地球物理甜點智能識別及解釋,預(yù)測人機交互界面共包含六大功能模塊

中國石化石油勘探開發(fā)研究院和物探研究院為中國石化直屬上游綜合研究機構(gòu)，職責(zé)定位是中國石化上游 “三部一中心”，即：上游的發(fā)展戰(zhàn)略及油氣勘探開發(fā)參謀部、油氣勘探開發(fā)技術(shù)服務(wù)部、油氣勘探開發(fā)技術(shù)研發(fā)和集成部、上游地質(zhì)資料信息中心。圍繞西北、華北、東北、四川、海域、海外等勘探開發(fā)重點L域，持續(xù)提供技術(shù)支撐與服務(wù)，為中國石化上游穩(wěn)油增氣降本做出了積J貢獻(xiàn)。在縫洞型碳酸鹽巖油藏G效開發(fā)L域形成了自己的特色和優(yōu)勢。

石勘院和物探院依托國家“973”項目、國家重大專項、國家部委戰(zhàn)略選區(qū)、國家自然科學(xué)基金等一批項目。在縫洞型碳酸鹽巖油藏開發(fā)技術(shù)、多波多分量地震技術(shù)等方面達(dá)到國內(nèi)L先或國內(nèi)先進水平，尤其是縫洞型碳酸鹽巖油藏開發(fā)技術(shù)整體達(dá)到國際L先水平。

場景組具有多年從事塔河油田開發(fā)的研究經(jīng)歷，掌握大量現(xiàn)場生產(chǎn)資料。2000 年完成塔河油田四區(qū)開發(fā)方案編制、2005 年與法國合作研究的塔河油田四區(qū)三維地質(zhì)建模，2006 年完成四區(qū)開發(fā)動態(tài)跟蹤研究，2012 年 《塔河油田 12 區(qū)奧陶系油藏油氣產(chǎn)能及能量分布特征研究》及 2006-2018 年承擔(dān) “十一五”、“十二五”、“十三五”國家重大專項的相關(guān)課題研究，均為本場景建設(shè)提供堅實技術(shù)基礎(chǔ)。

塔河油田是我國已發(fā)現(xiàn)大的碳酸鹽巖縫洞型油藏，含油面積達(dá) 700km2，探明石油地質(zhì)儲量超過 10 億噸。塔河油田縫洞油藏儲集體埋藏深大（>5700m）、類型多、非均質(zhì)性強，油田鉆井多（1870 口）。礦場常規(guī)“甜 點”預(yù)測需多種地震屬性聯(lián)合預(yù)測，對人員專業(yè)知識要求G，預(yù)測工作量大、工作效率低。上述面臨問題迫切需要引進人工智能，開發(fā)智能解釋軟件平臺，發(fā)揮甜點智能識別技術(shù)優(yōu)勢，提G油田現(xiàn)場甜點識別效率。

機器學(xué)習(xí)和計算機技術(shù)的不斷進步為“甜點”預(yù)測帶來了前所未有的機遇。人工智能算法也在“甜點”預(yù)測中展現(xiàn)出巨大的潛力。這些算法能夠處理非線性、G維和復(fù)雜的數(shù)據(jù)關(guān)系，提G預(yù)測的可靠性并能大幅提G預(yù)測效率。

針對超深層復(fù)雜碳酸鹽巖縫洞型油藏，引進人工智能技術(shù)，在地質(zhì)認(rèn)識及地球物理理論指導(dǎo)下，以地震數(shù)據(jù)及其衍生屬性為研究對象，尋求能夠反映“甜點”佳屬性組合，結(jié)合地震正演拓展，建立訓(xùn)練樣本集。優(yōu)選佳算法模型，通過參數(shù)的調(diào)整及迭代優(yōu)化，尋找地震屬性與縫洞儲集體“甜點”的潛在關(guān)聯(lián)性，建立縫洞儲集體甜點預(yù)測模型，實現(xiàn)碳酸鹽巖縫洞型油藏地球物理甜點快速、準(zhǔn)確預(yù)測。

1)具體的工具或方法創(chuàng)新

按照“數(shù)據(jù)+平臺+應(yīng)用”的模式，地球物理甜點識別子系統(tǒng)，包含首頁界面、數(shù)據(jù)管理、模型管理、儲集體識別、界面顯示、成果輸出等 6 個功能服務(wù)，引用地震基本數(shù)據(jù)服務(wù)、非結(jié)構(gòu)化數(shù)據(jù)服務(wù)等 2 個數(shù)據(jù)服務(wù)。

a）地球物理甜點智能識別及解釋應(yīng)用

為用戶提供碳酸鹽巖縫洞甜點預(yù)測人機交互界面共包含六大功能模塊。具體情況如下： 首頁界面：涵蓋流程展示及功能導(dǎo)航，展示系統(tǒng)主要操作流程，并對操作進行簡單描述；

數(shù)據(jù)管理：提供各類數(shù)據(jù)記載功能，提供基礎(chǔ)數(shù)據(jù)管理維護功能；智能建模：實現(xiàn)模型構(gòu)建及模型評估功能；

儲層識別：通過識別參數(shù)設(shè)置實現(xiàn)儲集體識別功能及識別結(jié)果管理；界面顯示：提供地震剖面顯示、成果剖面顯示功能；

成果輸出：提供識別結(jié)果輸出功能。

b）創(chuàng)新點

融合機理模型形成訓(xùn)練數(shù)據(jù)集。將地質(zhì)特征和地球物理數(shù)據(jù)有機融合，明確縫洞甜點地震響應(yīng)特征，優(yōu)選地震能量、頻譜等屬性，結(jié)合測井?dāng)?shù)據(jù)及生產(chǎn)動態(tài)數(shù)據(jù)，構(gòu)建較為準(zhǔn)確的訓(xùn)練樣本集，提G模型的預(yù)測準(zhǔn)確性和泛化能力。

地震正演訓(xùn)練樣本制作。設(shè)計了符合縫洞地質(zhì)特征的地震正演模型來豐富和拓展訓(xùn)練樣本集，有效解決了樣本不均衡和樣本數(shù)量不足問題。

基于集成學(xué)習(xí)的分步訓(xùn)練策略，有效提G甜點預(yù)測精度。為捕捉縫洞甜點的地震信號細(xì)節(jié)，設(shè)計了一個基于集成學(xué)習(xí)的分步訓(xùn)練策略。通過多階段、多模型的協(xié)同作用，顯著提升預(yù)測的準(zhǔn)確度和魯棒性，同時有效控制過擬合的風(fēng)險。①將 FCN 卷積神經(jīng)網(wǎng)絡(luò)作為初步篩選工具。利用FCN 通過深度卷積層的層層抽象，學(xué)習(xí)縫洞體的 結(jié)構(gòu)信息，G效地識別出潛在甜點區(qū)域。②基于集成學(xué)習(xí)的深化預(yù)測。在FCN 初步篩選基礎(chǔ)上，有機融合Boosting 和隨機森林等先進的集成學(xué)習(xí)方法，提G縫洞甜點預(yù)測精度。

基于遺傳算法的自適應(yīng) AI 超參數(shù)調(diào)優(yōu)技術(shù)提升訓(xùn)練效率。通過模擬生物進化過程來G效優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的參數(shù)配置，縮短訓(xùn)練時間，降低算力消耗，終提升出色模型的訓(xùn)練效率。

2)具體應(yīng)用模式和應(yīng)用流程

應(yīng)用功能建設(shè)按照客戶端（C/S）模式進行設(shè)計和后續(xù)研發(fā)，客戶端軟件負(fù)責(zé)對地震原始數(shù)據(jù)及其屬性數(shù)據(jù)進行管理并提供樣本標(biāo)注工具，標(biāo)注后生成的訓(xùn)練樣本數(shù)據(jù)傳輸?shù)绞�化智云�?zhí)行具體的模型訓(xùn)練，訓(xùn)練后的模型回傳本地工作站，由本地工作站客戶端軟件進行推理和結(jié)果展示。

a）訓(xùn)練流程。鑒于地震數(shù)據(jù)量的海量規(guī)模，場景樣本標(biāo)注在本地進行。依據(jù)專家經(jīng)驗優(yōu)選地震屬性，多資料、多數(shù)據(jù)聯(lián)合開展專家樣本標(biāo)注。同時輔以地震正演制作訓(xùn)練樣本，來克服樣本的不均衡和數(shù)量不足問題。另外依托總部云，采用云邊部署架構(gòu)，借助平臺算力資源進行模型訓(xùn)練。并輔以超參調(diào)優(yōu)技術(shù)，指示“進化路徑“，提G出色模型訓(xùn)練效率，具體流程見下圖。

b）預(yù)測流程。應(yīng)用石化智云的建模與訓(xùn)練成果，針對不同類型的地震數(shù)據(jù)域，提供靈活的預(yù)測數(shù)據(jù)體選擇機制，輕松管理待預(yù)測地震數(shù)據(jù)。其次可設(shè)置預(yù)測范圍參數(shù)，允許用戶準(zhǔn)確設(shè)定 Inline、CDP（Common Depth Point，即公共深度點）以及 Time（時間）范圍，實現(xiàn)對預(yù)測范圍的準(zhǔn)確控制，具體流程見下圖。

經(jīng)濟效益�？s短縫洞型碳酸鹽巖油藏科研生產(chǎn)運行周期，降低人工成本。通過場景建設(shè)，減少科研生產(chǎn)環(huán)節(jié)，有效降低用人成本（降本 60%以上），縮短科研生產(chǎn)運行周期，提升勘探開發(fā)決策效率。

管理效益。重塑業(yè)務(wù)流程，減少科研運轉(zhuǎn)環(huán)節(jié)。通過對碳酸鹽巖縫洞體甜點識別全業(yè)務(wù)功能智能化，實現(xiàn)了該類型科研工作的模式轉(zhuǎn)變，重塑業(yè)務(wù)流程，減少科研運轉(zhuǎn)環(huán)節(jié)，降低管理成本，加快勘探開發(fā)進程。

社會效益。促進了地球物理技術(shù)的不斷發(fā)展。通過地球物理甜點智能識別及解釋場景建設(shè)，將為中石化國內(nèi)上游企業(yè)在地球物理與新一代人工智能技術(shù)的有機融合，探索，實施，推廣積累經(jīng)驗。

經(jīng)驗總結(jié)。首先，地球物理L域以其海量數(shù)據(jù)著稱，但數(shù)據(jù)的豐富性并未直接轉(zhuǎn)化為確定性樣本的充足性，G質(zhì)量訓(xùn)練樣本數(shù)據(jù)更是稀缺資源。這一現(xiàn)狀對我們提出了新的挑戰(zhàn)，也為我們指明了下一步的研究方向。

其次，機理模型在地球物理人工智能L域的應(yīng)用大多仍處于理論探討以及數(shù)據(jù)端處理的初級階段，尚未能深入融合到算法模型的核心之中。將機理模型嵌入到網(wǎng)絡(luò)端，重塑我們的算法框架，是我們下一步亟待攻克的技術(shù)難題。這一挑戰(zhàn)不僅要求我們在理論上有所突破，更需要在實踐中不斷探索和創(chuàng)新。

后，要實現(xiàn)G效模型的落地應(yīng)用，持續(xù)的資金投入與攻關(guān)是不可或缺的。只有不斷資源投入，推動模型的迭代更新與優(yōu)化，才能確保模型在實際應(yīng)用中展現(xiàn)出出色的性能與效果。