基于离散余弦变换的非均质测井曲线表征与Transformer水力裂缝几何预测

《Petroleum Science》：DCT-based representation of heterogeneous well logs for Transformer-based hydraulic fracture geometry prediction

　　

摘要：储层非均质性的精确表征对于数据驱动的水力压裂预测至关重要。传统方法通常将测井数据简化为均质的层段平均参数，从而忽略了纵向变异性，而直接使用原始测井序列则会引入高维输入和冗余的局部波动，这可能阻碍模型学习并降低预测鲁棒性。在本研究中，提出了一种基于离散余弦变换（discrete cosine transform，DCT）的特征表示方法，用于压缩非均质测井曲线以预测水力裂缝几何形态。该方法通过将深度依赖的测井信号变换至频率域并保留主要的低频分量，在降低输入维度的同时保留了储层的主要纵向结构信息。研究人员将压缩后的测井特征纳入基于Transformer的预测模型，用以估算裂缝长度、裂缝宽度和裂缝高度，并进一步采用人工神经网络（artificial neural network，ANN）作为对比基准，以评估所提表示方法的普遍适用性。该方法利用玛湖油田的数据进行评估。结果表明，相较于层段平均参数和全分辨率测井输入，基于DCT的表示一致性地提升了预测性能。在Transformer模型中，使用DCT特征使得裂缝长度、宽度和高度的预测更为集中，且平均误差更低。在ANN模型中也观察到了类似但更为显著的改善，表明DCT的优势并不局限于特定的预测器架构。现场数据驱动的验证进一步表明，所提出的框架在实际应用条件下保持了稳定的预测性能。这些结果表明，基于DCT的测井压缩为将非均质测井信息整合到数据驱动的水力压裂模型中提供了一种有效且物理可解释的预处理策略。

论文解读

一、研究背景与问题

在水力压裂技术中，准确预测裂缝几何形态（长度、宽度、高度）对非常规油气藏开发至关重要。然而，地下裂缝扩展受地层性质、地应力分布、流体行为等多因素耦合影响，是一个高度非线性过程。其中，储层非均质性尤为关键，它直接影响岩石刚度差异、应力屏障行为和裂缝垂向延伸。传统数据驱动方法常将储层性质简化为层段平均值，这会丢失测井曲线中包含的纵向异质性信息，削弱了对层状地层的物理描述。尽管已有研究利用机器学习进行测井解释，但如何高效、紧凑地表示纵向非均质测井信号并将其引入裂缝几何预测模型，仍是一大挑战。

二、研究内容与结论

为解决上述问题，本研究提出一种基于离散余弦变换（DCT）的测井曲线特征表示方法。研究人员利用玛湖油田133口井共3000个压裂段的数据，将深度域的连续测井曲线（静态杨氏模量、泊松比、有效孔隙度、渗透率）通过DCT变换至频率域，仅保留前20个低阶系数作为输入特征，并分别采用Transformer和人工神经网络（ANN）模型预测裂缝长度、宽度和高度。实验表明，相比层段平均参数和全分辨率原始测井序列，DCT表示显著提升了预测精度：在Transformer模型中，平均决定系数R2从0.833提升至0.937，平均绝对百分比误差（MAPE）从11.54%降至7.56%；在ANN模型中改善更为明显。现场数据验证进一步证实了该方法的稳定性和实用性。

三、关键技术方法

1. 1.
   DCT变换与能量压缩：将每口井的测井曲线（静态杨氏模量、泊松比、有效孔隙度、渗透率）进行一维DCT变换，利用其能量压缩特性，仅保留前20个低频系数，实现降维的同时保留主要纵向结构信息。重建实验显示，随着保留系数增加，重建误差迅速下降。
2. 2.
   Transformer预测模型：将DCT系数按频率顺序排列成20×4的token序列，经线性投影和位置编码后送入4层自注意力编码器，结合标量工程参数（泵注排量、液量、砂浓度等）进行多任务回归预测裂缝长度、宽度和高度。
3. 3.
   ANN对比基准：采用4层全连接网络（256-128-64-32神经元），将所有输入变量拼接为统一特征向量，作为对比模型验证DCT表示的普适性。
4. 4.
   数据集构建：源自玛湖油田133口水平井的3000个压裂段，测井曲线经标准化处理并重采样至330个深度点；裂缝几何标签由经微地震和分布式光纤监测校准的GOHFER数值模拟生成。

四、研究结果

3.1 测井参数与裂缝几何的相关性分析：Pearson相关系数和归一化互信息分析表明，渗透率与裂缝长度呈正相关（r=0.51），杨氏模量与裂缝宽度呈强负相关（r=-0.75），泊松比与裂缝高度关联较强（互信息值0.63）。这些关系反映了数值模拟中的本构关系和参数敏感性。

3.2 DCT截断阶数敏感性分析：在Transformer框架下测试K=5~40的截断阶数。K=20时达到最优，平均R2=0.937，MAPE=7.56%，训练时间2.84秒/epoch；继续增加K值性能不再提升，而原始测井序列（330点）仅得到R2=0.833，MAPE=11.54%，训练时间8.92秒/epoch。

3.3 DCT表示在Transformer中的效果：相比原始测井序列，DCT特征使裂缝长度的R2从0.84提升至0.92，裂缝宽度从0.85提升至0.96，裂缝高度从0.81提升至0.93；所有误差指标（MAE、RMSE、MAPE）均显著降低，散点更集中于1:1参考线。

3.4 DCT表示在ANN中的效果：原始测井序列下ANN预测效果较差（裂缝宽度R2为-0.53），DCT特征使裂缝长度R2从0.26升至0.79，裂缝宽度从-0.53升至0.84，裂缝高度从0.49升至0.81，改善幅度大于Transformer，说明DCT对弱序列学习能力的模型帮助更大。

3.5 与层段平均表示的比较：层段平均表示的平均R2为0.884，MAPE为9.63%，优于原始序列但劣于DCT。DCT表示相比层段平均提高了R2 0.053，降低了MAPE 21.5%，证明保留纵向变化优于完全平滑。

3.6 DCT贡献的跨模型评估：两种模型均受益于DCT，但ANN改善更显著。这表明DCT不仅弥补了简单模型的不足，更是一种通用的、有效的测井曲线压缩方式，能保留主导纵向变化并提供更易学习的输入表示。

3.7 现场数据验证：利用玛湖油田5口井的现场数据进行验证。DCT表示在所有井中均获得比层段平均更低的裂缝长度预测中位相对误差，尤其在第1、3、4号井中误差分布更集中。三维裂缝形态重建图也显示预测结果能再现参考裂缝的主要几何特征和纵向扩展趋势。

五、总结与结论

本研究针对非均质储层中测井数据的高维性和冗余性问题，提出了基于DCT的测井曲线频率域压缩表示方法。该方法通过保留低频主成分，在降低输入维度的同时保留了关键的纵向非均质性信息。结合Transformer和ANN模型的实验表明，DCT表示一致性地优于层段平均和全分辨率原始输入，且在ANN模型中改善更为突出，证明了其跨模型的有效性。现场数据验证进一步确认了该方法在实际工况下的稳定表现。研究得出结论：基于DCT的测井压缩为将非均质测井信息融入数据驱动水力压裂模型提供了一种有效且物理可解释的预处理策略，有助于提高裂缝几何预测的地质真实性和工程适用性。