利用Xception-ConvLSTM多任务识别网络(XCMI-Net)从井测资料中联合预测岩石类型和油水层
《Journal of Applied Geophysics》:Joint prediction of lithology and oil–water layers from well logs using the Xception–ConvLSTM Multi-task Identification Network (XCMI-Net)
【字体:
大
中
小
】
时间:2026年08月29日
来源:Journal of Applied Geophysics 2.6
编辑推荐:
• 提出了一种联合反演框架XCMI-Net,用于同时进行岩性和油水层识别。• 结合了基于Xception的局部编码和基于ConvLSTM的上下文建模,以捕捉薄层细节和垂直地层连续性。• 引入了地质一致性约束,以提高双任务预测的合理性和协调性。• 所提出的模型在联合反演精度、特征分
• 提出了一种联合反演框架XCMI-Net,用于同时进行岩性和油水层识别。• 结合了基于Xception的局部编码和基于ConvLSTM的上下文建模,以捕捉薄层细节和垂直地层连续性。• 引入了地质一致性约束,以提高双任务预测的合理性和协调性。• 所提出的模型在联合反演精度、特征分离能力和错误控制方面优于几种基线方法。• XCMI-Net在跨井泛化能力和噪声测井条件下的鲁棒性能方面表现出色。
引言
随着对水库特征描述和智能测井解释需求的增加,地层评估已从对单个曲线的定性分析发展为使用多种测量数据、地质知识和深度学习方法的集成建模。这种转变对于大陆碎屑储层尤为重要,因为这些储层具有砂岩-泥岩互层、薄层、快速岩性变化和强异质性,从而产生复杂且重叠的测井响应。在这种情况下,岩性识别和油/水层识别是两个基本任务。前者描述了岩石框架、矿物组成、粒度以及储层空间特性,而后者则决定了含流体的性质并支持决策。因此,可靠的解释不仅需要每个任务的结果准确,还需要相同深度下结果之间的一致性。
机器学习和深度学习方法已被广泛用于从测井数据中识别岩相、岩性和流体。岩相通常指的是由地质过程和测井响应模式定义的沉积或岩石物理相,而岩性则指由矿物学和纹理特性定义的具体岩石类型。先前的研究已经探讨了基于分类器的预测、岩石物理引导的解释以及基于地质信息的深度学习。高效的卷积架构也为从多源测井曲线中学习局部模式提供了重要基础(Aleardi和Ciabarri, 2017; Beloborodov等人, 2024; Bestagini等人, 2017; Chen等人, 2025; Chollet, 2017)。这些研究表明,非线性表示学习可以改善使用基于阈值的解释难以区分的响应。
随后,核判别学习、半监督神经网络、神经模糊系统、迁移学习和注意力辅助的循环模型被引入到测井分析中。深度核方法可以增强非线性岩相表示,而半监督策略则利用标记和未标记的样本来减少手动注释。其他研究则关注复杂储层的岩性解释、地质约束、类别不平衡和跨井变化(Dong等人, 2016; Dunham等人, 2020; Ehsan和Gu, 2020; Dong等人, 2023; Dong等人, 2024; Fan等人, 2025; Gao等人, 2025)。尽管这些方法提高了自动解释的能力,但大多数方法将岩性或流体识别视为孤立的任务。因此,在优化过程中并没有明确表示岩石类型和流体存在之间的共同地质控制和条件依赖性。
从地质和测井响应的角度来看,岩性和油/水层性质密切相关但不完全相同。岩性决定了矿物组成、颗粒框架、孔隙类型、孔隙结构、渗透率以及测井响应基线。这些因素进一步控制了流体的储存和迁移。相反,流体类型和饱和度会改变电阻率、中子、密度和声学响应,并可能模糊不同岩性之间的边界。因此,相同的测井数据包含与岩石框架和孔隙流体相关的信息。这种依赖性在薄互层、岩性过渡区和油水过渡带尤为明显,在这些区域,相同的岩性在不同的流体条件下可能表现出不同的响应,而不同的岩性在相似的流体状态下可能表现出重叠的响应。
两个完全独立的模型无法充分利用这种关系。当岩性和油/水层模型分别训练时,每个模型仅使用自己的标签进行优化。网络可能会反复提取相似的地层和岩石物理特征,但未能利用相关任务的互补监督。它们独立的输出也可能在同一深度产生地质上不兼容的岩性-流体组合,需要手动修正。串行策略(其中一个预测结果传递给下一个任务)也会允许前一个阶段的错误传播到后续阶段。联合预测提供了更合适的替代方案。共享的表示可以学习共同的控制因素,包括地层结构、孔隙特征、曲线组合模式和垂直变化,而特定于任务的头部则保留了岩性和油/水层分类所需的明确决策边界。来自两个任务的监督共同规范了共享的特征空间。当一个任务受到模糊响应、少数类别或局部噪声的影响时,相关任务提供了额外的约束,减少了过拟合到偶然模式的情况。地质一致性约束还可以进一步抑制低概率的岩性-流体组合,同时保留混合和过渡区间。因此,联合学习并不强加确定的一对一对应关系;相反,它模拟了两种性质之间的概率兼容性。
卷积网络和循环网络对于测井序列建模非常有效。卷积网络提取短范围变化和局部形态特征,而循环网络描述深度依赖关系和垂直连续性。Wang和Cao(2023)结合了卷积提取和长短期记忆模型进行岩性识别,展示了整合局部模式和序列信息的重要性。Dong等人(2025)进一步应用改进的循环网络进行复杂岩性识别,并表明序列建模可以增强过渡区的特征描述。地质约束和迁移学习也提高了在类别不平衡、跨井变化和数据漂移条件下的鲁棒性(Hall, 2016; Imamverdiyev和Sukhostat, 2019; He等人, 2020; Li等人, 2020; Liu等人, 2020; Lopes和Andrade, 2019; Luo等人, 2018; Jiang等人, 2021; Lin等人, 2021; Liu等人, 2022)。然而,许多模型仍然侧重于局部提取或序列依赖性,它们同时保持薄层边界、垂直上下文和岩性-流体一致性的能力仍然有限。
最近的研究探索了图神经网络、时空学习、生成模型和混合方法用于水库解释。这些方法整合了空间依赖性、沉积模式、地质约束和跨井信息(Ren等人, 2019; Tian等人, 2021; Ren等人, 2022; Zhang等人, 2022; Lu等人, 2023; Ren等人, 2023; Qian等人, 2024; Shi等人, 2024; Pang等人, 2025; Wang等人, 2025)。然而,仍然存在三个问题:薄互层需要细粒度的局部提取而不需要过度平滑;油/水层识别依赖于目标响应和相邻对比度;岩性和流体预测应共享信息并保持兼容性,而不被强制进入固定的对应关系。
为了解决这些问题,本研究提出了一个基于Xception-ConvLSTM的多任务识别网络XCMI-Net,使用来自中国大庆油田N区块的L井测井数据进行岩性和油/水层联合预测。六种常规测井数据——GR、RT、ROBH、NPHI、DT和PE——经过异常值处理、缺失值插值、鲁棒归一化、掩码编码和深度连续滑动窗口构建。Xception使用深度可分离卷积和残差连接从薄层、岩性边界和曲线特定变化中提取响应。然后ConvLSTM对垂直地层连续性和沿深度的上下文关系进行建模。一个具有两个特定于任务的头部的共享主干网络实现了协作学习,同时保留了任务差异,而软地质一致性约束减少了不合理的联合组合,同时不排除混合或过渡状态。因此,XCMI-Net联合优化了局部测井纹理、垂直上下文、任务特定信息和地质兼容性。与独立模型相比,它减少了冗余特征学习,利用了互补的监督,并降低了不兼容的输出;与串行预测相比,它避免了直接的任务间错误传播。该框架旨在为薄互层和异质储层提供连续、协调且有用的结果。
部分片段
为了提高所提出框架的逻辑清晰度,在介绍各个模块之前首先介绍了XCMI-Net的整体工作流程。如图1所示,该方法包括四个主要组成部分:输入和样本表示、局部特征提取、序列上下文建模和联合预测输出。首先,多源测井曲线被组织成滑动窗口样本,并与掩码编码结合形成标准化输入表示。然后,Xception编码器...
地质环境和地层框架
研究区域位于中国东北部松辽盆地的大庆油田N区块。如图5所示,使用从中国到松辽盆地、大庆油田再到N区块的嵌套地理框架来明确L井系列的区域地质环境。目标区间主要由姚家组和相邻的大陆碎屑单元组成,包括泥岩、粉砂岩、粘土质粉砂岩、细砂岩和中砂岩。该区间...
不同方法的整体性能比较
表3比较了不同深度学习方法在联合预测任务中的性能和计算效率。总体而言,随着模型从简单的卷积或时间结构发展到混合的局部-序列和基于注意力的框架,各项指标都有所提高。1D-CNN分别实现了87.14%的岩性精度、84.92%的油/水层精度和78.63%的联合预测精度,表明局部卷积可以捕捉测井纹理特征。
结论
(1) 鉴于中国大庆油田N区块L井系列测井数据的特性,包括发育良好的薄互层、快速的地层变化以及岩性和流体响应之间的强耦合,本研究提出了XCMI-Net模型进行岩性和油/水层联合预测。所提出的方法打破了传统的“先岩性后流体”的串行解释范式,而是对两者进行了协作建模。
CRediT作者贡献声明
黄俊杰:方法论、调查、数据管理、概念化。
吴彤:写作-审稿与编辑、验证、软件、资源、资金获取。
李全厚:资金获取、正式分析。
资助
本工作得到了黑龙江省自然科学基金(项目编号LH2021D010)的联合指导计划的支持,该项目专注于基于马尔可夫链的随机厚度分布的薄互层频率响应机制的研究。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系,这些利益或关系可能会影响本文报告的工作。
黄俊杰|吴彤|李全厚
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号