基于地质信息的深度学习技术，用于从测井数据中识别岩性

《Frontiers in Earth Science》：Geological information-driven deep learning for lithology identification from well logs

本文提出一种地质驱动的深度学习框架，通过多分辨率小波分解将1D测井数据转换为2D地质特征图，结合双向LSTM和通道-空间注意力机制，显著提升薄层岩性识别的准确性和泛化能力，F1分数达0.966，优于传统方法。

　　在油气勘探与开发过程中，准确识别地层岩性对于评估储层特性、制定开发方案具有关键意义。尤其是在复杂的非常规储层中，薄层的识别尤为关键，因为这些薄层往往对油气聚集具有重要影响。然而，传统岩性识别方法在面对复杂的地质结构或大规模多井数据时，存在准确性和效率方面的显著挑战。近年来，随着深度学习技术的发展，基于深度神经网络的方法在岩性识别任务中取得了显著进展。然而，大多数现有方法将井测数据视为普通的1D时间序列，忽视了其中蕴含的多尺度地质信息，从而限制了模型的预测能力和泛化能力。

为了解决这一问题，本研究提出了一种全新的地质驱动深度学习框架，该框架通过多分辨率小波分解将传统的1D井测数据转换为2D多尺度特征图，使得地质特征与沉积循环的表达更为直观。这一特征图的构建方式不仅增强了数据的表达能力，还使得深度学习模型能够更有效地捕捉到与地质原理一致的特征信息。在此基础上，我们设计了一种结合2D卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合架构，并引入了通道-空间注意力机制，以增强模型对关键岩性特征的关注度。该模型在复杂储层的实际数据上进行了验证，取得了显著的识别效果，F1得分高达0.966，明显优于其他四种基准模型。

本研究的创新点在于，它不仅考虑了井测数据的多尺度特征，还通过结合地质知识，使深度学习模型具备更强的泛化能力和鲁棒性。传统的深度学习方法在处理薄层识别任务时，常常因数据分辨率较低而难以准确区分，而本研究通过将井测数据转换为多尺度特征图，使得模型能够更好地捕捉到这些细微的变化。此外，该模型还能够处理不同井之间的地质分布差异，特别是在数据漂移显著的井中，其F1得分仍能保持在0.885，表明其具备良好的泛化能力。

本研究的数据来源于中国松辽盆地的三肇凹陷与大庆向斜之间的过渡区域，具体位于三肇凹陷的西北边缘。这一区域具有较为复杂的地质结构，其中包括三种主要的沉积相：分流间湾、河道和沙席。通过选取不同沉积相的井作为测试与训练样本，我们能够更全面地评估模型的性能。在模型训练过程中，我们对六种井测曲线进行了归一化处理，以确保模型输入的一致性。这六种曲线包括自然伽马（GR）、声波（AC）、深侧向电阻率（RLLD）、浅侧向电阻率（RLLS）、中电极间距电阻率（RMG）和近电极间距电阻率（RMN）。这些曲线反映了地层的物理与化学特性，是识别岩性的重要依据。

在模型构建方面，我们采用了一种结合2D CNN和BiLSTM的混合架构，其中2D CNN用于提取多尺度地质特征，而BiLSTM则用于捕捉地层序列中的时间依赖性。通过引入通道-空间注意力机制，模型能够更有效地聚焦于关键的岩性特征，从而提高识别的准确性。此外，我们还对模型的结构进行了优化，采用3×3的卷积核，并移除了最大池化层，以保留更多的原始信息。这一结构设计使得模型在处理复杂地质信息时，既能够提取深层特征，又不会因信息损失而影响识别效果。

实验结果显示，CA-HybridNet在多个测试井中均表现出优越的性能。例如，在Well 1中，CA-HybridNet在1210米至1270米的岩性区间内实现了超过95%的准确率，尤其在岩性过渡区域（如1235-1245米）表现突出。相比之下，ResNet在1275米至1285米的薄层区域识别能力较差，而HybridNet在这一区域也出现了部分误判。在Well 2中，薄层更为普遍，CA-HybridNet仍然保持了较高的识别准确率，特别是在识别粉砂岩时表现出色，而其他模型则出现了较大的误差，其中LSTM和ResNet在1270米至1300米的区间内表现不佳。

此外，我们还分析了不同小波分解层数对模型性能的影响。实验表明，随着分解层数的增加，模型的F1得分逐渐提升，但当分解层数超过8层时，模型的识别性能可能因信息冗余或过拟合而略有下降。这一结果表明，存在一个最佳的小波分解层数，该层数与研究区域的地质异质性特征密切相关。因此，在实际应用中，应根据地质条件的复杂程度合理选择小波分解层数，以达到最佳的识别效果。

本研究的成果不仅验证了地质驱动深度学习框架在岩性识别任务中的有效性，也为未来的研究提供了新的思路。例如，未来可以考虑将其他地质数据，如地震属性或岩心数据，引入模型中，以进一步增强模型的物理意义和地质适应性。此外，还可以探索更先进的深度学习技术，如Transformer模型，以提高模型的表达能力和泛化能力。总之，本研究通过将地质信息与深度学习技术相结合，为高精度岩性识别提供了一种有效的方法，具有重要的理论和应用价值。