基于注意力機制的碳酸鹽巖儲層巖相識別方法

曾麗麗,孟凡月,湯華貝,牛藝曉,湯敏

(東北石油大學電氣信息工程學院,黑龍江大慶163318)

0 引 言

巖相識別是儲層評價、油藏描述和地質分析等的基礎工作。碳酸鹽巖儲層結構復雜,各測井數(shù)據(jù)間存在較強的非線性關系,傳統(tǒng)的巖相識別技術難以對儲層進行精準描述。

深度學習技術通過構建多隱層模型自動尋找儲層信息中的非線性特征,在巖相識別方面取得了一定的成果[1-5]。鄭陽[6]采用卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)識別測井巖相,相對于淺層網(wǎng)絡[7-8],其準確率有較大提高。Yadigar等[9]通過一維卷積神經(jīng)網(wǎng)絡結合Adagrad優(yōu)化器提高了巖相分類準確率。馮雅興等[10]利用孿生卷積神經(jīng)網(wǎng)絡進行巖相自動識別,其巖相識別精度達89.4%。Li等[11]采用卷積神經(jīng)網(wǎng)絡處理聲學測井數(shù)據(jù),對混合噪聲的測井數(shù)據(jù)有很好的識別效果。王俊等[12]利用長短期記憶循環(huán)神經(jīng)網(wǎng)絡實現(xiàn)巖相自動識別,有效地解決了長序列的梯度消失問題。然而,這些研究局限于單一深度神經(jīng)網(wǎng)絡算法,將各種測井數(shù)據(jù)直接輸入網(wǎng)絡,難以從非線性關系中有效提取關鍵特征,輸入的特征值利用效率低,測井解釋不準確,無法在巖相識別環(huán)節(jié)實現(xiàn)明顯的突破。

注意力機制通過模擬人腦信號處理機制實現(xiàn)了按比例分配資源,已經(jīng)廣泛應用于自然語言處理[13-14]、圖像識別[15-16]、語音識別[17-18]等各種不同領域的深度學習任務中。杜秀麗等[19]針對腦電信號識別準確率不高的問題,構建了注意力機制和神經(jīng)網(wǎng)絡相結合的模型,提高了腦電信號的識別準確率。袁英淏[20]利用前饋注意力機制進行地震儲層圖像解釋,證明了前饋注意力機制能夠提高網(wǎng)絡的抗干擾性能。李宗民等[21]基于循環(huán)神經(jīng)網(wǎng)絡和注意力機制對油藏儲量進行預測,緩解了數(shù)據(jù)波動對預測結果的影響,相對于單一循環(huán)神經(jīng)網(wǎng)絡,融合注意力機制預測模型的準確率得到了很大提升。

針對目前傳統(tǒng)巖相識別和單一神經(jīng)網(wǎng)絡存在的問題,本文提出了一種融合注意力機制與卷積神經(jīng)網(wǎng)絡的非線性儲層巖相識別網(wǎng)絡。該網(wǎng)絡利用特征注意力模塊提取測井數(shù)據(jù)的關鍵特征,利用卷積神經(jīng)網(wǎng)絡模塊提取測井序列之間的空間信息,實現(xiàn)了碳酸鹽巖儲層巖相的自動識別。同時,重點關注了注意力機制位置的不同對儲層巖相識別精度的影響。最后,將該方法應用于碳酸鹽巖非均質儲層,并在交叉驗證的基礎上與傳統(tǒng)的巖相識別方法進行性能比較與分析。

1 數(shù)據(jù)集及其預處理

1.1 數(shù)據(jù)集

本文采用的測井數(shù)據(jù)來源于伊拉克Mishrif組,該組所在的油田呈南北分布,長40 km,寬20 km,油氣藏儲量十分豐富,是世界上最大的油田之一[22-23]。該油田處于扎格羅斯盆地的過渡帶,地勢屬于低角褶皺區(qū)域,氣候干旱少雨,受蒸發(fā)作用的影響,形成以白云巖為主的碳酸鹽巖儲層。這種碳酸鹽巖儲層空間以孔隙為主,其形成直接受溶蝕和白云石化作用的控制,地層內部結構復雜,不同種類的測井數(shù)據(jù)之間具有高度的非線性關系。

選取研究區(qū)相鄰2口井的測井數(shù)據(jù)作為實驗數(shù)據(jù)集,共有3 436個樣本,采樣間隔為0.1 m,其中訓練集占80%,井深為2 820.5～3 092.3 m;測試集占20%,井深為2 831.9～2 903.5 m。研究區(qū)碳酸鹽巖儲層主要由白云巖、硬石膏、泥巖、砂巖組成。

本文采用井徑(CAL)、自然電位(SP)、自然伽馬(GR)、密度(DEN)、側向電阻率(RLL)、中子孔隙度(CNL)、聲波時差(AC)等測井數(shù)據(jù),實現(xiàn)非均質儲層巖相的自動識別。采用皮爾森(Pearson Correlation Coefficient,PCC)系數(shù)評估巖相與各種測井曲線之間的相關性(見表1)。由表1可知,GR與巖相相關性最強,AC與巖相的相關性次之。巖相與CAL、DEN、RLL、CNL、SP的皮爾森系數(shù)絕對值小于等于0.250,最低值為-0.110,各種測井曲線與預測目標之間的弱相關性給巖相識別任務帶來了一定的困難。

表1 巖相與各個測井曲線之間的相關性

1.2 數(shù)據(jù)預處理

為了提高巖相識別的準確率,防止模型過擬合,本文對選取的測井數(shù)據(jù)集進行數(shù)據(jù)清理、數(shù)據(jù)標簽化、分辨率處理和數(shù)據(jù)歸一化等數(shù)據(jù)預處理操作。

1.2.1數(shù)據(jù)清理

由于井斜不同、鉆井液性能改變和儀器約束等原因導致原始測井數(shù)據(jù)存在異常值,不能直接作為深度神經(jīng)網(wǎng)絡的輸入。需要對獲得的數(shù)據(jù)集進行數(shù)據(jù)清理。首先采用奈爾(Nair)檢驗法判斷各種測井數(shù)據(jù)的異常值,其次采用均值替代法對異常數(shù)據(jù)和噪聲數(shù)據(jù)進行處理。

1.2.2數(shù)據(jù)標簽化

隨著地殼運動和氣候變化的長時間影響,巖相邊界模糊不清。同時,巖相識別屬于多分類的監(jiān)督學習過程,需要對測井數(shù)據(jù)進行分析和數(shù)據(jù)集標簽化處理。以研究區(qū)4種巖相體積占比(v)為巖相標簽的主要劃分依據(jù)(見表2);當體積占比出現(xiàn)沖突時,利用測井數(shù)據(jù)特性輔助巖相劃分(見表3);獲得白云巖巖相、泥巖巖相、砂巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖 -砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相。為了方便介紹,這7種巖相在后文中均采用其標簽數(shù)字1～7代替。

表2 巖相體積占比分類

表3 測井數(shù)據(jù)范圍

*非法定計量單位,1 ft=12 in=0.304 8 m,下同

1.2.3分辨率處理

測井儀器的性能、老化程度和工作時長是導致各種測井數(shù)據(jù)分辨率出現(xiàn)差異的主要因素,低分辨率的測井數(shù)據(jù)將會降低攜帶信息的可信度、影響巖相識別的精度。本文采用三點反褶積法[24]提高測井數(shù)據(jù)的縱向分辨率,如式(1)所示。

(1)

本文所采用的測井數(shù)據(jù)中GR和DEN的縱向分辨率較低,圖1呈現(xiàn)了采用三點反褶積法處理的結果,為便于觀察只截取了少量數(shù)據(jù)進行繪圖,其中藍色為原始數(shù)據(jù),橙色為處理后的數(shù)據(jù)。由圖1可見,GR和DEN經(jīng)過處理后使縱向分辨率得到提高,更加真實地描述了各測井數(shù)據(jù)對地層界面變化的敏感性,有利于提高儲層巖相識別模型的精度。

圖1 GR、DEN測井數(shù)據(jù)分辨率處理對比圖

1.2.4數(shù)據(jù)歸一化

每種測井數(shù)據(jù)具有不同的量綱和單位,直接作為深度神經(jīng)網(wǎng)絡的輸入將會嚴重影響巖相識別的準確率。數(shù)據(jù)歸一化可以消除各種測井數(shù)據(jù)之間的不同量級,提高數(shù)據(jù)集質量,進而改善巖相識別效果,加快迭代速度。本文采用Min-Max標準化法對選取的數(shù)據(jù)集進行測井數(shù)據(jù)歸一化處理,見式(2)。

(2)

式中,zn為輸入的測井數(shù)據(jù);zmin為該類測井數(shù)據(jù)的最小值;zmax為該類測井數(shù)據(jù)的最大值;znorm為該類測井數(shù)據(jù)的歸一化值。

2 方 法

2.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是深度學習算法中應用最為廣泛的一種深度前反饋神經(jīng)網(wǎng)絡。卷積神經(jīng)網(wǎng)絡的非線性擬合能力和權值共享的特點,有助于構建模型從測井數(shù)據(jù)和巖相的非線性關系中提取更多空間特征信息,提高模型的準確率,減少參數(shù)數(shù)量,降低計算成本。

矩陣X=[x1,x2,…,xk]為卷積神經(jīng)網(wǎng)絡的輸入數(shù)據(jù),則當前卷積神經(jīng)網(wǎng)絡的輸出公式為

D=g(X?[σ1,σ2,…,σρ])

(3)

式中,D為當前卷積層的輸出;σρ為第ρ個濾波器輸出的特征映射信息;g(·)為激活函數(shù)(tanh函數(shù)或Relu函數(shù));?為卷積運算。

2.2 模型設計

基于卷積神經(jīng)網(wǎng)絡,本文利用注意力機制所在位置的不同構建了3種非線性儲層巖相識別網(wǎng)絡模型,包括前置特征注意力(FAtt)模塊的卷積神經(jīng)網(wǎng)絡(FAtt-CNN)模型、后置時間注意力(Time Attention,TAtt)模塊的卷積神經(jīng)網(wǎng)絡(CNN-TAtt)模型、前后雙置注意力模塊的卷積神經(jīng)網(wǎng)絡(FAtt-CNN-TAtt)模型。圖2給出了3種網(wǎng)絡模型的具體結構,其中x為某種測井數(shù)據(jù)的歸一化值,?為某種測井數(shù)據(jù)的的歸一化權重值。

圖2 非線性儲層巖相識別模型結構

本文以FAtt-CNN模型為例詳細闡述巖相自動識別方法,FAtt-CNN模型由FAtt模塊、CNN模塊以及全連接網(wǎng)絡層構成。特征提取是巖相識別模型的關鍵。首先,FAtt模塊為測井數(shù)據(jù)自動賦值,實現(xiàn)測井關鍵特征提取。然后,CNN模塊采用多個局部濾波器和滑動濾波器捕捉測井序列之間的空間特征。最后,經(jīng)過全連接網(wǎng)絡層輸出巖相類別概率,實現(xiàn)非均質儲層巖相自動識別。

2.3 FAtt模塊

注意力機制源于對人類所特有的大腦信號處理機制的研究,通過模擬人腦機制計算相似性權重,突出關鍵輸入數(shù)據(jù)對識別目標的影響,利用有限的注意力資源從海量數(shù)據(jù)中自動、快速的提取關鍵特征。

針對傳統(tǒng)神經(jīng)網(wǎng)絡中特征提取權重等占比的不足,研究構建了FAtt模塊,通過對識別目標和測井數(shù)據(jù)進行相似性度量,使每個測井數(shù)據(jù)值獲得新的權重系數(shù),進而提高測井數(shù)據(jù)的利用率和網(wǎng)絡的關鍵特征提取能力。

設輸入數(shù)據(jù)xnorm為預處理后的測井矩陣,如式(4)所示。

(4)

式中,d為測井深度,m;下標為各測井曲線。

FAtt模塊主要由CNN層和Softmax歸一化層組成,如圖3所示。

圖3 特征注意力模塊結構

首先,把測井序列xGR作為CNN層的輸入,通過CNN層計算GR與識別目標之間的相似性權重,如式(5)所示。

λGR=C(xGR)

(5)

式中,λGR為測井數(shù)據(jù)GR的相似性權重;C(·)為與CNN層有關的函數(shù)。同理,可求取其他測井數(shù)據(jù)的相似性權重。

(6)

最后,對輸入測井數(shù)據(jù)進行加權獲得測井關鍵特征,以測井數(shù)據(jù)GR為例,如式(7)所示。

(7)

2.4 CNN模塊

(8)

(9)

非線性巖相識別網(wǎng)絡最終輸出的巖相類別概率矩陣Γk如式(10)所示。

(10)

式中,Γ1,d為在井深d時第1類巖相的概率;矩陣每行的第1個下角標為一種巖相。

2.5 評價指標

本文采用準確率(A)、精確率(P)、召回率(R)和F1分數(shù)(F1)作為評價系統(tǒng)的性能指標。

(11)

(12)

(13)

(14)

式中,TP為樣本中α類巖相被正確識別的數(shù)量;TN為樣本中β類巖相被正確識別的數(shù)量;FP為樣本中β類巖相被錯誤識別為α類巖相的數(shù)量;FN為樣本中α類巖相被錯誤識別為β類巖相的數(shù)量。

3 應用實例

本實驗訓練及測試代碼均運行于Windows下Tensorflow深度學習平臺。為了科學地評估所提出模型的性能,每個模型參數(shù)設置保持一致,選擇Adadelta為模型優(yōu)化器,交叉熵損失函數(shù)為模型損失函數(shù),同時采用6倍交叉驗證取平均值作為實驗結果對巖相模型進行調優(yōu)。

實驗將該方法應用于碳酸鹽巖儲層,圖4給出了測試集測井曲線及不同模型下識別的巖相與實際巖相分布情況。從圖4中可以看出CNN模型的巖相識別效果最差,出現(xiàn)了明顯的欠擬合現(xiàn)象。例如,在井深3 853～3 865 m位置,白云巖-泥巖混合巖相和硬石膏-白云巖-泥巖混合巖相交替出現(xiàn)的井段直接誤判為白云巖-泥巖混合巖相;在井深2 840 m和2 846 m附近,CNN模型將硬石膏-白云巖-泥巖混合巖相誤判為白云巖-泥巖-砂巖混合巖相;在井深2 890 m附近,密度突然增大,說明巖相有所改變,CNN模型對白云巖巖相識別失敗。此外,由圖4也可以看出白云巖-泥巖混合巖相與電阻率的值有很大關系,在白云巖-泥巖混合巖相出現(xiàn)時電阻率的對數(shù)值整體處于0～0.5 Ω·m,表明CNN模型對電阻率的特征提取能力較差。

圖4 測試集測井曲線及不同模型中識別的巖相與實際巖相對比

隨著注意力機制的加入,模型的非線性擬合能力和魯棒性均有所提高。FAtt-CNN模型整體的巖相識別結果最優(yōu),該模型僅在井深2 871 m附近將極少量白云巖巖相誤判成硬石膏-白云巖-泥巖混合巖相,巖相分布與實際巖相分布情況高度符合。在井深2 894 m附近,井徑出現(xiàn)異常,但FAtt-CNN和FAtt-CNN-TAtt模型仍能準確地識別巖相,說明FAtt模塊能夠從當前井段的其他數(shù)據(jù)中提取出關鍵特征,減少了井徑異常對巖相識別模型帶來的影響。CNN-TAtt和FAtt-CNN-TAtt模型在井深2 846～2 863 m處,對白云巖-泥巖混合巖相識別出現(xiàn)明顯誤差,混淆了白云巖-泥巖混合巖相和硬石膏-白云巖-泥巖混合巖相。此外,在井深2 871 m附近,CNN-TAtt模型將一小部分的硬石膏-白云巖-泥巖混合巖相誤判為白云巖巖相。實驗結果分析表明,CNN-TAtt和FAtt-CNN-TAtt模型的非線性擬合能力稍遜于FAtt-CNN模型。

表4給出了4種模型巖相識別結果的精確率、召回率、F1分數(shù)和準確率,加粗字體表示同一巖相識別的最高值。

表4 不同模型中巖相識別的精確率、召回率、F1分數(shù)和準確率

從整體巖相的準確率來看,FAtt-CNN模型的巖相識別準確率為98%。相比傳統(tǒng)的CNN模型,融合注意力機制的3種巖相識別模型準確率分別提高了9%、5%和4%。實驗結果說明注意力機制和卷積神經(jīng)網(wǎng)絡兩者結合后能夠從測井數(shù)據(jù)的非線性關系中充分提取相關測井特征,有助于提高巖相識別的準確率。

從單一巖相的精確率來看,FAtt-CNN模型中白云巖巖相及相關混合巖相的精確率均為100%。FAtt-CNN-TAtt模型中白云巖巖相的精確率次之(73%),CNN-TAtt模型中白云巖巖相的精確率最低(56%)。CNN模型中白云巖巖相的精確率為100%,但其相關混合巖相普遍低于其他3種模型,其中白云巖-泥巖混合巖相的精確率最差(74%)。

從單一巖相的召回率來看,FAtt-CNN模型中,白云巖巖相和砂巖巖相的召回率分別為80%和92%,其他巖相的召回率均為100%。引入TAtt模塊后,CNN-TAtt和FAtt-CNN-TAtt模型關于白云巖巖相的召回率均達100%。

F1分數(shù)基于精確率和召回率對模型性能進行綜合性評估。研究區(qū)碳酸鹽巖儲層以白云巖為主,因此,下面主要從白云巖巖相及相關混合巖相的F1分數(shù)評價指標對實驗結果進行分析。FAtt-CNN模型的識別效果最佳(見表4),泥巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖-砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相的F1分數(shù)達100%。CNN模型中白云巖巖相的F1分數(shù)為33%,性能最差。相比于CNN模型,FAtt-CNN模型中白云巖巖相的F1分數(shù)提高了53%,FAtt-CNN-TAtt模型中白云巖巖相提高了51%,CNN-TAtt模型中白云巖巖相提高了38%。

圖5為各個模型巖相識別結果的F1分數(shù)評價折線圖?？梢钥吹?橙色線條代表的FAtt-CNN模型,各類巖相的F1分數(shù)在100%附近波動,波動范圍較小,模型穩(wěn)定性較高。灰色線條代表的CNN-TAtt模型,各類巖相的F1分數(shù)波動范圍為71%～100%。藍色線條代表的FAtt-CNN-TAtt模型,各類巖相的F1分數(shù)波動范圍為84%～100%。黃色線條代表的CNN模型,F1分數(shù)波動范圍為33%～100%,波動范圍較大,該模型穩(wěn)定性較差,其性能明顯低于其他3種模型。實驗結果說明在深度神經(jīng)網(wǎng)絡中引入注意力機制有助于提高模型穩(wěn)定性和巖相識別精度。

圖5 巖相評價結果的F1分數(shù)折線圖

圖6給出了4個模型中巖相識別的分布密度隨井深的變化情況。琴型圖左側(綠色部分)代表巖相的識別結果,右側(橙色部分)代表實際巖相。由圖6(a)可觀察到CNN模型對白云巖巖相、白云巖-泥巖-砂巖混合巖相和硬石膏-泥巖混合巖相識別效果均低于其他3種模型,巖相識別結果與巖相實際分布有明顯差異。FAtt-CNN模型對白云巖巖相、泥巖巖相、砂巖巖相、硬石膏-白云巖-泥巖混合巖相、白云巖-泥巖-砂巖混合巖相、硬石膏-泥巖混合巖相、白云巖-泥巖混合巖相這7種巖相識別效果最佳[見圖6(b)],識別得到的巖相和實際巖相的形狀基本對稱,說明識別密度與實際儲層密度相符,該模型具有較高的巖相識別能力。CNN-TAtt模型在井深2 810～2 855 m附近,對白云巖巖相的位置分布判別出現(xiàn)錯誤[見圖6(c)],導致圖形拉長,與實際對比圖形長度不相匹配。FAtt-CNN-TAtt模型對白云巖-泥巖-砂巖混合巖相和白云巖-泥巖混合巖相的識別效果和實際情況存在偏差[見圖6(d)],圖形對稱效果稍差。

圖6 不同模型中巖相識別的密度分布情況

在相同的網(wǎng)絡結構和網(wǎng)絡參數(shù)下,研究基于頁巖儲層,選取常規(guī)測井數(shù)據(jù)和聲波成像測井數(shù)據(jù)實現(xiàn)儲層巖相的自動識別。當識別目標與常規(guī)測井數(shù)據(jù)的非線性關系更強時,融合注意力機制的網(wǎng)絡模型依然能夠從成像測井數(shù)據(jù)中提取更多的關鍵特征,其巖相識別精度不低于碳酸鹽巖儲層。利用F1分數(shù)指標對模型進行評價,FAtt-CNN模型效果最佳,FAtt-CNN-TAtt模型和CNN-TAtt模型效果次之,CNN模型效果最差。實驗結果表明,該方法適用于不同研究區(qū)的非線性儲層巖相識別。

基于以上實驗結果可知,盡管構建的3個模型對碳酸鹽巖儲層的巖相識別效果各不相同,但相對于單一卷積神經(jīng)網(wǎng)絡來說,融合注意力機制與卷積神經(jīng)網(wǎng)絡構建的模型在非線性巖相識別任務中取得了顯著的效果。其中,FAtt-CNN模型對碳酸鹽巖儲層的巖相識別效果最佳,有效地提高了巖相識別的精度。不同研究區(qū)的實驗結果表明該模型具有較好的遷移性。

FAtt-CNN網(wǎng)絡模型前置FAtt模塊可以更好地擬合測井數(shù)據(jù)與巖相數(shù)據(jù)之間的非線性關系,減少因環(huán)境因素引起的參數(shù)緩慢漂移的現(xiàn)象,同時增強模型的魯棒性和系統(tǒng)的穩(wěn)定性。CNN-TAtt模型后置TAtt模塊,評價指標高于單一的CNN模型,但是由于卷積神經(jīng)網(wǎng)絡無時間記憶功能,TAtt模塊無法沿儲層垂向高效地提取時序信息,因此,巖相的識別準確率不及FAtt-CNN模型。FAtt-CNN-TAtt模型在卷積神經(jīng)網(wǎng)絡的基礎上分別加入FAtt模塊和TAtt模塊,充分考慮了數(shù)據(jù)的時序性和測井數(shù)據(jù)的非線性,其評價指標均高于CNN和CNN-TAtt模型。然而,與CNN-TAtt模型同理,卷積神經(jīng)網(wǎng)絡無時間記憶功能,所以利用卷積神經(jīng)網(wǎng)絡同時從特征和時間維度進行信息提取時,這2個注意力模塊相互干擾,導致巖相識別效果變差,這也是以后需要進一步解決的問題。

4 結 論

(1)本文融合注意力機制和卷積神經(jīng)網(wǎng)絡構建了儲層巖相識別網(wǎng)絡模型,該模型利用識別目標與各個測井曲線之間的相關性實現(xiàn)了儲層巖相識別,對測井數(shù)據(jù)的強非線性關系具有較好的魯棒性,有效提高了巖相識別精度,為儲層測井評價提供可靠的巖相數(shù)據(jù)。

(2)特征注意力模塊可以為測井數(shù)據(jù)賦予不同的權重系數(shù),為有利于識別目標的測井數(shù)據(jù)分配更高的權重系數(shù),在提高測井數(shù)據(jù)應用效率的同時降低了模型損耗,時間性能優(yōu)于傳統(tǒng)測井技術。

(3)巖相識別精度與注意力機制的位置有關。在實際勘探過程中針對不同地區(qū)的油氣儲層,可以通過調節(jié)注意力機制所處的位置來提高巖相識別效果。