基于深度卷积神经网络的岩石...物组分含量测井评价方法研究_王玥天.pdf

2023 年第 38 卷 第2期2023，38(2):0748-0758地球物理学进展Progress in Geophysicshttp:/wwwprogeophyscnISSN 1004-2903CN 11-2982/P王玥天，毛志强，胡琮，等2023 基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究 地球物理学进展，38(2):0748-0758，doi:106038/pg2023GG0380WANG YueTian，MAO ZhiQiang，HU Cong，et al2023 esearch on logging evaluation method of rock mineral composition based on deep convolutionalneural network Progress in Geophysics(in Chinese)，38(2):0748-0758，doi:106038/pg2023GG0380基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究esearch on logging evaluation method of rock mineral composition based ondeep convolutional neural network王玥天1，毛志强1*，胡琮2，李高仁2，何伟1，马凤情1WANG YueTian1，MAO ZhiQiang1*，HU Cong2，LI Gaoen2，HE Wei1，MA FengQing1收稿日期2022-09-15;修回日期2022-12-08投稿网址http:/www progeophys cn基金项目国家科技重大专项(2016ZX05050-008)和中国石油长庆油田公司科学研究与技术开发项目(ZY20-XA407-TPFW713)联合资助第一作者简介王玥天，男，1995 年生，中国石油大学(北京)在读博士研究生，研究方向为测井解释与储层评价E-mail:745443224 qq com*通讯作者毛志强，男，1962 年生，博士，教授，博士生导师，从事岩石物理、测井解释与储层评价等方面的研究工作E-mail:maozq cup edu cn1 油气资源与探测国家重点实验室，中国石油大学(北京)，北京1022492 中国石油长庆油田分公司勘探开发研究院，西安7100181 State Key Laboratory of Petroleum esources and Prospecting，China University of Petroleum(Beijing)，Beijing 102249，China2 esearch Institute of Exploration and Development，PetroChina Changqing Oilfield Company，Xian 710018，China摘要岩石矿物组分含量是地球物理勘探开发中的重点关注对象 在岩心与地层元素测井资料较少的情况下，如何提高矿物组分含量参数的预测精度显得尤为关键 本文采用深度学习方法，利用常规测井曲线对来自于地层元素测井获得的矿物组分含量进行预测首先基于残差网络(esNet)框架，利用一维卷积核和池化核构建了卷积神经网络模型 模型采用自然伽马、自然电位、井径、阵列感应电阻率、三孔隙度以及光电吸收截面指数测井参数作为输入，地层元素测井获得的矿物组分含量作为输出 随后对所搭建卷积神经网络进行了训练，建立了输入与输出之间的实际映射关系 最后，利用测试数据集和真实地层资料，对所建立的卷积神经网络进行了精度检验，并与人工神经网络和多元线性回归的评价结果进行了比较 结果显示，卷积神经网络在测试数据集上的总体预测数值相关性为0.90，明显优于人工神经网络的 0.68 与多元线性回归的 0.51 通过处理实际测井资料，进一步验证了该方法的预测优越性和鲁棒性，以及其在地层参数评价方向AbstractThe composition contents of various minerals inthe rock is a key concern in geophysical exploration anddevelopment In general，accurate quantitative evaluationof rock mineral composition content can be performed bycoreanalysisandformationelementloggingdataHowever，in practical applications，it is often challengingto obtain sufficient scale of the above data for field-widemineral composition content evaluation Therefore，it isespecially critical to improve the prediction accuracy ofmineral composition content with the support of other basicdata In this paper，the deep learning technique is used topredict the mineral composition content obtained from theformation element logging by using the conventional loggingdata Firstly，based on the esNet network architecture，aconvolutional neural network model is constructed usingone-dimensional convolution kernels and pooling kernelsThe logging parameters of gamma，spontaneous potential，caliper curves，array induction resistivity，three porositylogging data and photoelectric absorption cross-sectionindex are considered as input data of the model，and themineralcompositioncontentobtainedfromformationelement logging is used as output We train the constructedconvolutional neural network based on logging data fromthe Ordos Basin YanChang Formation and establish themapping relationship between input and output Finally，using the test data set and real stratigraphic data，theaccuracy of the established convolutional neural network isverified and compared with the evaluation results of artificial2023，38(2)王玥天，等:基于深度卷积神经网络的岩石矿物组分含量测井评价方法研究(www progeophys cn)的良好应用前景关键词深度学习;测井评价;岩石矿物组分含量;卷积神经网络中图分类号P631文献标识码Adoi:10 6038/pg2023GG0380neural network and multiple linear regression The resultsdemonstrate that the correlation between the predicted andactual results of the convolutional neural network on thetest dataset is 0 90，which is significantly better than 0 68for the artificial neural network and 0 51 for the multiplelinear regression By processing the actual logging data，the prediction superiority and robustness of the method arefurther verified，as well as its good application prospect information parameter evaluationKeywordsDeep learning;Logging evaluation;ockmineral composition;Convolutional neural network0引言岩石矿物组分含量是油气勘探开发的重点关注对象与评价参数，其对于地层岩性划分、油田的分布预测以及沉积环境的研究均有着极为重要的意义岩石矿物组分含量通常可在实验室通过 X 射线衍射(XD)矿物分析的方式测量(Mitchell，1960;Schultz，1964)，也可以通过 X 射线荧光(XF)元素分析 所 测 量 的 元 素 含 量 转 换 获 得(Hupp andDonovan，2018;Alnahwi and Loucks，2019;Chan etal，2020)此外，诸如岩石热解分析(Behar et al，2001;Jiang et al，2017)、扫描电镜/能量散射光谱(Gallagher and Deacon，2002)、铸体薄片(Holden etal，2009;Tang et al，2020)等方式也可进行矿物组分含量的辅助评价 然而上述实验通常较为昂贵耗时，且由于取心数量有限，这些方式只能对地层中的少数离散深度点进行评价作为油气勘探开发领域重要的探测手段，地球物理测井可以对井下地层的岩石物理性质进行连续记录(Zhao et al，2018)在对地层矿物组分含量进行评价时，地层元素测井往往是最直接且准确的测井手段(Herron，1986;Herron and Herron，2000)其可以准确的对地层中主要元素含量进行测量并通过转换得到矿物组分含量(吴文圣和张立娟，2011;孙建孟等，2014)然而地层元素测井的测量成本较大，这也导致了该测井方式通常只能应用于少数疑难井或重点井 常规测井曲线虽然无法直接获取地层矿物组分或与之高度相关的元素信息，但仍包含了大量与矿物组分呈弱相关的声学、电学等岩石物理信息(朱振宇等，2003)这些信息与矿物之间的函数关系通常可采用多矿物响应方程进行表征(Mayer and Sibbit，1980;Mitchell and Nelson，1988;李忠诚和韩韧，2015)通过对多测井方法联合构造的响应方程组求解，可得到不同矿物组分的含量(雍 世 和 等，1988;刘 俊 华 等，2008;肖 亮 等，2011)然而在实际应用中所构造得到的往往是超定或欠定方程组，且其内部包含了部分非线性方程，这为优化求解的数值稳定性及准确性带来了挑战此外，方程组往往包含大量需要人为确定的参数，这需要处理人员非常丰富的经验 因此，有必要开发一种兼具评价准确性以及应用广泛性，且可以大幅减少处理人员参数设置工作量的地层矿物组分含量评价方法 这需要利用工区中有限的地层元