[论文解读] Modeling extra-deep EM logs using a deep neural network

Sergey Alyaev, Mostafa Shahriari+5 more|arXiv (Cornell University)|May 18, 2020

Geophysical and Geoelectrical Methods参考文献 17被引用 7

一句话总结

该论文提出了一种深度神经网络（DNN）模型，能够以每测井位置22个测量值的精度，准确复现超深电磁（EM）测井数据，该模型基于使用商业模拟器的1D层状地质模型进行训练。尽管由于模拟器的串行执行导致训练数据有限，该DNN仍实现了高精度，且每个位置的推理时间仅为0.15毫秒，从而可在无需访问专有工具细节的情况下实现实时地质导向和蒙特卡洛反演。

ABSTRACT

Modern geosteering is heavily dependent on real-time interpretation of deep electromagnetic (EM) measurements. This work presents a deep neural network (DNN) model trained to reproduce the full set of extra-deep real-time EM logs consisting of 22 measurements per logging position. The model is trained in a 1D layered environment and has sensitivity for up to seven layers with different resistivity values. A commercial simulator provided by a tool vendor is utilized to generate a training dataset. The impossibility of parallel execution of the simulator effectively limits the permissible dataset size. Therefore, the geological rules and geosteering specifics supported by the forward model are embraced when designing the dataset. It is then used to produce a fully parallel EM simulator based on a DNN without access to the proprietary information about the EM tool configuration or the original simulator source code. Despite a relatively small training set size, the resulting DNN forward model is quite accurate for synthetic geosteering cases, yet independent of the logging instrument vendor. The observed average evaluation time of 0.15 milliseconds per logging position makes it also suitable for future use as part of evaluation-hungry statistical and/or Monte-Carlo inversion algorithms.

研究动机与目标

• 开发一种快速、准确且与供应商无关的超深电磁测井正向模型，用于实时地质导向。
• 通过在受约束但地质上具有代表性的数据集上训练DNN，克服商业电磁模拟器串行执行的限制。
• 使DNN模型适用于评估密集型的反演工作流程，如蒙特卡洛方法。
• 在未获原始模拟器源代码的情况下，保留地质和地质导向特定的物理约束于合成训练数据中。
• 通过在数据生成过程中嵌入特定领域的地质规则，在相对较小的训练数据集下实现高预测精度。

提出的方法

• 使用最多七层电阻率的1D层状地层模型生成训练数据，以确保对深部地层的敏感性。
• 采用工具供应商提供的商业电磁模拟器生成合成电磁测井数据，并在数据集中嵌入地质规则，以反映真实的地质导向条件。
• 训练DNN将输入的电阻率层状结构配置映射到每个测井位置的全部22个电磁测量值。
• 该模型设计为完全并行，即使在训练数据有限的情况下也能实现快速推理。
• 在未获原始模拟器源代码或电磁工具配置细节的情况下，训练DNN正向模型。
• 在合成地质导向测试案例上评估最终模型的精度和推理速度。

实验结果

研究问题

• RQ1 是否可以使用有限数据集，训练DNN以准确复现每位置包含22个测量值的超深电磁测井数据？
• RQ2 在未获其源代码或工具配置细节的情况下，DNN在多大程度上能够复现商业电磁模拟器的行为？
• RQ3 在实时地质导向和反演应用中，DNN在推理速度和精度方面表现如何？
• RQ4 是否能通过在训练数据中有效编码地质和地质导向特定的约束，以提升模型的泛化能力？
• RQ5 由于推理速度极快，该DNN模型是否适合用于蒙特卡洛或统计反演工作流？

主要发现

• 尽管训练数据集相对较小，该DNN模型在各种合成地质导向场景中均实现了对超深电磁测井数据的高精度复现。
• 该模型每个测井位置的平均运行时间为0.15毫秒，适用于实时应用及评估密集型反演算法。
• 该模型与测井工具供应商无关，因其无需访问专有模拟器的源代码或工具配置细节。
• 在数据生成过程中整合地质规则显著提升了模型的保真度和泛化能力。
• 在1D层状模型的约束范围内，DNN正向模型成功复现了商业模拟器的物理行为。
• 由于推理速度快且精度高，该模型可高效用于统计反演工作流。