基于DMC-BiLSTM的沉積微相智能識(shí)別方法

羅仁澤,周 洋,康麗俠,李興宇,郭 亮,庹娟娟

(1.西南石油大學(xué)油氣藏地質(zhì)及開(kāi)發(fā)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室,西南石油大學(xué)地球科學(xué)與技術(shù)學(xué)院,四川成都610500;2.中國(guó)石油長(zhǎng)慶油田分公司,寧夏銀川750005)

沉積微相是油氣勘探開(kāi)發(fā)工作中至關(guān)重要的研究?jī)?nèi)容之一,尤其對(duì)于明確剩余油富集區(qū)產(chǎn)量預(yù)測(cè)起著重要作用。傳統(tǒng)沉積微相劃分中,常以研究前人成果、區(qū)域沉積背景為基礎(chǔ),通過(guò)古生物學(xué)和沉積學(xué)等理論結(jié)合關(guān)鍵井巖心相標(biāo)志分析,確定研究區(qū)內(nèi)沉積類型;結(jié)合多種測(cè)井曲線形態(tài)特征,綜合分析巖石厚度、粒度等特征,劃分研究區(qū)沉積微相[1-2]。多種資料交叉分析的過(guò)程復(fù)雜且繁瑣,很難找出沉積相與各種測(cè)井?dāng)?shù)據(jù)之間的定性映射關(guān)系。

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展,機(jī)器學(xué)習(xí)在沉積微相上的運(yùn)用主要方法有:BP神經(jīng)網(wǎng)絡(luò)[3]、支持向量機(jī)(SVM)[4]、模糊聚類神經(jīng)網(wǎng)絡(luò)[5]、KNN算法[6]和貝葉斯算法[7],然而,這些機(jī)器學(xué)習(xí)算法仍存在自身局限性,在很多情況下不能滿足沉積微相識(shí)別要求。BP神經(jīng)網(wǎng)絡(luò)雖然實(shí)現(xiàn)了輸入到輸出的映射功能,具有較強(qiáng)的非線性映射能力,但是BP神經(jīng)網(wǎng)絡(luò)收斂速度慢,容易陷入局部極小化,導(dǎo)致網(wǎng)絡(luò)訓(xùn)練失敗,同時(shí)無(wú)法觀察學(xué)習(xí)過(guò)程,輸出結(jié)果難以理解;SVM算法在分類效果上表現(xiàn)很好,但是,對(duì)大規(guī)模訓(xùn)練樣本存在分類難的問(wèn)題,參數(shù)調(diào)優(yōu)過(guò)程比較繁瑣。模糊聚類分析對(duì)噪聲和異常值很敏感,但其結(jié)果不穩(wěn)定;KNN算法計(jì)算量過(guò)大,樣本不平衡時(shí),對(duì)少數(shù)量樣本預(yù)測(cè)準(zhǔn)確率低;貝葉斯算法對(duì)多分類問(wèn)題很有效,對(duì)待測(cè)樣本預(yù)測(cè),過(guò)程簡(jiǎn)單且速度快,但是它有分布獨(dú)立的假設(shè)前提,而現(xiàn)實(shí)中預(yù)測(cè)問(wèn)題很難完全獨(dú)立。此外,這些算法主要依附于特定的地質(zhì)環(huán)境和沉積背景,構(gòu)造對(duì)自然伽馬曲線形態(tài)類和物性類參數(shù)特征,而這些定量特征不具有泛化能力。

深度學(xué)習(xí)具有挖掘數(shù)據(jù)非線性關(guān)系的優(yōu)勢(shì),目前尚無(wú)有效解決沉積微相識(shí)別的模型。遞歸神經(jīng)網(wǎng)絡(luò)能夠隨著時(shí)間推移進(jìn)行順序處理,2020年,SONG等[8]將長(zhǎng)短期記憶網(wǎng)絡(luò)運(yùn)用于測(cè)井曲線形態(tài)識(shí)別,僅采用單向序列對(duì)鐘形、漏斗形、卵形和箱形4類測(cè)井相進(jìn)行識(shí)別。經(jīng)本文實(shí)驗(yàn)證明,用于時(shí)間序列預(yù)測(cè)的時(shí)間卷積網(wǎng)絡(luò)(TCN)同樣可用于沉積微相識(shí)別,但是,長(zhǎng)短期記憶網(wǎng)絡(luò)和時(shí)間卷積網(wǎng)絡(luò)都只能對(duì)測(cè)井曲線序列在深度上進(jìn)行單向建模,當(dāng)輸入的原始信號(hào)采樣率較低,利用兩者對(duì)原始信號(hào)進(jìn)行處理均可以取得較好的效果。但是,在測(cè)井曲線序列中常用的信號(hào)大多是高采樣率信號(hào),能夠有效反映井沉積特征的信號(hào)長(zhǎng)度通常大于1000,甚至更長(zhǎng)。而長(zhǎng)短期記憶網(wǎng)絡(luò)和時(shí)間卷積網(wǎng)絡(luò)直接處理含有大量噪聲的高采樣率原始信號(hào)時(shí),會(huì)造成模型參數(shù)過(guò)大,使模型難以訓(xùn)練,容易產(chǎn)生過(guò)擬合現(xiàn)象。另外,普通的長(zhǎng)短期記憶網(wǎng)絡(luò)和時(shí)間卷積網(wǎng)絡(luò)模型只能記憶當(dāng)前深度之前的曲線變化特征。為了準(zhǔn)確反映整口井測(cè)井序列的沉積特征,亟需研究更準(zhǔn)確、泛化能力更強(qiáng)的有效識(shí)別沉積微相深度學(xué)習(xí)網(wǎng)絡(luò)模型。

本文提出了一種DMC-BiLSTM深度學(xué)習(xí)的沉積微相識(shí)別模型。利用DMC特征構(gòu)造,(D代表地質(zhì)趨勢(shì)特征,M代表中值濾波特征,C代表聚類特征),目的是為了更好提取原始自然伽馬曲線特征,消除噪聲對(duì)原始信號(hào)魯棒性和泛化能力的影響,為雙向長(zhǎng)短期記憶(BiLSTM)網(wǎng)絡(luò)提供易捕獲的特征,從而提高算法的性能。利用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)提取當(dāng)前測(cè)井信號(hào)的前后深度序列變化特征,該變化特征能夠更好地反映沉積過(guò)程中能量的變化,預(yù)測(cè)沉積微相類型。

1 DMC-BiLSTM模型

圖1給出了基于DMC-BiLSTM深度學(xué)習(xí)的沉積微相智能識(shí)別流程,具體實(shí)現(xiàn)過(guò)程如下。

圖1 基于DMC-BiLSTM深度學(xué)習(xí)的沉積微相智能識(shí)別流程

1) 數(shù)據(jù)預(yù)處理。主要是構(gòu)造三大類特征,包括地質(zhì)趨勢(shì)特征,中值濾波特征和聚類特征,簡(jiǎn)稱DMC特征構(gòu)造。生成新的特征集合。

2) 數(shù)據(jù)劃分。將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。

3) 模型訓(xùn)練。搭建4層雙向長(zhǎng)短期記憶網(wǎng)絡(luò)網(wǎng)絡(luò)模型,訓(xùn)練DMC-BiLSTM分類模型。

4) 模型驗(yàn)證。使用測(cè)試集驗(yàn)證DMC-BiLSTM分類模型的分類性能。

1.1 DMC特征構(gòu)造

測(cè)井?dāng)?shù)據(jù)在采集的過(guò)程中,由于受到外界干擾或者儀器自身原因,導(dǎo)致有效信號(hào)中夾雜著各種噪聲。本文提出的DMC特征構(gòu)造非常適合測(cè)井曲線的信號(hào)處理,在進(jìn)行沉積微相識(shí)別之前,需要對(duì)測(cè)井曲線序列進(jìn)行預(yù)處理,構(gòu)造新的特征矩陣。

1.1.1 趨勢(shì)分量

STL算法[9]為時(shí)序分解中的一種常見(jiàn)算法,將某時(shí)刻數(shù)據(jù)分解為趨勢(shì)分量、周期分量和余項(xiàng),根據(jù)對(duì)自然伽馬曲線的初步分析,加法模型滿足分解要求,即:

xt=Tt+St+Rtt=1,…,N

(1)

式中:xt為某深度下的曲線數(shù)據(jù);Tt為趨勢(shì)分量;St為周期分量;Rt為余項(xiàng);t為某深度。

1.1.2 中值濾波

中值濾波基本原理為:通過(guò)設(shè)定窗口值,某點(diǎn)的輸出信號(hào),就可以用這個(gè)點(diǎn)的窗口范圍內(nèi)所有信號(hào)的統(tǒng)計(jì)中值來(lái)代替。一維中值濾波可定義為:

yt=Med(xt-N,…,xt,…,xt+N)

(2)

式中:xt為深度t時(shí)的曲線數(shù)據(jù);yt為深度t時(shí)濾波后的數(shù)據(jù);t為某深度。

1.1.3 聚類特征

Kmeans是一種無(wú)監(jiān)督學(xué)習(xí)聚類算法[10],具體實(shí)現(xiàn)步驟為:

1) 將自然伽馬曲線特征數(shù)據(jù)聚為K類,選擇K個(gè)自然伽馬數(shù)據(jù)點(diǎn)作為初始中心點(diǎn);

2) 按照距離初始中心點(diǎn)最小原則,將所有曲線數(shù)據(jù)分到各中心點(diǎn)所在類中;

3) 每類中有數(shù)據(jù)若干,計(jì)算K個(gè)類所有曲線樣本數(shù)據(jù)均值,作為第二次迭代的K個(gè)中心點(diǎn);

4) 根據(jù)該中心點(diǎn)重復(fù)第2和第3步,直到收斂(中心點(diǎn)不再改變或達(dá)到指定迭代次數(shù))聚類過(guò)程結(jié)束。

歐氏距離是便于理解也最常用的一種距離公式。通過(guò)歐氏距離可以更好體現(xiàn)微小深度段內(nèi)自然伽馬曲線序列之間的相似程度,能充分體現(xiàn)自然伽馬曲線空間相關(guān)性。其定義為:

(3)

式中:x1k,x2k為兩個(gè)n維自然伽馬曲線特征向量。

1.2 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)原理

1.2.1 基本原理

自然伽馬數(shù)據(jù)可以看作是隨深度變化的時(shí)間序列,其形態(tài)分類依賴于當(dāng)前輸入和之前狀態(tài)。假設(shè)給定自然伽馬序列x={x1,x2,…,xt,…,xN},雙向長(zhǎng)短期記憶網(wǎng)絡(luò)[11]可以同時(shí)對(duì)每個(gè)序列進(jìn)行正向和反向建模,因?yàn)槊總€(gè)標(biāo)記編碼都包含來(lái)自過(guò)去和未來(lái)的上下文信息,因此可以更豐富地表示測(cè)井序列數(shù)據(jù)的長(zhǎng)期依賴性。雙向長(zhǎng)短期記憶網(wǎng)絡(luò)每層由單個(gè)長(zhǎng)短期記憶網(wǎng)絡(luò)單元正反向傳播構(gòu)成(圖2)。

圖2 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu)

長(zhǎng)短期記憶網(wǎng)絡(luò)可以解決循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)無(wú)法處理長(zhǎng)距離的依賴問(wèn)題。原始循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層只有一個(gè)狀態(tài),即h,它對(duì)短期的輸入非常敏感。增加一個(gè)狀態(tài)c,用來(lái)保存長(zhǎng)期的狀態(tài),稱為單元狀態(tài)。再用3個(gè)門(mén),即遺忘門(mén)(ft)、輸入門(mén)(it)和輸出門(mén)(ot),來(lái)控制c。結(jié)合構(gòu)成了長(zhǎng)短期記憶網(wǎng)絡(luò)模型的核心部分“記憶塊”(圖3)?？偟墓綖?

圖3 長(zhǎng)短期記憶網(wǎng)絡(luò)運(yùn)算流程示意

(4)

1.2.2 模型配置和訓(xùn)練

本文搭建4層的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)單元對(duì)自然伽馬曲線序列學(xué)習(xí),通過(guò)全連接層將學(xué)到的“分布式特征表示”映射到樣本標(biāo)記空間,最后將輸出向量輸入到包含5個(gè)神經(jīng)單元Softmax層,執(zhí)行測(cè)井相分類任務(wù)。為了避免模型過(guò)擬合,在網(wǎng)絡(luò)每一層添加系數(shù)為0.2的Dropout單元,通過(guò)舍棄一些連接,增加模型的泛化能力;采用Adam優(yōu)化算法,對(duì)梯度進(jìn)行更新,加快模型的收斂;使用交叉熵?fù)p失函數(shù)作為訓(xùn)練損失,有:

(5)

式中:x為輸入樣本,本文為20維的自然伽馬特征矩陣;y為期望的沉積微相類型輸出;S為Softmax函數(shù);Wc為輸出節(jié)點(diǎn)c的權(quán)重系數(shù);bc為輸出節(jié)點(diǎn)c的偏置系數(shù);θ為交叉熵?fù)p失函數(shù);a為神經(jīng)元實(shí)際輸出;n為總類別,本文為5種,即分流間灣、前緣席狀砂、水下分流河道、河口壩和河道側(cè)緣。

網(wǎng)絡(luò)層數(shù)越多非線性擬合能力越強(qiáng),能夠識(shí)別曲線特征的復(fù)雜度越高,但是,過(guò)深的網(wǎng)絡(luò)結(jié)構(gòu)容易造成模型過(guò)擬合。為了使模型具有最優(yōu)的準(zhǔn)確率和泛化能力,通過(guò)對(duì)比不同網(wǎng)絡(luò)層數(shù)在測(cè)試集上準(zhǔn)確率和損失值的表現(xiàn),選擇最優(yōu)的網(wǎng)絡(luò)層數(shù)。如圖4和圖5所示,網(wǎng)絡(luò)輸入都是20維特征矩陣,每個(gè)模型迭代300輪,運(yùn)用早停法,即模型在20輪中損失值不再下降,便停止迭代。例如,圖5中4層雙向長(zhǎng)短期記憶網(wǎng)絡(luò)模型在迭代70輪左右后,損失值在接下來(lái)20輪中都趨于平穩(wěn),因此100輪左右后便停止訓(xùn)練,避免了模型過(guò)擬合現(xiàn)象的發(fā)生。對(duì)比圖4中的曲線,可看出網(wǎng)絡(luò)層數(shù)從1層增加到4層,模型在測(cè)試集上的準(zhǔn)確率不斷上升,在網(wǎng)絡(luò)層數(shù)為4層時(shí),模型的擬合能力最佳,準(zhǔn)確率最高,而損失值也收斂得最快,最終的誤差值最小。當(dāng)網(wǎng)絡(luò)模型超過(guò)4層時(shí),模型的準(zhǔn)確率下降,并且曲線跌宕幅度變大,過(guò)擬合風(fēng)險(xiǎn)增加。因此,本文采用了4層的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)層數(shù)。最終,DMC-BiLSTM沉積微相識(shí)別模型如圖6所示,具體參數(shù)如表1。

圖4 不同網(wǎng)絡(luò)層數(shù)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)測(cè)試集準(zhǔn)確率對(duì)比

圖5 不同網(wǎng)絡(luò)層數(shù)雙向長(zhǎng)短期記憶網(wǎng)絡(luò)測(cè)試集損失值對(duì)比

圖6 DMC-BiLSTM沉積微相識(shí)別模型示意

表1 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù)

2 實(shí)驗(yàn)結(jié)果與分析

2.1 測(cè)井?dāng)?shù)據(jù)來(lái)源

本文實(shí)驗(yàn)用測(cè)井?dāng)?shù)據(jù)來(lái)自加州硅谷人工智能公司CrowdAnalytix提供的伽馬測(cè)井相類型預(yù)測(cè)(Gamma Log Facies Type Prediction)數(shù)據(jù)。自然伽馬測(cè)井特征的變化可以作為粒度的表征,使其在層序地層學(xué)分析中發(fā)揮重要作用[12]。自然伽馬測(cè)井響應(yīng)的突變被解釋為與不整合和層序邊界相關(guān)的尖銳的巖性斷裂。因此,測(cè)井曲線的基本形態(tài)常用來(lái)解釋沉積旋回和沉積背景[13]。表2是三角洲前緣亞相測(cè)井曲線類型。

表2 三角洲前緣亞相測(cè)井曲線類型

2.2 劃分訓(xùn)練集和測(cè)試集

共有100口井?dāng)?shù)據(jù),每口井的數(shù)據(jù)共1100條。選取其中80口井的數(shù)據(jù)作為訓(xùn)練集,余下20口井的數(shù)據(jù)作為測(cè)試集,用來(lái)驗(yàn)證本文方法對(duì)沉積微相的預(yù)測(cè)能力,表3是具體劃分的訓(xùn)練集和測(cè)試集。

表3 訓(xùn)練集及測(cè)試集

2.3 數(shù)據(jù)預(yù)處理

圖7中給出本文方法的預(yù)處理流程,具體實(shí)現(xiàn)過(guò)程如下。

圖7 數(shù)據(jù)預(yù)處理流程

1) 對(duì)原始自然伽馬測(cè)井曲線,采用STL算法,并使用不同奇數(shù)頻率窗口進(jìn)行分解,去除周期分量和余項(xiàng),得到多個(gè)地質(zhì)趨勢(shì)分量特征;其次采用與趨勢(shì)分解相同頻率窗口,對(duì)原始曲線進(jìn)行中值濾波,得到多個(gè)中值濾波特征。

2) 將原始自然伽馬曲線和第1步中得到的地質(zhì)趨勢(shì)分量和中值濾波特征,作為Kmeans聚類的輸入的特征集合,進(jìn)行無(wú)監(jiān)督學(xué)習(xí),聚類時(shí)K值的選擇要大于沉積微相類別數(shù),此處選擇K=6,得到具有時(shí)空相關(guān)性聚類特征。

3) 原始自然伽馬曲線、地質(zhì)趨勢(shì)分量、中值濾波特征和聚類特征組成新的特征組合,對(duì)新特征集合進(jìn)行歸一化處理。

實(shí)驗(yàn)均在Intel(R)Core(TM)i5-8300CPU@2.3GHz、8GB RAM設(shè)備上進(jìn)行。圖8以9號(hào)井為例,縱坐標(biāo)表示曲線數(shù)值大小,橫坐標(biāo)表示深度(需要特別說(shuō)明的是,原始數(shù)據(jù)中無(wú)深度數(shù)據(jù),每口井有1100條數(shù)據(jù),文中以每口井的第1個(gè)點(diǎn)到最后1個(gè)點(diǎn)的長(zhǎng)度作為理論深度),其中分解、濾波頻率窗口值均為19,對(duì)自然伽馬曲線進(jìn)行趨勢(shì)分量特征、中值濾波特征、Kmeans聚類特征構(gòu)造。能夠看出新的特征集合不僅能夠去除曲線中的高頻噪聲,保留地質(zhì)趨勢(shì)特征及有效的邊緣形態(tài)特征,還能充分體現(xiàn)曲線序列的時(shí)空相關(guān)性。在原始數(shù)據(jù)中為了使模型擬合能力更強(qiáng),取數(shù)值范圍為3～20所有奇數(shù)濾波窗口(奇數(shù)濾波相比偶數(shù)濾波有中心點(diǎn),對(duì)測(cè)井曲線整體形態(tài)以及曲線邊緣特征更加敏感,可以更有效地提取邊緣信息)進(jìn)行自然伽馬曲線特征構(gòu)造。最終新特征與原始自然伽馬曲線數(shù)據(jù),共同生成20維特征矩陣。

圖8 9號(hào)井自然伽馬曲線特征構(gòu)造

2.4 實(shí)驗(yàn)結(jié)果

表3反映出數(shù)據(jù)中分流間灣類型明顯多于其余4個(gè)微相類型,存在數(shù)據(jù)不均衡現(xiàn)象,因此,采用單一評(píng)價(jià)指標(biāo)并不科學(xué)。本文引入多個(gè)評(píng)價(jià)指標(biāo),包括每一類的混淆矩陣(如表4所示)、精確率、召回率、F1值和整體的準(zhǔn)確率[14],利用這些指標(biāo)對(duì)預(yù)測(cè)結(jié)果做全方位評(píng)價(jià),綜合反映模型分類效果。

表4 混淆矩陣統(tǒng)計(jì)

1) 混淆矩陣。

2) 準(zhǔn)確率。

模型預(yù)測(cè)正確的結(jié)果占總結(jié)果的比重為:

(6)

3) 精確率。

模型預(yù)測(cè)為正例的結(jié)果中的真正實(shí)例所占比重為:

(7)

4) 召回率。

模型預(yù)測(cè)中樣本的正例有多少被預(yù)測(cè)正確。

(8)

5)F1值。

精確率和召回率的調(diào)和平均值:

(9)

公式(6)～公式(9)中:A為準(zhǔn)確率;P為精確率;R為召回率;F1為F1值;TP為真正例;FP為假正例;TN為真負(fù)例;FN為假負(fù)例。

從混淆矩陣及各類評(píng)價(jià)指標(biāo)(表5)中可以看出,本文方法在測(cè)試集上分流間灣、前緣席狀砂、水下分流河道、河口壩、河道側(cè)緣分類精確率分別達(dá)到了96%,81%,93%,87%和88%。其中,對(duì)呈低幅微齒狀的分流間灣劃分效果最佳,可能與分流間灣主要以泥巖沉積為主,表現(xiàn)為高自然伽馬值有關(guān),易識(shí)別;其次,是對(duì)箱形水下分流河道的識(shí)別,精確率、召回率以及F1值都達(dá)到90%以上;在其它曲線形態(tài)識(shí)別上,各類指標(biāo)值略低,可能因?yàn)槿咴谧匀毁ゑR曲線形態(tài)上區(qū)分不大,只是在沉積時(shí)水流進(jìn)積和退積的區(qū)別,但在預(yù)測(cè)的精確率也都達(dá)到80%以上。總而言之,模型在測(cè)試集上的整體預(yù)測(cè)能力表現(xiàn)優(yōu)異,平均精確率、平均召回率和平均F1值都在85%以上,準(zhǔn)確率也達(dá)到了91.69%。

表5 混淆矩陣及各類評(píng)價(jià)指標(biāo)

為了進(jìn)一步評(píng)估所提出的DMC-BiLSTM模型,還使用其它兩種適用于序列預(yù)測(cè)的深度學(xué)習(xí)模型(長(zhǎng)短期記憶網(wǎng)絡(luò)和時(shí)間卷積網(wǎng)絡(luò))與本文方法在每個(gè)類別的識(shí)別精度、整體準(zhǔn)確率和運(yùn)行時(shí)長(zhǎng)等方面進(jìn)行對(duì)比。需要特別說(shuō)明的是,在本文實(shí)驗(yàn)中,3種神經(jīng)網(wǎng)絡(luò)除了基礎(chǔ)算法本質(zhì)上的不同外,其余參數(shù)都盡量保持了一致,神經(jīng)網(wǎng)絡(luò)隱含層的激活函數(shù)均設(shè)置為ReLU函數(shù),輸出層的激活函數(shù)設(shè)置為Softmax函數(shù)。在模型的訓(xùn)練過(guò)程中,都使用了小批量梯度下降和Adam優(yōu)化器,對(duì)梯度進(jìn)行更新,且運(yùn)用了早停法對(duì)3個(gè)模型均訓(xùn)練300輪。DMC-BiLSTM模型采用了4層的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)單元,長(zhǎng)短期記憶網(wǎng)絡(luò)模型采用了4層網(wǎng)絡(luò)單元,時(shí)間卷積網(wǎng)絡(luò)模型采用了4層的殘差單元。模型的輸入均為20維自然伽馬曲線特征,長(zhǎng)度為1100的測(cè)井曲線序列。

最終結(jié)果如表6所示。在運(yùn)行的實(shí)效性方面,此處以秒(s)作為運(yùn)行時(shí)長(zhǎng)的單位。本文方法的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)單元是由正向和反向傳播的長(zhǎng)短期記憶網(wǎng)絡(luò)單元構(gòu)成,模型的運(yùn)行時(shí)長(zhǎng)大概是普通長(zhǎng)短期記憶網(wǎng)絡(luò)單元的兩倍左右;而時(shí)間卷積網(wǎng)絡(luò)可以對(duì)測(cè)井序列進(jìn)行并行運(yùn)算,降低了運(yùn)行時(shí)長(zhǎng)。雖然本文方法在運(yùn)行時(shí)長(zhǎng)上相比其它兩種深度學(xué)習(xí)算法不具有優(yōu)勢(shì),但明顯縮短了人工劃分的工作時(shí)長(zhǎng)。本文方法無(wú)論在每一類識(shí)別的精確率上,還是對(duì)沉積微相識(shí)別的整體準(zhǔn)確率上效果都是最佳的,最終準(zhǔn)確率達(dá)到91.69%。與其它兩種模型相比,高出長(zhǎng)短期記憶網(wǎng)絡(luò)單元模型7%左右,高出時(shí)間卷積網(wǎng)絡(luò)模型12%左右。證明了本文方法在沉積微相分類準(zhǔn)確度方面具有明顯的優(yōu)勢(shì)。

表6 各類微相識(shí)別方法的結(jié)果

圖9中給出了3種模型對(duì)97號(hào)井沉積微相識(shí)別的可視化結(jié)果。前4列是4種曲線特征,自然伽馬列表示原始自然伽馬曲線,地質(zhì)趨勢(shì)和中值濾波列都是以濾波窗口19為例對(duì)應(yīng)的兩種曲線特征,聚類特征列就是前3種特征集合,經(jīng)過(guò)Kmeans無(wú)監(jiān)督學(xué)習(xí)聚類后的曲線特征;后4個(gè)柱狀圖,分別代表著人工標(biāo)定的沉積微相,以及DMC-BiLSTM、長(zhǎng)短期記憶網(wǎng)絡(luò)和時(shí)間卷積網(wǎng)絡(luò)3種模型對(duì)97號(hào)井沉積微相識(shí)別的結(jié)果。對(duì)比發(fā)現(xiàn),本文方法的沉積微相識(shí)別結(jié)果,與地質(zhì)專家人工標(biāo)定的結(jié)果吻合率更高,能夠很好地識(shí)別出不同曲線形態(tài)類別。不足之處在于,當(dāng)水動(dòng)力發(fā)生改變,同時(shí)產(chǎn)生的能量變化微弱,那么曲線的頂?shù)捉佑|只發(fā)生微小變化,但沉積微相過(guò)渡成另外一種類型,模型在識(shí)別這種情況下的不同沉積微相之間的頂?shù)捉佑|往往會(huì)出現(xiàn)誤差(圖9中紅色箭頭所示)。當(dāng)水動(dòng)力能量變化較大時(shí),本文方法能夠很好地識(shí)別不同沉積微相之間的頂?shù)捉缦?。而其它兩種方法識(shí)別結(jié)果是紊亂的,不僅不能夠很好地體現(xiàn)出整口井的沉積規(guī)律,而且在識(shí)別不同類別之間的界限上表現(xiàn)較差。

圖9 不同模型對(duì)97號(hào)井預(yù)測(cè)沉積微相對(duì)比

3 結(jié)論

本文提出的基于DMC-BiLSTM的沉積微相智能識(shí)別方法,構(gòu)建了3種特征,即地質(zhì)趨勢(shì)特征、中值濾波特征和聚類特征。地質(zhì)趨勢(shì)特征能夠很好地反映一定深度內(nèi)曲線的變化趨勢(shì);中值濾波特征既能去除測(cè)井曲線中的高頻噪聲,又能保留有效的邊緣信息;聚類特征則能更好地反映測(cè)井曲線的時(shí)空相關(guān)性,區(qū)分不同曲線形態(tài)之間的邊界。將本文方法與仿真得到的時(shí)間卷積網(wǎng)絡(luò)模型和長(zhǎng)短期記憶網(wǎng)絡(luò)模型進(jìn)行比較,本文方法的分類準(zhǔn)確率為91.69%,高于時(shí)間卷積網(wǎng)絡(luò)模型的79.21%和長(zhǎng)短期記憶網(wǎng)絡(luò)模型的83.99%。本文方法可以實(shí)現(xiàn)測(cè)井曲線的端到端學(xué)習(xí),對(duì)分流間灣、前緣席狀砂、分流河道、河口壩和河道側(cè)緣等各類沉積微相的識(shí)別精確率分別為96%,81%,93%,87%和88%。實(shí)驗(yàn)結(jié)果表明,本文方法有助于提取測(cè)井曲線序列的隱藏特征,準(zhǔn)確地劃分不同沉積微相的分類界限。該方法能有效識(shí)別沉積微相,具有較強(qiáng)的泛化能力和魯棒性,為沉積微相的識(shí)別提供了一種新途徑。