基于深度学习的混合地统计与物理引导的地震反演技术,用于水库流体识别

《Engineering Applications of Artificial Intelligence》:Deep learning-enhanced hybrid geostatistical and physics-guided seismic inversion for reservoir fluid discrimination

【字体: 大 中 小 】 时间:2025年12月27日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  本研究提出一种融合深度学习、地质统计和物理约束的混合地震反演框架,通过地形跟随网格构建三维孔隙模型并约束井数据,训练四个嵌入Gassmann流体替代理论和Aki-Richards近似的全连接神经网络,高效预测声阻抗、波速比和泊松比等弹性参数,实现3分钟内GPU端完整反演,验证了方法在提升储层烃资源评估和二氧化碳封存监测中的可靠性和实时性。

  
Munezero Ntibahanana|Jianguo Song|Keto Tondozi|Mo?se Luemba|Balembo Matindi
中国石油大学(华东)地球科学学院,青岛,266580,中国

摘要

地震反演对于地下特征描述至关重要,包括储层流体识别,应用于碳氢化合物勘探、地质二氧化碳(CO2)封存和环境监测。传统方法虽然基于物理原理,但计算要求高且对地下非均匀性敏感。相反,纯数据驱动的深度学习模型通常缺乏可解释性,在数据有限的情况下表现不佳。为了解决这些限制,本研究提出了一个混合反演框架,将深度学习与地质统计和基于物理的约束相结合。基于解释的地震层构建的随地形变化的网格,通过序贯高斯模拟指导三维(3D)合成孔隙度建模,并受到井测数据的约束。训练了四个全连接神经网络,以学习地震属性与弹性参数(声阻抗、压缩波和剪切波速度的比值以及泊松比)之间的非线性映射,这些参数作为岩石-流体含量的代理。网络结合了Gassmann流体替换理论和Aki-Richards近似。通过随机权重搜索开发的优化集成模型,并通过高阶统计不确定性量化进行了改进,在现场地震数据上表现出高预测性能(例如,决定系数“R2”= 0.947;均方误差“MSE”= 0.00112),且不确定性界限狭窄。评估指标(包括交叉图、泰勒图和残差直方图)与井测数据高度一致(皮尔逊相关系数“R”= 0.8907,概率值“p值”≈ 3.46 × 10?110),同时最小偏度(-0.136)和峰度(0.142)表明预测无偏且稳定。尽管由于简化了岩石弹性假设,在高度非均匀的地层中存在局限性,但所提出的方法提供了可扩展、可解释且计算效率高的解决方案——在图形处理单元(GPU)上仅需3分钟即可完成完整反演。这有助于提高储层碳氢化合物资源的表征和稳健的CO2储存监测,这在能源转型的背景下至关重要。

引言

地震反演是地球物理储层表征的基石。它能够识别和量化地下流体(包括碳氢化合物、CO2和氢气),这对能源资源开发、环境保护和可持续能源转型至关重要(Bosch等人,2014;Allo等人,2021;Bredesen等人,2021;Lin等人,2024;Ayani等人,2020;Fawad和Mondol,2022;Nakata等人,2022)。井测记录和岩心样本提供了高分辨率的点测量数据。然而,它们的空间覆盖范围有限,这突显了地震数据的价值,地震数据提供了一种非侵入性的方法来成像整个储层中的流体分布(Lin等人,2024;Zhang等人,2015;Guo等人,2022;Lan等人,2023)。地震波在地下传播并在弹性性质不同的界面处反射。这些反射以振幅变化的形式记录下来,编码了关于岩性和孔隙流体的信息(Nanda和Nanda,2016;Maurya等人,2020;Ye等人,2020;Ge等人,2022;Batzle和Wang,1992;Lo等人,2005;Garcia-Suarez等人,2023;Burianyk,2021)。振幅异常(如亮斑或暗斑)是直接的碳氢化合物指示器。可以通过计算和分析地震属性(如频谱分解和瞬时导数)来揭示它们(Guo等人,2022;Khalid等人,2010;Rezvandehy等人,2011;Nanda和Nanda,2021)。频谱分解分离了频率依赖的流体效应,提高了数据分辨率。瞬时导数属性突出了与岩性不连续性或流体接触相关的局部变化。
对这些异常的定量解释需要建模复杂的流体-岩石相互作用,这些相互作用受孔隙几何形状、流体可压缩性和岩石弹性控制(Batzle和Wang,1992)。岩石弹性模型,如Gassmann方程(Johari和Emami Niri,2021;Suleymanov等人,2023),为将地震响应与流体敏感参数(包括声阻抗、压缩波和剪切波速度的比值以及泊松比)联系起来提供了理论基础。例如,气体饱和度会降低体积模量和压缩波速度,从而导致声阻抗和压缩波速度的比值降低,而盐水饱和度由于水的较高不可压缩性会增加这些值。泊松比也作为流体鉴别器,在气体饱和区具有较低的值。这些参数构成了现代储层表征工作流程的基础,但需要可靠的反演地震数据——这是一个本质上不适定且计算要求高的问题。
传统的地震反演技术,如全波形反演(FWI)、最小二乘反演(LSI)和稀疏尖峰反演,依赖于迭代优化和波场模拟来估计弹性参数(Lim等人,2021)。虽然这些方法基于物理原理,但对模型复杂性非常敏感。它们容易遇到收敛问题(例如,FWI中的局部最小值),并且计算密集——即使使用现代GPU加速也是如此(Zhang等人,2023,2024)。稀疏反演虽然更快,但会放大噪声,并且严重依赖于正则化选择。这些挑战限制了它们在实时或大规模应用(如储层监测或CO2羽流跟踪)中的可扩展性和实际用途。
深度学习(DL)最近作为一种有前途的替代方案出现,提供了数据驱动的近似方法,绕过了迭代模拟并降低了计算成本(Sen等人,2021;Chen等人,2024;Li等人,2021,2023;Kayusi等人,2024)。卷积神经网络(CNNs)、循环模型和集成架构已成功应用于预测弹性渗透率(Sen等人,2021)、属性(Chen等人,2024)和储层几何形状(Kayusi等人,2024;Hakim,2024)。然而,纯数据驱动的方法面临两个主要限制:(1)缺乏物理约束,导致非物理或地质上不合理的预测(Wang等人,2022;Anifowose等人,2017);(2)需要大型、高质量的标记数据集,而这些数据集往往稀缺或主观(Harsuko和Alkhalifah,2022)。为了克服这些问题,最近的研究探索了将物理原理集成到神经网络设计中的混合方法——通过物理信息损失函数(Feng等人,2021)、嵌入领域知识(Phan等人,2024;Zhang等人,2022;Wu和Qiao,2021)或约束优化。然而,在灵活性和物理真实性之间取得平衡仍然很困难:过于严格的约束可能会抑制有价值的数据驱动模式,而较弱的约束可能导致物理上不一致的输出。集成方法可以通过聚合多个预测来提高鲁棒性(Ghanem等人,2025;Misaghian等人,2022)。然而,传统方法,特别是依赖穷举网格搜索技术的加权集成方法,涉及高计算成本。虽然它们可能容易过拟合,并且不适用于大规模应用。
本研究提出了一个混合地震反演框架,将深度学习、地质统计和基于物理的建模相结合,以解决传统方法和纯数据驱动方法的局限性。
主要贡献如下:(i)基于物理的神经网络结合了基于Gassmann方程的流体替换建模和包含模型,确保预测符合已建立的岩石物理学理论。(ii)使用从解释的地震层派生的随地形变化的网格进行结构化的3D储层孔隙度建模,利用序贯高斯模拟(SGS),从而从稀疏的实际井测数据中估计出空间上连贯的属性。(iii)采用随机权重搜索在有限空间内优化集成方案,以捕获高性能配置,并通过高阶统计不确定性量化来提高模型的鲁棒性和预测可靠性。(iv)通过模块化架构提高计算效率,消除了大规模模拟的需要,使得对流体敏感的声阻抗、压缩波和剪切波速度的比值以及泊松比参数的联合反演更快。
所提出的方法提供了一种灵活且可扩展的高效反演策略。它特别适用于石油和天然气勘探的实际情况,以及在能源转型时代的碳储存监测,其中物理一致性和实时能力至关重要。为此,我们开发了一个物理约束的集成学习框架,将地质和岩石物理学原理直接集成到反演工作流程中。以下部分详细介绍了这种方法,旨在确保所有预测在统计上稳健且在地质上合理。

部分片段

混合反演方法开发

所提出的方法遵循多阶段混合反演工作流程(图1),首先使用解释的地震层生成符合地形的三维网格。然后使用序贯高斯模拟(SGS)对空间连续的孔隙体积进行建模,并受到可用井测数据的约束,从而捕获对流体替换场景至关重要的地质上合理的非均匀性。这些孔隙实现被输入到基于物理的模块中

地质背景

F3区块位于北海的Dutch区块,作为将所提出的混合反演方法应用于大规模实际数据集的测试地点。F3区块位于Step Graben和Dutch Central Graben之间,具有三角洲、浊积和构造复杂结构的组合。这种地质背景为在真实的地下条件下验证反演结果提供了严格的设置。此应用的目标是

解释

反演结果揭示了流体敏感储层属性的明显空间趋势,有效区分了气体饱和区、石油饱和区和盐水饱和区。预测的声阻抗(以m/s × kg/m3表示)和压缩波和剪切波速度的比值以及泊松比(σ)是无量纲的。这些分布与Horizon Cube(HCube)反演参考模型高度一致,如使用PyVista生成的高分辨率3D可视化所示,以便更好地解释(

结论

本研究提出了一种混合深度学习增强的地震反演方法,解决了传统反演方法的关键局限性,包括高计算成本、缺乏物理约束和对数据稀缺环境的适应能力有限。通过结合序贯高斯模拟、来自Gassmann岩石弹性模型的基于物理的约束以及先进的DL架构(包括全连接前馈网络和物理信息网络),所提出的方法

CRediT作者贡献声明

Munezero Ntibahanana:撰写——原始草稿、可视化、方法论、调查、正式分析、数据管理、概念化。Jianguo Song:撰写——审阅与编辑、验证、监督、资源获取、正式分析。Keto Tondozi:撰写——审阅与编辑、验证、项目管理、正式分析。Mo?se Luemba:撰写——审阅与编辑、验证、调查、数据管理。Balembo Matindi:撰写——原始草稿、验证、正式分析。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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