机器学习在储层预测中的应用分析

王俊

机器学习在储层预测中的应用分析

王俊

（成都理工大学 地球物理学院，四川 成都 610059）

机器学习是整个人工智能领域中应用前景最为广阔的技术，近年来的发展突飞猛进，被广泛用于与人们生活息息相关的各种领域，尤其在储层预测方面。储层预测是油气勘探生产的首要环节，传统的储层预测方法往往需要经历多个环节，勘探与研究工作周期长，降低了勘探效率。为此，介绍了机器学习中卷积神经网络、循环神经网络、支持向量机等主流人工神经网络及其在储层预测中的应用。

机器学习；储层预测；神经网络；网络模型

利用地震属性对含油气储层特征进行描述是油气地球物理勘探的主要手段之一。以原始地震数据为基础进行油气储层预测，至今仍是油气勘探开发研究的热点。储层物性的空间变化会引起地震信息的变化，进而在不同地震属性中引起不同的变化，同类型的测井数据同样会有不同特征响应，地震信息与测井数据本质上均为间接观测得到的地下储层信息，两者与储层特征参数的关系非常复杂，在数学上表现为复杂的非线性关系，寻找一种合适的算法对其拟合，并进行非线性预测是地震储层预测的热点和难点。国内外众多学者针对地震储层预测问题研发了很多新技术、新方法，极大地推动了油气勘探进程。近年来人工智能领域的机器学习应用于地质储层预测已成为研究热点之一。

1 机器学习

机器学习是整个人工智能领域中应用前景最为广阔的技术，近年来的发展突飞猛进，越来越多的人工智能应用得以实现。其本质为一个可以模拟人脑进行分析、学习的神经网络，它模仿人脑的机制来解释数据，通过组合低层特征，形成更加抽象的高层特征或属性类别，来拟合人们日常生活中的各种事情，目前已被广泛用于与人们生活息息相关的各种领域，可以实现自然语言处理、机器翻译、语音识别等。机器学习利用大量的数据训练模型，以学习复杂而有效的信息，进而提高预测的准确性。机器学习除了可以学习特征和任务之间的关联以外，还能自动地从简单特征中提取更加复杂的特征，从而解决复杂的非线性问题，并且也成为地球科学特别是油气地球物理勘探领域的一个非常吸引人的新技术。基于统计学理论的地震储层预测方法主要有聚类分析、遗传算法、模糊理论等，但是地下情况复杂、非均质性较强，数据间的映射关系极为复杂，应用传统方法的效果较差。近年来随着机器学习方法在科学和工程领域的应用广泛，很多研究者使用数据驱动方法来解决地质问题，例如利用卷积神经网络、循环神经网络、支持向量机等方法来进行地质储层预测，均取得了很好的预测结果。

2 深度学习与储层预测

2.1 卷积神经网络

卷积神经网络（convolutional neural network，CNN）是机器学习中最经典的模型之一。卷积神经网络在诸多应用领域都表现优异。卷积神经网络的基本结构包括两种特殊的神经元层：①卷积层，每个神经元的输入与前一层的局部相连，并提取该局部的特征；②池化层，用来求局部敏感性与二次特征提取的计算层。

卷积层和池化层一般会取多个，采用卷积层和池化层交替设置，即一个卷积层连接一个池化层，池化层后再连接一个卷积层，依此类推。卷积层中输出特征面的每个神经元与其输入进行局部连接，并通过对应的连接权值与局部输入进行加权求和，再加上偏置值。卷积神经网络因其具有适用性强、泛化能力强、可自适应提取、分类并识别特征等优点，结合油气藏分布规律及其在地震响应上所具有的特点，应用地震数据驱动实现油气储层预测和评价。目前，许多研究者也根据卷积神经网络提出了各种储层预测模型[1]。

2.2 循环神经网络

循环神经网络（Recurrent Neural Networks，RNN）是一类非常强大的专门用于处理序列和变长数据的学习模型。循环结构的神经网络克服了传统机器学习方法对输入和输出数据的许多限制，使其成为深度学习领域中一类非常重要的模型。但是RNN难以训练，原因为：①随着时间的推移，其对输入的敏感性逐渐下降，甚至忘记之前的输入；②随着神经元数量的增加，反向传播过程中梯度会逐渐衰减，甚至出现梯度消失问题；③反向传播过程中梯度可能会逐渐增强直至出现溢出，即梯度爆炸问题。针对RNN在实际应用中存在的问题，RNN的各种变体应运而生。长短时记忆网络（LSTM）是最成功的一种，能够保持信息的长期依赖而备受关注。LSTM建模前后关联、多序列和变长序列数据效果好，能很好地根据序列数据中先前步骤的预测结果影响目前步骤中的计算，分析序列数据中前后数据间的相互影响。结合地震信息与测井数据序列化、变长序列、多参数相互作用、随深度变化而变化的特点，已有研究者利用地震信息与测井数据训练模型，成功实现了测井曲线生成[2]等。

2.3 支持向量机

支持向量机是基于结构风险最小化原理的分类器，综合考虑分类器的经验风险和置信风险，在一定意义下具有最好的泛化能力，具有全局最优解，不会陷入局部最优，利用核函数解决非线性分类问题。这些优点使得SVM在解决小样本、非线性及高维模式识别问题中具有独特的优势。利用支持向量机结构简单、泛化性能高等优点，考虑地震属性与储层特征参数之间的非线性映射关系，已有很多研究者将其应用于储层预测，以挖掘地震数据中事先未知的、潜在的信息，以预测油气藏的分布规律[3]。

3 结论与展望

本文主要介绍了支持向量机（SVM）、卷积神经网络（CNN）、循环神经网络（RNN）及其在地质储层预测中的应用，各种方法均表现出了各自的优异性能，但是也存在很大的局限性。为了克服单一模型的局限性，集成的思想被逐渐被引入，一些研究者提出使用混合的神经网络，尝试将各种网络模型进行结合以取得更好的效果。例SVM和CNN、CNN和LSTM结合等。目前SVM和CNN的结合模型已在储层预测中得到很好的应用[4]，CNN和LSTM的结合体（C-LSTM）在自然语言处理、计算机视觉等领域都取得瞩目的结果，但还未在地质储层预测中得到应用，这将是本研究未来努力的方向。

［1］林年添，张栋，张凯，等.地震油气储层的小样本卷积神经网络学习与预测［J］.地球物理学报，2018，61（10）：4110-4125.

［2］张东晓，陈云天，孟晋.基于循环神经网络的测井曲线生成方法［J］.石油勘探与开发，2018，45（4）：598-607.

［3］张向君，张晔.基于支持向量机的交互检验储层预测［J］.石油物探，2018，57（4）：597-600.

［4］付超，林年添，张栋，等.多波地震深度学习的油气储层分布预测案例［J］.地球物理学报，2018，61（1）：293-303.

TP18

A

10.15913/j.cnki.kjycx.2019.17.070

2095－6835（2019）17－0150－01

王俊（1992—），男，硕士，主要从事地震数据深度学习方面的研究。

〔编辑：王霞〕