基于深度学习的测井参数三维空间场建模（一）

一、引言

利用多井测井资料或其它地球物理资料建立地下物性或岩性参数三维模型是油气勘探开发研究中的一项重要工作，传统的三维插值方法具有效果差、人为主观性强、适应性弱等缺点。从原理上来说，深度学习中的深度神经网络是利用空间非规则离散观测数据建立多维空间场的一种理想工具，笔者从开始学习深度学习技术时就意识到这一点，并尝试研究不同应用场景下的实现方法，并对应用效果进行试验分析。

2017年，我们尝试将基于深度学习的多维空间场拟合技术应用于自动化叠加速度拾取V-T对的质量控制与叠加速度场建模（网格化），取得了良好的效果，开创了完全摆脱人工交互检查的自动化速度拾取和速度建模的新路子。

在此，笔者尝试将该技术应用于利用多井测井曲线建立三维参数模型，试验取得了良好的效果，展现出深度学习技术很强的适应性和通用性，具有较强的实用价值，这种方法在类似的应用场景中具有广阔的应用前景。

二、研究方法与研究环境

笔者采用TensorFlow深度学习研发环境作为试验研究平台，采用Python语言编写相应的模型训练程序和三维建模网格化程序，并编制相关的图形绘制程序。

采用如下图所示深度神经网络模型作为三维空间函数场拟合的网络模型，其中输入层包含3个神经元，分别输入三维空间坐标（x, y, z），输出层包含1个神经元，表示标量函数值，多个隐含层包含一定数量的神经元，隐含层的数量和每个隐含层的神经元数量根据三维函数场的复杂程度设置，没有一定的规则和方法，需要通过试验或经验确定。

应用于三维空间函数场拟合的深度神经网络模型

研究流程如下：

（1）确定研究空间区域，由测井曲线提取研究区域内空间离散观测点上的参数值，形成由一系列观测点集数据组成的训练数据集，并进行一定的预处理（如归一化）。

（2）用模型训练程序对训练数据集进行训练，可以设置一定的规则作为结束训练的准则，也可以在原有训练模型基础上继续训练，逐步优化模型，最终得到描述三维空间函数场的神经网络模型（深度学习模型）；

（3）根据设置的区域和网格化参数，运用训练得到的神经网络模型（深度学习模型）计算得到三维空间测井参数值分布场即三维参数模型。

三、研究数据集描述

笔者选取了一个工区作为研究区，该区有427口钻井，每口钻井包含不同数量和不同类型的测井曲线，测井测量深度范围也各不相同，如图所示。

井位分布图

测井曲线示例

我们选择常用的声波时差（DT）曲线作为研究对象，427口钻井中有389口钻井有声波时差测井曲线。考虑到计算量，我们选择800~900米深度范围作为建模区间，测井曲线深度采样率为0.1米，即每条测井曲线1001个样点，共计386478个观测点。

四、连井剖面参数模型建模试验

我们从简单研究开始，选择了一条直线作为二维模型建模区域，见下图。沿线100米内有62口钻井，其中59口井有声波时差测井曲线，另外3口井没有声波时差测井曲线，共计59045个观测点。

连井剖面位置示意图

连井剖面沿线钻井声波时差测井曲线图

下面分别给出了1000、6000、43861和132927次迭代训练后的测井曲线拟合效果图，可见经过13万多次训练后基本拟合，较好地描述出测井曲线的宏观背景、主要特征和细节。训练共耗时约43.7小时。

不同迭代次数训练后测井曲线拟合效果显示

下图是根据训练得到的深度神经网络模型计算得到的连井声波时差模型，较好地反映出主要地层的纵横向分布特征，包括薄层的分布特征。与一个中间迭代模型建立的连井声波时差剖面相比，前者反映了更多的细节和横向变化，而后者则反映了更清晰的宏观特征和层的连续性。

根据训练得到的神经网络模型建立的连井声波时差剖面图

根据一个中间模型建立的连井声波时差剖面图

五、三维参数模型建模试验

三维全空间参数模型的建模试验正在训练过程中，更大的数据量和更复杂的模型导致训练需要更长的时间。结果敬请等待。