深度學(xué)習(xí)在石油勘探中的應(yīng)用研究

王樹華 于會臻 陳學(xué)國

摘 要：當(dāng)前，全球整個石油行業(yè)隨著油價下降，面臨巨大的生存壓力。如何在新形勢、新挑戰(zhàn)下，降低成本，提高勘探精度，成為這個行業(yè)不可避免的問題。由此，本文提出將深度學(xué)習(xí)應(yīng)用于石油勘探中，在闡述深度學(xué)習(xí)理論方法的基礎(chǔ)上，探討石油勘探領(lǐng)域深度學(xué)習(xí)的關(guān)鍵技術(shù)。

關(guān)鍵詞：深度學(xué)習(xí);石油勘探;樣本制作

中圖分類號：TE34;TP391.41文獻(xiàn)標(biāo)識碼：A 文章編號：1003-5168（2018）28-0022-02

Abstract： At present， the global oil industry as a whole is facing tremendous pressure of survival with the decline of oil prices. How to reduce costs and improve exploration accuracy under the new situation and challenges has become an unavoidable problem in this industry. Therefore， this paper put forward the application of deep learning in petroleum exploration. On the basis of expounding the theory and method of deep learning， the key technology of deep learning in petroleum exploration field was discussed.

Keywords： deep learning;petroleum exploration;sample preparation

深度學(xué)習(xí)是近年來快速發(fā)展的大數(shù)據(jù)挖掘新技術(shù)，該技術(shù)基于神經(jīng)網(wǎng)絡(luò)算法（CNN、RNN等），通過模擬人腦分析、建立學(xué)習(xí)模型，從而實現(xiàn)模仿人腦進(jìn)行識別的目標(biāo)。深度學(xué)習(xí)在各個領(lǐng)域迅速發(fā)展，取得了令人意想不到的成果。本文主要分析深度學(xué)習(xí)在石油勘探中的應(yīng)用。

1 深度學(xué)習(xí)

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的核心算法之一。該方法起始于人工神經(jīng)網(wǎng)絡(luò)，特點是利用其具有的多隱層的多層感知結(jié)構(gòu)，通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)方法主要有2種：一種是監(jiān)督學(xué)習(xí)，另一種是無監(jiān)督學(xué)習(xí)。其中，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）就是一種深度監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型，而深度置信網(wǎng)（Deep Belief Nets，DBN）則是一種無監(jiān)督學(xué)習(xí)下的機(jī)器學(xué)習(xí)模型[1]。

2 深度學(xué)習(xí)在石油勘探中的應(yīng)用現(xiàn)狀

因為石油勘探行業(yè)屬于技術(shù)密集型產(chǎn)業(yè)，新的方法和技術(shù)都較早地被引入到該行業(yè)。深度學(xué)習(xí)的鼻祖，BP神經(jīng)網(wǎng)絡(luò)在1996年就引入了石油勘探行業(yè)。但是，由于當(dāng)時計算速度和算法特別是石油行業(yè)由于地震分辨率的限制所造成的多解性，BP神經(jīng)網(wǎng)絡(luò)一直沒有在該行業(yè)中得到較好的發(fā)展。

隨著深度學(xué)習(xí)的發(fā)展，相應(yīng)的計算方法和計算能力提高，特別是低油價的市場環(huán)境，必然要求提高勘探成功率，這也為深度學(xué)習(xí)應(yīng)用于石油勘探領(lǐng)域提供了契機(jī)。

雖然圖像識別和分類在人臉識別、數(shù)字識別以及語音識別中取得了良好的應(yīng)用效果，但由于石油行業(yè)數(shù)據(jù)成像的差別，仍舊限制了該技術(shù)在石油勘探行業(yè)中的應(yīng)用，主要體現(xiàn)在以下兩方面：①石油勘探行業(yè)的數(shù)據(jù)成像精度和要識別的地質(zhì)體還有一定的差別;②石油勘探行業(yè)的樣本制作和標(biāo)簽標(biāo)示困難，具有很大的多解性。

由此，石油勘探行業(yè)目前還沒有比較成熟的方法和應(yīng)用軟件平臺，更沒有比較成功的案例。

3 石油勘探領(lǐng)域深度學(xué)習(xí)的關(guān)鍵技術(shù)

3.1 樣本制作

在石油勘探領(lǐng)域，通過對地震資料和測井?dāng)?shù)據(jù)的處理和研究，實現(xiàn)對地下地質(zhì)體的識別是間接方法，不是直接方法（人臉識別、車牌識別等都是直接方法，完全類似人視覺成像）。同時，又由于受到數(shù)據(jù)分辨率、數(shù)據(jù)噪聲以及判別經(jīng)驗等的影響，造成識別結(jié)果不確定、樣本標(biāo)簽不準(zhǔn)確。換言之，針對同一個地質(zhì)體，不同地震資料有不同的特征。同一個地震圖像，不同的專家有不同的解釋，而這使得樣本標(biāo)簽具有多解性。

另外一個問題是樣本數(shù)量問題。深度學(xué)習(xí)取得好的訓(xùn)練結(jié)果的前提是需要海量的樣本數(shù)據(jù)，石油勘探數(shù)據(jù)雖然也是海量數(shù)據(jù)，但建立有效的樣本數(shù)據(jù)，特別是海量的樣本數(shù)據(jù)仍比較困難。

綜上所述，石油勘探領(lǐng)域的標(biāo)簽，以地震成像和測井成像數(shù)據(jù)建立的間接標(biāo)簽為主，巖心直接標(biāo)簽為輔。因為區(qū)塊內(nèi)有大量的地震成像資料，可以利用三維地震資料，從不同的方向和切片方向分別成像，建立間接樣本數(shù)據(jù)。此外，還需要編寫專門的程序來實現(xiàn)具體樣本的制作，從而提高建立樣本的效率[2]。

3.2 模型構(gòu)建

在確定建立樣本的方法后，下一個關(guān)鍵的技術(shù)問題是構(gòu)建深度學(xué)習(xí)模型。當(dāng)前，比較流行且執(zhí)行效率比較高的模型（模式）有以下幾種。

①Caffe。Caffe是中國人賈揚清于2013年在Github上發(fā)布的深度學(xué)習(xí)工具，主要應(yīng)用于視頻和圖像的處理等領(lǐng)域，是一種常用的深度學(xué)習(xí)框架。該平臺對遞歸網(wǎng)絡(luò)和語言建模的支持較差，在圖層需要使用C++定義。

②CNTK。目前，CNTK已經(jīng)發(fā)展成一個通用的、平臺獨立的深度學(xué)習(xí)系統(tǒng)。該平臺網(wǎng)絡(luò)利用其獨有的細(xì)粒度構(gòu)件塊，具備不需要使用低層次的語言就能創(chuàng)建新的、復(fù)雜的層類型的能力，提高了其開發(fā)的便捷性。

③TensorFlow。TensorFlow是Google公司的產(chǎn)品，其支持Python等語言，具有強(qiáng)大的開發(fā)庫，開發(fā)效率高，是一個理想的深度學(xué)習(xí)開發(fā)平臺，具有CNN、RNN等模型。TensorFlow使用了向量運算的符號圖方法，使得新網(wǎng)絡(luò)的指定變得相當(dāng)容易。

④Theano。Theano引領(lǐng)了符號圖在編程網(wǎng)絡(luò)中使用的趨勢，且Theano的符號API支持循環(huán)控制，保證了RNN的實現(xiàn)更加容易且高效。

⑤Torch。Torch平臺的CNN（卷積網(wǎng)絡(luò)）方法非常好。與TensorFlow和Theano相比，Torch利用時域卷積的本地接口，使用非常直觀。

這些模型都有比較成功的案例，但對于石油勘探行業(yè)，結(jié)合模型特點，筆者認(rèn)為，Theano較好，該模型具有前饋和后饋的功能，并且該模型能較容易實現(xiàn)GPU的并行化。

3.3 參數(shù)優(yōu)化

在確定模型后，需要根據(jù)模型的特征優(yōu)選模型參數(shù)。勘探領(lǐng)域主要包括以下幾個參數(shù)。

①確定樣本的大小。樣本太大，雖然信息量大，但造成速度較低，如果太小，一則包含的信息量小，二則不能建立較多的隱層層數(shù)（因為需要池化）。

②隱層層數(shù)的確定。隱層層數(shù)在很大程度上決定了最終訓(xùn)練模型的精度。該參數(shù)需要根據(jù)樣本的大小以及要求的模型訓(xùn)練精度共同確定。

③學(xué)習(xí)率及核函數(shù)。這兩個參數(shù)主要影響模型訓(xùn)練的精度，一般而言，學(xué)習(xí)率小，訓(xùn)練時間加長，但最終達(dá)到的精度會有所提高;學(xué)習(xí)率大，訓(xùn)練時間雖短，但精度很難提高。這兩個參數(shù)有點類似數(shù)據(jù)網(wǎng)格化參數(shù)，網(wǎng)格化間隔小，精度高，需要時間長，反之，精度低，需要時間短。

4 初步應(yīng)用效果及分析

在VS2015環(huán)境下，筆者通過Python語言利用Theano模型，對小樣本數(shù)據(jù)進(jìn)行了測井巖性及測井相識別試驗。試驗結(jié)果表明，Theano模型能較好地實現(xiàn)對一般沉積條件下的測井?dāng)?shù)據(jù)的巖性識別和地震相（微相）識別。

4.1 測井巖性及測井相識別

首先，在編寫樣本采集軟件的基礎(chǔ)上，利用20口測井?dāng)?shù)據(jù)，每口井優(yōu)選20個砂組，分3類，建立了400個樣本小數(shù)據(jù)。在構(gòu)建3層隱層的基礎(chǔ)上，利用測井?dāng)?shù)據(jù)GR進(jìn)行測井巖性及測井相識別，識別精度約75%。

4.2 地震相（微相）分類

首先，在編寫樣本采集軟件的基礎(chǔ)上，利用100km2含5口鉆井，對其中一層系優(yōu)選3種地震相（亞相）類型，分3類，建立了200個樣本小數(shù)據(jù)。在構(gòu)建了5層隱層的基礎(chǔ)上，利用地震數(shù)據(jù)進(jìn)行地震相（亞相）識別，識別精度約65%。

上述兩個應(yīng)用的精度都不是很高，這主要是因為：①樣本數(shù)據(jù)較小，同時由于多解性的原因，所給的標(biāo)簽也不一定完全對，這就造成了訓(xùn)練困難，降低了精度;②所采用的模型及模型參數(shù)不是最優(yōu)參數(shù)，還需要進(jìn)一步進(jìn)行優(yōu)化。

5 結(jié)論

深度學(xué)習(xí)較好地實現(xiàn)了人類思考判斷（特別是視覺判斷）模式的計算機(jī)化，是人類信息技術(shù)發(fā)展進(jìn)步的一個里程碑的標(biāo)志。隨著該項技術(shù)的不斷進(jìn)步和發(fā)展，必將改變?nèi)祟惖纳a(chǎn)和生存模式。當(dāng)前，全球整個石油行業(yè)隨著油價下降，面臨巨大的生存壓力，國外石油勘探業(yè)務(wù)更為如此。如何在新形勢、新挑戰(zhàn)下，降低成本，提高勘探精度，成為整個行業(yè)不可避免的問題。由此，筆者提出將深度學(xué)習(xí)技術(shù)應(yīng)用于石油勘探中，以提高石油勘探精度。

參考文獻(xiàn)：

[1]陳仕云.人工智能在石油勘探上的應(yīng)用[J].化工管理，2018（25）：223-224.

[2]徐沐霖，邱濤.人工智能在石油勘探中的應(yīng)用[J].電子世界，2017（8）：142.