用于测井曲线去噪与缺失数据恢复的基于分数的模型

《Energy Geoscience》:Score-based models for well-log denoising and missing data recovery

【字体: 大 中 小 】 时间:2026年08月27日 来源:Energy Geoscience 4.7

编辑推荐:

  大庆油田N区块L井系列的测井曲线通常面临三个挑战:测量噪声、大量连续数据间隙以及随深度系统变化的复杂曲线间关系。为了应对这些挑战,本研究提出了一种用于联合测井曲线去噪和缺失数据恢复的条件分数建模拟框架。与以往通常将这两项任务分开处理或仅提供确定性输出的工作不同

  
大庆油田N区块L井系列的测井曲线通常面临三个挑战:测量噪声、大量连续数据间隙以及随深度系统变化的复杂曲线间关系。为了应对这些挑战,本研究提出了一种用于联合测井曲线去噪和缺失数据恢复的条件分数建模拟框架。与以往通常将这两项任务分开处理或仅提供确定性输出的工作不同,研究人员的方法将测井曲线去噪和缺失数据恢复构建为一个统一的概率采样问题,生成重建曲线和相关的置信区间。该方法通过扩散过程构建可控扰动空间,并采用结合观测测井值和缺失掩模的条件分数网络。在逆时生成过程中,该方法同时强制执行数据一致性和学习到的地质统计先验,从而能够稳健地恢复关键层边界和薄互层模式。与传统的确定性方法和感知不确定性的基线方法相比,所提出的方法实现了更高的重建精度,同时通过重复采样提供了名义上的90%置信区间。这种能力为砂泥岩边界识别、地层对比和地质连续性评估提供了更可靠的约束。实验结果表明,所提出的方法获得了最低的均方根误差(RMSE),约为0.061,优于深度集成(0.086)、贝叶斯长短期记忆网络(LSTM)(0.092)、LSTM(0.097)、随机森林(0.121)和带有平滑的线性插值(0.183)。此外,即使缺失率增加,该方法仍保持一致的解读可靠性和区间覆盖率。这些发现表明,概率生成推理为提高测井数据质量提供了有效途径,并为储层评价和地质建模提供了更可靠的输入。
在实际油田测井作业中,测井曲线常因仪器不稳定、井眼扩大、泥浆侵入以及采集中断等因素,出现数据不完整和噪声过大的问题。在薄互层等非均质储层中,当测量噪声与连续缺失区间共存时,常规插值和确定性回归方法往往会过度平滑薄层响应或引入人工不连续性,导致砂泥岩边界模糊、地层连续性误判。此外,测井曲线之间的关系随深度、岩性和流体性质变化而变化,进一步增加了数据恢复的难度。以往研究存在主要局限性:许多基于插值和回归的方法将去噪和缺失数据恢复视为独立任务,削弱了多通道测井响应间的物理统计一致性;多数机器学习模型仅提供单一确定性估计,无法指示重构区间的可靠性;现有序列模型在严重连续缺失和强噪声干扰下难以维持地层连续性。为了解决上述问题,研究人员提出了一种用于联合测井曲线去噪和缺失数据恢复的条件分数建模拟框架。该研究得出结论,该方法能够同时进行缺失数据恢复和去噪,并提供不确定性区间。该研究为“噪声+缺失+深度变化通道间关系”问题提供了统一且可解释的解决方案,对提升测井数据质量具有重要意义,论文发表在《Energy Geoscience》。

样本队列来源于中国东北松辽盆地大庆油田N区块的L井系列多井连续深度域测井记录。研究人员将测井记录视为一维多变量序列,对大动态范围的电阻率R250进行对数转换并标准化,引入观测掩模处理缺失与噪声。该框架采用基于分数的生成先验,利用方差保持随机微分方程(VP-SDE,一种控制噪声强度的前向扰动过程)构建扰动空间,并通过去噪分数匹配训练时间嵌入的1D U-Net或1D Diffusion Transformer。在条件生成中,将观测值和缺失掩模作为条件输入,采用预测器-校正器方案模拟逆时SDE进行后验采样。

4.1 跨方法性能比较与一致性分析
研究人员引入地质连续性评分(GCS,用于评估重构曲线是否保留垂直地质形态的指标)评估地层结构保留情况。通过对比线性插值平滑、随机森林、长短期记忆网络(LSTM)、贝叶斯LSTM和深度集成方法发现,提出的基于分数的模型在均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)及相关系数上均表现最优,且GCS最高。这表明该框架在降低点误差的同时更好地保留了垂直连续地层结构、边界响应和薄互层形态。其名义90%不确定区间覆盖率为93.2%,提供可靠且适度保守的不确定性估计。

4.2 不同缺失率下的稳定性与可靠性评估
通过分析缺失率从10%增加至30%时的误差指标和覆盖率发现,随着缺失率增加,误差指标和覆盖率出现可预测的退化,但整体性能保持较高水平,覆盖率在91.5%至94.8%之间。这表明即使信息稀缺,该方法仍能利用学习到的多通道先验维持合理的区间形态和统计一致性。

4.3 缺失区间重构与边界连续性的分段比较
研究人员通过L1井在不同缺失率及联合噪声缺失场景下的分段对比发现,常规插值导致形态模糊,随机森林产生局部不连续,LSTM在边界处存在相位偏移;而该方法能更忠实地再现真实曲线在缺失区间内的曲率变化,自然连接两侧边界,并稳定保留自然电位(SP,反映泥质含量和渗透率变化的曲线)的缓慢变化背景和拐点,有效支持砂泥岩边界识别。

4.4 联合噪声与数据丢失条件下的稳健性验证
在同时存在测量噪声和数据丢失的复杂条件下,研究人员通过L2井的对比发现,线性平滑会过度平滑并消除真实薄层响应,随机森林易局部过拟合,LSTM仍可能引入边界不连续。该方法则能保留总体趋势和关键拐点,实现缺失区间补全与噪声抑制的同步进行,说明模型学习了符合地层统计规律的曲线族。

4.5 地质解释价值:边界保留与不确定性约束
通过L3井的对比表明,该方法能恢复与两侧一致的响应幅度并保留细尺度波动,对识别薄互层有效厚度和评估非均质性具有直接意义。更重要的是,在过渡带和缺失段边缘,生成的不确定性区间变宽,表明该区域重构确定性较低。这可防止解释人员将单一插值曲线视为绝对真实,从而避免对边界位置和有效厚度做出过度自信的地质决策。

4.6 在提高采收率中的潜在应用
从提高采收率(EOR,通过注入流体等方法增加原油产量的过程)的角度来看,该方法提供的重构曲线和不确定性区间可为储层属性评价、地层对比和三维地质模型更新提供稳定基础,并为剩余油预测、井网调整等提供辅助约束。

总结讨论部分,该方法通过将地质统计先验与观测值和掩模引导的反向采样相结合,实现了局部边界响应与地层趋势的保留。同时,该方法也明确了其适用边界:当缺失区间极长、邻井观测不足或目标地质环境与训练井差异巨大时,可靠性可能下降。

翻译研究结论部分如下:
1. 本研究表明,测井曲线去噪与缺失数据恢复应被视为一个耦合恢复问题,而非独立任务。在统一概率框架内建模这些因素比单独应用平滑或插值更有效。
2. 提出的条件分数模型从多通道序列中学习地质统计先验,并利用观测值和缺失掩模指导反向采样。该基于采样的重构能够保留局部边界响应和更广泛的地层趋势,比确定性模型更好地维持薄互层形态、砂泥岩边界连续性及跨通道一致性。
3. 定量对比表明,该方法在重构精度、地质连续性与不确定性可靠性之间取得了更优平衡。在所有基线方法中,该方法获得最低的RMSE和MAE及最高GCS,其90%不确定区间也提供可靠覆盖,能准确识别需谨慎解释的区间。
4. 本研究明确了方法的适用边界。当缺失区间极长、相邻观测不足或目标地质环境与训练井差异显著时,其可靠性可能下降。未来工作应聚焦于更精细的物理噪声建模、更快的采样策略,并与生产动态和油藏数值模拟结合,以评估其在剩余油预测和EOR开发优化中的应用。
相关新闻
生物通微信公众号
微信
新浪微博

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