面向测井油层精细识别的DeepTabNet混合网络方法

黄俊杰 ,  李全厚

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (25) :10804-10816

PDF (16356KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (25) :10804-10816 DOI: 10.12404/j.issn.1671-1815.2600238
石油、天然气工业

面向测井油层精细识别的DeepTabNet混合网络方法

作者信息 +

DeepTabNet Hybrid Network Method for Fine-grained Reservoir Identification from Well Logging Data

Author information +
文章历史 +

摘要

针对多井测井资料油层识别中存在的井间分布差异、边界段预测不稳定及薄互层易漏判等问题,提出一种面向测井油层精细识别的DeepTabNet混合网络方法。统一选取自然伽马、深电阻率、体积密度、中子孔隙度和声波时差5条测井曲线作为输入特征,通过稳健归一化和滑动窗口构样引入纵向上下文信息。在模型结构上,DeepTabNet在保留原始TabNet逐步稀疏特征选择思想的基础上,引入特征嵌入与多头自注意力机制,以建模跨曲线高阶非线性交互,并构建1D卷积纹理分支提取沿深度方向的局部连续形态特征,最终融合两类特征输出油层概率。基于16口井测井资料开展实验,采用按井划分和5折交叉验证进行评估。结果表明,DeepTabNet在验证集上准确率为0.905、F1-分数为0.862、精确率-召回率曲线下面积(PR-AUC)为0.914,在独立跨井测试中平均准确率为0.899、PR-AUC为0.905,整体优于规则法、随机森林、BiLSTM、TCN和GNN等对比方法。消融实验进一步表明,多头自注意力、Sparsemax稀疏门控和纹理分支均对性能提升具有积极贡献。研究表明,该方法能够有效提升油层识别精度、边界稳定性和跨井泛化能力,具有较好的可解释性和工程应用潜力。

Abstract

To address cross-well distribution shift, unstable boundary prediction, and missed detections in thin interbedded intervals during reservoir identification from multi-well logging data, a DeepTabNet hybrid network method for fine-grained reservoir identification was proposed. Five well-log curves, namely gamma ray, deep resistivity, bulk density, neutron porosity, and sonic transit time, were uniformly selected as the input features, and vertical contextual information was introduced through robust normalization and sliding-window sample construction. In terms of model architecture, DeepTabNet preserves the step-wise sparse feature selection strategy of the original TabNet while incorporating feature embedding and multi-head self-attention to capture high-order nonlinear interactions across logging curves. In addition, a one-dimensional convolutional texture branch was constructed to extract locally continuous morphological features along the depth direction, and the two types of features were ultimately fused to output reservoir probabilities. Experiments were conducted on logging data from 16 wells and evaluated using well-based splitting and five-fold cross-validation. The results show that DeepTabNet achieves an accuracy of 0.905, an F1-score of 0.862, and a PR-AUC of 0.914 on the validation set, while obtaining an average accuracy of 0.899 and a PR-AUC of 0.905 in independent cross-well testing, consistently outperforming the rule-based method, random forest, BiLSTM, TCN, and GNN baselines. Ablation studies further demonstrate that multi-head self-attention, Sparsemax sparse gating, and the texture branch all make positive contributions to performance improvement. The results indicate that the proposed method can effectively enhance reservoir identification accuracy, boundary stability, and cross-well generalization, while also exhibiting good interpretability and practical engineering potential.

Graphical abstract

关键词

油层识别 / 测井曲线 / DeepTabNet / 多头自注意力 / 稀疏门控 / 跨井泛化

Key words

reservoir identification / well logging curves / DeepTabNet / multi-head self-attention / sparse gating / cross-well generalization

引用本文

引用格式 ▾
黄俊杰, 李全厚. 面向测井油层精细识别的DeepTabNet混合网络方法[J]. 科学技术与工程, 2026, 26(25): 10804-10816 DOI:10.12404/j.issn.1671-1815.2600238
HUANG Jun-jie, LI Quan-hou. DeepTabNet Hybrid Network Method for Fine-grained Reservoir Identification from Well Logging Data[J]. Science Technology and Engineering, 2026, 26(25): 10804-10816 DOI:10.12404/j.issn.1671-1815.2600238

登录浏览全文

4963

注册一个新账户 忘记密码

随着油气勘探开发不断向复杂储层、薄互层和强非均质目标推进,测井资料在油层识别与精细解释中的作用日益突出。近年来,围绕测井智能识别问题,相关研究已从知识表达、传统机器学习、深度学习及时序建模等多个方向展开。国内研究方面,刘国强等[1]将知识图谱引入油气层测井解释,推动了测井知识的结构化表达与智能识别;卷积神经网络已被用于测井相识别,并验证了其在局部模式提取和自动特征学习方面的优势[2]。同时,循环网络和混合网络逐渐被用于测井曲线处理与地层识别,如基于LSTM的多尺度共生关系挖掘方法提升了测井曲线复原能力[3],结合长短期记忆网络与XGBoost的方法增强了岩性识别效果[4],随机森林方法则体现出较好的稳定性与工程可实施性[5]。在此基础上,注意力机制、类别不平衡处理和卷积-循环混合建模也被进一步引入测井任务:注意力增强的卷积结构有助于提高关键特征聚焦能力[6],ADASYN与CatBoost的结合提升了少数类样本场景下的识别性能[7],CNN-GRU模型体现出局部特征提取与序列依赖建模结合的优势[8],而基于MAE的方法和页岩油气开发则拓展了深度模型在测井自动识别中的应用范围[9-11]。
在表格学习和可解释深度建模方面,TabNet为结构化数据任务提供了新的思路,其通过逐步注意力掩码实现可解释的特征选择[12];Sparsemax稀疏注意力机制进一步为关键特征筛选提供了理论支撑[13];Focal Loss则为类别不平衡条件下的稳健建模提供了有效的损失函数选择[14]。与此同时,国外在测井智能识别领域的研究也不断深化。已有研究表明,深度学习能够有效服务于火成岩储层岩性识别,并可结合地质约束增强模型的地学一致性[15]。在此基础上,图神经网络被用于处理测井曲线缺失与关系建模问题,融入地质先验的深度学习方法进一步提升了岩相识别效果;深度学习与测井数据分析的联合应用也已拓展到致密砂岩储层岩相分类和三维建模等任务[16-17]。将测井曲线转化为图像进行识别、采用多种机器学习方法比较岩相识别效果[18-23]、在图卷积网络中引入注意力机制以改善不平衡分类性能、构建针对测井补全的灵活深度模型、开展基于深度学习的区块实例化岩相预测、将注意力与时间卷积网络结合进行岩性识别以及融合Transformer与LSTM进行盲井预测,都表明测井解释正由单一模型走向多结构融合。与此同时,基于机器学习和参数优化的岩性识别研究也说明,合理的模型结构与参数配置对分类性能具有重要影响[24-27]。
总体来看,现有研究已经从多个方面为测井智能识别奠定了良好基础。然而,对于多井测井资料油层精细识别任务而言,仍存在3个方面不足。其一,CNN、LSTM、GRU等模型对不同测井曲线之间高阶非线性交互的显式建模仍显不足;其二,GNN类方法虽能描述复杂关系,但依赖额外构图,模型复杂度较高;其三,原始TabNet主要面向静态表格分类任务,缺乏针对测井纵向连续性、边界段过渡特征和薄互层纹理模式的专门设计。因此,有必要构建一种能够同时兼顾跨曲线交互建模、关键特征自适应选择和纵向连续模式提取的混合网络,以提升多井测井资料油层精细识别的准确性、稳定性和跨井泛化能力。基于此,现提出DeepTabNet混合网络,在保留TabNet可解释特征选择思想的基础上,进一步结合滑动窗口、多头自注意力、Sparsemax稀疏门控和1D卷积纹理分支,以实现对测井油层精细识别任务的针对性建模。

1 理论与方法

1.1 任务定义与测井数据表征

将油层识别建模为深度点级二分类问题。对任一中心深度点i,输入5条测井曲线特征,输出该点属于油层的概率。设样本集合为

$\mathit{D}=\left\{\right({\mathit{x}}_{\mathit{i}},{\mathrm{y}}_{\mathrm{i}}{\left)\right\}}_{\mathrm{i}=1}^{\mathit{N}},{\mathit{x}}_{\mathit{i}}\in {\mathrm{R}}^{\mathit{C}},{\mathit{y}}_{\mathit{i}}\in \left\{\mathrm{0,1}\right\}$

式(1)中:D为监督学习数据集;N为样本总数;xi为第i个深度点的输入特征向量;yi为对应标签,yi=1表示油层,yi=0表示非油层。固定C=5,即

${\mathit{x}}_{\mathit{i}}=[\mathrm{G}{\mathrm{R}}_{\mathit{i}},\mathrm{R}{\mathrm{T}}_{\mathit{i}},\mathrm{R}\mathrm{H}\mathrm{O}{\mathrm{B}}_{\mathit{i}},\mathrm{N}\mathrm{P}\mathrm{H}{\mathrm{I}}_{\mathit{i}},\mathrm{D}{\mathrm{T}}_{\mathit{i}}{]}^{\mathrm{T}}\in {\mathrm{R}}^{5}$

式(2)中:GRi为自然伽马;RTi为深电阻率;RHOBi为体积密度;NPHIi为中子孔隙度;DTi为声波时差。考虑到油层响应沿深度方向具有连续性,单点输入难以刻画边界过渡和薄互层结构,因此采用长度为L=2r+1的滑动窗口构造段式样本,可得

${\mathit{X}}_{\mathit{i}}=[{\mathit{x}}_{\mathrm{i}-\mathrm{r}},{\mathit{x}}_{\mathrm{i}-\mathrm{r}+1},\dots,{\mathit{x}}_{\mathit{i}},\dots,{\mathit{x}}_{\mathrm{i}+\mathrm{r}}{]}^{\mathrm{T}}\in {\mathrm{R}}^{\mathrm{L}\times \mathrm{C}}$

式(3)中:Xi为以第i个深度点为中心构造的窗口样本;r为窗口半径;L为窗口长度;窗口中心点标签仍取yi。为降低极端值和尺度差异对模型训练的影响,对每条曲线采用稳健归一化,即

${\mathit{z}}_{\mathit{i},\mathit{c}}=\frac{{\mathit{x}}_{\mathit{i},\mathit{c}}-\mathrm{M}\mathrm{e}\mathrm{d}\left({\mathit{x}}_{\mathit{i},\mathit{c}}\right)}{\mathrm{I}\mathrm{Q}\mathrm{R}\left({\mathit{x}}_{\mathit{i},\mathit{c}}\right)+\mathit{\varepsilon }}$

式(4)中:xi,c为第i个样本在第c条曲线上的原始取值;zi,c为归一化后的值;Med(·)表示中位数;IQR(·)表示四分位距;ε为防止分母为零的小常数。经归一化后可得到标准化向量zi及对应窗口样本Zi。

1.2 DeepTabNet混合网络及相对原始TabNet的改进

1.2.1 表格语义分支

对中心深度点的归一化特征向量${\mathit{z}}_{\mathit{i}}\in {\mathrm{R}}^{\mathit{C}}$,首先将每一条曲线映射为一个特征token,以便在特征维度上实施注意力建模。第c条曲线的嵌入表示定义为

${\mathit{h}}_{\mathrm{i},\mathrm{c}}^{\left(0\right)}={\mathit{W}}_{\mathit{e}}^{\left(\mathrm{c}\right)}{\mathit{z}}_{\mathit{i},\mathit{c}}+{\mathit{b}}_{\mathit{e}}^{\left(\mathrm{c}\right)},{\mathit{h}}_{\mathrm{i},\mathrm{c}}^{\left(0\right)}\in {\mathrm{R}}^{{\mathrm{d}}_{\mathrm{e}}}$

式(5)中:${\mathit{W}}_{\mathit{e}}^{\left(\mathrm{c}\right)}\in {\mathrm{R}}^{{\mathrm{d}}_{\mathrm{e}}\times 1}$和${\mathit{b}}_{\mathit{e}}^{\left(\mathrm{c}\right)}\in {\mathrm{R}}^{{\mathrm{d}}_{\mathrm{e}}}$分别为第c条曲线的嵌入权重和偏置;de为嵌入维度。将全部曲线token按列堆叠可得初始特征矩阵为

${\mathit{H}}_{\mathit{i}}^{\left(0\right)}=[{\mathit{h}}_{\mathrm{i},1}^{\left(0\right)},{\mathit{h}}_{\mathrm{i},2}^{\left(0\right)},\dots,{\mathit{h}}_{\mathrm{i},\mathrm{C}}^{\left(0\right)}{]}^{\mathrm{T}}\in {\mathrm{R}}^{\mathrm{C}\times {\mathrm{d}}_{\mathrm{e}}}$

在此基础上,引入多头自注意力以学习不同曲线之间的依赖关系。对第h个注意力头,有

$\left\{\begin{array}{l}{\mathit{Q}}_{\mathit{i}}^{\left(\mathrm{h}\right)}={\mathit{H}}_{\mathit{i}}^{\left(0\right)}{\mathit{W}}_{\mathit{Q}}^{\left(\mathrm{h}\right)}\\ {\mathit{K}}_{\mathit{i}}^{\left(\mathrm{h}\right)}={\mathit{H}}_{\mathit{i}}^{\left(0\right)}{\mathit{W}}_{\mathit{K}}^{\left(\mathrm{h}\right)}\\ {\mathit{V}}_{\mathit{i}}^{\left(\mathrm{h}\right)}={\mathit{H}}_{\mathit{i}}^{\left(0\right)}\\ {\mathit{W}}_{\mathit{V}}^{\left(\mathrm{h}\right)}\mathrm{A}\mathrm{t}\mathrm{t}{\mathrm{n}}^{\left(\mathit{h}\right)}\left[{\mathit{H}}_{\mathit{i}}^{\left(0\right)}\right]=\mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}\left[\frac{{\mathit{Q}}_{\mathit{i}}^{\left(\mathrm{h}\right)}{{\mathit{K}}_{\mathit{i}}^{\left(\mathrm{h}\right)}}^{\mathrm{T}}}{\sqrt{{\mathit{d}}_{\mathit{h}}}}\right]{\mathit{V}}_{\mathit{i}}^{\left(\mathrm{h}\right)}\\ {\mathit{H}}_{\mathit{i}}^{\mathit{a}\mathit{t}\mathit{t}}=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}[\mathrm{A}\mathrm{t}\mathrm{t}{\mathrm{n}}^{\left(1\right)},\mathrm{A}\mathrm{t}\mathrm{t}{\mathrm{n}}^{\left(2\right)},\dots,\mathrm{A}\mathrm{t}\mathrm{t}{\mathrm{n}}^{\left(\mathit{H}\right)}]{\mathit{W}}_{\mathrm{O}}\end{array}\right.$

式(7)中:WQ(h)、WK(h)、WV(h)分别为第h个头的查询、键和值投影矩阵;dh为单头维度;H为头数;WO为输出映射矩阵;${\mathit{H}}_{\mathit{i}}^{\mathit{a}\mathit{t}\mathit{t}}\in {\mathrm{R}}^{\mathrm{C}\times {\mathrm{d}}_{\mathrm{e}}}$为经注意力更新后的表格语义表示。

1.2.2 逐步稀疏门控

为增强模型的鲁棒性和可解释性,进一步在表格分支中引入逐步稀疏门控机制,对关键曲线进行自适应筛选。在第s个决策步,首先根据当前表格表示生成门控打分向量,即

${\mathit{a}}_{\mathit{i}}^{\left(\mathrm{s}\right)}={\mathit{W}}_{\mathit{a}}^{\left(\mathrm{s}\right)}\mathrm{P}\mathrm{o}\mathrm{o}\mathrm{l}\left({\mathit{H}}_{\mathit{i}}^{\mathit{a}\mathit{t}\mathit{t}}\right)+{\mathit{b}}_{\mathit{a}}^{\left(\mathrm{s}\right)}\in {\mathrm{R}}^{\mathit{C}}$

式(8)中:Pool(·)为对特征矩阵进行通道聚合;Wa(s)和ba(s)为第s步门控参数。随后通过Sparsemax将打分映射为稀疏门控权重,即

${\mathit{m}}_{\mathit{i}}^{\left(\mathrm{s}\right)}=\mathrm{s}\mathrm{p}\mathrm{a}\mathrm{r}\mathrm{s}\mathrm{e}\mathrm{m}\mathrm{a}\mathrm{x}[{\mathit{a}}_{\mathit{i}}^{(\mathrm{s})}),{\mathit{m}}^{\left(\mathrm{s}\right)}{]}_{\mathit{i}}\in {\mathrm{R}}^{\mathit{C}}$

式(9)中:mi(s)为第s步的特征选择掩码。与Softmax不同,Sparsemax可以产生严格为零的分量,因此更适合表达“仅少数曲线在当前样本中真正重要”的事实。利用门控向量对输入特征进行加权后,可得第s步的筛选结果为

${\stackrel{\sim }{\mathit{z}}}_{\mathit{i}}^{\left(\mathrm{s}\right)}={\mathit{m}}_{\mathit{i}}^{\left(\mathrm{s}\right)}\mathit{☉}{\mathit{z}}_{\mathit{i}}$

式(10)中:☉表示Hadamard逐元素乘法。经非线性变换器${\mathit{\Phi }}^{\left(\mathit{s}\right)}(·)$后得到该步判别表示为

${\mathit{u}}_{\mathit{i}}^{\left(\mathrm{s}\right)}={\mathit{\Phi }}^{\left(\mathit{s}\right)}\left[{\stackrel{\sim }{\mathit{z}}}_{\mathit{i}}^{\left(\mathrm{s}\right)}\right]$

最终,经过S个决策步后,表格语义分支输出为

${\mathit{h}}_{\mathit{i}}^{\mathit{t}\mathit{a}\mathit{b}}=\stackrel{\mathit{S}}{\sum _{\mathit{s}=1}}{\mathit{u}}_{\mathit{i}}^{\left(\mathrm{s}\right)}$

式(12)中:hitab为表格语义分支的最终输出。

1.2.3 纵向纹理分支

仅依靠中心点表征仍不足以捕捉油层进入、退出边界及薄互层段的连续变化规律,因此在窗口样本${\mathit{Z}}_{\mathit{i}}\in {\mathrm{R}}^{\mathrm{L}\times \mathrm{C}}$上建立纵向纹理分支。对于第r层卷积块,有

$\begin{array}{l}{\mathit{F}}_{\mathit{i}}^{\left(\mathrm{r}\right)}=\mathrm{B}\mathrm{N}\left(\mathit{\varphi }\right\{\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{v}1{\mathrm{D}}^{\left(\mathit{r}\right)}[{\mathit{F}}_{\mathit{i}}^{(\mathrm{r}-1)}]\left\}\right),\\ \mathit{　}\mathit{　}\mathit{r}=\mathrm{1,2},\dots,\mathit{R}\end{array}$

式(13)中:Fi(0)=Zi;Conv1D(r)(·)为第r层一维卷积运算;$\mathit{\varphi }(·)$为非线性激活函数;BN(·)为批归一化;R为卷积层数。卷积核沿深度方向滑动,用于提取局部边界过渡、尖峰抑制后连续纹理以及薄互层段中短尺度振荡等模式。在卷积堆叠完成后,对最终特征图进行全局平均池化,得到纹理分支表示为

${\mathit{h}}_{\mathit{i}}^{\mathit{t}\mathit{e}\mathit{x}}=\mathrm{G}\mathrm{A}\mathrm{P}\left[{\mathit{F}}_{\mathit{i}}^{\left(\mathrm{R}\right)}\right]$

式(14)中:GAP(·)为全局平均池化;hitex为纵向纹理表示。该分支为模型提供了区别于静态表格输入的连续深度证据,是提升边界稳定性和薄互层识别能力的关键。

1.2.4 DeepTabNet与原始TabNet的差异与创新

如表1所示,DeepTabNet相对原始TabNet主要有以下三点改进。

(1)输入表示改进:将原始TabNet的单点静态表格输入扩展为滑动窗口段式输入,使模型在判别中心深度点时能够同时利用其邻域上下文信息,从而增强对边界段和薄互层的识别稳定性。

(2)表格语义建模改进:在保留TabNet逐步稀疏选特征思想的基础上,引入特征嵌入与多头自注意力机制,显式建模不同测井曲线之间的高阶非线性交互关系,以弥补原始TabNet对跨曲线耦合表达不足的问题。

(3)混合结构改进:增加1D卷积纹理分支,从滑窗序列中提取沿深度方向的局部形态模式,并与表格语义分支进行融合,使模型同时具备“关键曲线选择能力”和“纵向连续纹理表达能力”。

1.3 特征融合与输出层

为同时利用跨曲线高阶交互信息和纵向连续纹理信息,将两分支输出进行拼接融合,即

${\mathit{h}}_{\mathit{i}}^{\mathit{f}\mathit{u}\mathit{s}}=\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}({\mathit{h}}_{\mathit{i}}^{\mathit{t}\mathit{a}\mathit{b}},{\mathit{h}}_{\mathit{i}}^{\mathit{t}\mathit{e}\mathit{x}})$

融合特征经全连接映射后输出油层概率,即

${\mathit{p}}_{\mathit{i}}=\mathit{\sigma }({{\mathit{w}}^{\mathrm{T}}}_{\mathrm{o}}{\mathit{h}}_{\mathit{i}}^{\mathit{f}\mathit{u}\mathit{s}}+{\mathit{b}}_{\mathrm{o}})$

式(16)中:hifus为融合特征向量;woT和bo为输出层参数;σ(·)为Sigmoid函数;${\mathit{p}}_{\mathit{i}}\in \left(\mathrm{0,1}\right)$表示第i个样本被判为油层的概率。最终类别预测为

${\hat{\mathrm{y}}}_{\mathrm{i}}=\left\{\begin{array}{ll}1,& {\mathit{p}}_{\mathit{i}}\ge \mathit{\tau }\\ 0,& {\mathit{p}}_{\mathit{i}}<\mathit{\tau }\end{array}\right.$

式(17)中:τ为分类阈值。在验证集上选择最优阈值,以在精确率与召回率之间取得更适合油层识别任务的平衡。

1.4 训练目标与优化策略

由于油层样本通常少于非油层样本,若直接采用普通交叉熵,模型容易偏向多数类。为增强对少数类油层样本和难分类样本的关注,采用二元Focal Loss作为主损失,表达式为

$\begin{array}{l}{\mathrm{L}}_{\mathrm{f}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}=-\frac{1}{\mathit{N}}\stackrel{\mathit{N}}{\sum _{\mathit{i}=1}}\left[\mathit{\alpha }{\mathit{y}}_{\mathit{i}}\right(1-{\mathit{p}}_{\mathit{i}}{)}^{\mathit{\eta }}\mathrm{l}\mathrm{n}{\mathit{p}}_{\mathit{i}}+\\ (1-\mathit{\alpha })(1-{\mathit{y}}_{\mathit{i}}){\mathit{p}}_{\mathit{i}}^{\mathit{\eta }}\mathrm{l}\mathrm{n}(1-{\mathit{p}}_{\mathit{i}})]\end{array}$

式(18)中:$\mathit{\alpha }\in \left(\mathrm{0,1}\right)$为类别平衡系数;$\mathit{\eta }\ge 0$为聚焦因子;pi为正类预测概率。当前样本越难分类,对应损失权重越高,从而提升模型对油层边界、薄互层和噪声扰动样本的学习能力。为了约束门控选择的稀疏性并增强模型解释性,进一步引入稀疏正则项,表达式为

${\mathrm{L}}_{\mathrm{s}\mathrm{p}}=\frac{1}{\mathit{N}\mathit{S}}\stackrel{\mathit{N}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{S}}{\sum _{\mathit{s}=1}}\Vert {\mathit{m}}_{\mathit{i}}^{\left(\mathrm{s}\right)}{\Vert }_{1}$

式(19)中:$\Vert ·{\Vert }_{1}$表示L1范数;Lsp用于鼓励每一步门控仅激活少数关键曲线。最终总损失为

$\mathrm{L}={\mathrm{L}}_{\mathrm{f}\mathrm{o}\mathrm{c}\mathrm{a}\mathrm{l}}+{\mathit{\lambda }}_{\mathrm{s}\mathrm{p}}{\mathrm{L}}_{\mathrm{s}\mathrm{p}}$

式(20)中:λsp为稀疏正则权重。训练过程中采用AdamW优化器更新参数,并结合余弦退火学习率调度提高后期收敛稳定性。

2 实验与设计

2.1 数据与任务设定

以大庆油田N区块S井系列测井资料为数据基础,共纳入16口井。为保证不同井之间输入特征的一致性,并降低因部分曲线缺失或测量条件差异带来的维度不统一问题,统一选取5条在各井中完整性较高、地质意义明确且对油层识别具有代表性的测井曲线作为模型输入,分别为GR、RT、RHOB、NPHI和声波时差DT。采用这5条曲线联合输入,可使模型同时利用电性、物性和岩性信息,提高油层判别的稳定性与可靠性。经深度对齐、异常值处理、缺失处理、稳健归一化和滑动窗口样本构建后,共形成57 684个有效滑窗样本。油层样本16 742个,占29.02%;非油层样本40 942个,占70.98%。为保证跨井评估的工程真实性,按井划分数据集:选取12口井构成建模集,4口井(A10、A15、B2、C3)构成独立测试集。为保证实验描述的完整性与可复现性,进一步统计了数据集的井数、样本数量及类别分布。表2给出了全部数据、建模集和独立测试集的详细统计结果。可以看出,油层样本占比约为29%,明显少于非油层样本,说明本文任务具有一定类别不均衡特征。后续训练中采用Focal Loss以增强模型对油层样本及难分类样本的关注,提高少数类识别能力。为便于从整体把握本文实验链路,本文方法的端到端流程如图1所示,通过多井曲线输入、稳健归一化、滑动窗口构造、表格语义分支与垂向纹理分支并行提取判别信息,最终融合输出油层概率并用Focal Loss适配类别不均衡。

2.2 数据预处理

多井测井数据在直接建模时通常面临3个方面问题:一是异常值和尖峰会放大噪声,干扰模型学习;二是缺失段如果处理不当,会破坏曲线沿深度方向的连续纹理,进而影响边界段和薄互层段的识别;三是不同井之间在曲线量纲和统计分布上存在差异,若不进行统一尺度处理,模型的跨井泛化能力会受到影响。因此,将数据清洗与标准化视为实现高精度建模的必要前提,并按照“质量控制(quality control,QC)→缺失处理→稳健归一化→标签对齐”的流程依次开展。具体而言,在QC阶段,主要对异常点和尖峰进行处理,同时检查曲线单位、量纲一致性,并完成必要的深度匹配核验;在缺失值处理阶段,根据缺失长度分级处理,短缺口采用插值以尽量保留连续形态信息,长缺口则采用掩码或剔除方式,以避免插值引入虚假的地质结构;随后,对各类曲线进行基于中位数和四分位距的稳健归一化,以减弱井间分布漂移的影响;最后,将油层解释结果与深度采样点进行标签对齐,形成可用于监督学习的样本。上述流程的关键环节及其顺序关系如图2所示。其中展示了从原始曲线到标签对齐的完整处理链条,样本构建、跨井划分以及训练评估过程统一纳入同一流程框架,从而保证了预处理步骤与评估设置之间的一致性和可复现性。

2.3 样本构建与数据划分

如图3所示,油层识别的难点并不是沿全井深均匀出现的,而主要集中于两类典型情形。第一类出现在油层的进入与退出边界附近,此时测井曲线响应通常表现为连续变化,并叠加一定噪声干扰,若仅依据单点进行判别,容易产生边界位置不稳定的问题。第二类则出现在薄互层段,该区域内真实油层厚度较薄,且与非油层交替频繁出现,导致单点判别容易将短时波动误判为地层变化,或者忽略真实的层位变化。为针对性提高这两类场景的识别稳定性,采用滑动窗口构造样本:对中心深度点i,取上下文[i-w,i+w]的多曲线片段作为输入,使模型在判别某一点是否为油层时,能够同时利用中心点的瞬时响应与邻域内的连续形态证据。在数据划分上,采用严格的按井划分策略,以避免同一口井相邻深度点同时进入训练和测试而造成信息泄露。其中,12口井构成建模集,共43 236个样本;4口井(A10、A15、B2、C3)构成独立测试集,共14 448个样本。建模集内部进一步采用5-Fold交叉验证评估模型稳定性,各折训练/验证样本量略有差异,但类别比例与建模集总体基本一致。该设置能够较真实地反映“训练井-新井预测”的工程应用场景。

2.4 模型实现与超参数

DeepTabNet混合架构,旨在同时应对“跨曲线交互”与“垂向纹理连续性”这两类关键问题。需要说明的是,DeepTabNet并不是原始TabNet在测井任务中的简单照搬,而是以其逐步稀疏特征选择机制为基础,进一步融合滑动窗口上下文建模、多头自注意力跨曲线交互模块以及1D-CNN纵向纹理分支,从而形成面向具体任务设计的混合网络结构。为使“注意力所学习到的跨曲线依赖关系”能够被更直观地呈现,图4展示了多头自注意力模块示意图及曲线相关性热力图。图4不仅揭示了模型的内部作用机制,也从结构层面为“模型为何能够更有效地区分油层与非油层”提供了解释依据。在实现方面,模型的关键结构参数与训练超参数列于表3。其中,注意力嵌入维度、网络层数和注意力头数共同决定了跨曲线交互的建模能力;稀疏决策步数与正则化系数影响特征选择的稀疏程度及稳定性;卷积核大小和卷积层数决定了纵向纹理特征的感受野范围;Dropout、AdamW优化器与Cosine学习率调度共同用于提升训练稳定性并减轻过拟合;而训练轮数以及5-Fold交叉验证则用于促进模型充分收敛,并增强实验结论的可靠性。

2.5 训练目标与指标体系

在多数井区中,油层通常处于少数类地位。如果仅以准确率作为模型优化和评价的核心指标,模型往往可能通过更多地预测为非油层来获得较高的整体准确率,但这会显著增加油层段的漏判概率,进而削弱模型的工程应用价值。基于这一问题,在训练阶段采用Focal Loss,以增强模型对少数类样本以及难分类样本的关注;同时引入稀疏门控正则项,以提升特征选择过程的稳定性,使模型在跨井数据分布发生漂移的情况下仍具备较好的泛化能力。在评价指标设计上,除报告准确率外,还同时给出油层类别的精确率、召回率和F1-分数,并将精确率-召回率曲线下面积(PR-AUC)作为重点考察指标。这是因为PR-AUC对类别不平衡问题更加敏感,能够更准确地反映油层这一正类的识别效果,因此与油层识别任务的工程需求更为契合。由表2可知,油层样本仅占全部样本的29.02%,显著少于非油层样本。基于此,采用Focal Loss来加强对少数类油层样本及难分类样本的学习,从而降低模型偏向多数类非油层的可能性。

3 实验结果与讨论

3.1 收敛性与泛化

图5给出了模型在300 epoch条件下的训练变化过程。结果表明,Focal Loss在训练集和验证集上均总体呈下降趋势,并在后期逐渐趋于平稳,说明模型能够围绕不均衡分类目标持续完成有效优化,且训练过程未出现明显波动。与此同时,准确率曲线在训练初期快速上升,在后期逐步进入平台阶段,且训练集与验证集之间始终保持较小差距。这表明本文策略较好地抑制了过拟合,使模型在训练过程中表现出较强的泛化能力与稳定性,该收敛过程在指标层面也得到了对应,如表4所示。

3.2 总体对比结果

为更全面验证所提DeepTabNet模型的有效性,如表5所示,将规则法、随机森林(RF)、图神经网络(GNN)、双向长短期记忆网络(BiLSTM)和时间卷积网络(TCN)作为对比。其中,BiLSTM通过双向递归结构对测井曲线沿深度方向的上下文依赖进行建模,能够捕捉油层边界附近的前后序列信息;TCN则采用因果卷积与扩张卷积实现对长序列的多尺度建模,能够较好提取测井曲线的局部纹理与深度连续模式。为保证对比公平性,各模型均使用相同的数据预处理流程、相同的输入测井曲线以及相同的跨井划分方式进行训练与测试。其中,BiLSTM设置为2层双向LSTM,隐藏单元数为 64;TCN设置为3层扩张卷积结构,卷积核大小为3,通道数为64。所有深度学习模型均采用AdamW优化器和相同训练轮数进行训练,以减少由训练策略差异带来的影响。说明了本文方法在可解释性和泛化能力方面的优势,在测井油层识别任务中形成了良好的效益。

3.3 消融实验

为验证所提DeepTabNet中各关键模块的有效性,进一步开展消融实验。消融实验在与主实验相同的数据划分、输入特征、训练轮数和优化策略下进行,保持除目标模块外的其他设置一致。重点考察三类关键模块的贡献,即:多头自注意力模块(Attention)、Sparsemax 稀疏门控模块(Sparse Gating)以及1D卷积纹理分支(Texture Branch)。

由表6可见,三类关键模块均对模型性能提升具有积极作用,但提升幅度存在差异。首先,相较于Baseline,加入多头自注意力模块后Accuracy从0.854提升至0.872,F1-score 从0.796提升至0.821,PR-AUC从0.836提升至0.859,说明注意力机制能够有效建模GR、RT、RHOB、NPHI和DT等不同测井曲线之间的非线性交互关系,从而增强油层判别能力。其次,单独加入Sparsemax稀疏门控后,模型Accuracy提升至 0.865,F1-score提升至0.812,PR-AUC提升至0.850,说明稀疏门控能够在一定程度上抑制冗余曲线干扰,使模型更聚焦于关键测井响应特征。虽然其单独增益略低于注意力机制和纹理分支,但在与其他模块联合时表现出更明显的增益作用。再次,单独加入纹理分支后,模型Accuracy达到0.879,F1-score达到0.832,PR-AUC达到0.872,提升幅度高于单独加入注意力机制或稀疏门控,表明沿深度方向的局部纹理与边界连续性信息对油层识别具有重要意义,尤其有助于提高薄互层和边界过渡段的识别稳定性。从模块协同作用看,Attention + Sparse Gating和Attention + Texture两种组合均进一步提升了模型表现,说明跨曲线交互建模与关键特征选择、纵向纹理提取之间具有明显互补性。最终,完整的DeepTabNet在三项指标上均取得最优结果。这表明本文提出的注意力机制、稀疏门控和纹理分支并非简单堆叠,而是在测井油层识别任务中形成了有效的协同增益。

3.4 判别曲线解释

在油层样本占比较低、漏判代价较高的任务中,仅用Accuracy难以全面反映模型对油层的识别能力,因此更关注Precision、Recall、F1-score和PR-AUC。图6结果表明,DeepTabNet在6种方法中表现最佳,说明其在提升油层检出能力的同时,仍能保持较高识别精度,从而有效降低漏判和误判风险。相比之下,Rule-based可解释性较强,但泛化能力不足;RF表现稳定,但对深度连续性建模有限;BiLSTM和TCN能利用序列信息,其中TCN在边界识别上更稳定;GNN能刻画层间关系,但效果受图构造质量影响较大。总体来看,DeepTabNet的优势在于同时建模跨曲线交互和深度方向连续性,并通过稀疏门控抑制冗余噪声,因此在类别不均衡条件下取得了更优的综合识别效果。

3.5 错误类型与跨井稳定性

基于混淆矩阵结果(图7)可见,DeepTabNet的优势主要体现在对油层相关错误的控制上。与其他方法相比,本文方法在保持较低误判率的同时,进一步降低了油层漏判率,其中非油层误判为油层的比例仅为6.8%,油层漏判比例为14.6%,整体优于Rule-based、RF、BiLSTM、TCN和GNN。这说明DeepTabNet的提升不仅体现在整体指标上,更体现在面向油层识别的错误结构优化上,能够更有效地减少漏判,同时避免过多误报。其原因在于:纹理分支利用滑动窗口增强了边界段和薄互层段的连续性识别,注意力分支强化了多曲线联合判别能力,稀疏门控进一步抑制了冗余噪声对预测结果的干扰,从而实现了更稳健的油层识别。

在工程应用中,模型能否适应不同井的数据分布至关重要,因此进一步给出了分井评估结果。表7显示,在A10、A15、B2和C3四口测试井上,DeepTabNet均保持了较高的识别性能,说明该模型并不依赖单井的特定数据特征,而是能够学习到具有跨井可迁移性的油层响应规律。

3.6 可解释性与案例验证

为了提升深度学习模型在测井解释中的可采信度,从特征层、表征层和应用层3个层次提供解释性证据。

首先,在特征层面,稀疏门控机制为模型解释提供了直接依据。模型在多个决策步中对不同输入曲线赋予不同门控权重,反映出其在不同深度段和不同响应模式下对关键曲线组合的侧重。图8展示了各决策步的门控权重及特征选择频率统计。结果表明,GR、RT等曲线被更频繁地选中,孔隙度相关曲线如 RHOB、NPHI也保持较高贡献。这与测井解释机理相一致:GR主要反映泥质含量和储层纯净度,RT对含油电性响应较为敏感,而孔隙度相关曲线则能够从物性角度支撑储层有效性判断。因此,门控结果说明,本文模型并非简单依赖数据记忆进行预测,而是在数据驱动下学习到了符合地质认识的特征依赖关系,这也从机制上解释了其在跨井场景下仍能保持稳定性能的原因。

其次,在表征层面,为验证模型是否学习到了更具判别性的潜在特征,采用t-SNE将高维表示映射到二维空间进行可视化分析。图9表明,DeepTabNet学习到的特征在二维空间中具有更清晰的类间分离效果:油层样本更易形成紧凑聚类,且与非油层样本之间保持更明显的间隔。这一结果从表示学习角度解释了本文方法在PR-AUC和F1-分数上的优势。由于表征空间中的类别边界更加清晰,模型对阈值变化的敏感性相对较低,因此能够在更宽的阈值范围内保持较稳定的Precision-Recall平衡,从而在提高召回率、减少油层漏判的同时,不会显著降低识别精度。

最后,在应用层面,通过典型井段案例进一步验证了模型输出与地质解释的一致性。图10展示了测井曲线、真实油层条带以及不同方法预测结果的对比。结果表明,DeepTabNet预测得到的油层条带整体连续性更好,油层进入与退出边界与真实解释更加吻合,薄互层和过渡段中的断续预测现象也明显减少。这一结果与模型结构设计相一致:滑动窗口纹理分支利用纵向连续性信息减少单点噪声带来的条带破碎,自注意力表格分支通过建模跨曲线耦合关系降低单曲线异常波动引起的误判,稀疏门控则进一步增强模型对关键曲线组合的稳定依赖,从而提升了油层预测的连续性和边界稳定性。

4 结论

(1)面向多井测井油层精细识别任务,针对井间分布差异、边界段易抖动和薄互层易漏判等问题,构建了由稳健归一化、滑动窗口样本构建、按井划分评估组成的完整实验流程。在输入特征上,统一选取GR、RT、RHOB、NPHI和DT这5条测井曲线作为模型输入,从而保证了不同井之间输入维度和特征语义的一致性,为跨井预测提供了可靠基础。

(2)提出的DeepTabNet并非原始TabNet的直接应用,而是面向测井油层精细识别任务进行的针对性扩展:在保留逐步稀疏特征选择思想的基础上,引入滑动窗口段式输入、多头自注意力跨曲线交互建模以及1D卷积纵向纹理分支,实现了对关键曲线选择、跨曲线耦合关系和深度连续模式的协同表征。

(3)实验结果表明,本文方法在验证集上取得Accuracy=0.905、F1-score=0.862、PR-AUC=0.914,在独立跨井测试中平均Accuracy=0.899、PR-AUC=0.905;与规则法、随机森林、BiLSTM、TCN和GNN等方法相比,本文模型在整体精度、油层识别能力和跨井泛化性能方面均表现最优,说明在复杂测井场景下具有更强的稳定性和适用性。

(4)消融实验和可解释性分析进一步表明,所引入的多头自注意力、Sparsemax稀疏门控和1D卷积纹理分支均对模型性能提升具有明确贡献。其中,多头自注意力增强了不同测井曲线之间高阶非线性交互关系的建模能力,稀疏门控提高了关键曲线选择的针对性与模型抗噪稳健性,纹理分支则强化了对油层边界过渡和薄互层段纵向连续模式的刻画能力。三者协同作用使DeepTabNet不仅在整体指标上优于对比模型,而且在典型井段预测中表现出更好的条带连续性、边界一致性和工程可解释性,说明该方法在多井测井油层精细识别中具有较好的应用潜力。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

刘国强, 龚仁彬, 石玉江, 等. 油气层测井知识图谱构建及其智能识别方法[J]. 石油勘探与开发, 2022, 49(3): 502-512.
[2]

Liu Guoqiang, Gong Renbin, Shi Yujiang, et al. Construction of well logging knowledge graph and intelligent identification method of hydrocarbon-bearing formation[J]. Petroleum Exploration and Development, 2022, 49(3): 502-512.
[3]

何旭, 李忠伟, 刘昕, 等. 应用卷积神经网络识别测井相[J]. 石油地球物理勘探, 2019, 54(5): 1159-1165, 945-946.
[4]

He Xu, Li Zhongwei, Liu Xin, et al. Application of convolutional neural network in well log facies identification[J]. Oil Geophysical Prospecting, 2019, 54(5): 1159-1165, 945-946.
[5]

韩建, 李婧, 曹志民, 等. 基于LSTM多尺度共生关系挖掘的测井曲线复原[J]. 电子与信息学报, 2022, 44(7): 2559-2567.
[6]

Han Jian, Li Jing, Cao Zhimin, et al. Well log curve restoration based on LSTM multi-scale co-occurrence relationship mining[J]. Journal of Electronics & Information Technology, 2022, 44(7): 2559-2567.
[7]

潘少伟, 王朝阳, 张允, 等. 基于长短期记忆神经网络补全测井曲线和混合优化XGBoost的岩性识别[J]. 中国石油大学学报(自然科学版), 2022, 46(3): 62-71.
[8]

Pan Shaowei, Wang Zhaoyang, Zhang Yun, et al. Lithology identification based on LSTM neural networks completing log and hybrid optimized XGBoost[J]. Journal of China University of Petroleum (Edition of Natural Science), 2022, 46(3): 62-71.
[9]

王民, 杨金路, 王鑫, 等. 基于随机森林算法的泥页岩岩相测井识别[J]. 地球科学, 2023, 48(1): 130-142.
[10]

Wang Min, Yang Jinlu, Wang Xin, et al. Identification of shale lithofacies by well logs based on random forest algorithm[J]. Earth Science, 2023, 48(1): 130-142.
[11]

翟晓岩, 高刚, 李勇根, 等. 融合注意力机制的二维卷积神经网络测井曲线重构方法[J]. 石油地球物理勘探, 2023, 58(5): 1031-1041.
[12]

Zhai Xiaoyan, Gao Gang, Li Yonggen, et al. Reconstruction method of logging curves by 2D convolutionalneural network integrating attention mechanism[J]. Oil Geophysical Prospecting, 2023, 58(5): 1031-1041.
[13]

许方颖, 邹艳红, 易卓炜, 等. 基于非均衡数据的ADASYN-CatBoost测井岩性智能识别--以胶西北招贤金矿床为例[J]. 黄金科学技术, 2023, 31(5): 721-735.
[14]

Xu Fangying, Zou Yanhong, Yi Zhuowei, et al. ADASYN-CatBoost method for intelligent identification of logging lithology considering unbalanced data: a case study of Zhaoxian gold deposit in northwestern Jiaodong Peninsula[J]. Gold Science and Technology, 2023, 31(5): 721-735.
[15]

王锦涛, 文晓涛, 何易龙, 等. 基于CNN-GRU神经网络的测井曲线预测方法[J]. 石油物探, 2022, 61(2): 276-285.
[16]

Wang Jintao, Wen Xiaotao, He Yilong, et al. Logging curve prediction based on a CNN-GRU neural network[J]. Geophysical Prospecting for Petroleum, 2022, 61(2): 276-285.
[17]

谢文敏, 欧阳勇, 田得粮, 等. 页岩储层水平井变黏度交替注液缝网发育力学机理: 以长庆油田长7页岩油为例[J]. 科学技术与工程, 2025, 25(32): 13771-13777.
[18]

Xie Wenmin, Ouyang Yong, Tian Deliang, et al. Mechanism of fracture network development for horizontal wells using alternating injection of variable viscosity fluids in shale reservoirs: Changqing Oilfield Chang 7 shale oil[J]. Science Technology and Engineering, 2025, 25(32): 13771-13777.
[19]

白薷, 王世玉, 张璐, 等. 基于MAE神经网络的测井曲线地层自动识别方法[J]. 天然气勘探与开发, 2024, 47(4): 63-71.
[20]

Bai Ru, Wang Shiyu, Zhang Lu, et al. Automatic formation identification method for logging curves based on MAE neural network[J]. Natural Gas Exploration and Development, 2024, 47(4): 63-71.
[21]

罗江, 熊健, 缑艳红, 等. 页岩油水平井生产初期主控因素分析及产能预测[J]. 科学技术与工程, 2026, 26(7): 2844-2856.
[22]

Luo Jiang, Xiong Jian, Gou Yanhong, et al. Main controlling factors and productivity prediction in initial production stage of shale oil horizontal wells[J]. Science Technology and Engineering, 2026, 26(7): 2844-2856.
[23]

Arik S O, Pfister T. TabNet: attentive interpretable tabular learning[C]// Proceedings of the AAAI Conference on Artificial Intelligence. Palo Alto: AAAI, 2021, 35(8): 6679-6687.
[24]

Martins A F T, Astudillo R F. From softmax to sparsemax: a sparse model of attention and multi-label classification[C]// Proceedings of the 33rd International Conference on Machine Learning. New York: PMLR, 2016, 48: 1614-1623.
[25]

Lin T Y, Goyal P, Girshick R, et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(2): 318-327.
[26]

Min X, Qin P, Zhang F. Research and application of logging lithology identification for igneous reservoirs based on deep learning[J]. Journal of Applied Geophysics, 2020, 173: 103929.
[27]

Jiang C, Zhang D, Chen S. Lithology identification from well-log curves via neural networks with additional geologic constraint[J]. Geophysics, 2021, 86(5): 313-324.
[28]

Jiang C, Zhang D, Chen S. Handling missing data in well-log curves with a gated graph neural network[J]. Geophysics, 2023, 88(1): 13-30.
[29]

Jiang C, Zhang D. Lithofacies identification from well-logging curves via integrating prior knowledge into deep learning[J]. Geophysics, 2024, 89(1): 31-41.
[30]

Liu J J, Liu J C. Integrating deep learning and logging data analytics for lithofacies classification and 3D modeling of tight sandstone reservoirs[J]. Geoscience Frontiers, 2022, 13(1): 101311.
[31]

Mohammadi K, Mousavi S H R, Hosseini-Nasab S M, et al. Transforming petrophysical well-logs to images: leveraging deep learning for lithology recognition[J]. Earth Science Informatics, 2025, 18(2): 457-469.
[32]

Das S, Singha D K, Mandal P P, et al. Identification of lithofacies from well log data in the upper Assam Basin using machine learning techniques[J]. Acta Geophysica, 2024, 72(6): 3191-3210.
[33]

Wang A, Zhao S, Xie K, et al. Attention mechanism-enhanced graph convolutional neural network for unbalanced lithology identification[J]. Scientific Reports, 2024, 14: 17319.
[34]

Dai C, Si X, Wu X. FlexLogNet: a flexible deep learning-based well-log completion method of adaptively using what you have to predict what you are missing[J]. Computers & Geosciences, 2024, 191: 105666.
[35]

Shi Y, Liao J, Gan L, et al. Lithofacies prediction from well log data based on deep learning: a case study from southern Sichuan, China[J]. Applied Sciences, 2024, 14(18): 8195.
[36]

Feng H, Zhang Z, Zhang C, et al. Sequence-variable attention temporal convolutional network for volcanic lithology identification based on well logs[J]. Journal of Petroleum Exploration and Production Technology, 2025, 15(1): 6.
[37]

Xie D, Liu Z, Wang F, et al. A transformer and LSTM-based approach for blind well lithology prediction[J]. Symmetry, 2024, 16(5): 616.
[38]

Saporetti C M, da Fonseca L G, Pereira E. A lithology identification approach based on machine learning with evolutionary parameter tuning[J]. IEEE Geoscience and Remote Sensing Letters, 2019, 16(12): 1819-1823.

基金资助

黑龙江省自然科学基金项目(LH2021D010)

PDF (16356KB)

49

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录