基于深度学习的地层沉积正演模拟代理模型构建与应用.pdf

第41卷第3期2023年6月Vol.41 No.3Jun.2023沉 积 学 报ACTA SEDIMENTOLOGICA SINICA基于深度学习的地层沉积正演模拟代理模型构建与应用刘彦锋1，段太忠1，龚伟2，廉培庆1，张文彪1，黄渊11.中国石化石油勘探开发研究院，北京 1022062.北京师范大学，北京 100091摘 要 地层沉积正演模拟方法能更真实地刻画地下地质体的分布规律，比传统的基于地质统计学的建模更有优势，但是条件化难度大，使其应用在实际油藏地质建模时面临较大挑战。地层沉积反演模拟提高了该方法的实用性，基于模拟结果与观测数据定量比较，地层沉积反演模拟在全局优化算法的驱动下不断修正地层沉积正演模拟输入参数，使模拟结果与观测数据吻合度达到最佳。由于反演系统优化参数多，非线性极强，收敛难度大，需要的迭代次数多，单次正演模拟耗时长，导致该方法效率较低。地层沉积反演模拟和深度学习算法中的生成对抗网络相结合，提出了构建地层沉积正演模拟代理模型的方法。以大量的碳酸盐岩地层沉积模拟的合成模型作为样本，通过神经网络训练，形成地层正演模拟器的代理模型，然后将其代入地层沉积反演模拟系统，避免了直接地层正演模拟的长耗时，加快了反演模拟的收敛速度。通过巴哈马西缘碳酸盐岩地层沉积模拟验证了该方法的可行性，采用学习后的生成网络进行沉积反演模拟，反演效率得到了大幅提升。尽管本文展示的是二维实例，也有望扩展应用在三维模型上。关键词 生成对抗神经网络；代理模型；深度学习；地层沉积过程正演模拟第一作者简介 刘彦锋，男，1986年出生，博士，副研究员，开发地质学，E-mail:中图分类号 P628+.3 文献标志码 A0 引言 地层沉积过程正演模拟比传统的基于统计学的建模能更真实地刻画地下地质体的分布规律，但条件化方面仍需改善。地层沉积过程正演模拟以质量守恒为基础，考虑了沉积物的供给、产生、搬运、剥蚀和再沉积等地质作用，模拟结果符合地质规律1。正演模拟的输入参数有初始地形、海平面曲线、沉积物搬运系数、沉积物供给曲线、基底沉降曲线、碳酸盐岩生产的相关系数，以及这些系数随时间和空间的变化等2。由于这些输入参数很难通过现有的观测手段获得，使得模型存在较大不确定性，与井数据和地震解释数据吻合难度大，导致该建模技术在实际油藏地质建模中应用推广缓慢。地层沉积反演模拟技术提高了地层沉积过程模拟的实用性。Lessenger et al.3，Cross et al.4提出了地层沉积反演模拟的基本框架，认为地层沉积反演模拟包括地层沉积正演、模拟结果和观测数据之间的比较，以及自动调整正演参数的最优化算法。基本思路是：以有限的、能反映地层分布特征的观测数据，比如井上钻遇的沉积微相、地震层位解释等，反推地层沉积正演模拟的输入参数，实现模拟结果与观测数据吻合，然后进行地层空间展布的预测。地层沉积模拟的基本过程是从一组初始的过程参数开始执行正演模拟，将模拟结果与观测数据比较，优化算法按照一定的策略调整过程参数，再次执行正演模拟，直到模拟结果与观测数据的吻合度达到门槛值。前人在这些方面做了很多研究，涵盖正演模拟技术、比较技术和优化算法等511。在反演系统中，通常正演模拟的计算量很大，是最耗时的计算部分。代理模型是工程问题中常用的一个优化方法。当实际问题计算量很大、不容易求解时，可以使用计算量较小、求解速度快的代理模型替代原模型，加速优化过程，比如多项式法、二次响收稿日期：20210910；修回日期：20211112；录用日期：20211222；网络出版日期：20211222基金项目：中国石化科技部项目（P21038-3，P20077kxjgz）；中科院先导A类项目（XDA14010204）Foundation：SINOPEC Science and Technology Department,No.P21038-3,P20077kxjgz;CAS Pilot Class A,No.XDA14010204DOI:10.14027/j.issn.10000550.2021.152文章编号：10000550（2023）03079113第41卷沉 积 学 报应曲面和克里金方法等。尽管代理模型是复杂系统反演的常见处理方式1213，但针对沉积模拟代理模型的相关研究未见报道。与油气藏渗流、地下水流动、数值天气预报等模型类似，地层沉积反演模拟也是一个复杂的非线性系统，本质上求解这些复杂系统都是大规模高度非线性问题的优化问题，需要借助高效的优化算法反复进行迭代求解，其中单次正演模拟求解耗时长、非线性强是影响问题快速求解的主要瓶颈。对于这类问题，代理模型是用另外一种更快的数学方法产生与原模型误差最小的结果，以达到快速迭代。目前，已经有一些替代正演模拟的方法，这些模型替代非线性较弱的模型时效果较好，对复杂性强的模型仍无法替代14，深度神经网络具有很强的模式表达能力，为代理模型构建提供了新的途径，也为快速的地层沉积反演模拟提供了可能。最近几年发展迅速的生成对抗人工神经网络方法具有很强的模型生成能力，已经用于模拟复杂地质模型的生成和油气藏数值模拟中替代模型的建立。神经网络主要分为判别网络和生成网络，判别网络建立高维参数向低维参数的映射，常用于分类、聚类和判别问题等；生成网络建立低维参数向高维参数的映射，常用于回归和模型生成问题。复杂三维地质建模可以通过生成网络实现。常见的生成网络有贝叶斯网络、变分自编码器、玻尔兹曼机、生成对抗网络等，其中生成对抗网络的应用最广泛。相比于其他方法，生成对抗网络具有更强的模式生成能力，可以生成更逼真的模型，但存在样本需求量的问题，不适合样本少的情况。对于地下地质类问题，难以获取真实的三维模型作为样本，通过正演模拟方法合成样本是深度学习技术在该领域落地应用的主要方式。在沉积反演模拟系统中，样本通过正演模拟器生成，不存在样本不足的问题。使用生成对抗网络，有望提高反演的收敛速度，解决目前的效率问题。本文在地层沉积反演模拟基本框架、生成对抗网络基本原理介绍的基础上，提出了基于生成对抗网络的地层沉积代理模型构建方法，并通过实例研究说明该方法的可行性，最后讨论了该方法存在的局限性和未来发展的方向。1 生成对抗网络代理模型构建方法 1.1地层沉积反演模拟基本框架地层沉积反演模拟包括生成三维模型的正演模拟器、模拟结果与观测数据比较的误差计算器，调整正演模拟输入参数的全局优化器。优化器是整个系统的核心驱动力，它根据误差计算器的响应不断调整正演模拟输入的参数，使模拟结果与观测数据吻合度最高。地层正演模型的输入参数考虑了边界条件和初始条件，它们描述了可容空间、沉积物剥蚀、供给、生产、搬运、堆积以及压实作用等。输出结果是模拟的地层和一系列的古环境条件，比如整个演化历程的古地貌、沉积间断等。区别于碎屑岩地层，碳酸盐岩沉积体系的形成、演化和消亡，除了受构造活动、海平面变化、气候条件、海洋环境和水动力条件等多种作用于碎屑岩沉积体系的共同因素的直接或间接的控制外，还受体系中生物与生态因素的重要控制1517。此次采用了自主研发的碳酸盐岩地层沉积正演模拟方法，它考虑了最新的碳酸盐岩工厂、生态可容空间和层序地层学等基本原理，建立了基于环境能量和生物碳酸盐产能的地层沉积正演模拟方法和软件系统，可以模拟台缘带、缓坡、孤立台地以及复杂地形下的碳酸盐岩沉积体系等18，限于篇幅问题，具体的正演模拟方法不再展开。模拟结果与观测数据的比较方法依赖于观测数据的多少及类型，往往是较少的观测资料，比如少量的几口钻井资料、分辨率较低的地震解释资料等。为了降低地震资料引起的不确定性，本文选择井上的解释的沉积相与实际模拟的过井处沉积相的均方根误差作为反演的目标函数。对于复杂非线性且不可求导的非线性系统，需要采用启发式优化算法，比如模拟退火、差异演化、粒子群算法等，通过多参数下的优化算法收敛性能对比，基于数值梯度的复合多重形优化算法（SCE-UA）在多参数反演方面具备更多优势19。由于整个地层沉积反演模拟系统非线性极强，收敛难度大，需要的迭代次数很多，导致效率较低。提出了基于生成对抗网络沉积模拟代理模型构建方法，替代其中的正演模拟过程，充分利用神经网络全程可微分的性质，提高整个反演系统的收敛性能。792第3期刘彦锋等：基于深度学习的地层沉积正演模拟代理模型构建与应用1.2生成对抗神经网络方法生成对抗神经网络为地质建模提供了新方法。随着深度学习等人工智能技术的发展，地质建模技术也朝着智能化方向快速发展。由于生成神经网络与地质建模之间的高度相似性，这项技术在地质建模领域快速落地应用。在多层神经网络框架下，地质建模是一个生成问题，油气藏地质建模通常是输入稀疏的、高精度的井点数据，在稠密的、相对低精度的地震数据约束条件下建立高精度三维网格模型，可以视为生成神经网络问题，其中由Goodfellow et al.20提出的生成对抗神经网络（Generative Adversarial Networks，GAN）是解决这类问题的主要方式。生成对抗网络是一种适用于任意形式复杂分布的无监督对抗式深度学习方法。它一般由两个模块构成：生成模型（Generative Model，简写为G）和判别模型（Discriminative Model，简写为 D）组成，生成模型也称为生成器，判别模型也称为判别器。生成模型G根据一系列特征，可以是数值或者字符串等，来生成一组数据，生成的数据可以是图片、影像、声音等，也可以是地质模型。生成的数据和真实数据相比要尽可能相似。判别模型D判断生成模型输出的结果是否和真实数据相似，其目标是将生成数据和真实数据尽可能分开。G和D两个模型在对抗性训练中共同进步，G生成的数据越来越逼真，D的辨别能力越来越强。GAN训练终止的条件和一般的网络有所区别，并非以损失函数达到某一阈值作为终止条件，而是人工判断生成模型的结果逼真程度是否还在持续改善。如果持续多轮迭代不再改善则终止训练。生成对抗网络是目前深度学习地质建模中主要采用的神经网络21，为替代模型建立提供了新途径。对于标准的生成对抗网络，需要输入一个低维的随机数序列得到高维的网络层，与非条件地质建模过程较为相似，即通过变差函数、训练图像或目标体长宽高等输入参数得到一系列三维模型实现，这些实现不考虑与井点数据或地震约束数据的吻合情况，但能够体现较为合理的地质模式。生成对抗网络深度学习体现了类似过程，通过学习地质模式，利用训练后的生成器可以得到满足地质认识的模拟结果。由于神经网络固有的线性化性质，按照这种方式建立的代理模型，具备更好的反向求导和快速收敛特征。1.3基于生成对抗网络的代理模型构建方法深度学习模型的训练需要大量的样本，不断扰动沉积正演模拟器的输入参数，可以获得大规模沉积模拟模型作为深度学习的样本。沉积模拟的输入包括初始地形、碳酸盐岩产率、沉积物搬运、海平面曲线、构造沉降等相关参数，改变任意的输入参数都可能产生不同的结果。采用生成对抗神经网络框架进行训练，其中生成器接收与沉积模拟一样的输入参数，产生二维或三维模拟结果，判别器输入二维或三维模型，输出真或假，其中训练后的生成器即为最终需要的沉积模拟代理模型（图 1）。具体构建步骤如下。步骤一：分析具体的地质问题，搭建反演模拟基本框架。根据钻井和地震解释的地层特征，结合区域地质特征，确定目标地区可能的地层特征和沉积相展布规律。通过反复的正演模拟测试，确定初始地形和构造沉降的基本特征，以及沉积物搬运、碳酸盐岩产率、水体能量相关参数的数值区间，为样本生成提供基础。步骤二：基于沉积正演模拟器生产大规模样本。选择对模拟结果敏感的参数，且尽量涵盖更大的解空间，通过超立方采样的方式，产生不同的参数组合，开展正演模拟，建立样本库。一个样本包括输入的参数和正演模拟的结果，其中模拟结果是二维或三维的相模型，通过离散数值（比如a1、b1、b2、c1、c2、c3，c4共7种相类型）的矩阵表达。随机选择其中的80%作为训练集，20%作为测试集。图 1基于生成对抗网络的代理模型构建方法Fig.1Proxy model construction method