“机器回归学习”可“找回”岩石物理的“缺失数据”

成立于1760年的英国劳氏船级社（Lloyd’s Register），在“石油物理学家与测井分析师”（SPWLA）联合举办的第63届年会上，提出利用“机器回归学习”方法寻找岩石物理的“缺失数据”，提高油气田勘探开发数字化工程的质量。

在全球各地油气田的勘探开发中，每天都产生“海量的”各类工程、工艺、地质或经济方面数据，其中包括测井作业产生的各种岩石物理数据。这些数据在采集与传输过程中，不可避免地产生一些错误或误差，例如缺失、偏差或误读与误录。

特别是测井与岩石物理工程与工艺方面，这类数据失误更为明显与普遍。如何在数据采集与传输之后，将这部分数据修正或改正过来，即“寻找岩石物理缺失的数据”，形成高质量岩石物理数据体，这是摆在岩石物理专家与工程师面前的严峻课题。

英国船级社专家概括地说，找回岩石物理缺失的数据，有两种方式：一是组织庞大的人工开展数据的弥补或修正；二是编制计算机软件，利用“机器回归学习”方法，或者利用当今世界数据科学和机器学习领域的最新成果，赋予计算机以修改与补充岩石物理缺失数据的能力。

英国专家肯定地说，第一种方式成本太高，而且几乎不可能实现；第二种方式才是我们可能做到，但是目前还没有开展的工作。

在石油和天然气行业中，随着技术的发展，作业者与研究人员每天都收集大量的数据，而且在未来还继续增长。而这些收集来的数据质量，会对勘探开发成果，例如未来的勘探、开发、储量评估和关键财务决策，产生深刻的影响。尤其是数据输入值所带来偏差，会明显影响重要数据的统计分布规律。

在国际油气开发过程中，各石油公司的通常做法，是删除含有缺失值的油井深度层的相关数据，即进行列表式删除。或者根据经验关系，以及机器学习模型，使用作业现场的加密井的数据，进行二次开发。

石油现场作业人员删除某个油井深度的相关数据，相当于在客观上减少机器学习的总体数据量。进一步说，是减少机器学习算法所需要的训练数据量；或者说可用于训练和验证数据驱动的机器学习算法的总信息量。

英国专家强调加强相关基础算法的学习与研究的重要性，指出为了评估缺失数据对机器学习模型的影响，以及缺失数据对机器学习模型的影响算法，要在若干机器回归学习分支方面更深入分析与研究，并且开拓各个算法的潜力。

目前世界各地从事有关“机器回归学习”与“寻找缺失数据”的同行，主要关注3种程序算法。包括“向量回归（Vector Regression）”“随机森林（Random Forests）”和“人工神经网络（Artiffcial Neural Networks）”。从理论上说，随着这3种算法与石油现场工艺的日益结合，油气采集数据的质量会不断提高，从而创造出更可观的经济收益。

以岩石分类学与神经网络技术预测储层渗透率

阿联酋阿布扎比国家石油公司（ADNOC）技术专家，于2024年2月提出一项油气储层渗透率预测方法，即异质碳酸盐岩层的渗透率的预测方法。

在中东油气田，由于岩石性质和孔隙系统的复杂性，难以准确表征，因此预测或计算异质碳酸盐岩层的渗透率是很有挑战性的任务。阿布扎比公司专家开发出一种创新而高效的方法，将“岩石类型学”与“机器学习神经网络（MLNN, Machine Learning Neural Network）”相结合，最终达到预期目标。

专家首先将基于神经网络算法的“监督机器学习”模块，在中东油田大型数据集上进行训练。其次针对目标油气田的加密井数据，进行相关训练。此时的算法输入数据，包括岩心和测井分析数据中的各种岩石属性，均已输入算法模块。

具体来说，公司技术人员在中东作业现场，选择2口井。分别是水平井与加密井。技术人员利用新方法，进行储层渗透率的预测。新的渗透率预测方法，使现场技术人员能够有效地实施渗透率转换方程，并且使储层的预测符合每口油井的独特特征和属性。

现场预测表明，新方法能够准确、全面地预测两口井的渗透率值，确保全面了解储层的动态行为，以及渗透率分布模式。在对照作业井中，预测的渗透率值与核磁共振校准的渗透率值，具有很高的吻合度和对应性，凸显了预测模型的稳健性和可靠性。

技术人员的算法输出，是根据孔隙度预测岩石类型，及其相应的渗透率值。专家将“机器学习神经网络（MLNN）”模型，采用反向传播算法训练“MLNN 模型”。此外，还使用独立数据集进行验证，以确保计算结果的准确性和可靠性。

经过专家训练的模型，随后被用于预测新井的岩石类型和渗透率值。公司专家的研究结果表明，石油勘探所用的使用岩石类型，以及机器学习神经网络的方法，例如预测渗透率值与岩心数据，以及地层测试流动性的实际测量值，要优于世界各地石油公司所用的其他传统方法。

阿布扎比公司专家认为算法优势的根源在于：

一是公司构造模型具有很高的可靠性。

二是阿布扎比公司专家的研究显示，在碳酸盐岩层中，岩石类型和渗透率值差异很大，而神经网络模型最终能够捕捉到这些差异。

三是专家在研究过程中，通过学习岩石类型和岩石物理特性之间的复杂关系，神经网络模型能够准确捕捉这种异质性，从而改进渗透率预测精度。

阿布扎比石油公司技术人员解释，这套算法所预测的渗透率值，可用于石油勘探现场所生成的渗透率图，帮助识别渗透率值较高的区域。这些区域可以作为油气勘探与钻井的目标，以提高油公司油气采收率。

专家指出，这种方法提供了创新的解决方案，而在全球石油作业现场，由于碳酸盐岩储层的复杂性，工程师们使用传统预测方法，往往会让专家勘探与开发失败。此方法适用于世界各地多种碳酸盐岩层，并且有可能大大改善石油行业的储层特征描述和生产优化进程。

采用机器学习方法进行储层孔隙度评估

斯伦贝谢（Schlumberger）公司此前在阿拉伯联合酋长国召开的SPE（石油工程师学会）上，提出以机器学习方法，开展油气田储层孔隙度的评估。

目前世界各地石油公司对碳酸盐岩储层进行岩石物理评价，是一项重大挑战，因为复杂的成岩过程会改变储层特性，导致对碳酸盐岩储层进行岩石物理评估面临很多困难。

相当部分石油作业公司都在运用先进的测井技术，如核磁共振T2弛豫时间，以及井眼图像等高级测井工艺。通常是评估碳酸盐孔隙系统，使用包括微孔、中孔和大孔技术；渗透率评价技术，并由此推断成岩作用对地下储层性质的影响。

但是，也有部分石油作业公司缺乏这些测井技术。缺乏这些测井技术结果，可能会导致所作业的油田储量估算不当，或制定油田的开发战略不当。

为了弥补这一不足，斯伦贝谢公司提出一种新的测井作业解释方法，即利用机器学习算法，进行碳酸盐岩孔隙度划分，其中包括微观、中观和宏观孔隙度划分。具体说，进行标准测井作业，例如电阻率、密度、中子、声波和伽马射线等手段，进行碳酸盐岩孔隙度的分区。

斯伦贝谢公司在所作业的关键油井中，使用公司自我研发的学习模型，即在具有核磁共振和/或井眼图像的关键井中训练机器学习模型，以建立标准测井与碳酸盐岩孔隙分区之间的相应关系。随后，斯伦贝谢将模型应用于所作业油田的其他油井，以预测目标储层的孔隙体积。

斯伦贝谢公司技术人员整理了系列的标准 ML 模型工作流程，包括数据清理、特征工程、训练/拆分、超参数调整等。公司专家还提出了一个全面工作流程，用于准确评估和表征所作业的碳酸盐岩储层。详细来说，公司技术人员提出完整流程，用于准确评估和描述无法获得核磁共振测量结果的碳酸盐岩储层。

斯伦贝谢公司成功地将这一工作流程，应用于中东伊拉克南部异质碳酸盐岩储层的数据集，以获得这些油田的可靠的碳酸盐孔隙分区，然后利用这些孔隙体积数据，完成相应测井作业。

此外，斯伦贝谢专家还进行了另一处油田开发的现场验证。油田井场位于阿布扎比大型油田。油田发现于20世纪60年代。通过地震勘测，确定油田的东西方向约40千米，南北方向约25千米。油田的结构是低矮的大型背斜。油田向东北方向倾斜2°—5°。专家采用机器学习方法进行储层孔隙度评估，获得满意效果。

（编译：郭永峰 编译自美国《JPT（石油技术报道）》杂志）