天然气地球科学 >

2021 , Vol. 32 >Issue 5: 685 - 694

DOI: https://doi.org/10.11764/j.issn.1672-1926.2020.11.018

天然气地质学

基于胶囊网络的碳酸盐岩储层岩性识别方法

  • 周恒 , 1 ,
  • 张春雷 , 2 ,
  • 张欣 3 ,
  • 武中原 1 ,
  • 马乔雨 1
展开
  • 1. 中国地质大学（北京） 数理学院，北京 100083
  • 2. 北京中地润德石油科技有限公司，北京 100083
  • 3. 北京师范大学统计学院，北京 100875
张春雷(1972-)，男，北京人，教授级高级工程师，博士，主要从事油气田表征、地质统计和机器学习研究. E-mail: .

周恒(1995-)，男，北京人，硕士研究生，主要从事深度学习和地质统计等研究. E-mail: .

收稿日期: 2020-09-25

  修回日期: 2020-11-19

  网络出版日期: 2021-04-27

收起

Lithology identification method of carbonate reservoir based on capsule network

  • Heng ZHOU , 1 ,
  • Chun-lei ZHANG , 2 ,
  • Xin ZHANG 3 ,
  • Zhong-yuan WU 1 ,
  • Qiao-yu MA 1
Expand
  • 1. School of Science，China University of Geosciences （Beijing），Beijing 100083，China
  • 2. Beijing Zhongdi Runde Petroleum Technology Co. ，Ltd. ，Beijing 100083，China
  • 3. School of Statistics，Beijing Normal University，Beijing 100875，China

Received date: 2020-09-25

  Revised date: 2020-11-19

  Online published: 2021-04-27

Supported by

The China National Science and Technology Major Project(2016ZX05050)

Fold

本文亮点

碳酸盐岩地层因其复杂的沉积成岩演化过程，岩石类型较为多样，同时受到孔隙及流体性质的影响，岩性测井响应特征变化较大，给岩性的识别带来了困难。针对传统方法对测井参数垂向结构特征以及岩性特征多样性表达能力不足的问题，引入胶囊网络以提升复杂碳酸盐岩岩性识别的效果。胶囊网络通过卷积结构提取测井参数的时序特征，并用胶囊向量表达特征的不变性和共变性，能够有效挖掘测井参数和岩性在空间序列结构特征之间的深度内在关系，从而构建高精度的岩性识别模型。以鄂尔多斯盆地苏里格气田东区W区块碳酸盐岩储层为例，开展胶囊网络在岩性识别中的应用研究。首先，基于对岩性信息敏感的6种测井参数划分训练集和测试集；其次，构建基于多尺度卷积和跳跃连接结构的胶囊网络模型。与传统机器学习方法和常规深度学习方法相比（K近邻、朴素贝叶斯、支持向量机、BP神经网络和卷积神经网络等），基于胶囊网络的岩性识别模型正确率达到96.65%，识别精度提高1.59%~32.06%。实验结果表明，胶囊网络能够有效地提取测井数据的时序特征和垂向结构特征，为复杂碳酸盐岩岩性识别提供一种新的思路。

本文引用格式

周恒 , 张春雷 , 张欣 , 武中原 , 马乔雨 . 基于胶囊网络的碳酸盐岩储层岩性识别方法[J]. 天然气地球科学, 2021 , 32(5) : 685 -694 . DOI: 10.11764/j.issn.1672-1926.2020.11.018

Highlights

The sedimentary and diagenetic evolution process of carbonate rock formations is complicated， and the rock types are relatively diverse. The logging response characteristics of rocks vary greatly， which brings difficulties to lithology identification. Traditional methods have insufficient ability to express the vertical structure characteristics of logging parameters and the diversity of lithological characteristics. We propose a deep learning model based on capsule network to improve the recognition effect of complex carbonate lithology. The capsule network extracts the time series characteristics of logging parameters through the convolution structure， and expresses the invariance and covariation of the features with the capsule vector. The model we proposed can effectively dig out the internal relationship between logging parameters and lithology in the spatial sequence structure characteristics， thereby construct a high-precision lithology recognition model. Taking the carbonate reservoir in block W in the eastern area of Sulige Gas Field as an example， the application research of capsule network in lithology identification is carried out. First， the training set and the test set are divided based on six logging parameters that are sensitive to lithology information. Secondly， build the capsule network model based on multi-scale convolution and jump connection structure. Compared with traditional machine learning methods and conventional deep learning methods （K Nearest Neighbors， Naive Bayes， Support Vector Machines， BP Neural Networks and Convolutional Neural Networks， etc.）， the recognition accuracy of the lithology recognition model based on the capsule network reaches 96.65%. The recognition accuracy is improved by 1.59%-32.06%. The experimental results show that the capsule network can effectively extract the time series characteristics and vertical structure characteristics of the logging data， and provide a new idea for the identification of complex carbonate lithology.

0 引言

碳酸盐岩地层是蕴含油气资源的重要储层类型，也是极具潜力的勘探评价目标，其成藏与储层岩性的空间分布特征及演化过程存在密切的关系。但受到沉积、构造、成岩等多种因素的影响，碳酸盐岩储层岩性复杂多样、非均质性严重，给岩性识别带来较大困难［1］。目前获取岩性信息的主要途径有岩屑录井、取心和测井资料的解释［2-4］。岩屑录井依赖录井资料的质量，受人为因素影响较大［5］；取心的成本较高，使得其很难对整个油气田进行完整描述［6］；测井资料能提供全井段的高分辨率地下岩石物理响应信息，因此成为油气藏研究的重要手段［7-8］。
目前，基于测井参数识别碳酸盐岩储层岩性的方法主要包括定性分析、交会图分析和多变量分析等［9］。其中，定性分析主要是根据测井参数的形态特征识别岩性，这类方法现阶段运用得较少［10］；交会图分析主要是通过常规测井参数之间的两两交会图区分不同的岩性，这类方法操作方便，但不同岩性在双变量交会图上存在较大的重叠，而且忽略了其他与岩性有关的变量，信息的利用不够充分。近年来，随着人工智能技术的发展，利用机器学习进行碳酸盐岩储层岩性的识别成为研究热点［11］。目前已有学者基于测井参数，采用K邻近，朴素贝叶斯，支持向量机和BP神经网络等方法开展碳酸盐岩储层的岩性识别，并且取得了一定的成果［12-17］。然而，这些方法都是点对点的机器学习识别方法，对测井参数和岩性序列结构之间的深度内在关系挖掘较为欠缺，岩性识别的精度仍待提高。胶囊网络作为一种深度学习模型，能够充分捕捉局部序列结构特征，通过浅层的卷积结构作为特征提取器，同时用向量表达特征信息，在将特征图划分为初级胶囊的基础上，使用数字胶囊表达不同初级胶囊的聚合结果，胶囊向量分别表达了不同目标的不变性和共变性的特征，因此可以实现对复杂碳酸盐岩地层的岩性与测井参数之间关系更为精细的深度表征和学习。
以鄂尔多斯盆地苏里格气田W区为研究对象，将胶囊网络应用于岩性识别任务中。根据测井资料选取自然伽马（GR）、声波时差（AC）、补偿中子（CNL）、密度（DEN）、光电吸收截面指数（PE）和深侧向电阻率（RLLD）等6种测井参数，构建基于胶囊网络的岩性识别模型，与常规机器学习和深度学习方法进行对比分析，探讨胶囊网络模型在岩性识别中的可行性和有效性。

1 理论方法

1.1　胶囊网络原理

胶囊网络是HINTON等［18］、SABOUR等［19］在卷积神经网络的基础上改进而来的深度学习模型。该模型通过将神经网络提取的特征转换为胶囊向量，以表达数据特征中的不变性和共变性。胶囊网络是一种堆叠式结构，由普通卷积层、初级胶囊层、数字胶囊层组成。首先通过卷积层逐层提取特征，然后将提取的特征图划分为多个初级胶囊，最后通过动态路由算法将初级胶囊组合为数字胶囊，并将数字胶囊映射到数据的类别。
与卷积神经网络不同，胶囊网络的胶囊层之间的参数不随模型训练完成而固定，这使得胶囊网络的泛化性更强。胶囊网络在卷积结构做出改进，首先，胶囊网络卷积层数量较少，避免了卷积神经网络的参数冗余带来模型泛化性差，容易过拟合和梯度消失等一系列问题。其次，胶囊网络取消了池化层，较好地保留了图像通道特征及其空间结构特征，防止丢失过多的有效信息。
胶囊网络结构如图1所示，使用2层卷积结构提取数据的浅层特征和简单模式，然后将特征图传入初级胶囊层划分为初级胶囊，每个胶囊内部包含相同维度的向量。每一个初级胶囊向量表达数据的局部特征和通道间的信息。使用动态路由算法计算初级胶囊到数字胶囊间的权重，并将这些初级胶囊聚合为数字胶囊，数字胶囊用来表达低级胶囊特征的一致性。
图1 胶囊网络结构示意

Fig.1 Model section illustration

激活函数用来将每个节点的输入数据非线性映射为输出数据，对于胶囊而言，将胶囊向量进行非线性映射能够增加模型的表达能力。胶囊网络对输入的胶囊向量 v使用 S q u a s h v激活函数，与神经网络的激活函数类似，胶囊网络的激活函数用于将胶囊的输入向量映射到胶囊的输出向量， S q u a s h v激活函数压缩胶囊向量的长度，然后用胶囊向量的长度表示胶囊的显著性。 S q u a s h v激活函数公式为：
S q u a s h v = v 2 1 + v 2 ⋅ v v
在数字胶囊层中，初级胶囊的特征向量通过动态路由算法聚合成数字胶囊的特征向量，使用高维度的高级胶囊能够更好地表现低维度的低级胶囊的共性。动态路由算法将I个初级胶囊聚合成J个数字胶囊层。首先使用仿射矩阵 W j i对初级胶囊的向量做仿射变换得到 u ̂ j | i = W j i ⋅ u i，每个初级胶囊通过不同的 W j i仿射变换得到J个子胶囊 u ̂ j | i。初级胶囊层的I个胶囊经过仿射变换后的结果分组，得到J组每组I个胶囊，每组初级胶囊组合成一个数字胶囊。动态路由算法的流程如表1。
表1 动态路由算法流程

Table 1 Dynamic routing algorithm flow

步骤 描述
输入 低层 l中的低级胶囊向量 u ̂ j | i,路由次数 r
初始化 对于第 l层中第 i个胶囊到第 l + 1层中第 j个胶囊： b i j = 0
迭代r次 对于第 l + 1层中第 j个胶囊： s j ← ∑ i c i j u ̂ j | i
对于第 l层中第 i个胶囊到第 l + 1层中第 j个胶囊： c i j ← s o f t m a x b i j
对于第 l + 1层中第 j个胶囊： v j ← S q u a s h s j
对于第 l层中第 i个胶囊到第 l + 1层中第 j个胶囊： b i j ← b i j + u ̂ j | i ⋅ v j
输出 返回 v j
其中，参数 b i j和 c i j是仿射变换后的初级胶囊向量 u ̂ j | i到数字胶囊向量 v j的权重； s j是 u ̂ j | i的加权求和，然后将 s j经过 S q u a s h激活函数压缩后得到数字胶囊向量 v j，最后更新权重 b i j。权重 b i j的大小与向量 u ̂ j | i和 v j方向相近程度呈正相关。仿射矩阵的参数 W j i由反向传播算法计算得到。
胶囊层的结构和原理决定了胶囊网络具有更强的泛化性和鲁棒性。数字胶囊层中的权重 b i j和 c i j不参与反向传播，仅由动态路由算法确定，不随模型训练完成而固定。因此胶囊网络是一个动态模型，胶囊层中的参数随着数据变化而动态变化，使得提取的特征更具有针对性，并对数据的变换更加敏感。当同一类别的数据包括不同的结构时，每一个数字胶囊 v j代表数据中的不同空间结构，将特征图划分为胶囊并组合成数字胶囊的过程，近似于将样本按特征划分到不同的子空间当中。将数字胶囊映射到分类结果，近似于对不同的特征子空间进行分类。胶囊网络能够提取和表达数据中的结构特征，并在多个领域取得了广泛的应用［20-21］。

1.2　评价指标

训练模型完成后，需要用一定的评价指标对模型进行评价。常用的评价方式有准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F 1得分（F 1-measure）等方式。按照真实标签和分类结果将所有的分类样本分为4类：真实标签为正样本被分类器判定为正样本（True Positive，TP）；真实标签为负样本被分类器判定为正样本（False Positive，FP）；真实标签为正样本被分类器判定为负样本（False Negative，FN）；真实标签为负样本被分类器判定为负样本（True Negative，TN）。
准确率为被分类器判定正确的样本数占总的样本数的比例，如式（2）：
A c c u r a c y = T P + T N T P + T N + F P + F N
精确率为被分类器判定为正样本条件下，真实标签为正样本所占的比例，公式如式（3）：
P r e c i s i o n = T P T P + F P
召回率为分类器预测结果为正样本的样本数占分类器预测结果和真实结果一致的样本数比例，被用来衡量分类器对正确样本的识别能力，公式如式（4）：
R e c a l l = T P T P + F N
F 1得分总和考虑精确率和召回率的结果，精确率和召回率在大规模数据中往往此消彼长、相互影响，因此使用F 1得分结合2种指标对模型总和评价，公式如式（5）：
F 1 = 2 × P r e c i s i o n × R e c a l l P r e c i s i o n + R e c a l l

2 岩性识别

2.1　数据背景

苏里格气田苏东W区块位于鄂尔多斯盆地苏里格中区与东区的交界处，研究目的层层段为下古生界马家沟组五段碳酸盐岩地层，受岩溶古地貌、沉积、成岩等因素影响，普遍具有渗透率低、非均质性强、储集层分布连续性差等特点［22］。根据前人研究［23］，苏东W区块下岩石类型主要发育石灰岩、白云质灰岩（云灰岩）、泥质灰岩（泥灰岩）、白云岩、灰质白云岩（灰云岩）和泥质白云岩（泥云岩）等6种岩性类型。有利含气储层一般分布在灰质白云岩和白云质灰岩中，准确的岩性识别是油气储层分析预测的基础工作。研究区碳酸盐岩储层岩性成分的复杂性，给岩性解释带来很大困难，针对复杂碳酸盐岩的岩性识别是研究区储层评价的关键。
通过对已有碳酸盐岩储层相关研究及研究区测录井资料分析［12］，不同的测井参数反映了储层不同的岩石物理特性，自然伽马（GR）和光电吸收截面指数（PE）主要记录了储层的岩石自然产生的物理现象和矿物骨架特征；声波时差（AC）、补偿中子（CNL）、密度（DEN）主要反映储层的物性特征，电阻率（RLLD）主要反映储层的含气性特征。选取测井资料中的自然伽马、声波时差、补偿中子、密度、光电吸收截面指数和深侧向电阻率6种测井参数作为模型的输入特征参数。

2.2　数据集特征分析

训练数据是苏东W区块下对研究区内取心资料、岩屑录井和测井资料较为齐全的5口井。在每一口井的样本点上下各取5个样本，共11个样本作为当前样本点区域序列数据，得到通道数为6，长度为11的输入特征向量，经过油田现场地质专家和科研人员的精细标定，形成共计4 826条测井数据和岩性数据。石灰岩有483个样本，云灰岩有731个样本，泥灰岩有857个样本，白云岩有138个样本，灰云岩有649个样本，泥云岩有1 974个样本，样本分布较为不均衡，但具有代表性。选取T1井的测井资料作为测试数据对其岩性进行预测，共计627个样本。基于苏东W区块不同井参数特征分析已经有了较为充分的研究。研究表明，每个测井参数对不同的岩性都具有一定的指示作用，但是根据交会图对不同岩性分类使得识别结果存在较高的不确定性，因此根据测井参数构建模型对岩性进行分类是有必要的。
以用于测试的T1井为例，图2（a）的局部岩性均为泥质白云岩（泥云岩），从图中可以观察出，2个红色线框内测井参数结构有一定的相似性，声波时差、补偿中子、自然伽马在黄色线框都有较为明显的峰值，深侧向电阻率参数变化较为平坦，而绿色线框中，测井参数变化规律与红色线框完全不同，这表明在同一种岩性中，存在完全不同的结构。储集中的岩石颗粒大小、形状、排列方向等几何特征和孔隙、流体及岩矿中的杂质都会对测井参数产生较大的影响。如图2（b），在不同岩性的交界处，由于样本点上下垂向邻域的岩性发生剧烈变化，使得绿色线框中灰质白云岩表现出完全不同的测井参数特征。这种交界处的岩性使得模型在识别测井参数不同的结构和模式时更加困难。
图2 T1井测井参数中的不同结构信息

Fig.2 Different structure information in logging parameters of Well T1

在胶囊网络的数字胶囊层中，每个数字胶囊代表岩性样本所在垂向空间中的一种结构。将特征图划分为胶囊并组合成数字胶囊的过程，近似于将不同的岩性样本按空间结构特征划分到不同的子空间当中。将数字胶囊映射到分类结果，即对不同的特征子空间进行分类。岩性测井数据中的时序特征和垂向空间结构表现出多样性和复杂性，利用子胶囊表征不同的时序特征和垂向空间结构可以使得模型对这些不同的特征识别更为敏感，有利于提高模型的精度。
岩性交界处的岩石结构十分丰富，在交界处的岩性取上下时序长度为1的多个序列，并统计这些序列占比，结果如表2所示。从表中可以看出，岩性交界处的岩性分布复杂程度高，结构多样。每一种岩性对应着较多的结构，为了提高模型的精度，应针对测井岩性的特征设计模型。
表2 岩性交界处不同结构占比

Table 2 Percentage of different structures at lithological junctions

岩性 不同岩性结构及占比
石灰岩 石灰岩—石灰岩—云灰岩（33.93%） 云灰岩—石灰岩—石灰岩（33.73%） 云灰岩—石灰岩—云灰岩（15.10%）
云灰岩 云灰岩—云灰岩—石灰岩（13.65%） 云灰岩—云灰岩—灰云岩（13.57%） 石灰岩—云灰岩—云灰岩（13.47%）
泥灰岩 泥云岩—泥灰岩—泥灰岩（23.09%） 泥灰岩—泥灰岩—泥云岩（22.05%） 泥云岩—泥灰岩—泥云岩（13.09%）
白云岩 灰云岩—白云岩—白云岩（21.57%） 白云岩—白云岩—灰云岩（18.47%） 白云岩—白云岩—灰云岩（16.48%）
灰云岩 灰云岩—灰云岩—泥云岩（17.90%） 泥云岩—灰云岩—灰云岩（17.71%） 石灰岩—灰云岩—灰云岩（13.60%）
泥云岩 泥云岩—泥云岩—泥灰岩（19.84%） 泥灰岩—泥云岩—泥云岩（19.33%） 泥云岩—泥云岩—灰云岩（14.82%）

2.3　网络结构

胶囊网络的结构设计应紧密结合岩性数据，根据数据的特征设计相应的结构，以提取数据中的有效信息。岩性数据中，同种岩性由于不同的垂向结构表现出不同的测井参数特征，同时在岩性交界处，不同岩性结合的岩性结构表现出多样性。因此在利用卷积提取时序特征的同时，还需要考虑将时序特征和不同通道的参数特征相结合；为了使网络能够精确识别岩性数据中的不同结构，需要尽可能保留每个样本点的浅层信息。最终利用胶囊网络的数字胶囊表示数据的不同结构，可以有效地针对岩性中存在的多种结构设计模型。
胶囊网络结构如图3。胶囊网络是一种层次结构模型，数据从图左侧输入，依次经过卷积层，胶囊层和分类器得到分类结果。其中，卷积层分别用3、5、7的卷积核提取数据的时序特征，通过多尺度的卷积核提取样本点不同大小邻域垂向空间的特征［24］。同时，经过卷积核大小为1的卷积核跳跃连接到2组多尺度卷积后的特征图［25］，经过不同大小的卷积核提取特征，尽量保留了特征的多样性，同时经过跳跃连接，在保留了测井参数原始特征的同时减少了卷积结构带来的平均化效应。然后对提取的特征通过大小为1的卷积核进行通道间的压缩和融合，减小特征的维度的同时去除冗余信息。特征进入初级胶囊层，划分为初级胶囊后根据动态路由算法，将初级胶囊聚合为高级胶囊，每一个高级胶囊对应着测井参数的不同结构。最后用全连接层将数字胶囊和分类结果一一映射，得到分类结果。
图3 胶囊网络结构

Fig.3 Capsule network structure diagram

设置胶囊网络的超参数以便更好地对岩性数据分类。第一个分组卷积的3个卷积核数量为16，第二个分组卷积的3个卷积核数量为32，跳跃连接用大小为1的卷积核对原始特征图升维，卷积核数量为32，用于压缩和融合通道间特征的卷积核大小为1，卷积核数量为64，初级胶囊向量维度为4，初级胶囊共有176个，数字胶囊维度为8，共有16个。每个数字胶囊向量的模长为数字胶囊的显著性，将这些胶囊向量的长度通过全连接层映射到最终的分类结果。

2.4　识别效果分析

选取T1井的测井资料作为测试数据对其岩性进行预测，对照的模型由K近邻、朴素贝叶斯（NB）、支持向量机（SVM）、BP神经网络、卷积神经网络（CNN）［26］。识别精度如表3所示，混淆矩阵如表4所示。
表3 T1井的识别精度

Table 3 Overall accuracy of Well T1

模型 K近邻 NB SVM BP CNN 胶囊网络
精度/% 64.59 84.05 84.05 90.43 95.06 96.65
表4 T1井胶囊网络与卷积神经网络的混淆矩阵

Table 4 Confusion matrix of CapsNet and CNN for Well T1

预测岩性（胶囊/CNN）
石灰岩 云灰岩 泥灰岩 白云岩 灰云岩 泥云岩
实际岩性 石灰岩 37/29 3/11 0/0 0/0 0/0 0/0
云灰岩 4/3 161/155 0/0 0/0 1/8 0/0
泥灰岩 0/0 0/0 19/17 0/0 0/0 2/3
白云岩 0/0 0/0 0/0 18/21 2/0 1/0
灰云岩 0/0 4/1 0/0 0/0 33/36 1/1
泥云岩 0/0 0/0 2/0 1/3 0/0 338/338
召回率/% 90.24/90.63 95.83/92.26 90.48/1 94.74/87.5 91.67/81.82 98.83/98.83
精确率/% 92.5/72.5 96.99/93.37 90.48/80.95 85.71/1 86.84/94.74 99.12/99.12
F 1得分/% 91.36/80.56 96.41/92.81 90.48/89.47 90/93.33 89.19/87.8 98.97/98.97
准确率/% 98.88/97.77 98.09/96.17 99.36/99.36 99.36/99.52 98.72/98.41 98.88/98.88
混淆矩阵用来表达模型的预测结果和真实类别的差异。从识别结果可以看出，提取时序信息和垂向结构特征的卷积神经网络和胶囊网络具有更高的精度。K近邻、朴素贝叶斯、支持向量机模型没有提取测井参数的垂向结构特征，分类正确率较低，同时这3种方法受到样本不均衡的影响，对于样本数量较少的白云岩，识别效果较差。以支持向量机为例，模型完全无法识别石灰岩和白云岩，虽然能够保证模型的总体精度，但很难将模型应用于实际生产。胶囊网络总体精度较卷积神经网络提高1.59%，相较其他模型平均提高13%。胶囊网络各种岩性的F 1得分表现良好，除白云岩外，F 1得分都高于卷积神经网络，受到样本不均衡的影响较小。胶囊网络能够较为精确的识别岩性数据，对不同岩性均能保证较好的识别结果。

3 实例应用

为了进一步证明模型的泛化能力，选取T2井使用不同的模型进行岩性识别。T2井共有711个样本，比较BP神经网络（BP）、卷积神经网络（CNN），不同方法识别的总体精度如表5，胶囊网络识别的混淆矩阵如表6。绘制T2井不同方法的测井解释如图5。
表5 T2井的总体精度

Table 5 Overall accuracy of Well T2

K近邻 NB SVM BP CNN 胶囊网络
总体精度/% 77.36 88.61 80.59 86.22 94.94 96.34
表6 T2井胶囊网络和卷积神经网络的混淆矩阵

Table 6 Confusion matrix of CapsNet and CNN for Well T2

预测岩性（胶囊/CNN）
石灰岩 云灰岩 泥灰岩 白云岩 灰云岩 泥云岩
实际岩性 石灰岩 19/22 4/1 0/0 0/0 0/0 0/0
云灰岩 2/5 118/114 0/1 0/0 2/2 0/0
泥灰岩 0/0 0/2 35/36 0/0 0/0 12/9
白云岩 0/0 0/0 0/0 9/8 1/2 0/0
灰云岩 0/0 2/1 0/0 1/0 66/65 0/3
泥云岩 0/0 0/0 1/10 0/0 1/0 438/430
召回率% 90.48/81.48 95.16/96.61 97.22/76.6 90/1 94.29/94.2 97.33/97.29
精确率% 82.61/95.65 96.72/93.44 74.47/76.6 90/80 95.65/94.2 99.55/97.73
F 1得分% 86.36/88 95.93/95 84.34/76.6 90/80 94.96/94.2 98.43/97.51
准确率% 99.16/99.16 98.59/98.31 98.17/96.91 99.72/99.72 99.02/98.87 98.03/96.91
图4 不同模型对T1井识别结果的岩性解释

Fig.4 Lithology interpretation of the identification results of Well T1 by different models

图5 不同模型对T2井识别结果的岩性解释

Fig.5 Lithology interpretation of the identification results of Well T2 by different models

BP神经网络没有考虑测井参数的时序特征，因此识别结果较差。卷积神经网络和胶囊网络的识别结果较好。其中，卷积神经网络直接将特征图按像素展开成一个个神经元，然后通过全连接层映射到最终的分类结果，这使得数据的小波动容易导致模型分类结果发生变化。从图5中可以看出，不同方法的识别错误的区域集中在不同岩性交界处和同种岩性测井参数变化较大的区域。以深度为3 256 m附近结构为例，如图6所示，胶囊网络在泥质灰岩、泥质白云岩、白云质灰岩混杂交界处识别效果强于卷积神经网络。在图6的局部结构中不存在灰质白云岩，但卷积神经网络将多种岩性混杂的结构识别成了灰质白云岩。胶囊网络通过数字胶囊表达不同测井参数的时序特征，在改善岩性交界处复杂结构的多样性识别有一定的优势。
图6 多种岩性交界处识别结果的岩性解释

Fig.6 Lithological interpretation of the identification results of multiple lithological junctions

4 结论

（1）碳酸盐岩储层岩性结构复杂多变，导致局部测井参数序列呈现复杂多样的结构。传统模型局限于点对点的学习模式，不能很好地捕捉测井参数的局部序列信息。胶囊网络通过卷积结构，有效提取测井参数的局部特征，使胶囊网络识别岩性具有明显的优势。
（2）通过统计可以看出不同岩性交界处存在大量不同的岩性结构，识别较为困难。和传统方法相比，基于胶囊网络的岩性识别模型精度更高，精度保持在96%以上，相较传统模型，精度平均提高超过13%，对岩性交界处的复杂结构识别效果表现更好。一方面胶囊网络能够提取局部测井参数序列信息，另一方面胶囊网络能够用子胶囊划分岩性结构，并将不同的岩性结构映射到岩性类别。
（3）通过对不同井的预测结果分析可以看出，基于胶囊网络的岩性识别模型都可以取得最高的精度，表明胶囊网络具有较强的泛化性，能够更好地挖掘测井参数和岩性之间的内在联系。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
ADENIRAN A A， ADEBAYO A R， SALAMI H O， et al. A competitive ensemble model for permeability prediction in heterogeneous oil and gas reservoirs［J］. Applied Computing and Geoences， 2019， 1：100004.

2
杜世通， 宋建国， 孙夕平. 地震储层解释技术［M］. 北京：石油工业出版社， 2010： 10-28.

DU S T， SONG J G， SUN X P. Seismic Reservoir Interpretation Technology［M］.Beijing： Petroleum Industry Press，2010： 10-28.

3
ANIFOWOSE F， LABADIN J， ABDULRAHEEM A. Improving the prediction of petroleum reservoir characterization with a stacked generalization ensemble model of support vector machines［J］. Applied Soft Computing， 2015， 26：483-496.

4
ABBEY C P， OKPOGO E U， ATUEYI I O. Application of rock physics parameters for lithology and fluid prediction of 'TN' field of Niger Delta Basin， Nigeria［J］. Egyptian Journal of Petroleum， 2018，27（4）：853-866.

5
BAI X L， ZHANG S N， HUANG Q Y， et al. Origin of dolomite in the Middle Ordovician peritidal platform carbonates in the northern Ordos Basin， western China［J］. Petroleum Science， 2016， 13（3）：434-449.

6
BRESSAN T S， SOUZA M K D， GIRELLI T J， et al. Evaluation of machine learning methods for lithology classification using geophysical data［J］.Computers & Geoences，2020， 139：104475.

7
CORINA A N， HOVDA S. Automatic lithology prediction from well logging using kernel density estimation［J］. Journal of Petroleum Science and Engineering， 2018， 170： 664-674.

8
CHANG H C， KOPASKA-MERKEL D C， CHEN H C. Identification of lithofacies using Kohonen self-organizing maps［J］. Computers & Geoences， 2002， 28（2）：223-229.

9
DEV V A， EDEN M R. Evaluating the boosting approach to machine learning for formation lithology classification［J］. Computer Aided Chemical Engineering，2018， 44： 1465-1470.

10
DEV V A， EDEN M R. Formation lithology classification using scalable gradient boosted decision trees［J］. Computers & Chemical Engineering， 2019， 128： 392-404.

11
袁照威. 基于机器学习与多信息融合的致密砂岩储层井震解释方法研究［D］.北京：中国地质大学，2017： 56-69.

YUAN Z W. Interpretation Methods of Tight Sandstone Reservoir with Seismic Data and Well Logs Based on Machine Learning Method and Multi-Information Fusion［D］. Beijing： China University of Geosciences， 2017： 56-69.

12
仲鸿儒，成育红，林孟雄，等. 基于SOM和模糊识别的复杂碳酸盐岩岩性识别［J］.岩性油气藏，2019，31（5）：84-91.

ZHONG H R， CHENG Y H， LIN M X， et al. Lithology identification of complex carbonate based on SOM and Fuzzy recognition［J］. Lithologic Reservoirs， 2019， 31（5）： 84-91 .

13
单敬福，陈欣欣，赵忠军，等.利用BP神经网络法对致密砂岩气藏储集层复杂岩性的识别［J］.地球物理学进展，2015，30（3）：1257-1263.

SHAN J F， CHEN X X， ZHAO Z J， et al. Identification of complex lithology for tight sandstone gas reservoirs sase on BP neural net［J］.Progress in Geophysics，2015，30（3）：1257-1263.

14
赵铭，金大权，张艳，等. 基于EM和GMM的朴素贝叶斯岩性识别［J］.计算机系统应用，2019，28（6）：38-44.

ZHAO M， JIN D Q， ZHANG Y， et al. Naive bayes lithology recognition based on EM and GMM［J］. Computer Systems & Applications， 2019， 28（6）： 38-44.

15
张梓童，张春雷，张艳，等. 数据空间结构性及在KNN算法中的应用［J］.数学的实践与认识，2019，49（1）：195-202.

ZHANG Z T， ZHANG C L， ZHANG Y， et al. Data space structure and application in KNN algorithm［J］. Mathematics in Practice and Theory， 2019， 49（1）： 195-202.

16
赵彤彤，张春雷，张春雨，等. 基于模糊熵的KNN分类模型在岩性识别中的应用［J］.计算机工程与应用，2018，54（24）：260-265.

ZHAO T T， ZHANG C L， ZHANG C Y， et al. Application of KNN classification model based on Fuzzy entropy in lithology recognition［J］. Computer Engineering and Applications， 2018， 54（24）： 260-265.

17
AL-ANAZI A， GATES I D. A support vector machine algorithm to classify lithofacies and model permeability in heterogeneous reservoirs［J］.Engineering Geology，2010，114（3-4）：267-277.

18
HINTON G E， KRIZHEVSKY A， WANG S D. Transforming Auto-Encoders［C］//HONKELA T， DUCH W，GIROIAMI M， et al. International conference on artificial neural networks. Berlin， Heidelberg：Springer， 2011： 44-51.

19
SABOUR S， FROSST N， HINTON G E. Dynamic routing between capsules［C］//LUXBUKG V U， GUYON I， BENGIO S，et al. Proceedings of the 31st International Conference on Nearal Information Processing Systems，2017：3859-3869.

20
PAOLETTI M E， HAUT J M， FERNANDEZ-BELTRAN R， et al. Capsule networks for hyperspectral image classification［J］. IEEE Transactions on Geoscience & Remote Sensing， 2019， 57（4）：2145-2160.

21
YANG M, ZHAO W, YE J, et al. Investigating capsule networks with dynamic routing for text classification[C]// RILOFF E, CHIANG D, HOCKENMAIER J, et al. Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing， 2018: 3110-3119.

22
ZHANG Y， ZHONG H R， WU Z Y， et al. Improvement of petrophysical workflow for shear wave velocity prediction based on machine learning methods for complex carbonate reservoirs［J］.Journal of Petroleum Science and Engineering， 2020，192： 107234.

23
吴磊，徐怀民，季汉成.基于交会图和多元统计法的神经网络技术在火山岩识别中的应用［J］.石油地球物理勘探，2006，41（1）：81-86.

WU L， XU H M， JI H C. Application of neural networks technique based on crosspiot and multielement statistics to recognition of volcanic rocks［J］. Oil Geophysical Prospecting， 2006，41（1）：81-86.

24
SZEGEDY C， VANHOUCKE V， IOFFE S， et al. Rethinking the inception architecture for computer vision［C］// O'CONNER L， BARTOSIK M. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 2818-2826.

25
HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely connected convolutional networks［C］//O'CONNER L， BARTOSIK M. Proceedings of the IEEE Conference on Computer vision and Pattern Recognition， 2017： 4700-4708.

26
IMAMVERDIYEV Y，SUKHOSTAT L. Lithological facies classification using deep convolutional neural network［J］.Jour-nal of Petroleum Science and Engineering，2019，174：216-228.

Options
文章导航

/

〈 〉

陇ICP备2021001824号-7　 甘公网安备 62010202000678号
版权所有 © 《天然气地球科学》编辑部
地址：甘肃省兰州市天水中路8号　
邮编：730000　
电话：(0931)8277790　
E-mail：geogas@lzb.ac.cn
总访问量 　 今日访问 　 在线人数
技术支持：北京玛格泰克科技发展有限公司