基于卷积神经网络的致密砂岩储层岩相类型测井曲线判识

刘宗堡, 崔雨萌, 李军辉, 杨占龙, 刘 芳, 刘 涛, 刘晓文

(1.东北石油大学 地球科学学院, 黑龙江 大庆 163318; 2.大庆油田有限责任公司 勘探开发研究院,黑龙江 大庆 163712; 3.中国石油勘探开发研究院 西北分院, 甘肃 兰州 730020; 4.东北石油大学 计算机与信息技术学院, 黑龙江 大庆 163318)

0 引 言

岩相是综合反映沉积物形成过程、成岩演化、流体温压等地质条件的特定岩石组合。岩相类型识别是致密油气储层质量评价的核心工作,其对致密砂岩储层储集性及含油性分级分类均具有重要控制作用[1]。以往致密砂岩储层岩相识别方法主要有两种:第一种是基于岩心观察分析的直接判别,此方法对岩相的定量判别不可或缺,直观提取岩心特征或实验分析结果[2-7],优点是识别准确率高,但缺点是取心成本昂贵且资料不连续[8-9];第二种方法为基于测井曲线的定性判别,特别是测井曲线的多维响应特征可以实现目的层全井段岩相类型的连续判别[10],如众多学者采用电成像测井[11-13]或雷达图[14-17]建立了储层岩相测井曲线识别图版,但该方法判别过程工作量极大,判别结果人为主观性强且判识准确率有待提高[15]。

伴随着石油工业4.0时代的到来,要想实现储层全井段岩相类型的测井曲线高精度连续自动识别,尤其是针对岩性类型多、砂体变化快和层理规模小的陆相致密砂岩储层[18-19],亟需引入计算机人工智能方法[20-21]。目前,深度学习是人工智能与地质大数据交叉融合的研究热点[22-26],特别是基于深度学习的图像识别方法可以在学习过程中自适应的形成针对各种关键深层特征敏感的滤波器,通过测井曲线数据复制的多维度非线性关系,可以广泛实用处理岩相识别领域[27-28],如采用主成分分析法的页岩油储层岩相测井曲线敏感性分析及智能判别[29]。上述研究表明深度学习已经在储层岩相测井曲线智能判识领域取得了重要进展,但对于岩相类型复杂多变的致密砂岩储层还需要深入研究。

针对上述问题,笔者以松辽盆地三肇凹陷州6区块扶余油层为靶区,采用具有自动提取测井曲线图像特征的卷积神经网络作为分类器,拟建立一种致密砂岩储层岩相类型测井曲线人工智能识别的新方法,实现致密砂岩储层质量评价及计算机人工智能的有机深度融合,其研究结果对非常规油气优质储层分布预测具有重要指导作用。

1 卷积神经网络

1.1 基本结构

卷积神经网络(CNN)包括特征提取网络(卷积层和池化层)和分类器网络(全连接层)。CNN结构中特征提取网络接收输入图像(包含大量的卷积层和池化层),卷积层利用卷积进行图像转换,池化层通过将相邻像素合并为一个像素实现降维,全连接部分就是普通的多分类网络。CNN的核心操作是卷积和池化。卷积是一种局部操作,通过一定大小的卷积核作用于局部图像区域,可以检测图像的边缘、颜色、形状、纹理等多种模式信息。通过组合这些卷积核,而一般的模式会被逐渐抽象为具有高层语义的“概念”表示,并以此对应到具体的样本类别。池化的作用是使图像降维,首先对图像上局部窗口进行融合得到一个输出数据,然后采用某种步长扫描图像。最常用的池化窗口为2×2,其融合操作有最大值和平均值两种。由于卷积层通常后接ReLU激活层,其正值不变,负值变为0,所以神经元的激活值越大,说明该神经元对输入局部窗口数据的反应越激烈,提取的特征越好,因此池化层的融合操作通常采用最大值池化。文中利用卷积神经网络,开展测井曲线形态特征的致密砂岩储层岩相类型识别,正是考虑了该网络具有强大的信息提取和分类识别能力。

1.2 采用CNN解决储层岩相识别实施方案

采用CNN解决致密砂岩储层岩相识别的基本思路是:首先通过分析不同类型岩相的测井曲线响应特征,选定若干条测井曲线作为识别的指标数据集,进行数据预处理(如必要时采用滤波去除异常点,统计各维数据的最大值与最小值等),并将各条测井曲线数据以岩相单元为单位生成训练样本图像,每幅图像对应一种岩相类型,然后将训练样本提交卷积神经网络实施训练,训练后的网络即可用于新目标井储层的岩相识别。本次研究选择图像样本的依据是它完整体现了测井曲线的形态特征和位置关系,有助于建立测井曲线形态和致密砂岩储层岩相类型之间的复杂映射关系。

2 岩相类型及测井曲线响应特征

州6区块位于松辽盆地北部三肇凹陷肇州油田,扶余油层为研究区主力含油层系,扶余油层物源方向来自西南保康体系,沉积环境为三角洲相沉积体系,除扶余油层顶底小层发育三角洲前缘亚相以外,其他主体层系均为三角洲平原亚相[30]。州6区块扶余油层埋深多在-1 780～-2 050 m,油层厚度介于230～250 m,整体表现为北西方向倾没的低幅鼻状构造特征[31-32]如图1和2所示。

图1 研究区位置Fig. 1 Location of study area

图2 研究区地层综合柱状Fig. 2 Comprehensive strata profile of study area

目前,研究区内有水平井14口、注水井85口和采油井95口。储层孔隙度平均值为10.9%,空气渗透率平均值为0.86 mD,孔隙度与渗透率具有良好的线性关系,上述表明研究区属于典型的孔隙型致密砂岩储层[33-35]。为了开展致密砂岩储层的岩相类型人工智能判识,首先开展基于测井曲线深度校正的岩心深度归位,进而由岩心观察分析得到扶余油层岩相类型,然后将岩相类型与测井曲线资料实施对比,分析不同类型岩相的差异测井曲线响应特性,选取典型测井曲线构建岩相识别的特征集合,拟合测井曲线特征集合与岩相类型之间的映射关系。通过对三肇凹陷州6区块扶余油层岩心描述,重点考虑岩性类型、层理结构和厚度占比,进而深入剖析与岩相类型变化密切相关的测井曲线类型,主要包括自然伽马(GR)、声波时差(AC)、深侧向电阻率(RD)、自然电位(SP)和井径(CAL)等。为有效筛选出与岩相类型密切相关的测井曲线类型,文中首先采用主成分分析法给出不同测井曲线对岩相识别的贡献率。具体方法是先计算测井曲线响应特征与岩相的相关度,将结果按降序排列,再进行部分和累加及归一化处理,如表1所示。州6区块扶余油层岩相类型特征如图3所示。

表1 主成分分析法对5种测井曲线响应特征的分析结果Table 1 Analysis results of five logging response characteristics by principal component analysis

图3 州6区块扶余油层岩相类型特征Fig. 3 Lithofacies type characteristics of Fuyu reservoir in Zhou 6 block

由于岩相类型与测井曲线响应特性之间的映射关系较为复杂,而主成分分析仅仅从相关度方面刻画二者之间的关联性,无法反映出每种测井曲线响应特性对于特定岩相类型的敏感度,因此,文中同时采用绘制雷达图的方法,来综合确定用于岩相识别的测井曲线类型(图4、图5)。文中将研究区扶余油层划分为7种类型岩相,如图3所示。

图4 不同岩相的测井响应特征分布雷达图Fig. 4 Radar map of well logging response characteristic distributions for different lithologies

图5 测井响应特征对不同岩相的敏感度分布雷达图Fig. 5 Radar map of sensitivity distribution of logging response characteristics to different lithofacies

由图3可见,文中将研究区扶余油层划分为7种类型岩相:槽状交错层理细砂岩相(LfI);板状交错层理细砂岩相(LfII);平行层理细砂岩相(LfIII);波状层理细砂岩相(LfIV);水平层理粉砂岩相(LfV);波状层理泥质粉砂岩相(LfVI);其他泥岩类岩相(LfVII)。

图4中7种类型岩相在GR、RD、AC上的区分度较好,而在SP、CAL上的区分度相对较差。图5也显示了相同的结论,即GR、RD、AC对于7类岩相呈现出较好的各向异性,而SP、CAL则呈现出各向同性(近似于正多边形),同时表1中GR、RD、AC的贡献率总和占全部特征的82%以上。因此,文中最终选定3条测井曲线开展不同类型岩相的响应特征,进而生成图像样本,进行基于卷积神经网络的岩相识别。

3 岩相类型卷积神经网络识别

现有基于测井曲线的岩相识别方法,都是采用测井曲线的单个数据点作为输入,这些方法无法利用储层厚度范围内测井曲线的整体形态特征。文中首次将测井曲线的形态特征作为识别依据,该方法需要首先将储层厚度范围内的测井曲线绘制成样本图像,其次将岩相判识问题转化为测井曲线形态图像的识别问题,最后将样本图像提交CNN实施训练。

3.1 样本图像生成

样本以单一岩相为单位,每个岩相生成一个样本图像,具体过程只需将该储层厚度范围内的取心井岩相标签对应的测井曲线画出并保存成统一大小的灰度图像即可。这些图像即为CNN的输入样本,而其对应的岩相即为期望输出样本。选定州6区块扶余油层6口取心井(州102井、州351井、州扶59-51井、肇43-251井、肇43-251-1井、肇43-261井、肇44-261井)的690个岩相单元,不同类型岩相的样本数量如图6所示。将这些岩相对应的GR、RD、AC测井曲线画图保存成灰度图像即可以得到690个样本图像,每种岩相随机选取的5个样本图像,如图7所示。

图6 不同岩相的样本数柱状图Fig. 6 Histogram of sample number of different lithofacies lithofacies

图7 不同岩相随机选取的5个样本图像 Fig. 7 Five sample images randomly selected from different

3.2 CNN模型及控制参数设计

关于CNN的网络结构设计,没有固定规律可循,以幅度为63×63的输入图像为例,经过多次实验,最终确定的CNN拓扑结构包括1个输入层、5个卷积层、3个池化层和2个激活函数层。其中从左到右5个卷积核的大小分别为8×8,5×5,5×5,4×4,1×1;3个池化核的大小均为2×2且采用最大值池化,第1个激活函数层采用ReLU函数,第2个激活函数层采用Softmax函数。在CNN输出端采用交叉熵损失函数作为网络训练的目标函数。图中各模块右下角的数字为该层图像的通道序号,各层图像的通道数量分别为1、1、1、20、20、50、50、50、500、7、7。前9层为模式特征提取层,最后2层为实现分类的全连接层。CNN的训练参数包括5个卷积层的卷积核值、阈值,输出层连接权值,这些参数共20+25 050+400 500+3 507+49=429 691个。这些参数均初始化为均值为0,方差为10-4且服从正态分布的随机数。

3.3 CNN样本划分及训练结果

CNN的样本分为训练集、验证集和测试集。训练集用于调整网络参数,验证集用于校验CNN的训练效果或泛化能力,测试集用于测试训练后的CNN模型效果,并将模型真正推向实际应用。文中将7类带标签的样本,每类均按3∶1∶1划分为训练集、验证集与测试集,其中,训练集和验证集用于提交网络训练,并记录每步训练结果的目标函数值、训练集识别率和验证集识别率。单次训练过程,如图8所示。

图8 损失函数及误差随迭代步数的变化曲线Fig. 8 Loss function and error curve of CNN training process with iterative steps

文中采用的CNN分类识别模型中,网络输出为输入样本被识别为各类岩相的概率,其中,仅考虑排名前2的两种岩相的判别结果记为Top2,考虑排名前3的三种岩相(只要排名前3的三种岩相有一种正确即认为判别成功)的判别结果记为Top3。在训练过程中CNN的控制参数包括:学习速率α,权重衰减系数λ,惯性因子β,每批样本数B,训练步数G。经过反复实验,最终确定的参数取值为α=0.001,λ=0.000 5,β=0.9,B=10,G=50。图8a为CNN训练过程损失函数随迭代步数的变化曲线。图8b为Top2误差随迭代步数的变化曲线。图8c为Top3误差随迭代步数的变化曲线。为降低单次训练的随机性,文中采用相同样本对CNN独立训练30次,训练集Top2、Top3的平均识别率分别为99.64%和100%,验证集Top2、Top3的平均识别率分别为94.48%和98.89%。

3.4 基于CNN的单井岩相识别

在岩相识别推广过程中,由于要识别岩相的新目标井是没有分层的,即没有现成的测试集样本可以直接提交给训练后的CNN进行识别。针对该问题文中首次提出新目标井岩相逐点扫描识别方法。

3.5 基于CNN的岩相识别结果

为了验证识别结果的准确性,文中建立算法识别结果的混淆矩阵(图9),识别效果最好的岩相为LfII和LfVII,识别准确率均为100%。对于未正确识别岩相类型中,LfI样本识别准确率为83.3%,其中,有16.7%被识别为LfII;LfIII样本识别准确率为92.0%,4.0%被识别为LfII、4.0%被识别为LfIV;LfIV样本识别准确率为88.5%,3.8%被识别为LfIII、7.7%被识别为LfVI;LfV样本识别准确率为84.6%,其中,有7.7%被识别为LfIV、7.7%被识别为LfVI;LfVI识别准确率为92.9%,样本中有7.1%被识别为LfVII。综上所述,CNN模型对于州6区块扶余油层7类岩相类型平均识别准确率为91.6%,说明在沉积环境和成岩作用相近的地质条件下,此CNN模型对7种岩相类型均具有良好的识别效果,虽然有所误判但误差在可接受范围内,可以达到岩相类型判识实际工作需要。

图9 岩相识别结果的混淆矩阵 Fig. 9 Confusion matrix of lithofacies identification results

3.6 基于CNN的单井岩相识别结果

图10 BF48-46井岩相识别结果Fig. 10 BF48-46 well identification results

在这120个小层中,属于每类岩相的层单元数、这些层单元的最大厚度、最小厚度、平均厚度如表2所示。不同类型岩相的层单元数、厚度最小值、厚度最大值和厚度平均值的判识结果,对于开展致密砂岩储层质量评价和优质储层预测提供了重要依据。

表2 岩相识别结果中属于各类岩相的小层数量及厚度Table 2 Number and thickness of small layers belonging to various lithofacies in recognition results

4 结 论

(1)三肇凹陷州6区块扶余油层发育三角洲相致密砂岩储层,其主要发育槽状交错层理细砂岩相、板状交错层理细砂岩相、平行层理细砂岩相、波状层理细砂岩相、水平层理粉砂岩相、波状层理泥质粉砂岩相和其他泥岩类岩相,采用主成分分析法和雷达图法的测井曲线敏感性特征分析表明自然伽马、声波时差、深侧向电阻率对扶余油层岩相类型判别具有显著响应特征。

(2)文中首次提出将致密砂岩储层岩相分类归结为测井曲线形态图像的识别问题,构建了适用于致密砂岩储层岩相识别的卷积神经网络模型方法,测试集的平均准确率为91.6%,实现了对目标储层岩相的高精度连续识别,获得了良好的实验效果。

(3)岩相逐点扫描识别方法实现了新目标井岩相的自动划分与识别,解决了以往方法进行单井岩相识别需要提前分层的问题。此外,本文也为计算机人工智能与非常规油气储层质量评价的深度融合提供了新思路。