《Processes》：Pore Pressure Prediction in Tight Sandstone Reservoirs with a Hybrid BiLSTM-CNN Model
编辑推荐：
致密砂岩储层中的孔隙压力预测受限于传统方法的灵敏度不足，这些传统方法依赖单一声波或电阻率测井曲线，并假设泥岩欠压实是超压的主导机制。本研究开发了一种混合双向长短期记忆网络-卷积神经网络（BiLSTM-CNN）模型，该模型整合多参数测井响应以预测四川盆地东北部上
致密砂岩储层中的孔隙压力预测受限于传统方法的灵敏度不足，这些传统方法依赖单一声波或电阻率测井曲线，并假设泥岩欠压实是超压的主导机制。本研究开发了一种混合双向长短期记忆网络-卷积神经网络（BiLSTM-CNN）模型，该模型整合多参数测井响应以预测四川盆地东北部上三叠统XJH组致密砂岩层段的孔隙压力当量密度，该致密砂岩序列沉积于晚三叠世末期。研究汇编了五口井的井下压力实测数据及其对应测井曲线，经异常值过滤和缺失值插补后获得2163个数据点。灰色关联分析（GRA）将六项测井参数——声波时差、体积密度、侵入带电阻率、纵波慢度、深侧向电阻率和自然伽马——排序为最具信息量的模型输入。该网络耦合了每层含64个隐藏单元的双层BiLSTM以进行双向深度序列建模，以及三个膨胀率分别为1、2和3的并行一维卷积分支以进行多尺度局部特征提取。该模型在测试数据上取得了决定系数（R2）=0.968、均方根误差（RMSE）=0.0147 g/cm3、平均绝对误差（MAE）=0.0116 g/cm3的性能，优于四种基准算法（反向传播神经网络BP、K近邻KNN、梯度提升回归树GBRT和支持向量回归SVR）。验证井的预测压力剖面再现了砂岩与泥岩段之间受岩性控制的压力差异。通过多井预测插值生成的X2、X4和X6层段空间压力图显示，超压带与更大的埋藏深度和更强的顶封完整性相吻合。这些发现表明，将深度方向序列学习与多尺度卷积特征提取相结合，为低孔隙度碎屑岩系统中的孔隙压力表征提供了一种可靠的数据驱动框架。
论文解读
一、研究背景与问题
在钻井和水力压裂作业设计中，地层孔隙压力是关键参数。随着油气勘探向非常规领域拓展，地层压力系统日益呈现非线性、非均质性和复杂性，使得孔隙压力预测面临更大挑战。现有孔隙压力计算方法包括dc指数法、等效深度法、Eaton法和Bowers法等，这些传统方法均基于泥岩欠压实理论，主要依赖单一声波或电阻率测井曲线计算泥岩层段内的孔隙压力，而砂岩层段的压力则通过上下泥岩计算值之间的插值确定。这种插值方法仅在砂岩层段足够薄且横向连续、与周围泥岩属于同一压力系统时才可靠。当存在厚层砂岩层段，或砂岩被断层或不渗透屏障分隔形成孤立压力系统时，插值结果可能严重偏离实际压力。
本研究目标层段位于四川盆地东北部XJH组，存在X6、X4和X2三个砂岩层段，具有低孔隙度、高密度和相当厚度的特征，是典型致密砂岩储层。低孔隙度导致声波时差变化极小，使传统孔隙压力预测方法失效。因此，需要一种兼具广泛适用性和高精度的预测方法。随着机器学习和人工智能的快速发展，数据驱动方法逐渐被探索用于地层孔隙压力预测，这些方法具有整合多源数据、有效建模复杂非线性关系以及识别欠压实以外机制产生的超压等优势。然而，现有机器学习方法仍受限于对训练数据的高度依赖、机制约束不足以及跨井泛化能力有限等问题。LSTM-BP模型尤其受限于无法捕获序列数据中的双向依赖关系。此外，近期地球科学导向的机器学习研究强调，许多已发表模型仅报告最优统计指标而缺乏充分的泛化测试，真实地质项目常面临小规模标注数据集、高度非均质性和场地特定数据分布等制约跨井可迁移性的问题，因此采用深度有序数据集划分和独立测试集等适当的评估协议不可或缺。
二、研究内容与主要结论
本研究针对测井数据固有的序列性和非线性特征，构建了BiLSTM-CNN混合模型。该模型利用BiLSTM网络提取钻井、测井和录井数据中的时序特征，同时利用CNN进一步挖掘局部模式和层次特征，将两种架构的互补优势相结合，克服复杂地质条件下传统单参数预测方法的缺陷。研究整合多源测井数据响应到预测框架中，为以数据驱动方式估算孔隙压力提供了机制知情的基础。
研究得出以下主要结论：第一，灰色关联分析量化了各测井参数序列与实测孔隙压力序列沿深度方向的几何相似度，保留了相关度高于0.7的六个特征（声波时差AC、体积密度DEN、侵入带电阻率RXO、纵波慢度DTC、深侧向电阻率LLD和自然伽马GR）作为模型输入。第二，BiLSTM组件捕获了沿深度方向的双向序列依赖关系，而三个膨胀率分别为1、2和3的并行一维卷积分支从测井序列中提取多尺度局部特征。该架构在测试集上取得了R2=0.968、RMSE=0.0147 g/cm3和MAE=0.0116 g/cm3的性能，全面超越四种基准算法（BP、KNN、GBRT和SVR）。验证井的压力预测剖面再现了砂岩与泥岩段之间受岩性控制的压力差异，具有明确的地质合理性。第三，多井预测的插值生成了X2、X4和X6层段的孔隙压力和压力系数空间图。高压区对应于埋藏更深和顶封完整性更强的区域。X2层段具有最有利的储层物性，表现出最强的压力分隔性。这些空间模式与压实主导的压力系统辅以互层烃源岩层段生烃作用的特征一致，证实了学习到的测井-压力关系具有物理基础而非统计假象。
三、关键技术方法
研究人员构建了BiLSTM-CNN混合模型用于孔隙压力当量密度预测。数据来源于四川盆地东北部四口井（YS102、DY1H、DY1和DOY1）的井下压力实测数据和测井曲线，经物理合理性筛选和缺失值插补后获得2163个有效样本。模型输入为六个经灰色关联分析筛选的测井参数。网络架构包含两个并行分支：序列分支为两层BiLSTM（每层每方向64个隐藏单元），捕获双向深度上下文；多尺度分支为三个并行一维膨胀卷积层（卷积核大小3、32个滤波器、膨胀率分别为1、2和3），提取多尺度局部特征。两分支特征拼接为224维融合向量，经批归一化和丢弃率为0.3的dropout层正则化后，通过32-64-32架构的全连接头映射为单一输出。超参数通过网格搜索优化确定，学习率为0.0005，批大小为32，最大80个训练周期并采用耐心值为15的早停策略。数据集按深度顺序划分，80%用于训练和验证，20%作为独立测试集。
四、研究结果
3.1 BiLSTM-CNN模型结果：预测值与实测值的散点图显示数据点集中于恒等线附近，回归拟合线紧密跟随恒等线。模型在测试集上取得R2=0.968、RMSE=0.0147 g/cm3、MAE=0.0116 g/cm3。残差直方图中拟合正态分布中心约为0.004 g/cm3，相当于平均实测当量密度的2.6%；残差-预测值图中最大残差占对应预测值的4.1%，表明预测误差相对于预测当量密度的量级较小。
3.2 多模型对比结果：BiLSTM-CNN模型与四种传统机器学习算法（BP、KNN、GBRT和SVR）在相同训练集和按深度顺序保留的相同独立测试集上进行比较。BiLSTM-CNN的R2达到0.97，超过最优传统模型（BP，0.77）0.20；MAE为0.0116 g/cm3，比最优传统模型（KNN，0.0207 g/cm3）低约44%；RMSE为0.0147 g/cm3，比最优传统模型（BP，0.0372 g/cm3）低约60%。在YS-102井全井段应用中，SVR曲线过于平滑，低估突变和超压段；KNN曲线呈波浪状起伏；BP曲线对局部变化敏感但倾向于过预测；GBRT曲线在特定层段呈现明显振荡。BiLSTM-CNN曲线在整个井段紧密追踪实测值，变化平滑，与预期孔隙压力趋势一致。在砂岩主导层段，GR显著降低（<80 API）、AC增加、DEN降低、LLD升高，G-pp曲线在这些层段持续显示局部高值，表明储层物性优越的砂岩段是超压发育的优先位置。泥岩主导的X3、X5层段，GR呈高幅锯齿状（>100 API）、AC降低、DEN增加、LLD大幅下降，G-pp预测相应下降，反映泥岩层段因压实程度更高和孔隙流体排出更完全而压力相对较低。
3.3 应用结果：将训练模型的输出在多井间插值，生成X6、X4和X2层段的孔隙压力和压力系数空间图。X6层段孔隙压力在北部和中部区域升高，向南递减，高压带集中在东北部，与北部泥岩盖层更厚更连续、南部砂体连通性更好的解释一致。X4层段呈现类似的东北至南部递减趋势，但高压带空间连续性更强，表明压力保存条件在局部尺度上相对均匀。X2层段呈现三个层段中最非均质的压力模式，北部、中部和东部出现分隔的高压带，南部为低压区；压力系数在X2层段大部分区域超过1.5，表明广泛超压。三个层段的共同观测结果是预测高压带与更大埋藏深度和更强顶封完整性相关，这是压实主导压力系统辅以互层烃源岩层段生烃作用的预期特征。
五、讨论与结论
与传统Eaton法和Bowers法相比，BiLSTM-CNN模型具有两个关键优势。第一，通过整合经灰色关联分析筛选的六个测井参数，模型能够区分多种超压机制——压实不均衡和生烃作用——每种机制在测井曲线上产生不同特征。第二，双向序列架构直接从数据中学习测井响应与压力之间的深度依赖关系，适应单测井方法无法处理的理想正常压实趋势的局部偏差。空间预测证实，将双向序列学习与多尺度卷积特征提取相结合，为致密砂岩储层孔隙压力表征提供了可靠的数据驱动框架，解决了传统单参数方法的局限性，并为未来勘探的甜点识别提供指导。
研究结论翻译：传统孔隙压力预测方法依赖单一测井曲线并假设泥岩欠压实为主导机制，在低孔隙度抑制声波时差变化的致密砂岩储层中适用性和精度受限。本研究开发了整合多参数测井响应的混合BiLSTM-CNN模型，用于预测四川盆地东北部XJH组的孔隙压力当量密度。主要发现如下：（i）灰色关联分析量化了各测井参数序列与实测孔隙压力序列沿深度方向的几何相似度，保留了相关度高于0.7的六个特征——AC、DEN、RXO、DTC、LLD和GR——作为模型输入，同时排除了低于该阈值的参数。（ii）BiLSTM组件捕获了沿深度方向的双向序列依赖关系，而三个膨胀率分别为1、2和3的并行一维卷积分支从测井序列中提取多尺度局部特征。该架构在测试集上取得了0.968的决定系数，RMSE和MAE分别为0.0147和0.0116 g/cm3，全面超越四种基准算法（BP、KNN、GBRT和SVR）。验证井的压力预测剖面以明确的地质合理性再现了砂岩与泥岩段之间受岩性控制的压力差异。（iii）多井预测的插值生成了X2、X4和X6层段的孔隙压力和压力系数空间图。高压区对应于埋藏更深和顶封完整性更强的区域。X2层段具有最有利的储层物性，表现出最强的压力分隔性。这些空间模式与压实主导的压力系统辅以互层烃源岩层段生烃作用的特征一致，证实了学习到的测井-压力关系具有物理基础而非统计假象。
