ISSN 1009-6248CN 61-1149/P 双月刊

主管单位:中国地质调查局

主办单位:中国地质调查局西安地质调查中心
中国地质学会

    • 中文核心期刊
    • CSCD收录期刊
    • 中国科技核心期刊
    • Scopus收录期刊
高级检索

机器学习算法在地球物理测井中的适用性及应用

程希, 周军, 傅海成, 罗雄民

程希, 周军, 傅海成, 等. 机器学习算法在地球物理测井中的适用性及应用[J]. 西北地质, 2023, 56(4): 336-348. DOI: 10.12401/j.nwg.2023029
引用本文: 程希, 周军, 傅海成, 等. 机器学习算法在地球物理测井中的适用性及应用[J]. 西北地质, 2023, 56(4): 336-348. DOI: 10.12401/j.nwg.2023029
CHENG Xi, ZHOU Jun, FU Haicheng, et al. Applicability and Application of Machine Learning Algorithm in Logging Interpretation[J]. Northwestern Geology, 2023, 56(4): 336-348. DOI: 10.12401/j.nwg.2023029
Citation: CHENG Xi, ZHOU Jun, FU Haicheng, et al. Applicability and Application of Machine Learning Algorithm in Logging Interpretation[J]. Northwestern Geology, 2023, 56(4): 336-348. DOI: 10.12401/j.nwg.2023029

机器学习算法在地球物理测井中的适用性及应用

基金项目: 油气藏地质及开发工程国家重点实验室基金项目“基于物理模拟与数据模型的过套管地层真电阻率反演方法研究”(PLN2022JM-14)资助。
详细信息
    作者简介:

    程希(1971−),男,副教授,主要从事地球物理测井、油气大数据与AI科研与教学工作。E−mail:andson@xsyu.edu.cn

  • 中图分类号: P631.81

Applicability and Application of Machine Learning Algorithm in Logging Interpretation

  • 摘要:

    机器学习,特别是深度神经网络学习算法的发展,正在改变人们发现知识的方式。目前油气工业正在向转向非常规和深海的油气勘探和开发。基于有限岩石物理参数建立的评价解释模型难以满足反映非常规储层复杂的岩性和结构,这使传统测井评价技术受到了很大的挑战。以油气大数据为基础、机器学习算法为核心、油气大数据云计算为动力以及油气应用场景为源泉的油气人工智能(Oil & Gas AI)极大地改变传统的油气工业各个领域。笔者以地球物理测井为研究对象,依据数据驱动的地球物理知识发现原理和机器学习属性,按照“数据–算法–平台–知识–应用场景”研究思路,开展机器学习算法在测井技术中的适用性研究。对机器算法的内在特性、原理、质量控制、硬件要求,学习模型选择、测试以及性能评价实现过程进行分析。笔者梳理和总结了机器学习算法在测井中适用性的树状图,尤其是在油气测井的方法研究、数据处理以及地层评价中的应用潜力与机器学习算法对应关系,其中包括数据校正的模拟方法、数据标定的岩石物理分析、测井数据质量控制、综合评价以及油藏评价监测。研究表明,机器学习算法在岩性识别与储层分类、力学评价、以及油藏评价等方面应用有明显的优势,贯穿于测井方法、仪器设计、测井作业及测井解释中。机器学习算法相对于传统的岩石物理建模方法,以数据为纽带综合评价岩石物理的多重属性。这从数据科学角度突破了实验条件和物理属性的限制,具有跨学科、综合性的特点。

    Abstract:

    Machine learning, especially the development of deep neural network learning algorithms, is changing the way people discover knowledge. As the oil and gas industry is shifting to unconventional oil and gas exploration and development, the evaluation and interpretation model based on limited petrophysical parameters is difficult to meet the complex lithology and structure of unconventional reservoirs, which poses a great challenge to the traditional logging evaluation technology. Oil & gas artificial Intelligence (Oil & Gas AI), based on oil and gas big data, machine learning algorithms, oil and gas application scenarios, has greatly promoted the application and development of AI technology in various professionals of oil and gas industry. According to the data–driven petrophyical knowledge discovery, and the research idea of the “data–algorithm–platform–knowledge–application scenario”, firstly we analyzed the inherent attributes, principles, quality control, hardware requirements, learning model selection, testing, and performance evaluation implementation process for the machine learning algorithm. The tree graph of the applicability of the machine learning algorithm in logging is summarized, especially the relationship between the application potential and machine learning algorithm in oil and gas logging. These applications include simulation methods for data correction, petrophysical analysis for data calibration, logging data quality control, integrated evaluation, and reservoir monitoring. The study case shows that machine learning algorithms in lithology identification and reservoir evaluation, classification, mechanics, and reservoir evaluation based on the data link across multiple physical properties of petrophysics compared with traditional well logging method, which break through the limitation of experimental conditions and physical properties and has interdisciplinary and comprehensive characterization, had obvious advantages and potentials in well logging technology.

  • 三维地质模型通过真三维空间中对地质实体几何形态和地质实体内部属性参数建模,直观表达地质体空间形态和地质体内部非均匀属性场的分布和变化规律,将地质构造、物理力学、地球化学等三维空间分布特征及相互关系以三维可视化的形式展现(武强等,2004杨东来等,2007魏嘉,2007)。

    近年来,国内外专家学者在三维地质建模领域开展了大量研究工作,提出了多种三维地质建模方法(潘懋等,2007孙波等,2015李青元等,2016)。按照建模方式上,总体可分为三维地质结构建模和三维地质属性建模。前者主要关注地质体空间位置、几何形态和空间关系的表达,较少顾忌复杂地质结构内部细节表达,以及地质体内部的非均质性、非连续性及其地质学内涵,简单认为地质体内部属性是均一的,从而无法对地质体内部的各种物理化学过程进行属性插值和数值模拟。后者则通过对地质体内属性非均一性的表达和属性参数值动态变化的模拟,直观展示地质体内部属性参数的空间分布、变化规律及其关联关系,但常规的属性建模又往往通过大量简化地质条件来降低建模复杂度,从而无法精确描述断层等复杂特殊地质现象。

    已有三维地质建模方法缺少地质语义约束和属性模型的耦合及集成,割裂了结构与属性的建模过程,难以实现对地质先验知识的融合和表达(陈麒玉,2020)。随着研究的深入,支持结构——属性一体化表达的建模方法受到越来越多的关注,是目前三维建模研究的重点和难点之一。笔者以西咸新区工程地质建模为例,基于多要素精细化探测成果,建立区域统一的地质构造框架;在顾及地质构造条件约束下,充分考虑地质单元特征,构建精细网格模型,采用序贯指示、序贯高斯等随机算法开展属性建模研究,从而实现地质结构约束下的三维属性模型构建。本方法能够融合地质先验知识,保留构造建模对层面的清晰划分,同时还可以在地层内部更加合理地展现地质属性的空间分布和变化。

    地质结构约束下的三维属性建模流程如图1所示,包括①开展区域构造、地层研究,统一地质构造框架,确立地质概念模型。②以构造区划为建模单元,还原地质体三维空间展布,构建三维地质结构模型。③顾及地质结构约束条件下,选择合适三维网格剖分方案,建立精细的体元(网格)框架模型。④采用地质统计学方法开展多要素属性随机建模。

    图  1  三维地质建模流程图
    Figure  1.  Construction process of 3D geologic modeling

    立足于实际地质调查中获得的露头、钻孔、剖面资料和多要素精细化探测等多源成果,首先开展研究区地质构造条件研究,根据不同深度的地震反射、钻孔勘探等探测成果,进行区域构造层序、界面构造形态分析,结合重磁等地质地球物理资料,进行构造区划,建立统一的地质构造框架。

    地层是地质实体和地质构造赋存的物质基础,地层建模需要首先建立研究区区域地层层序。由于地质体空间分布的不连续,地层之间相互交叉,空间关系错综复杂,因此要以钻孔、地质剖面等为主要数据来源进行地层构建(王波,2021)。在地质、水文地质和工程地质条件分析的基础上,根据工作区已有钻孔资料,对地层岩性进行概化,并按照一定的纵横间隔绘制地质剖面图,并根据研究区内的地质规律和相关地质属性特征,将各类地质界面、钻孔根据不同深度赋予相应的属性(岩性、年代、孔隙度、渗透率等)。

    地质结构建模的重点是对地质体的分析、模拟和表达(朱良峰,2006明镜,2009)。在具体的建模策略上,可以采用以构造分区为单元的“构造镶嵌”方法,将区域三维建模工作分而治之(李林,2022马朝阳,2022)。在地质构造框架基础上划分构造单元,以构造单元为边界将建模区域划分为多个封闭的区域,构造单元内部具有相近或相同的地质特征,因而可利用相同的数据源和统一的建模过程,能够大大提高建模效率。在单一构造单元限定的区块内部,将岩层地表出露线和岩层产状作为地层面的形态要素,以钻孔和剖面数据作为层面的控制要素,建立区块地层展布模型,地层建模一般采用多层三角网模型,对各个地层进行插值和拟合(Mallet,1992李良平,2007);形成三维地层骨架结构。根据地质体的空间关系,进行三维拓扑分析,搜索每个地质体的边界地质面,并进行闭合处理,形成含有完整外轮廓的复杂地质体模型,将每一地质体附加属性则形成最终的三维地质体模型。

    网格化技术可以自动地将具有复杂形态的地质体分解为一定数量的简单几何体,是实现地质结构内部非均质属性特征三维可视化表达的有效途径(陈麒玉,2020)。网格的空间划分应受到地质构造条件的约束,才能正确表达地质属性的空间分布特征。因此需要根据各个地质单元的顶、底板位置生成结构约束,而不能跨过地质体的边界。地质体有复杂的形态、地质属性的分布也具有强烈的各向异性。网格在属性变化快速的方向尺度小、在属性变化较慢的方向尺度较大。在网格数目一样的前提下,选择合适的体元剖分模式可以最大程度保证属性模型的准确性。

    网格剖分方式的选择一定要结合所建地层的沉积规律,按照沉积方式选用相应的剖分方式,若剖分方式选择不恰当则会影响后续的属性插值结果。网格剖分包含以下几种方式(图2),立方体网格按照固定间隔进行剖分,有统一大小的体元网格,属性计算简单方便,却不可避免造成在顺地层和断裂方向上的跨界面精度损失;顺层阶梯网格解决顺地层方向上的精度损失问题,但在垂直方向上仍旧是阶梯状跨越断裂面,对断层刻画不够精细;顺层截断网格是一种比较好的选择,这种网格在顺着地层的方向尺度较大,在垂直于地层的方向尺度较小,可以很好的满足各向异性的要求。在出现地层尖灭、侵入和断裂的位置,可以被地质体的界面截断,避免出现跨过地质界面的网格,在同等网格数量下,可以极大地提升描述地质体几何形状和属性分布的精确度。

    图  2  网格化方法示意图
    Figure  2.  Schematic diagram of gridding methods

    网格剖分精度的选取也十分重要。如果剖分过粗,插值结果将不会显示相关规律性,有时甚至是杂乱无章的属性分布;若剖分过细,则运算量将会成倍增加,可能会超出计算机内存导致程序崩溃。所以剖分网格大小要根据钻孔密度,沉积方式,计算机硬件条件,属性数量等综合考虑决定(吴宇龙,2020解博,2021)。

    随机建模技术是通过地质统计学理论,分析已有数据的空间变异特征,采用随机模拟方法再现要素的空间非均质性。多要素属性模型的构建是在精细的网格框架模型的基础上进行的,根据所要建立的属性目标(包括岩性、各类水文地质参数、工程地质参数等)对钻孔或测井数据进行离散化和概化,通过直接赋值的方法输入到网格框架中。在参考属性空间分层结构的情况下,对每一地层属性参数进行数据分析,选择合适的理论变差模型,拟合模型各项参数,确定其空间相关性或变异性。根据研究区的实际地质条件以及属性数据的类型综合考虑,选用合适的插值方法把网格模型中每个网格都赋予相应的属性值。插值算法包括:离散属性的插值算法有序贯指示模拟(随机插值)、克里金插值(确定性插值);连续属性的插值算法有序贯高斯模拟(随机插值)、克里金插值(确定性插值)等。

    西咸新区是关中–天水经济区的核心区域,位于陕西省西安市和咸阳市建成区之间,规划控制面积为 882 km2图3)。西咸新区地形平坦开阔,地貌类型简单,根据地貌形态、物质组成和成因类型,可划分为平原、黄土台塬两大地貌类型。研究区第四系分布广泛,岩性厚度变化较大,主要成因类型有冲积、洪积、风积、湖积及其过渡类型,岩性以砂砾、卵石、砂、亚砂土、亚黏土、黄土等为主,厚数十至数百米不等。

    图  3  西咸新区地质地貌图
    Figure  3.  Geomorphological map of Xixian New Area

    本次建模使用网格天地公司的深探地学建模软件,其特点是可采用多源数据建立复杂的高精度三维地质模型,支持大工区整体建模,并提供丰富的属性插值算法。

    本次建模资料主要包括工作区的各类平面图、工程地质钻孔及连孔剖面图。平面图包括遥感影像图(2 m)、数字高程模型(5 m)、地貌图(1∶50000)、地质构造图(1∶100000)等;工程地质钻孔共计280孔,按地貌单元布设,控制深度100 m;连孔剖面呈“井”字型布置,平行或垂直于区域内主要构造方向,结合地质专家的先验知识绘制而成。属性建模主要用到的多要素测井数据共计167孔,包括孔隙度、渗透率、密度等力学参数和视电阻率、自然伽马、放射性钍等地球物理参数,具体的数据源见表1

    表  1  建模数据源
    Table  1.  Data source for 3D geological modeling
    编号数据源精度
    1大西安地区遥感影像图2 m
    2西咸新区数字高程模型5 m
    3西咸新区地貌图1∶50000
    4西咸新区构造地质图1∶100000
    5工程地质钻孔280孔
    6工程地质剖面图1∶5000
    7多要素测井曲线167孔
    下载: 导出CSV 
    | 显示表格

    结合西咸新区构造特点,考虑泾河断裂、渭河断裂2条主要断层,按照断裂期次与空间关系将建模区划分为3个构造单元(谢振乾,2010王斌,2013)。在每一建模单元内部,根据数据来源情况及建模范围确定建模精度,提取钻孔点位及分层信息生成地层强约束点,从工程地质剖面中提取地层边界信息,插值计算各层面模型;根据地层之间的叠覆关系生成地层实体,最终以构造边界组合为地质构造模型。模型总面积为1330 km2,建模深度为150 m,共划分了7个地层,从老到新分别是中更新统早期冲湖积层(Qp2-1al+l)、中更新统晚期冲积层(Qp2-2al)、上更新统冲积层(Qp3al)、上更新统风积层(Qp3eol)、全新统下部冲洪积层(Qh1al+pl)、全新统下部冲积层(Qh1al)、全新统上部冲积层(Qh2al),其中全新统冲积冲洪积物、上更新统风积物在地表均有出露(图4a)。

    图  4  西咸新区三维地质结构与岩性随机模型
    Figure  4.  3D geological structure and lithology model of Xixian New Area

    在地质结构模型框架下进行网格剖分,根据研究区大小、数据密度、计算机运行能力等综合考虑,将研究区剖分为300 m × 300 m × 1.5 m网格;从测井岩性解译成果中提取岩性数据,使用变差函数对数据进行预处理,选择序贯指示模拟插值方法,建立西咸新区岩性随机模型(图4b)。可以看出,地表的岩性以黄土、砂土、亚黏土为主,局部地区有碎石土。其中黄土主要分布在西北方向的咸阳塬上,南部秦岭冲洪积带和东北部有少量黄土;砂土和碎石土主要分布在渭河、沣河以及泾河河漫滩附近;亚黏土主要分布在河漫滩两侧的冲积层中。地表以下以砂土和亚黏土呈二元层状交错分布。

    提取视电阻率、孔隙度、渗透率、密度、自然伽马、放射性钍等多要素测井数据,选择序贯高斯模拟插值方法,完成多要素属性随机模型的构建(图5a~图5f),随机模型所展现的各要素分布特征与岩性模型相吻合。

    图  5  西咸新区三维属性随机模型图
    Figure  5.  3D geological attribute stochastic model of Xixian New Area

    综合采用工程地质钻探、多要素测井等探测手段,构建三维地质结构约束下的西咸新区工程地质属性模型,利用该模型能够深入了解模型内部的地质状况,可进行多种三维空间分析和应用。例如,虚拟钻孔或剖面分析、工程地质稳定性评价、地下空间适宜性评价等。

    精细化工程地质模型建立完成后,在模型区域内任意位置、任意方向提取地层剖面,能够展示地下空间的地层分布情况(何静,2019周念清,2020)。选取相同位置的手绘钻孔剖面图与虚拟剖面图作对比,左侧上部为黄土,下部为亚黏土;中间为砂土与亚黏土互层,主要岩性为厚层砂土;右侧也是亚黏土和砂土互层,但以亚黏土为主(图6)。总体规律上虚拟剖面的模拟结果与手绘剖面比较接近,可以为任意位置的工程勘察提供基本的资料支撑。

    图  6  结构与属性模型虚拟剖面对比图
    Figure  6.  Profile comparison of structure and attribute model

    采用数值模拟方法对城市地下空间的稳定性开展研究,能够科学地评价地下空间稳定性,模拟不同地下空间工程的组合以及施工前后相互影响,开启多层位地下空间开发新模式(李宁,20062014)。利用测井参数三维随机模型计算工程地质力学参数三维展布,构建城市地下空间三维工程地质属性模型,建立三维属性框架模型与有限元模拟网格之间的映射关系,将属性嵌入有限元框架模型。基于有限元框架,可构建面向不同应用需求的多尺度数值模拟模型。

    如城市地铁隧道开挖对上部既有建筑物的影响,主要通过地铁隧道施工对上部既有建筑物产生影响,其中包括:地基土体的竖向位移(沉降)、基础不均匀沉降,甚至发生水平位移、压缩应变、拉伸应变等(图7)。通过地下空间三维工程地质属性模型提取岩土体物理力学参数,嵌入有限元数值模型,以组合权的形式对岩土体稳定性影响指标赋予权重,进行地下空间稳定性判别与评价,解决评价过程中信息不确定性,为城市地下空间开发利用提供技术支撑,对城市地下空间协同开发规划建议。

    图  7  地下空间开发三维稳定性评价图
    Figure  7.  3D Stability evaluation map for underground space development

    地下空间资源是人类宝贵的资源,是城市集约化发展、实施城市立体化开发的重要保障。近年来,国内外学者利用 GIS 软件开展了大量的城市地下空间适宜性评价工作(方寅琛,2017张茂省,2018孟天宇,2022)。这些研究通常将地下空间在垂向上根据深度上划分为不同的层次,每层再以二维平面方式,利用GIS空间分析功能分别计算地下空间适宜性。这种方法没有考虑地下空间复杂的垂向变化,无法匹配地质数据的三维属性,因而无法满足越来越精确的地下空间规划要求。

    结构约束下的三维地质模型包括三维空间上精细的力学性质参数及地球物理参数,各种评价因素能够从三维空间中进行提取,可以充分结合地质条件、自然条件、经济条件等各方面因素,对任意深度或深度范围内的地下空间开发适宜性进行评价,能够改变以往常规的地下空间评价模式(谭飞,2021)。与传统评价方法相比,三维评价可以更好地描述地下空间资源在不同深度的空间差异,同时评估过程与结果的透明表达,也是城市地上地下整体规划、地下空间设计建造的重要手段,能够定性、定量的为地下空间开发利用提供前期的辅助决策。

    (1)结构属性一体化模型能够融合地质结构先验知识,还能对内部属性进行精细的刻画与描述,解决了多源数据精度不一致问题,既能进行层面间的结构架构展示,又能详细查看特定属性的三维空间展布。

    (2)根据三维地质结构模型划分属性模型的结构约束,考虑地质单元特征采用顺层截断网格剖分技术,可为多源属性信息的融合和集成提供载体,建模成果可服务于数值模拟与分析评价。

    (3)属性建模采用序贯指示、序贯高斯等随机建模技术,可以构建具有统计学意义的多个随机结果,用于评估研究区的不确定性,也能够更加合理地展现地质属性的空间分布和变化。

  • 图  1   自适应机器学习算法处理流程图

    Figure  1.   Processing chart on adaptive machine learning

    图  2   基于机器学习算法的测井解释问题处理流程图

    Figure  2.   Logs interpretation flow based on machine learning

    图  3   机器学习算法的分类与其在测井中应用的对应关系图

    Figure  3.   Corresponding relationship between the classification of machine learning algorithm and its application in logging

    图  4   测井大数据云计算模块结构图

    Figure  4.   Internal module distribution on private cloud computing

    图  5   岩性识别声波井径数据的特征可视化图

    Figure  5.   Lithology recognition and acoustic well diameter data visual intersection by Machine learning

    图  6   机器学习算法岩性识别准确率对比图

    a.岩性分类预测的准确度 ;b.根据实际测井划分岩性的效果图

    Figure  6.   The comparison of machine learning lithology identification accuracy

    图  7   机器学习算法修复横波数据评价致密含气砂岩储层各向异性图

    Figure  7.   Evaluation of anisotropy of tight gas-bearing sandstone reservoir using machine learning to recover shear wave data

    图  8   过套管电阻率多井气藏监测图

    Figure  8.   Monitoring of gas distribution in multiple wells through casing resistivity

    表  1   机器学习算法在测井中的应用统计表

    Table  1   Machine learning for logging applications

    解决问题实现手段优势效果
    复杂岩性识别,岩性曲线有限 集成学习算法 突破传统岩性曲线多解性限制 识别多种矿物成份致密砂岩,碳酸盐岩
    电测井仪器、核测井仪器正演模拟算法慢 回归算法、深度神经网络 通过已有的模拟数据,学习出未知的模拟数据 快速实现仪器仿真设计、为测井仪器数字孪生奠定基础
    井眼、层厚以及围岩影响校正 回归算法、卷积神经网络 实现同时校正 确定地层的声电核真参数
    岩心测试预测,岩心电镜图片特征提取 卷积神经网络建模、学习 岩石物理参数预测、扫描电镜图像特征提取 孔隙度、渗透率、孔隙类型与矿物结晶识别
    测井曲线异常 相关分析 声电核测井曲线特征对比分析 消除仪器或测量引起的误差,提高测井解释符合率
    多矿物复杂岩性识别 分类方法 岩心、录井、钻井、测井数据学习 页岩油气储层,复杂碳酸盐岩储层
    横波数据提取和修复 回归算法 多测井曲线、岩心测试数据学习 页岩油气储层力学参数评价、压裂效果评价
    孔隙度、渗透率、饱和度模型 人工神经网络 泥质,黏土矿物导电性,束缚水饱和度参数学习 四性参数,真参数求取
    多井归一化,多参数提取 聚类算法,降维算法 多井多学科参数学习 多井储层厚度、孔隙度、饱和度提取
    页岩油气压裂力学评价、寿命预测、复杂岩性识别 集成机器学习、循环深度神经网络 多学科参数学习、动态监测数据学习 弹性模量、剪切模量、泊松比参数提取,产能预测
    下载: 导出CSV

    表  2   机器学习算法特点及测井适用性统计表

    Table  2   Characterization of machine learning and its applicability on well logging

    算法原理优势与不足测井适用性
    线性回归 在一元的情况下拟合出一条直线,多元时为平面或者曲面,反映数据样本的分类或回归值 速度快、成本低、对于连续线性数据具有可解释性。适合小、中型数据 测井数据修复、测井数据归一化
    决策树 决策树是一个由根到叶的递归过程,在每一个中间结点寻找划分属性。若当前结点包含的样本属于同一类别,无需再分支 速度快、结果易于解释、对局部变量敏感。精度有限、误差累积快、不适合于大数据预测 岩性划分、含油性评价、储层质量与分类
    随机森林 随机森林就是通过集成的思想将多棵树集成学习的方法,其基本单元为决策树 精度高、适用于高维大数据预测、对数据缺失不敏感。消耗资源大,易出现过拟合 测井沉积相分类、储层分类、含油性评价
    朴素贝叶斯法 贝叶斯推理是统计学和机器学习中的一个框架,它使用观察证据来更新假设为真的概率。其关注数据处理和模型的不确定性、编码先验信念和估计错误传播 原理简单,速度快,不受数据噪声和数据缺失影响。有限精度,具有独立的预测器,不适应于大数据。 岩性、岩相划分、含油性评价、储层质量分类、测井沉积相
    邻近法 一个样本的属性与数据集中的k个样本的属性最相似,如果这k个样本中的属于某一个类别, 则该样本也属于这个类别 非线性。用于中、大型数据 常规测井横波提取、含油性评价、储层质量分类
    集成学习算法 包含引导聚合和提升算法。引导聚合是通过对样本训练集合进行随机化抽样,反复抽样训练新的模型。提升算法通过不断地使用一个弱学习器弥补前一个弱学习器不足的过程,实现目标函数值误差小 原理简单、精度高、调节参数少。消耗资源大,适合中小数据量,可解释性差 沉积相与储层分类、岩性划分、数据标准化与修复、深度匹配
    主成分分析 利用正交变换把由线性相关变量表示的训练数据转换为少数几个由线性无关变量表示的数据,线性无关的变量称为主成分 中大型数据,针对专业人员 油藏管理监测、历史数据分析、测井知识发现、岩石力学参数、特征值提取
    卷积神经网络 卷积滤波器本质上是使用滑动窗口方法的加权向量/矩阵/立方体。根据内核结构,卷积增强了数据的某些特征,例边缘、趋势或平坦区域。卷积是嵌入在神经元水平的卷积神经网络中的,它从之前的层中提取有用的特征 适合于大中型数据。硬件资源要求高 裂缝识别、压裂评价、沉积环境分析
    循环神经网络 递归神经网络的信息可以在不同节点之间循环,产生诸如存储器之类的复杂动态 适合于大中型数据。硬件资源要求高 油藏监测、微地震监测、压裂效果评价
    长短记忆法 LSTM是使用当前输入和上一个状态传递下来信息,训练得到四个状态。由状态向量乘以权重矩阵之后,再通过激活函数转换成0到1之间的数值,作为一种门控状态。而输入数据通过激活函数将转换成-1到1之间的值 适合于大中型数据。硬件资源要求高 油藏监测、微地震监测、压裂效果评价
    深度强化学习 人工智能是一种算法吸收信息来执行具有人类智能特征的任务的能力,例如识别物体和声音、将语言上下文化、从环境中学习和解决问题 适合于大中型数据。硬件资源要求高、数据资源丰富 自主测井、虚拟测井
    对抗神经网络 这是一系列无监督机器学习方法,用未知概率密度函数生成样本。生成对抗网络是能区分真实样本和虚假样本的鉴别器网络 计算限制、主观特征选择 学习测井专家知识、智能仪器、数据质量
    下载: 导出CSV

    表  3   多种测井曲线下的机器学习算法储层分类结果对比表

    Table  3   The comparison of machine learning reservoir classification results under multiple logging curves

    组(ML算法) 决策树 K邻近法 使能法 深度神经网络 特征曲线数
    1 63.8 69.7 89.4 94.6 Pe、Cal、GR、SP、ML、DEN、DT、PHIN
    2 66.1 78.6 85.5 93.2 Pe、Cal、GR、SP、ML、DEN
    3 61.6 66.7 78.9 91.8 Pe、Cal、GR、SP、ML
    4 58.6 64.6 76.7 90.9 Pe、Cal、GR
    5 55.9 60.5 72.1 85.4 Pe、Cal
    下载: 导出CSV
  • 程希, 程宇雪, 程佳豪, 等. 基于机器学习与大数据技术的地球物理测井系统[J]. 西安石油大学学报(自然科学版), 2019, 06: 108-116

    CHENG Xi, CHENG Yuxue, CHENG Jiahao, et al. Geophysical logging system based on machine learning and big data technology[J]. Journal of Xi'an Shiyou University ( Natural Science Edition) , 2019, 34( 6) : 108-116.

    程希, 宋新爱, 李国军, 等. 数据模型与物理模拟驱动的人工智能测井[J]. 测井技术, 2021, 45(03): 233-329 doi: 10.16489/j.issn.1004-1338.2021.03.002

    CHENG Xi, SONG Xin’ai, LI Guojun, et al. Artificial intelligence logging driven by data modeling and physical simulation[J]. Logging Technology, 2021, 45(03): 233-329. doi: 10.16489/j.issn.1004-1338.2021.03.002

    杜金虎, 时付更, 杨剑锋, 等. 中国石油上游业务信息化建设总体蓝图[J]. 中国石油勘探, 2020, 25 (5): 1-8 doi: 10.3969/j.issn.1672-7703.2020.05.001

    DU Jinhu, SHI Fuqing, YANG Jianfeng, et al. A general blueprint for upstream business information construction in China[J]. China Petroleum Exploration, 2020, 25 (5): 1-8. doi: 10.3969/j.issn.1672-7703.2020.05.001

    韩海辉, 李健强, 易欢, 等. 遥感技术在西北地质调查中的应用及展望[J]. 西北地质, 2022, 55(3): 155-169. doi: 10.19751/j.cnki.61-1149/p.2022.03.012

    HAN Haihui, LI Jianqiang, YI Huan, et al. Application and Prospect of Remote Sensing Technology in Geological Survey of Northwest China[J]. Northwestern Geology, 2022, 55(3): 155-169 doi: 10.19751/j.cnki.61-1149/p.2022.03.012

    刘梁, 石卫, 张晓平, 等. 基于高斯混合聚类算法的西安市人工填土空间分布研究[J]. 西北地质, 2022, 55(2): 298-304 doi: 10.19751/j.cnki.61-1149/p.2022.02.027

    LIU Liang, SHI Wei, ZHANG Xiaoping, et al. Research on Spatial Distribution of Artificial Fill in Xi’an Based on Gaussian Mixture Clustering Algorithm[J]. Northwestern Geology, 2022, 55(2): 298-304 doi: 10.19751/j.cnki.61-1149/p.2022.02.027

    李宁, 徐彬森, 武宏亮, 等. 人工智能在测井地层评价中的应用现状及前景[J]. 石油学报, 2021, 42(4): 508-522 doi: 10.1038/s41401-020-0474-7

    LI Ning, XU Binsen, WU Hongliang, et al. Application status and prospects of artificialintelligence in well logging and formation evaluation[J]. Acta Petrolei Sinica, 2021, 42( 4): 508-522. doi: 10.1038/s41401-020-0474-7

    李志忠, 卫征, 陈霄燕, 等. 新型对地观测技术与地球健康体检[J]. 西北地质, 2022, 55(2): 56-70.

    LI Zhizhong, WEI Zheng, CHEN Xiaoyan, et al. New Earth Observation Technology and Earth Health Examination[J]. Northwestern Geology, 2022, 55(2): 56−70.

    罗刚, 肖立志, 史燕青, 等. 基于机器学习的致密储层流体识别方法研究[J]. 石油科学通报, 2022, 7(01): 24-33 doi: 10.3969/j.issn.2096-1693.2022.01.003

    LUO Gang, XIAO Lizhi, SHI Yanqing, et al. Machine learning for reservoir fluid identification with logs. Petroleum Science Bulletin, 2022, 01: 24-33. doi: 10.3969/j.issn.2096-1693.2022.01.003

    匡立春, 刘合, 任义丽, 等. 人工智能在石油勘探开发领域的应用现状与发展趋势[J]. 石油勘探与开发, 2021, 48 (1): 1-11 doi: 10.11698/PED.2021.01.01

    KUANG Lichun, LIU He, REN Yili, et al. Application and development trend of artificial intelligence in petroleum exploration and development [J]. Petroleum Exploration and Development, 2021, 48(1): 1-11. doi: 10.11698/PED.2021.01.01

    赵丽莎, 史永彬, 金玮, 等. 基于梦想云的测井智能化解释应用研究[J]. 中国石油勘探, 2020, 25(5): 97-103 doi: 10.3969/j.issn.1672-7703.2020.05.013

    ZHAO Lisa, SHI Yongbin, JIN Wei, et al. Research on the application of intelligent interpretation of logging based on dream cloud[J]. China Petroleum Exploration, 2020, 25(5): 97-103. doi: 10.3969/j.issn.1672-7703.2020.05.013

    邹文波. 人工智能研究现状及其在测井领域的应用[J]. 测井技术, 2020, 44(04): 323-328 doi: 10.16489/j.issn.1004-1338.2020.04.001

    ZOU Wenbo. Current status of artificial intelligence research and its application in the field of well logging[J]. Logging Technology, 2020, 44(04): 323-328. doi: 10.16489/j.issn.1004-1338.2020.04.001

    Akkurt R, Miller M, Hodenfield B, et al. . Machine Learning for Well Log Normalization[C]. Society of Petroleum Engineers, 2019.

    Gupta I, Devegowda D, Jayaram V, et al. Machine Learning Regressors and their Metrics to Predict Synthetic Sonic and Brittle Zones [C]. Unconventional Resources Technology Conference, 2019

    Karianne J, Paul A, Maarten V, et al. Machine learning for data-driven discovery in solid Earth geoscience[J]. Science, 2019, 363(6433): 1299.

    Kuvichko A, Spesivtsev P, Zyuzin V, et al. Field-Scale Automatic Facies Classification Using Machine Learning Algorithms[C]. Society of Petroleum Engineers, 2019.

    Markus R, Gustau C, Bjorn S, et al. Deep learning and process understanding for data-driven Earth system science[J]. Nature, 2019, 556(7743): 195-204.

    Oruganti Y D, Yuan P, Inanc F, et al. Role of Machine Learning in Building Models for Gas Saturation Prediction[C]. Society of Petrophysicists and Well-Log Analysts, 2019.

    Xu C, Misra S, Srinivasan P, Ma S. When Petrophysics Meets Big Data: What can Machine Do? [C]. Society of Petroleum Engineers, 2019.

    Wu H H, Pan L, Ma J, et al. Enhanced Reservoir Geosteering and Geomapping from Refined Models of Ultra-Deep LWD Resistivity Inversions Using Machine-Learning Algorithms[C]. Society of Petrophysicists and Well-Log Analysts, 2019.

  • 期刊类型引用(10)

    1. 蔡明,周庆文,杨聪,陈枫,伍东,林旺,章成广,张远君,苗雨欣. 砂泥岩地层岩性智能识别方法与应用——以新疆轮南侏罗系岩层为例. 煤田地质与勘探. 2025(01): 235-244 . 百度学术
    2. 霍凤财,李青志,董宏丽,陈怡. 基于改进Stacking融合模型的储层参数预测方法. 地球物理学进展. 2025(02): 691-704 . 百度学术
    3. 芦杨笛,邓瑞,汪益,张程恩,段宏臻. 基于NOA优化随机森林算法的砂岩孔隙度预测. 石油地球物理勘探. 2025(03): 576-586 . 百度学术
    4. 马天寿,张东洋,陆灯云,谢祥锋,刘阳. 地质力学参数智能预测技术进展与发展方向. 石油科学通报. 2024(03): 365-382 . 百度学术
    5. 刘国权,陈强,王璐,陈子欣,魏勇,甘如饴. 基于Python的动液面测控软件开发. 石油管材与仪器. 2024(04): 87-91 . 百度学术
    6. 程希,任战利. 人工智能测井:基础、原理、技术及应用. 煤田地质与勘探. 2024(08): 145-164 . 百度学术
    7. 陈秀娟,冯镇涛,曾芙蓉,胡建波,徐松. 页岩地层测井岩性识别技术发展现状. 新疆石油地质. 2024(06): 742-752 . 百度学术
    8. 李陈柯,邵小青,章蓬伟,张程,赵怡文. 基于注意力机制的多尺度双向网络的岩性识别方法. 科技视界. 2024(26): 73-76 . 百度学术
    9. 李瑞,吴文圣. 基于SSA-XGBoost模型的高精度密度测井预测方法研究. 核技术. 2024(12): 84-96 . 百度学术
    10. 褚庆军,葛云龙,童茂松,王燕,安旅行,于传武,贾鑫. 基于XGBoost算法的岩性测井曲线预测方法. 测井技术. 2024(06): 748-754 . 百度学术

    其他类型引用(4)

图(8)  /  表(3)
计量
  • 文章访问数:  221
  • HTML全文浏览量:  38
  • PDF下载量:  84
  • 被引次数: 14
出版历程
  • 收稿日期:  2022-05-08
  • 修回日期:  2023-03-02
  • 网络出版日期:  2023-03-16
  • 刊出日期:  2023-08-19

目录

/

返回文章
返回