基于生成对抗网络的储层地质建模方法研究进展

• 作者: 宋随宏 史燕青 侯加根
• 来源期刊: 石油科学通报
• 关键词: 生成对抗网络 地质建模 卷积神经网络 地质模型 储层
• 年，卷（期）: 2022,（1）
• 页码范围: 34-49
• 页数: 16页
• 语种: 中文
• DOI: 10.3969/j.issn.2096-1693.2022.01.004

摘要

地下储层地质建模对油气和水资源的开发以及CO2地质封存(CCS)具有重要意义.传统基于地质统计学的建模方法(如基于变差函数或多点统计学的方法)产生的储层地质模型可在一定程度上与地质模式保持一致,但当模式特征变得复杂时,则具有明显的缺陷.深度学习中的生成对抗网络(GANs)能够抽象和再现复杂的空间模式特征,而在许多领域得到了成功的应用.近年来,学者将生成对抗网络与地质建模相结合,利用由卷积神经网络(CNN)构成的生成器(模拟器)去学习复杂的地质模式特征,进而产生非常逼真的地质模型.基于生成对抗网络的地质建模方法在许多方面得到了深入研究,该方法甚至已被应用于实际油田复杂储层的三维地质建模,取得了很好的效果.本文综述了基于生成对抗网络地质建模方法的研究进展,主要包括无条件约束和有条件约束两大类.无条件约束即只需产生吻合期望模式特征的地质模型而无须与条件数据一致.根据生成对抗网络训练方式的不同,其可分为传统生成对抗网络地质建模方法和渐进增长的生成对抗网络地质建模方法.前者对模拟器和判别器中的所有卷积层同时进行训练,而后者则是从浅到深逐层进行训练.渐进增长的方法允许模拟器从大到小逐尺度学习地质模式特征,因而在地质模型效果和训练时间方面优于传统方法.为了构建同时吻合模式特征和给定条件数据的地质模型,有条件约束的生成对抗网络地质建模方法被提出并得到广泛研究.其中,基于模拟器输入向量搜寻的条件化方法主要应用梯度下降法或马尔可夫链蒙特卡罗法(MCMC)去搜寻适当的潜在向量,使其通过预训练模拟器生成与给定条件数据一致的地质模型.但是,当条件数据发生变化时,则需要重新搜寻另一组合适的潜在向量,需要大量的时间和计算资源.为此,模拟器直接条件化的地质建模方法(GANSim)被提出.该方法中,模拟器被训练以同时学习模式特征和各类条件数据与地质模型之间关系的知识,进而利用这两类知识将给定的任意条件数据直接转化为与模式特征和条件数据都吻合的地质模型.GANSim方法已被拓展到三维,形成GANSim-3D框架,并成功应用于塔河油田溶洞储层的三维地质建模.最后,笔者就GANSim框架、生成对抗网络地质建模方法所耗资源、该方法的工业落地和地质知识数字化研究提出了几点展望.