基于地震与钻孔数据联合反演的机器学习地层界面预测模型

丁辰汶; 王诏君; 陈冬; 李文姬; 庄嘉帆; 叶智慧; 范衠

doi:10.12404/j.issn.1671-1815.2504228

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (11) :4511-4523 DOI: 10.12404/j.issn.1671-1815.2504228

天文学、地球科学

基于地震与钻孔数据联合反演的机器学习地层界面预测模型

丁辰汶 ¹ ,
王诏君 ¹ ,
陈冬 ²^,^* ,
李文姬 ¹ ,
庄嘉帆 ¹ ,
叶智慧 ² ,
范衠 ³

作者信息 +

Machine Learning-based Stratigraphic Interface Prediction Model of Joint Inversion of Seismic and Borehole Data

Author information +

文章历史 +

摘要

传统的地质建模方法依赖于有限的钻孔数据,在复杂地质环境下,难以有效捕捉地层在复杂构造中的不规则变化,从而导致建模结果存在一定误差。为此,提出了一种新的地质建模方法,该方法采用多层感知机模型,融合钻孔数据与地震解释数据,以学习地震解释层位与真实层位之间的偏差规律。随后,提出了基于层位误差的多尺度迭代预测过程,通过逐步预测和修正不同尺度的层位误差,精确实现对未知区域地质构造空间形态的预测。通过荷兰北海大陆架的仿真数据进行验证,实验结果表明,在规则的地质构造中,本文方法的平均预测准确率为99.94%。层位边界的平均预测误差分别为1.135、1.266、1.127 m,较IC-XGBoost方法的平均预测误差分别降低了98.3%、97.65%和97.83%。在不规则的地质构造中,本文方法的平均预测准确率为99.95%,层位边界的平均预测误差分别为1.021、1.279、1.057 m,较IC-XGBoost方法的平均预测误差分别降低了98.82%、97.37%和98.91%。可见,本文方法在提升层位预测精度和地质建模稳定性方面起到了明显的作用。

Abstract

Conventional geological modeling methods are typically constrained by limited borehole data and are unable to effectively capture irregular stratigraphic variations within complex geological structures, resulting in modeling inaccuracies. To overcome these limitations, a novel geological modeling approach was proposed. In this method, a multi-layer perceptron model was employed to integrate borehole data with seismic interpretation data, enabling the learning of deviation patterns between seismic interpretation horizons and actual horizons. A multi-scale iterative prediction process based on horizon errors was then developed, in which horizon errors at different scales were progressively predicted and corrected to achieve accurate prediction of the spatial morphology of geological structures in unexplored regions. The proposed approach was validated using synthetic data from the North Sea Continental Shelf. The experimental results demonstrate that, in regular geological structures, an average prediction accuracy of 99.94% is achieved, with mean horizon boundary errors of 1.135 m, 1.266 m, and 1.127 m, corresponding to reductions of 98.3%, 97.65%, and 97.83%, respectively, compared with the IC-XGBoost method. In irregular geological structures, an average prediction accuracy of 99.95% is achieved, with mean horizon boundary errors of 1.021 m, 1.279 m, and 1.057 m, representing reductions of 98.82%, 97.37%, and 98.91%, respectively. These results verify that the proposed method can significantly enhance the accuracy and robustness of geological modeling in complex structural settings.It is obvious that the proved method plays an obvious role in improving the prediction accuracy of the layer and the stability of geological modeling.

Graphical abstract

关键词

机器学习 / 地质建模 / 数据融合 / 钻孔数据 / 地震解释数据

Key words

machine learning / geological modeling / data fusion / borehole data / seismic interpretation data

引用本文

引用格式 ▾

丁辰汶, 王诏君, 陈冬, 李文姬, 庄嘉帆, 叶智慧, 范衠. 基于地震与钻孔数据联合反演的机器学习地层界面预测模型[J]. 科学技术与工程, 2026, 26(11): 4511-4523 DOI:10.12404/j.issn.1671-1815.2504228

DING Chen-wen, WANG Zhao-jun, CHEN Dong, LI Wen-ji, ZHUANG Jia-fan, YE Zhi-hui, FAN Zhun. Machine Learning-based Stratigraphic Interface Prediction Model of Joint Inversion of Seismic and Borehole Data[J]. Science Technology and Engineering, 2026, 26(11): 4511-4523 DOI:10.12404/j.issn.1671-1815.2504228

登录浏览全文

4963

注册一个新账户忘记密码

近年来,随着新发现油气资源品质下降及老油田枯竭,能源安全问题凸显^[1-2]。以中国为例,过去20年中,油气资源勘探逐步至深层(超过4 500 m),并成功发现了多个大型及超大型油气田。在近年新增探明储量中,深层以下的油气资源的占比超50%^[3]。然而,随着埋深增加,地震资料成像质量与分辨率显著降低。同时,深井和超深井取心成本高,岩心样本获取困难,导致地层层序界面识别与解释面临严峻挑战^[4]。这些问题严重制约了油气资源的开发效能。因此,精准刻画深层地质构造的空间形态,已成为实现高效勘探开发的关键技术难题^[5]。

地质建模技术是定量研究地下地质信息的关键工具,广泛应用于地下地质结构的可视化与分析^[6-7]。地质建模技术的准确性和精细程度既取决于地质知识、测井及地震等数据的表征,还与采用的建模方法密切相关^[8]。经过近40年的发展,地质建模技术已从基于观察和经验的定性描述,逐步演变为依托数学计算和数据分析的定量化、精细化模式。按技术发展历程,地质建模技术可分为五个阶段^[5]。

在早期的地质建模中,确定性建模技术主要基于固定的地质知识构建模型^[9]。例如,通过克里金插值法计算井间地质特征参数的分布^[10]。Pereira等^[11]利用克里金插值法对石灰石矿床进行了地质建模。同样,Augusto等^[12]运用克里金插值法对巴西东北沿海的第四纪砂质地质进行了建模。但由于插值结果唯一性,该类方法难以充分考虑地质不确定性,尤其在井间间隔较大时无法有效描述复杂的地质结构。

为克服确定性建模的局限性,两点地质统计学建模技术通过生成多个合理解以实现地质不确定性表征^[13]。例如,Abulkhair等^[14]采用两点地质统计学方法对矿藏中铁元素的分布进行建模,解决了数据稀缺或不确定性较大的情况下难以准确量化资源分布的问题。然而,该类方法只能同时考虑在本征假设下两点间的相关性,难以精确表征复杂储集层和地质体的空间结构^[15]。

相较于两点统计学方法,多点统计学方法采用训练图像替代变差函数,并通过多个点分析地质统计特征,更全面地反映地质空间结构^[16-17]。例如,Shi等^[18]提出了一种迭代卷积极端梯度提升模型,利用有限钻孔数据和具有相似地质特征的训练地质剖面,对未知地下地质剖面进行建模。Guo等^[19]提出了一种基于钻孔数据伪标签的半监督深度学习自动建模方法,解决大范围第四系冲积平原地貌的浅层地质建模问题。然而,该类方法的可靠性受制于输入数据质量。在数据匮乏或数据质量不高时,难以准确反映地质空间结构的变化规律。

为反映地质过程的演变,基于地质过程的数值模拟技术应运而生。该技术以实际地质作用过程为控制函数,再现其对地质构造形态的影响。通过调整控制参数可生成多种地质演变情景,最终优选出符合实际的方案。例如,黄渊等^[20]利用岩心、测井和地震等资料,重现了寒武纪碳酸盐岩台地的演化过程。此外,Liu等^[21]融合了3D可视化技术与数值模拟,对地质体在时间和空间上进行动态模拟。尽管基于地质过程的数值模拟技术能精确模拟地质演变,但存在人为参数设定的主观性影响。

近年来,人工智能技术的广泛应用促进了地质建模领域的智能化进程^[22-23]。这类技术通过结合神经网络等深度学习方法,实现地质建模的高效化和智能化,有望突破传统方法在复杂地质建模任务上的局限性^[24]。

上述地质建模技术主要应用于中-浅层地质构造。这些区域的地质数据易获取且精度高,能保障地质模型的可靠性。然而,深层地质构造的数据获取困难且精度低,难以满足精确建模的需求^[25-26]。在深层地质建模过程中,钻孔数据和地震数据是两种重要的数据来源^[27]。地震解释的层位数据能够有效反映地层的构造特征,特别是横向延展性^[28]。由于地震数据人工解释带来的错误、地震数据从时间域到深度域转换存在的偏差,也会导致地震解释结果对地层构造的垂向认识存在一定范围的不确定性^[29]。相比之下,钻孔数据的纵向精度高,能够精确界定地层层位^[30]。但受井间距离较大、深层地层变化复杂等问题的影响^[31],该数据存在地层横向连通性判断困难等局限性^[32]。

为充分发挥地震数据与钻孔数据的优势,现提出一种基于地震与钻孔数据联合反演的机器学习地层界面预测模型。本模型的核心在于结合地震数据的横向连续性与钻孔数据的高精度垂向信息,通过多层感知机(multi-layer perceptron,MLP)模型学习并预测地震层位与实际地层层位之间的深度误差,从而在迭代学习过程中对地震解释层位进行动态修正。本文方法可望在解决地质建模中的层位边界预测问题,特别是在钻孔数据稀缺和地震成像质量较差的情况下,提高地质层位边界的预测精度上起到一定的作用。

1 研究方法

1.1 主题框架

基于钻孔数据的分析,可以对空间形态相对简单的地质构造进行较为准确的预测。然而,当地质构造的空间形态变得复杂时,钻孔数据无法全面且准确地捕捉空间复杂特征。与之相比,地震数据具有更大的覆盖深度和广度,能够间接揭示真实地质构造的空间形态^[33]。然而,由于受噪声干扰和复杂地质条件的影响,基于地震数据的预测结果往往存在一定的误差。为此,现应用机器学习技术,将钻孔数据和地震数据的优势相结合,通过学习到地震层位与真实地层层位之间的偏差规律,以提高对地质构造空间形态的预测精度。所提出的模型基于以下两个主要动机。

(1)由于钻孔数据在空间分布上具有稀疏性和不连续性,因此难以精确表达地层分界面的倾向、突变等变化特征。尤其是在经历诸如侵蚀和沉积等复杂地质过程时,相邻钻孔所揭示的地层厚度可能存在显著差异。在这种情况下,仅依赖有限的钻孔数据难以准确推断地质构造的空间形态。

(2)深度学习模型的有效训练通常依赖于大量的标注样本。然而,实际可获得的钻孔数据往往非常有限^[17],这导致了可用标注样本数量的相对匮乏,并且这些数据所涵盖的特征空间也较为有限。数据的稀缺性不仅制约了模型的训练效果,还可能导致模型在复杂地质条件下的预测能力不足。

针对以上局限性,提出一种基于地震与钻孔数据联合反演的机器学习地层界面预测模型。如图1所示为所提模型的核心内容,主要包括三个部分:①钻孔数据和地震数据的预处理;②基于多层感知机的层位误差预测模型;③基于层位误差的多尺度迭代预测过程。接下来,将详细介绍这三个部分的内容。

1.2 数据预处理

在井震联合地质建模过程中,钻孔数据和地震数据承载着不同类型的地质信息。因此,在建模之前,需要对这两类数据进行特征提取与预处理,以提炼关键地质特征,确保数据质量。如图2所示为这两类数据各自的预处理流程。通过对预处理后的钻孔数据和地震数据进行合并,可以计算边界层位的深度误差。以下是这两类数据的具体预处理流程。

(1)钻孔数据预处理:图2中的A部分展示了钻孔数据的预处理过程。钻孔数据包括钻孔的位置、编号、各地层的厚度以及地层的年代信息等。由于钻孔数据沿深度方向呈现为连续的一维剖面,地层分界面的位置坐标在建模过程中尤为关键。因此,从每口钻孔中提取各地层界面的空间坐标。例如,图2中A部分的A(x_A,y_A)点和B(x_B,y_B)点分别代表两个典型的地层分界点。通过这些坐标信息,可以准确界定各层的厚度与分布深度,并为后续地质建模提供关键空间约束。

(2)地震数据预处理:图2中的B部分展示了地震数据的预处理过程。由于地震数据包含时域信息,不能直接应用于地质建模,因此首先通过时深转换将地震数据转换为深度域的地震解释数据。为了去除噪声并提取不同地层的层位边界,采用最大类间方差法来识别这些边界,如图2中B部分所示。随后,通过图像闭操作来填补空隙,从而构建完整的地层层位边界。需要注意的是,由于受到速度误差、地震噪声以及近地表非均匀介质的影响,从地震解释数据中提取的地层分界坐标[如图2中的a(x_a,y_a)点和b(x_b,y_b)点]通常会存在一定的误差。这些误差使得提取地层分界坐标与实际的地层分界坐标存在一定程度的误差。值得注意的是,假设研究区域内地层界面具有良好的连续性,未出现断层或层间错位等复杂构造情况,因此忽略穿轴问题的处理。

(3)数据关联:在数据预处理完成后,对这两类数据的预处理结果进行融合,如图2中的C部分所示。在这一过程中,基于钻孔位置,对钻孔数据(如A点和B点)与地震解释数据(如a点和b点)进行空间对齐,从而计算出实际地层分界面与地震解释地层分界面之间的层位误差(如E₁和E₂)。这些地震层位误差将作为后续基于多层感知机的层位误差预测模型的输入数据。

1.3 基于多层感知机的层位误差预测模型

提出了一种基于多层感知机的层位误差预测模型,旨在学习到已知钻孔数据提供的真实层位深度与地震解释层位之间的偏差规律。在对未知区域进行地质构造空间形态预测时,将预测任务转化为在空间水平尺度上预测地震解释数据的层位边界深度误差问题。通过利用学习到偏差规律,对其他未知区域的地震解释层位误差进行修正,从而实现对未知区域地质构造空间形态的准确预测。如图3所示为所提出模型的训练过程。地震解释数据与钻孔测井数据在空间分布上的差异导致了层位误差的产生,而这些误差在同一地层内往往表现出一定的规律性。为了充分利用这一规律并构建高精度的层位误差预测模型,采用了一种基于特征尺度空间提取与逐步平移的方法,系统地构建了训练数据集,并利用MLP对层位误差的分布进行学习和预测。

在训练过程中,首先从研究区域中选取出与所需要构建的地质构造(记为g)的空间形态相似的地质构造区域(记为G)。在同一类型的地层中,按照g中的钻孔间隔d,从G中进行截取。截取出的局部空间形态被称为特征尺度空间,如图3中A部分所示。在特征尺度空间中,采用逐步水平平移的方法,以系统性地构建训练数据集。这一方法的基本思想是:通过对相邻钻孔位置的数据进行滑动窗口提取,形成一系列具有相似地层结构的子区域,以扩充训练样本数量,同时保证数据的空间一致性。在这一过程中,每一个提取的特征尺度空间包含了两个相邻钻孔位置的层位误差以及它们中心线位置上的层位误差,如图3的B部分所示。基于地层连通性原理,同一地层的层位边界变化类似。因此,在同一地层中,地震解释数据获得的层位边界与真实的层位边界之间的误差变化表现出一定的规律性。基于该特性,构建了一个MLP模型,以相邻钻孔位置的层位误差作为所提出模型的输入,和它们中心线位置上的层位误差作为所提出模型的输出,训练所提出的模型以学习特征尺度空间中的误差变化规律。此外,由于不同地层的空间形态各异,为了更准确地反映各地层的空间形特征,为每一条层位边界分别构建独立的多层感知机模型。

在完成特征尺度空间提取与训练数据构建后,进一步训练MLP,利用前向传播和反向传播机制优化层位误差预测能力。具体地说,在训练过程中,神经网络通过逐层学习层位误差的空间分布模式,其中神经元计算公式为

(1)${a}_{i}^{\left(l\right)}$=δ[$\stackrel{{n}^{(l-1)}}{\sum _{j=1}}{w}_{ij}^{\left(l\right)}{a}_{j}^{(l-1)}$+${b}_{i}^{\left(l\right)}$]

式(1)中:

${a}_{i}^{\left(l\right)}$

为第l层第i个神经元的输出;δ[·]为激活函数;

${w}_{ij}^{\left(l\right)}$

为第l层第i个神经元与前一层第j个神经元之间的连接权重;

${b}_{i}^{\left(l\right)}$

为第l层第i个神经元的偏置;n⁽^l^-1)为第l-1层的神经元数量。

特征向量按照式(1)逐层在模型中进行传播,直到输出层神经元给出模型的预测值e'_k。该预测值表示预测出的两个钻孔位置中间位置的地震解释数据所获得的层位边界深度误差。接下来,计算该预测值e'_k与目标值e_k(即真实的地震解释数据在这一区域内获得的层位边界深度误差)之间的损失。为了最小化损失函数,模型通过更新神经网络参数进行训练,具体的参数调整过程表达式为

(2)${b}_{i}^{\left(l\right)}$←${b}_{i}^{\left(l\right)}$-η

$\frac{1}{m}\stackrel{m}{\sum _{k=1}}\frac{\partial {L}^{\left(k\right)}}{\partial {b}_{i}^{\left(l\right)}}$

(3)${w}_{ik}^{\left(l\right)}$←${w}_{ij}^{\left(l\right)}$-η

$\frac{1}{m}\stackrel{m}{\sum _{k=1}}\frac{\partial {L}^{\left(k\right)}}{\partial {w}_{ij}^{\left(l\right)}}$

式中:η为学习率;L为损失函数;m为训练样本数量。

通过不断执行前向传播和反向权重修正,模型逐渐拟合样本数据,直到损失值降至设定的阈值以下,完成训练。

1.4 基于层位误差的多尺度迭代预测过程

在预测地质构造的空间形态时,通常需要大量包含空间特征的钻孔数据。然而,在钻井工程中,由于钻孔数据在空间上的不连续性,仅依靠有限的测井数据难以全面反映其空间形态特征。为解决这一问题,提出了一种基于层位误差的多尺度迭代预测方法。本方法的核心思想是在不同尺度的特征空间中,逐步预测层位误差,并对地震解释数据中的层位边界进行修正,从而构建出完整的地层空间形态。基于此,提出了一种逐步缩小预测尺度的迭代策略。

如图4所示为所提出的基于层位误差的多尺度迭代预测过程。在图4中A部分,首次预测时,将同一地层中两个相邻真实钻孔位置的层位误差输入训练好的层位误差预测模型,预测其中心线位置的层位误差。需要指出的是,预测出的层位误差在下一次预测中被视为已知信息,其对应位置也被视为新的钻孔位置。在随后的预测过程中,将新的相邻钻孔位置的层位误差输入模型,继续预测它们中心线上的层位误差,如图4中B部分所示。该过程不断重复,直到完成所有未知区域的层位误差预测,如图4中C部分所示。随后,利用预测出的层位误差对地震解释数据中的层位边界进行修正,从而推断出待预测区域的空间形态,如图4中D部分所示。

值得注意的是,由于每次预测基于前一次结果,可能导致误差的逐步累积。为缓解这一问题,采用了一种基于当前尺度特征空间的自适应训练机制,即在每次预测过程中,利用当前尺度的特征空间构建新的训练样本,并对所提出的层位误差预测模型进行重新训练,确保模型能够在最新的特征空间下进行准确预测。此外,随着每次预测的进行,特征空间的尺度会逐步减小,每次预测的尺度约为前一次的一半。通过这种逐步缩小尺度的迭代预测,模型可以从捕捉广泛的地质构造变化,逐渐过渡到精细捕捉局部地质构造的空间形态特征,从而显著提升整体预测的精度与适应性。

2 实验设计及仿真数据集构建

2.1 实验设置

基于仿真数据开展了地质建模与分析实验,旨在验证本文研究模型在建模准确性和层位深度预测精度上的优势,并与现有的IC-XGBoost(factor IC prediction using XGBoost)模型^[18]进行对比分析。实验在以下硬件环境下完成:Intel(R) Core(TM) i7-9700KCPU(3.60 GHz)、NVIDIA GeForceGTX1660GPU和32GBRAM,操作系统为64位Windows11。

所对比的IC-XGBoost模型采用钻孔数据作为输入,利用多棵XGBoost分类树逐步预测地质构造的空间形态。在实验中,模型的分类树数量设定为100,单棵树的最大深度为6。训练过程中,选择逻辑斯特损失函数,学习率设定为0.3。所有超参数均采用XGBoost的默认设置,以在模型性能和过拟合风险之间取得良好的平衡。

相比之下,本文研究模型采用MLP作为核心模型。为了兼顾计算效率和模型性能,MLP结构设计为包含一层隐藏层,该隐藏层含有15个神经元,并采用ReLU激活函数以缓解因模型复杂度不足而可能引发的欠拟合现象。模型训练过程中以均方误差作为损失函数,并通过Adam优化器优化模型参数,用以完成地震层位深度误差的回归预测任务。

在实验过程中,选取了10列等间距的垂直线剖面作为已知钻孔数据,相邻钻孔的水平间距为100 m。此设置确保钻孔数据覆盖测试数据约1%的区域,能够有效反映地质构造的整体空间形态。为减小建模过程中随机性对结果的影响,本文研究模型与对比模型在每个实验场景中均进行了20次独立实验,并在每次实验中预测了20个地质模型。最终,采用投票法对这20个预测模型进行汇总,以得到每次实验的最终建模结果。

2.2 仿真数据生成

以荷兰北海大陆架区域的真实地质走势为基础,构建了一组仿真数据,以验证所提模型的有效性。荷兰北海蕴藏着丰富的油气矿床,是全球范围内最具代表性且研究最为深入的地震调查区域之一^[34]。仿真数据覆盖了水平宽度1 km和垂直深度6 km的空间范围,其中水平和垂直方向分别采样1 000个点和6 000个点,分辨率均设置为1 m,能够满足深层地质构造建模的精度需求。

仿真数据模拟了荷兰北海垂直深度0~6 000 m范围内的4类主要地层,并严格参考实际地质分布特征进行构建。地层单元按地质年代从新到老依次为:北海上部组(UNS)、北海下部和中部组(LMNS)、白垩系(CH)以及上下日耳曼三叠统(LUGT)。这些地层单元的层位边界通过二次曲线模拟,其数学表达式为

(4)v=Ah²+Bh+C

式(4)中:v为层位边界的垂直深度,m;h为层位边界的水平距离,m;A、B和C为二次曲线系数,按照高斯分布采样,其均值和方差如表1所示。

值得注意的是,在式(4)中,二次曲线函数用于分隔不同的地层,曲线的上方和下方分别对应不同的地层。如图5所示为基于式(4)和表1构建的地质剖面示例及通过时深转换获得的地震数据。用不同颜色代表不同的地层,清晰标识了各地层的分布情况。此外,通过图6进一步展示了地震解释地层分界面与实际地层分界面之间的层位误差随水平距离的变化情况。

2.3 评价指标

为了客观评估所提模型与对比模型在测试数据上的性能,选用了地质建模任务中常用的地层分类准确率(precision accuracy,PA)作为评价指标,用于衡量地质建模的整体精度,其计算公式为

(5)PA=$\frac{\sum _{i}\left|{Q}_{i}\bigcap {P}_{i}\right|}{\sum _{i}\left|{P}_{i}\right|}$

式(5)中:P_i为属于第i类地层的像素集合;Q_i为被预测为第i类地层的像素集合;

$\left|A\right|$

为集合A的元素个数。

然而,对于深层地质构造,大部分区域的地层较易预测,主要的难点和误差集中在层位边界附近。这些区域往往是地质建模的关键点,也是精度评估的重点。因此,单一的分类准确率指标难以全面反映模型在层位边界区域的建模精度。为更精确地评估模型的预测性能,引入了层位深度误差指标(absolute error,AE),用以衡量层位边界的预测精度。其计算公式为

(6)AE_j=$\left|{{D}^{\mathrm{P}}}_{j}-{{D}^{\mathrm{T}}}_{j}\right|$

式(6)中:D^T_j为第j条层位边界的真实深度,m;D^P_j为第j条层位边界的预测深度,m。

3 实验结果和分析

本节中对比所提模型与IC-XGBoost算法在两类地质建模场景中的性能差异。两种模型均基于图5所示的仿真数据进行训练,分别在规则与不规则的地质构造场景中开展对比测试,以验证所提模型的有效性。如图7所示为实验场景1(规则的地质构造)仿真地质剖面示例及其地震数据,这个实验场景的地层连续平缓且地质构造的变化相对规则,用于验证模型在可预测环境中建模效果。如图8所示为实验场景2(不规则的地质构造)仿真地质剖面示例及其地震数据,在这个实验场景中存在难以预测的地层接壤,且部分地层边界超出了建模范围。这种不规则地质构造可用于测试模型在深层建模中的鲁棒性。

3.1 实验场景1:规则的地质构造

如图9所示为IC-XGBoost模型在实验场景1中的最终预测结果及其层位误差变化曲线。尽管IC-XGBoost模型能够学习到地质构造的整体空间形态但在预测层位边界时,特别是在深层地质构造的层位边界预测上,误差较大。由表2可知,三条不同层位边界的平均误差分别为66.417、54.047、51.985 m,表明IC-XGBoost模型在处理深层地质构造的层位变化时表现出较大的误差,难以准确捕捉层位边界的精细变化特征。

IC-XGBoost模型的预测不准主要源于其依赖有限的钻孔数据和先验地质知识,这限制了模型对复杂深层地质结构的学习能力。特别是在深层地质结构较为复杂的区域,钻孔数据的稀缺使得模型难以有效捕捉层位边界的变化,从而导致较大的预测误差。

本文研究模型在实验场景1中的预测结果如图10(a)所示。从建模结果可以看出,所提模型能够精准地预测地层的分布,并对不同地层边界的变化趋势提供较高的预测精度。如图10(b)所示为预测结果的层位误差变化。尽管误差曲线存在一定波动,但所有层位边界的预测误差均控制在4 m以内,明显低于IC-XGBoost模型的预测误差。这一结果表明,本文研究模型在精度方面具有明显优势。此外,从表2中的数据可以看出,本文研究模型在实验场景1中的地层分类准确率高达99.941%,且每条层位边界的平均误差均控制在1.5 m以下。如表3所示为本文研究模型对比IC-XGBoost模型的平均预测误差降低率。在实验场景1中,每条层位边界上的平均预测误差分别降低了98.3%、97.65%、97.83%。不难看出,本文研究模型显著降低了层位边界上的预测误差,有效提升了建模精度。进一步验证了本文研究模型在建模精度和稳定性上的优势。

本文研究模型可视为基于钻孔数据对地震解释层位深度进行修正。为了突出其修正效果,对测试数据中的层位边界及其地震解释边界的子区域进行局部放大分析。如图11所示为图7中两个子区域局部放大后的结果。相较之下,本文研究模型在相同子区域的建模结果显示,修正后的层位边界与真实地层边界基本重合,大幅度降低了地质解释层位边界。如图12所示为本文研究模型对实验场景1中地震解释层位深度的修正效果,证实了其在提升地震资料解释精度方面的技术优势。

3.2 实验场景2:不规则的地质构造

在实验场景2中,层位边界的变化展现了更为复杂的非线性特征,模拟了更加真实且难以预测的地质环境。在图8中,第1条和第3条层位边界在部分区域超出了建模范围,反映了深层地质结构的高度不确定性和复杂性。而第2条和第3条层位边界在局部区域出现接触或交汇,形成了不规则的地层结构。

如图13所示为IC-XGBoost模型在实验场景2中的预测结果。在图13(a)中,IC-XGBoost无法准确预测出真实的层位边界,预测结果呈现出明显的阶梯式变化,无法反映出地层边界的平滑过渡。特别是,在图13(b)中,预测的层位误差大部分集中在0~150 m,部分区域的预测误差甚至超过了150 m,这表明IC-XGBoost在精确捕捉层位边界变化的能力上存在严重不足。从表4中的层位深度误差(AE)数据可以进一步验证这一点。即三条预测的层位边界的平均层位误差分别为84.431、48.632、96.915 m。这是因为由于实验场景2的不规则地质构造具有较强的非线性和复杂性,尤其是在层位交汇和交替的区域,IC-XGBoost模型未能有效处理这些复杂的层位边界变化,从而导致了较大的预测误差。

如图14所示为本文研究模型在实验场景2中的预测结果。图14(a)清晰地展示了本文研究模型在精确预测地质结构的空间形态分布方面的优势。相较于IC-XGBoost模型,本文研究模型通过将钻孔数据与地震解释信息相融合,成功提升了模型对地层变化的捕捉能力。根据表4中的统计结果,本文研究模型在实验场景2中的地层分类准确率超过99.9%。这一结果表明,所提出的模型能够高效且准确地分类不同类型的岩土,并且对地质边界的识别能力显著优于仅依赖钻孔数据的IC-XGBoost模型。此外,图14(b)展示了预测出的层位误差基本维持在0~2 m,这表明本文研究模型对层位边界的预测非常精确。表4中的层位深度误差进一步验证了这一点,三条预测层位边界的平均层位误差分别为1.021、1.279、1.057 m。从表3中的统计数据可以看出,在地质构造更复杂的实验场景2中,本文研究模型的建模精度也远高于IC- XGBoost模型。每条层位边界上的预测误差降低率均超过97%。这些结果表明,所提出的模型不仅在精度上优于对比模型,而且通过信息融合提升了对复杂地质结构的建模能力,特别是在处理复杂的层位边界时,展现了显著的优势。另一方面,如图15所示为本算法在实验场景2中对地震解释层位边界深度的修正值分布。通过对图15仔细观察本文研究模型对3条地震解释层位边界进行大幅度的修正。需要说明的是,图14(a)中LUGT与CH分界面和UNS与LMNS的分界面在部分区域超出建模范围,为此,未计入层位误差及其修正值的统计分析。

4 结论

为了解决地质建模中的层位边界预测问题,特别是在钻孔数据稀缺和地震成像质量较差的情况下,提高地质层位边界的预测精度的问题,提出了一种创新的模型,结合钻孔数据和地震数据的优势,构建了基于误差预测的模型,并通过多组实验验证了其有效性。研究结果表明,所提出的模型在提升层位预测精度和地质建模稳定性方面取得了显著进展。具体结论如下。

(1)提出了一种基于多层感知机的层位误差预测模型,从钻孔数据和地震数据中提取关键特征,学习地震解释层位与真实层位之间的偏差,并通过误差修正机制优化地层解释。

(2)提出了基于层位误差的多尺度迭代预测过程。通过逐步缩小预测尺度的迭代策略和基于当前尺度特征空间的自适应训练机制,有效实现了对未知区域地质构造空间形态的精确预测。

(3)通过两组实验验证模型的有效性。在规则的地质构造中,所提出的模型预测的每条层位边界的平均误差分别为1.135、1.266、1.127 m,均显著低于对比模型IC-XGBoost的预测误差。在不规则的地质构造中,所提出模型预测的每条层位边界平均误差分别为1.021、1.279、1.057 m,同样优于IC-XGBoost模型。此外,在这两个实验场景中,所提出的模型的地层分类准确率均超过99.9%。

尽管所提出的模型在处理复杂地质环境中的层位预测任务上取得了显著进展,但地质环境的复杂性和不确定性仍然是影响模型精度和稳定性的主要挑战。在未来,将进一步结合多源数据(如遥感影像和地下传感器数据等),并使用更高分辨率的地震数据,以减少数据稀缺性和不确定性,从而提高模型的精度和鲁棒性。此外,采用先进的深度学习技术,如图神经网络和自监督学习,来处理复杂的非线性和多尺度地质问题,将进一步增强模型对地质结构不确定性的适应能力,为复杂地质环境中的层位预测提供更强大的技术支持。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	闵超, 文国权, 李小刚, 等. 可解释机器学习在油气领域人工智能中的研究进展与应用展望[J]. 天然气工业, 2024, 44(9): 114-126.

[2]	Min Chao, Wen Guoquan, Li Xiaogang, et al. Research progress and application prospect of interpretable machinelearning in artificial intelligence of oil and gas industry[J]. Natural Gas Industry, 2024, 44(9): 114-126.

[3]	钟川楠, 孙玮, 李泽奇, 等. 川西南段大邑地区深层碳酸盐岩油气成藏探讨[J]. 科学技术与工程, 2023, 23(27): 11570-11583.

[4]	Zhong Chuannan, Sun Wei, Li Zeqi, et al. Discussion on hydrocarbon accumulation of deep carbonate rocks in Dayi Area of Southwest Sichuan[J]. Science Technology and Engineering, 2023, 23(27): 11570-11583.

[5]	李阳, 薛兆杰, 程喆, 等. 中国深层油气勘探开发进展与发展方向[J]. 中国石油勘探, 2020, 25(1): 45-57.

[6]	Li Yang, Xue Zhaojie, Cheng Zhe, et al. Progress and development directions of deep oil and gas exploration and development in China[J]. China Petroleum Exploration, 2020, 25(1): 45-57.

[7]	郭旭升, 胡东风, 黄仁春, 等. 四川盆地深层-超深层天然气勘探进展与展望[J]. 天然气工业, 2020, 40(5): 1-14.

[8]	Guo Xusheng, Hu Dongfeng, Huang Renchun, et al. Deep and ultra-deep natural gas exploration in the Sichuan Basin: progress and prospect[J]. Natural Gas Industry, 2020, 40(5): 1-14.

[9]	何治亮, 赵向原, 张文彪, 等. 深层-超深层碳酸盐岩储层精细地质建模技术进展与攻关方向[J]. 石油与天然气地质, 2023, 44(1): 16-33.

[10]	He Zhiliang, Zhao Xiangyuan, Zhang Wenbiao, et al. Progress and direction of geological modeling for deep and ultra-deep carbonate reservoirs[J]. Oil & Gas Geology, 2023, 44(1): 16-33.

[11]	范钰婷, 陶思影, 李红宾, 等. 川西四家寨金矿三维模型对找矿预测的启示[J]. 科学技术与工程, 2024, 24(12): 4861-4868.

[12]	Fan Yuting, Tao Siying, Li Hongbin, et al. Enlightenment of the three-dimensional model of Sijiazhai gold deposit in Western Sichuan to prospecting prediction[J]. Science Technology and Engineering, 2024, 24(12): 4861-4868.

[13]	张文彪, 张亚雄, 段太忠, 等. 塔里木盆地塔河油田托甫台区奥陶系碳酸盐岩断溶体系层次建模方法[J]. 石油与天然气地质, 2022, 43(1): 207-218.

[14]	Zhang Wenbiao, Zhang Yaxiong, Duan Taizhong, et al. Hierarchy modeling of the Ordovician fault-karst carbonate reservoir in Tuoputai area, Tahe oilfield, Tarim Basin, NW China[J]. Oil & Gas Geology, 2022, 43(1): 207-218.

[15]	Xue L, Li D, Dou H. Artificial intelligence methods for oil and gas reservoir development: current progresses and perspectives[J]. Advances in Geo-Energy Research, 2023, 10(1): 65-70.

[16]	李杨, 钟宝荣, 许晓宏, 等. 基于多维尺度变换和自适应增强回归进行插值——以三维地质属性体为例[J]. 科学技术与工程, 2022, 22(26): 11334-11341.

[17]	Li Yang, Zhong Baorong, Xu Xiaohong, et al. A spatial interpolation method based on multidimemsional scaling and adaptive boosting regressor: a geological attribute body case study[J]. Science Technology and Engineering, 2022, 22(26): 11334-11341.

[18]	王艳美, 刘星. 尖灭分叉型煤层三维地质建模研究: 基于地质统计学和符号矩阵的方法[J]. 科学技术与工程, 2024, 24(4): 1402-1410.

[19]	Wang Yanmei, Liu Xing. Three-dimensional geological modeling of pinch out bifurcation coal seam: method based on geostatistics and symbolic matrix[J]. Science Technology and Engineering, 2024, 24(4): 1402-1410.

[20]	Pereira P E C, Rabelo M N, Ribeiro C C, et al. Geological modeling by an indicator kriging approach applied to a limestone deposit in Indiara City-Goiás[J]. REM-International Engineering Journal, 2017, 70(3): 331-337.

[21]	Augusto F O, Soares W, Irigaray C. Mapping of compactness by depth in a quaternary geological formation using deterministic and geostatistical interpolation models[J]. Environmental Earth Sciences, 2017, 76(17): 607.

[22]	王鸣川, 段太忠. 基于相序的多点地质统计学相建模方法及其应用[J]. 石油与天然气地质, 2023, 44(1): 238-246.

[23]	Wang Mingchuan, Duan Taizhong. Facies sequence-based MPS reservoir facies modeling algorithm and its application[J]. Oil & Gas Geology, 2023, 44(1): 238-246.

[24]	Abulkhair S, Madani N. Stochastic modeling of iron in coal seams using two-point and multiple-point geostatistics: a case study[J]. Mining, Metallurgy & Exploration, 2022, 39(3): 1313-1331.

[25]	贾爱林, 郭智, 郭建林, 等. 中国储层地质模型30年[J]. 石油学报, 2021, 42(11): 1506-1515.

[26]	Jia Ailin, Guo Zhi, Guo Jianlin, et al. Research achievements on reservoir geological modeling of China in the past three decades[J]. Acta Petrolei Sinica, 2021, 42(11): 1506-1515.

[27]	Liu H, Xia S, Fan C, et al. 3D geo-modeling framework for multisource heterogeneous data fusion based on multimodal deep learning and multipoint statistics: a case study in South China Sea[J]. EGUsphere, 2024, 2024: 1-44.

[28]	王立鑫, 尹艳树, 王晖, 等. 基于自适应空间抽样由二维剖面重构三维地质模型的方法——以加拿大某区块McMurray组储集层为例[J]. 石油勘探与开发, 2021, 48(2): 347-359.

[29]	Wang Lixin, Yin Yanshu, Wang Hui, et al. A method of reconstructing 3D model from 2D geological cross-section based on self-adaptive spatial sampling: a case study of Cretaceous McMurray reservoirs in a block of Canada[J]. Petroleum Exploration and Development, 2021, 48(2): 347-359.

[30]	Shi C, Wang Y. Development of subsurface geological cross-section from limited site-specific boreholes and prior geological knowledge using iterative convolution XGBoost[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2021(9): 147.

[31]	Guo J, Xu X, Wang L, et al. GeoPDNN 1. 0: a semi-supervised deep learning neural network using pseudo-labels for three-dimensional shallow strata modelling and uncertainty analysis in urban areas from borehole data[J]. Geoscientific Model Development, 2024, 17(3): 957-982.

[32]	黄渊, 段太忠, 樊太亮, 等. 塔河地区寒武纪碳酸盐岩台地沉积演化史与成因机制——来自地层沉积正演模拟的启示[J]. 石油学报, 2022, 43(5): 617-636.

[33]	Huang Yuan, Duan Taizhong, Fan Tailiang, et al. Depositional evolution history and formation mechanism of Cambrian carbonate platforms in Tahe Area: insights from stratigraphic forward modelling[J]. Acta Petrolei Sinica, 2022, 43(5): 617-636.

[34]	Liu J, Zhao J, Liu Q, et al. Integration and application of 3D visualization technology and numerical simulation technology in geological research[J]. Environmental Earth Sciences, 2021, 80: 1-7.

[35]	周永章, 肖凡. 管窥人工智能与大数据地球科学研究新进展[J]. 地学前缘, 2024, 31(4): 1-6.

[36]	Zhou Yongzhang, Xiao Fan. Overview: a glimpse of the latest advances in artificial intelligence and big data geoscience research[J]. Earth Science Frontiers, 2024, 31(4): 1-6.

[37]	熊玖琦, 刘星. 基于支持向量机的顾北煤矿北一矿区三维地质模型构建[J]. 科学技术与工程, 2022, 22(19): 8194-8199.

[38]	Xiong Jiuqi, Liu Xing. A 3D geological model of the north one mining area of Gubei coal mine based on the support vector machine[J]. Science Technology and Engineering, 2022, 22(19): 8194-8199.

[39]	Yang Z, Chen Q, Cui Z, et al. Automatic reconstruction method of 3D geological models based on deep convolutional generative adversarial networks[J]. Computational Geosciences, 2022, 26(5): 1135-1150.

[40]	Wang B, Huang Y, Zhang D, et al. Numerical modeling of deep coalbed methane accumulation in the Central-Eastern Ordos Basin, China[J]. Natural Gas Industry B, 2024, 11(4): 405-419.

[41]	马永生, 蔡勋育, 黎茂稳, 等. 深层—超深层海相碳酸盐岩成储成藏机理与油气藏开发方法研究进展[J]. 石油勘探与开发, 2024, 51(4): 692-707.

[42]	Ma Yongsheng, Cai Xunyu, Li Maowen, et al. Research advances on the mechanisms of reservoir formation and hydrocarbon accumulation and the oil and gas development methods of deep and ultra-deep marine carbonates[J]. Petroleum Exploration and Development, 2024, 51(4): 692-707.

[43]	冯亦江, 赵红燕, 石文睿, 等. 鄂西渝东红星地区地质导向关键技术研究与应用[J]. 科学技术与工程, 2023, 23(30): 12883-12891.

[44]	Feng Yijiang, Zhao Hongyan, Shi Wenrui, et al. Research and application of key geosteering technology in Hongxing Area, Western Hubei-Eastern Chongqing[J]. Science Technology and Engineering, 2023, 23(30): 12883-12891.

[45]	Abdelmaksoud A, Radwan A A. Integrating 3D seismic interpretation, well log analysis and static modelling for characterizing the late miocene reservoir, Ngatoro Area, New Zealand[J]. Geomechanics and Geophysics for Geo-Energy and Geo-Resources, 2022, 8(2): 63.

[46]	Ao Y, Lu W, Xu P, et al. Seismic dip estimation with a domain knowledge constrained transfer learning approach[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-16.

[47]	刘清友, 朱海燕, 陈鹏举. 地质工程一体化钻井技术研究进展及攻关方向——以四川盆地深层页岩气储层为例[J]. 天然气工业, 2021, 41(1): 178-188.

[48]	Liu Qingyou, Zhu Haiyan, Chen Pengju. Research progress and direction of geology-engineering integrated drilling technology: a case study on the deep shale gas reservoirs in the Sichuan Basin[J]. Natural Gas Industry, 2021, 41(1): 178-188.

[49]	施亦做, 王社教, 肖红平, 等. 基于三维地质建模的松辽盆地北部地温场模拟[J]. 天然气工业, 2022, 42(4): 46-53.

[50]	Shi Yizuo, Wang Shejiao, Xiao Hongping, et al. 3D geomodeller-based simulation of the geothermal field in the northern Songliao Basin[J]. Natural Gas Industry, 2022, 42(4): 46-53.

[51]	廖舟, 李梅. 基于开源GemPy的城市地下空间三维隐式势场建模方法研究[J]. 地学前缘, 2024, 31(3): 482-497.

[52]	Liao Zhou, Li Mei. Research on the 3D implicit potential field modeling method for urban underground space based on the open-source GemPy[J]. Earth Science Frontiers, 2024, 31(3): 482-497.

[53]	梁兴, 朱斗星, 韩冰, 等. 地震地质工程一体化技术及其在山地页岩气勘探开发中的应用[J]. 天然气工业, 2022, 42(S1): 8-15.

[54]	Liang Xing, Zhu Douxing, Han Bing, et al. Seismic geology engineering integration technology and its application in mountainous shale gas exploration and development[J]. Natural Gas Industry, 2022, 42(S1): 8-15.

[55]	Alaudah Y, Michałowicz P, Alfarraj M, et al. A machine-learning benchmark for facies classification[J]. Interpretation, 2019, 7: 175-187.

基金资助

国家科技重大专项(2021ZD0111502)

国家重点研发计划(2019YFA0708300)

广东省科技计划(2022A1515110660)

广东省基础与应用基础研究基金(2023B1515120020)

PDF (15336KB)

访问

被引

详细

导航

Received	Published	Revised
2025-06-07	2026-04-18	2025-11-19
Online Date
2026-06-08

摘要