基于卷积神经网络的油气地震储层预测研究

张 然，德勒恰提·加娜塔依

(新疆大学地质与矿业工程学院，新疆 乌鲁木齐 830047)

1 引言

科学技术的发展促进了勘探技术的提高，进而扩展了勘探领域，在上述背景下油气探测对象逐渐发生变化，油气勘探慢慢地发展到油气地震储层领域[1]。随着经济的发展，国内油气存储量呈直线下降，其中，岩性地层油气在剩余总资源中的比例不断缩小，为了获取油气资源，各国开始勘探油气地震储层。油气地震储层中的横向和纵向变化较大，且形成油藏的原因较多，因此，勘探油气地震储层的难度高、风险大[2]。油气地震储层与构造油气藏不同，不受构造因素的影响，但储层物性等因素对油气地震储层产生的影响是不可忽略的。因此，储量估算、井位布置和地质综合评价可以依据岩性几何形态、油气性质、物性参数等信息实现。在勘探实践中人们对储层非均质性的关注度较高，因此，在勘探阶段需要对油气地震储层进行预测。

刘道理[3]等人提出基于频变AVO反演的油气地震储层预测方法，该方法在预测油气地震储层之前，通过衰减理论模型分析流体在储层中的敏感度，根据分析结果选取预测油气地震储层的识别因子，对油气地震储层数据进行小波变化处理，消除油气地震储层数据中存在的噪声，通过频变Gassmann流体项反演方法在贝叶斯Cauchy约束下完成油气地震储层的预测，但是该方法没有提取油气地震储层数据的主成分，预测的砂厚度和储层厚度与实际结果之间的误差较大。赵虎[4]等人提出基于正演模拟的油气地震储层预测方法，该方法对油气地震储层数据进行高分辨率处理，获得反射特征，并进一步对其进行细化处理，通过正演模拟方法在油气地震储层响应模式下分析地震属性，根据地震属性构建油气地震储层预测模型，完成油气地震储层的预测，该方法选取的反演特征贡献率较低，导致方法在预测过程中的泛化能力较差。

为了解决上述方法中存在的问题，提出基于卷积神经网络的油气地震储层预测方法。

2 油气地震储层数据主成分提取

基于卷积神经网络的油气地震储层预测方法采用莱特准则对油气地震储层数据进行取均值与剔除异常值处理。

为了计算量纲不同的属性，通过下式对油气地震储层数据进行标准化处理

(1)

式中，xij代表油气地震储层数据属性；minxij、maxxij分别代表最小和最大属性值。

经过上式处理后，获得归一化的油气地震储层数据集合D={x11，x12，…，xMN}，其中，M代表crossline最大值；N代表inline最大值。

设γ代表离均差，可以利用γ量化处理油气地震储层属性集的离散趋势

(2)

式中，i和j均代表油气地震储层空间；xpq代表地震属性参数。油气地震储层属性集合D的变异程度随着离均差γ的平方增大而增大，表明异常值存在于油气地震储层属性集D中。

油气地震储层属性集合D的随机误差通常情况下满足正态分布[5]，设P代表随机误差在任意区间中分布在(-η，η)的概率，其计算公式如下

(3)

式中，κ代表油气地震储层属性集合D对应的标准差；φ和η分别代表油气地震储层对纵、横波的敏感度。

将拉普拉斯函数与式(3)结合，获得下式

(4)

式中，e代表属性对应的离均差。

对油气地震储层数据进行预处理后，采用主成分分析方法获取油气地震储层数据的主成分。

通常情况下，油气地震储层数据的主成分具有正交特征，其实质是由元变量构成的线性组合[6]。将x1，x2，…，xp进行线性组合，则可以得到z1，z2，…，zm

(5)

设存在n个样品，所有样品中都存在m个变量，用矩阵形式描述n个样品中变量的观测值

(6)

第j列元素在矩阵Z中描述的是m个变量在第j个样品中对应的观测值，标准化处理矩阵Z，获得矩阵X

(7)

(8)

设R代表变量对应的相关矩阵，由相关系数构成，其表达式如下

(9)

基于卷积神经网络的油气地震储层预测方法通过雅克比法计算特征向量和特征值，具体过程如下：

设置对称矩阵A，通过平面旋转变换矩阵R0(p，q，θ)对对称矩阵A进行正交相似变换处理：A1=R0(p，q，θ)TAR0(p，q，θ)，其中，θ代表角度，其计算公式为

(10)

式中，apq代表非对角线中存在的绝对值最大的元素；app代表油气地震储层数据的特征向量；aqq代表特征值。

重复上述变换过程，逐渐用对角矩阵代替对称矩阵A，油气地震储层数据即为对角矩阵中对角线上存在的元素λ1，λ2，…，λn，油气地震储层数据的特征向量可通过平面旋转矩阵计算得到。

根据油气地震储层数据的特征向量和特征值计算对应的特征贡献率，选取贡献率高的作为油气地震储层数据的主成分，实现油气地震储层数据的主成分提取[7]。

3 油气地震储层预测方法

基于卷积神经网络的油气地震储层预测方法采用卷积神经网络利用提取的油气地震储层数据主成分实现油气地震储层的预测。在机器学习领域中深度学习属于研究热点，研究人员在技术飞速发展的背景下不断研究出新的网络模型和算法，提高了油气地震储层预测的准确率。在模型训练过程中池化操作、局部感受野和权值共享机制可以减少训练所需的网络参数，减小模型性能受输入油气地震储层主成分之间存在的微小变化的影响，降低模型的复杂度[8]。

在卷积神经网络中卷积层属于重要构成部分，对输入的油气地震储层数据的主成分在卷积核中进行卷积运算，并将偏置项加入主成分中，在激活函数中对油气地震储层数据主成分做非线性操作处理。输入主成分的特征图即为激活函数输出的结果，油气地震储层数据的多种特征即为多个卷积核特征图的叠加结果[9]。

卷积神经网络中存在的卷积过程可通过下式进行描述

(11)

在输入的图像中利用不同的卷积核进行二维卷积操作是卷积层的主要作用，提取输入图像中存在的特征，设W×H×D代表输入卷积神经网络数据的大小，其中D、H、W分别代表数据对应的维度、宽度和长度。

利用大小为F×F的K个卷积核提取数据的特征，输入的油气地震储层数据的边界填充为P′，卷积核对应的步长为S，则输入的油气地震储层数据经过卷积核特征提取后对应大小为W′×H′×D′

(12)

特征图的尺寸大小经过卷积层的特征提取操作后基本没有发生变化，特征维数经过特征提取后有所提高，此时全连接层中的网络参数数量较多，在卷积神经网络中会出现过拟合问题[10]。因此，将池化层加到卷积层之后，在池化层中对油气地震储层数据进行压缩处理，油气地震储层数据量经过池化层处理后不会出现变化，但是特征图的大小会发生改变，可以降低计算过程的复杂程度[11，12]。

全连接层在卷积神经网络中的主要作用是对油气地震储层数据进行分类处理。特征维度的数据在全连接层中转换到样本标记维度，全连接层的操作如下

(13)

4 实验与分析

为了验证基于卷积神经网络的油气地震储层预测方法的整体有效性，对某地区的油气地震储层进行预测，对基于卷积神经网络的汽油地震储层预测方法进行测试。分别采用基于卷积神经网络的油气地震储层预测方法(方法1)、基于频变AVO反演的油气地震储层预测方法(方法2)和基于正演模拟的油气地震储层预测方法(方法3)进行测试。运用Matlab平台对数据进行处理，为了保证实验结果的准确性，在实验中进行多次数据计算，并求取平均值，以此来增强实验结果的有效性。

1)砂厚度预测

在油气地震储层预测过程中，分别采用方法1、方法2和方法3对砂厚度进行预测，测试结果如图1所示。

图1 砂厚度预测结果

分析图1中的数据可知，采用方法1在油气地震存储预测过程中对砂厚度进行预测时，获得的预测值与实际厚度完全相符，而方法2和方法3在油气地震存储预测过程中对砂厚度进行预测时，获得的预测值与测试实际厚度之间存在偏差。

2)储层厚度预测

在实验区域中，划分8个实验目标区，对不同区域分别采用方法1、方法2和方法3在相同实验环境中对储层厚度进行预测，预测结果如表1所示。

表1 储层厚度预测结果

根据表1中的数据可知，在油气地震储层预测过程中，方法1预测的储层厚度与实际厚度基本相符，方法2和方法3预测的储层厚度与实际厚度之间的差距较大。

通过砂厚度预测实验和储层厚度预测实验可知，方法1可准确地在油气地震储层预测过程中实现砂厚度和储层厚度的预测，因为方法1对油气地震储层进行预测之前，对获取的油气地震储层数据进行了预处理，并提取了油气地震储层数据的主成分，利用主成分对砂厚度和储层厚度进行预测，提高了预测结果与实际结果之间的相似度。

3)泛化能力

采用方法1、方法2和方法3对油气地震储层进行预测，通过损失曲线对比上述方法的泛化能力，测试结果如图2所示。

图2 泛化能力对比

对方法1、方法2和方法3的损失曲线进行分析可知，方法1的损失曲线处于方法2和方法3的损失曲线之下，表明方法1的泛化能力较好，因为方法1利用卷积神经网络根据提取的油气地震储层主成分对油气地震储层进行预测，提高了预测结果的精度，进而提高了方法的泛化能力。

5 结束语

储层预测技术是利用钻井资料、测井数据和不同尺度的地震对储层中的含油气量、物理情况和空间形状进行推测的方法，目前的油气地震储层预测方法只能做到定量预测或半定量预测，得到的预测结果与地质规律不符，提出基于卷积神经网络的油气地震储层预测方法，首先利用主成分分析法获取油气地震储层数据的主成分，并将其输入卷积神经网络中完成油气地震储层的预测，解决了目前方法中存在的问题，为油气勘探提供了相关依据。