基于可解释深度学习的裂缝预测方法：中国塔里木盆地案例研究

《Energy Geoscience》：Interpretable deep learning-based fracture prediction method: A case study from the Tarim Basin, China

　　

在致密砂岩气藏中，裂缝在增强储层渗透率和连通性方面起着关键作用。基于地震的裂缝预测方法在表征井间三维空间特征方面具有优势。以塔里木盆地A井区为案例，本研究提出了一种基于可解释多属性深度学习的裂缝预测方法。以成像测井得到的每米裂缝数量作为标签数据，从优化后的地震属性中提取初始特征。对这些属性进行分类并进行主成分分析（PCA），以保留包含关键裂缝成因信息的主成分，作为补充特征数据。在裂缝控制因素的约束下，研究人员训练并比较了三种模型——反向传播（BP）、深度信念网络（DBN）和长短期记忆（LSTM）——使用这些特征数据集。研究人员选择LSTM神经网络构建最终预测模型，该模型在训练、验证和测试数据集上表现出高精度和强泛化能力。预测结果符合地质规律：裂缝高度发育区与背斜轴部和断裂带相关，而低值区出现在向斜核部等构造稳定区域。为解释模型并识别主导控制裂缝类型，研究人员应用局部可解释模型无关解释（LIME）方法对代表性井进行评估，分析了区域构造裂缝、构造变形相关裂缝和断裂派生裂缝的贡献。分析表明，断裂派生裂缝是控制这些井裂缝发育的主导因素。该方法能够实现裂缝密度的精确三维空间预测，通过成因属性分析提高结果可靠性，并识别控制裂缝发育的主导因素。

**基于可解释深度学习的裂缝预测方法研究：塔里木盆地A井区案例解读**

**一、研究背景、问题与研究意义**

随着常规油气资源的日益枯竭，非常规油气资源凭借其巨大的资源潜力，已成为全球油气勘探和国家能源战略规划的关键组成部分，对保障全球能源安全至关重要。天然裂缝是控制非常规致密砂岩、碳酸盐岩和页岩油储层储集质量及产能的主导地质因素。裂缝能有效改善储层渗透率，为油气提供运移和聚集通道，并补充有效储集空间。裂缝的发育特征和成因机制决定了致密储层的高产稳产性能，是高效勘探开发非常规油气资源的基本前提。因此，储层裂缝的准确识别、定量表征和空间预测，对于优化压裂开发方案、部署井网和提高油气采收率具有重要的理论和实践意义。

当前，储层裂缝预测技术已从早期定性和半定量描述发展到高精度定量精细表征。传统地质和测井方法（岩心观察、薄片鉴定、成像测井等）是裂缝识别的基本手段，但局限于井筒尺度，无法实现井间大尺度空间预测，且人工解释依赖专家经验，成本高、效率低。现有智能测井预测方法也集中在单井尺度，缺乏井间空间扩展能力。同时，当前的地震裂缝预测依赖单一或叠加的地震属性，未能区分不同成因机制导致的裂缝发育差异，导致预测结果多解性和模糊性，模型的地质成因意义不明确。此外，大多数基于深度学习的裂缝预测模型只关注提高预测精度，忽视了地质可解释性，缺乏对不同成因控制因素贡献的定量评估，存在普遍的“黑箱”问题。

为此，本研究以塔里木盆地A井区致密砂岩气藏为研究对象，旨在构建一套高精度且成因可解释的井间三维储层天然裂缝识别系统。研究人员基于成像测井数据提取的高精度裂缝密度标签，优化多类型地震属性建立高质量训练样本集，构建多种深度学习模型以提取裂缝的深层空间特征，实现三维裂缝发育强度的定量预测。创新性地提出了成因可解释优化策略：基于裂缝成因机制对地震属性进行分类，并对每个成因属性类别进行独立主成分分析（PCA），保留不同裂缝控制因素的独立特征信息；结合局部可解释模型无关解释（LIME）算法，定量阐明不同成因机制对裂缝发育的贡献，有效解决了传统深度学习模型的黑箱缺陷。研究成果实现了井间裂缝预测精度与地质可解释性的协同优化，可为致密砂岩储层裂缝精细表征和非常规油气高效开发提供指导，同时裂缝成因控制因素的定量评价结果可为储层构造演化和裂缝形成机制深入研究提供坚实的数据和技术支持。该论文发表在《Energy Geoscience》。

**二、主要关键技术方法**

该研究主要采用了以下关键技术方法（样本队列来源：塔里木盆地A井区16口井的成像测井裂缝解释数据）：
1. **地震属性优化与双量化分析**：基于相关性和样本相似度（邻域成分分析，NCA）双重指标，从百余种地震属性中筛选出16种对裂缝响应敏感的属性，并在井位处定义椭圆统计半径（长轴200 m沿构造走向，短轴150 m垂直走向）提取统计特征，构建22个训练数据集。
2. **裂缝成因分类与主成分分析（PCA）**：将优化后的地震属性按裂缝成因（区域构造裂缝、构造变形相关裂缝、断裂派生裂缝）分为三类，分别进行PCA降维，每类提取一个主成分，共得到三个具有明确地质意义的主成分特征，作为模型输入。
3. **深度学习模型构建与比较**：分别训练反向传播（BP）、深度信念网络（DBN）和长短期记忆（LSTM）三种神经网络模型，通过平均绝对百分比误差（MAPE）、均方根误差（RMSE）和决定系数（R²）进行性能比较，选择最优模型。
4. **局部可解释性分析（LIME）**：利用LIME方法在每个样本点构建局部代理模型，量化各成因属性对裂缝预测结果的贡献，从而确定主导裂缝成因类型。

**三、研究结果**

**4.1 地震属性优化**
通过计算裂缝密度与地震属性的相关性并结合NCA权重，优先选出了与裂缝相关性较强、权重较高的属性。最终选择16种最优属性（包括相位倾角方位角、体倾角方位角、方差、断层似然性、断层密度、一阶导数、倾角曲率、等高线曲率、高斯曲率-高斯滤波、响应频率、形状指数、瞬时频率、主频、平均加权频率、响应相位等），并在每个井位处定义分析椭圆（长轴200 m沿构造走向，短轴150 m垂直走向），提取各属性在椭圆内的统计特征（P25、P75、P90、均方根振幅、中位数），经进一步筛选得到22个训练数据集。

**4.2 裂缝成因地震属性PCA降维**
根据裂缝分类和地震属性物理含义的差异，将优化后的属性分为三类：区域构造裂缝相关、构造变形相关裂缝相关、断裂派生裂缝相关。利用PCA对这三类属性分别进行降维和特征融合，得到三个主成分，分别对应三种典型裂缝成因类型，作为深度学习模型的输入特征。

**4.3 裂缝预测神经网络结构构建**
基于优化后的属性及层间裂缝发育强度数据，构建以LSTM网络为核心的裂缝预测模型，并以BP和DBN神经网络作为对照组。选取15口具有测井裂缝解释的井，经地震数据标定后获得496个标签样本，结合22个特征集和3个PCA主成分作为模型输入。训练集、验证集和测试集按井位划分（80%、10%、10%）。LSTM模型在训练、验证和测试井中均与测井结果高度一致，R²分别达到0.8901、0.9228和0.8939，具有强泛化能力；BP模型在低裂缝密度段拟合较好，但验证井偏差大；DBN模型预测曲线过于平滑，掩盖了真实波动。LSTM被选为最终预测模型。预测结果显示，裂缝密度空间分布与地质规律吻合：高裂缝密度区集中在背斜轴部和断裂带附近，低值区位于向斜核部和构造稳定区，裂缝发育主要受断层构造和局部构造形态控制。

**4.4 储层裂缝成因预测分析**
基于LIME方法对A井和D井的裂缝密度预测样本进行属性贡献分析，量化了三种裂缝类型的贡献。高分辨率成像测井、测井和岩心数据作为参考验证了真实裂缝成因。结果表明，断裂派生裂缝的属性贡献强度最高且变化最小，为主要控制因素；区域构造裂缝和构造变形相关裂缝贡献值低且波动大，影响较弱。两口井的裂缝特征与模型预测一致，验证了方法的可靠性和可解释性。

**四、讨论与结论**

讨论部分指出，本研究通过开发基于局部解释的深度学习方法，解决了塔里木盆地A井区致密砂岩储层裂缝预测的挑战。现有深度学习方法（BP、DBN、标准LSTM）虽被广泛采用，但多数未根据裂缝成因分类地震属性或量化不同成因类型对预测的贡献，且依赖单一或少量属性无法反映裂缝发育与多地质因素的非线性耦合。本研究通过皮尔逊相关系数与k-NCA结合，从数百种属性中筛选出16种敏感属性，弥补了现有研究属性筛选不足的问题；同时，基于裂缝成因分组进行PCA降维得到的三个主成分，分别对应三种典型裂缝类型，保留了成因信息的可分性，实现了地震特征提取与地质内涵的有机融合。三种神经网络的比较表明LSTM最优（训练集R²=0.8901），验证了其在捕捉地震属性序列特征方面的适用性。LIME局部解释证实断裂派生裂缝为主要控制因素，贡献显著高于其他类型，结合区域地质构造特征，预测结果在近井区域具有合理性，但在未钻井区尚未验证。该方法存在局限性：在地质上，仅适用于以构造和断裂相关裂缝为主的构造活跃致密砂岩储层，无法表征非构造裂缝；在数据集上，要求高质量叠后地震数据（垂向分辨率约8 m）和充足的成像测井样本；方法上，不包含直接岩石力学参数，且LSTM超参数网格搜索效率低。未来可从三个方向改进：整合叠前和叠后地震数据建立多源输入模型；采用贝叶斯优化等智能算法替代网格搜索；将该方法推广至不同地质背景的储层，并做适应性调整。

**结论部分翻译**：在本研究中，研究人员通过建立一种可解释的深度学习预测方法，解决了塔里木盆地A井区致密砂岩储层的裂缝预测问题。一种多方法协同的方法优化了裂缝敏感地震属性。结合井区的统计特征，该过程构建了高质量的训练样本，增强了数据代表性。PCA将复杂属性浓缩为具有明确地质意义的主成分，为后续建模奠定了基础。在模型开发过程中，比较多种深度学习算法表明，LSTM网络在裂缝预测中表现出最优性能。该模型捕捉了地震属性的纵向序列，预测结果与实测数据高度吻合，并展现出强大的泛化能力。预测的空间分布与区域地质模式一致：高裂缝密度区集中在背斜轴部和断层附近，而低裂缝密度区出现在向斜核部和构造稳定区域，从而验证了预测模型的可靠性。通过基于LIME的可解释性分析，研究人员确定了裂缝发育的主导控制因素，证实断裂派生裂缝主导了区域裂缝系统。这一发现与区域地质认识一致，并克服了传统深度学习模型的黑箱限制。提出的工作流程为储层评价和井位优化提供了可靠支持，展示了人工智能与地质解释相结合的潜力。最后，提出了两个关键未来方向：第一，将叠前地震衍生的力学参数（如杨氏模量和泊松比）整合到当前框架，并完善基于PCA的成因分类以增强物理可解释性，实现LIME对裂缝类型力学控制的量化；第二，针对不同储层类型开发标准化自适应工作流程，通过构建代表性地质背景（如碳酸盐岩溶蚀系统、张性页岩储层）的属性集、PCA方案和LSTM配置数据库，并开发自动参数调整模块（属性阈值、时间步长等），使该方法无需手动调整即可快速部署到新区域。