《Journal of Applied Geophysics》:STAG-ConvLSTM: Spatio-temporal attention graph convolutional long short-term memory for gas hydrate reservoir identification by well logging data
编辑推荐:
冷旺峰|胡旭东|肖坤|宋国|刘丹宇|余冰冰|邹长春•本文提出了一种新的混合深度学习模型(STAG-ConvLSTM),用于天然气水合物储层的识别。•在所有评估指标上,STAG-ConvLSTM在准确率、精确度、召回率和F1分数方面均优于SVM、CNN1D、GAT和LSTM模型。•
冷旺峰|胡旭东|肖坤|宋国|刘丹宇|余冰冰|邹长春
- •
本文提出了一种新的混合深度学习模型(STAG-ConvLSTM),用于天然气水合物储层的识别。
- •
在所有评估指标上,STAG-ConvLSTM在准确率、精确度、召回率和F1分数方面均优于SVM、CNN1D、GAT和LSTM模型。
- •
该模型具备较强的泛化能力,证明了其在实际勘探场景中的稳定性。
- •
该方法为天然气水合物资源评估提供了一种可靠的数据驱动方法,有助于提高工作效率和决策水平。
引言
天然气水合物是一种结晶状、类似冰的结构,形成于特定的低温高压环境下,由水和天然气结合而成。它们主要存在于陆地永久冻土层以及深海沉积物中(Makogon, 2010; Collett et al., 2011)。由于分布广泛、资源潜力巨大、能量密度高,且可作为高效清洁的能源,天然气水合物在全球能源和地球科学领域受到了广泛关注(Maslin et al., 2010; Boswell and Collett, 2011; Wallmann et al., 2012; Jeong et al., 2014; Huaimin et al., 2019; Zhang et al., 2024a)。要准确评估并高效安全地开发天然气水合物资源,就必须精准识别储层。然而,由于天然气水合物与周围沉积物及孔隙流体的复杂相互作用,其地球物理特征会被削弱,这大大增加了识别的难度和不确定性(Bhandari et al., 2024; Xu and Konno, 2024; Chen et al., 2025a, Chen et al., 2025b)。因此,为了未来能够开发这些资源,有必要建立有效的天然气水合物储层识别方法。
经过数十年的勘探,天然气水合物储层的识别技术取得了显著进步,从直接验证发展到间接检测,从定性评估发展到定量分析。早期的方法主要依赖于钻探和取芯等直接手段,通过分析取出的岩心中的分解迹象或利用压力岩心取样法来确定是否存在天然气水合物(Yamamoto, 2015)。尽管这些方法直观可靠,但成本高昂、效率低下且具有破坏性,难以在大规模勘测中应用。后来,孔隙水地球化学分析作为一种低成本、可靠的间接方法出现,它利用天然气水合物分解产生的氯离子减少现象来提高单井的识别效率(Gambelli et al., 2021)。随着技术的发展,地球物理勘探因其能够经济且连续地获取原位地质信息,逐渐成为天然气水合物储层评估的核心手段。早期的地球物理方法主要依靠经验性的交叉图技术,例如Tian和Liu(2021)就利用速度交叉图,根据含天然气水合物的沉积物与其他沉积物在P波和S波速度上的差异来定性识别天然气水合物。随着对岩石物理模型的研究不断深入,基于理论模型推导出的等效介质方程被广泛用于定量估算天然气水合物饱和度,从而提高了评估精度。例如,Hu等人(2019)建立了考虑黏土含量和分布形态的有效介质模型,在祁连山永久冻土区展现了出色的性能。Zhang等人(2024b)则建立并验证了一种更为准确的天然气水合物饱和度计算模型,证明了其在实际应用中的可行性和预测结果的可靠性。Liu等人(2019)针对南海西北坡数据不足的问题,将波阻抗指数计算与一维正演建模相结合,从而得出饱和度界限。此外,虽然地震勘探中的BSR界面长期以来被视为天然气水合物的指示标志,但研究表明它并不一定与天然气水合物的分布相对应(Liang et al., 2017)。测井技术则通过获取电阻率、声速和密度等原位参数,实现对储层参数的定量评估,已成为识别天然气水合物的重要方法(Hu et al., 2024; Kang et al., 2024; Zhan et al., 2025)。Majumdar等人(2017)分析了墨西哥湾北部798口井的测井数据,发现124口井存在显著的电阻率升高现象,这是潜在天然气水合物储层的重要证据。Madof等人(2019)整合了密西西比扇区的岩心、测井和地震数据,认为声速异常表明存在高饱和度的天然气水合物储层。尽管这些传统方法在特定条件下效果良好,但它们也存在明显局限性:过度依赖专家经验会导致主观性,使得解释结果不一致。更关键的是,随着勘探规模的扩大和数据量的增加,传统方法已无法满足现代能源勘探在处理效率和精度方面的需求。
得益于人工智能技术的进步,机器学习算法在储层识别任务中的应用越来越广泛。Tang等人(2025)将随机森林算法与传统的测井曲线及油藏测试数据相结合,用于识别和分类储层中的流体,证明了该模型在识别研究区域内的低孔低渗储层流体方面的可靠性。Hu等人(2025)研究了六种常用的机器学习方法,并结合五种测井曲线来识别天然气水合物储层,在卡斯卡迪亚俯冲带进行的实验取得了良好效果。与此同时,Tian等人(2023)则利用几种常见的机器学习算法,结合对天然气水合物变化极为敏感的P波和S波速度,来判断沉积物中是否存在天然气水合物。这些机器学习方法通常依赖于优化和数据挖掘领域的核心技术,而这些技术近年来也取得了显著进展(Shi and Yang, 2010; Parpinelli et al., 2002; Shirvani-Hosseini et al., 2022; Jia et al., 2026)。例如,为了提升搜索能力,人们开发了无隐喻优化算法,如基于梯度的优化器(GBO)和龙格-库塔优化器(RUN)(Samadi-Koucheksaraee et al., 2022),而受物理原理启发的新型优化器,如LEE,在基准测试中表现更为出色(Chen et al., 2025a, Chen et al., 2025b)。然而,上述传统的机器学习方法在捕捉测井响应中的复杂非线性模式和隐藏特征方面存在局限。因此,本研究采用端到端的深度学习框架,旨在自动学习和提取更具敏感度和有效性的天然气水合物储层特征参数。
本文提出了一种名为STAG-ConvLSTM的深度学习模型,用于自动识别天然气水合物储层。该模型采用模块化结构,将注意力机制与ConvLSTM相结合,以便捕捉井测井数据中的时空特征。模型训练所使用的测井曲线来自加拿大温哥华岛西南部太平洋东北部大陆架边缘区域的四口钻孔,这些曲线对天然气水合物较为敏感。此外,还通过盲测井试验来评估该模型的泛化能力,这将有助于提高这一过程的自动化程度和效率。
章节摘录
地质背景
研究区域位于加拿大温哥华岛西南部的太平洋东北部大陆架,也是IODP第311航次的研究目标(见图1)。此次航次的核心科学问题是探究天然气水合物是如何在堆积体中富集并形成的。从构造上看,该地区属于太平洋板块俯冲到北美洲板块之下形成的增生楔,其俯冲速度为45毫米/年(Riddihough, 1984, Riedel and
实验设置
实验在高性能计算平台上进行,软件环境基于Python 3.8、PyTorch 1.12和scikit-learn 1.2构建。表2详细列出了模型架构的关键参数。在将模型应用于天然气水合物储层识别之前,通过网格搜索对每个模型进行了参数优化,以确定其最佳超参数。
STAG-ConvLSTM模型是在以下设置下使用AdamW优化器进行训练的:学习率=0.0003,权重衰减系数=5e-3。模型的训练过程为
讨论
本研究基于传统测井数据,建立了一种新的STAG-ConvLSTM模型用于识别天然气水合物储层。以下是对该方法的讨论。
结论
本研究旨在解决天然气水合物储层识别难题,提出了基于STAG-ConvLSTM的智能识别方法。基于IODP第311航次的随钻测井数据,我们开展了系统的对比研究和盲测井试验,主要得出以下结论:
- (1)
STAG-ConvLSTM模型在识别天然气水合物储层方面效果显著,其性能远优于传统的机器学习模型以及作为参考的深度学习模型。在各项对比中
CRediT作者贡献说明
冷旺峰:写作——初稿撰写、可视化、验证、软件开发、方法设计、研究实施、正式分析、数据整理。胡旭东:写作——审阅与编辑、项目监督、项目管理、资金筹集、概念构思。肖坤:验证、方法设计。宋国:可视化、软件开发、研究实施、正式分析。刘丹宇:可视化、验证、数据整理。余冰冰:验证、资源协调。邹长春:写作——审阅与编辑、方法设计。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了以下机构的支持:中国国家自然科学基金(编号:42404150)、中国地质大学(北京)板块内火山与地震重点实验室的开放研究项目、教育部(编号:KLIVE2025-03)、中国科学院西北生态环境资源研究院甘肃省石油资源勘探评价实验室(编号:KLPREEGS-2025-06)、中国国家留学基金委奖学金(编号:202508360144)以及其他支持机构。