地球物理测井反问题机器学习数据集的构建方法研究.pdf

第6 6 卷第7 期2023年7 月邵蓉波，史燕青，周军等.2 0 2 3.地球物理测井反问题机器学习数据集的构建方法研究地球物理学报，6 6（7）：30 8 6-310 1，doi:10.6038/cjg2022P0936.Shao R B,Shi Y Q,Zhou J,et al.2023.Construction of machine learning data set for geophysical logging inversion.ChineseJ.Geophys.(in Chinese),66(7):3086-3101,doi:10.6038/cjg2022P0936.地球物理学报CHINESE JOURNAL OF GEOPHYSICSVol.66,No.7Jul.,2023地球物理测井反问题机器学习数据集的构建方法研究邵蓉波，史燕青1-3，周军1.4，肖立志1.2.3*，廖广志1.2.3，侯圣峦51中国石油大学（北京）人工智能学院，北京10 2 2 492中国石油大学（北京）地球物理学院，北京10 2 2 493中国石油大学（北京）油气资源与探测国家重点实验室，北京10 2 2 494中国石油集团测井有限公司，西安7 10 0 7 55华为技术有限公司，北京10 0 0 9 5摘要基于数据驱动机器学习的智能地球物理测井有望显著提高测井资料处理与解释的效率，具有广阔的应用前景.但是，数据驱动的测井反演如储层参数预测面临小样本、少标签和可解释性差等困难.通常，人工解释实测数据集是测井机器学习标签的主要来源.由于井下油气储层复杂多样，测井反演具有多解性，且地层具有非均质性，实测数据集构建的标签体系不仅量少，可靠性也存疑.本文提出基于地质领域知识和岩石物理机理模型，通过正演模拟构建测井反问题机器学习数据集的方法.从地质约束出发，综合考虑井眼环境、测井仪器、地层模型及流体分布等影响，由测井领域知识正演生成测井数据以弥补实测数据集的不足，以此实现机理模型与数据驱动的融合.数值实验结果表明，正演生成的测井数据集有效扩充了样本和标签数量，其参与储层参数预测及储层划分深度神经网络训练，对发展数据驱动及数据与机理混合驱动的方法、提升测井储层评价参数预测模型效果，成效显著.关键词地球物理测井；反问题；机器学习；数据集；正演模拟；机理模型doi:10.6038/cjg2022P0936Construction of machine learning data set for geophysical logging inversionSHAO RongBo,SHI YanQingl*,ZHOU Jun-,XIAO LiZhi-2.3*,1 College of Artificial Intelligence,China University of Petroleum,Beijing 102249,China2 College of Geoph ysics,China University of Petroleum,Beijing 102249,China3 State Key Laboratory of Petroleum Resources and Prospecting,China University of Petroleum,Beijing 1o2249,China4 China Petroleum Logging Co.,Ltd.,Xian 710075,China5 Huawei Cloud Computing Technologies Co.,Ltd.,Beijing 100095,ChinaAbstract Intelligent logging interpretation based on data-driven machine learning has promisingprospects for significantly improving the efficiency of well logging data processing and interpretation.However,data-driven logging inversion,such as reservoir parameter prediction,faces challenges中图分类号P631LIAO GuangZhil.2.3,HOU ShengLuan收稿日期2 0 2 1-12-13，2 0 2 2-0 9-0 2 收修定稿基金项目国家自然科学基金项目（42 10 2 118），国家重点研发计划项目（2 0 19 YFA07083），中国石油天然气集团有限公司一中国石油大学（北京）战略合作科技专项（ZLZX2020-03）联合资助.第一作者简介邵蓉波，女，19 9 5年生，博士研究生，主要从事机器学习算法及其应用、油气人工智能等方面的研究工作，E-mail:*通讯作者肖立志，男，19 6 2 年生，教授，从事地球物理测井和油气人工智能及其应用方面的研究工作.E-mail：x i a o li z h i c u p.e d u.c n7期such as small sample size,limited labels,and poor interpretability.Typically,manually interpretedmeasured logging dataset is the main source of machine learning labels.Due to the complexity ofsubsurface fluid resources,the multiple solutions of logging inversion,and heterogeneity offormation,the reliability and quantity of labels constructed from measured data sets are questionable.This paper proposes a method for constructing machine learning datasets for logging inversionbased on geological domain knowledge and petrophysical mechanism models by forward simulation.Starting from geological constraints,this method comprehensively considers the influences ofborehole environment,logging instruments,formation models,and fluid distribution,loggingdata to generate logging dataset by forward simulation based on petrophysical domain knowledge.The model trained by generated dataset could achieve the fusion of mechanism model and data-driven approach.Numerical experiments show that the forward-synthesized well logging dataseteffectively increases the sample and label quantity.By participating in the training of deep neuralnetworks for the reservoir parameters prediction and reservoir fluid classification,it significantlyimproves the effectiveness of well logging reservoir parameter prediction models and promotes thedevelopment of data-driven and data-mechanism-driven methods of data and mechanism.Keywords Geophysical logging;Inverse problem;Machine learning;Datasets;Forward modeling;0引言测井提供井下油气储层的第一手资料，其应用范围覆盖从油气田勘探开发初期对油气层位和储集参数的确定，储量的估算，到射孔、压裂等完井方案的制定，再到产能预测、套管检测及生产动态监测等各个环节，对油气层的发现、认识和改造具有重要价值.地球物理测井根据物理学的原理，使用测井仪器沿井孔剖面测量岩石物理性质，通过岩石物理反演得到地层参数，了解井下地层地质学信息及油气水等资源的状态.油田勘探中常使用井径、自然伽马、自然电位、密度、中子、声波时差、深中浅电阻率9种常规测井方法组合测量.测井仪器采集的信息为井下地层的物理响应，无法直接反映地层信息，需要对其进行处理，转化为储层参数.解释专家根据地质条件、录井资料等信息选择合适的解释模型，依据岩石物理机理和自身经验对处理后的测井数据进行岩性识别，进而得到储层参数、流体类型等信息.正、反演问题是测井资料解释中最核心、最普遍的问题（金振武和肖立志，1989），正问题由因推果，反问题倒果求因（Atkinson，1985；T a r a n to la，19 8 7).反问题的引人极大地丰富了测井资料解释的理论内容，在地下储层信息不能直接探知的情况下，通过特定的物理手段，获取地层物理性质、受力状态或热流密度分布等信息，进而转化邵蓉波等：地球物理测井反问题机器学习数据集的构建方法研究Mechanism model3087为数学上的反问题进行处理（姚姚，2 0 0 2；杨文采，2002).然而，测反问题具有不适定性、病态性、不确定性等特点（Tarantola，2 0 0 9；栾文贵，19 8 8），这是由反问题自身特性导致的,是测井资料解释中必须面对的难点.地球物理测井反问题原始求解思路可分为两类，一种是借助正问题表达式求解方程，即利用测井响应方程求解储层参数（肖立志和钟兴水，1990），一种是对比观测值和理论值直接求解储层参数，如最优化测井解释（肖立志，19 8 8，19 8 9 a，b，19 9 1）.人工测井解释仅依靠岩石物理机理和测井数据了解井下情况，而井下情况复杂多变，解释专家主观因素对解释结果影响较大，使用新的数据分析处理工具重新分析数据集可能会产生重大发现（Reichsteinet al.,2019).近些年兴起的机器学习技术为油气勘探带来新的技术变革，神经网络等数据驱动的机器学习算法从数据角度描述数据间映射关系，作为一种强大的数据处理与信息挖掘工具被广泛应用于固体地球物理中（Bergenetal.，2 0 19）.目前，机器学习在复杂岩性岩相精细划分、流体识别、裂缝识别与分类、储层分类、测井曲线重构、储层参数预测、成像测井图像处理、储层微观孔隙结构测井智能表征等方面均有一定程度的进展（程超等，2 0 2 2）.在岩相分类任务中,Dubois等（2 0 0 7)对比分析了贝叶斯分类器、K近邻、BP神经网络等7 种机器学习方法在测井岩相分类方面的效果，实验结果表明BP神经网络具有3088强大的非线性映射能力，在岩相分类问题上表现突出.Jaikla等（2 0 19)提出了一个预测测井曲线中有地质意义岩相以及划分储层与非储层的FaciesNet模型，将卷积自编码器与双向递归神经网络结合，在提取地质信息的同时分析叠加模式的岩相与地质相关性.在其他方面，Gasior和Przelaskowska（2 0 14）以常规测井资料作为输人，将神经网络用于连续导热值系数的反演，结果表明神经网络得到的反演结果与实验数据的一致性较好.Reolon等（2 0 2 0)将贝叶斯网络与基于图的多分辨率聚类方法引入固井质量评价任务，对井下水泥胶结相和水力间隔相分类，并输出分类概率.Meshalkin等（2 0 2 0)对比分析了7种机器学习算法反演测井资料中岩石热导率的效果，不需要依靠额外参数，机器学习算法可以直接对岩石热导率进行预测.廖广志等（2 0 2 0)的研究表明卷积神经网络可以用于预测储层微观孔隙结构，且效果优于单层神经网络模型.Gao等（2 0 2 2）使用基于多层感知器（MLP）的低电阻率低对比度（LRLC)储层识别方法，解决了LRLC储层中油水识别问题.Shao等（2 0 2 1a）利用基于相关性迁移学习提升测井储层参数预测神经网络模型的效果，并分析测试不同迁移学习方法对储层参数预测模型效果的影响（邵蓉波等，2 0 2 2 a）.T a n g 等（2 0 2 1）利用集成学习方法寻找砂岩储层中的甜点，比支持向量机方法取得了更好的效果.Luo等（2 0 2 2）发现字典学习方法在低场核磁数据降噪方面有良好表现.Shao等（2 0 2 1b)提出了“私有-共享”型多任务测井储层参数预测神经网络模型，相较于单任务模型，多任务模型的泛化性更强，并且分析不同结构的多任务学习模型对储层参数预测效果的影响，发现异架构多任务模型预测效果优于其他模型（邵蓉波等，2 0 2 2 b）.罗刚等（2 0 2 2)提出多级别流体识别方法，分等级预测储层流体类型，大幅度提升油层等小样本流体类型的预测精度.李贺男等（2 0 2 2）将卷积神经网络(CNN)与长短期记忆神经网络（LSTM)结合，基于变分自编码器（VAE)提出用于测井储层参数预测的CNN-LSTM-VAE混合模型，与单一模型相比混合模型具有更好的时空特征提取能力。以深度学习为代表的数据驱动机器学习算法在地质地球物理的数据处理、解释方面展现出强大能力，未来还将继续发挥重要作用.对于数据驱动的监督学习模型而言，数据集的质量与数量直接决定模型的质量，数据集的构建也是机器学习建模中最耗时的步骤（YuandMa，2 0 2 1).目前机器学习发展较好的地球物理学报(Chinese J.Geophys.）66卷领域均有标准数据集，例如计算机视觉（ComputerVision)领域的ImageNet数据集，可用于图像识别任务（Deng etal.，2 0 0 9）；自然语言处理（NaturalLanguage Processing，NLP）方面的斯坦福问答数据集(Stanford Question Answering Dataset,SQuAD),用于文本理解任务的模型训练（Rajpurkaretal.，2016);语音处理(Speech Processing,SP)中的 LibriSpeech数据集提供语音识别任务的训练数据（Panayotovetal.，2 0 15).标准数据集不仅可以为研究人员提供高质量、大批量数据，满足数据驱动机器学习的训练，还方便不同方法间比较性能，并对算法进行改进与提升.在人工智能地震研究中，斯坦福大学发布了符合标准数据集规范的地震信息数据集STanfordEArthquake Dataset(STEAD),包含实测的自然地震信号和人为诱发地震信号，总时长超19 0 0 0 h（约12 0 0万时间序列）（Mousavietal.，2 0 19）.目前，众多地质学家或人工智能学家基于STEAD数据集开展人工智能地震信号处理与解释的研究（MousaviandBeroza,2020;Mousavi et al.,2020;Min et al.,2021;Zhang et al.,2022).然而在地球物理测井中，测井数据属于油田保密信息，不适合公开发表.而且，测井数据的标签大多通过解释人员处理得到，主观性较强，标签的真实性和有效性难以界定.现有地球物理测并公共数据集大多存在测井曲线缺失、标签值缺失、标签可靠性存疑、样本分布不均衡、样本量较少等问题.为提升数据集质量，Zhang等（2 0 18）提出了一种利用现有测井数据生成综合测井曲线的机器学习方法，可以根据井径、自然电位、自然伽马和电阻率生成声波时差与密度曲线.Garcia等（2 0 2 0）使用无监督人工神经网络补全缺省的光电截面指数，补全后的数据可以有效提升岩相分类的效果.张浩等（2 0 2 1)提出一种基于卷积神经网络的电成像图像空白条带填充方法，具有处理速度快、干扰区域少、连通性强、相关性高的特点.周欣等（2 0 2 2）提出一种基于双向门控循环单元（BGRU)神经网络的声波测井曲线重构技术，使用电阻率、密度、补偿中子和井径对声波测井数据进行重构，获得较好的效果.以上方法大多从补全缺省数据的角度出发，提升真实测井数据的数据质量，没有解决标签可靠性及数据安全等问题，成为发展智能测井方法和提高应用效果的瓶颈.田志等（2 0 19）、田志（2 0 2 1）为研究核磁共振扩散耦合，基于矿物沉积建立了多种地层的微米尺度数字岩心模型，并实现了多矿物、多相流的多维核磁7期共振响应的正演数值模拟.正演数值模拟方法不仅有利于深入研究地球物理机理，还能生成大量无噪数据.本文提出根据正问题表达式构建地球物理测井反问题机器学习数据集的方法，基于地质条件、仪器结构及测井响应方程等测井知识，生成代表性测井数据集和典型有效测井数据标签，作为实测数据集的有效补充.从储层类型、储层参数等标签数据获得测井响应值，保证数据标签的真实性和准确性；还可以根据需要定制地球物理测井数据，无限量生成具体应用场景的高质量测井数据集，解决数据不均衡等问题.本方法生成的测井数据可直接用于机器学习模型训练，且数据融合地质知识与地球物理机理模型.数据-机理联合驱动的机器学习将数据驱动模型与机理模型有机结合，具有较好的泛化性和可靠性，应用前景广阔，受到广泛关注（肖立志，2 0 2 2）.将生成数据按比例添加到真实数据中训练机器学习模型；或使用迁移学习方法，将生成数据训练的模型当做源模型，以实测数据训练目标模型，实现数据-机理联合驱动的效果，为第三代人工智能在油气领域的发展奠定基础（张等，2 0 2 0）.1理论基础1.1体积物理模型与测井响应方程在岩石物理学的研究中，影响岩石物理性质的邵蓉波等：地球物理测井反问题机器学习数据集的构建方法研究3089因素繁多且关系复杂，因此需要将实际岩石模型化，保留主要影响因素，忽略次要因素.许多测井方法测量得到的物理参数是其测量范围内岩石中各部分物理量的加权平均值，当岩性均匀时，各部分物理量对测量结果的影响不受岩石体积大小的约束，仅与每种组分的占比有关.在研究测井值与储层参数关系时，可以根据储层的组成，按其测量的物理性质的差异，将实际岩石简化为性质均匀的几个部分（孔隙流体、泥质、矿物骨架），然后研究每部分对测井响应值的贡献，从而发展出岩石体积物理模型，简称体积模型（钟兴水，19 8 6；雍世和和张超谟，19 9 6）.如图1所示，将岩石看作由固体的岩石骨架、泥质和孔隙流体组成的多相体，在纯岩石体积模型中没有泥质，每一部分可以根据不同的储层情况细化组分.骨架可以由单矿物组成，可也由双矿物或多矿物组成.流体存在于孔隙之中，可以仅存在一种流体，如纯含水岩石体积模型，也可以存在多种流体，如可动水、束缚水、可动油、残余油等.根据泥质分布状态的不同有层状泥质、分散泥质、混合泥质等.基于体积模型可以推导出与之对应的测井响应方程，体积模型越复杂，需要考虑的影响因素越多，测井响应方程越复杂。测井得到的信息无法直接用于储层评价，此时需要根据数学物理方法建立合理的测井解释模型，将测井响应值转化为地层参数，方便后续对测井资料进行加工处理和解释分析.最终将测井数据处理CFD6-4-2#2516.43m骨架CFD6-4-2#2523.50m矿物黏土骨架.CFD6-4-2#2518.06m岩石总体积黏土毛管束水束缚水总孔隙度，中子测井总孔隙度，密度测井绝对孔隙度或总孔隙度烘干岩心孔隙度泥质含量湿法干燥岩心孔隙度图1岩石电镜扫描图像（SEM)与体积模型Fig.1 SEM and volumetric model of rockCFD6-4-2#2519.91m总孔隙度自由水有效孔隙度烃（油气）3090成尽可能反映地层原貌的地层信息，供勘探开发使用.测井响应方程就是测井响应值与地层参数之间的数学关系.根据体积模型可推导出孔隙度测井（声波测井、密度测井、中子测井)的响应方程；根据阿尔奇公式、体积模型与井筒模型可以得到电阻率公式（钟兴水，1986；雍世和和张超谟，19 9 6）.测井响应方程主要由三种类型的变量组成.一种是区域性解释变量，例如阿尔奇公式中的岩电参地球物理学报(Chinese J.Geophys.)原状地层过渡带+RmR.RmeR66卷冲洗带泥饼个R数，在地层条件相似的情况下一般取值不变，可以看作常量.一种是测井响应值，在测井解释中这类变量属于自变量，在测井数据正演中属于因变量，需要跟据储层参数对其求解.最后是储层参数，在测井解释图2 井筒模型中是需要求解的因变量，在测井数据正演中是因变量.自变量一般为各种储层参数，由体积模型得到，常量可根据预设的地质条件设置，因变量由测井响应方程计算得到.以含油气泥质砂岩的密度测井响应方程(式(1)为例：pb=(1-Vsh-)pma+Vshpsh+gS hrphr+(1-Shr)pmf,其中，因变量为密度测井响应值pb；自变量为泥质含量Vsh、孔隙度以及冲洗带残余油气饱和度Shr；常量为骨架密度pma、泥浆滤液密度pmf、泥质密度psh以及冲洗带残余油气密度phr1.2井筒模型除体积模型外井筒模型的构建也是生成测井数据的重要环节，电阻率测井无法使用体积模型中“加权平均”的概念计算各组分对测井值的影响.在钻井过程中，地层流体性质受泥浆滤液侵人、重力等因素影响，从井眼向外地层被划分为三个部分一一冲洗带、过渡带与原状地层，从而影响不同探测深度的电阻率响应值.以直井的井筒模型为例（图2），其中Rxo，Sx o，Rm f，Sh r 分别为冲洗带电阻率，冲洗带含水饱和度，泥浆滤液电阻率以及残余油气饱和度；Rt，Sw，Rw 分别为原状地层电阻率，含水饱和度以及地层水电阻率.冲洗带与过渡带的厚度受储层类型、孔隙结构、流体类型等多种因素影响，水平并与斜井还会受重力因素的影响.2测井数据集生成方案本文根据需求构造体积物理模型、井筒模型推算储层参数，并由测井领域知识正演得到测井响应值，参考油田实际生产的测井数据，对生成数据进行Fig.2Borehole model修饰，提出一种用于机器学习的高质量测井数据集生成方案.生成的测井数据集理论上数据量无限大，各类数据分布均衡，标签准确，不存在数据安全问题的隐患，可以满足地球物理测井中机器学习模型的训练要求.(1)2.1系统模型如图3所示，本方案的系统模型由三部分组成：数据定制部分、数据正演部分以及数据修饰部分。数据定制数据正演沉积环境储层参数选择模块生成模块岩石类型选择模块地层模型生成模块井筒模型生成模块2.1.1数据定制数据定制部分的主要作用是根据需求确定地层类型及储层类型.该部分主要有4个模块，以常规沉积岩储层为例：(a)沉积环境选择模块：该模块根据沉积及成岩环境输出岩石特征.需要考虑的因素包括地区、层位、构造背景、沉积相等地质背景因素.根据以上因素预测该段地层岩石的成分、结构、储集空间类型、数据修饰环境相关误差模块响应方程与区仪器系统误差域性解释参数模块选择模块测井响应值正演模块图3系统模型Fig.3System model随机误差模块7期孔隙结构等情况。(b)岩石类型选择模块：该模块根据沉积环境选择模块输出的岩石特征，对岩石类型进行划分.根据岩石组分、结构、成岩作用、储集空间类型等因素将岩石类型划分为储层与非储层.储层进一步划分为砂岩、砾岩、碳酸盐岩等类型.非储层即泥岩层（不考虑非常规储层如页岩油储层），将被划分为烃源岩层与盖层.(c)地层模型生成模块：该模块根据岩石类型与岩石特征构建体积物理模型.体积模型中包括骨架组分、泥质含量、泥质结构、孔隙度范围、各种孔隙流体及其饱和度范围.同时该模块还将定义地层水矿化度.(d)井筒模型生成模块：该模块将构建井筒模型.主要考虑的因素包括井的类型，如直井、水平井、斜井等；孔隙特征，如孔隙度、孔喉半径等；钻井液类型，如水基、油基、咸水、淡水等；钻井液滤液及其矿化度.该模块将输出侵人带半径、井眼流体、泥饼厚度等井筒模型相关参数.2.1.2数据正演数据正演部分的主要任务是根据数据定制模块得到的信息生成合适的储层参数，并选择相应的测井响应方程和区域性解释参数，正演得到测井响应值.这一部分分为三个模块：(a)储层参数生成模块：根据岩石类型、体积模型、井筒模型等因素对储层参数进行合理估值.生成数据设定每隔0.12 5m一个采样点，根据不同的储层分类在合理范围内对储层参数随机生成，数据间遵循物质平衡方程（钟兴水，19 8 6；雍世和和张超谟，19 9 6).(b)测井响应方程与区域性解释参数选择模块：根据需要生成的测井响应值以及体积模型选择合适的测并响应方程.并且根据拟生成数据的区域信息选择合适的区域性测井解释参数，例如阿尔奇公式中的岩电参数、声波测井中骨架组分密度及泥浆滤液密度等（张庚骥，19 8 4；肖立志，19 8 4).区域性解释参数可以是定值，也可以在某个指定区间内随机取值.(c)测井响应值正演模块：根据选取的测井响应方程和区域性解释参数，计算储层参数的测井响应值.2.1.3数据修饰数据正演部分生成的数据是根据测井响应方程和储层参数计算得到的理论响应值，与实际生产中邵蓉波等：地球物理测井反问题机器学习数据集的构建方法研究阈值电平、源距、间距等；中子测井根据岩石中子特性测量中子源发射的中子在地层中的非弹性散射、慢化、扩散、俘获吸收，3091的测井数据有很大的区别，因此需要对数据进行修饰.数据修饰主要有以下三个模块组成：(a)地层相关误差模块：该模块主要考虑由地层等客观因素导致的测井响应值与理论值之间的误差.由于井径、泥浆滤液、矿化度等因素会对测井曲线产生影响，测井解释过程中会对测井曲线进行校正.此处是环境校正的反向过程，根据温度、压力、层厚-围岩、侵人、井眼模型误差等因素对理论测井响应值添加误差，使其更趋近与实际测井响应值(b)仪器系统误差模块：该模块主要考虑由测井仪器产生的误差.不同公司的测井仪器测量同一段地层可能会得到不同的响应值，误差产生的原因包括仪器的测量误差、仪器外径、仪器运动等（肖立志，19 8 4).(c)额外噪声添加模块：除以上两部分外，噪声也会对测井响应值产生影响，该模块对测井生成数据添加噪声，可以选择噪声的分布方式.默认噪声是高斯分布，均值为0，方差为测井值的10%.地层测井响应受多个方面影响，以常规9 条测井曲线为例：自然电位测井测量地层电位差，可用于指示地层岩性，影响因素包括岩性、地层水矿化度、储层厚度、储层含油性、泥质含量、钻井液滤液矿化度、钻井液电阻率、井径、侵人带直径等；自然伽马测井可用于确定岩石的泥质含量，影响因素包括地层中的放射性矿物、岩石密度、层厚等，以及井筒中的泥饼、泥浆、套管、水泥环、井径等，另外测井仪器的测井方式、仪器刻度与测量单位、测井速度同样会对响应值产生影响；井径即井筒直径，主要受钻头直径的影响，还受到岩性的影响，钻井液也会在一定程度上影响井径的测量；密度测井根据伽马射线与地层的康普顿效应测定地层密度，主要影响因素包括地层中的矿物组分、粒度、孔隙流体、压力、温度、泥质含量等，井筒中的钻井液、井径、泥饼等，以及测井仪器的源距、灵敏度、刻度系数、屏蔽体、伽马源等；声波测井根据岩石声学性质测量声波在岩石中的速度、幅度、频率、衰减等，从而研究井面的岩性，估算储集层孔隙度，其影响因素包括岩石物理参数、埋藏深度、地层硬度、地层波速，以及测井仪器的3092其影响因素包括岩性、天然气挖掘效应、含氢指数、层厚、围岩、温度、井径、泥饼、井筒介质密度、矿化度、井眼条件等，同时还受测井仪器放射源、测井刻度、源距等因素的影响；电阻率测井按其原理可分为基于电阻率的测井和基于电导率的测井，二者仪器构造不同，基于电阻率的测井受仪器电极排列与电流强弱、供电方式、双轨现象等因素的影响，基于电导率的测井受仪器的几何因子、线圈系、电磁传播效应、多轨现象等因素的影响.除了仪器影响，二者均受到地层的岩性、地层水性质、孔隙性、胶结指数、含油性、压力、温度、层厚-围岩、地层电阻率影响，以及井筒的侵人带、侵人时间、井眼流体、泥饼、钻井液性质影响.在噪声添加模块中需要综合考虑每种测井方式的客观影响因素，并适当添加噪声.2.2设计目标本方案的目标是设计一个适用于基于机器学习模型训练的测井数据生成方案，使得数据使用者可以方便地使用测井数据集.具体地，本方案能满足以下目标。(a)无限量测井数据：基于该方案理论上可以无限量生成测井数据，满足机器学习对大数据的要求.(b)标签准确测井数据集：地下情况复杂多变，现有测井数据集的标签大多由测井解释人员标注，主观性较强.本方案根据标签生成数据可以保证标签的准确，且储层参数标签可用于回归模型的训练，储层分类划分标签可用于多分类模型的训练，由此可见生成的数据可以满足多种模型的训练需求。(c)不涉及数据安全问题：测井数据往往涵盖大量地下油气资源信息，属于国家和石油企业重点保护的数据资源，不适合大规模使用.本方案生成的测井数据基于虚构的地层，生成测井数据及其标签，不涉及真实地下油气状况，可以大规模使用，甚至在公共平台发布.(d)数据均衡：真实测井数据往往存在数据分布不均衡的状况，会对机器学习模型的训练产生长尾效应.本方案可以根据需求生成数据，从数据源头解决数据不均衡问题.(e)岩石物理知识与数据联合驱动测井机器学习算法训练：本方案生成的数据以岩石物理知识为理论依据，按比例将生成数据添加到真实数据中可实现岩石物理知识与数据联合驱动测井机器学习算法训练，提升模型效果.(f)定制数据集：本方案可根据需求定制数据地球物理学报(Chinese J.Geophys.）2.3函数概览本方案的实现主要依靠以下几个函数：(a）En v i r o m e n t C h o i c eEVOLUTION,SEDIMENTARY_FACIES,TECTONICS)-(PETROLOGY _FEATURES)该函数在成岩环境选择模块中，输入变量为地质背景（BACKGROUND），演化过程（EVOLUTION），沉积相（SEDIMENTARY_FACIES)，构造（TECTONICS)，输出变量为岩石特征(PETROLOGY_FEATURES）.地质背景(BACKGROUND)包括位置、年代、压力、温度等变量；演化过程（EVOLUTION)包括风化方式、搬运方式和沉积方式；沉积相（SEDIMENTARY_FACIES)大致分为陆相、海相和海陆过渡相；构造（TECTONICS)包括背斜、向斜、断层等；岩石特征（PETROLOGY_FEATURES)包括胶结类型、粒度、组分、孔隙结构、分选.岩石特征由成岩环境决定.(b)RockTypeChoice(PETROLOGY_FEATURES)(ROCK_TYPE)该函数在岩石类型选择模块中，根据岩石特征将其划分为不同的类型.输人变量为岩石特征(PETROLOGY_FEATURES),即 EnviromentChoice()函数的输出结果；输出变量为岩石类型（ROCK_TYPE），以常规碎屑岩储层为例,可以将岩石类型分为储层与非储层，储层中再细分为砾岩（粒径大于2 mm、含量大于30%、由粗大的碎屑颗粒组成）、砂岩（粒径0.12mm、含量大于50%、由陆源碎屑颗粒组成）和碳酸盐岩（主要成岩矿物为方解石、白云石等碳酸盐矿物）（朱筱敏，2 0 0 8).非储层又可分为生烃泥岩（黏土矿物大于50%、有机物质较多)与盖层泥岩（黏土矿物大于50%、有机物质较少）.（c）V o lu m D e f i n e （PET RO LO G Y_ FEA T U RES,ROCK_ TYPE)(volum_ model,formation_ water _salinity)该函数用于地层模型生成模块，输人变量为岩石类型（ROCK_TYPE）与岩石特征（PETROLOGY_FEATURES），输出变量为体积模型（volum_model)与地层水矿化度(formation_water_salinity).VolumDefine)主要作用是根据岩石类型与岩石参数构造合理的地层体积模型（volum_model），包括限定孔隙度取值范围、骨架各组分取值范围、泥质含量范围、各种孔隙流体饱和度取值范围，确定泥质结构等.并且根据孔隙流体的组分确定地层水矿化度（formation_water_salinity).66卷集，选择储层类型、油水层划分等.(BACKGROUND,7期(d)WellboreParameter（W ELL_ T YPE,PO RES,DRILLING_FLUID)(invaded_zone,drilling_fluid,mud_cake)该函数在井筒模型生成模块中.输入变量为井筒类型（WELL_TYPE），如直井、水平井、斜井等；孔隙特征（PORES)，如孔隙度、孔喉半径等；钻井液(DRILLING_FLUID），如水基、油基，咸水、淡水，钻井液滤液矿化度等.输出变量为井筒模型的相关参数，包括侵人带半径（invaded_zone）、井眼流体(drilling_fluid)、泥饼（mud_cake)等.(e)ReservoirParameter（RO CK _ T YPE,v o l u m_model,invaded_zone，d r i l l i n g _ f l u i d，m u d _ c a k e)-(reservoir_parameters)该函数在储层参数生成模块中，输入变量为岩石类型（ROCK_TYPE）、地层体积模型（volum_model)以及井筒模型相关参数（invaded_zone，drilling_fluid，m u d _ c a k e），输出变量为根据岩石类型和相应的体积模型在储层参数取值范围内随机选取的储层参数（reservoir_parameters）.其中泥岩的储层参数包括总有机碳（TOC、各种流体饱和度（Sw，Sx o，Sw i r r）等、黏土矿物体积占比（Vsh）等，一般而言生烃泥岩的总有机碳含量高于盖层泥岩.储层的储层参数包括孔隙度（POR）、各种流体饱和度（Sw，Sx o，Sw i，Sh，Sh r，Sh m）等、骨架各组分体积占比（Vmal，Vma 2，）、黏土矿物体积占比（Vsh）等，不同类型储层岩石的骨架组分、孔隙度等参数有所差异，其中砂岩与碳酸盐岩的油气储集性能较好.(f)InterpretationParameter（RO C K _ T YPE,volum_model)-(interpretation_parameters)该函数用于响应方程与区域性解释参数选择模块，输入为岩石类型与体积模型，当岩石类型与体积模型确定后使用的响应方程也随之确定，InterpretationParameter(）函数依据不同地层区域性解释参数的选取范围随机返回响应方程需要的区域性解释参数的取值.(g)ResponseFuncrion(reservoir_parameters,ROCK_ TYPE，i n t e r p r e t a t i o n -p a r a me t e r s）(logs)该函数为数据生成的主要函数，用于测井响应值生成模块，调用前需对使用的响应方程进行定义，输人储层参数、区域性解释参数和岩石类型，函数根据测井响应方程计算相对应的理论测井响应值.(h)Environment