王俊

機器學習在儲層預測中的應用分析

王俊

（成都理工大學 地球物理學院，四川 成都 610059）

機器學習是整個人工智能領域中應用前景最為廣闊的技術，近年來的發(fā)展突飛猛進，被廣泛用于與人們生活息息相關的各種領域，尤其在儲層預測方面。儲層預測是油氣勘探生產(chǎn)的首要環(huán)節(jié)，傳統(tǒng)的儲層預測方法往往需要經(jīng)歷多個環(huán)節(jié)，勘探與研究工作周期長，降低了勘探效率。為此，介紹了機器學習中卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、支持向量機等主流人工神經(jīng)網(wǎng)絡及其在儲層預測中的應用。

機器學習；儲層預測；神經(jīng)網(wǎng)絡；網(wǎng)絡模型

利用地震屬性對含油氣儲層特征進行描述是油氣地球物理勘探的主要手段之一。以原始地震數(shù)據(jù)為基礎進行油氣儲層預測，至今仍是油氣勘探開發(fā)研究的熱點。儲層物性的空間變化會引起地震信息的變化，進而在不同地震屬性中引起不同的變化，同類型的測井數(shù)據(jù)同樣會有不同特征響應，地震信息與測井數(shù)據(jù)本質上均為間接觀測得到的地下儲層信息，兩者與儲層特征參數(shù)的關系非常復雜，在數(shù)學上表現(xiàn)為復雜的非線性關系，尋找一種合適的算法對其擬合，并進行非線性預測是地震儲層預測的熱點和難點。國內外眾多學者針對地震儲層預測問題研發(fā)了很多新技術、新方法，極大地推動了油氣勘探進程。近年來人工智能領域的機器學習應用于地質儲層預測已成為研究熱點之一。

1 機器學習

機器學習是整個人工智能領域中應用前景最為廣闊的技術，近年來的發(fā)展突飛猛進，越來越多的人工智能應用得以實現(xiàn)。其本質為一個可以模擬人腦進行分析、學習的神經(jīng)網(wǎng)絡，它模仿人腦的機制來解釋數(shù)據(jù)，通過組合低層特征，形成更加抽象的高層特征或屬性類別，來擬合人們日常生活中的各種事情，目前已被廣泛用于與人們生活息息相關的各種領域，可以實現(xiàn)自然語言處理、機器翻譯、語音識別等。機器學習利用大量的數(shù)據(jù)訓練模型，以學習復雜而有效的信息，進而提高預測的準確性。機器學習除了可以學習特征和任務之間的關聯(lián)以外，還能自動地從簡單特征中提取更加復雜的特征，從而解決復雜的非線性問題，并且也成為地球科學特別是油氣地球物理勘探領域的一個非常吸引人的新技術?；诮y(tǒng)計學理論的地震儲層預測方法主要有聚類分析、遺傳算法、模糊理論等，但是地下情況復雜、非均質性較強，數(shù)據(jù)間的映射關系極為復雜，應用傳統(tǒng)方法的效果較差。近年來隨著機器學習方法在科學和工程領域的應用廣泛，很多研究者使用數(shù)據(jù)驅動方法來解決地質問題，例如利用卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、支持向量機等方法來進行地質儲層預測，均取得了很好的預測結果。

2 深度學習與儲層預測

2.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）是機器學習中最經(jīng)典的模型之一。卷積神經(jīng)網(wǎng)絡在諸多應用領域都表現(xiàn)優(yōu)異。卷積神經(jīng)網(wǎng)絡的基本結構包括兩種特殊的神經(jīng)元層：①卷積層，每個神經(jīng)元的輸入與前一層的局部相連，并提取該局部的特征；②池化層，用來求局部敏感性與二次特征提取的計算層。

卷積層和池化層一般會取多個，采用卷積層和池化層交替設置，即一個卷積層連接一個池化層，池化層后再連接一個卷積層，依此類推。卷積層中輸出特征面的每個神經(jīng)元與其輸入進行局部連接，并通過對應的連接權值與局部輸入進行加權求和，再加上偏置值。卷積神經(jīng)網(wǎng)絡因其具有適用性強、泛化能力強、可自適應提取、分類并識別特征等優(yōu)點，結合油氣藏分布規(guī)律及其在地震響應上所具有的特點，應用地震數(shù)據(jù)驅動實現(xiàn)油氣儲層預測和評價。目前，許多研究者也根據(jù)卷積神經(jīng)網(wǎng)絡提出了各種儲層預測模型[1]。

2.2 循環(huán)神經(jīng)網(wǎng)絡

循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Networks，RNN）是一類非常強大的專門用于處理序列和變長數(shù)據(jù)的學習模型。循環(huán)結構的神經(jīng)網(wǎng)絡克服了傳統(tǒng)機器學習方法對輸入和輸出數(shù)據(jù)的許多限制，使其成為深度學習領域中一類非常重要的模型。但是RNN難以訓練，原因為：①隨著時間的推移，其對輸入的敏感性逐漸下降，甚至忘記之前的輸入；②隨著神經(jīng)元數(shù)量的增加，反向傳播過程中梯度會逐漸衰減，甚至出現(xiàn)梯度消失問題；③反向傳播過程中梯度可能會逐漸增強直至出現(xiàn)溢出，即梯度爆炸問題。針對RNN在實際應用中存在的問題，RNN的各種變體應運而生。長短時記憶網(wǎng)絡（LSTM）是最成功的一種，能夠保持信息的長期依賴而備受關注。LSTM建模前后關聯(lián)、多序列和變長序列數(shù)據(jù)效果好，能很好地根據(jù)序列數(shù)據(jù)中先前步驟的預測結果影響目前步驟中的計算，分析序列數(shù)據(jù)中前后數(shù)據(jù)間的相互影響。結合地震信息與測井數(shù)據(jù)序列化、變長序列、多參數(shù)相互作用、隨深度變化而變化的特點，已有研究者利用地震信息與測井數(shù)據(jù)訓練模型，成功實現(xiàn)了測井曲線生成[2]等。

2.3 支持向量機

支持向量機是基于結構風險最小化原理的分類器，綜合考慮分類器的經(jīng)驗風險和置信風險，在一定意義下具有最好的泛化能力，具有全局最優(yōu)解，不會陷入局部最優(yōu)，利用核函數(shù)解決非線性分類問題。這些優(yōu)點使得SVM在解決小樣本、非線性及高維模式識別問題中具有獨特的優(yōu)勢。利用支持向量機結構簡單、泛化性能高等優(yōu)點，考慮地震屬性與儲層特征參數(shù)之間的非線性映射關系，已有很多研究者將其應用于儲層預測，以挖掘地震數(shù)據(jù)中事先未知的、潛在的信息，以預測油氣藏的分布規(guī)律[3]。

3 結論與展望

本文主要介紹了支持向量機（SVM）、卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）及其在地質儲層預測中的應用，各種方法均表現(xiàn)出了各自的優(yōu)異性能，但是也存在很大的局限性。為了克服單一模型的局限性，集成的思想被逐漸被引入，一些研究者提出使用混合的神經(jīng)網(wǎng)絡，嘗試將各種網(wǎng)絡模型進行結合以取得更好的效果。例SVM和CNN、CNN和LSTM結合等。目前SVM和CNN的結合模型已在儲層預測中得到很好的應用[4]，CNN和LSTM的結合體（C-LSTM）在自然語言處理、計算機視覺等領域都取得矚目的結果，但還未在地質儲層預測中得到應用，這將是本研究未來努力的方向。

［1］林年添，張棟，張凱，等.地震油氣儲層的小樣本卷積神經(jīng)網(wǎng)絡學習與預測［J］.地球物理學報，2018，61（10）：4110-4125.

［2］張東曉，陳云天，孟晉.基于循環(huán)神經(jīng)網(wǎng)絡的測井曲線生成方法［J］.石油勘探與開發(fā)，2018，45（4）：598-607.

［3］張向君，張曄.基于支持向量機的交互檢驗儲層預測［J］.石油物探，2018，57（4）：597-600.

［4］付超，林年添，張棟，等.多波地震深度學習的油氣儲層分布預測案例［J］.地球物理學報，2018，61（1）：293-303.

TP18

A

10.15913/j.cnki.kjycx.2019.17.070

2095－6835（2019）17－0150－01

王?。?992—），男，碩士，主要從事地震數(shù)據(jù)深度學習方面的研究。

〔編輯：王霞〕