深度学习在油气领域的应用现状

近年来,深度学习迅速崛起,围绕深度神经网络的研究也越来越多。深度学习算法在医药、交通、农业、图像处理等领域均取得了良好的应用效果,本文调研了深度学习算法在油气勘探开发领域的应用现状。调查发现,在岩石薄片分析、测井解释、地震解释、地质建模算法、油藏工程等方面已经开始应用。在薄片鉴定、测井岩性识别、沉积相划分、测井物性解释、地震资料处理、地质异常体检测、多点地质统计学建模、油藏数值模拟、产量预测等方面都有文章报道,说明深度学习等人工智能技术已经在油气领域落地。下面是详细介绍。

1、岩石薄片分析

传统的岩石薄片图像鉴定以肉眼观察和描述为主,存在一系列问题。2016年成国建等探讨了深度学习算法应用于岩石图像处理的可行性,认为深度学习可以对岩石薄片进行矿物识别、信息提取、岩石分类、岩心重构、特征标注、孔隙识别、裂缝识别等处理。孔隙识别的应用步骤如下:(1)将岩石薄片图像转换为CIElab色彩空间;(2)采用图像分割技术将预处理后的图像分割为目标和背景两类;(3)在目标和背景中各选取10组特征向量,提取特征;(4)随机选取部分特征向量送入DBN模型中进行训练;(5)选取500组256*256的图像,将分割后的图像整幅送入训练好的神经网络中,运用训练好的网络进行岩石孔隙的识别。2018年Xiao Tian等用深度学习对微尺度电子扫描(SEM)的图片进行处理和特征识别,自动识别出了微裂缝和微孔隙结构。

2、测井方向

深度学习在测井方向的应用,既能做自动岩性(lithology)、岩石类型(rock type)、沉积微相(sedimentary facies)识别,也可以做储层物性解释(petrophysical),特别是非常规油藏的测井解释,比如裂缝孔隙度解释,合成曲线的生成等,前者是聚类问题,后者是归纳问题,是深度学习非常擅长的领域。

2017年安鹏等参考2016年Bredon基于机器学习的相分类方法,尝试了基于Tensorflow的测井岩性识别方法,取得不错的效果。

常规的储层参数预测方法是通过经验公式或简化地质条件建立模型计算储层参数,对于解决一般地质储层问题往往能取得较好的效果,而对于解决复杂地质问题,存在很大的局限。人工智能特别是人工神经网络技术的发展为地质储层参数预测带来了新的途径,但深度学习算法出现之前一般用BP神经网络,容易陷入局部极小值。2016年段友祥等提出了一种应用卷积神经网络对地质储层参数进行预测的方法,借助matlab平台,以声波、密度、中子和伽马曲线作为输入,孔隙度作为输出,分别建立了单层卷积神经网络和双层卷积神经网络,对储层的预测效果不错。卷积神经网络不仅可以应用于地质储层参数预测,而且可以自主地学习特征,避免了人工神经网络人为的特征提取,表现出了良好的智能特性。2018年郑宇哲将深度学习用于储层物性参数预测,对成像测井的解释,深度学习的应用更有优势。

3、地震方向

在地震方面,深度学习有望成为继亮点技术、AVO技术,以及低频半影技术之后的一类重要地震储层预测技术。深度学习既能用于地震资料处理,也能用于地质体的探测,比如地震相的识别,断层识别等,以及流体的探测。

成都理工大学油气藏地质及开发功能国家重点实验室在地震储层的深度学习方法上做了很多工作,2014基于地震数据深度学习的储层预测研究获得国家自然科学基金重点项目资助,2016年获得初步但确定性的成功,并指出国内外都有其他学者进行类似研究,基本上仍处于探索阶段。这项研究中,地震记录被视为类声信号,参仿“声纹”的概念,通过引入“地震纹”的概念,借鉴声音信号处理中识别说话人的声纹分析技术,发展了直接从地震记录入手,通过分析“地震纹”特征识别储层孔隙流体的储层识别方法。由于储层含气性与地震纹特征之间的关系很可能是非线性的,至少在可预见的一段时间内,很难推导出解析度映射表达式,而通过深度学习,既能构建含气性与地震纹特征之间的复杂映射关系,又能用于提取含气储层的地震纹特征。2018年Wang等人将对叠前资料进行深度学习,探测了盐体的边界。

2018年付超等设计了一种卷积神经网络与支持向量机向结合的多波多地震油气储层分布预测的深度学习方法,该研究中深度学习网络利用地震属性聚类算法和无监督学习的主成分分析算法提取地震油气特征,结合支持向量机算法对地震油气特征进行检测和学习。具体方法是,对原始地震数据采用不同的卷积核函数获得各种地震属性,通过随机梯度下降苏阿凡纳调整卷积核函数并提取油气特征,通过将采样卷积层数据降低地震属性维度,并将降维结果输入到支持向量机进行预测。

现有的有监督学习方法使用测井信息作为有标签数据对模型进行训练,然后使用该模型进行地震相分类。测井信息数量在大规模地震数据中是少量的,容易引起过拟合等问题,使分类结果不精确。2018年尹淼在他的学位论文中提出了新的叠前地震波形分类方法,从叠前地震信号预处理、降维和特征提取、聚类算法以及半监督学习等方面,结合深度学习展开研究。提出了基于深度卷积生成对抗网络的半监督叠前地震波形分类方法,该方法既保留了深度卷积神经网络的特征提取能力,又能通过有标签数据辅助训练。

4、油藏表征

2016年Ani等人指出油藏表征不确定性评价的发展趋势是从概率走向算法和机器学习,当然这种表征是广义的,针对地质体的测井解释和地震解释都属于油藏表征。在狭义的油藏表征方面,即地质建模方面,特别是多点地质统计学,目前也有深度学习的应用。

多点地质统计学中训练图像的引入本身就是受人工智能领域的启发,因此深度学习领域的最新进展必定会促进多点地质统计学算法的进步。2018年Li Q等人将非监督统计学习用于基于模式的多点地质统计学模拟,提高了对训练图像中地质模式的认知能力,他命名新的建模算法为TopoSim,一种基于元拓扑保证的地质统计学建模方法,新方法融合了生长自组织映射和非监督竞争学习的ANN算法,取得了不错的效果。多点地质统计学框架中概率反演是一个计算量非常大的高维问题,2018年Laloy等用空间生成对抗网络用于基于训练图像的多点地质统计学反演,通过深度学习降低了概率反演的维度,训练后能很快得到模拟实现。2018年Mosser等和Chan等发布了生成对抗网络用于孔隙和油藏尺度模型的条件化模拟方法。Herault等发表了基于空间生成对抗网络的多点地质统计学模拟和反演方法。

5、油藏工程方面

在油藏工程方面,深度学习在油藏数值模拟、非常规油藏产量预测、流体参数预测等方向表现出了广阔的应用前景。

集合克尔曼滤波用于油藏数值模拟的自动历史拟合已经很长时间,在它的对参数的高斯分布的假设限制了方法使用,比如相控参数分布的情况,往往需要人为的参数化方法,比如levelset方法,认为在每个相内部符合高斯分布,2017年Smith等将深度学习引入集合数据融合,取得了不错的效果。在复杂模型的历史拟合中,2018年Liu Y等提出了基于深度学习的地质体参数化方法。

对于很多非常油藏的数模,地质模型建模的难度很大,特别是天然裂缝和压裂作用非常明显的情况,导致数模的拟合难度很大,因此发展出了数据驱动的产量预测方法,比数值模拟这种模型驱动的预测方法取得了更可靠的预测结果,2018年Mohammadmoradi等对Apache Spark的非常规井进行了数据驱动的产量预测。2015年Cronkovic等借助深度学习提出了针对多段压裂井的地质数据驱动的采收率预测,采用的训练模型有多变量回归、支持向量机、贝叶斯规划网格。

2018年Kellogg等将深度学习用于酸化压裂层段及药剂量的选择。2018年Chukwuma等将深度学习用于流体参数预测,数据来自尼日尔三角洲的296个油田和72个气田,训练模型的输入数据初始压力、饱和压力、溶解气油比、地层体积系数、体系压缩系数、油的密度、气的密度、饱和油的粘度、死油的粘度,模型训练后用于预测其它井的饱和压力、地层体积系数、和气体压缩系数。

6、总结

算法是二十一世纪的“石油”,将支撑起整个社会的运行和发展,而智能算法将成为基础的算法,目前深度学习是最实用且有潜力的算法,该算法在石油领域的广泛应用说明石油领域仍受到大家的重视。新一代的石油人必须能够跟上步伐,掌握核心技术,才能在智能时代推动石油行业发展。

说明:资料全部来自公开网络,如需文献自行搜索下载。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180812G0WT5600?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券