勘探开发人工智能应用：测井岩相识别

1 测井岩相识别

1.1 简介

岩相识别是最基础的工作，能够获得地层岩石物理特性的直观认识，进而帮助实时钻井、地质评价和储层建模。
地球物理测井使用特定的设备，观测井眼内不同深度地层的声学特性、电学特性、放射性、热力学特性等地球物理特性。通过确定地球物理测井采集的数据和地质信息之间的关系，即测井解释，可以判别井眼剖面的岩相和推断岩层介质的渗透率、孔隙度等重要参数。

1.2 数据描述

常见的测井数据输入：

• 自然电位测井(SP, Spontaneous Potential Log):记录自然电流在井眼中的电位降；

• 普通电阻率测井：测量在设定的供电电流下电场的分布状况；

• 声波时差测井：记录声波的时差值；

• 自然伽马测井：利用不同岩层的放射性差别，使用探测器测量地层总的自然伽马射线强度；

• 密度测井：主要利用了康普顿散射现象，使用探测器接收记录散射γ光子计数率来探测岩层密度；

• 中子测井：通过用中子源照射岩层，依据中子与岩层介质相互作用产生的各种效应，来研究岩层性质。
  
  常见的储集层岩性(标签)：

• 按照岩性的分布，储集层可分为碎屑岩储集层、碳酸盐岩储集层和其他储集层；

• 碎屑岩储集层主要包含粉砂岩、砂岩和砾岩等岩性。它们的粒度大小如下表所示；
  

• 碳酸盐岩储集层是目前世界上占比最大的储集层。按照矿物成分类型，碳酸盐岩通常包括白云岩和石灰岩。

2 基于混合物理约束的无监督测井迁移方法

该方法主要用于源域和目标域的井来自同一工区，且均为开发井，所处的沉积环境较为接近。

2.1 问题描述

不同井位测井数据分布偏差示例。

• (a) 测井曲线、岩相真实标签(CORE)、同井预测结果(PRED1)、以及在b井上训练的模型对a井的预测结果(PRED2)。
• (b) 测井曲线、岩相真实标签(CORE)、同井预测结果(PRED1)、以及在a井上训练的模型对b井的预测结果(PRED2)。
• © 测井数据分布二维可视化(使用t-SNE进行数据降维)。

在一口井上训练的模型对同一口井的预测精度很高(PRED1列)。然而，当使用一口井上训练的模型预测另一口井的岩相时，性能出现明显下降(PRED2列)。
性能下降的原因是两口井的测井数据分布并不匹配。
获取待预测井位的可靠真实岩相标签需经过取芯作业、岩矿分析等工程，成本很高且技术复杂。待预测井位的测井数据仅有少量甚至没有标签。

问题定义：

• 输入：测井a对应的测井曲线，测井a的岩相真实标签，测井b对应的测井曲线
• 输出：测井b的岩相预测标签
• 方案：领域适应+迁移学习

将来自同一口井的所有测井数据视为一个“域”，将用于训练的包含丰富的有标注测井数据的已解释井称为“源域”，将用于测试的包含无标注测井数据的待预测井称为“目标域”。
领域适应：利用源域中的有标注数据在相关的、仅有少量甚至没有标注数据的目标域中执行任务，其中源域和目标域的概率分布不同，但任务相同。

域差异的说明。源域中的数据有标记，目标域中的数据没有标记或部分标记。源域和目标域数据分布不一致。
领域适应的核心思路是缩小域间差异，其依据目标域是否有可用标签，分为监督领域适应、半监督领域适应和无监督领域适应；
无监督领域适应：在不使用任何目标域有标注数据的情况下，缩小源域和目标域的分布差异。实现这一目标是极富挑战性的。

2.2 主要思想

基于混合物理约朿的测井特征迁移网络模型：

• 学习源域和目标域的共同特征表示，通过对齐两个域的特征分布，将源域具有判别力的特征迁移至目标域；
• 在特征迁移的过程中，利用特征空间和地理空间的标签平滑性物理约束，引导特征向正确的类别方向对齐。

为了实现这一思想，联合源域和目标域数据的特征提取网络，并引入分布对齐层和物理约束层。

分布对齐层：

• 将两个域的特征表示嵌入到再生核希尔伯特空间中，进而匹配两个域分布的平均嵌入；
• 使用核函数将样本输入空间转化为再生核希尔伯特空间，提高算法处理非线性分类问题的性能。

物理约束层

• 对目标域的特征表示施加特征空间和地理空间的标签平滑性约束，维持无标注样本之间的潜在结构关系；
• 最终在源域标签的监督下，学习同时具有分辨力和域一致性的特征。

2.3 数据预处理

给定$d$种测井曲线，一个训练样本是一个$d$维向量，由在一个 h h