湖相重力流是目前沉积学研究的热点与难点,也是致密油、页岩油富集的有利场所,鄂尔多斯盆地庆城油田三叠系延长组作为致密油、页岩油的典型代表已显示出巨大的勘探开发前景.然而,由于湖相重力流砂体分布认识不清,导致油田并未达到预期的开发效率.本文采用支持向量机(SVR)的机器学习方法,先优选频段再优选属性,建立分频属性与测井解释砂体厚度的非线性映射关系,实现了致密砂岩的定量预测.研究结果表明,低频地震属性适合预测厚层砂体,高频地震属性适合预测薄层砂体;采用机器学习的方法,将不同频率的地震属性智能融合,能够兼顾预测不同厚度砂体,既提高了地震属性的解释精度,又降低了地震解释的多解性,实现了砂体厚度的定量预测.检验结果显示,智能融合属性与砂体厚度的分布趋势与值域区间基本一致,智能融合属性预测砂体分布的可靠性明显提高,与测井解释砂体厚度的相关性由0.60提高至0.79,大多数井点处预测的砂体厚度误差小于5 m.继而,根据融合属性与测井解释,刻画了研究区的沉积微相展布特征:研究区目的层发育湖底扇沉积,细分为分支水道、朵叶主体、朵叶侧缘、滑塌体与朵叶间/水道间5种沉积微相;砂体主体呈扇形连片式沉积,厚度顺物源方向逐渐减薄;分支水道呈窄条带状树形分叉,下切发育于朵叶体之上;朵叶体沉积为研究区的沉积主体;滑塌体为湖底扇前端失稳滑塌形成的小规模孤立砂体,长轴方向多平行于湖底扇前端.研究成果对油田下一步高效开发具有重要意义.

随着人工智能技术在油气勘探领域应用的不断深入,地质力学参数预测从传统方法向智能化转型已成为必然趋势.本文系统归纳分析了机器学习算法在岩石力学参数直接与间接预测,地层孔隙压力钻前预测、随钻监测和钻后评估,一维地应力和三维地应力场预测中的应用现状,对比了不同预测任务下的机器学习模型、输入参数、样本数据量、输出参数以及模型预测性能.研究发现:相比于室内试验、现场测试和经验模型计算,机器学习算法在地质力学参数预测方面的准确性、时效性和适用性具有明显优势;集成模型、深度学习模型和物理约束神经网络模型凭借其准确性、鲁棒性、泛化能力和可解释性,已成为当前研究的热点和重点;但现有研究以一维地质力学参数的钻后预测为主,因而无法有效进行钻前和随钻三维地质力学参数预测.为了加快地质力学参数向智能化、数字化转型,本文提出了一种地质力学参数智能预测框架,该框架考虑地震、测井、录井等多源数据对地质力学参数预测的影响,通过数据+物理双驱动的机器学习模型进行三维地质力学参数的预测,并通过正钻井数据进行模型的实时更新,从而实现区域三维地质力学参数的钻前预测、随钻监测以及钻后评估.此外,分析了地质力学参数智能预测面临的关键技术难题:①实现非结构化数据类型的转换,降低数据集复杂度,确保数据的一致性和可比性;②开展多源数据融合研究,构建包括地震、测井、录井、室内试验、现场测试等方面的多源数据集,并进行数据处理、特征选择等工作;③加强机器学习模型研究以提升性能,采用集成模型提升预测精度,融入机理模型和领域知识提升模型鲁棒性和可解释性.

储层物性参数是表征储层储集与渗滤流体能力的重要参数,测井解释是获取物性参数的重要途径,是一个复杂非线性回归任务.针对已有物性参数测井解释方法在小样本学习条件下的泛化能力不足这一问题,本文首先提出了基于聚类分析的样本优选方法,通过K均值聚类划分样本的空间结构,根据样本在空间结构中的分布优选学习样本,从而最大化学习样本的多样性;然后提出了基于层次化残差神经网络的物性参数测井解释方法.方法在全连接神经网络基础上引入 4 种机制:(1)引入残差连接学习输入与输出间的残差映射,深化小样本的复杂物性特征提取过程;(2)引入集成学习整合多种不同机器学习方法,通过算法多样性降低过拟合风险;(3)引入多任务学习联系起孔隙度解释和渗透率解释这两个任务,以提高小数据情况下单一任务的泛化性;(4)引入二次加权均方根误差损失函数,降低高渗储层的物性解释误差.在实际研究区中设计的 90 组对照实验的分析结果表明,基于聚类分析的样本优选方法能够有效提升多种机器学习模型在小样本条件下的泛化能力;基于本文提出的层次化残差神经网络进行研究区孔隙度与渗透率测井解释,解释结果的决定系数分别达 88%、94%.与已有的多种方法相比,本文方法基于分布特征的样本选择及多任务协同等方式的算法优化有效提高了岩石物理数据的特征表征,方法的物性解释精度更高、泛化能力更强,在取心盲井上的精度分别领先 12和20个百分点.

总有机碳(TOC)含量是评估烃源岩储层品质和生烃潜力的重要地球化学参数之一,其准确预测对页岩油气勘探开发具有重要意义.随着人工智能技术的快速发展,单一机器学习方法常被应用于TOC含量评价.然而,单一机器学习方法存在过拟合、欠拟合和目标函数局部最优等问题.集成模型被证实通过整合多个智能算法可以提高预测精度和稳定性能,其中组合策略是优化集成模型的关键之一.算术平均法作为组合策略难以充分发挥最佳模型的预测性能,而且容易受到预测误差较大的智能算法的影响.加权求和法作为组合策略根据训练数据确定加权系数,在训练集上表现出色,却在测试集中表现欠佳.本文提出了一种基于智能匹配技术的集成模型(IMTEM),采用极限梯度提升、随机森林、支持向量机和极限学习机作为算法模块对输入数据进行初步处理,提取的特征信息与原始测井响应共同输入到前馈神经网络层中进行非线性转换以及特征学习,从而对页岩TOC含量进行准确且连续的评价.将本文提出的方法应用于四川盆地龙马溪组页岩TOC含量预测,测试结果表明,相比于两种集成模型、5 种基础模型和ΔlogR方法,IMTEM的预测结果与岩心实测TOC含量一致性更高,更适用于页岩TOC含量的预测.

地层孔隙压力是油气井从设计到完钻过程中重要的基础数据,准确计算地层孔隙压力是保障钻井安全、提高钻井效率的重要前提.为了克服传统地层孔隙压力计算方法精度不足、计算效率不高的问题,本文考虑到钻井与地层沉积均为序列性和非线性过程,提出了将长短期记忆神经网络(LSTM)和误差反向传播神经网络(BP)相结合计算地层孔隙压力的方法,利用LSTM层提取钻-测-录多源数据中的序列性特征信息,经过BP层构建特征信息与地层孔隙压力之间的非线性映射关系.通过对油田现场钻测录数据进行清洗并综合相关性分析和钻井经验知识优选了18种输入参数,对LSTM-BP地层孔隙压力计算模型进行训练和测试,并采用网格搜索法对LSTM-BP神经网络模型的5种模型超参数进行了优选,效果最优的单井计算模型和邻井计算模型的平均绝对误差分别为4.92 MPa和2.34 Mpa,均方根误差分别为6.65 Mpa和3.03 Mpa,平均相对误差分别为4.36％和8.31％.最后与传统BP模型、LSTM模型和支持向量机(SVM)模型的最优结果进行对比,结果显示,本文所建立的LSTM-BP神经网络模型精度均高于BP模型、LSTM模型和SVM模型,表明所提出的LSTM-BP地层孔隙压力计算模型具有较高的计算精度.

地下储层地质建模对油气和水资源的开发以及CO2地质封存(CCS)具有重要意义.传统基于地质统计学的建模方法(如基于变差函数或多点统计学的方法)产生的储层地质模型可在一定程度上与地质模式保持一致,但当模式特征变得复杂时,则具有明显的缺陷.深度学习中的生成对抗网络(GANs)能够抽象和再现复杂的空间模式特征,而在许多领域得到了成功的应用.近年来,学者将生成对抗网络与地质建模相结合,利用由卷积神经网络(CNN)构成的生成器(模拟器)去学习复杂的地质模式特征,进而产生非常逼真的地质模型.基于生成对抗网络的地质建模方法在许多方面得到了深入研究,该方法甚至已被应用于实际油田复杂储层的三维地质建模,取得了很好的效果.本文综述了基于生成对抗网络地质建模方法的研究进展,主要包括无条件约束和有条件约束两大类.无条件约束即只需产生吻合期望模式特征的地质模型而无须与条件数据一致.根据生成对抗网络训练方式的不同,其可分为传统生成对抗网络地质建模方法和渐进增长的生成对抗网络地质建模方法.前者对模拟器和判别器中的所有卷积层同时进行训练,而后者则是从浅到深逐层进行训练.渐进增长的方法允许模拟器从大到小逐尺度学习地质模式特征,因而在地质模型效果和训练时间方面优于传统方法.为了构建同时吻合模式特征和给定条件数据的地质模型,有条件约束的生成对抗网络地质建模方法被提出并得到广泛研究.其中,基于模拟器输入向量搜寻的条件化方法主要应用梯度下降法或马尔可夫链蒙特卡罗法(MCMC)去搜寻适当的潜在向量,使其通过预训练模拟器生成与给定条件数据一致的地质模型.但是,当条件数据发生变化时,则需要重新搜寻另一组合适的潜在向量,需要大量的时间和计算资源.为此,模拟器直接条件化的地质建模方法(GANSim)被提出.该方法中,模拟器被训练以同时学习模式特征和各类条件数据与地质模型之间关系的知识,进而利用这两类知识将给定的任意条件数据直接转化为与模式特征和条件数据都吻合的地质模型.GANSim方法已被拓展到三维,形成GANSim-3D框架,并成功应用于塔河油田溶洞储层的三维地质建模.最后,笔者就GANSim框架、生成对抗网络地质建模方法所耗资源、该方法的工业落地和地质知识数字化研究提出了几点展望.

水平地应力是井壁稳定分析和水力压裂改造的关键基础参数,但深部地层地质环境复杂且隐蔽,使得水平地应力的准确快速预测难度较大.考虑到传统测井解释和神经网络模型难以描述测井数据与地应力之间的空间相关性,提出采用一种基于双向长短期记忆神经网络(BiLSTM)的水平地应力预测方法;以四川盆地CL气田两口直井为例,将两口直井分别作为训练井和测试井,通过训练井建立测井参数与地应力之间的非线性映射关系,实现对测试井水平地应力的预测;结合测井参数相关性和实际地质含义,分析了不同测井参数组合模式下水平地应力的预测效果.研究结果表明:①对比测井解释和岩心差应变测试结果发现,垂向地应力测井解释误差为0.39％,最大水平地应力测井解释误差为0.18％～0.64％,最小水平地应力测井解释误差为0.29％,说明测井解释与实际地应力吻合较好;②工区地应力大小排序为垂向地应力>最大水平地应力>最小水平地应力,属于潜在正断层应力状态;③水平地应力与垂深、密度和自然伽马呈较强的正相关关系,与纵波时差、井径、补偿中子和横波时差呈负相关关系;④不同的测井参数组合对水平地应力的预测效果不同,其中最优的测井参数组合为垂深、井径、密度、补偿中子、自然伽马、纵波时差;⑤通过正交设计实验,确定了最优超参数取值方案,其预测得到的最大和最小水平地应力平均绝对百分比误差分别为0.48‰和0.50‰.结论认为,BiLSTM模型能够有效捕捉测井参数随深度的变化趋势和测井参数的前后关联信息,可以实现水平地应力的精准预测.

高分辨率地震数据在地震数据处理中扮演着关键角色,特别是当地震勘探目标变得越来越复杂时,它可以提供更准确的储层识别和描绘.近年来,随着深度学习技术的快速发展,它越来越多地被引入到高分辨率地震数据处理中.基于大量标记数据,建立了低分辨率地震数据和高分辨率地震数据之间的复杂非线性关系.然而,深度学习在高分辨率数据处理中的精度与稳定性高度依赖于训练集的准确性与多样性.深度学习技术在生产中实际应用的主要挑战之一是稀疏的井数据,这经常导致训练集受限.为了解决这个问题,本文提出了一种基于深度学习的高分辨率处理方法,通过使用大量逼真的训练集,将井数据所表示的分层结构与地震数据所表示的空间地质结构相结合.建立训练集包括三个步骤:(1)使用井数据计算波阻抗序列,并利用高斯匹配函数拟合波阻抗高频部分的振幅分布,得到一个概率密度函数,最后生成一系列符合井数据统计分布的波阻抗序列.(2)在波阻抗序列的基础上,建立二维水平分布的波阻抗模型,并逐步添加折叠变形、倾角变形和断层变形,生成包含各种地质模式的二维阻抗模型.(3)使用阻抗模型计算反射系数,然后用反射系数模型分别卷积低频和高频子波,得到训练集.通过自动生成具有地下地质信息的大量训练集,训练的网络可以估计稳定而准确的高分辨率结果.深度学习的框架由两个部分组成:提取输入数据特征的编码部分和通过提取的特征重建输出的解码部分.此外,残差模块被整合到框架中,使网络更有效地从训练集中提取特征进而提高网络性能,从而实现计算精度和效率之间更好的平衡.通过模型数据和实际数据的测试,本文提出的方法相比于传统深度学习方法对噪声具有更好的鲁棒性,可以产生更精确且横向连续性更好的高分辨率结果.

地震勘探在野外采集到的地震数据受随机噪声和相干噪声的干扰而导致信噪比被降低,从而影响地震资料的后续处理,例如地震偏移和成像.因此,开发一种高效且自适应的方法来衰减地震数据中的随机与相干噪声是必要的.常规的监督学习算法需要人工生成大量标签来训练网络,这对于数据体量较小的地震勘探领域是十分困难的.此外,基于监督学习的噪声衰减方法在计算和人力成本上十分昂贵.为了解决该问题,本文构建了一种基于无监督学习策略的自适应深度学习框架来衰减多维地震数据中的随机和不规则(异常值)噪声.该方法采用编码和解码相对应的结构来压缩和重构数据特征.为了提高网络对重要波形特征的关注,本文采用软注意力机制以加权的方式给重要的波形特征分配更大的权重.本文采用小尺度地震数据分割技术将多维含噪数据分割为大量一维信号输入到网络进行迭代,从而自适应的衰减地震数据中的随机和异常值噪声.这种小尺度信号去噪方法可以有效地提升网络的噪声衰减表现,并有助于避免产生伪影.本文采用更具鲁棒性的Huber损失函数来衰减随机和异常值噪声,该损失函数结合了带有l2 范数的均方根误差和l1 范数的平均绝对误差损失.此外,在构建的网络中加入总变分(Total Variation,TV)正则化项来捕捉地震资料的局部光滑结构.通过实验调整Huber损失函数与TV正则化项的权重,使得网络获取最佳的去噪表现.本文构建的方法可直接用于多维地震数据的随机和异常值噪声衰减,并保证重构后地震信号的横向连续性.我们将提出的框架与经典的地震数据去噪方法和基于无监督学习的噪声衰减方法进行去噪对比来分析各方法的优劣.二维和三维合成数据与实际地震数据的测试结果表明本文提出的方法具有更好的噪声衰减和有效信号保护能力.

测井曲线记录钻井过程中地层的物理参数,在研究岩石特性、评估油气藏资源及揭示储层分布等方面具有重要意义.随着油气勘探的深入,隐蔽油气藏的复杂性不断增加,而传统测井数据分辨率较低的局限性,难以满足薄互层储层改造选点的需求,亟待开发高分辨率的测井数据精细解释方法.本研究提出了一种基于ResNet50 回归算法的储层预测模型.该模型将能够捕捉复杂垂向地质细节的纵向连续光学薄片数据,与5 种常规测井参数相结合,提升储层分析的精度.通过对某井区二叠系地层的 5个井段数据进行验证,使用连续的 570张地层图片样本与测井数据进行训练与预测,模型将测井数据分辨率从 12.5 cm提升至 6.25 cm,显著提高了测井数据的精度和分辨率.本研究使用3 种公认的定量评估指标决定系数(R2)、均方根误差(RMSE)和平均绝对误差(MAE)对模型性能进行了全面评估.结果表明,该模型在声波时差(AC)、补偿中子(CNL)、电阻率(RT)和伽马(GR)参数的预测中表现较为准确,平均误差低于 0.094,展示出模型在预测精度上的可靠性与优异性.然而,在密度(DEN)参数的预测中,模型在岩性变化较大或地质条件复杂的井段中受到了一定影响.

机器学习算法已经成为工程领域建模的有力工具,这些方法通过使用复杂结构或多重非线性变换从更高的维度拟合多个变量之间的非线性关系,适用于解决工程中由于变量关系复杂,传统物理模型或经验模型无法有效解决的问题.由于传统的测井资料解释方法是基于岩石物理机理和模型为基础,需要许多假设条件,在实际应用中存在一定偏差.因此,利用机器学习算法对测井资料进行处理和解释,尤其是对储层流体进行识别具有重要意义.现有的储层流体识别方法没有充分挖掘测井数据多维空间的关联性.此外,还存在储层类别分布严重不均衡、相似物性储层的识别容易混淆的问题.本文针对储集层流体识别任务提出了基于机器学习算法的高效解决方案.采用长短期记忆网络(LSTM)和卷积神经网络(CNN)分别表征测井曲线时序特征以及多条测井曲线之间的相互关联关系;考虑到油气储集层识别任务的类别分布不均衡性问题以及不同储层的价值排序有所差异,本文采用加权交叉熵损失函数,在模型训练中更注重学习少样本类别的特征,进一步提升含油储层的识别准确度.依据储层物性差异和相似度,设计了多层级储层流体识别方法,将LSTM和CNN的模型结构应用于层级II(含油储层、含水储层和干层)和层级III(油层、油水同层、差油层和水层、含油水层)的识别.本方法在真实油田测井数据上加以验证,其中数据分布极不均衡,高价值的含油类储层占比9％,符合真实工业场景.通过大量对比实验证明,LSTM和CNN的并行网络结构能够充分挖掘测井数据多维空间的相关特征;加权交叉熵损失函数显著提高了高价值含油储层的识别准确度,多层级储层流体识别方法对于物性相近的易混淆储层,如油水同层和含油水层的区分更加准确.实验结果表明,该方法能有效克服储层流体识别任务中的各种问题,对于帮助地质专家和工程师寻找地下储层,完成储层评价具有一定的实用价值.