基于FMI圖像深度學習的砂礫巖體沉積微相識別方法

羅歆　閆建平　王軍　耿斌　王敏　鐘廣?！埛±钪均i　高松洋

關鍵詞 FMI圖像；砂礫巖體；沉積微相；東營凹陷；深度學習

第一作者簡介 羅歆，男，1994年出生，碩士研究生，測井地質學、數(shù)字圖像處理及大數(shù)據(jù)深度學習，E-mail： lx_chrisp@163.com通信作者 閆建平，男，博士，教授，博士生導師，測井地質學、巖石物理及非常規(guī)儲層測井評價，E-mail： yanjp_tj@163.com

中圖分類號 P618.13 文獻標志碼 A

0 引言

砂礫巖體作為常見的非常規(guī)致密油氣儲層類型之一，一般臨近生油中心，成藏條件良好[1]，但砂礫巖體屬于快速沉積，具有砂體厚度變化多樣、成巖作用不一、地層巖性復雜、儲層非均質性強的特點，制約著油氣藏的精細勘探與開發(fā)[2]。研究區(qū)Y920區(qū)塊位于山東省東營市墾利縣西張鄉(xiāng)，構造位置處于東營凹陷北部陡坡帶東段，為永安和鹽家凸起的鞍部（圖1a），物源主要來自北靠的陳家莊凸起帶。Y920區(qū)沙四上亞段是湖盆發(fā)育初期的產(chǎn)物，此時湖平面處于持續(xù)上升階段，可容空間增大，湖盆沉積范圍擴大，沉降速率大于沉積速率，扇體隨湖水加深隨岸線向后退積[3?4]，在重力流為主導的作用下，沙四上亞段（EsU4）時期形成一系列近岸水下扇砂礫巖體[5?7]（圖1b），總體表現(xiàn)為底部混雜堆積，中上部分發(fā)育塊狀砂巖，向上變細的正粒序結構。研究區(qū)砂礫巖體扇體多期疊置、巖性復雜且變化快，但沉積微相往往與巖性、物性、含油性的關系密切，刻畫與識別沉積微相能夠較好地反映砂礫巖體的內(nèi)幕儲層發(fā)育規(guī)律。

目前，通常以測井曲線（FMI）、巖性資料、地震資料、電成像資料等來劃分砂礫巖體沉積微相，如周俊林等[8]根據(jù)扇體砂礫巖具有自然伽馬異常高的特征，提出一種高伽馬砂礫巖體沉積微相劃分方法，該方法需要測井曲線對巖性變化很敏感，但Y920區(qū)砂礫巖體厚度大，受粗碎屑巖石組構、流體復雜性的影響，巖性差異在測井曲線上不夠明顯，僅依靠常規(guī)測井曲線劃分沉積微相難度較大。束寧凱等[9]通過二級提頻技術提升地震資料的信噪比和分辨率，達到了6 m厚的砂體識別，試圖從地震剖面上來劃分沉積微相，但精度仍不足以精確表征砂礫巖體油藏內(nèi)部沉積微相的空間分布。也有人考慮FMI（全井眼微電阻率掃描成像測井，簡稱“電成像”）具有分辨率高、圖像直觀優(yōu)勢，能有效反映地層巖性變化的特點，進而利用FMI圖像資料劃分沉積微相[10?12]，但還存在FMI圖像特征人工識別導致主觀性強和劃分效率低的問題。

1 砂礫巖體沉積微相類型及FMI圖像特征

（1） 扇根主水道

為混雜塊狀堆積形成，礫石幾乎無分選，磨圓度差，雜亂分布，巖心觀察礫徑最大280 mm，一般為5～50 mm。多為棱角—次棱角狀，以碎屑與雜基支撐，主要由相對粗的碎屑顆?；虻[石組成，該微相多數(shù)砂礫巖呈塊狀，層理不發(fā)育，不同粒度的礫石均有出現(xiàn)，包括細礫巖、中礫巖、粗礫巖、巨礫巖。FMI圖像分辨率可達5 mm，能識別出5 mm以上礫石的形狀和大小。靜態(tài)FMI圖像中粗礫巖呈大型不規(guī)則亮色塊狀（圖2a），巖性成分以花崗片麻巖礫石為主，塊狀輪廓外的暗色之間為粒間充填的基質。中礫巖為亮色塊狀，其磨圓性較粗礫巖稍好，大于5 mm的細礫巖為亮色斑點狀（圖2b）。

（2） 扇中辮狀水道

通常主要為含礫砂巖、礫狀砂巖和細砂巖，礫徑通常不超過5 mm，辮狀水道底部礫石大部分呈次棱角狀，分選差，以顆粒支撐為主，局部泥質支撐。由于水動力逐漸減弱，垂向上其粒度向上逐漸變細，其磨圓過渡為次棱角狀—次圓狀，呈正粒序韻律，扇中辮狀水道層段FMI靜態(tài)圖像顏色相較于扇根主水道略變暗，部分出現(xiàn)平行層理，頂部通常與泥巖形成砂泥薄互層，粉砂巖為黃褐色厚層狀，同時砂巖中常含有細礫，偶見中礫，形成礫狀砂巖（圖2c），靜態(tài)FMI圖像中為黃褐色層狀中含亮黃色斑塊狀。

（3） 扇中辮狀水道間

巖性主要為深灰色泥巖夾細砂巖和泥質粉砂巖，質不純，含灰質及砂質，砂質常呈細小條帶狀分布，其辮狀水道后期發(fā)育時對水道間有沖刷侵蝕，因而厚度薄。FMI圖像中呈暗褐色條帶，常與暗黃色或棕色薄層砂巖互層，部分水道間局部有黑斑（泥質），部分具有明顯的水平層理（圖2d）。

（4） 扇端泥

以濁流沉積發(fā)育形成，處于整個扇體的最前緣。巖性多為厚層泥巖、少量泥質粉砂巖和細砂巖，多夾有薄層砂巖，部分泥巖發(fā)育水平紋層，靜態(tài)FMI圖像中以黑色塊狀樣式呈現(xiàn)，部分見亮色細條紋。

2 微相類型與巖性、物性、含油性的關系

東營凹陷北部陡坡帶Y920區(qū)沙四上亞段砂礫巖體沉積主要受重力流影響，物源快速堆積，使得粒度較粗，隨著重力流向牽引流的轉變，垂向向上粒度呈變細的趨勢，自下而上表現(xiàn)出扇根—扇中—扇端的沉積亞相過渡特征[23]，沉積微相對巖性、物性甚至含油性都具有較大的影響。靜態(tài)FMI圖像上從下到上整體顏色由亮變暗，電阻率值變低，礫徑也呈變小的趨勢。其中物性相對較好的含礫砂巖、礫狀砂巖是有利的儲集巖性。但扇中辮狀水道和扇根主水道都在一定程度上含有上述兩種巖性及巖性組合，單從巖性類別不足以精細評價微相中發(fā)育儲層的有效性。對YX1取心井已知扇中辮狀水道和扇根主水道巖心16個樣本點進行分析，得出扇中辮狀水道的孔隙度主要介于10%～15%，占58.33%（圖3a），滲透率在（0～1）×10^-3μm、（1～10）×10^-3μm、（10～100）×10^-3μm均有分布（圖3b），而扇根主水道孔隙度全部都在0～5%（圖3a），滲透率主要介于（0～1）×10^-3μm，占75%（圖3b）；扇中辮狀水道的分選系數(shù)和粒度中值分別為1.65 mm和0.53 mm（圖3c），扇根主水道的分選系數(shù)和粒度中值為1.82 mm和0.63 mm（圖3c）；扇中辮狀水道樣品點的含油性分別為油浸、油斑，而扇根主水道樣品點的含油性為油跡、未含油（圖3d）。由于扇中辮狀水道以相對均勻的含礫砂巖和礫狀砂巖為主，顆粒分選較好、粒度較細，其孔隙度和滲透率優(yōu)于扇根主水道，扇中辮狀水道的含油性也好于扇根主水道，所以扇中辮狀水道是最有利的儲集相帶。因此，砂礫巖體儲層有效性分析及有效儲層預測，需要開展深入的沉積微相特征提取及精細識別。

3 智能學習在砂礫巖體沉積微相識別中的應用

上述總結的砂礫巖體沉積微相的靜態(tài)FMI圖像特征，以專家經(jīng)驗及人機交互來劃分與識別沉積微相，相較于僅利用傳統(tǒng)常規(guī)測井曲線識別微相，精確性有很大程度提高，但專家通過觀察與人機交互方式去判識沉積微相效率低，且不同的專家由于認識差異產(chǎn)生判識誤差。因此，嘗試采用人工智能即機器學習或深度學習的方法，以不同沉積微相的FMI靜態(tài)圖像特征建立智能學習模型，提高識別砂礫巖體沉積微相的準確率與效率。首先，將不同沉積微相的FMI圖像作為數(shù)據(jù)源，采用灰度共生矩陣方法提取圖像中的復雜紋理參數(shù)，并選擇能夠有效劃分不同沉積微相的最優(yōu)紋理參數(shù)，以最優(yōu)紋理參數(shù)作為KNN分類算法學習樣本，訓練KNN分類模型對未知井段沉積微相進行分類和識別。同時，鑒于卷積神經(jīng)網(wǎng)絡（CNN）可直接對FMI圖像進行深度學習的優(yōu)勢，以不同沉積微相的FMI圖像作為訓練樣本數(shù)據(jù)集，構建深度學習網(wǎng)絡模型進行沉積微相識別。以此為基礎，分析傳統(tǒng)KNN機器學習和CNN深度學習兩種方法的優(yōu)缺點及適應條件，明確最優(yōu)的智能學習方法應用于未知井段的沉積微相高效、精確識別。

扇中辮狀水道黃褐色區(qū)域或者斑塊狀區(qū)域比較光滑（圖5a），而扇根主水道亮黃色區(qū)域雜亂無章（圖5b），故扇中辮狀水道的同質性高于扇根主水道。

為分析四種紋理參數(shù)兩兩之間的關系，進一步將取心井中已經(jīng)劃分好的31個扇中辮狀水道、24個扇根主水道、26個扇中辮狀水道間及11個扇端泥的FMI圖像作為紋理參數(shù)提取樣本，對這85個圖像樣本開展灰度共生矩陣的對比度、相關度、角二階矩（能量）、同質性四個紋理特征參數(shù)的提取，并進行數(shù)據(jù)均值歸一化、兩兩交會。結果顯示，與上述不同微相類型在4 種紋理參數(shù)上的關系描述基本一致，其中“對比度”和“角二階矩（能量）”能有效地區(qū)分這4 種沉積微相類型，“相關度”、“同質性”次之（圖6）。

對比度、相關度、角二階矩、同質性4種紋理參數(shù)能有效劃分不同微相類型，以4種紋理參數(shù)為訓練集，先對訓練集進行數(shù)據(jù)預處理，因不同紋理參數(shù)值相差過大，因此對數(shù)據(jù)集進行均值歸一化，其均值歸一化公式為：

式中：p 為數(shù)據(jù)集的平均值，t 為數(shù)據(jù)集的標準差，x 為沉積微相的紋理參數(shù)，z 為歸一化后的紋理參數(shù)值。

為得到KNN沉積微相分類模型，先對不同微相類型進行標簽，扇中辮狀水道為a，扇根主水道為b，扇中辮狀水道間為c，扇端泥為d，將數(shù)據(jù)集分成80%為訓練集，20%為測試集，訓練結果以顏色進行標簽，扇中辮狀水道為紅色，扇根主水道為綠色，扇中辮狀水道間為藍色，扇端泥為黃色，顏色與標簽進行驗證，從而得到模型的準確率。但不同k值將會影響該模型的準確率，本文初始k值采用0，建立模型并計算準確率，k值每加1便得到一個準確率，最終k等于4時，模型準確率最高，達到86.2%（圖7a）。為觀察紋理參數(shù)在KNN分類沉積微相模型中的分類效果，對角二階矩—對比度KNN分類模型進行可視化（圖7b），可以看出對比度與角二階矩紋理參數(shù)在對扇中辮狀水道間（藍色）與扇端泥（黃色）能有效地區(qū)分，在扇中辮狀水道（紅色）與扇根主水道（綠色）的散點存在少量重疊，其原因是扇中辮狀水道樣本也存在圖像礫石分選性較差的情況，但區(qū)分效果整體良好。

由圖7（a）可知k=4時，KNN沉積微相分類模型準確率最高，為此以k=4的KNN沉積微相分類模型來對所有樣本進行判識，通過將顏色與編號對應并判斷，判斷結果正確為√，錯誤為×，可以看出該機器學習分類模型通過4種紋理參數(shù)能有效地識別絕大部分沉積微相類型（表1），判識率達90.4%。

3.2 卷積神經(jīng)網(wǎng)絡（CNN）判識沉積微相方法

卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）是一類包含卷積計算且具有深度結構的前饋神經(jīng)網(wǎng)絡，是深度學習的代表算法之一。因其在圖像識別與分類上有著很好的表現(xiàn)[31]，筆者試圖將砂礫巖體沉積微相的識別分類采用卷積神經(jīng)網(wǎng)絡來完成。

卷積神經(jīng)網(wǎng)絡由數(shù)據(jù)輸入層、隱藏層和輸出層構成，其中輸入層為原始輸入信息，輸出層的作用為輸出結果，即全連接層為輸出層，隱藏層包含卷積層、池化層和激活函數(shù)[32]。卷積神經(jīng)網(wǎng)絡最主要的層——卷積層的主要功能是通過各種類型的濾波器（卷積核）來提取圖像的各種特征，如直線、曲線、顏色等初級特征，隨著網(wǎng)絡層數(shù)的增加，提取的特征越來越復雜，特征等級越來越高。本文設計利用FMI圖像進行沉積微相識別的CNN深度學習流程圖，流程主要為數(shù)據(jù)預處理、模型建立、輸出預測三個部分（圖8）。最主要的模型建立模塊中的CNN模型包含遷移學習模塊，遷移學習是對訓練好的模型進行微調(diào)應用到目標領域[33]，導入遷移學習模塊能有效解決巖心對應的FMI圖像數(shù)據(jù)為訓練集導致數(shù)據(jù)量小的問題。

FMI圖像CNN深度學習模型判識沉積微相的具體流程如圖8所示，首先將巖心段的不同沉積微相類型所對應的靜態(tài)FMI圖像進行裁剪，對裁剪后的FMI圖像進行沉積微相類別標定，得到數(shù)據(jù)集。鑒于巖心段數(shù)據(jù)有限，需考慮對數(shù)據(jù)集進行擴展，然后對數(shù)據(jù)集的每個樣本進行尺寸標準化，至此，數(shù)據(jù)預處理部分完成；通過把預處理好的數(shù)據(jù)集以4∶1的比例劃分成訓練集和測試集，再通過含有遷移學習模塊的CNN訓練，使得模型中全連接層獲得到達該層的所有神經(jīng)元的權系數(shù)，由于設定的沉積微相類型為4種，因此輸出預測模塊加一個softmax層，softmax層起到分類器的作用，能將全連接層輸出的得分按照設定的4種類別進行歸一化，以此得到輸入FMI圖像所對應的沉積微相類型的概率，最終輸出概率最大的沉積微相類別。

3.2.1 AlexNet網(wǎng)絡模型

隨著深度學習的發(fā)展，卷積神經(jīng)網(wǎng)絡已有各種類別與功能的網(wǎng)絡結構，其中AlexNet卷積神經(jīng)網(wǎng)絡在計算機視覺領域應用具有優(yōu)勢，是因為它在圖像分類上有著優(yōu)異的空間特征提取能力[34]。AlexNet相較于其他卷積神經(jīng)網(wǎng)絡結構，其層數(shù)較淺但完整，具有模型運行速率快的優(yōu)點，同時考慮FMI圖像對比于其他自然圖像，顏色豐富度偏低，部分FMI圖像的結構信息在縱向上出現(xiàn)周期性變化，信息復雜度在縱向上偏低。因此，AlexNet的相對淺層結構足以挖掘FMI圖像包含的特征信息。

圖9 是靜態(tài)FMI 圖像以AlexNet 模型為框架的CNN沉積微相分類原理示意圖，輸入為長寬為227像素的三通道FMI彩色圖像，可看作227×227×3的矩陣，通過卷積層提取淺層特征，得到55×55×96特征圖像，再以最大池化操作減少數(shù)據(jù)處理量。模型中共有5次卷積和最大池化操作，通過提取不同卷積層中的特征圖像（圖9）可以看出，淺層特征能看到顏色特征和礫石邊界等線條特征，中層特征能看到圖像的紋理特征，而深層特征更為復雜，能提取靜態(tài)FMI圖像的整體形態(tài)特征，最終該圖像經(jīng)過5次卷積和最大池化。通過兩次全連接層，將特征映射到標簽為a（扇中辮狀水道）、b（扇根主水道）、c（扇中辮狀水道間）、d（扇端泥）的樣本標記空間中，得到4 096個特征向量。最后以分類器（softmax）對特征向量進行概率統(tǒng)計并歸一化，得出該FMI圖像是扇根主水道的概率為0.990 3，因此該FMI圖像的沉積微相類型判定為扇根主水道。

3.2.2 訓練過程與實現(xiàn)

為建立沉積微相分類與識別模型，首先對YX1取心井目的段已知不同沉積微相中分別隨機選取一定數(shù)量的靜態(tài)FMI圖像，初步得到數(shù)據(jù)集（扇中辮狀水道31張、扇根主水道24張、扇中辮狀水道間26張、扇端泥11張，共92張），同時將相應的部分FMI圖像進行旋轉、鏡像翻轉、添加噪聲來得到擴展數(shù)據(jù)集的目的，然后對沉積微相類型重新標簽（分類編號）并進行圖像的長寬像素統(tǒng)一大小后，最終得到卷積神經(jīng)網(wǎng)絡數(shù)據(jù)集（共130張）。在訓練過程中把數(shù)據(jù)集的圖像隨機劃分成訓練集和測試集，其比例為4∶1，以AlexNet 網(wǎng)絡模型為框架，對訓練集進行訓練，訓練結果如圖10a，在訓練迭代次數(shù)為1時，其卷積核中的權重參數(shù)為初始隨機，因此第一次訓練結果并不理想，其準確率為30%，通過增加迭代次數(shù)（epoch），準確率不斷提高，當?shù)螖?shù)為36時，最后訓練準確率為96.88%，損失函數(shù)值（loss）為0.058（圖10b）。

對訓練完成的卷積神經(jīng)網(wǎng)絡模型的效果進行驗證，通過對測試集（26張）進行識別，得到其混淆矩陣（圖10c）。通過混淆矩陣可知，對所有測試集進行微相類型判識時，在扇中辮狀水道間與扇端泥的兩者區(qū)分中，卷積神經(jīng)網(wǎng)絡出現(xiàn)了一次錯誤的判識（圖10c第二行第四列處），其他沉積微相類型的判識正確率達到100%，表明該網(wǎng)絡模型可靠，測試準確率整體達到96.2%，能對絕大部分沉積微相樣本進行準確識別劃分。

3.3 KNN、CNN 在沉積微相識別中的應用及效果分析

為分析傳統(tǒng)機器學習（KNN）和深度學習（CNN）在沉積微相識別中的應用效果，將這兩種方法對YX2井沙四上亞段砂礫巖體地層進行沉積微相劃分與判識，判識結果如圖11、12。圖11中a段由巖性剖面結合放大動態(tài)FMI 圖像可知為扇中辮狀水道，KNN分類算法將其判識為扇根主水道，CNN卷積神經(jīng)網(wǎng)絡模型判識正確；圖11b，e段、圖12a，c，e段中，通過放大巖心照片、巖性剖面結合放大動態(tài)FMI圖像可知，這5段發(fā)育的巖性為中礫巖、粗礫巖或者礫巖，表明圖11b，e段、圖12a，c，e段均為扇根主水道，其中KNN分類算法判識結果為扇中辮狀水道，CNN判識結果為扇根主水道；除上述幾段外，其他層段判識基本準確，特別是在巖性變化明顯而引起FMI圖像顏色變化明顯的深度段（圖11c，d段、圖12b段），KNN分類算法和CNN卷積網(wǎng)絡模型都具有很強的判識能力。

FMI圖像中顏色、巖石結構特征信息對扇中辮狀水道、扇根主水道、扇中辮狀水道間、扇端泥這4種沉積微相區(qū)別較明顯，通過靜、動態(tài)FMI圖像結合部分取心照片（含巖心分析測試資料）、測井曲線、錄井剖面等資料，以專家人機交互（即人工）方式對取心井而言可以準確地劃分與判識不同的沉積微相類型。但畢竟專家人機交互（即人工）方式需要細致觀察理解FMI圖像中巖石組成、結構、沉積構造信息，同時結合部分取心資料才能作出合理判識，且對判識過程中形成的知識經(jīng)驗也很難有效推廣，判識信息難以量化表征，該方法雖準確率最高，但判識成本高、效率低。相比較而言，KNN和CNN方法判識沉積微相類型更定量、更高效、更節(jié)約成本。為直接觀察KNN和CNN方法在井筒剖面上的微相判識效果，本文將專家人機交互方式判識沉積微相作為驗證對象，以靜態(tài)FMI圖像紋理參數(shù)為樣本的KNN分類算法在應對扇中辮狀水道和扇根主水道的判識結果仍存在少量誤差（圖11a，b段、圖12，b段），而CNN深度學習模型在沉積微相判識上表現(xiàn)更好，其原因主要是CNN通過卷積核提取靜態(tài)FMI圖像的基礎特征，通過多層卷積層和池化層，得到多層復雜特征。相較于KNN傳統(tǒng)機器學習是需要人工提取特征參數(shù)信息再進行樣本訓練，深度學習對輸入的不同沉積微相類型的靜態(tài)FMI 圖像特征信息提取更加豐富。

4 結論

（1） 基于巖心結合FMI圖像，將東營凹陷北帶Y920區(qū)沙四上亞段砂礫巖體沉積微相劃分扇根主水道、扇中辮狀水道、扇中辮狀水道間、扇端泥4種類型，明確了扇中辮狀水道的巖石分選性、物性、含油性最好，是最優(yōu)勢微相。

（2） 灰度共生矩陣圖像處理可提取不同沉積微相類型FMI 圖像的對比度、相關度、角二階矩（能量）、同質性4種紋理參數(shù)，將4種紋理參數(shù)作為KNN機器學習訓練數(shù)據(jù)集，建立的KNN沉積微相分類判識模型識別準確率達86.2%。

（3） 以AlexNet 為框架的CNN沉積微相判識模型，微相判識準確率達96.2%，該模型含有的多層卷積層能提取FMI圖像中的線條、顏色、紋理、形態(tài)等多層信息，相較于KNN機器學習，CNN深度學習模型識別微相更高效、誤差更小，為砂礫巖體有效儲層預測提供了依據(jù)。