[论文解读] A Deep Learning Approach to the Inversion of Borehole Resistivity Measurements

Mostafa Shahriari, David Pardo+4 more|arXiv (Cornell University)|Oct 5, 2018

Geophysical and Geoelectrical Methods参考文献 32被引用 3

一句话总结

本文提出一种基于深度神经网络（DNN）的方法，以加速井孔电阻率测量的实时反演，用于井眼导向。通过离线训练DNN来近似映射LWD测量值到地下电阻率层的逆问题，该方法可在每个井眼位置实现亚秒级反演，生成物理上合理的模型并提供不确定性量化，尽管其精度仍需进一步优化以适用于现场部署。

ABSTRACT

We use borehole resistivity measurements to map the electrical properties of the subsurface and to increase the productivity of a reservoir. When used for geosteering purposes, it becomes essential to invert them in real time. In this work, we explore the possibility of using Deep Neural Network (DNN) to perform a rapid inversion of borehole resistivity measurements. Herein, we build a DNN that approximates the following inverse problem: given a set of borehole resistivity measurements, the DNN is designed to deliver a physically meaningful and data-consistent piecewise one-dimensional layered model of the surrounding subsurface. Once the DNN is built, we can perform the actual inversion of the field measurements in real time. We illustrate the performance of DNN of logging-while-drilling measurements acquired on high-angle wells via synthetic data.

研究动机与目标

• 开发一种快速、实时的测井 while 钻进（LWD）电阻率测量反演方法，以支持井眼导向。
• 通过使用深度神经网络（DNN）近似逆映射，克服传统逆向求解器带来的计算负担。
• 从井孔测量值中生成物理上可靠且与数据一致的一维分层电阻率模型。
• 通过DNN预测置信度实现反演结果的不确定性量化。
• 探索使用DNN作为后续采用更精确但更慢的反演方法进行优化的初始近似方案的可行性。

提出的方法

• 一个深度神经网络（DNN）在离线阶段训练，以近似逆映射 $\boldsymbol{\cal I}$，该映射将井孔电阻率测量值 $\bf M$ 和井眼轨迹 $\bf T$ 映射为地下电阻率参数 $\bf p$。
• DNN在使用快速前向求解器生成的1.5D分层模型合成数据上进行训练，模拟由麦克斯韦方程组控制的电磁波传播。
• 网络架构设计旨在保证物理一致性与数据兼容性，损失函数中引入正则化项以避免非物理解。
• 在在线推理阶段，训练好的DNN可在数秒内处理新的测量数据集，为每个测井位置生成电阻率剖面和不确定性图。
• 该方法将逆问题视为函数逼近任务，绕过迭代优化，从而实现实时部署。
• 该方法利用DNN在训练完成后可快速评估的特性，使其适用于时间敏感的应用，如井眼导向。

实验结果

研究问题

• RQ1 能否有效训练深度神经网络，以足够高的精度近似井孔电阻率测量反演的逆问题，从而满足实时井眼导向的需求？
• RQ2 DNN在未在训练中见过的新合成LWD测量数据集上，特别是在大斜角井几何结构中的泛化能力如何，尤其在高难度场景下？
• RQ3 DNN是否不仅能提供电阻率估计，还能为每个预测层提供可靠的不确定性量化？
• RQ4 DNN反演在精度、数据需求以及向二维和三维地下模型扩展方面的局限性是什么？
• RQ5 与传统迭代反演方法相比，DNN在速度和可靠性方面表现如何？

主要发现

• DNN在每个井眼位置的反演时间仅需数秒，且在超过一千个测井位置上运行，显著快于传统迭代方法。
• 尽管预测的电阻率层存在一些不准确之处，但DNN结果在物理上是合理的，可作为后续优化的快速初始近似。
• 该方法成功在预测结果的同时生成不确定性图，增强了井眼导向决策过程中的可靠性。
• DNN在涉及大斜角井和复杂电阻率分层的合成示例中表现出鲁棒性，但精度仍有待提升。
• DNN训练计算量较大（在GPU上最多耗时三周），但此过程为离线执行，因此可实现在线实时推理。
• 该方法在实时应用方面展现出潜力，但目前仍受限于数据需求以及向更高维模型泛化的能力。