Inversion of Azimuthal Electromagnetic Wave Resistivity LWDBased on Deep Residual Network
-
摘要:
随钻方位电磁波电阻率测井可以提供丰富的地下信息，帮助完成储层位置确定和边界探测等任务，但常用的基于物理方程的迭代反演方法计算效率较低，在实时地质导向中受到诸多限制。为此，提出了一种基于深度残差网络的随钻方位电磁波电阻率测井资料智能反演方法。该方法将残差块中的卷积层和池化层替换为全连接层，并使用多头注意力机制来理解输入数据的关联性，以解决非线性回归问题；通过评估模型深度和宽度，并使用贝叶斯超参数调优算法找到随钻电磁波电阻率反演方法中最优的超参数，以提高反演模型的性能。该方法在模型试验中的平均准确率达到98.5%；在实际测井资料的平均准确率达到97.2%，单点反演时间约为0.01 s。研究表明，随钻方位电磁波电阻率测井反演方法能够快速准确地反演测井资料。
Abstract:Azimuthal electromagnetic wave resistivity logging while drilling(LWD) can provide abundant subsurface information and help to determine reservoir location and complete boundary detection. However, the common iterative inversion method based on physical equations has low computational efficiency and is limited in real-time geosteering. Therefore, an intelligent inversion method of azimuthal electromagnetic wave resistivity logging data based on a deep residual network (ResNet) was proposed. The method replaced the convolution and pooling layers in the residual block with fully connected layers and used a multi-head attention mechanism to understand the relevance of the input data, so as to solve the nonlinear regression problem. By evaluating the depth and width of the model and using a Bayesian optimization tuning algorithm to find the optimal hyperparameters of the electromagnetic wave resistivity inversion method, the performance of the inversion model was improved. The method showed good accuracy in model experiments, with an average accuracy of 98.5%. In the actual logging data, the average accuracy rate was 97.2%, and the single point inversion time was about 0.01 s. Intelligent inversion method of azimuthal electromagnetic wave resistivity logging data could quickly and accurately invert the azimuthal electromagnetic wave resistivity logging data.
-
水平井桥塞分段压裂已成为非常规油气高效开发的核心技术之一[1]。桥塞用于封隔已压裂井段裂缝，通常桥塞中心管中空，需井口投球、落入桥塞球座，起到密封桥塞中心管的作用。当桥塞球座处于完全密封状态，则为有效坐封[2]。一旦球座坐封失效，易发生压裂砂堵、重复压裂已改造井段等问题，无法正常后续作业。目前主要依靠人为观察井口压力变化特征判断坐封的有效性，然而对于非典型压力特征，难以快速准确识别，这已成为制约水平井桥塞分段压裂技术发展的瓶颈之一。
近年来，以大数据、机器学习、超强算力为基础的新一代人工智能技术蓬勃发展[3–4]，基于海量压裂历史数据，通过人工智能算法从大数据中学习数据变化特征[5–7]，形成了压裂工况智能诊断方法，达到实时诊断压裂工况的目的。前人已开展基于大数据分析的压裂起止时刻、暂堵、球座坐封等工况诊断研究。A. Ramirez等人[8]采用分类算法结合泵压曲线和专家经验，实现压裂作业起始与终止时刻的识别；M. M. Awad等人[9]利用小波变换方法将施工泵压蕴含的能量信息与裂缝扩展物理过程相关联，实现了单位时间内裂缝扩展事件数的定量表征；袁彬等人[10]结合长短期记忆神经网络、反向传播神经网络等多种模型，实现了泵球、前置酸降压、暂堵压裂、砂堵等事件的智能识别；盛茂等人[11]利用聚类算法、特征参数阈值法分析压裂施工数据，建立了暂堵有效性评价模型。Shen Yuchang等人[12]利用包含地面泵压以及排量的施工曲线图，基于识别图像的U-Net架构深度学习算法，建立了桥塞球座坐封起止时刻的识别模型，识别准确率达95%。该研究的判别特征是单一的排量下降，而复杂地层压裂作业过程中往往存在大量的排量下降现象，但这些并不都是由桥塞球座坐封造成的，因此仅以排量下降作为识别坐封工况的特征具有一定局限性。
为此，笔者融合专家经验定性判识和坐封数据特征挖掘定量标注，滑动窗口数据切片形成5 792组样本数据，优选井口压力–排量二维输入的长短期记忆神经网络，建立了压裂球座坐封有效性智能诊断模型；并采用欠采样平衡数据集方式提升模型判识精度，实现了每秒输出诊断结果，为桥塞球座坐封有效性实时自动诊断提供了方法。
1. 球座坐封特征参数提取
1.1 压裂球座坐封工况数据分割与标签标注
水平井桥塞分段压裂时，压裂投球坐封阶段，排量先降至0.5～1.0 m3/min，维持压裂球以较低速度坐入桥塞球座；当球座被完全密封，井筒内流体憋压，此时井口压力显著升高[13]；压力达到地层破裂压力使地层破裂后，井口压力骤降；随后逐级提高排量至压裂设计值，井口压力缓慢上升，整个投球坐封阶段井口压力呈现陡升—陡降—平缓上升的显著特征（见图1）。根据该特征，采用滑动窗口方式，对球座坐封工况进行数据分割：在排量开始降低且累计排量小于井筒体积的时段寻找第一次压力突升的时刻，并标记为坐封开始时刻；在滑动时间窗口寻找压力降落结束时刻，向后继续寻找至排量开始增加的时刻，并标记为坐封结束时刻。
工况分割后形成198段坐封数据，结合专家经验对井口压力和排量的变化特征进行判识，对每段坐封数据打标签，分为有效坐封和无效坐封2类标签，分别将其对应的时刻标记为数字1和0，最终得到有效坐封168段，无效坐封30段。
1.2 有效坐封数据特征分析
整合并提取168段有效坐封数据共有的特征点，分别是压力升高前的最小值、压力升高后达到的峰值、压力下降后的最小值及排量开始增加时刻的压力回升值，形成1—2，2—3，3—4明显的三阶段特征（见图2（a））；统计3个阶段对应的持续时间及井口压力变化值，得到各阶段的斜率分布和小提琴图（见图2（b）和（c））。
![]()
图 2 井口压力三阶段变化特征及斜率分布情况Figure 2. Characteristics of wellhead pressure change and slope distribution in three stages从图2可知，阶段一压力上升变化斜率区间[0.14，5.62]；阶段二压力下降变化斜率区间 [−0.01，−7.39]，分布范围较大；阶段三压力上升变化斜率区间[0.02，1.36]，与前2个阶段相比，分布区间更为集中。尽管有效坐封数据均呈显著的井口压力陡升—陡降—平缓上升的三阶段特征，但是数据样本分布范围较大、且不一致，无法形成明确的诊断规则实现准确诊断。
1.3 无效坐封数据特征分析
统计分析30段无效坐封数据，发现存在2类形态的无效坐封曲线（见图3）。其中，A类无效坐封虽然存在阶段一对应的压力升高过程，但阶段二的压力会降至低于压力升高前的起始值；B类无效坐封的井口压力在降低后直至提排量前始终未呈现回升趋势。
![]()
图 3 坐封失效时对应的2类井口压力曲线Figure 3. Two types of wellhead pressure curves corresponding to setting failure2. 基于长短期记忆神经网络模型建立
2.1 神经网络结构设计
压裂泵注曲线具有显著的长时序性和数据关联性，即压裂全过程具有较长的时间跨度，且每个时间步长之间的压力存在依赖关系，为此优选长短期记忆神经网络[14–18]，其特有的记忆门控单元可捕捉序列数据中的长期依赖关系[19–20]。神经网络设计采用二分类问题的设计思路，其中隐含层初始设置为256层，输入维度分别设置为一维和二维，输出设置为代表坐封有效与失效的1或0标签，对每一种输入特征值进行批标准化处理；选择Softmax激活函数对每一维度相同位置的数值进行Softmax运算，每次模型调用时对待训练参数矩阵和待训练偏置项进行初始化处理；选用Adam优化器处理二分类问题，初始学习率设置为0.01；使用交叉熵损失函数表征模型输出的有效坐封标签与实际有效坐封标签的偏差，来衡量该网络在此数据集上对坐封有效性识别效果的好坏。每次输入神经网络的训练集样本数初始设置为128个，迭代200次，每次迭代输出一次损失函数，保留最后一次训练参数，并计算准确率。神经网络结构如图4所示。
![]()
图 4 二维输入的长短期记忆神经网络结构Figure 4. Structure of LSTM neural network with two-dimensional input图4中，t表示时间，p和Q分别表示井口压力与排量的时序值，X和Y表示LSTM网络的输入和输出，σ和tanh分别表示sigmoid激活函数和tanh激活函数，参数C、h、f、i和o分别代表LSTM网络的细胞状态、隐藏状态、遗忘门、输入门和输出门。
2.2 标签数据切片处理
全连接层的神经元网络用分割出的坐封段作为训练数据集时，训练集太过冗长，会大大增加迭代时间，影响训练效果[21]，因此采用滑动窗口切片送入模型的方式来缩短训练的数据长度[22]。
统计每段数据中有效坐封的3个阶段特征的时长，得出坐封所需的时间最长为252 s。为保证特征被全部包含，将时间跨度增加，初步设定切片窗口为300 s。考虑到时间序列前后数据的相关性，设置移动步长为50 s，即窗口每次向后移动50 s，以保证对同样的一段坐封特征，其前后段的数据都能作为有效坐封的样本输入，同时也增加了样本数量。窗口从左到右，依次对每个时刻的标签进行扫描，当该窗口第一秒和最后一秒的标签均为0，且中间有且仅有一段连续为1的标签时，视为此窗口包含了一个完整的坐封段，并将整个窗口标记为标签1，作为一个有效坐封样本；当窗口内数据标签均为0，或者由1开始与结束，即无坐封段或坐封段不完整时，整个窗口标记为标签0，作为一个无效坐封样本。滑动窗口切片标注如图5所示。
198段坐封工况数据按照时间窗口300 s、移动步长50 s切片后形成5 792个样本，其中有效坐封383个，占比仅6.61%。当二分类模型中标签为1的数据量极少时，神经网络被重复传入大量的无效坐封样本，从而无法学习到有效坐封的特征。为此，采用欠采样平衡数据集方式[23]，从切片后的样本中等比例地提取标签为1和0的样本，总计766个，再以8∶2的比例划分为训练集和测试集，最终形成610个样本的训练集，156个样本的测试集。
3. 模型训练与结果分析
为考察压力和排量变化对坐封有效性判识效果的影响，分别建立井口压力一维输入和井口压力–排量二维输入的长短期记忆神经网络模型进行对比训练。首先，调整数据切片时间窗口为300，400和500 s，随着时间窗口增长，准确率由88%降至70%，表明过长的时间窗口导致样本包含更多冗余的数据信息，从而输入的干扰特征增多，因此时间窗口选择300 s；然后，调整批量大小为64，128和256，学习率分别为0.001，0.01和0.1，进行组合训练，训练结果如图6（a）所示。训练结果表明，批量大小为256时，模型准确率整体偏低，仅为50%～70%；批量大小为64、学习率为0.001时，井口压力一维输入模型的准确率最高为91.7%；批量大小为128、学习率为0.01时，井口压力–排量二维输入模型的准确率最高为96.8%，相比井口压力一维输入模型提高5.1百分点。2种模型准确率最高时对应的损失函数变化曲线如图6（b）所示。由图6（b）可以看出，迭代至第25次时，井口压力一维输入模型的损失函数降至0.30，而井口压力–排量二维输入模型的损失函数降至0.15，收敛速度更快，最终趋近于0.10。
验证集选用长庆油田合水区块51段未参与训练的压裂数据。将井口压力和排量数据以时间窗口300 s、移动步长1 s滑动输入模型，模型调用训练准确率最高的权重参数进行判识，实时输出坐封工况判识标签。若井口压力从排量降至送球排量时开始运行到累计液量达到一个井筒体积时仍未呈现三阶段特征，则判识为无效坐封。对比专家经验标签，井口压力一维输入的模型准确率为73.7%，井口压力–排量二维输入的模型准确率为84.3%。将模型识别出的43段有效坐封段绘制成瀑布图（见图7（a）），可以看出，虽然井口压力数据跨度分布较大，但该模型均能正确判识，验证了模型的有效性；将实际有效坐封、但模型误判为无效坐封的8段数据绘制成瀑布图（见图7（b）），发现此类曲线在压力突升至峰值后有一段时间的缓慢爬升，未能被该模型识别，其原因是此类情况下输入样本不足，长短期记忆神经网络未能学习到该类曲线的特征。
4. 结 论
1）针对压裂桥塞球座坐封有效性难以形成有效规则、快速准确判识的问题，提出了人工智能技术辅助诊断方法。融合专家经验定性判识和坐封数据特征挖掘定量标注，建立了基于长短记忆神经网络的压裂球座坐封有效性智能诊断模型，并采用欠采样平衡数据集方式提高模型的预测精度。
2）压裂桥塞球座有效坐封时，井口压力呈现陡升—陡降—平缓上升特征，但各阶段变化值分布离散，持续时间跨度大；无效坐封时，井口压力呈2种形态，一种是陡降幅度超过陡升幅度，一种是缺少平缓上升阶段特征。
3）利用未参与训练的51个样本验证模型，井口压力–排量二维输入模型成功识别出43个有效坐封段，准确率达84.3%。
-
![]()
图 2 随钻方位电磁波电阻率测井仪器线圈布置
Figure 2. Coil layout of azimuthal electromagnetic wave resistivity logging instrument
表 1 模型输入和输出结果
Table 1 Model input and output results
模型输入 模型输出 电阻率信号 地质信号 反演参数 高频558.8 mm源距相位差电阻率（RP22H） 中频2 082.8 mm源距幅度比地质信号（GA82M） 仪器距上界面距离（Dup） 中频914.4 mm源距相位差电阻率（RP36M） 中频2 438.4 mm源距幅度比地质信号（GA96M） 仪器距下界面距离（Ddn） 中频1 524.0 mm源距相位差电阻率（RP60M） 低频2 082.8 mm源距相位差地质信号（GP82L） 低频1 524.0 mm源距相位差电阻率（RP60L） 低频2 438.4 mm源距相位差地质信号（GP96L） 
下载: 导出CSV
表 2 模型深度评估结果
Table 2 In-depth evaluation results of the model
模型深度 早停轮次 训练时间/
h训练损失/
10−3验证损失/
10−310 60 2.50 8.456 1 5.697 2 16 44 3.03 7.998 2 6.895 8 28 32 4.52 5.978 5 5.034 8 32 37 5.02 6.396 5 4.697 8 46 34 6.18 7.931 2 8.267 6 82 28 6.97 9.809 1 13.093 2 100 25 8.05 10.692 4 10.842 6 128 31 8.97 13.931 1 19.000 0 256 26 10.22 265.010 8 1 926.372 0 512 20 12.60 93.536 7 107.462 5
下载: 导出CSV
表 3 模型宽度评估结果
Table 3 Model width evaluation results
模型宽度 早停轮次 训练时间/
h训练损失/
10−3验证损失/
10−31 100 26.70 266.275 9 269.357 6 4 100 11.58 17.688 6 17.462 8 8 100 10.18 8.785 1 9.462 0 16 80 6.03 3.767 8 3.686 8 20 67 6.92 4.867 1 4.072 5 24 54 4.93 1.494 3 1.470 1 30 38 3.98 1.472 4 1.025 7 50 47 5.18 1.836 8 1.768 0 80 76 7.32 3.695 2 6.396 5 100 89 8.52 7.533 7 6.816 3
下载: 导出CSV
-
[1] 岳喜洲,马明学,李国玉,等. 随钻方位电磁波电阻率测井技术与地质导向应用[J]. 测井技术,2021,45(2):122–127. YUE Xizhou, MA Mingxue, LI Guoyu, et al. Azimuthal electromagnetic wave resistivity logging while drilling technology and its application in geo-steering[J]. Well Logging Technology, 2021, 45(2): 122–127.
[2] 唐海全,肖红兵,李翠,等. 基于随钻测井的地层界面识别方法[J]. 天然气勘探与开发,2016,39(4):8–12. TANG Haiquan, XIAO Hongbing, LI Cui, et al. Methods to identify formation boundary based on logging-while-drilling[J]. Natural Gas Exploration and Development, 2016, 39(4): 8–12.
[3] 杨震,于其蛟,马清明. 基于拟牛顿法的随钻方位电磁波电阻率仪器响应实时反演与现场试验[J]. 石油钻探技术,2020,48(3):120–126. YANG Zhen, YU Qijiao, MA Qingming. Real time inversion and field test of LWD azimuthal electromagnetic waves based on quasi-Newton method[J]. Petroleum Drilling Techniques, 2020, 48(3): 120–126.
[4] 刘强,姚长利,郑元满. 基于阻尼最小二乘法的位场欧拉反演方法[J]. 地球物理学报,2019,62(10):3710–3722. LIU Qiang, YAO Changli, ZHENG Yuanman. Euler deconvolution of potential field based on damped least square method[J]. Chinese Journal of Geophysics, 2019, 62(10): 3710–3722.
[5] 张帅,何应付,伦增珉,等. 李-凯斯勒方程的牛顿–二分求解法[J]. 科学技术与工程,2022,22(18):7859–7865. ZHANG Shuai, HE Yingfu, LUN Zengmin, et al. Hybrid Newton-bisection algorithm for solving Lee-Kesler equation[J]. Science Technology and Engineering, 2022, 22(18): 7859–7865.
[6] 董长军,赵鹤鸣. 基于梯度下降法和自适应参数相结合的姿态解算方法[J]. 传感技术学报,2020,33(7):997–1002. DONG Changjun, ZHAO Heming. Attitude estimation based on gradient descent algorithmand adaptive parameters[J]. Chinese Journal of Sensors and Actuators, 2020, 33(7): 997–1002.
[7] 唐文秀,林虎,薛梓,等. 基于C编程实现高斯牛顿法求解激光跟踪干涉仪基站空间坐标[J]. 计量学报,2020,41(6):656–661. TANG Wenxiu, LIN Hu, XUE Zi, et al. Calculation of base station coordinate for tracking interferometer with Gauss-Newton algorithm realized by C#[J]. Acta Metrologica Sinica, 2020, 41(6): 656–661.
[8] 朱高阳. 基于深度学习的层状储层中随钻电磁波测井资料的正反演研究[D]. 济南:山东大学,2020. ZHU Gaoyang. Research on modeling and inversion of the LWD data in layered formations based on deep learning[D]. Jinan: Shandong University, 2020.
[9] 郑远攀,李广阳,李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用,2019,55(12):20–36. ZHENG Yuanpan, LI Guangyang, LI Ye. Survey of application of deep learning in image recognition[J]. Computer Engineering and Applications, 2019, 55(12): 20–36.
[10] 桂冠,王禹,黄浩. 基于深度学习的物理层无线通信技术:机遇与挑战[J]. 通信学报,2019,40(2):19–23. GUI Guan, WANG Yu, HUANG Hao. Deep learning based physical layer wireless communication techniques: opportunities and challenges[J]. Journal on Communications, 2019, 40(2): 19–23.
[11] 孙歧峰,李娜,段友祥,等. 基于长短期记忆神经网络的随钻地层倾角解释方法[J]. 石油勘探与开发,2021,48(4):843–850. SUN Qifeng, LI Na, DUAN Youxiang, et al. Logging-while-drilling formation dip interpretation based on long short-term memory[J]. Petroleum Exploration and Development, 2021, 48(4): 843–850.
[12] ZHU Gaoyang, GAO Muzhi, KONG Fanmin, et al. A fast inversion of induction logging data in anisotropic formation based on deep learning[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(12): 2050–2054. doi: 10.1109/LGRS.2019.2961374
[13] SHAHRIARI M, HAZRA A, PARDO D. A deep learning approach to design a borehole instrument for geosteering[J]. Geophysics, 2022, 87(2): D83–D90. doi: 10.1190/geo2021-0240.1
[14] FAN Jianbao, ZHANG Wenxiu, CHEN Wenxuan, et al. Inversion based on deep learning of logging-while-drilling directional resistivity measurements[J]. Journal of Petroleum Science and Engineering, 2022, 208(Part D): 109677.
[15] TARG S, ALMEIDA D, LYMAN K. Resnet in Resnet: generalizing residual architectures[DB/OL]. (2016-03-25)[2023-04-18]. https://arxiv.org/abs/1603.08029.
[16] 朱张莉,饶元,吴渊,等. 注意力机制在深度学习中的研究进展[J]. 中文信息学报,2019,33(6):1–11. ZHU Zhangli, RAO Yuan, WU Yuan, et al. Research progress of attention mechanism in deep learning[J]. Journal of Chinese Information Processing, 2019, 33(6): 1–11.
[17] 崔佳旭,杨博. 贝叶斯优化方法和应用综述[J]. 软件学报,2018,29(10):3068–3090. CUI Jiaxu, YANG Bo. Survey on Bayesian optimization methodology and applications[J]. Journal of Software, 2018, 29(10): 3068–3090.
[18] 马明学,岳喜洲,李国玉. 基于倾斜发射–倾斜接收仪器结构进行随钻地质导向与地层各向异性评价[J]. 中国石油大学学报(自然科学版),2018,42(4):50–58. MA Mingxue, YUE Xizhou, LI Guoyu. Geosteering and anisotropic resistivity evaluation by using a tilted transmitter-tilted receiver tool structure[J]. Journal of China University of Petroleum (Edition of Natural Science), 2018, 42(4): 50–58.
[19] 岳喜洲,刘天淋,李国玉,等. 随钻方位电磁波测井响应快速正演方法与地质导向应用[J]. 地球物理学报,2022,65(5):1909–1920. YUE Xizhou, LIU Tianlin, LI Guoyu, et al. An analytically fast forward method of LWD azimuthal electromagnetic measurement and its geo-steering application[J]. Chinese Journal of Geophysics, 2022, 65(5): 1909–1920.
[20] 安鹏,曹丹平. 基于深度学习的测井岩性识别方法研究与应用[J]. 地球物理学进展,2018,33(3):1029–1034. AN Peng, CAO Danping. Research and application of logging lithology identification based on deep learning[J]. Progress in Geophysics, 2018, 33(3): 1029–1034.
[21] 马国庆,王泽坤,李丽丽. 基于自注意力机制深度学习的重磁数据网格化和滤波方法[J]. 石油地球物理勘探,2022,57(1):34–42. MA Guoqing, WANG Zekun, LI Lili. Gridding and filtering method of gravity and magnetic data based on self-attention deep learning[J]. Oil Geophysical Prospecting, 2022, 57(1): 34–42.
[22] 胡越,罗东阳,花奎,等. 关于深度学习的综述与讨论[J]. 智能系统学报,2019,14(1):1–19. HU Yue, LUO Dongyang, HUA Kui, et al. Overview on deep learning[J]. Journal of Intelligent Systems, 2019, 14(1): 1–19.
[23] 严春满,王铖. 卷积神经网络模型发展及应用[J]. 计算机科学与探索,2021,15(1):27–46. YAN Chunman, WANG Cheng. Development and application of convolutional neural network model[J]. Journal of Frontiers of Computer Science & Technology, 2021, 15(1): 27–46.
[24] 朱汇龙,刘晓燕,刘瑶. 基于贝叶斯新型深度学习超参数优化的研究[J]. 数据通信,2019(2):35–38. ZHU Huilong, LIU Xiaoyan, LIU Yao. Research on hyper-parameter optimization based on Bayesian deep learning[J]. Data Communications, 2019(2): 35–38.
[25] 梁立锋,刘秀娟,张宏兵,等. 超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究[J]. 物探与化探,2021,45(1):133–139. LIANG Lifeng, LIU Xiujuan, ZHANG Hongbing, et al. A study of the effect of hyperparameters GRU-CNN hybrid deep learning EI inversion[J]. Geophysical and Geochemical Exploration, 2021, 45(1): 133–139.
[26] 吴浩楠. 超参数自动调优算法研究[D]. 哈尔滨:哈尔滨工业大学,2020. WU Haonan. Research on automatic hyper-parameter tuning algorithm[D]. Harbin: Harbin Institute of Technology, 2020.
计量
- 文章访问数: 113
- HTML全文浏览量: 18
- PDF下载量: 52
