一種基于深度學(xué)習(xí)的油藏年度規(guī)劃儲量預(yù)測方法研究*

赫俊民 李亞傳

（1.中石化勝利油田物探院 東營 257100）（2.中國石油大學(xué)（華東） 青島 266580）

1 引言

油藏資源是油田企業(yè)發(fā)展的基礎(chǔ)，油氣儲量的分析與預(yù)測是油氣企業(yè)發(fā)展中不可或缺的基礎(chǔ)工作。只有通過科學(xué)分析，量化投入產(chǎn)出關(guān)系，才能盡可能在有限的資源下創(chuàng)造最大收益。因此，在勘探數(shù)據(jù)分析的基礎(chǔ)上，準(zhǔn)確預(yù)測油藏年度規(guī)劃儲量，對優(yōu)化勘探規(guī)劃結(jié)構(gòu)、提高油藏發(fā)現(xiàn)效率都具有重大意義。在油氣開采的過程中，相關(guān)專家一直在探索一種準(zhǔn)確、高效的資源預(yù)測方法。然而由于對不確定因素難以準(zhǔn)確地量化，預(yù)測結(jié)果與實(shí)際產(chǎn)出之間存在較大誤差。本文在勘探規(guī)劃數(shù)據(jù)分析的基礎(chǔ)上，提出了一種基于深度學(xué)習(xí)的儲量預(yù)測方法——基于RNNs（Recurrent Neural Networks）的油藏年度規(guī)劃儲量預(yù)測網(wǎng)絡(luò)，是利用RNNs在油藏年度規(guī)劃儲量預(yù)測方面的第一次嘗試。通過建立不同級別地質(zhì)單元的的預(yù)測模型，利用近幾十年的歷史數(shù)據(jù)，實(shí)現(xiàn)對不同地質(zhì)單元不同勘探階段的中短期年份油氣儲量的預(yù)測。實(shí)驗(yàn)證明，基于RNNs的油藏年度規(guī)劃儲量預(yù)測網(wǎng)絡(luò)在油藏年度規(guī)劃儲量預(yù)測上的效果明顯優(yōu)于傳統(tǒng)的預(yù)測方法［1～2］，而且計(jì)算效率有大幅提高。

2 相關(guān)工作

2.1 傳統(tǒng)的儲量預(yù)測方法

油氣田年度規(guī)劃儲量預(yù)測的結(jié)果準(zhǔn)確度，取決于預(yù)測方法和所建立的數(shù)學(xué)模型?？偟貋碇v，規(guī)劃儲量預(yù)測方法分為數(shù)學(xué)模型法、歷史擬合法、時間序列預(yù)測分析法等幾大類［3～4］。

數(shù)學(xué)模型法從模型的理論思想、數(shù)學(xué)表達(dá)式、求解方法、適用范圍、應(yīng)用效果等方面進(jìn)行分析，并實(shí)際應(yīng)用于油田的年度規(guī)劃儲量預(yù)測［5］。

歷史擬合法［6］基本原理為：構(gòu)建一個反映油藏模型計(jì)算值與實(shí)際觀測值偏差的目標(biāo)函數(shù)，通過優(yōu)化算法，自動尋找最優(yōu)油藏參數(shù)，最小化目標(biāo)函數(shù)［7］。自動歷史擬合利用少量的動態(tài)觀測數(shù)據(jù)，求解模型中的參數(shù)，從而得到完整的預(yù)測模型，用來預(yù)測將來的數(shù)據(jù)［8］。

時間序列預(yù)測分析法是根據(jù)事物發(fā)展的連續(xù)性原理，應(yīng)用數(shù)理統(tǒng)計(jì)方法將過去的歷史數(shù)據(jù)按時間順序排列，然后再運(yùn)用一定的數(shù)字模型來預(yù)計(jì)未來的一種預(yù)測方法［9］。

然而，傳統(tǒng)油藏年度規(guī)劃儲量預(yù)測方法預(yù)測精度低、人工要求高、難以復(fù)現(xiàn)、效率低［10］。因此，亟需一種新的方法，在提高儲量預(yù)測的速度和精度的同時降低預(yù)測成本。

2.2 深度學(xué)習(xí)方法

深度學(xué)習(xí)的概念由Hinton等于2006年提出?；谏疃戎眯啪W(wǎng)絡(luò)提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來希望，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種基于對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法［11］。近年來，深度學(xué)習(xí)方法在數(shù)據(jù)挖掘、數(shù)據(jù)預(yù)測等領(lǐng)域表現(xiàn)出卓越的性能，目前以深度學(xué)習(xí)為核心的某些機(jī)器學(xué)習(xí)應(yīng)用在某些應(yīng)用場景下性能已經(jīng)遠(yuǎn)超傳統(tǒng)算法［12］。

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNNs）是一種節(jié)點(diǎn)定向連接成環(huán)的人工神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)的內(nèi)部狀態(tài)可以展示動態(tài)時序行為。RNN可以利用它內(nèi)部的記憶來處理任意時序的輸入序列，當(dāng)前時刻的輸出結(jié)果跟輸入和上一時刻的輸出有關(guān)［13］。這讓它可以更容易處理與時間序列有關(guān)的任務(wù)。

3 勘探基礎(chǔ)數(shù)據(jù)處理

響預(yù)測結(jié)果的數(shù)據(jù)多種多樣，只有抓住關(guān)鍵因素，才能準(zhǔn)確預(yù)測。經(jīng)過數(shù)據(jù)分析，發(fā)現(xiàn)了影響預(yù)測模型建立的關(guān)鍵因素：探井勘探程度、資源探明程度、累計(jì)油藏個數(shù)。以東營凹陷為例，圖1分別為東營凹陷地區(qū)年累計(jì)資源探明程度、年累計(jì)探井勘探程度以及年累計(jì)油藏個數(shù)，通過分析發(fā)現(xiàn)，三項(xiàng)數(shù)據(jù)大體呈現(xiàn)增長趨勢。這是油田工作者在數(shù)十年的工作中總結(jié)出來的對油藏年度規(guī)劃儲量影響較大的因素，具有較強(qiáng)的指導(dǎo)意義。因此在該方法中，也主要關(guān)注這三個數(shù)據(jù)指標(biāo)［14］。

圖1 處理后的數(shù)據(jù)結(jié)果

對勘探基礎(chǔ)數(shù)據(jù)的處理主要包括三部分：整理基礎(chǔ)數(shù)據(jù)、排除干擾因素、規(guī)范數(shù)據(jù)格式。

1）整理基礎(chǔ)數(shù)據(jù)：由上一節(jié)勘探數(shù)據(jù)分析可知，整個預(yù)測過程要用到的數(shù)據(jù)有探井勘探程度、資源探明程度、累計(jì)油藏個數(shù)這三組數(shù)據(jù)，計(jì)算這些數(shù)據(jù)還需要包括探井完鉆日期、區(qū)域面積在內(nèi)的一系列輔助數(shù)據(jù)。首先要從油田數(shù)據(jù)庫中將數(shù)據(jù)整理出來，選擇出其中可用的年份（1964-2013）來準(zhǔn)備建模。

2）排除干擾因素：在勘探基礎(chǔ)數(shù)據(jù)統(tǒng)計(jì)過程中，遇到了小油藏（即油藏儲量小于15萬t的油藏）的問題。在油藏年度規(guī)劃儲量問題中小油藏問題不可避免，由于其產(chǎn)量較小，對未來儲量預(yù)測指導(dǎo)意義不大，如果不進(jìn)行單獨(dú)處理，會對預(yù)測模型產(chǎn)生較大的影響，進(jìn)而影響模型的預(yù)測結(jié)果。處理方法是將小油藏進(jìn)行相互合并，合并的規(guī)則是如果若干油藏具有相同的油田名、時間和斷塊區(qū)名，并且這若干油藏中有小油藏，則將這若干油藏進(jìn)行合并，將其作為一個油藏來處理。

3）規(guī)范數(shù)據(jù)格式：其中主要工作是將數(shù)據(jù)庫中的數(shù)據(jù)類型和精度調(diào)整成適應(yīng)模型需要的形式。將數(shù)值類型數(shù)據(jù)統(tǒng)一保存成浮點(diǎn)數(shù)（小數(shù)點(diǎn)后保留八位有效數(shù)字）。不規(guī)范形式的數(shù)據(jù)會在計(jì)算過程中產(chǎn)生較大計(jì)算誤差，因此規(guī)范化輸入數(shù)據(jù)在建模過程必不可少［14］。

4 深度學(xué)習(xí)儲量建模研究

根據(jù)對油田儲量序列的實(shí)際分析，可以將油田儲量序列的預(yù)測問題看作是一個時間序列建模的問題。影響油藏年度規(guī)劃儲量預(yù)測的主要因素有年累計(jì)資源探明程度、年累計(jì)探井勘測程度、年累計(jì)油藏個數(shù)。

時間序列是按時間順序的一組油田的相關(guān)信息。時間序列分析就是利用這組油田數(shù)列，應(yīng)用數(shù)理統(tǒng)計(jì)方法加以處理，以預(yù)測未來油藏年度規(guī)劃儲量，考慮到油藏年度規(guī)劃儲量探測過程中的隨機(jī)性，需要利用統(tǒng)計(jì)分析中加權(quán)平均法對之前獲取的油田數(shù)據(jù)進(jìn)行處理。時間序列預(yù)測反映油藏年度規(guī)劃儲量勘探的趨勢變化和隨機(jī)性變化［15］。

RNNs將前一個狀態(tài)的輸出當(dāng)作當(dāng)前狀態(tài)的輸入，體現(xiàn)了模型數(shù)據(jù)的時間先后順序以及互相的影響。理論上，RNNs能夠?qū)θ我忾L度的序列數(shù)據(jù)進(jìn)行處理。但是在實(shí)際的應(yīng)用過程中，由于GPU、顯存等條件限制，需要減少參數(shù)降低問題的復(fù)雜性，往往假設(shè)當(dāng)前的狀態(tài)只與前面的幾個狀態(tài)有關(guān)。理論上，時間上距離當(dāng)前數(shù)據(jù)越遠(yuǎn)的數(shù)據(jù)對當(dāng)前數(shù)據(jù)的影響就越小，因此該假設(shè)是符合實(shí)際使用需求的。

建立的RNNs模型如圖2所示，深度模型包含輸入單元，用于接收油田的歷史數(shù)據(jù)（年累計(jì)資源探明程度、年累計(jì)探井勘測程度、年累計(jì)油藏個數(shù)），圖中可視層即為即為接受歷史數(shù)據(jù)輸入的節(jié)點(diǎn)，每個節(jié)點(diǎn)接受一維數(shù)據(jù)。圖中可視層共9個節(jié)點(diǎn)，故輸入的向量為長度為9維的特征向量。圖中輸出層即為網(wǎng)絡(luò)的預(yù)測結(jié)果輸出單元，共有一個節(jié)點(diǎn)，輸出一個關(guān)于儲量的預(yù)測結(jié)果；特征映射層從這些歷史數(shù)據(jù)中提取出數(shù)據(jù)之間內(nèi)在的規(guī)律，并進(jìn)行下一步的輸出預(yù)測，圖中的中間部分的三層即為特征映射層。網(wǎng)絡(luò)的輸入向量維度比較低（相比更復(fù)雜的多維數(shù)據(jù)輸入來說）而且訓(xùn)練數(shù)據(jù)較少，限制了網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)。由于輸出節(jié)點(diǎn)數(shù)小于輸入節(jié)點(diǎn)數(shù)（只有一個），因此網(wǎng)絡(luò)整體呈金字塔形狀。

圖2 深度學(xué)網(wǎng)絡(luò)結(jié)構(gòu)

5 模型訓(xùn)練

用勘探基礎(chǔ)數(shù)據(jù)處理一節(jié)中的方法整理好的數(shù)據(jù)應(yīng)該是［x，y］的數(shù)據(jù)對形式，其中x是一個9維向量，包含了要輸入的信息，y是與x數(shù)據(jù)同年的油藏年度規(guī)劃儲量結(jié)果，將x輸入到網(wǎng)絡(luò)中，會得到一個輸出結(jié)果out，利用交叉熵?fù)p失函數(shù)：

來訓(xùn)練網(wǎng)絡(luò)模型，最小化out和y之間的誤差。利用深度學(xué)習(xí)中的反向傳播機(jī)制，對模型進(jìn)行迭代訓(xùn)練，自動調(diào)整權(quán)值參數(shù)，直至損失函數(shù)收斂，完成模型訓(xùn)練。

實(shí)驗(yàn)的數(shù)據(jù)是油田1964年到2013年的實(shí)測數(shù)據(jù)。模型的訓(xùn)練過程就是參數(shù)調(diào)整的過程，當(dāng)模型訓(xùn)練完成，參數(shù)固定，在使用預(yù)測過程中不會改變，但是這與油田的實(shí)際情況不相符。油田產(chǎn)量至少存在一個增長-穩(wěn)定-衰減過程。如果只用增長過程的數(shù)據(jù)預(yù)測整個周期的儲量，誤差勢必會逐漸增大，因此，模型只能預(yù)測短時間內(nèi)的油藏年度規(guī)劃儲量，如果繼續(xù)使用該模型，需要用每年新增的數(shù)據(jù)重新訓(xùn)練網(wǎng)絡(luò)模型，更新權(quán)重參數(shù)。

6 實(shí)驗(yàn)結(jié)果

眾所周知，學(xué)習(xí)率的大小對實(shí)驗(yàn)結(jié)果影響巨大，學(xué)習(xí)率過小損失函數(shù)收斂過慢，并且容易陷入局部最優(yōu)化；學(xué)習(xí)率過大，使得損失值產(chǎn)生震蕩。實(shí)驗(yàn)學(xué)習(xí)率對模型誤差的影響結(jié)果見表1。

表1 學(xué)習(xí)率對模型誤差的影響

由表1分析可得，學(xué)習(xí)率在6以內(nèi)時誤差呈先下降再上升的整體趨勢，在3時模型的精度達(dá)到最佳（在所有選擇的學(xué)習(xí)率中）。但是，在實(shí)際建模過程中，還要考慮到模型的效率問題，一定范圍內(nèi)，學(xué)習(xí)率越大，模型的效率就越低，在誤差不大幅上升的情況下要選取較小的學(xué)習(xí)率，經(jīng)過進(jìn)一步的實(shí)驗(yàn)，最終確定學(xué)習(xí)率為2.1，在不損失太多精度的情況下，盡可能提高效率。

為評價本深度學(xué)習(xí)模型的效果，以東營凹陷的年累計(jì)探明儲量序列數(shù)據(jù)為例，對深度模型的效果進(jìn)行評估，實(shí)驗(yàn)結(jié)果見圖3。

圖3 模型效果評價曲線

由圖3（a）可知，該模型能夠?qū)W習(xí)到年累計(jì)儲量的總體變化趨勢，在數(shù)據(jù)變化不劇烈的時模型能夠達(dá)到較高的準(zhǔn)確度，誤差曲線圖3（b）所示，對于每一個年份的油藏年度規(guī)劃儲量預(yù)測，該模型的誤差都在10%以內(nèi)。

同時，為了更直觀表現(xiàn)本深度模型在儲量預(yù)測上的效果，本文對東營凹陷的儲量增長曲線作了對比，對比情況如圖4所示。從圖中可以觀察到，該模型的預(yù)測曲線（圖4（a））在儲量的變化趨勢上與實(shí)際的儲量（圖4（b））基本吻合，在局部儲量變化比較劇烈的年份（如1983年），預(yù)測效果稍差。

圖4 東營凹陷真實(shí)儲量變化曲線與預(yù)測儲量變化曲線對比

7 結(jié)語

據(jù)所知，目前基于深度模型的油田發(fā)現(xiàn)儲量增長趨勢預(yù)測是深度學(xué)習(xí)在油田勘探規(guī)劃分析決策過程中的首次嘗試。實(shí)驗(yàn)證明，該模型效果顯著，相比傳統(tǒng)方法在預(yù)測的精度、速度上都有大幅提高。該模型對今后深度學(xué)習(xí)在油藏年度規(guī)劃儲量預(yù)測方面的研究與應(yīng)用有一定的參考意義。