APP下载

基于深度学习模型的测井电成像空白条带充填方法

2019-05-28王哲峰高娜曾蕊杜雪菲杜欣睿陈思宇

测井技术 2019年6期
关键词:砂砾条带测井

王哲峰,高娜,曾蕊,杜雪菲,杜欣睿,陈思宇

(中国石油集团测井有限公司长庆分公司,陕西西安710201)

0 引 言

微电阻率扫描成像测井通过推靠极板上的纽扣电极,测量井眼周向上的电导率,由软件方法通过色标刻度,得到井眼环周二维图像,已广泛应用于碳酸盐岩、砂砾岩和火成岩的测井评价[1-3]。但在大井眼情况下,电成像测井的井眼覆盖率达不到100%,图像上出现空白条带。为保证后期测井处理和解释的精度,有必要对空白条带进行充填。

常用的空白条带充填方法是基于多点地质统计学的Filtersim算法,HURLEY N F等[4]首先提出了该方法,并应用于空白条带充填。其主要思路是将已知像素的图像块使用滤波器滤波后,聚类形成多个图像块模板类别。在充填时,通过比较当前缺损图像块与各类别图像块模板的度量距离,选择距离最近的模板类别进行充填,如果当前缺损图像块中没有已知像素点,则在图像块模板中随机选择一个进行充填。国内外在实际应用中,很多选择了Filtersim算法[5-8]。文献[9]的研究指出,Filtersim算法中在结构特征为主的多层理区域,充填后的层理连续性不强,无法得到较好的充填效果。本文的实验研究也表明了这一点。

深度学习已成为目前计算机视觉、图像处理和语音识别等领域的研究热点。YANG C等[10]应用深度学习神经网络,进行自然场景图像的修复。LI Y J等[11]提出一种深度产生式模型,用于人脸图像的补全。但这类算法都需要大量的训练样本,而对于电成像测井来说,取得大量的井周全井眼真实图像数据是不现实的。因此,本文借鉴文献[12]提出的人为设计的深度神经网络结构本身就能够抓取大量低层级的图像统计先验信息的思想,通过优化卷积神经网络(CNN)模型结构,保留CNN前端的多层卷积层和下采样层(池化层),后端替换为多层卷积层和上采样层,形成Encoder—Decoder网络模型,实现单幅图像的结构和纹理特征信息推理。实际应用表明,本文提出的深度学习神经网络模型算法对于砂泥岩剖面和砂砾岩体图像,都取得了较好的充填效果。

1 深度学习概念及其神经网络模型原理

深度学习通过特征学习、特征抽象、模型学习等任务模块的参与,借助多层任务模块完成最终的学习任务。不同于传统的学习算法,深度学习的主要优势在于自主性的特征学习功能。深度学习中一类代表性的算法是神经网络算法,包括深度置信网络、递归神经网络和卷积神经网络(CNN)等。特别是CNN[13],目前在诸多领域特别是图像相关任务上表现优异,如图像分类、图像语义分割、图像检索、物体检测等,其最主要特点是卷积运算操作。

CNN是一种层次模型,用于图像分类的典型网络模型结构的输入是原始数据,如RGB图像等,通过卷积操作,池化操作和非线性激活函数映射等一系列操作的层层堆叠,将高层语义信息逐层由原始数据输入层中抽取出来,逐层抽象,进行前馈运算,再通过全连接层和输出层将分类任务形式化为目标函数。通过计算预测值于真实值之间的误差或损失,采用随机梯度下降算法(SGD)和误差反向传播,将误差或损失由最后一层逐层向前反馈,更新每层参数,并在更新参数后再次前馈,如此反复,直到网络模型收敛,从而达到模型训练的目的。在测试时,由前馈运算,计算输入测试图像的分类标签。

CNN的主要优点:①卷积层通过网络训练,学习到最有效的底层特征抽取参数,即卷积核参数,避免了显式的特征抽取;而且学习到卷积核参数对图像不同位置的所有输入都是相同的,具有权值共享特性,减少了学习参数,在降低网络规模的同时,提高了训练速度。②进行二次特征提取的池化层,在降低特征维数的同时,使特征学习包含某种程度的自由度,可容忍一些特征微小的位移,并在一定程度上防止训练过拟合。

2 电成像图像充填深度学习模型

通常认为CNN在图像生成和复原方面的优异表现,得益于大量训练样本图像,但DMITRY U等[12]的研究表明在大量样本学习之前,深度神经网络结构本身就能够捕获大量低层级的图像统计先验信息。基于这一思想,将图像修复问题表示为式(1)的能量最小化问题

(1)

式中,fθ(.)为一深度神经网络模型;θ为网络模型参数;x0为待修复图像;z为网络模型输入;能量函数E(.;.)计算在输入z的情况下,由神经网络模型预测出的图像在已知像素点处与x0的差异,作为网络模型的误差,并将这一误差,经反向传播,更新θ。重复这一训练过程,直至达到最大迭代次数,或网络模型误差达到限定值。最终,使用得到的(局部)最优θ*,通过x*=fθ*(z)计算预测图像x*,作为图像修复结果。

很明显,因为fθ(.)要求输出与x0相同维数的图像张量,CNN图像分类模型框架已经不适用。本文保留CNN图像分类模型前端的多层卷积层和池化层(下采样),进行图像底层特征的提取,并将后端替换为多层卷积层和上采样层,形成Encoder—Decoder网络模型结构。

2.1 模型结构

Encoder—Decoder网络模型结构中,左边为Encoder结构,网络深度为6个组合层,卷积核大小为5×5,采用卷积步长为2来进行下采样,代替池化层。卷积层的16、32、64、128表示卷积层输出的通道数,使用反射padding。使用Leaky ReLU作为激活函数,并加入批规范化操作层(Batch Normalization),加快模型收敛速度,在一定程度上缓解网络的”梯度弥散“问题,使深层网络模型的训练更加稳定。在Decoder结构部分,加入上采样层(UpSample),数值2表示上采样的尺度大小。卷积核的大小为3×3,卷积步长为1,同样使用反射padding。网络深度也为6个组合层。

图1 空白条带图像充填效果对比图(1)

2.2 网络模型的输入输出

网络模型的输入采用与待修复图像同样尺寸的2通道网格灰度图像(MeshGrid)。其中,第1通道图像灰度从左至右,由0渐变到255;第2通道图像灰度从上至下,由0渐变到255。采用这样的网络模型输入,可提供1个额外的平滑先验,对于修复大面积的缺失区域非常有帮助。实验研究也表明采用MeshGrid灰度图像输入比采用均匀分布的随机图像效果好。

为保证修复后图像不出现电成像刻度色标以外的颜色,本文将电成像彩色图像灰度化后,作为待修复图像。网络模型输出也为1通道的灰度图像,与待修复图像,经掩膜模板,计算已知像素点上的均方误差(MSE),进行网络模型的误差反向传播。修复后的图像,通过比较刻度色标上的灰度值,转化为彩色图像。

2.3 网络模型优化算法

深度卷积神经网络通常采用随机梯度下降(SGD)类型的优化算法进行模型训练和参数求解,在误差反向传播时,根据一阶梯度信息对参数进行更新。本文采用Adam算法,利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。这样,经过偏置校正后,每一次迭代学习率都有一个确定范围,可使参数更新比较平稳。具体算法见文献[14]。本文中,Adam算法的基本学习率为0.01,同时随机初始化网络模型参数。

3 实验结果分析及应用实例

3.1 充填结果对比分析

本文提出的深度神经网络模型充填算法在PyTorch[15]深度学习框架下实现,并与Filtersim算法在砂泥岩剖面和砂砾岩体电成像图像上进行了充填效果对比。

Filtersim算法采用与文献[9]同样的运行参数。如图1(b)所示,Filtersim算法对于结构特征丰富的多层理区域,充填后的层理连续性不强,无法得到较好的充填效果。本文提出的深度神经网络算法,设置迭代次数为2 000次,图2显示了多轮的网络模型输出结果。如图2(a)所示,没有经过训练的网络模型输出显示为随机值,经过100次迭代,网络模型捕获到图像的大致轮廓信息,随着迭代次数的增加,更多的图像细节被网络模型学习到。最终的充填图像如图1(c)所示,可以看到,对于层理连接处的处理效果更好,过度平滑且自然,极佳地保持了多个层理在空白处的连续性。

对于如图3(a)所示的砂泥岩剖面成像图,对比图3(b)和图3(c),可以发现,在大面积的纹理分量突出区域,2种方法取得的充填效果近似,但对于图像上半部分的黑色泥质条带,显然本文方法处理的效果更好。

图2 深度神经网络多轮迭代输出

图3 空白条带图像充填效果对比图(2)

图4显示了对砂砾岩体电成像图像的处理结果。可以看到,Filtersim算法充填后,砾石边缘轮廓的连续性较差,而本文方法有效地恢复了轮廓边缘信息,有利于图像分割等后处理过程。

图4 空白条带图像充填效果对比图(3)

3.2 充填方法在砂砾岩岩性精细评价中的应用

深层砂砾岩油藏是重要的油气勘探开发目标,但这类油藏埋藏深、岩性复杂、岩相变化快,岩石骨架造成孔隙结构复杂化,削弱了流体变化对电阻率的影响,测井信息识别岩性评价储层难度大。为做好砂砾岩储层评价,服务难动用油藏开发,以高分辨率的电成像测井为基础,准确识别砂砾岩岩相。但目前采集的电成像数据未实现对井眼的全覆盖,导致计算结果不准,识别准确率较低,影响岩相划分结果。因此,在本文充填方法的基础上,对全井眼图像进行分割等图像处理,提取粒度变化谱,实现对砂砾岩岩相的准确识别。图5为YJ油田砂砾岩区块Y1井的岩性精细评价综合成果图。

图5 Y1井3 676~3 677.6 m段砂砾岩岩性精细评价综合成果图

图5中第2道为原始FMI静态成像图;第1道为采用本文空白条带充填方法,得到的全井眼成像图;第3道为第1道成像图经图像处理后,构建的砂砾岩粒度谱;第4道为计算的砂砾岩岩性剖面。可以看到岩性以细砾岩和中砾岩为主,符合YJ油田砂砾岩体区块的储层“四性”关系分析结论:含砾砂岩、砾状砂岩物性含油性较好,因此为Y1井优选压裂设计井段3 675~3 677 m。Y1井根据岩性精细评价成果确定射孔井段5簇,压裂成功实施后,获得初产近20 t的产能,目前稳产日产油10 t,水3 m3。

本文提出的电成像空白条带充填方法应用于YJ油田难动用区块复查工作中,可准确评价油层的有效性,为优选射孔井段和压裂层段提供依据。老井在难动用储量开发中获得重新利用。

4 结 论

(1)文章提出的电成像空白条带充填方法,利用深度神经网络模型结构,学习已知像素点上的图像底层特征,并拓展到图像空白条带处。在实际应用中,较Filtersim算法,取得了更好的充填效果。

(2)该方法不需要大量的学习样本,只对单幅图像进行处理,在使用上更加贴合生产实际。

猜你喜欢

砂砾条带测井
本期广告索引
受灾区域卫星遥感监测的条带分解方法研究
一种基于胶结因子谱的砂砾岩胶结程度的判定方法
巧用废旧条幅辅助“蹲踞式起跑”教学
砂砾石地基上土石坝的渗流控制
基于测井响应评价煤岩结构特征
基于 Savitzky-Golay 加权拟合的红外图像非均匀性条带校正方法
中石油首个全国测井行业标准发布
展向离散抽吸法控制边界层转捩实验研究
浅谈天然砂砾石路基施工质量控制