基于图神经网络的陆相页岩断层与裂缝分布预测

《Petroleum Science》：Fault and fracture distribution prediction in continental shale based on graph neural network

　　

断层-裂缝系统在页岩油的运移、聚集和保存中起着关键作用。然而，这些裂缝的微弱地球物理响应以及断层和天然裂缝拾取中的模糊性使其识别和辨认面临挑战。为解决这些问题，本文提出了一套基于图神经网络（GNN）的断层-裂缝系统分布预测方法。该方法集由三部分组成：(1) 基于图池化和全局图构建的测井裂缝识别方法，利用测井数据采样点构建小尺度图模拟井筒中的裂缝分布，并通过深度序列、空间距离计算和全局图卷积将岩性、地层和力学地层信息整合到全局图结构和裂缝识别模型中；(2) 一种结合语义分割与图卷积的方法，在U-Net网络中添加断层图结构和图计算模块以扩大感受野并明确模型的分割边界，并构建联合损失函数以同时训练和优化断层分割与断层连续性分析模块；(3) 一种结合断层损伤带图构建与集成学习的裂缝强度预测方法，通过顶点间的信息传递将断层对裂缝的控制作用有效整合到井间裂缝分布预测模型中。该方法集应用于准噶尔盆地玛北地区风城组，通过常规测井数据实现了91.96%的裂缝识别精度，97.38%的断层检测精度，以及9.38%的构造裂缝分布预测平均绝对误差，较现有技术提高了22.47%。总体而言，研究结果为页岩油储层中断层-裂缝系统的分布预测提供了新方法。

**论文解读：基于图神经网络的陆相页岩断层与裂缝分布预测**

**研究背景与问题**

随着油气勘探开发从常规向非常规资源转变，页岩油气已成为全球油气产量增长的主要贡献者。在中国，准噶尔、鄂尔多斯、三塘湖、松辽、渤海湾和柴达木等盆地已取得重大突破，页岩油探明和预测储量逐年增加。然而，页岩油储层通常具有低孔低渗特征，断层-裂缝系统在页岩油的运移、聚集和保存中起关键作用。准确预测断层和裂缝的分布对于页岩油储层的有效勘探开发至关重要。现有方法面临诸多挑战：裂缝的地球物理响应微弱，断层和天然裂缝的拾取存在模糊性；传统机器学习方法（如卷积神经网络CNN、支持向量机SVM等）并非专门为断层-裂缝系统研究设计，存在感受野有限、难以提取断层全局特征、未能有效考虑地质因素以及数据不平衡等问题，导致裂缝预测精度和召回率较低。因此，亟需开发新方法，扩展断层分割技术的感受野，并有效整合地质知识到智能裂缝识别模型中。

**研究内容与结论**

研究人员提出了一套基于图神经网络（GNN）的断层-裂缝系统分布预测方法，并将其应用于准噶尔盆地玛湖凹陷玛北地区风城组页岩油储层。该方法集由三个子方法组成：基于测井的裂缝识别、基于地震的断层检测和井间裂缝分布预测。通过整合多源异构数据（岩心观测、成像测井、常规测井和三维地震数据），实现了断层-裂缝系统的高精度预测。研究结论表明：基于GNN的测井裂缝识别方法在测试集上准确率达91.96%，裂缝样本精度和召回率分别为92.35%和82.44%，显著优于非GNN方法；地震断层检测方法准确率达97.39%，Dice系数为83.37%，特异性为98.02%，AUC为99.12%，较U-Net有显著提升；井间裂缝分布预测方法平均绝对误差（MAE）为9.38%，决定系数（R2）为0.74，较现有方法误差降低24%。该研究发表在《Petroleum Science》上，为页岩油储层断层-裂缝系统分布预测提供了新途径。

**关键技术与方法**

研究人员主要采用以下关键技术方法：(1) 小尺度图池化与全局图构建：通过沿测井深度轴滑动窗口构建小尺度图，利用gPool层进行信息整合和下采样，并基于岩性分层和欧氏距离构建全局图结构，将岩性、地层和力学地层信息融入图卷积神经网络（GCN）中。(2) 结合语义分割与图卷积的断层检测方法：在简化U-Net网络基础上引入断层图结构，通过求解程函方程（Eikonal equation）计算旅行时（travel time）构建断层图，实现断层分割与连续性分析的联合优化。(3) 断层损伤带图构建与集成学习：利用方差属性累积频率法（cumulative frequency method）计算断层损伤带宽度，构建包含断层核心和损伤带顶点的图结构，并引入边权重（edge weights）控制信息传递，随后利用极值梯度提升（XGBoost）模型进行裂缝强度预测。样本数据来源于准噶尔盆地玛湖凹陷玛北地区风城组页岩油储层，包括8口关键井的测井数据、三维地震数据及岩心描述结果。

**研究结果**

**（1）常规测井裂缝识别**
通过小尺度图池化和全局图构建，模型在测试集上准确率达91.96%，裂缝样本精度和召回率分别为92.35%和82.44%。在盲井B1的验证中，GNN模型在多个深度区间（如4563.125–4565.25 m、4565.875–4569.25 m、4574.25–4576.75 m）正确识别了大部分裂缝，而多层感知机（MLP）模型仅识别少量或未识别，表明GNN模型有效解决了数据不平衡导致的低精度和低召回率问题。

**（2）地震断层检测**
结合图卷积的U-Net方法在测试集上准确率为97.39%，Dice系数为83.37%，特异性为98.02%，AUC为99.12%，较原始U-Net分别提升3.97%、15.07%、4.85%和0.58%。模型应用于研究区后，获得了各目标层的平面断层分布图，断层主要分布在研究区南部和东部，走向近东西向和近南北向。

**（3）井间裂缝分布预测**
通过断层损伤带图构建与XGBoost集成，模型在测试集上均方误差（MSE）为1.26×10^-2，决定系数（R2）为7.40×10^-1，平均绝对误差（MAE）为9.38×10^-2。与未集成GNN的XGBoost相比，R2从0.215提升至0.740，MAE从0.121降至0.0938。预测结果显示，裂缝发育强度在断层附近较高，远离断层逐渐降低，与测井识别结果具有较高一致性。

**（4）工程验证**
通过生产数据统计分析，研究人员发现单井日产油量随裂缝累积长度增加而增加（如B6井），且单位厚度日产油量与裂缝强度呈正相关（如B9、B10井裂缝强度>0.8，日产油量较高；B2、B11井裂缝强度<0.25，日产油量较低），从工程角度验证了预测结果的可靠性。

**（5）参数设置与不确定性分析**
小尺度图顶点数设为5（对应90%以上裂缝高度<0.5 m），全局图卷积层数为2，阈值δ_d=1%控制边生成；断层图中速度场设置V_fault=1.0、V_nofault=0.01，阈值γ_FF=10；网格窗口大小8。蒙特卡洛不确定性分析表明，高置信度裂缝识别集中在测井响应强、训练约束充分的深度区间，低置信度出现在测井响应模糊或样本稀疏区域。小样本实验显示，当训练数据保留50%以上时，测井裂缝识别模型准确率仍高于83.32%，井间预测模型R2约0.66；当训练数据降至30%时，准确率降至72.24%，R2降至0.48，表明模型在适度数据条件下仍具稳健性。

**讨论与结论**

讨论部分指出，该方法的局限性在于：训练过程较复杂，参数多导致模型复杂度高、训练时间长；目前仅适用于玛湖凹陷，推广至其他区域需重新设计图构建方案和边权重策略，并利用新区域数据重新训练；仅适用于由成像测井可解释的高角度构造裂缝，无法识别页岩油储层中常见的层理缝。未来改进方向包括简化训练过程、降低模型复杂度、缩短训练时间、提高预测精度和泛化能力，并开展层理缝识别与预测方法研究。

研究结论部分翻译如下：本文提出了一套基于图神经网络的断层-裂缝系统分布预测方法，包含三个相互关联的子方法。基于常规测井的裂缝识别通过图结构将岩性、地层和力学地层信息整合到识别模型中，有效解决了数据不平衡导致的低精度和低召回率问题，准确率达91.96%。地震断层检测方法构建联合损失函数共同训练断层分割和连续性分析模块，解决了U-Net感受野有限导致的断层连续性检测差的问题，准确率达97.39%，较U-Net提升3.96%。井间裂缝分布预测模型通过顶点间的信息传递将断层对裂缝的控制作用有效整合，显著提高了井间构造裂缝分布预测精度，平均绝对误差为9.38%，较现有方法降低24%。然而，该方法仍存在局限性：图构建和计算使训练过程繁琐，模型复杂度高、训练时间长；应用于其他区域需重新调整小尺度图顶点数、全局图约束和边生成百分位数。未来改进应聚焦于简化训练过程、降低模型复杂度、缩短训练时间、提高预测精度和泛化能力。