Petrophysics 2023年第2期论文摘要翻译
版权及使用说明：本翻译的版权归SPWLA西南分会所有，仅供学术交流使用。若有翻译不到之处，请联系：E-mail: support@spwla-swchina.org.cn
基于岩石物理特征参数化的非监督测井相分类：一种动态规划方法
Karthigan Sinnathamby; Chang-Yu Hou; Vasileios-Marios Gkortsas; Lalitha Venkataramanan; Harish B. Datir; Terje Kollien; François Fleuret
基于测井曲线的测井相划分在油藏表征中起着重要作用。通常，它们根据输入测井的自相似性被分类，但并未捕捉已知的底层物理过程。本文提出了一种基于动态规划概念的无监督聚类算法，其中底层的物理过程和地质约束，如聚类数量、聚类之间的转换数量和地层层厚最小值等，可以直接整合。我们使用合成数据集对所提出的算法进行基准测试，并展示其在两个现场案例中的应用，其中通过使用一致的电阻率响应进行自动聚类将地层聚类成区域。我们案例的输入包括孔隙度、元素分析中的粘土体积分数、侵入带电阻率和侵入带含水饱和度，它们分别来自介电测井或核磁共振测井解释。所提出的算法提供了优化的聚类模式/测井相，满足所需的约束条件，并能够提取相关的岩石物理参数，例如地层水电阻率、胶结指数和饱和指数，以及与粘土的阳离子交换能力（CEC）有关的参数，适用于泥砂岩的砂岩地层。除了本文中演示的具体例子之外，我们以通用形式呈现了所提出的算法，使其可以轻松地适应具体任务，考虑到任何已知的底层物理过程。【译者：蒋伊，校稿：夏小雪】
基于数据驱动的岩石图像分类和地层评价算法应用于岩石结构快速变化的地层
Andres Gonzalez; Zoya Heidari; Olivier Lopez
监督学习算法可用于比较耗时的自动分类任务，如基于图像的岩石分类。然而，并非总是有标记数据可用。相反，可以使用无监督学习算法，这些算法不需要标记数据。使用其中任何一种方法取决于所评估的地层和可用的训练/输入数据集。因此，需要进一步研究来比较两种方法的性能。本文的目标是(a)使用计算机断层扫描（CT）图像和岩心照片的基于图像的特征训练两个基于监督学习的图像岩石分类模型，(b)使用训练好的模型进行基于图像的岩石分类，(c)将使用监督学习模型得到的结果与基于无监督学习的岩石分类工作流程进行比较，(d)导出基于类别的岩石物理模型，以改进岩石物理属性的估算。
首先，我们从岩心图像数据中去除非地层元素的假象，如诱导裂缝、岩心管和岩心照片上的封口标签。然后，我们从岩心图像数据中计算基于图像的特征，如灰度、颜色和纹理特征，并进行特征选择。接着，我们使用提取出的特征进行模型训练。最后，我们使用训练好的模型进行岩石分类，并将得到的岩石类别与基于无监督的图像岩石分类工作流程得到的结果进行比较。该工作流程使用基于图像的岩石结构特征，结合基于物理学的代价函数进行岩石类别的优化。
我们将该工作流应用于一个井，该井穿过三个岩石结构快速变化的地层。我们使用60%的数据使用5倍交叉验证方法训练了一个随机森林和一个支持向量机分类器。剩余的40%数据用于测试监督模型的准确性。我们建立了一个无监督学习岩石分类的基准案例和四个不同的监督学习岩石分类案例。在监督学习岩石分类中获得的最高准确度为97.4%。与专家推导的岩相相比，无监督学习岩石分类方法的准确度为82.7%。基于类别的渗透率估计，相对于基于地层的渗透率估计，分别将平均相对误差降低了34%和35%，用于监督和无监督方法。
对于监督和无监督模型，将CT扫描图像和岩心照片的特征进行整合得到的准确度最高，这凸显了机器学习工作流程中特征选择的重要性。对于岩石分类的两种方法进行比较，监督学习方法获得了更高的准确度。然而，无监督方法提供了合理的准确度，以及更通用和更快速的岩石分类方法，增强了地层评价的能力。【译者：蒋伊，校稿：夏小雪】
使用符号回归方法开发岩石物理解释模型
Songhua Chen; Wei Shao; Huiwen Sheng; Hyung Kwak
利用各式各样的岩石物理测井曲线参数进行复杂岩性物性解释一直是地层评价中的主要挑战，并将继续存在。许多当前使用的数据驱动方法，如神经网络（NN），提供的预测结果是数值数量，而不是分析方程式。如果多种物理测井测量数据被共同用于估算岩石物性参数，则更具挑战性。为了克服这些问题，本文提出了一种基于物理指导的人工智能（AI）机器学习（ML）方法，用于岩石物性解释模型的开发。该工作流程包括以下五个组成部分：（1）使用相关热图等统计工具选择最佳的目标岩石物性方程的输入变量；（2）使用基于遗传编程的符号回归方法，融合多物理测量数据以训练岩石物性预测方程；（3）可选的集成建模程序，通过客观地集成多个预测方程的实例，最大限度地利用所有可用的训练数据，特别适用于小型训练数据集；（4）在符号回归中实现条件分支，以处理某些地层异质性；以及（5）引入模型鉴别框架，根据数学复杂性、物理复杂性和模型性能来最终选择模型。在六口井采集的数据集上展示了五个组成部分岩石物性解释开发过程的有效性，旨在获得非均质碳酸盐岩储层的地层电阻率因子（F）和渗透率（k）方程式。我们用两个误差度量定量地展示了工作流的各个组成部分如何提高模型性能。我们还将 NN 方法预测的渗透率值与基于 SR 工作流预测的渗透率方程进行了比较，以展示后者的许多优点。除了预测方程的分析形式的透明度外，SR 方法本质上对训练数据大小的要求更宽松，不容易过拟合，但可以提供与 NN 方法相媲美的优秀模型性能。【译者：蒋伊，校稿：夏小雪】
机器学习方法对于测井预测的比较研究
Vanessa Simoes; Hiren Maniar; Aria Abubakar; Tao Zhao
在测井预处理期间提高数据质量是岩石物理学家的重要任务，这可能占用大部分时间，对最终解释有很大影响。作为提高油田测井数据完整性自动化和同质性的举措的一部分，我们组织了多元回归模型的系统比较，这些模型提供了成功的井筒测井预测。
这些方法在将少数井的测量结果外推到更广泛的井筒集合、预测低质量数据间隔和增加完整数据集的可用性方面可能具有潜在的价值。
本研究旨在比较三种有前途的机器学习（ML）方法在预测以下曲线（密度、中子孔隙度和压缩波速曲线）时的性能。我们认为需要评估即使存在多个缺失测井或已经受到改变的测井情况下也能提供答案的模型，这是岩石物理学中常见的情况。因此，我们基于三种能够处理这些问题的 ML 方法进行了比较：基于窗口的卷积神经网络自编码器（WAE）、逐点连接的全连接自编码器（PAE）和极限梯度提升（XGBoost）。我们开发了 PAE 和 WAE 方法来处理感兴趣的具有挑战性的情况，并使用了已经可以处理缺失值的 XGBoost 的原始实现。
我们比较了计算复杂度、预测误差（均方根误差（RMSE）和平均绝对误差（MAE））、皮尔逊相关系数、峰值信噪比（PSNR）以及高尺度和低尺度特征重构的视觉分析，，并在两个现场数据集中进行了比较。我们还使用相同的方法来预测光电因素，并解释多个现场数据集中的地层性质，如总有机物含量。【译者：蒋伊，校稿：夏小雪】
一种用于具有预测不确定性的异常值检测和测井编辑的无监督机器学习工作流
Ridvan Akkurt; Tim T. Conroy; David Psaila; Andrea Paxton; Jacob Low; Paul Spaans
数据科学和机器学习（ML）的最新进展使得这些技术的好处更接近于岩石物理的主流。ML系统通过精心设计的算法进行决策和自检，除了执行典型的分类和回归任务之外，还为现代岩石物理学家提供了高效和解放的解决方案。本文介绍了这样一个系统的概要及其在59口井的多场研究中的多级工作流程应用。
该工作流程的主要目标是识别体密度和压缩波速测井中的异常值，并使用数据驱动的预测模型进行重构。该项目的次要目标是在不存在此类数据的区域中预测剪切波速。
该系统是完全自动化的，旨在优化所有可用数据的利用，并提供不确定性估计。它整合了现代的异常值检测、预测分类和回归概念，以及基于井间相似性的多维缩放。
将ML结果与经验丰富的岩石物理学家创建的结果进行基准测试表明，ML工作流可以提供高质量的答案，与人类专家产生的答案相比具有优势。第二个验证练习比较了从ML答案计算的声阻抗测井和实际地震数据，为ML生成结果的准确性提供了进一步的证据。
ML系统通过减轻重复和繁琐的质量控制任务的负担，支持岩石物理学家。所创造的效率提升和时间节省可以用于增强有效的跨学科整合、协作和进一步创新。【译者：蒋源柯，校稿：夏小雪】
利用机器学习去除井壁图像中的伪影
Baris Guner; Ahmed E. Fouda; Peter Barrett
本文描述了一种有监督的机器学习（ML）方法，用于去除井壁图像中的伪影和噪音。由于环境和热噪声、不完美的校准以及工具本体中的电流泄漏等原因，井壁图像可能会出现各种问题和伪影。
目前用于改善这些图像的方法基于传统的信号处理技术。虽然这些方法能够消除图像中的伪影并显著提高图像质量，但它们也有一些缺点。这些缺点包括不适合实时实现以及可重复性问题。
这里介绍的替代方法基于一个ML算法，该算法使用一个数据集对原始数据和使用传统信号处理方法处理后的数据进行配对训练。生成的ML模型能够在接近实时的情况下实现。此外，应用该算法不需要用户监督，增加了结果的可重复性。【译者：蒋源柯，校稿：夏小雪】
弥合模式可控性差距的典范指导下的沉积岩面建模
Chunlei Wu; Fei Hu; Di Sun; Liqiang Zhang; Leiquan Wang; Huan Zhang
从稀疏的测井数据推断地下结构对地质学至关重要。最近，基于深度学习的方法已经被证明有助于沉积相建模，该方法从训练集中提供足够的先验知识。然而，这些方法受到地质模型的次优可控性的影响，即未能指定预期的地质模式，导致产生不可预测的地质结构。为了弥补这一差距，我们提出了一种新的示例引导相建模（EGFM）方法，该方法根据给定模式示例的测井数据合成相模型。EGFM的关键见解是将目标模型中的内容和模式解耦，其中内容是指与井数据的匹配，模式是地质结构的特性，如河道和形状。在井数据作为硬条件的基础上，引入了一个模式样本作为地质实现的参考模型。除了保留整体地质模式（来自地质图像集）的共性，例如结构连通性，地质实现的模式细节还可以通过模式示例进行调整。此外，我们引入了自适应特征融合块（AFB）来自适应地融合内容和模式特征，以获得更自然的结果。在两河数据集上的大量实验结果表明，我们提出的用于条件相建模的EGFM实现了令人满意的视觉质量和模式可控性。【译者：蒋源柯，校稿：夏小雪】
通过基于机器学习的不确定性模型进行声波测井推算
Eduardo Maldonado-Cruz; John T. Foster; Michael J. Pyrcz
声波测井为校准地震数据和支持地质力学特征提供关键信息。先进的地下数据分析和机器学习为地球科学和地下工程应用的属性估计、回归和分类提供了新的方法和工作流程。然而，目前对测井值的推算应用只依赖于模型的准确性和低误差预测。
传统的模型验证技术不足以验证模型和说明地下的大量不确定性。测井归纳估算及其相关的不确定性模型对油田开发规划和决策工作流程至关重要，如储层建模、体积资源评估、带有不确定性的预测、剩余资源测绘和生产分配。
在用机器学习进行地下特征归纳时，我们必须扩展我们的机器学习模型训练和复杂性调整工作流程，以检查整个不确定性模型，确保不确定性分布是精确和准确的。我们提出了一个工作流程，该流程整合了好坏度量，以计算基于机器学习估计的集合的声波测井预测的准确和精确的不确定度模型。我们的工作流程结合了模型评估和估计值的可视化以及与测量深度有关的不确定性模型。我们提出的方法提供了直观的诊断和指标来评估估计的准确性和不确定性模型的良好性。【译者：蒋源柯，校稿：夏小雪】
空间数据分析辅助的地下建模：Duvernay案例研究
Jose J. Salazar; Jesus Ochoa; Léan Garland; Larry W. Lake; Michael J. Pyrcz
数据分析通过使用多种技术来查找和理解模式以指导决策，促进了对空间数据集的检查。然而，标准数据分析工具假定数据是独立且同分布的，而空间数据集通常不满足这个假设。此外，通常的方法忽略了空间连续性和应考虑在数据分析工作流程中的固有数据稀缺性。
我们提出了一种新方法，结合数据分析、地质统计和优化技术，提供一种端到端的工作流程来分析二维数据集。所提出的工作流程基于空间位置或分布识别异常值，使用高斯核函数对地质趋势进行建模，对半方差函数进行建模，并应用克里金或共克里金进行顺序高斯模拟。此外，它提供了指标和诊断图，以评估每个步骤的结果质量。它还是半自动化的，因为它利用用户的判断进行后续操作。对于优化，该工作流程使用贝叶斯优化和进化算法。
我们通过对加拿大Duvernay地层的1152口井进行分析，演示了该工作流程的应用。示例包括将密度孔隙度模拟为二级特征和在此基础上限制总有机质含量的共模拟。所提出的工作流程有助于更专注于解释结果而非建模参数，减少工作时间和主观误差。此外，空间模拟包括多个实现，以评估不确定性并在数据稀缺情况下支持决策。总的来说，所提出的工作流程是评估成熟地理空间数据中的不确定性的一种有价值的、补充工具。【译者：刘绪楠，校稿：夏小雪】
基于机器学习的反卷积方法提供感应测井数据的高分辨率快速反演
我们使用机器学习（ML）构建了一个感应测井数据反卷积模型。与迭代正演建模反演方法不同，反卷积模型非常快速。与过去的线性反卷积模型不同，基于机器学习的反卷积模型能够找到准确的层电阻率和层界面。对于一个单元感应工具2C40，21点、10英尺窗口的反卷积模型工作良好。【译者：刘绪楠，校稿：夏小雪】
基于机器学习的卷积方法用于感应测井的快速正向建模
我们利用机器学习（ML）建立了一个卷积模型，以计算一维（1D）地球模型的感应对数响应。与分析性正向建模相比，卷积模型的速度非常快。基于ML的卷积从具有层电阻率和层边界的地球模型中找到准确的感应工具响应。对于2C40单元的感应工具，101点，50英尺窗口的卷积模型在60°的井偏角下效果令人满意。【译者：刘绪楠，校稿：夏小雪】