日韩| 国产精品影院久久| 国产精品,欧美在线| 嫩草影院精品99| 欧美在线一区亚洲| 欧美日韩福利视频一区二区| 老司机午夜十八禁免费视频| 欧洲精品卡2卡3卡4卡5卡区| 高潮久久久久久久久久久不卡| 亚洲一区二区三区不卡视频| 一级黄色大片毛片| 日本免费一区二区三区高清不卡| 国产精品影院久久| 香蕉av资源在线| 午夜福利免费观看在线| 亚洲精品久久国产高清桃花| 精品熟女少妇八av免费久了| 国产av一区在线观看免费| 成人精品一区二区免费| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品98久久久久久宅男小说| 精品人妻1区二区| 久久婷婷人人爽人人干人人爱| 视频区欧美日本亚洲| 国产精品久久视频播放| 日本一区二区免费在线视频| 校园春色视频在线观看| 免费在线观看日本一区| 欧美激情久久久久久爽电影| 亚洲精品在线观看二区| 久久这里只有精品中国| 国产成年人精品一区二区| 99国产综合亚洲精品| 一夜夜www| 制服诱惑二区| 99热这里只有精品一区 | 这个男人来自地球电影免费观看| 夜夜夜夜夜久久久久| 国产探花在线观看一区二区| 亚洲专区字幕在线| 国产视频一区二区在线看| 天天躁夜夜躁狠狠躁躁| 国产免费av片在线观看野外av| 中文字幕熟女人妻在线| 久久精品成人免费网站| 国产日本99.免费观看| 国产精品久久视频播放| 后天国语完整版免费观看| 一个人观看的视频www高清免费观看 | 天天一区二区日本电影三级| 亚洲成人久久性| 久久精品aⅴ一区二区三区四区| 九九热线精品视视频播放| 日韩av在线大香蕉| 真人一进一出gif抽搐免费| 国产成人系列免费观看| 嫩草影视91久久| 88av欧美| 69av精品久久久久久| 精品熟女少妇八av免费久了| 制服人妻中文乱码| 天天一区二区日本电影三级| 亚洲专区中文字幕在线| 99久久精品热视频| 极品教师在线免费播放| 欧美成狂野欧美在线观看| 国产成人一区二区三区免费视频网站| 国产又黄又爽又无遮挡在线| 欧美激情久久久久久爽电影| 久久欧美精品欧美久久欧美| 99在线人妻在线中文字幕| 午夜福利在线观看吧| 精品午夜福利视频在线观看一区| 窝窝影院91人妻| 久热爱精品视频在线9| 色噜噜av男人的天堂激情| 国产一区二区在线av高清观看| 俺也久久电影网| 精品日产1卡2卡| 亚洲午夜理论影院| 身体一侧抽搐| 两个人免费观看高清视频| 国产精品爽爽va在线观看网站| 午夜福利视频1000在线观看| 特大巨黑吊av在线直播| 波多野结衣巨乳人妻| 亚洲成人久久性| 精品国产亚洲在线| 手机成人av网站| 老司机靠b影院| 亚洲片人在线观看| 黄色视频,在线免费观看| 操出白浆在线播放| 伦理电影免费视频| 黄色成人免费大全| 久久人人精品亚洲av| 亚洲精品国产精品久久久不卡| 精品久久久久久久末码| 国产视频内射| 日日夜夜操网爽| 久久久久久免费高清国产稀缺| 一区福利在线观看| 精品乱码久久久久久99久播| 国内少妇人妻偷人精品xxx网站 | 亚洲 欧美 日韩 在线 免费| 亚洲国产看品久久| 99国产综合亚洲精品| 很黄的视频免费| 在线观看舔阴道视频| www.自偷自拍.com| 国产欧美日韩精品亚洲av| 久久亚洲真实| 久久久久久亚洲精品国产蜜桃av| 日韩欧美在线乱码| 18禁观看日本| 一二三四社区在线视频社区8| 亚洲国产精品成人综合色| 校园春色视频在线观看| 天天一区二区日本电影三级| 亚洲精品在线观看二区| 国产一区二区激情短视频| 黄片大片在线免费观看| 国产高清videossex| 欧美日韩精品网址| 亚洲乱码一区二区免费版| 精品久久久久久久毛片微露脸| 99在线视频只有这里精品首页| 久久午夜综合久久蜜桃| 麻豆成人av在线观看| 欧美午夜高清在线| 中国美女看黄片| 黄色丝袜av网址大全| 国产精品亚洲一级av第二区| 国产不卡一卡二| 亚洲欧美一区二区三区黑人| www国产在线视频色| 色老头精品视频在线观看| 国产精品久久久av美女十八| 精品久久久久久久毛片微露脸| 女警被强在线播放| 国产激情欧美一区二区| 此物有八面人人有两片| videosex国产| 操出白浆在线播放| 亚洲精品av麻豆狂野| 欧美三级亚洲精品| 免费在线观看完整版高清| 桃红色精品国产亚洲av| 欧美久久黑人一区二区| 国产亚洲av高清不卡| 国产免费av片在线观看野外av| 十八禁人妻一区二区| 国产高清videossex| 黑人巨大精品欧美一区二区mp4| 国产精品,欧美在线| a在线观看视频网站| 久久午夜综合久久蜜桃| 老熟妇乱子伦视频在线观看| 久久这里只有精品中国| 最近最新免费中文字幕在线| 日本三级黄在线观看| 国产一级毛片七仙女欲春2| 国产精品免费一区二区三区在线| 日韩大码丰满熟妇| 婷婷丁香在线五月| 在线十欧美十亚洲十日本专区| www日本黄色视频网| 日日干狠狠操夜夜爽| www.精华液| 免费无遮挡裸体视频| 少妇被粗大的猛进出69影院| 1024视频免费在线观看| 黑人欧美特级aaaaaa片| 亚洲熟女毛片儿| 亚洲国产欧洲综合997久久,| 后天国语完整版免费观看| 成人欧美大片| 老司机靠b影院| 舔av片在线| 国产视频内射| 日本熟妇午夜| 久久精品国产亚洲av香蕉五月| 久久亚洲真实| 日韩欧美在线二视频| 亚洲人成网站在线播放欧美日韩| 欧美午夜高清在线| 日本一二三区视频观看| 一本精品99久久精品77| 国产爱豆传媒在线观看 | 50天的宝宝边吃奶边哭怎么回事| 欧美一区二区精品小视频在线| 国产精品精品国产色婷婷| 成熟少妇高潮喷水视频| 小说图片视频综合网站| 亚洲男人天堂网一区| 国产精品美女特级片免费视频播放器 | 色精品久久人妻99蜜桃| 久久久精品大字幕| 嫩草影视91久久| 男女之事视频高清在线观看| 日本在线视频免费播放| 亚洲熟女毛片儿| 床上黄色一级片| 在线看三级毛片| 色老头精品视频在线观看| 18禁国产床啪视频网站| 十八禁人妻一区二区| 中文字幕高清在线视频| 美女大奶头视频| 中亚洲国语对白在线视频| 中文字幕久久专区| 女同久久另类99精品国产91| 麻豆久久精品国产亚洲av| 长腿黑丝高跟| www国产在线视频色| 精品福利观看| 日韩精品免费视频一区二区三区| 99久久无色码亚洲精品果冻| 精品久久久久久久久久免费视频| 欧美+亚洲+日韩+国产| 性色av乱码一区二区三区2| 天堂影院成人在线观看| 女同久久另类99精品国产91| 免费高清视频大片| 桃色一区二区三区在线观看| 成人国产综合亚洲| 久久天堂一区二区三区四区| 麻豆国产av国片精品| 在线观看舔阴道视频| 亚洲美女视频黄频| 免费在线观看黄色视频的| 亚洲成av人片在线播放无| 久久欧美精品欧美久久欧美| 亚洲欧美一区二区三区黑人| 国产av一区在线观看免费| 成人av一区二区三区在线看| 国产精品av久久久久免费| svipshipincom国产片| 亚洲 国产 在线| 我要搜黄色片| 国内久久婷婷六月综合欲色啪| 天天躁夜夜躁狠狠躁躁| 最近视频中文字幕2019在线8| 国内久久婷婷六月综合欲色啪| 亚洲专区中文字幕在线| 日本a在线网址| xxx96com| 久久久久亚洲av毛片大全| 最近最新免费中文字幕在线| 一级毛片女人18水好多| 搡老岳熟女国产| 丝袜人妻中文字幕| 香蕉久久夜色| www日本黄色视频网| 国产精华一区二区三区| 韩国av一区二区三区四区| 精品国产美女av久久久久小说| 国产精品美女特级片免费视频播放器 | 国产精品 国内视频| 丁香六月欧美| 18禁黄网站禁片免费观看直播| 制服诱惑二区| 老司机深夜福利视频在线观看| 久久婷婷人人爽人人干人人爱| 在线观看免费午夜福利视频| 757午夜福利合集在线观看| 亚洲精品美女久久av网站| 热99re8久久精品国产| 色老头精品视频在线观看| 免费电影在线观看免费观看| 国产亚洲欧美98| 亚洲中文字幕日韩| 九九热线精品视视频播放| 老司机福利观看| 亚洲精品在线观看二区| 亚洲aⅴ乱码一区二区在线播放 | 人人妻人人澡欧美一区二区| 国产精品 国内视频| 日日摸夜夜添夜夜添小说| 色在线成人网| 床上黄色一级片| 亚洲精华国产精华精| 午夜老司机福利片| 欧美另类亚洲清纯唯美| svipshipincom国产片| 一边摸一边抽搐一进一小说| 亚洲成av人片免费观看| 国产亚洲精品综合一区在线观看 | 少妇的丰满在线观看| 国产一区二区三区视频了| 99国产综合亚洲精品| 黑人欧美特级aaaaaa片| 巨乳人妻的诱惑在线观看| 18禁黄网站禁片午夜丰满| 国产精品98久久久久久宅男小说| 亚洲av日韩精品久久久久久密| svipshipincom国产片| 伊人久久大香线蕉亚洲五| 色播亚洲综合网| 成人精品一区二区免费| 两个人免费观看高清视频| 可以在线观看的亚洲视频| 一边摸一边做爽爽视频免费| 嫩草影院精品99| 男女那种视频在线观看| 少妇人妻一区二区三区视频| 久久午夜亚洲精品久久| 欧美 亚洲 国产 日韩一| 亚洲精品美女久久av网站| 亚洲国产中文字幕在线视频| 国产精品影院久久| 成年人黄色毛片网站| 欧美激情久久久久久爽电影| 视频区欧美日本亚洲| 91大片在线观看| 啦啦啦免费观看视频1| 国产麻豆成人av免费视频| 一二三四在线观看免费中文在| 国产精品自产拍在线观看55亚洲| 丰满人妻熟妇乱又伦精品不卡| 人人妻人人澡欧美一区二区| 一本一本综合久久| 老司机在亚洲福利影院| 叶爱在线成人免费视频播放| 人妻丰满熟妇av一区二区三区| 美女免费视频网站| 99精品久久久久人妻精品| 一级黄色大片毛片| 久久精品国产亚洲av高清一级| 啦啦啦观看免费观看视频高清| 久久这里只有精品中国| 国产精品亚洲av一区麻豆| 91字幕亚洲| 1024手机看黄色片| 在线观看免费视频日本深夜| cao死你这个sao货| 亚洲专区字幕在线| 午夜福利免费观看在线| xxx96com| 久久天堂一区二区三区四区| 国产久久久一区二区三区| 久久国产乱子伦精品免费另类| 国产成人aa在线观看| 变态另类成人亚洲欧美熟女| 亚洲av中文字字幕乱码综合| 美女黄网站色视频| 校园春色视频在线观看| 久久人人精品亚洲av| 国内精品久久久久久久电影| 12—13女人毛片做爰片一| 一本久久中文字幕| 色老头精品视频在线观看| 在线观看美女被高潮喷水网站 | 精华霜和精华液先用哪个| 美女 人体艺术 gogo| 又粗又爽又猛毛片免费看| 日韩有码中文字幕| 我的老师免费观看完整版| 亚洲精品久久国产高清桃花| 亚洲欧美日韩东京热| 一夜夜www| 久久久久国产精品人妻aⅴ院| 少妇裸体淫交视频免费看高清 | 亚洲精品在线美女| 俺也久久电影网| 变态另类成人亚洲欧美熟女| 欧美黑人巨大hd| 亚洲va日本ⅴa欧美va伊人久久| 午夜福利免费观看在线| 亚洲 欧美一区二区三区| 波多野结衣高清作品| 日本一本二区三区精品| 久久精品夜夜夜夜夜久久蜜豆 | 岛国在线观看网站| 亚洲av熟女| netflix在线观看网站| 国产av不卡久久| 夜夜躁狠狠躁天天躁| 亚洲精品美女久久久久99蜜臀| 亚洲第一电影网av| 国产不卡一卡二| 人妻久久中文字幕网| 在线视频色国产色| 成年女人毛片免费观看观看9| 村上凉子中文字幕在线| 国产97色在线日韩免费| 国产精品影院久久| 99久久精品国产亚洲精品| 国产精品影院久久| 热99re8久久精品国产| 欧美一区二区精品小视频在线| 欧美日韩福利视频一区二区| 久久久久久人人人人人| 毛片女人毛片| 色哟哟哟哟哟哟| 最近在线观看免费完整版| 亚洲精品在线美女| 日韩大码丰满熟妇| 动漫黄色视频在线观看| 禁无遮挡网站| 亚洲精品在线美女| tocl精华| 不卡一级毛片| 毛片女人毛片| 国产午夜福利久久久久久| 真人一进一出gif抽搐免费| 三级国产精品欧美在线观看 | 黄片大片在线免费观看| 国产视频一区二区在线看| 久久久久九九精品影院| 国产一级毛片七仙女欲春2| 国产欧美日韩一区二区精品| 人妻夜夜爽99麻豆av| 1024手机看黄色片| 日本免费一区二区三区高清不卡| bbb黄色大片| 成人国产一区最新在线观看| 亚洲成a人片在线一区二区| 人妻夜夜爽99麻豆av| 日韩有码中文字幕| 999久久久国产精品视频| 三级毛片av免费| 2021天堂中文幕一二区在线观| 久久久久久亚洲精品国产蜜桃av| 少妇人妻一区二区三区视频| 色av中文字幕| 久久精品国产亚洲av香蕉五月| 日本三级黄在线观看| 久久精品国产清高在天天线| 精品一区二区三区av网在线观看| 黄色视频不卡| 波多野结衣巨乳人妻| 叶爱在线成人免费视频播放| 99国产精品一区二区三区| 亚洲国产精品成人综合色| 欧美成人午夜精品| 两性夫妻黄色片| 久久久久久人人人人人| 午夜老司机福利片| 亚洲乱码一区二区免费版| 久久久久国产一级毛片高清牌| 啦啦啦免费观看视频1| 熟女少妇亚洲综合色aaa.| 久久中文看片网| 一级毛片女人18水好多| 久久久久久大精品| 欧美 亚洲 国产 日韩一| a级毛片在线看网站| 国产视频一区二区在线看|