浏览：次
近日，我实验室李子坤博士等撰写的题为"Missing Sonic Logs Generation for Gas Hydrate-Bearing Sediments via Hybrid Networks Combining Deep Learning With Rock Physics Modeling"的论文发表在IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING期刊。
该研究提出了一个有监督的深度学习框架，该框架集成了一个地震岩石物理模型，用于从输入的测井数据中生成缺失的LWD声波测井曲线。通过使用两个数据集在区域内和跨区域进行交叉验证来验证模型。最后利用训练好的模型来预测这些区域缺失的含水合物沉积物声波测井曲线。
论文链接：https://doi.org/10.1109/TGRS.2023.3330869.
1、文章概述
随钻测井（LWD）声波资料对海洋天然气水合物储层评价和产量预测十分重要。然而获取完整的声波测井，尤其是横波速度，面临着巨大的挑战，且成本高昂。该研究开发了一个双分支混合框架（图1），用于根据现有测井数据预测含水合物沉积物的LWD声波测井。其中基于地震岩石物理模型的分支用于生成背景（无水合物/无游离气）弹性波速剖面，而另一个深度学习分支（DLB）用于补偿实际观测值与物理模型分支输出之间的残差。在DLB中使用了最先进的Transformer编码器层来提取测井序列中潜在的复杂模式。这种科学知识引导的网络架构，加上额外的基于物理的特征构建，提供了一个可解释的过程，提高了预测结果的物理一致性。该方法用Cascadia大陆边缘的两个公开数据集进行了测试。混合模型极大地提高了物理过程模型的预测精度（P波和S波速度的最小平均绝对百分比误差分别为0.73%和4.33%)。而与纯数据驱动方法相比，混合模型具有出色的泛化性能。训练好的模型可以对该地区未测量的高水合物饱和度（>40%）地层的声波测井给出精确的预测。
图1 研究所提出的双分支混合网络架构。左为物理模型分支，右为深度学习分支。
2、研究方法
混合模型由并行运行的物理模型分支(PMB)和深度学习分支(DLB)组成，每个支路的结果被汇总以产生最终输出。PMB目的是将测井数据映射到地层饱和水时的速度基线，DLB负责提取额外的复杂非线性关系。PMB以等效介质理论(Helgerud，1999)为基础，提供可解释物理过程的约束。针对该分支创新开发了配位数模块和粘土含量模块(图2)，这两个参数均不同程度地影响岩石骨架的弹性模量。将深度、密度及GR值通过单层感知机与配位数关联，改进了由GR值计算粘土含量的方法。
图2 可训练的地震岩石物理模型层
DLB结合了一维卷积层和先进的Transformer 编码器层。卷积层对测井序列进行初始特征提取后，在降低深度维度的同时采集到了相邻采样点的局部特征。Transformer 编码器层基于自注意力机制，突出关键深度采样点的重要性，同时考虑长程与短程依赖关系。模型采用序列到点的映射模式：将一定长度的测井序列作为输入，并将其中点处的目标属性作为输出。除测井曲线外，还包括由专家知识计算的测井解释结果，作为额外输入，如密度孔隙度、地层电阻率因子、由标准阿奇关系计算的水合物饱和度。
3、研究结果
（1）盲井测试与消融实验
根据不同的目标和地区，来自IODP Expedition 311（北Cascadia大陆边缘）和ODP Leg 204（水合物海脊）的公开数据集被分成三个case，每个case中选择其中两口井轮流作为独立的盲井进行交叉验证。为了验证混合模型预测声波测井的高精度和泛化能力，构建了另外三个模型作为对比（图3）。四种模型的性能指标对比如图4所示。混合模型（蓝色）在绝大多数情况下都优于其他三种方法，体现为更高的相关系数（R）值和更低的平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。以IODP 311 U1328A井为例，比较了不同模型生成的纵波速度与实际测量结果（图5），显示混合模型（蓝色）与实际测量结果具有最高的总体一致性。
图3 用于消融实验的三个对比模型
图4 不同模型在盲井测试中的模型性能指标
图5 四种模型生成的纵波曲线与测量结果的对比
（2）跨区域LWD声波曲线生成
图6比较了混合模型与纯数据驱动模型和纯物理模型在U1327A井处生成的随钻横波测井曲线，邻近U1327E井（距离70米）的电缆测井测得的横波速度作为对比。由于训练数据与测试数据来自不同的区域，且有着不同的数据分布模式，此时对于数据驱动模型属于分布外泛化能力的验证。由混合模型所预测的横波测井曲线成功预测了电缆测井未探测到的天然气水合物储层（蓝色区域），而纯数据驱动模型（橙色曲线）是失败的。这充分体现了本研究提出模型先进的分布外泛化能力。
图6 训练好的模型生成跨区域井随钻横波测井
（3）融合岩石物理建模的混合模型可解释性
本研究提出的混合网络模型探究了物理模型与数据驱动模型在地球科学问题中的协同解决方案。数据驱动强化了物理模型的自适应调整，使物理模型分支的预测具备自动调节能力。而深度学习分支进行残差建模，通过跳过连接（skip-connection）逐步逼近由水合物和其他物理模型为考虑因素引起的弹性波速度异常。最终使混合驱动模型生成的最终结果符合物理意义的解释。图7可视化了PMB与DLB分别的输出，可以看到PMB的输出基本反应了地层保水时的速度变化，而DLB预测的速度异常与水合物饱和度的变化趋势有很好的对应。
图7 PMB输出可视化
4、结论
本研究提出了一个有监督的深度学习框架，该框架集成了一个地震岩石物理模型，用于从输入的测井数据中生成缺失的LWD声波测井曲线。通过使用两个数据集在区域内和跨区域进行交叉验证来验证模型。最后，利用训练好的模型来预测这些区域缺失的含水合物沉积物声波测井曲线。
1) 模型将第一性原理模型对物理过程的直观描述与数据驱动的模式提取相结合，使其具有完备的数据适应性，同时具有可解释的结构。
2) 得益于可训练地震岩石物理模型对物理模型参数的自动校正和先进的深度学习模块，混合模型在预测精度上有了显著提高。
3) 有研究所提出的方法所展示的出色样本外和跨区域泛化能力，是纯数据驱动模型所不具备的，这增强了该模型在实际生产应用中的潜力，可产生更加可信和有效的结果。
本研究所提出的方法可以扩展到应用适当的输入和物理模型来预测其他类型的测井或储层参数。研究结果表明，数据驱动的机器学习和物理建模在地球科学研究中是相互有益的。未来需要探索两种模式之间更有效和透明的协同解决方案。此外，还应进一步定义与混合方法相关的不确定性的显式表示与传递。