近年來,，深度學(xué)習(xí)迅速崛起，圍繞深度神經(jīng)網(wǎng)絡(luò)的研究也越來越多,。深度學(xué)習(xí)算法在醫(yī)藥,、交通、農(nóng)業(yè),、圖像處理等領(lǐng)域均取得了良好的應(yīng)用效果,，本文調(diào)研了深度學(xué)習(xí)算法在油氣勘探開發(fā)領(lǐng)域的應(yīng)用現(xiàn)狀。調(diào)查發(fā)現(xiàn),，在巖石薄片分析,、測(cè)井解釋、地震解釋,、地質(zhì)建模算法,、油藏工程等方面已經(jīng)開始應(yīng)用。在薄片鑒定,、測(cè)井巖性識(shí)別,、沉積相劃分、測(cè)井物性解釋,、地震資料處理,、地質(zhì)異常體檢測(cè)、多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)建模,、油藏?cái)?shù)值模擬,、產(chǎn)量預(yù)測(cè)等方面都有文章報(bào)道，說明深度學(xué)習(xí)等人工智能技術(shù)已經(jīng)在油氣領(lǐng)域落地,。下面是詳細(xì)介紹,。

1、巖石薄片分析

傳統(tǒng)的巖石薄片圖像鑒定以肉眼觀察和描述為主,，存在一系列問題,。2016年成國(guó)建等探討了深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性，認(rèn)為深度學(xué)習(xí)可以對(duì)巖石薄片進(jìn)行礦物識(shí)別,、信息提取,、巖石分類,、巖心重構(gòu)、特征標(biāo)注,、孔隙識(shí)別,、裂縫識(shí)別等處理?？紫蹲R(shí)別的應(yīng)用步驟如下：（1）將巖石薄片圖像轉(zhuǎn)換為CIElab色彩空間,；（2）采用圖像分割技術(shù)將預(yù)處理后的圖像分割為目標(biāo)和背景兩類；（3）在目標(biāo)和背景中各選取10組特征向量,，提取特征,；（4）隨機(jī)選取部分特征向量送入DBN模型中進(jìn)行訓(xùn)練；（5）選取500組256*256的圖像,，將分割后的圖像整幅送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中,，運(yùn)用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行巖石孔隙的識(shí)別。2018年Xiao Tian等用深度學(xué)習(xí)對(duì)微尺度電子掃描（SEM）的圖片進(jìn)行處理和特征識(shí)別,，自動(dòng)識(shí)別出了微裂縫和微孔隙結(jié)構(gòu),。

2、測(cè)井方向

深度學(xué)習(xí)在測(cè)井方向的應(yīng)用,，既能做自動(dòng)巖性(lithology),、巖石類型（rock type）、沉積微相(sedimentary facies)識(shí)別,，也可以做儲(chǔ)層物性解釋(petrophysical),，特別是非常規(guī)油藏的測(cè)井解釋，比如裂縫孔隙度解釋,，合成曲線的生成等,，前者是聚類問題，后者是歸納問題,，是深度學(xué)習(xí)非常擅長(zhǎng)的領(lǐng)域,。

2017年安鵬等參考2016年Bredon基于機(jī)器學(xué)習(xí)的相分類方法，嘗試了基于Tensorflow的測(cè)井巖性識(shí)別方法,，取得不錯(cuò)的效果,。

常規(guī)的儲(chǔ)層參數(shù)預(yù)測(cè)方法是通過經(jīng)驗(yàn)公式或簡(jiǎn)化地質(zhì)條件建立模型計(jì)算儲(chǔ)層參數(shù)，對(duì)于解決一般地質(zhì)儲(chǔ)層問題往往能取得較好的效果,，而對(duì)于解決復(fù)雜地質(zhì)問題，存在很大的局限,。人工智能特別是人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展為地質(zhì)儲(chǔ)層參數(shù)預(yù)測(cè)帶來了新的途徑,，但深度學(xué)習(xí)算法出現(xiàn)之前一般用BP神經(jīng)網(wǎng)絡(luò)，容易陷入局部極小值,。2016年段友祥等提出了一種應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)對(duì)地質(zhì)儲(chǔ)層參數(shù)進(jìn)行預(yù)測(cè)的方法,，借助matlab平臺(tái),，以聲波、密度,、中子和伽馬曲線作為輸入,，孔隙度作為輸出，分別建立了單層卷積神經(jīng)網(wǎng)絡(luò)和雙層卷積神經(jīng)網(wǎng)絡(luò),，對(duì)儲(chǔ)層的預(yù)測(cè)效果不錯(cuò),。卷積神經(jīng)網(wǎng)絡(luò)不僅可以應(yīng)用于地質(zhì)儲(chǔ)層參數(shù)預(yù)測(cè)，而且可以自主地學(xué)習(xí)特征,，避免了人工神經(jīng)網(wǎng)絡(luò)人為的特征提取,，表現(xiàn)出了良好的智能特性。2018年鄭宇哲將深度學(xué)習(xí)用于儲(chǔ)層物性參數(shù)預(yù)測(cè),，對(duì)成像測(cè)井的解釋,，深度學(xué)習(xí)的應(yīng)用更有優(yōu)勢(shì)。

3,、地震方向

在地震方面,，深度學(xué)習(xí)有望成為繼亮點(diǎn)技術(shù)、AVO技術(shù),，以及低頻半影技術(shù)之后的一類重要地震儲(chǔ)層預(yù)測(cè)技術(shù),。深度學(xué)習(xí)既能用于地震資料處理，也能用于地質(zhì)體的探測(cè),，比如地震相的識(shí)別,，斷層識(shí)別等，以及流體的探測(cè),。

成都理工大學(xué)油氣藏地質(zhì)及開發(fā)功能國(guó)家重點(diǎn)實(shí)驗(yàn)室在地震儲(chǔ)層的深度學(xué)習(xí)方法上做了很多工作,，2014基于地震數(shù)據(jù)深度學(xué)習(xí)的儲(chǔ)層預(yù)測(cè)研究獲得國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目資助，2016年獲得初步但確定性的成功,，并指出國(guó)內(nèi)外都有其他學(xué)者進(jìn)行類似研究,，基本上仍處于探索階段。這項(xiàng)研究中,，地震記錄被視為類聲信號(hào),，參仿“聲紋”的概念，通過引入“地震紋”的概念,，借鑒聲音信號(hào)處理中識(shí)別說話人的聲紋分析技術(shù),，發(fā)展了直接從地震記錄入手，通過分析“地震紋”特征識(shí)別儲(chǔ)層孔隙流體的儲(chǔ)層識(shí)別方法,。由于儲(chǔ)層含氣性與地震紋特征之間的關(guān)系很可能是非線性的,，至少在可預(yù)見的一段時(shí)間內(nèi)，很難推導(dǎo)出解析度映射表達(dá)式，而通過深度學(xué)習(xí),，既能構(gòu)建含氣性與地震紋特征之間的復(fù)雜映射關(guān)系,，又能用于提取含氣儲(chǔ)層的地震紋特征。2018年Wang等人將對(duì)疊前資料進(jìn)行深度學(xué)習(xí),，探測(cè)了鹽體的邊界,。

2018年付超等設(shè)計(jì)了一種卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)向結(jié)合的多波多地震油氣儲(chǔ)層分布預(yù)測(cè)的深度學(xué)習(xí)方法，該研究中深度學(xué)習(xí)網(wǎng)絡(luò)利用地震屬性聚類算法和無監(jiān)督學(xué)習(xí)的主成分分析算法提取地震油氣特征,，結(jié)合支持向量機(jī)算法對(duì)地震油氣特征進(jìn)行檢測(cè)和學(xué)習(xí),。具體方法是，對(duì)原始地震數(shù)據(jù)采用不同的卷積核函數(shù)獲得各種地震屬性,，通過隨機(jī)梯度下降蘇阿凡納調(diào)整卷積核函數(shù)并提取油氣特征,，通過將采樣卷積層數(shù)據(jù)降低地震屬性維度，并將降維結(jié)果輸入到支持向量機(jī)進(jìn)行預(yù)測(cè),。

現(xiàn)有的有監(jiān)督學(xué)習(xí)方法使用測(cè)井信息作為有標(biāo)簽數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,，然后使用該模型進(jìn)行地震相分類。測(cè)井信息數(shù)量在大規(guī)模地震數(shù)據(jù)中是少量的,，容易引起過擬合等問題,使分類結(jié)果不精確,。2018年尹淼在他的學(xué)位論文中提出了新的疊前地震波形分類方法，從疊前地震信號(hào)預(yù)處理,、降維和特征提取,、聚類算法以及半監(jiān)督學(xué)習(xí)等方面，結(jié)合深度學(xué)習(xí)展開研究,。提出了基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督疊前地震波形分類方法,，該方法既保留了深度卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力，又能通過有標(biāo)簽數(shù)據(jù)輔助訓(xùn)練,。

4,、油藏表征

2016年Ani等人指出油藏表征不確定性評(píng)價(jià)的發(fā)展趨勢(shì)是從概率走向算法和機(jī)器學(xué)習(xí)，當(dāng)然這種表征是廣義的,，針對(duì)地質(zhì)體的測(cè)井解釋和地震解釋都屬于油藏表征,。在狹義的油藏表征方面，即地質(zhì)建模方面,，特別是多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué),，目前也有深度學(xué)習(xí)的應(yīng)用。

多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)中訓(xùn)練圖像的引入本身就是受人工智能領(lǐng)域的啟發(fā),，因此深度學(xué)習(xí)領(lǐng)域的最新進(jìn)展必定會(huì)促進(jìn)多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)算法的進(jìn)步,。2018年Li Q等人將非監(jiān)督統(tǒng)計(jì)學(xué)習(xí)用于基于模式的多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬，提高了對(duì)訓(xùn)練圖像中地質(zhì)模式的認(rèn)知能力,，他命名新的建模算法為TopoSim,，一種基于元拓?fù)浔ＷC的地質(zhì)統(tǒng)計(jì)學(xué)建模方法，新方法融合了生長(zhǎng)自組織映射和非監(jiān)督競(jìng)爭(zhēng)學(xué)習(xí)的ANN算法，取得了不錯(cuò)的效果,。多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)框架中概率反演是一個(gè)計(jì)算量非常大的高維問題，2018年Laloy等用空間生成對(duì)抗網(wǎng)絡(luò)用于基于訓(xùn)練圖像的多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)反演,，通過深度學(xué)習(xí)降低了概率反演的維度,，訓(xùn)練后能很快得到模擬實(shí)現(xiàn)。2018年Mosser等和Chan等發(fā)布了生成對(duì)抗網(wǎng)絡(luò)用于孔隙和油藏尺度模型的條件化模擬方法,。Herault等發(fā)表了基于空間生成對(duì)抗網(wǎng)絡(luò)的多點(diǎn)地質(zhì)統(tǒng)計(jì)學(xué)模擬和反演方法,。

5、油藏工程方面

在油藏工程方面,，深度學(xué)習(xí)在油藏?cái)?shù)值模擬,、非常規(guī)油藏產(chǎn)量預(yù)測(cè)、流體參數(shù)預(yù)測(cè)等方向表現(xiàn)出了廣闊的應(yīng)用前景,。

集合克爾曼濾波用于油藏?cái)?shù)值模擬的自動(dòng)歷史擬合已經(jīng)很長(zhǎng)時(shí)間,，在它的對(duì)參數(shù)的高斯分布的假設(shè)限制了方法使用，比如相控參數(shù)分布的情況,，往往需要人為的參數(shù)化方法,，比如levelset方法，認(rèn)為在每個(gè)相內(nèi)部符合高斯分布,，2017年Smith等將深度學(xué)習(xí)引入集合數(shù)據(jù)融合,，取得了不錯(cuò)的效果。在復(fù)雜模型的歷史擬合中,，2018年Liu Y等提出了基于深度學(xué)習(xí)的地質(zhì)體參數(shù)化方法,。

對(duì)于很多非常油藏的數(shù)模，地質(zhì)模型建模的難度很大,，特別是天然裂縫和壓裂作用非常明顯的情況,，導(dǎo)致數(shù)模的擬合難度很大，因此發(fā)展出了數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)量預(yù)測(cè)方法,，比數(shù)值模擬這種模型驅(qū)動(dòng)的預(yù)測(cè)方法取得了更可靠的預(yù)測(cè)結(jié)果,，2018年Mohammadmoradi等對(duì)Apache Spark的非常規(guī)井進(jìn)行了數(shù)據(jù)驅(qū)動(dòng)的產(chǎn)量預(yù)測(cè)。2015年Cronkovic等借助深度學(xué)習(xí)提出了針對(duì)多段壓裂井的地質(zhì)數(shù)據(jù)驅(qū)動(dòng)的采收率預(yù)測(cè),，采用的訓(xùn)練模型有多變量回歸,、支持向量機(jī)、貝葉斯規(guī)劃網(wǎng)格,。

2018年Kellogg等將深度學(xué)習(xí)用于酸化壓裂層段及藥劑量的選擇,。2018年Chukwuma等將深度學(xué)習(xí)用于流體參數(shù)預(yù)測(cè)，數(shù)據(jù)來自尼日爾三角洲的296個(gè)油田和72個(gè)氣田,，訓(xùn)練模型的輸入數(shù)據(jù)初始?jí)毫?、飽和壓力、溶解氣油比、地層體積系數(shù),、體系壓縮系數(shù),、油的密度、氣的密度,、飽和油的粘度,、死油的粘度，模型訓(xùn)練后用于預(yù)測(cè)其它井的飽和壓力,、地層體積系數(shù),、和氣體壓縮系數(shù)。

6,、總結(jié)

算法是二十一世紀(jì)的“石油”,，將支撐起整個(gè)社會(huì)的運(yùn)行和發(fā)展，而智能算法將成為基礎(chǔ)的算法,，目前深度學(xué)習(xí)是最實(shí)用且有潛力的算法,，該算法在石油領(lǐng)域的廣泛應(yīng)用說明石油領(lǐng)域仍受到大家的重視。新一代的石油人必須能夠跟上步伐,，掌握核心技術(shù),，才能在智能時(shí)代推動(dòng)石油行業(yè)發(fā)展。

說明：資料全部來自公開網(wǎng)絡(luò),，如需文獻(xiàn)自行搜索下載,。