肖 紅,錢祎鳴

(東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,黑龍江 大慶 163318)

0 引 言

近年來,中國(guó)經(jīng)濟(jì)已逐漸轉(zhuǎn)向高質(zhì)量發(fā)展階段,石油作為重要能源之一,在經(jīng)濟(jì)發(fā)展中發(fā)揮著重要作用。而當(dāng)前社會(huì)對(duì)油氣資源的需求與日俱增,對(duì)其依賴不斷加強(qiáng),油氣資源的產(chǎn)能已經(jīng)難以滿足國(guó)內(nèi)生產(chǎn)生活的需要[1],使其在一定程度上阻礙了國(guó)民經(jīng)濟(jì)的發(fā)展。為了更好地滿足生產(chǎn)所需,在進(jìn)一步擴(kuò)大油氣田勘探開發(fā)規(guī)模的同時(shí),也對(duì)鉆井工程提出了更高的要求。固井作業(yè)是鉆井工程中不可或缺的一部分,也是油氣建井的重要環(huán)節(jié)之一[2],其目的是固定和保護(hù)套管,封隔井眼內(nèi)的油、氣和水等地層,以達(dá)到地層之間相互隔離,防止產(chǎn)層間互竄情況的發(fā)生。而且固井質(zhì)量的好壞對(duì)于油田的經(jīng)濟(jì)效益、油氣資源的開發(fā)進(jìn)度以及后續(xù)的鉆井工程、完井工程都有重要的影響。由此可見,固井質(zhì)量不僅是鉆井施工的重中之重,也是油田勘探開發(fā)的必要前提,使得對(duì)固井質(zhì)量資料評(píng)價(jià)的精度要求在逐漸提高[3]。迄今為止,壓力測(cè)試、聲幅變密度測(cè)井(CBL/VDL)、扇區(qū)水泥膠結(jié)測(cè)井(Sectoral cement cementation logging,SBT)都可以對(duì)固井質(zhì)量進(jìn)行評(píng)價(jià)。然而,壓力測(cè)試不具備經(jīng)濟(jì)可行性,現(xiàn)場(chǎng)經(jīng)驗(yàn)表明,壓力過大可能導(dǎo)致水泥環(huán)應(yīng)力破壞,從而造成經(jīng)濟(jì)損失。聲幅變密度測(cè)井克服了上述方法存在的問題,但只能提供聲幅與變密度兩條曲線來對(duì)固井質(zhì)量進(jìn)行評(píng)價(jià)[4],不能反映水泥環(huán)環(huán)向膠結(jié)不均勻的情況。扇區(qū)水泥膠結(jié)測(cè)井消除了上述問題的影響,除具有常規(guī)聲幅變密度測(cè)井的全部功能外,還可以直觀清楚地顯示扇區(qū)水泥成像圖[5]。因此,扇區(qū)水泥膠結(jié)測(cè)井是目前評(píng)價(jià)固井質(zhì)量的主要方法。但是SBT評(píng)價(jià)固井質(zhì)量是一個(gè)復(fù)雜的過程,一般由石油領(lǐng)域的專家根據(jù)其多年的經(jīng)驗(yàn)手動(dòng)進(jìn)行評(píng)價(jià),但隨著測(cè)井資料的數(shù)據(jù)量日益龐大,難免會(huì)存在主觀性強(qiáng)、速度慢、效率低等問題。因此,國(guó)內(nèi)外固井研究領(lǐng)域的專家不斷鉆研和探索固井質(zhì)量評(píng)價(jià)自動(dòng)化這一課題。

2011年劉竟成等[6-7]將同一深度點(diǎn)的4個(gè)首波幅度作為固井質(zhì)量的特征屬性,用粒子群優(yōu)化算法(PSO)和遺傳算法(GA)對(duì)支持向量機(jī)(SVM)的參數(shù)進(jìn)行優(yōu)化,提出了基于PSO-SVM和GA-SVM的固井質(zhì)量評(píng)價(jià)模型,但該方法存在耗時(shí)過長(zhǎng)的問題。2013年尚福華等[8]基于SBT測(cè)井,將同一深度點(diǎn)的首波幅度作為輸入,采用帶有非線性連接權(quán)的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)固井質(zhì)量的評(píng)價(jià)。2015年陳向軍等[9]提出了用聲能法評(píng)價(jià)固井質(zhì)量,該方法效率高但是精度不夠。2020年Deepak Kumar Voleti等[10]基于CBL/VDL測(cè)井,采用隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)固井質(zhì)量的自動(dòng)評(píng)價(jià)。2021年,杜冬楠等[11]將影響評(píng)價(jià)結(jié)果的7個(gè)固井參數(shù)變量作為輸入,用LM優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)輸出固井質(zhì)量預(yù)測(cè)結(jié)果,但存在學(xué)習(xí)時(shí)間長(zhǎng)、識(shí)別效率低和隱含層節(jié)點(diǎn)數(shù)不確定等缺點(diǎn)。鄭雙進(jìn)等[12]在對(duì)固井質(zhì)量眾多影響因素分析的基礎(chǔ)上,采用遺傳算法(GA)對(duì)與支持向量機(jī)思路相反的支持向量回歸(SVR)的參數(shù)進(jìn)行優(yōu)化,提出了基于GA-SVR的固井質(zhì)量預(yù)測(cè)模型,以影響因素的相關(guān)數(shù)據(jù)作為輸入量來對(duì)固井質(zhì)量進(jìn)行預(yù)測(cè)。Santos L等[13]利用測(cè)井?dāng)?shù)據(jù)使用高斯過程回歸算法生成新的特征曲線,并通過新曲線來對(duì)固井質(zhì)量進(jìn)行評(píng)價(jià)。2022年方春飛等[14]基于CBL/VDL測(cè)井,提出了一種具有不同大小內(nèi)核的多尺度感知卷積神經(jīng)網(wǎng)絡(luò),該網(wǎng)絡(luò)用于提取和融合變密度波形圖中不同尺度的信息,通過識(shí)別變密度波形圖來評(píng)價(jià)固井質(zhì)量。針對(duì)以上問題,該文提出了一種基于改進(jìn)DenseNet的固井質(zhì)量自動(dòng)化評(píng)價(jià)方法。該方法利用SBT測(cè)井得到的變幅度圖(扇區(qū)水泥成像圖)和變密度波形圖作為輸入,并自動(dòng)提取輸入圖像中的有用信息,利用改進(jìn)后DenseNet的結(jié)構(gòu)優(yōu)勢(shì),逼近輸入圖像和評(píng)價(jià)結(jié)果之間隱含的非線性映射關(guān)系,從而實(shí)現(xiàn)固井質(zhì)量的自動(dòng)評(píng)價(jià)。

1 改進(jìn)的DenseNet模型

1.1 基本DenseNet-121模型

DenseNet模型是2017年由Huang等[15]提出的稠密連接網(wǎng)絡(luò),該網(wǎng)絡(luò)模型主要由負(fù)責(zé)特征提取的稠密塊(Dense Block)和負(fù)責(zé)特征圖衰減的過渡層(Transition Layer)兩個(gè)模塊組成,通過特征重用和旁路設(shè)置來大幅減少網(wǎng)絡(luò)的參數(shù)量,同時(shí)緩解梯度消失問題[16]。DenseNet-121模型包含4個(gè)稠密塊和3個(gè)過渡層,并以全局平均池化層和全連接層結(jié)尾。其中4個(gè)稠密塊中卷積層的數(shù)量分別為6,12,24,16,這些卷積層在稠密塊內(nèi)部是連續(xù)堆疊的,并且它們共享相同的輸入和輸出連接。

在經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)中,每一層的輸入只能來自前一層的輸出,但是隨著網(wǎng)絡(luò)層數(shù)的增加,在反向傳播過程中梯度值通常越來越小并趨于零或者梯度值會(huì)越來越大,從而導(dǎo)致梯度消失或梯度爆炸情況的發(fā)生。為解決這一問題,ResNet[17]通過引入殘差結(jié)構(gòu)來緩解梯度消失問題,即將層內(nèi)的輸入與輸出相加作為下一層的輸入,殘差結(jié)構(gòu)如圖1所示。DenseNet-121網(wǎng)絡(luò)的設(shè)計(jì)受殘差結(jié)構(gòu)的啟發(fā),提出在保證網(wǎng)絡(luò)中各層之間最大程度的信息傳遞的同時(shí),將所有層連接起來,使得網(wǎng)絡(luò)中的每一層的輸入都是前面所有層輸出的集合,從而達(dá)到通過重用特征來減少模型參數(shù)量并增強(qiáng)訓(xùn)練期間的梯度流,實(shí)現(xiàn)減緩梯度消失現(xiàn)象的發(fā)生[18]。

圖1 殘差結(jié)構(gòu)示意圖

假設(shè)xl表示網(wǎng)絡(luò)第l層的輸出,Hl(*)表示網(wǎng)絡(luò)中的非線性變換,可表示為多種函數(shù)操作的累加。ResNet網(wǎng)絡(luò)第l層的特征輸出如式1所示:

xl=Hl(xl-1)+xl-1

(1)

DenseNet-121網(wǎng)絡(luò)第l層的特征輸出如式2所示:

xl=Hl([x0,x1,…,xl-1])

(2)

可以看出ResNet網(wǎng)絡(luò)的恒等映射和非線性變換輸出的疊加方式是逐像素相加,在一定程度上破壞了網(wǎng)絡(luò)的信息流,而DenseNet-121網(wǎng)絡(luò)則是將所有層的輸出特征圖在通道方向上進(jìn)行拼接。為了避免拼接操作不斷增加特征圖的深度,DenseNet-121采用Transition Layer來連接相鄰的兩個(gè)Dense Block,從而達(dá)到降低特征圖的大小以及壓縮模型的目的。DenseNet-121的Dense Block結(jié)構(gòu)如圖2所示。

圖2 Dense Block結(jié)構(gòu)

1.2 卷積注意力模塊

卷積注意力模塊(Convolutional Block Attention Module,CBAM)是Sanghyun Woo等[19]于2018年提出的注意力機(jī)制模塊,對(duì)分類和目標(biāo)檢測(cè)問題具有廣泛適用性。

CBAM的核心思想是分別對(duì)空間和通道間的相互依賴關(guān)系建模,使用網(wǎng)絡(luò)的損失函數(shù)自適應(yīng)地調(diào)整其對(duì)應(yīng)權(quán)重來對(duì)特征進(jìn)行優(yōu)化,包含通道注意力模塊(CAM)和空間注意力模塊(SAM)兩個(gè)模塊[20],結(jié)構(gòu)如圖3所示。

圖3 CBAM結(jié)構(gòu)

1.3 改進(jìn)DenseNet模型

為了使DenseNet網(wǎng)絡(luò)可以更好地完成固井質(zhì)量自動(dòng)化評(píng)價(jià)的任務(wù),該文根據(jù)固井質(zhì)量的數(shù)據(jù)特點(diǎn)重新設(shè)計(jì)了DenseNet網(wǎng)絡(luò)結(jié)構(gòu)。盡管DenseNet可以復(fù)用特征,很大程度上減少了參數(shù)的數(shù)量,但是筆者在通過減少網(wǎng)絡(luò)層數(shù)的仿真測(cè)試過程中,對(duì)固井質(zhì)量的評(píng)價(jià)結(jié)果并沒有產(chǎn)生較大的影響,足以證明DenseNet網(wǎng)絡(luò)存在特征冗余。因此,考慮到固井質(zhì)量的數(shù)據(jù)特征較為簡(jiǎn)單,并不需要更深的網(wǎng)絡(luò)來獲取特征,為了提升模型訓(xùn)練效率,減少模型內(nèi)存以及能耗,筆者縮減了DenseNet-121的網(wǎng)絡(luò)層數(shù),將網(wǎng)絡(luò)中4個(gè)Dense Block的瓶頸層(Bottleneck layer)數(shù)目由原來的6,12,24,16縮減為3,6,8,4。除此之外,筆者還對(duì)縮減后的網(wǎng)絡(luò)添加了多尺度卷積層和CBAM機(jī)制。改進(jìn)后的DenseNet網(wǎng)絡(luò)模型架構(gòu)如圖4所示。

圖4 改進(jìn)的DenseNet網(wǎng)絡(luò)模型架構(gòu)

1.3.1 多尺度卷積層

通過識(shí)別SBT測(cè)井得到的扇區(qū)水泥成像圖和變密度波形圖,自動(dòng)輸出固井質(zhì)量的評(píng)價(jià)結(jié)果?？紤]到評(píng)價(jià)固井質(zhì)量時(shí),需要參考變密度波形圖觀察條帶的顏色、位置和波形和扇區(qū)水泥成像圖中的顏色等級(jí)及其位置。因此,在特征提取時(shí),不僅需要特征數(shù)據(jù)的小尺度信息(位置和顏色等級(jí)),還需要大尺度信息(形狀和數(shù)目)[14]。為解決該問題,該文在Dense Block結(jié)構(gòu)前使用了多個(gè)不同大小的卷積核并行操作,同時(shí)檢測(cè)數(shù)據(jù)的大尺度和小尺度信息。每個(gè)卷積層由卷積(CONV)、批量歸一化(BN)和ReLu激活函數(shù)3個(gè)操作組合完成。其中批量歸一化(BN)利用小批量上的均值和方差來調(diào)整上一卷積操作的輸出,通過減輕內(nèi)部協(xié)變量偏移使非線性輸入的分布保持穩(wěn)定,從而提高訓(xùn)練速度,增強(qiáng)模型的泛化能力。對(duì)于小批量中的任意樣本x∈B,批量歸一化過程如式3所示:

(3)

1.3.2 CBAM-Dense Block

注意力機(jī)制通過賦予固井質(zhì)量特征圖中重要信息更大的權(quán)重[20],來使DenseNet重視對(duì)評(píng)價(jià)有用的特征,從而提高固井質(zhì)量評(píng)價(jià)的準(zhǔn)確性。筆者將CBAM模塊嵌入到每個(gè)DenseBlock中,在非線性變換Hl(*)的后面加入CBAM模塊,實(shí)現(xiàn)對(duì)通道和空間權(quán)重的重新標(biāo)定。該文將此種結(jié)構(gòu)的Dense Block重新命名為CBAM-Dense Block,結(jié)構(gòu)如圖5所示。

圖5 CBAM-Dense Block結(jié)構(gòu)

可以看出,CBAM中的通道注意力模塊和空間注意力模塊是按照特定順序使用的,經(jīng)過非線性變換Hl(*)輸出的特征圖F∈C×H×W首先會(huì)進(jìn)入一個(gè)通道注意力模塊,通過一系列操作后學(xué)習(xí)到不同的通道對(duì)應(yīng)的權(quán)重MC(尺寸為1×1×C),可用式4表示。最終將其與特征圖做逐元素乘法后即可得到空間注意力模塊的輸入特征F'。

(4)

其中,σ表示Sigmoid激活函數(shù),fx(i,j)表示輸入特征圖F的中坐標(biāo)(i,j)點(diǎn)對(duì)應(yīng)的像素值。

特征F'∈C×H×W進(jìn)入空間注意模塊后,通過最大池化、平均池化、卷積和激活函數(shù)等操作后,得到尺寸為1×H×W的空間加權(quán)信息MS,可用式5表示。將其與通道注意力模塊輸出的特征F'對(duì)應(yīng)元素相乘,得到同時(shí)關(guān)注通道和空間信息的特征F'',即可作為Dense Block中下一稠密連接的輸入。

MS(F)=σ(f7×7([AvgPool(F);MaxPool(F)]))

(5)

其中,f7×7表示卷積核大小為7×7的卷積操作。CBAM模塊整體過程如式6所示:

(6)

其中,?表示逐元素相乘。

2 實(shí)驗(yàn)結(jié)果及分析

2.1 礦場(chǎng)資料數(shù)據(jù)

數(shù)據(jù)集來自于大慶油田某采油廠12口井SBT測(cè)井所得數(shù)據(jù)的成像圖。SBT以環(huán)繞方式在包含整個(gè)井眼內(nèi)的6個(gè)角度區(qū)塊定量測(cè)量水泥膠結(jié)質(zhì)量,最后將6個(gè)角度測(cè)量所得數(shù)據(jù)展開進(jìn)行成像即可得到文中數(shù)據(jù):扇區(qū)水泥膠結(jié)成像圖與變密度波形圖。結(jié)合專家經(jīng)驗(yàn)和固井質(zhì)量評(píng)價(jià)領(lǐng)域的相關(guān)知識(shí),扇區(qū)水泥膠結(jié)成像圖形象直觀地展現(xiàn)了水泥環(huán)的膠結(jié)填充情況以及膠結(jié)的均勻程度;變密度波形圖是黑白相間的條帶,通過對(duì)圖上顯示的套管波以及地層波的強(qiáng)弱程度來確定水泥的膠結(jié)情況;因此將二者相結(jié)合即可對(duì)固井質(zhì)量進(jìn)行準(zhǔn)確評(píng)價(jià),并確定了固井質(zhì)量的3種評(píng)價(jià)類型(優(yōu)、合格、不合格),如圖6所示。

圖6 數(shù)據(jù)集圖像示例

其中,固井質(zhì)量評(píng)價(jià)為優(yōu)的井段對(duì)應(yīng)變密度波形圖有地層波顯示,對(duì)應(yīng)扇區(qū)水泥膠結(jié)成像圖有黑塊及灰黑塊顯示;固井質(zhì)量評(píng)價(jià)為合格的井段對(duì)應(yīng)變密度波形圖有套管波顯示,對(duì)應(yīng)扇區(qū)水泥膠結(jié)成像圖有灰白塊、灰塊顯示;固井質(zhì)量評(píng)價(jià)為不合格的井段對(duì)應(yīng)變密度波形圖有較強(qiáng)套管波顯示,對(duì)應(yīng)扇區(qū)水泥膠結(jié)成像圖有白塊、灰白塊顯示。筆者收集到的12口井的采樣間隔為0.076 2 m,按照對(duì)應(yīng)類別以及預(yù)設(shè)厚度值分別對(duì)扇區(qū)水泥膠結(jié)成像圖和變密度波形圖進(jìn)行切分,最終得到12 222個(gè)樣本層張量(優(yōu):4 417個(gè),合格:2 937個(gè),不合格:4 868個(gè))。將整個(gè)數(shù)據(jù)集按照7∶1.5∶1.5劃分為三個(gè)相互獨(dú)立且互不交叉的訓(xùn)練集、驗(yàn)證集、測(cè)試集,最終得到8 721個(gè)訓(xùn)練集樣本、1 649個(gè)驗(yàn)證集樣本和1 646個(gè)測(cè)試集樣本。將數(shù)據(jù)集中的扇區(qū)水泥膠結(jié)成像圖和變密度波形圖分別調(diào)整到150×150像素后按通道方向進(jìn)行拼接得到模型的輸入特征圖。

2.2 實(shí)驗(yàn)評(píng)估指標(biāo)

評(píng)估指標(biāo)旨在估計(jì)模型對(duì)未知數(shù)據(jù)樣本的泛化準(zhǔn)確性。筆者采用的評(píng)估指標(biāo)為:混淆矩陣、精確率(Precision)、召回率(Recall)、F1分?jǐn)?shù)和準(zhǔn)確率(Accuracy,Acc)。其中混淆矩陣用于比較評(píng)價(jià)結(jié)果與實(shí)際標(biāo)簽的信息,如表1所示。

表1 評(píng)價(jià)結(jié)果混淆矩陣

其中,TP,FP,FN,TN是指真正類、假正類、假負(fù)類和真負(fù)類樣本的數(shù)量。雖然該表顯示的為二分類,但是將正例視為評(píng)價(jià)結(jié)果(優(yōu)、合格、不合格)中的某一類,將負(fù)例視為評(píng)價(jià)結(jié)果的其他兩類,即可將二分類問題轉(zhuǎn)化為文中的三分類問題。根據(jù)這些值就可以計(jì)算精確率、召回率和F1分?jǐn)?shù),如下式所示:

(7)

(8)

(9)

(10)

2.3 實(shí)驗(yàn)平臺(tái)及參數(shù)設(shè)置

該文提出了一種基于改進(jìn)的DenseNet卷積網(wǎng)絡(luò)的固井質(zhì)量評(píng)價(jià)新方法,其實(shí)驗(yàn)以Python3.8編程語(yǔ)言實(shí)現(xiàn),在Windows10操作系統(tǒng)下運(yùn)行,使用的深度學(xué)習(xí)框架為Pytorch,所用GPU的具體規(guī)格為NVIDIA GeForce RTX 2070,內(nèi)存為8 GB。

提出的網(wǎng)絡(luò)模型參數(shù)設(shè)置如下:batch_size=32,采用Adam優(yōu)化器,初始學(xué)習(xí)率設(shè)置為0.001,初始學(xué)習(xí)率衰減系數(shù)為0.005,隨迭代次數(shù)的不同而減小,權(quán)重衰減率為0.000 1。

2.4 模型改進(jìn)措施的驗(yàn)證

為檢驗(yàn)各種改進(jìn)措施的效果,筆者針對(duì)改進(jìn)的DenseNet網(wǎng)絡(luò)模型設(shè)置了消融實(shí)驗(yàn),以考察改進(jìn)模型的準(zhǔn)確率、F1分?jǐn)?shù)、參數(shù)量的變化情況。

圖7 消融實(shí)驗(yàn)的準(zhǔn)確率曲線

改進(jìn)措施如下:措施1:縮減DenseNet的網(wǎng)絡(luò)層數(shù);措施2:在DenseBlock前添加多尺度卷積層;措施3:在各個(gè)DenseBlock中嵌入CBAM機(jī)制。分別針對(duì)原始網(wǎng)絡(luò)模型DenseNet,使用措施1的SDenseNet,使用措施1,2的MSDenseNet,使用措施1,2,3的MSCDenseNet在消融實(shí)驗(yàn)下的性能表現(xiàn)差異進(jìn)行考察。消融實(shí)驗(yàn)的準(zhǔn)確率曲線如圖7所示,精確率、召回率、F1數(shù)、準(zhǔn)確率和參數(shù)量的變化如表2所示。

表2 改進(jìn)的DenseNet模型在消融實(shí)驗(yàn)下的表現(xiàn)差異

可以看出縮減后的網(wǎng)絡(luò)SDenseNet與原DenseNet相比雖然準(zhǔn)確率下降了0.8百分點(diǎn),但是F1分?jǐn)?shù)提高了0.15百分點(diǎn),模型參數(shù)量減少為原來的80%;添加了多尺度卷積層的縮減模型MSDenseNet相較于SDenseNet在準(zhǔn)確率上提升了3.4百分點(diǎn),F1分?jǐn)?shù)提高了0.88百分點(diǎn),但參數(shù)量變化較小;同時(shí)添加了多尺度卷積層和CBAM模塊的MSCDenseNet模型F1分?jǐn)?shù)最佳,為93.80%,準(zhǔn)確率為95.86%,同時(shí)參數(shù)量變化較小可忽略不計(jì)。實(shí)驗(yàn)結(jié)果表明,設(shè)計(jì)的DenseNet網(wǎng)絡(luò)采用的各項(xiàng)改進(jìn)措施是切實(shí)有效的。

2.5 實(shí)際應(yīng)用效果對(duì)比及分析

使用提出的改進(jìn)DenseNet網(wǎng)絡(luò)模型訓(xùn)練過程中準(zhǔn)確率和損失值的變化曲線如圖8所示。在訓(xùn)練集上的準(zhǔn)確率最高為99%,驗(yàn)證集最高為94%;訓(xùn)練集上的損失值最低0.11,驗(yàn)證集最低為0.34。

圖9給出了測(cè)試集評(píng)價(jià)結(jié)果所對(duì)應(yīng)的混淆矩陣,橫坐標(biāo)對(duì)應(yīng)模型的預(yù)測(cè)類別,縱坐標(biāo)對(duì)應(yīng)真實(shí)類別?？梢钥闯鋈惤Y(jié)果均有誤差,評(píng)價(jià)結(jié)果為優(yōu)的準(zhǔn)確率為97.26%,合格的準(zhǔn)確率為95.51%,不合格的準(zhǔn)確率為94.74%,而類別為優(yōu)和不合格的樣本更多的被模型誤判為合格。為驗(yàn)證提出的方法與其他方法相比的優(yōu)勢(shì),將支持向量機(jī)(SVM)、BP神經(jīng)網(wǎng)絡(luò)和筆者的改進(jìn)DenseNet進(jìn)行分析對(duì)比。其中SVM采用的核函數(shù)為高斯核函數(shù),系數(shù)為0.001,錯(cuò)誤項(xiàng)的懲罰系數(shù)為1;BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)為4,隱含層節(jié)點(diǎn)個(gè)數(shù)分別為1 024,1 024,2 048,優(yōu)化函數(shù)為Adam,學(xué)習(xí)率為0.001,采用ReLU激活函數(shù),實(shí)驗(yàn)結(jié)果如表3所示?？梢钥闯?改進(jìn)的DenseNet對(duì)每個(gè)樣本的評(píng)價(jià)速度低于BP神經(jīng)網(wǎng)絡(luò)和SVM,模型參數(shù)量相對(duì)更大,但其F1分?jǐn)?shù)比SVM提高了7.13百分點(diǎn),比BP神經(jīng)網(wǎng)絡(luò)提高了9.8百分點(diǎn);準(zhǔn)確率相較于SVM提高了7.03百分點(diǎn),相較于BP神經(jīng)網(wǎng)絡(luò)提高了10.8百分點(diǎn)。雖然時(shí)間復(fù)雜度和空間復(fù)雜度較高,但是保證了固井質(zhì)量的評(píng)價(jià)精度。

圖8 訓(xùn)練過程中準(zhǔn)確率和損失函數(shù)的變化曲線

圖9 測(cè)試集三類樣本的混淆矩陣

表3 其他方法實(shí)驗(yàn)效果對(duì)比

對(duì)于以上實(shí)驗(yàn)結(jié)果,筆者給出如下簡(jiǎn)要分析。由圖8(a)可知,訓(xùn)練集的準(zhǔn)確率和驗(yàn)證集的準(zhǔn)確率相差不大,說明文中改進(jìn)DenseNet模型不存在過擬合問題,且泛化能力較好,由圖8(b)可知,訓(xùn)練集和測(cè)試集的損失函數(shù)曲線較為平滑,說明文中模型具有較強(qiáng)的魯棒性。圖9中測(cè)試集固井質(zhì)量評(píng)價(jià)的誤差主要出現(xiàn)在類別優(yōu)和合格、合格和不合格之間,原因在于類別為合格的數(shù)據(jù)特征與其他兩類特征較為相似,會(huì)使模型產(chǎn)生一定的混淆。由于文中模型相較于同類模型既沒有過多的網(wǎng)絡(luò)訓(xùn)練參數(shù),又能利用多尺度卷積層獲取固井質(zhì)量數(shù)據(jù)中更為全面的信息,還可以通過CBAM機(jī)制自適應(yīng)地選擇重要的對(duì)象和區(qū)域,從而有效提升了模型對(duì)固井質(zhì)量的評(píng)價(jià)精度和速度。相對(duì)于BP神經(jīng)網(wǎng)絡(luò)和SVM,由于筆者提出的改進(jìn)DenseNet模型參數(shù)較大,因此可以更好學(xué)習(xí)固井質(zhì)量的數(shù)據(jù)特征,使得模型對(duì)其評(píng)價(jià)的準(zhǔn)確率更高,但同時(shí)評(píng)價(jià)的速度也相對(duì)更慢。

3 結(jié)束語(yǔ)

改進(jìn)的DenseNet網(wǎng)絡(luò)模型在縮減了原有的DenseNet網(wǎng)絡(luò)模型的基礎(chǔ)上融合了多尺度卷積層和CBAM機(jī)制,可以同時(shí)獲取固井質(zhì)量特征圖更多小尺度和大尺度圖像特征,提高了網(wǎng)絡(luò)對(duì)特征通道和空間位置的重視程度。與同類模型相比,改進(jìn)的DenseNet在減少模型參數(shù)量,縮短訓(xùn)練時(shí)間的同時(shí)提升了固井質(zhì)量的評(píng)價(jià)精度;與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和SVM相比改進(jìn)的DenseNet以犧牲時(shí)間復(fù)雜度和空間復(fù)雜度為代價(jià),保證了固井質(zhì)量評(píng)價(jià)的準(zhǔn)確率。能否對(duì)固井質(zhì)量準(zhǔn)確評(píng)價(jià)不僅關(guān)系到油氣開發(fā)的經(jīng)濟(jì)效益,更關(guān)系到后續(xù)的作業(yè)方案能否進(jìn)行,因此應(yīng)該把高準(zhǔn)確性的評(píng)價(jià)精度作為首要目標(biāo)。文中模型具有較高的準(zhǔn)確性和可靠性,相對(duì)人工評(píng)價(jià)固井質(zhì)量節(jié)省了大量的時(shí)間,其應(yīng)用可以減緩固井專家繁重的工作,實(shí)現(xiàn)對(duì)固井質(zhì)量的自動(dòng)評(píng)價(jià)。但是目前改進(jìn)的DenseNet對(duì)固井質(zhì)量評(píng)價(jià)的準(zhǔn)確率還有提升的空間,訓(xùn)練時(shí)間也相對(duì)較長(zhǎng),后期將對(duì)以上問題做進(jìn)一步優(yōu)化。