基于門(mén)控循環(huán)單元網(wǎng)絡(luò)的低阻油層測(cè)井流體識(shí)別方法

龔宇, 劉迪仁

(長(zhǎng)江大學(xué)油氣資源與勘探技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室, 武漢 430100)

目的層段巖性主要表現(xiàn)為砂泥巖互層,高泥質(zhì)含量使得電阻率測(cè)井測(cè)得的電阻率值較低。導(dǎo)致許多油層和油水同層的電阻率曲線(xiàn)幅度差不明顯,難以區(qū)分油水層。因此目的層段亟需一種精細(xì)且準(zhǔn)確的流體性質(zhì)識(shí)別方法。

目前已有大量學(xué)者針對(duì)不同地區(qū)的低阻油層的成因機(jī)理,提出了對(duì)應(yīng)的識(shí)別方法。前人基于常規(guī)測(cè)井資料進(jìn)行低阻油層流體識(shí)別的主要方法有圖版法和基于機(jī)器學(xué)習(xí)等算法的流體識(shí)別方法。陳明江等[1]、劉之的等[2]、白澤等[3]通過(guò)選取對(duì)含油氣性敏感的測(cè)井參數(shù)進(jìn)行交會(huì)圖來(lái)識(shí)別低阻油層,這類(lèi)方法簡(jiǎn)單,快速,但只能適用于所在的研究區(qū)塊且比較依賴(lài)個(gè)人經(jīng)驗(yàn)。而機(jī)器學(xué)習(xí)中的諸多算法對(duì)常規(guī)測(cè)井曲線(xiàn)與含油氣性之間的非線(xiàn)性映射關(guān)系有較好的適應(yīng)能力,被應(yīng)用于如低阻油層的復(fù)雜儲(chǔ)層流體識(shí)別中,并取得了較好的效果。張銀徳等[4]利用支持向量機(jī)識(shí)別出了某油田的低阻油層。韓玉嬌[5]利用AdaBoost算法識(shí)別出了大牛地氣田的低阻氣藏。藍(lán)茜茜等[6]使用改進(jìn)的前饋神經(jīng)網(wǎng)絡(luò)有效識(shí)別出了車(chē)排子的低滲油層。周雪晴等[7]使用雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)有效識(shí)別了鄂爾多斯盆地馬家溝組的氣層。門(mén)控循環(huán)單元網(wǎng)絡(luò)(gated recurrent unit,GRU)是循環(huán)神經(jīng)網(wǎng)絡(luò)中的一種,具有較強(qiáng)的非線(xiàn)性映射能力,除了和傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)一樣能夠挖掘出數(shù)據(jù)在時(shí)間序列上的關(guān)聯(lián)性,還能有效解決因輸入測(cè)井?dāng)?shù)據(jù)序列過(guò)長(zhǎng)導(dǎo)致的梯度消失或爆炸等問(wèn)題。

基于此,提出的一種Smote-GRU的智能識(shí)別方法,首先利用少數(shù)類(lèi)過(guò)采樣技術(shù)(synthetic minority oversampling technique, Smote)對(duì)油水同層和油層等少數(shù)類(lèi)樣本進(jìn)行過(guò)采樣建立均衡的數(shù)據(jù)集,利用均衡數(shù)據(jù)集訓(xùn)練GRU模型后,再將預(yù)處理好的數(shù)據(jù)集輸入門(mén)控循環(huán)單元網(wǎng)絡(luò)中進(jìn)行流體識(shí)別,提高了各類(lèi)流體性質(zhì)的識(shí)別精度,少數(shù)類(lèi)樣本識(shí)別精度提升尤為顯著。

1 區(qū)域概況及流體響應(yīng)特征分析

目的層段為館陶組和沙河街組,巖性主要表現(xiàn)為砂泥巖互層和大段砂巖。田立新等[8]首次用U-Pb測(cè)年實(shí)驗(yàn)證明了該地區(qū)在沉積時(shí)期發(fā)生了火山噴發(fā),在火山活動(dòng)和后期構(gòu)造應(yīng)力的綜合作用下最終形成了孔隙-裂縫型的優(yōu)質(zhì)儲(chǔ)層。館陶組和沙河街組的儲(chǔ)層流體可將分為:干層、水層、油水同層和油層。用半小提琴圖來(lái)表示這4類(lèi)流體性質(zhì)的測(cè)井參數(shù)的概率密度分布和測(cè)井響應(yīng)特征,圖1為除井徑外其他9個(gè)特征的小提琴圖,通過(guò)觀(guān)察半小提琴圖的密度分布來(lái)總結(jié)流體性質(zhì)的測(cè)井響應(yīng)特征(其中電阻率測(cè)井的縱坐標(biāo)為對(duì)數(shù)刻度,其他測(cè)井參數(shù)縱坐標(biāo)均為線(xiàn)性刻度)。半小提琴圖由左側(cè)的蜜蜂群圖和右側(cè)的小提琴圖構(gòu)成。圖1中,小提琴的形狀表征了數(shù)據(jù)的密度分布狀態(tài),小提琴“肚子”越寬,數(shù)據(jù)分布越密集。微觀(guān)上蜜蜂群圖能看出每個(gè)測(cè)井參數(shù)數(shù)據(jù)點(diǎn)的分布位置。宏觀(guān)上半小提琴在的縱坐標(biāo)方向上的位置越高,則表示測(cè)井響應(yīng)值呈高值。反之,位置越低則表示測(cè)井響應(yīng)值呈低值[9-11]。

研究區(qū)塊大部分干層由于泥質(zhì)含量較高,自然伽馬呈高值,主要分布在117.1～160.6 gAPI。又因其物性較差,深淺側(cè)向電阻率曲線(xiàn)幅度差不明顯,聲波時(shí)差和中子呈低值分別分布在264.8～352.1 μs/m和18.5%～30.1%,密度呈高值,主要分布在2.31～2.46 g/cm3。相較于干層,水層自然伽馬和深側(cè)向電阻率呈低值,聲波時(shí)差呈高值,密度呈低值;大部分油水同層和油層的自然伽馬也呈低值,部分油層因?yàn)楹噘|(zhì)或是砂泥巖的薄互層,自然伽馬值呈現(xiàn)較高值。油層的深側(cè)向電阻率主要分布在2.53～5.35 Ω·m,和干層的深側(cè)向電阻率范圍重合度極高,難以將干層和油層區(qū)分。從宏觀(guān)上來(lái)看,干層和油層的小提琴圖高密度區(qū)域的重合度也極高,也說(shuō)明難以將兩者區(qū)分。同理油水同層與水層也較難區(qū)分[12-16]。表1為不同流體性質(zhì)的常規(guī)測(cè)井響應(yīng)特征,其中各個(gè)測(cè)井參數(shù)的范圍是上,下四分位點(diǎn)的數(shù)值所組成的區(qū)間,代表各類(lèi)流體常規(guī)測(cè)井參數(shù)值的主要分布范圍。

表1 四類(lèi)流體的常規(guī)測(cè)井響應(yīng)特征

半小提琴圖可知油層AC,CNL,DEN曲線(xiàn)的數(shù)據(jù)表現(xiàn)為雙峰分布,其主要原因是研究區(qū)中有許多粉砂巖的致密儲(chǔ)層,相較于其他孔隙度較大的砂礫巖,此類(lèi)油層的密度值相對(duì)較大,聲波時(shí)差值較小。使得油層密度均值比水層的高,聲波時(shí)差均值也比水層低。表2為8號(hào)井油層井壁取心的巖心照片和對(duì)應(yīng)的物性曲線(xiàn)的測(cè)井值,與半小提琴圖的數(shù)據(jù)分布特征相吻合。油層與其他類(lèi)型流體性質(zhì)的測(cè)井參數(shù)數(shù)據(jù)的分布重合度較高,因此利用傳統(tǒng)的交會(huì)圖法和圖版法很難有效地識(shí)別流體性質(zhì)。

表2 8號(hào)井油層井壁取心照片及物性曲線(xiàn)

2 原理方法

2.1 門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)模型原理

圖2 門(mén)控循環(huán)單元結(jié)構(gòu)Fig.2 Structure of gated recurrent unit

Rt=σ(XtWxr+Ht-1Whr+br)

(1)

Zt=σ(XtWxz+Ht-1Whz+bz)

(2)

(3)

式(3)中:Wxh∈Rd×h和Whh∈Rh×h為權(quán)重參數(shù)矩陣;bh∈R1×h為偏置參數(shù)矩陣;⊙為哈達(dá)瑪積。

由此可以看出,GRU與其他傳統(tǒng)機(jī)器學(xué)習(xí)算法的不同之處,單元中的重置門(mén)起著傳遞歷史信息的作用。它可以用來(lái)降低與流體識(shí)別相關(guān)性低的歷史信息,甚至還可以直接丟棄無(wú)關(guān)的歷史信息。若重置門(mén)矩陣中元素越接近1,那么相對(duì)應(yīng)的上一時(shí)間步的隱藏狀態(tài)所攜帶信息對(duì)該時(shí)間步下的預(yù)測(cè)權(quán)重越大;反之,重置門(mén)矩陣元素越接近0,權(quán)重則越小。當(dāng)其中元素為全為0時(shí)表示該時(shí)間步丟棄所有的歷史信息。重置門(mén)的功能恰好能適應(yīng)測(cè)井?dāng)?shù)據(jù)在深度列上的規(guī)律變化[17-19]。

當(dāng)前時(shí)間步t的隱藏狀態(tài)Ht∈Rn×h計(jì)算公式為

(4)

式(4)中:A為元素全為1的矩陣。

2.2 數(shù)據(jù)預(yù)處理

目標(biāo)區(qū)塊常規(guī)測(cè)井資料為測(cè)井常規(guī)九條曲線(xiàn)和一條光電截面吸收指數(shù)曲線(xiàn),共10種。根據(jù)試油資料與測(cè)井資料聯(lián)合標(biāo)定結(jié)論,對(duì)目標(biāo)區(qū)塊的33口井進(jìn)行綜合解釋,將區(qū)塊中的儲(chǔ)層分為干層、水層、油水同層和油層。具體為334個(gè)干層、161個(gè)水層、105個(gè)油水同層和77個(gè)油層,各類(lèi)占比如圖3所示。測(cè)井資料中各種物理參數(shù)的尺度差異極大,而神經(jīng)網(wǎng)絡(luò)模型往往對(duì)數(shù)據(jù)尺度也是極敏感的,會(huì)增加模型的訓(xùn)練難度。因此需要對(duì)每一個(gè)儲(chǔ)層的各個(gè)物理參數(shù)進(jìn)行歸一化。

圖3 四類(lèi)流體性質(zhì)餅狀圖Fig.3 Pie chart of four types of fluid properties

(5)

對(duì)于電阻率測(cè)井這般呈對(duì)數(shù)特征的參數(shù)需要先對(duì)每個(gè)數(shù)值求對(duì)數(shù)再歸一化。

(6)

(7)

式(7)中:R為0～1的隨機(jī)數(shù)。

原始數(shù)據(jù)中油層的僅占總數(shù)的11.4%,而干層占49.3%,樣本不均衡會(huì)導(dǎo)致訓(xùn)練好的模型對(duì)干層的識(shí)別準(zhǔn)確率會(huì)較高,而油層的準(zhǔn)確率會(huì)很低,同理其他少數(shù)類(lèi)儲(chǔ)層流體的識(shí)別準(zhǔn)確率也會(huì)大大降低。下面以多數(shù)樣本集-干層為參考對(duì)象,對(duì)油層樣本進(jìn)行過(guò)采樣的可視化,如圖4所示。

圖4 油層過(guò)采樣可視化Fig.4 Visualization of oversampling in the layer of oil

研究區(qū)塊常規(guī)測(cè)井資料有10條曲線(xiàn),現(xiàn)用二維空間可視化過(guò)采樣的效果,在實(shí)際操作過(guò)程中則是在10維特征空間中進(jìn)行的。另外,此采樣策略只針對(duì)訓(xùn)練集的數(shù)據(jù),最終使得輸入模型的訓(xùn)練集干層,水層,油水同層和油層的比例為2∶1∶1∶1,使其變得相對(duì)均衡。用Smote算法沒(méi)有使訓(xùn)練集數(shù)據(jù)完全均衡為1∶1∶1∶1的原因是,按照此比例采樣后,油層等少數(shù)類(lèi)樣本集會(huì)生成許多噪聲點(diǎn),會(huì)增大訓(xùn)練集的復(fù)雜度,反而會(huì)降低模型的精度。

2.3 相關(guān)性分析

以?xún)?chǔ)層的流體性質(zhì)為標(biāo)簽,測(cè)井資料中的各種物理參數(shù)為算法輸入的特征。在訓(xùn)練模型時(shí),各個(gè)物理參數(shù)對(duì)模型預(yù)測(cè)流體性質(zhì)的貢獻(xiàn)可能不同,也存在多個(gè)物理參數(shù)之間相關(guān)性很強(qiáng)的情況,為了減少模型的運(yùn)算量及更好地訓(xùn)練模型,亟需對(duì)各個(gè)物理參數(shù)之間的相關(guān)性進(jìn)行分析,用皮爾遜相關(guān)系數(shù)來(lái)計(jì)算參數(shù)之間的相關(guān)性,計(jì)算樣本各參數(shù)之間的協(xié)方差和標(biāo)準(zhǔn)差后可得到兩個(gè)參數(shù)之間的皮爾遜相關(guān)系數(shù)r可表示為

(8)

參數(shù)之間的相關(guān)性系數(shù)如圖5所示,可以看出,RD和RS之間的相關(guān)性強(qiáng),皮爾遜系數(shù)為0.98,幾乎可以認(rèn)為兩者“共線(xiàn)”。將RD和RS兩條曲線(xiàn)同時(shí)輸入是不合適的,各參數(shù)與標(biāo)簽的皮爾遜系數(shù)如表3所示。

表3 各測(cè)井參數(shù)敏感性分析

圖5 相關(guān)性熱力圖Fig.5 Heat map of correlation

深側(cè)向電阻率RD對(duì)儲(chǔ)層含油性的敏感度為0.215大于淺側(cè)向電阻率RS對(duì)儲(chǔ)層含油性的敏感度0.128,因此選擇RD作為輸入。RXO與標(biāo)簽的相關(guān)性系數(shù)最低為-0.007,可以認(rèn)為,RXO對(duì)目的層段的含油性不敏感對(duì)模型識(shí)別流體的貢獻(xiàn)很小。最后確定作為輸入的8條曲線(xiàn)為CAL、GR、PE、SP、RD、AC、CNL和DEN。

2.4 Adam優(yōu)化算法和GRU網(wǎng)絡(luò)模型

Smote-GRU流體識(shí)別模型中是使用Adam算法來(lái)迭代尋找網(wǎng)絡(luò)的最優(yōu)化參數(shù)的。Adam算法中的參數(shù)分別為:alpha、beta1、beta2和epsilon,盡管參數(shù)數(shù)量較少,但是對(duì)神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化影響巨大。

epsilon使用默認(rèn)值就能起到很好的優(yōu)化效果,因此用控制變量法來(lái)調(diào)參時(shí),只需對(duì)alpha、beta1和beta2進(jìn)行改變,最終得到最優(yōu)參數(shù)如表4所示。

表4 Adam尋優(yōu)算法最優(yōu)參數(shù)

各個(gè)測(cè)井參數(shù)的原始數(shù)據(jù)是隨深度變化的離散點(diǎn),研究區(qū)塊的測(cè)井?dāng)?shù)據(jù)的為采樣間隔為0.1 m,因此將深度列視為“時(shí)間列”,自上而下地對(duì)K區(qū)塊的33口井的儲(chǔ)層測(cè)井?dāng)?shù)據(jù)進(jìn)行提取,生成訓(xùn)練序列。本文GRU神經(jīng)網(wǎng)絡(luò)的流體識(shí)別模型如圖6所示。

Yt為不同深度下GRU層輸出的信號(hào);Dropout為神經(jīng)網(wǎng)絡(luò)中上一層神經(jīng)與下一層神經(jīng)斷開(kāi)連接的比例,其主要作用是為了防止過(guò)擬合,提高模型的泛化能力;softmax為多分類(lèi)問(wèn)題中常見(jiàn)的 激活函數(shù)

3 流體識(shí)別

將33口井中28口井的常規(guī)測(cè)井?dāng)?shù)據(jù)作為訓(xùn)練數(shù)據(jù),另外5口井的作為測(cè)試數(shù)據(jù)。利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)儲(chǔ)層流體性質(zhì),并對(duì)識(shí)別結(jié)果進(jìn)行綜合評(píng)價(jià)。混淆矩陣以n行n列的形式對(duì)模型的Precision(精確率)、Recall(召回率)、FScore(召回率與精確率的博弈)進(jìn)行可視化。

(9)

(10)

式中:TP和FP分別為被預(yù)測(cè)正確和被預(yù)測(cè)錯(cuò)誤的正樣本數(shù);FN為被預(yù)測(cè)錯(cuò)誤的負(fù)樣本數(shù)。

精確率和召回率兩者相互影響,相互制約,前者過(guò)高會(huì)導(dǎo)致后者偏低,反之后者過(guò)高也會(huì)導(dǎo)致前者偏低。此時(shí),引入FScore作為綜合指標(biāo),FScore數(shù)值越大模型流體識(shí)別的精度就越高。

(11)

式(11)中:β為參數(shù),若β大于1則表示召回率比精確率重要,β小于1表示精確率比召回率重要,β等于1表示召回率和精確率同樣重要,本文FScore中的β取1。

優(yōu)化訓(xùn)練數(shù)據(jù)集后Smote-RNN和Smote-GRU流體識(shí)別結(jié)果分別如圖7所示。圖7中,顏色較深的對(duì)角線(xiàn)表示四類(lèi)流體性質(zhì)的召回率,即Smote-GRU網(wǎng)絡(luò)干層識(shí)別正確占干層總數(shù)的0.94,同理水層為0.893,油水同層為0.854,油層為0.885,剩余部分是模型錯(cuò)誤分類(lèi)結(jié)果的占比。樣本優(yōu)化后GRU網(wǎng)絡(luò)對(duì)4種流體性質(zhì)的Precision、Recall和FScore如表5所示。對(duì)于少數(shù)樣本集(油層)的FScore為88.9%,多數(shù)樣本集(干層)的FScore為93.5%。水層和油水同層的FScore分別為87.7%和87.9%。結(jié)果顯示本文識(shí)別方法在保證了整體識(shí)別率的基礎(chǔ)上,對(duì)油水同層和油層的識(shí)別率也達(dá)到了理想預(yù)測(cè)結(jié)果。為了充分驗(yàn)證基于序列數(shù)據(jù)模型對(duì)該區(qū)塊流體識(shí)別的應(yīng)用效果比非序列數(shù)據(jù)模型效果好,對(duì)比包括均衡樣本后的Naive Bayes、支持向量機(jī)(support vector machines,SVM)、K近鄰(K-nearest neighbors,KNN) 3種傳統(tǒng)的機(jī)器學(xué)習(xí)算法模型。將Smote-GRU 4種流體性質(zhì)的平均FScore指標(biāo)與用Smote均衡樣本后的RNN、Naive Bayes、SVM和KNN模型的平均FScore指標(biāo)對(duì)比如表6所示,結(jié)果顯示:RNN和GRU這類(lèi)基于序列數(shù)據(jù)的流體識(shí)別模型精度比比非序列數(shù)據(jù)模型的精度高。

表5 均衡樣本后的GRU對(duì)測(cè)試集5種流體的識(shí)別結(jié)果

表6 不同流體識(shí)別模型的平均FScore標(biāo)對(duì)比

顏色較深的對(duì)角線(xiàn)為四類(lèi)流體性質(zhì)的召回率

為了體現(xiàn)GRU對(duì)研究區(qū)塊流體識(shí)別的優(yōu)勢(shì),選取GRU和RNN識(shí)別結(jié)果差異明顯的層段進(jìn)行可視化。將GRU和RNN預(yù)測(cè)的儲(chǔ)層流體性質(zhì)與試油資料和解釋結(jié)論綜合標(biāo)定的儲(chǔ)層流體性質(zhì)[True Label:真實(shí)標(biāo)簽(流體性質(zhì))]進(jìn)行對(duì)比如圖8所示,選取的目的層段為6井中的1 126～1 164 m。

1～7號(hào)儲(chǔ)層分別為油水同層、干層、油水同層、油水同層、干層、油水同層、油水同層True Label為真實(shí)標(biāo)簽(流體性質(zhì))

該井段試油結(jié)果顯示日產(chǎn)油46.1 m3,日產(chǎn)水57.8 m3,結(jié)論為油水同層。結(jié)合測(cè)井綜合解釋,地層測(cè)試和試油結(jié)論,標(biāo)定儲(chǔ)層的真實(shí)流體性質(zhì)作為“True Label”。將目的層段劃分為7個(gè)儲(chǔ)層,1～7號(hào)儲(chǔ)層為分別為油水同層、干層、油水同層、水層、干層、油水同層、油水同層。最后將RNN和GRU的識(shí)別結(jié)果與“True Label”做比較,RNN對(duì)1、4、6、7號(hào)儲(chǔ)層的流體識(shí)別錯(cuò)誤。該區(qū)塊油水同層與水層的測(cè)井響應(yīng)特征極為相似,人為解釋的難度相對(duì)較大,若模型對(duì)特征的敏感度未達(dá)到最優(yōu)難免會(huì)將兩者錯(cuò)分。分類(lèi)問(wèn)題可以抽象地理解為算法模型在提取數(shù)據(jù)特征后不斷迭代和學(xué)習(xí)各類(lèi)流體性質(zhì)的測(cè)井響應(yīng)特征,并計(jì)算出各個(gè)流體性質(zhì)分類(lèi)的n維度的決策面從而分類(lèi)識(shí)別流體性質(zhì)。若有兩類(lèi)測(cè)井響應(yīng)特征相近,算法模型發(fā)生錯(cuò)分是難免的。但GRU的識(shí)別效果比RNN好,該結(jié)論也與表4的FScore標(biāo)吻合。

為了進(jìn)一步驗(yàn)證Smote過(guò)采樣策略的優(yōu)越性,在RNN和GRU迭代至最優(yōu)狀態(tài)的情況下,以4種流體的FScore為評(píng)價(jià)指標(biāo),設(shè)置3個(gè)流體識(shí)別方法與本文識(shí)別方法做對(duì)照試驗(yàn),如圖9所示。3個(gè)對(duì)照組分別是:“不平衡樣本下RNN識(shí)別流體”“不平衡樣本下GRU識(shí)別流體”“Smote過(guò)采樣+RNN識(shí)別流體”。通過(guò)Smote算法過(guò)采樣后,不管是使用哪種網(wǎng)絡(luò)結(jié)構(gòu),少數(shù)類(lèi)樣本的FScore都得到了顯著的提升。特別的是,GRU網(wǎng)絡(luò)模型下水層和油水同層的提升了9.2%和8.7%。油層的樣本最少,其FScore提升同樣顯著,油層FScore值由85.2%提升至88.9%。干層為多數(shù)類(lèi)樣本,其FScore得到了小幅度的提升。另外,對(duì)照試驗(yàn)表明同樣條件下GRU網(wǎng)絡(luò)模型下4類(lèi)流體性質(zhì)的FScoreRNN模型下的都要高,這表示GRU的非線(xiàn)性映射能力比RNN強(qiáng)。

圖9 對(duì)照試驗(yàn)的FScore對(duì)比直方圖Fig.9 Comparison histogram of FScore values in control experiments

4 結(jié)論

研究區(qū)塊測(cè)井儲(chǔ)層流體識(shí)別中存在油層電阻率較低,嚴(yán)重依賴(lài)測(cè)井解釋人員的個(gè)人經(jīng)驗(yàn),油水同層與水層,油層與干層、水層的常規(guī)測(cè)井響應(yīng)特征相似從而識(shí)別困難等問(wèn)題。以GRU網(wǎng)絡(luò)為基礎(chǔ),同時(shí)采用Smote算法均衡樣本數(shù)據(jù)集,提出了一套對(duì)少數(shù)類(lèi)樣本過(guò)采樣后再訓(xùn)練GRU網(wǎng)絡(luò)模型的儲(chǔ)層流體識(shí)別方法。建立各個(gè)測(cè)井參數(shù)與流體性質(zhì)之間的門(mén)控循環(huán)單元網(wǎng)絡(luò)模型,井區(qū)28口井作為訓(xùn)練集,剩下5口井作為測(cè)試集。得出如下結(jié)論。

(1)GRU、RNN與Native Bayes、SVM、KNN對(duì)比可知,GRU和RNN的流體識(shí)別方法更加精確。證明在該研究區(qū)塊中,序列數(shù)據(jù)模型比傳統(tǒng)機(jī)器學(xué)習(xí)模型的識(shí)別效果好。

(2)Smote過(guò)采樣算法與GRU的有機(jī)結(jié)合,避免了網(wǎng)絡(luò)模型中梯度衰減或爆炸等問(wèn)題。GRU相比與傳統(tǒng)的RNN,其非線(xiàn)性映射能力也更強(qiáng),本文模型的FScore高達(dá)89.5%。對(duì)照試驗(yàn)中油水同層和油層的識(shí)別精度明顯提高,證實(shí)了Smote算法處理樣本不均衡分類(lèi)問(wèn)題的優(yōu)越性。該方法可為類(lèi)似儲(chǔ)層樣本不均衡的井區(qū)低阻油層的流體識(shí)別提供參考。