沉积过程模拟驱动下的深度学习地质建模方法

doi:10.11743/ogg20230119

摘要/Abstract

摘要：

油气藏勘探开发逐步向深层化、复杂化方向发展，观测数据不足、分辨率低等资料难题突显，传统的地质建模方法无法适应技术需求。以深度学习为代表的智能化地质建模方法可以充分整合多尺度、多维度的数据信息以及专家认识，是地质建模技术发展的重要方向。在综合分析地层沉积模拟和深度学习地质建模技术优缺点的基础上，探索形成了沉积过程模拟驱动的深度学习地质建模方法。首先，基于综合地质分析开展沉积正演模拟，分析参数不确定性，通过参数扰动形成大规模地质模型作为训练样本库；其次，利用条件化生成对抗网络学习样本库中蕴含的地质模式和规律，其中生成网络以井-震等条件数据作为输入、地质模型作为输出；最后，利用训练后生成网络在实际条件数据上的应用，得到目标区块的地质模型。通过在四川盆地普光气藏主力区块典型地质剖面的测试应用，该方法的可行性得到了验证，并分析了训练样本库大小对模拟结果的影响。沉积模拟和深度学习相结合，弥补了训练样本不足的缺陷，间接实现了知识驱动的深度学习地质建模，具有重要的推广意义。

关键词: 人工智能, 大数据, 知识驱动, 生成对抗网络, 沉积过程模拟, 深度学习地质建模, 普光气藏, 四川盆地

Abstract:

Problems including insufficient quantity and low resolution of data face exploration and development of deep and complex reservoir targets， and the traditional geological modeling methods have been inadequate in terms of technical needs. The intelligent geological modeling represented by deep learning capable of fully integrating multi-scale and multi-dimensional data as well as expert knowledge， is a key research and development direction of geological modeling technology. The study discusses the deep learning-based geological modeling driven by sedimentary process simulation following the comprehensive analysis of the advantages and disadvantages of stratigraphic forward modeling and deep learning-based geological modeling technology. First， forward modeling of sedimentation is carried out based on comprehensive geological analysis， parameter uncertainty is analyzed， and a large amount of geological models are established through parameter disturbance as a training dataset； Second， the geological patterns contained in the learning dataset are learned with the conditional Generative Adversarial Nets （cGAN）， in which the Generative Adversarial Networks （GAN） takes the conditional data such as well and seismic data as the input， and the geological model as the output； Finally， the trained GAN is applied to the real conditional data to obtain the geological model of the target block. The feasibility of this method is verified through testing on the typical geological profiles of the main block of Puguang gas reservoir， and the impact of the training dataset scale on simulation results is analyzed. The combination of sedimentary simulation and deep learning could make up for the shortage of training data and indirectly realize knowledge-driven deep learning-based geological modeling. The method is therefore of great significance to popularization.

Key words: artificial intelligence （AI）, big data, knowledge-driven, Generative Adversarial Networks （GAN）, sedimentary process simulation, deep learning-based geological modeling, Puguang gas reservoir, Sichuan Basin

中图分类号:

TE132.1

刘彦锋,段太忠,黄渊,等. 沉积过程模拟驱动下的深度学习地质建模方法[J]. 石油与天然气地质, 2023, 44(1): 226-237. doi: 10.11743/ogg20230119 Yanfeng LIU,Taizhong DUAN,Yuan HUANG,et al. Deep learning-based geological modeling driven by sedimentary process simulation[J]. Oil & Gas Geology, 2023, 44(1): 226-237. doi: 10.11743/ogg20230119

图/表 11

图1

图2

表1

图3

表2

图4

图5

图6

图7

图8

图9

参考文献 40

1	吴胜和，李宇鹏. 储层地质建模的现状与展望［J］. 海相油气地质， 2007， 12（3）： 53-60.
	WU Shenghe， LI Yupeng. Reservoir modeling： Current situation and development prospect［J］. Marine Origin Petroleum Geology， 2007， 12（3）： 53-60.
2	张文彪，段太忠，刘彦锋，等. 定量地质建模技术应用现状与发展趋势［J］. 地质科技情报， 2019， 38（3）： 264-275.
	ZHANG Wenbiao， DUAN Taizhong， LIU Yanfeng， et al. Application status and development trend of quantitative geological modeling［J］. Geological Science and Technology Information， 2019， 38（3）： 264-275.
3	尹艳树，张昌民，李玖勇，等. 多点地质统计学研究进展与展望［J］. 古地理学报， 2011， 13（2）： 245-252.
	YIN Yanshu， ZHANG Changmin， LI Jiuyong， et al. Progress and prospect of multiple-point geostatistics［J］. Journal of Palaeogeography， 2011， 13（2）： 245-252.
4	吴胜和，李文克. 多点地质统计学——理论、应用与展望［J］. 古地理学报， 2005， 7（1）： 137-144.
	WU Shenghe， LI Wenke. Multiple-point geostatistics： Theory， application and perspective［J］. Journal of Palaeogeography， 2005， 7（1）： 137-144.
5	尹艳树，吴胜和. 储层随机建模研究进展［J］. 天然气地球科学， 2006， 17（2）： 210-216.
	YIN Yanshu， WU Shenghe. The progress of reservoir stochastic modeling［J］. Natural Gas Geoscience， 2006， 17（2）： 210-216.
6	胡向阳，郑文波，游瑜春，等. 四川盆地元坝长兴组礁滩相气藏概率体约束地质建模［J］. 石油与天然气地质， 2020， 41（1）： 157-163.
	HU Xiangyang， ZHENG Wenbo， YOU Yuchun， et al. Probability body-constrained geomodeling of reef-shoal reservoir in Changxing Formation， Yuanba area， Sichuan Basin［J］. Oil & Gas Geology， 2020， 41（1）： 157-163.
7	张文彪，段太忠，郑磊，等. 基于浅层地震的三维训练图像获取及应用［J］. 石油与天然气地质， 2015， 36（6）： 1030-1037.
	ZHANG Wenbiao， DUAN Taizhong， ZHENG Lei， et al. Generation and application of three-dimensional MPS training images based on shallow seismic data［J］. Oil & Gas Geology， 2015， 36（6）： 1030-1037.
8	宋随宏，史燕青，侯加根. 基于生成对抗网络的储层地质建模方法研究进展［J］. 石油科学通报， 2022， 7（1）： 34-49.
	SONG Suihong， SHI Yanqing， HOU Jiagen. Review of a generative adversarial networks （GANs）-based geomodelling method［J］. Petroleum Science Bulletin， 2022， 7（1）： 34-49.
9	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］//Ghahramani Z， Welling M， Cortes C， eds. Proceedings of the 27th International Conference on Neural Information Processing Systems， Montreal， 2014. Cambridge： MIT press， 2014： 2672-2680.
10	刘彦锋，张文彪，段太忠，等. 深度学习油气藏地质建模研究进展［J］. 地质科技通报， 2021， 40（4）： 235-241.
	LIU Yanfeng， ZHANG Wenbiao， DUAN Taizhong， et al. Progress of deep learning in oil and gas reservoirgeological modeling［J］. Bulletin of Geological Science and Technology， 2021， 40（4）： 235-241.
11	ZHENG Qiang， ZENG Lingzao， KARNIADAKIS G E. Physics-informed semantic inpainting： Application to geostatistical modeling［J］. Journal of Computational Physics， 2020， 419： 109676.
12	MOSSER L， DUBRULE O， BLUNT M J. Conditioning of three-dimensional generative adversarial networks for pore and reservoir-scale models［EB/OL］. （2018-02-15）［2022-01-03］. .
13	SONG Suihong， MUKERJI T， HOU Jiagen. Geological facies modeling based on progressive growing of generative adversarial networks （GANs）［J］. Computational Geosciences， 2021， 25（3）： 1251-1273.
14	SONG Suihong， MUKERJI T， HOU Jiagen. GANSim： conditional facies simulation using an improved progressive growing of generative adversarial networks （GANs）［J］. Mathematical Geosciences， 2021， 53（7）： 1413-1444.
15	NESVOLD E， MUKERJI T. Geomodeling using generative adversarial networks and a database of satellite imagery of modern river deltas［C］//Petroleum Geostatistics 2019， Florence， 2019. Bunnik： European Association of Geoscientists & Engineers， 2019： 1-5.
16	RAISSI M， PERDIKARIS P， KARNIADAKIS G E. Physics-informed neural networks： A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations［J］. Journal of Computational Physics， 2019， 378： 686-707.
17	KARNIADAKIS G E， KEVREKIDIS I G， LU Lu， et al. Physics-informed machine learning［J］. Nature Reviews Physics， 2021， 3（6）： 422-440.
18	SLOSS L L. Stratigraphic models in exploration［J］. AAPG Bulletin， 1962， 46（7）： 1050-1057.
19	HARBAUGH J W. Mathematical simulation of marine sedimentation with IBM 7090/7094 computers［M］//Merriam D F. Computer Contributions 1. Lawrence： Kansas Geological Survey， 1966： 1-52.
20	PAOLA C. Quantitative models of sedimentary basin filling［J］. Sedimentology， 2000， 47（S1）： 121-178.
21	BURGESS P M. 14-A brief review of developments in stratigraphic forward modelling， 2000-2009［M］//Roberts D G， Bally A W. Regional Geology and Tectonics： Principles of Geologic Analysis. Boston： Elsevier Science， 2012： 378-404.
22	HUANG X， GRIFFITHS C M， LIU J. Recent development in stratigraphic forward modelling and its application in petroleum exploration［J］. Australian Journal of Earth Sciences， 2015， 62（8）： 903-919.
23	ROSLI R， POPPELREITER M C， JAMALUDIN S N F. A review of stratigraphic foward models （Sfm） for carbonate platform［J］. International Journal of Engineering & Technology， 2018， 7（4.35）： 143-147.
24	DUAN Taizhong. Similarity measure of sedimentary successions and its application in inverse stratigraphic modeling［J］. Petroleum Science， 2017， 14（3）： 484-492.
25	刘彦锋，段太忠，龚伟，等. 基于深度学习的沉积模拟代理模型构建与应用［J/OL］. 沉积学报： 1-16［2022-01-03］. . DOI：10.14027/j.issn.1000-0550.2021.152 . doi: 10.14027/j.issn.1000-0550.2021.152
	LIU Yanfeng， DUAN Taizhong， GONG Wei， et al. Construction and application of a proxy model for stratigraphic forward modeling based on deep learning［J/OL］. Acta Sedimentologica Sinica： 1-16［2022-01-03］. . DOI：10.14027/j.issn.1000-0550.2021.152 . doi: 10.14027/j.issn.1000-0550.2021.152
26	GOODFELLOW I， BENGIO Y， COURVILLE A. Deep learning［M］. Cambridge： MIT Press， 2016.
27	HARSHVARDHAN G M， GOURISARIA M K， PANDEY M， et al. A comprehensive survey and analysis of generative models in machine learning［J］. Computer Science Review， 2020， 38： 100285.
28	ZHANG Tuanfeng， TILKE P， DUPONT E， et al. Generating geologically realistic 3D reservoir facies models using deep learning of sedimentary architecture with generative adversarial networks［J］. Petroleum Science， 2019， 16（3）： 541-549.
29	CHAN S， ELSHEIKH A H. Parametric generation of conditional geological realizations using generative neural networks［J］. Computational Geosciences， 2019， 23（5）： 925-952.
30	GAO Xiaoyang， HE Wenxiang， HU Yong. Modeling of meandering river deltas based on the conditional generative adversarial network［J］. Journal of Petroleum Science and Engineering， 2020， 193： 107352.
31	MIRZA M， OSINDERO S. Conditional generative adversarial nets［EB/OL］. （2014-11-06）［2022-01-03］. .
32	HUANG Huimin， LIN Lanfen， TONG Ruofeng， et al. UNet 3+： A full-scale connected UNet for medical image segmentation［C］//ICASSP 2020-2020 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）， Barcelona， 2020. Piscataway： IEEE， 2020： 1055-1059.
33	POMAR L. Ecological control of sedimentary accommodation： Evolution from a carbonate ramp to rimmed shelf， Upper Miocene， Balearic Islands［J］. Palaeogeography， Palaeoclimatology， Palaeoecology， 2001， 175（1/4）： 249-272.
34	POMAR L， HAQ B U. Decoding depositional sequences in carbonate systems： Concepts vs experience［J］. Global and Planetary Change， 2016， 146： 190-225.
35	POMAR L. Chapter 12-Carbonate systems［M］//Scarselli N， Adam J， Chiarella D， et al. Regional Geology and Tectonics： Volume 1： Principles of Geologic Analysis. 2nd ed. Amsterdam： Elsevier， 2020： 235-311.
36	段太忠，王光付，廉培庆，等. 油气藏定量地质建模方法与应用［M］. 北京：石油工业出版社， 2019.
	DUAN Taizhong， WANG Guangfu， LIAN Peiqing， et al. Quantitative geological modeling method and application of oil and gas reservoir［M］. Beijing： Petroleum Industry Press， 2019.
37	马永生，蔡勋育. 四川盆地川东北区二叠系-三叠系天然气勘探成果与前景展望［J］. 石油与天然气地质， 2006， 27（6）： 741-750.
	MA Yongsheng， CAI Xunyu. Exploration achievements and prospects of the Permian-Triassic natural gas in northeastern Sichuan Basin［J］. Oil & Gas Geology， 2006， 27（6）： 741-750.
38	姜贻伟，刘红磊，杨福涛，等. 震控储层建模方法及其在普光气田的应用［J］. 天然气工业， 2011， 31（3）： 14-17， 106.
	JIANG Yiwei， LIU Honglei， YANG Futao， et al. Seismic-constrained reservoir modeling and its application in the Puguang gas field［J］. Natural Gas Industry， 2011， 31（3）： 14-17， 106.
39	马永生，储昭宏. 普光气田台地建造过程及其礁滩储层高精度层序地层学研究［J］. 石油与天然气地质， 2008， 29（5）： 548-556.
	MA Yongsheng， CHU Zhaohong. Building-up process of carbonate platform and high-resolution sequence stratigraphy of reservoirs of reef and oolitic shoal facies in Puguang gas field［J］. Oil & Gas Geology， 2008， 29（5）： 548-556.
40	马永生，蔡勋育，郭旭升，等. 普光气田的发现［J］. 中国工程科学， 2010， 12（10）： 14-23.
	MA Yongsheng， CAI Xunyu， GUO Xusheng， et al. The discovery of Puguang gas field［J］. Strategic Study of CAE， 2010， 12（10）： 14-23.

参数类型	具体参数	分析方法
可容空间类	构造沉降曲线	地层回剥法，地震资料解释
	海平面曲线	Haq曲线，岩石的水深指示曲线
	初始地形	标志层厚度，沉积微相对水深指示意义
沉积物供给类	沉积物供给速率，最大产率	地层厚度，井上地层厚度序列
	沉积物供给集中度，透光带厚度	物源方向初始地层厚度变化程度，高能相带厚度
	沉积物供给成分比例，产率下降系数	观测数据中岩性比例，岩性变化频率
沉积物搬运剥蚀类	势能扩散系数	沿沉积物搬运方向的地层厚度变化
	扩散系数变化因子	岩性纵向变化程度
	动能对流系数	沿沉积物搬运方向的岩性变化程度
流体动能分布类	波浪能	水体流速相对大小
	风能	高能和低能相带分布的突变程度
	地形消浪能	沉积相对水体能量的指示意义

序号	参数	最小值	最大值	序号	参数	最小值	最大值
1	AmpSeaL1	40.000	120.000	22	KEng2	1.000	3.000
2	PerdSeaL1	500.000	1500.000	23	KEng3	0.500	1.500
3	AmpSeaL2	20.000	60.000	24	bEng1	0.500	1.500
4	PerdSeaL2	80.000	150.000	25	bEng2	0.040	0.120
5	PerdSeaL3	20.000	60.000	26	bEng3	10.000	30.000
6	LinEuElev3	-55.000	-10.000	27	pPr1	0.350	1.000
7	SubsidenceScale1	0.500	1.500	28	KV1	5.000	15.000
8	PDX2	40.000	120.000	29	KV2	17.000	52.000
9	PDX1	800.000	2200.000	30	KV3	12.000	35.000
10	KDX1	5.000	15.000	31	KW1	0.007	0.022
11	KDX2	25.000	750.000	32	KW2	0.012	0.040
12	Apord1	2.500	7.500	33	KW3	0.007	0.022
13	Apord2	15.000	45.000	34	kR1	0.025	0.000
14	Apord3	7.500	22.000	35	kR2	0.020	0.060
15	Kpord3	0.010	0.030	36	kR3	0.007	0.020
16	Kpord1	0.010	0.030	37	kH1	0.030	0.090
17	Kpord2	0.020	0.070	38	kH2	0.100	0.300
18	Wpord1	30.000	90.000	39	kH3	0.030	0.090
19	Wpord2	15.000	45.000	40	WaveBase1	20.000	60.000
20	Wpord3	35.000	100.000	41	KL1	0.002	0.007
21	KEng1	0.020	0.060

[1]	邹才能, 谢增业, 李剑, 张璐, 杨春龙, 崔会英, 王晓波, 郭泽清, 潘松圻. 典型碳酸盐岩大气田规模聚集差异性及其主控因素[J]. 石油与天然气地质, 2023, 44(1): 1-15.
[2]	何治亮, 赵向原, 张文彪, 吕心瑞, 朱东亚, 赵峦啸, 胡松, 郑文波, 刘彦锋, 丁茜, 段太忠, 胡向阳, 孙建芳, 耿建华. 深层-超深层碳酸盐岩储层精细地质建模技术进展与攻关方向[J]. 石油与天然气地质, 2023, 44(1): 16-33.
[3]	赵向原, 游瑜春, 胡向阳, 黎静容, 李毓. 基于成因机理及主控因素约束的多尺度裂缝“分级-分期-分组”建模方法[J]. 石油与天然气地质, 2023, 44(1): 213-225.
[4]	张砚, 惠栋, 张鉴, 张德良, 蒋睿. 四川盆地海相页岩水蒸气吸附特征及其主控因素[J]. 石油与天然气地质, 2022, 43(6): 1431-1444.
[5]	孟江辉, 吕沛熙, 吴伟, 潘仁芳, 朱逸青. 基于笔石表皮体反射率和拉曼光谱评价海相页岩热成熟度的方法[J]. 石油与天然气地质, 2022, 43(6): 1515-1528.
[6]	胡宗全, 杜伟, 朱彤, 刘曾勤. 四川盆地及其周缘五峰组-龙马溪组细粒沉积的层序地层与岩相特征[J]. 石油与天然气地质, 2022, 43(5): 1024-1038.
[7]	施振生, 赵圣贤, 赵群, 孙莎莎, 周天琪, 程峰, 施少军, 武瑾. 川南地区下古生界五峰组-龙马溪组含气页岩岩心裂缝特征及其页岩气意义[J]. 石油与天然气地质, 2022, 43(5): 1087-1101.
[8]	王鹏威, 刘忠宝, 李雄, 刘皓天, 周林, 肖雄, 王濡岳, 李鹏. 川东红星地区上二叠统吴家坪组页岩发育特征及其页岩气富集意义[J]. 石油与天然气地质, 2022, 43(5): 1102-1114.
[9]	祝海华, 陈琳, 曹正林, 王明磊, 洪海涛, 李育聪, 张芮, 张少敏, 朱光仪, 曾旭, 杨巍. 川中地区侏罗系自流井组大安寨段黑色页岩孔隙微观特征及主控因素[J]. 石油与天然气地质, 2022, 43(5): 1115-1126.
[10]	李倩文, 刘忠宝, 陈斐然, 刘光祥, 张殿伟, 李鹏, 王鹏威. 四川盆地侏罗系页岩层系岩相类型及储集特征[J]. 石油与天然气地质, 2022, 43(5): 1127-1140.
[11]	王光付, 李凤霞, 王海波, 李军, 张宏, 周彤, 商晓飞, 潘林华, 沈云琦. 四川盆地非常规气藏地质-工程一体化压裂实践与认识[J]. 石油与天然气地质, 2022, 43(5): 1221-1237.
[12]	刘双莲. 页岩气“双甜点”参数测井评价方法[J]. 石油与天然气地质, 2022, 43(4): 1005-1012.
[13]	陈旭, 胡明毅, 徐昌海, 王大玮. 四川盆地开江-梁平海槽周缘晚二叠世长兴期台缘礁滩沉积结构及其差异性[J]. 石油与天然气地质, 2022, 43(4): 833-844.
[14]	向芳, 肖倩, 喻显涛, 黄恒旭, 朱祥. 四川盆地元坝地区上二叠统海相凝灰沉积储层特征[J]. 石油与天然气地质, 2022, 43(4): 889-901.
[15]	岳亮, 孟庆强, 刘自亮, 杨威, 金惠, 沈芳, 张军建, 刘四兵. 致密砂岩储层物性及非均质性特征[J]. 石油与天然气地质, 2022, 43(3): 597-609.