利用卷积神经网络模型预测致密储层微观孔隙结构
Posted 地球科学与人工智能
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了利用卷积神经网络模型预测致密储层微观孔隙结构相关的知识，希望对你有一定的参考价值。
前言：在很多油气藏中，孔隙结构是影响毛管压力进而影响油气分布的重要因素，准确获取储层微观孔隙结构信息对于复杂油气藏勘探开发非常重要，是储层评价和产能预测的基础。廖广志等研究工作者的研究表明卷积神经网络可以用于预测储层微观孔隙结构，且预测精度较高。
储层孔隙结构表征与预测对地质作用分析与油气分布等方面的新认识具有重要意义。虽然目前关于储层岩石孔隙结构的研究方法有很多，但大部分方法只能通过岩心取样在实验室进行测量分析，由于成本原因难以在井下推广应用。廖广志研究团队指出储层微观孔隙结构表征和预测的主要重点是：1)如何正确认识储层不同的孔隙结构以及不同的孔隙结构对油气分布的控制作用；2)如何建立一个经济有效的孔隙结构分类方法；3)如何构建微观孔隙结构与宏观表征参数之间的关系。
该团队意识到深度学习算法在小样本数据建模及预测方面具有较大应用潜力，利用灰色关联分析、主成分分析、因子分析和智能聚类等数据挖掘算法对压汞毛管压力数据（压汞毛管压力数据(MICP)是间接识别储层孔隙结构的常用数据之一）等进行深度分析，将研究区块的孔隙结构类型进行了类别划分，然后将常规测井资料作为输入层，提出了一种应用卷积神经网络预测储层微观孔隙结构的方法。
1
相关研究方法
灰色关联分析是一种多因素统计分析方法，是根据因素之间发展趋势的相似或相异程度，即灰色关联度，作为衡量因素间关联程度的一种方法
主成分分析和因子分析是高维数据降维的两种常用方法，将两种方法用于孔隙结构参数的压缩，解决共性线问题。主成分分析主要用于数据压缩，消除共线性，但难以解释每个主成分的实际意义，基于参数矩阵的因子分析可以对提取的因子做因子旋转，使得因子与组分之间的关系得到重新分布，从而使孔隙结构类型更易于解释。下图为该研究团队研究过程中提取的主因子与孔隙结构参数的三维交汇图。
层次聚类试图在不同层次上对数据集进行划分，从而形成树形的聚类结构。有“自底向上”的聚合策略，也有“自顶向下”的分拆策略。其中“自底向上”聚合策略是首先将每个对象作为一个簇，然后合并这些簇为越来越大的簇，直到所有的对象都在一个簇中。
2
基于测井数据的孔隙结构预测
测井资料能够反映储层孔隙结构信息，但由于孔隙结构与测井资料的定量关系是一个十分复杂的非线性系统，用常规的物理模型难以准确表达两者之间的定量关系，所以在实际应用中存在较大困难。孔隙结构类型的预测需要提取特征，解决MICP数据与测井资料之间的尺度问题，人工神经网络虽然具有良好的智能特性，但不具备自主地学习特征。而卷积神经网络(CNN)避免了复杂的前期预处理，可以直接输入原始信息，其示意图如下图所示。
相比于人工神经网络，CNN具有以下优势：
01
每个神经元不是对全部测井曲线进行感知，而是对局部信息进行感知，然后在更高层将局部信息综合起来获得全局信息。从而有效地减少训练参数，降低网络规模，如下图所示。
02
将卷积操作看成是与位置无关的特征提取方式，测井曲线的一部分统计特性与其他部分是一样的，这意味着学习的某一部分也能用在另一部分上。所以对于这条曲线上的所有位置，都能使用同样的学习特征。这将减少网络各层之间的连接，同时又降低过拟合的风险。
03
子采样也叫做池化，池化层夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合。
孔隙结构类型预测问题与大部分分类预测问题相似，是通过监督学习的方法训练模型来预测未知数据。然而，测井数据不同于常规的图像、文字等数据，其特征难以用深度学习的方法进行表达。于是，廖广志研究团队将测井数据模拟成图片的像素点数据，将聚类分析得到的孔隙结构类别作为标签，利用卷积神经网络良好的特征学习能力自主训练储层特征，基于此设计了单层卷积神经网络模型和双层卷积神经网络模型。
单层卷积神经网络模型由 4 部分组成，分别为测井信息输入层、卷积特征层、池化层、全连接层。在训练集上能达到 85%左右的准确率，在测试集上的准确率为78.6%
双层卷积网络模型如下图所示，将常规测井数据模拟成 9×9 的像素矩阵作为网络的输入，第一层卷积采用 4 个卷积核，大小为 3×3×1，步长为 1；池化层采用的是 2×2 最大值池化，步长为 1；第二层卷积采用 8 个卷积核，大小为 3×3×4，步长为 1，最后采用两个全连接层。在训练集上，其训练的准确率可以达到 90%，而在测试集上，最终预测的准确率的可达到 82.1%，比单层卷积神经网络模型的准确率提升3.5%。
3
模型的实际应用
廖广志研究团队将单层卷积神经网络模型和双层卷积神经网络模型应用于未取心井，其应用效果如下图所示
单层和双层卷积神经网络在油层和干层的预测结果差异不大，但在差油层和含油层，双层卷积神经网络的预测结果比单层卷积神经网络预测结果相比，与测井解释结果更相符。
5
总结
廖广志研究团队基于岩心毛管压力数据，利用灰色关联分析、主成分分析、因子分析和智能聚类等数据挖掘技术，选取孔隙结构敏感性参数，解决数据之间的共线问题，利用智能聚类技术对孔隙结构进行聚类分析，确定储层孔隙结构的分类并借鉴卷积神经网络在其他领域的应用方法将其用于储层微观孔隙结构预测，提出了测井曲线单层卷积模型和双层卷积模型，为了更好的表达储层特征还创新地提出将常规测井数据模拟成图像像素点作为网络的输入。该团队的研究结果表明：卷积神经网络可用于储层微观孔隙结构预测，且预测精度较高；同时双层卷积神经网络不仅可以达到更好的预测效果，而且通过卷积运算可以提取更深层次、更抽象的储层特征，为测井资料综合解释提供重要的支持。
文章内容来源：[1]廖广志,李远征,肖立志,秦志军,胡向阳,胡法龙.利用卷积神经网络模型预测致密储层微观孔隙结构[J].石油科学通报,2020,5(01):26-38.
以上是关于利用卷积神经网络模型预测致密储层微观孔隙结构的主要内容，如果未能解决你的问题，请参考以下文章
深度学习时间序列预测：卷积神经网络（CNN）算法构建单变量时间序列预测模型预测空气质量（PM2.5）+代码实战
基于 Pytorch 解读 GoogLeNet 现代卷积神经网络