-
四川盆地钾盐矿藏资源丰富，而我国农业生产对钾盐需求量大，迫切需要钾盐资源矿藏的勘探开发。目前，钾盐矿藏的勘探主要采用地球物理方法，包含地球化学法（Ren Qianhui et al.，2018），雷达勘探法（Annan et al.，1988），地质分析法（郑绵平等，2006），地震勘探法（Pesowski et al.，2000）等。其中通过地震油气储层资料形成适合区域地质背景的、以地震反演为技术核心的富钾盐层地震识别与预测方法是钾盐矿藏有效开发的常用手段（杨晓玉等，2012；顾雯等，2017）。在本文研究的川东北地区，钾盐矿藏岩性特征复杂，其富钾矿层主要发育新型杂卤石、富钾卤水、绿豆岩等（郑绵平等，2010；Ding Ting et al.，2019）。其中新型杂卤石矿藏更是我国海相钾盐勘查的主攻方向之一（郑绵平等，2018）。该地区钾盐矿藏有两种赋存方式：卤水矿层是液相形式，易开采，是优质的钾盐矿层；新型杂卤石矿层是固相形式，相对于卤水不易开采。目前，该区富钾矿层的勘探开发仍局限于地震反射特征的分析，无法精确预测钾盐矿层，需要更直接、更精确的钾盐矿层预测方法。
-
机器学习通过网络模型可以学习地震数据与井曲线之间的映射关系。与地球物理反演过程中需要明确的正演方程不同，机器学习是数据驱动的预测方法，不需要正演方程的支持就可以直接预测目标矿层参数的空间展布（赵改善，2019）。不少学者将机器学习模型引入到地球物理勘探中，Wiener et al.（1991）利用浅层神经网络预测了碳酸盐测井渗透率曲线；张繁昌和印兴耀（2004）利用前馈神经网络进行了三维地震反演；Leiphart et al.（2001）利用概率神经网络预测了孔隙度；Shahraeeni et al.（2012）通过人工神经网络估计了地层弹性特征；Mohamed et al.（2019）将全连接网络与随机反演相结合，实现了含水饱和度预测；Sang Kaiheng et al.（2021）在高维超球空间中生成虚拟样本，以提高机器学习的准确性；慎国强等（2021）将人工智能用于川东北三叠系钾盐矿层的地震识别。
-
近年来，随着Glorot et al.（2011）提出ReLU激活函数和对局部极小值问题的研究，深度学习特别是卷积神经网络逐渐在计算机视觉（Krizhevsky et al.，2012; Simonyan et al.，2014; He et al.，2016）、自然语言处理（Kim 2014; Zhang et al.，2015; Hassan et al.，2018）等方面崭露头角（吴正阳等，2018; 王钰清等，2019；常德宽等，2021），在储层预测方面也逐渐得到应用。张繁昌等（2014）利用卷积神经网络进行了地震高分辨率反演；林年添等（2018）利用卷积神经网络进行了地震小样本油气预测；Zhang Guoyin et al.（2018）将小波变换与卷积神经网络相结合，实现了储层岩性识别；Das et al.（2019）利用岩石物理知识产生虚拟样本，并在虚拟样本支持下，实现了卷积神经网络波阻抗预测；Feng Runhai et al.（2020）构建无监督卷积神经网络进行了孔隙度预测；Ge Qiang et al.（2022）将地质统计学反演融入到卷积神经网中，实现了高分辨率波阻抗反演；Sun Jiaxing et al.（2023）利用卷积网络实现了叠前反演；Zhang et al.（2024）构建了知识引导的闭环卷积神经网络框架，实现了波阻抗智能反演。由上可见，卷积神经网络大多用于地震反演，鲜见其用于新型杂卤石矿藏预测的案例。
-
本文针对川东北深层钾盐矿藏的岩性发育特征，以地震数据和井数据为样本，以该区的地质认识为先验信息，构建含投影变换层的卷积神经网络。在卷积神经网络中融入投影变换层，是为了增强钾盐矿层特征的捕捉能力。在钾盐矿层预测基础上，根据液相卤水矿层高含钾、低电阻率，而固相的新型杂卤石矿层高含钾、高电阻率的特点，进一步由投影卷积神经网络获得电阻率数据体。综合钾盐含量与电阻率参数，最后区分出川东北地区目的层段的固、液相钾盐矿藏。
-
1 投影卷积神经网络
-
测井数据和地震数据不是简单的一一映射关系，测井数据每一点的变化都会引起地震数据的局部变化，而卷积神经网络恰好具有挖掘局部信息的能力。为了更好地抽取钾盐矿层有效特征，将投影变换融入到卷积神经网络结构中，构建投影卷积神经网络，如图1所示。该网络由2个卷积层、1个最大池化层、1个平均池化层、1个投影变换层和1个全连接层所组成。
-
卷积层用来提取地震反射特征，其中的卷积核是测井数据与井旁地震信息的非线性表达。卷积方式有一维卷积、二维卷积、三维卷积。二维卷积计算公式为：
-
其中，Ch表示第h层卷积层，τ1、τ2，x、y分别表示卷积核和输入特征的横坐标与纵坐标。Wh为第h层的卷积核值，bh是第h层的偏置值，f为激活函数。
-
池化层是对卷积层输出特征的聚合。对卷积层的输出进行池化，能减少特征的冗余性，而且池化后的特征保持缩放不变性。池化方式分为最大池化和平均池化，二维池化的计算公式为：
-
其中，Sh+1是第h层特征池化后的输出，βh+1是第h层特征池化时的权值，Ch是第h特征层，bh+1为第h层特征层池化时的偏置。
-
投影变换层在保证训练数据不丢失边缘信息的情况下，对输入特征进行投影，以保留数据的主要特征。设输入的钾盐矿层特征数据为：
-
其中，m为数据行数，n为数据列数。
-
图1 用于钾盐预测的投影卷积神经网络结构
-
Fig.1 Structure of projected convolutional neural network for potash prediction
-
令X=R（0），有：
-
其中p（1）表示投影后的特征数据向量，g（1）是投影向量。X经投影后的方差为Var（p （1））。方差最大化时的投影向量为：
-
利用梯度上升法求解式5得到g（1）和残差矩阵R（1）：
-
经k次迭代：
-
为投影空间，经投影变换后特征数据为：
-
由式8获得特征数据Xk后，将其展平输入至全连接层。
-
2 基于投影卷积网络的固液钾盐矿层预测
-
2.1 地质背景分析
-
川东北地区目标层段为海退沉积序列，灰岩、白云岩、膏盐岩大量发育，钾盐矿层受到岩性控制，与硬石膏依附产出。钾盐矿层发育层段构造复杂，塑性变形严重，整体有强烈揉皱变形现象。利用地震资料与测井数据对川东北地区厚层钾盐矿层特征进行分析。图2是过C1、A2、A1井的连井地震剖面，井中是钾盐含量曲线。图中A2、C1井的富钾矿层顶部是连续的强反射波峰，中部为弱反射波谷，底部波峰转弱。发育地区构造相对平缓，顶部有良好的塑性盖层（连续同相轴）也是厚层钾盐矿层存在的关键条件。同样，图3所示的C5井厚层钾盐矿层顶部也是连续的强波峰，中部为弱波谷，底部波峰较弱；C5井富钾矿层的顶部也有良好的塑性盖层，且位于构造运动相对平缓的地区。因此，川东北地区厚层钾盐矿层与相对平缓的构造运动、良好的塑性盖层密不可分。
-
图2 川东北地区A1、A2、C1井富钾矿层地震反射特征
-
Fig.2 Seismic reflection characteristics of potash reservoir from wells A1, A2 and C1 in northeast Sichuan area
-
图3 川东北地区C5井富钾矿层地震反射特征
-
Fig.3 Seismic reflection characteristics of potash reservoir from well C5 in northeast Sichuan area
-
2.2 地震特征样本集训练及预测结果分析
-
2.2.1 地震特征样本集的构建及训练
-
由图2、图3可知，川东北地区钾盐矿层与地震反射特征之间是非线性映射。因此，本文以测井钾盐矿层位置为中心，选取其周围一定空间范围内的地震数据来构建特征样本集。图4是川东北地区钾盐矿层地震特征样本集的构建及训练过程。以每个钾盐标签为中心，匹配其周围局部空间范围内的地震反射特征，构成特征样本；然后将这些特征样本输入到投影卷积神经网络中（网络结构如图1所示），建立钾盐含量与地震特征样本的非线性映射关系。投影卷积神经网络C1、C2卷积层均为6个卷积核，每个卷积核长度为21，宽度与输入特征图的宽度相同，卷积步长为1。为避免过多信息丢失，对卷积层进行了零填充设置。C1、C2层采用Leaky-ReLU（Jiang et al.，2019）作为激活函数。S1为最大池化层，S2为平均池化层，均采用2×2池化方式。投影变换层中K的值为3。全连接层为5层，其节点数分别为256、128、64、32、1，激活函数也是Leaky-ReLU。
-
图4 川东北地区钾盐矿层地震特征样本集的构建及训练
-
Fig.4 Constructing and training of seismic features for potash reservoirs in northeast Sichuan area
-
用本区36口井数据制作钾盐矿层的地震特征样本集。该样本集包含12800个特征样本对，随机将其中的85%作为训练集，其余作为验证集。为获得特征样本的最佳尺寸，用不同长度和宽度的地震特征样本进行了测试，如表1所示。表1中的特征样本长度有31、61、91三组数据，宽度有3、5、7、9、11五组数据，其中每个长度的数据都对应着5个宽度的数据，共15种组合。将不同尺寸的特征样本训练集输入到投影卷积网络进行训练。网络训练采用Adam算法（Kingma and Ba，2014），学习率和训练次数分别为0.0006和500。训练完成后，对其预测结果进行了分析，如图5所示。其中黑色、蓝色、绿色、紫色、红色曲线分别是同一长度，宽度为3、5、7、9、11的特征样本得到的训练集和验证集误差曲线。训练集误差曲线用实线表示，验证集误差曲线用虚线表示。图5a是输入长度为31，宽度为3、5、7、9、11的情形，图5b、图5c依次类推。对比图5a~c发现，特征样本长度为91、宽度为3时预测性能最好，此时训练集误差为0.301，验证集误差为1.053。
-
2.2.2 钾盐矿层预测结果分析
-
完成网络训练后，输入工区地震特征样本，就可以获得钾盐矿层的空间分布。图6是对应图2地震剖面的投影卷积神经网络钾盐矿层预测结果，其中井曲线是钾盐含量值。可以看出，投影卷积神经网络预测的钾盐含量与井吻合，且空间分布符合图2分析的地质情况，即厚层钾盐矿层上方有连续同相轴，钾盐矿层位于强波谷段，下方是相对较弱的波峰，说明该方法能够很好地预测厚层钾盐的空间展布。
-
图5 川东北地区钾盐矿层的不同尺寸特征样本集的网络训练误差曲线
-
Fig.5 Errors of network under different feature sizes of potash reservoirs in northeast Sichuan area
-
（a）—特征样本长度为31时，不同宽度的训练集和验证集误差曲线；（b）—特征样本长度为61时，不同宽度的训练集和验证集误差曲线；（c）—特征样本长度为91时，不同宽度的训练集和验证集误差曲线
-
(a) —error curves for the training and validation sets with different widths when the feature sample length is 31; (b) —error curves for the training and validation sets with different widths when the feature sample length is 61; (c) —error curves for the training and validation sets with different widths when the feature sample length is 91
-
图6 川东北地区A1、A2、C1井投影卷积神经网络钾盐预测与地震叠合剖面
-
Fig.6 Projected CNN-predicted potash reservoir profile overlaid on seismic data along wells A1, A2, and C1 in northeast Sichuan area
-
同样，图3地震剖面对应的钾盐含量预测结果如图7所示，其中的黑色曲线是C5井的钾盐含量值。从图7看出，投影卷积神经网络预测结果与井中钾盐曲线的吻合率高，且厚层钾盐矿层的空间展布遵循图3的地质地震分析结果，再次证明投影卷积神经网络能够很好地预测厚层钾盐矿层。
-
为验证投影卷积神经网络的泛化能力，图8是未参与训练的过井地震剖面预测结果，其中B3、B5为验证井，未参与训练。从图8可以看出，投影卷积神经网络的钾盐含量预测结果和这两口井也非常吻合。
-
表2是训练井A2、C1、C5和验证井B3、B5的钾盐含量预测结果统计，可见训练井与验证井的钾盐含量预测结果吻合率均在80%以上，验证了预测结果的可靠性。
-
图7 川东北地区C5井投影卷积神经网络钾盐预测与地震叠合剖面
-
Fig.7 Projected CNN-predicted potash reservoir profile overlaid on seismic data along well C5 in northeast Sichuan area
-
图8 川东北地区B3、B5井投影卷积神经网络钾盐预测与地震叠合剖面
-
Fig.8 Projected CNN-predicted potash reservoir profile overlaid on seismic data along wells B3 and B5 in northeast Sichuan area
-
2.2.3 固液钾盐矿层预测结果分析
-
图6~8展示了投影卷积神经网络能很好地预测川东北地区目的层段钾盐矿层的分布范围。本区钾盐矿藏以富钾卤水和新型杂卤石两种形式存在，卤水层有容易开采、可直接使用的特点。为进一步区分固液钾盐矿层，需要在识别出钾盐矿层的基础上，找到卤水矿层区别于新型杂卤石矿层的特征。
-
图9是C5、B3两口井的井曲线分析，其中黑色曲线为钾盐含量曲线，红色曲线为电阻率曲线。可见新型杂卤石矿层电阻率高，而卤水由于具有很强的导电性，电阻率低。在C5、B3井中发现了低电阻率、高含钾卤水层，即黄色区域标注的层段；同时也有高电阻率，高含钾的新型杂卤石矿层，即绿色区域标注的层段。
-
通过井曲线分析可见，液相钾盐矿层具有高含钾、低电阻率特征；而固相新型杂卤石矿层具有高含钾、高电阻率特征。因此，电阻率和钾盐含量这两个参数能够区分卤水层和新型杂卤石层。为预测卤水层的空间展布，需要得到电阻率数据体。同样采用投影卷积神经网络方法，将训练地震特征样本和测井电阻率标签输入此网络，获得电阻率数据体。
-
图9 川东北地区C5、B3井钾盐含量、电阻率曲线综合分析
-
Fig.9 Analysis of K-rich and resistivity logs from wells C5 and B3 in northeast Sichuan area
-
图10 投影卷积神经网络预测的川东北地区过C5井电阻率（a）和钾盐含量（b）剖面
-
Fig.10 Projected CNN-predicted resistivity (a) and K-rich (b) profiles along well C5 in northeast Sichuan area
-
图10为投影卷积神经网络预测的过C5井电阻率和钾盐含量剖面图，图中红色曲线为电阻率曲线，黑色为钾盐含量曲线。图10红色椭圆区域具有低电阻率、高含钾特征，为卤水矿层；黑色椭圆区域具有高电阻率、高含钾特征，为新型杂卤石矿层。
-
图11为过验证井B3、B5的钾盐含量及电阻率剖面图，井中红色曲线为电阻率曲线，黑色曲线为钾盐含量曲线。同样，在B3井处，低电阻率、高含钾区域为卤水矿层，用红色椭圆标出；高电阻率、高含钾区域为新型杂卤石矿层，用黑色椭圆标出。B5井无卤水矿层。
-
图11 投影卷积神经网络预测的川东北地区过B3、B5井电阻率（a）和钾盐含量（b）剖面
-
Fig.11 Projected CNN-predicted resistivity (a) and K-rich (b) profiles along wells B3 and B5 in northeast Sichuan area
-
表3统计了图10、图11中训练井C5，验证井B3、B5处的钾盐矿层电阻率预测结果数据，可见训练井与验证井的电阻率预测结果吻合率均在80%以上。C5井2.064~2.080 s处存在高钾盐含量、低电阻率的卤水层，2.080~2.096 s处存在高钾盐含量、高电阻率的新型杂卤石层。B3井1.794~1.806 s处存在高钾盐含量、低电阻率的卤水层，1.870~1.902 s处存在高钾盐含量、高电阻率的新型杂卤石层。B5井1.854~1.869 s、1.876~1.886 s、1.892~1.899 s处均为新型杂卤石矿层。
-
3 结论
-
（1）以川东北目标工区地质认识为先验信息，构建具有投影变换层的卷积神经网络，挖掘地震数据与钾盐矿层之间的关系，预测的钾盐含量不仅与井数据吻合，而且空间分布符合本区钾盐矿层分布的地质认识，即矿层上方有连续同相轴，钾盐矿层位于强波谷段，下方是相对较弱的波峰。
-
（2）工区卤水矿层具有钾盐含量高、电阻率低，而新型杂卤石则具有钾盐含量和电阻率双高的特点。综合分析钾盐含量和电阻率这两个特征参数，可区分出新型杂卤石和卤水矿层的发育位置，为川东北地区固液相钾盐矿藏的勘探提供数据支撑。
-
（3）本文的投影卷积网络方法是根据川东北地区钾盐矿层的地震特征而建立的。应用于其他地区、其他类型的钾盐矿层预测时，需要考虑地质地震特征的差异，根据实际情况构建各自的特征样本和网络参数。
-
参考文献
-
Annan A P, Davis J L, Gendzwill. 1998. Radar sounding in potash mines, Saskatchewan, Canada. Geophysics, 53(12): 1556~1564.
-
Chang Dekuang, Yong Xueshan, Wang Yihui, Yang Wuyang, Li Haishan, Zhang Guangzhi. 2021. Seismic fault interpretation based on deep convolutional neural network. Oil Geophysical Prospecting, 56(1): 1~8 (in Chinese with English abstract).
-
Das V, Pollack A, Wollner U. 2019. Convolutional neural network for seismic impedance inversion CNN for seismic impedance inversion. Geophysics, 84(6): R869~R880.
-
Ding Ting, Liu Chenlin, Zhao Yanjun, Zhu Zhenjie. 2019. Chlorine isotope analysis of Triassic salt rock and geological significance of ancient salt lake in Sichuan basin, China. Carbonates Evaporites, 34(3): 909~915.
-
Feng Runhai, Hansen T, Grana D. 2020. An unsupervised deep-learning method for porosity estimation based on post-stack seismic data. Geophysics, 85(6): 1~51.
-
Ge Qiang, Cao Hong, Yang Zhifang, Li Xiaoming, Yan Xinfei, Zhang Xin, Wang Yuqing, Lu Wenkai. 2022. High-resolution seismic impedance inversion integrating the closed-loop convolutional neural network and geostatistics: An application to the thin interbedded reservoir. Journal of Geophysics and Engineering, 19: 550~561.
-
Glorot X, Bordes A, Bengio Y. 2011. Deep sparse rectifier neural networks. Journal of Machine Learning Research, 15: 315~323.
-
Gu Wen, Xu Min, Liang Hong, Zhang Xiong, Zhang Dongjun, Lu Linchao, Chen Yuanyuan. 2017. Characteristics geophysical response of polyhalite and its seismic exploration technology in east Sichuan basin, China. Journal of Chengdu University of Technology (Science & Technology Edition), 44(5): 521~528 (in Chinese with English abstract).
-
Hassan A, Mahmood A. 2018. Convolutional recurrent deep learning model for sentence classification. IEEE Access, 6: 13949~13957.
-
He Kaiming, Zhang Xianyu, Ren Shaoqin, Sun Jian. 2016. Deep residual learning for image recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition, 770~778.
-
Jiang Tongtong, Cheng Jinyong. 2019. Target recognition based on CNN with LeakyReLU and PReLU activation functions. 2019 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC), 718~722.
-
Kim Y. 2014. Convolutional neural networks for sentence classification. arXiv preprint. doi: 10. 48550/arXiv. 1408. 5882.
-
Kingma D P, Ba J. 2014. Adam: A method for stochastic optimization. arXiv preprint. doi: 10. 48550/arXiv. 1412. 6980.
-
Krizhevsky A, Sutskever I, Hinton G E. 2012. ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60: 84~90.
-
Leiphart D J, Hart B S. 2001. Comparison of linear regression and a probabilistic neural network to predict porosity from 3-D seismic attributes in Lower Brushy Canyon channeled sandstones, southeast New Mexico. Geophysics, 66(5): 1349~1358.
-
Lin Niantian, Zhang Dong, Zhang Kai, Wang Shoujin, Fu Chao, Zhang Jianbin, Zhang Chong. 2018. Predicting distribution of hydrocarbon reservoirs with seismic data based on learning of the small-sample convolution neural network. Chinese Journal of Geophysics, 61: 4110~4125 (in Chinese with English abstract).
-
Mohamed I, Hemdan M, Hosny A. 2019. High-resolution water-saturation prediction using geostatistical inversion and neural network methods. Interpretation, 7(2): 1~40.
-
Pesowski M S, Larsion R L. 2000. Seismic exploration methods applied to potash mining: Risk analysis and mine planning. Seismic exploration methods applied to potash mining: Risk analysis and mine planning. 1105~1108.
-
Ren Qianhui, Du Yongshen, Gao Donglin, Li Binkai, Zhang Xiying, Liu Xiuting, Yuan Xiaolong. 2018. A multi-fluid constrain for the forming of potash deposits in the Savannakhet basin: Geochemical evidence from halite. Acta Geologica Sinica, 92(2): 755~768.
-
Sang Kaiheng, Yin Xingyao, Zhang Fanchang. 2021. Machine learning seismic reservoir prediction method based on virtual sample generation. Petroleum Science, 18(6): 1662~1674.
-
Shahraeeni M S, Curtis A, Chao G. 2012. Fast probabilistic petrophysical mapping of reservoirs from 3D seismic data. Geophysics, 77(3): O1~O19.
-
Shen Guoqiang, Wang Yumei, Zhang Fanchang, Zhang Hong, Wang Xiping, Chen Songli. 2021. Identification of Triassic polyhalite in northeast Sichuan by AI-based seismic inversion. Earth Science Frontiers, 28: 155~161 (in Chinese with English abstract).
-
Simonyan K, Zisserman A. 2014. Very deep convolutional networks for large-scale image recognition. arXiv preprint. doi: 10. 48550/arXiv. 1409. 1556.
-
Sun Jiaxing, Yang Jidong, Li Zhenchun, Huang Jianping, Luo Xin, Xu Jie. 2023. Intelligent AVA inversion using a convolutional neural network trained with pseudo-well datasets. Surveys in Geophysics, 44: 1075~1105.
-
Wang Yuqing, Lu Wenkai, Liu Jinlin, Zhang Meng, Miao Yongkang. 2019. Random seismic noise attenuation based on data augmentation and CNN. Chinese Journal of Geophysics, 62(1): 421~433 (in Chinese with English abstract).
-
Wiener J M, Rogers J A, Rogers J R. 1991. Predicting carbonate permeabilities from wireline logs using a back-propagation neural network. SEG Technical Program Expanded Abstracts, 285~288.
-
Wu Zhengyang, Mo Xinwen, Liu Jianhua. 2018. Convolutional neural network algorithm for classification evaluation of fractured reservoirs. Geophysical Prospecting for Petroleum, 57(4): 618~626(in Chinese with English abstract).
-
Yang Xiaoyu, Yan Jianguo, Hou Lei, Gu Wen. 2012. Application of seismic exploration to potassium-rich brine resources evaluation in Sichuan basin and the effect analysis. Contributions to Geology and Mineral Resources Research, 27(4): 509~515 (in Chinese with English abstract).
-
Zhang Fanchang, Yin Xinyao. 2004. Three-dimensional seismic inversion with a fast multi-layer feed-forward neural network. Journal of China University of Petroleum (Edition of Natural Science), (1): 31~35 (in Chinese with English abstract).
-
Zhang Fanchang, Liu Hanqing, Niu Xuemin, Dai Ronghuo. 2014. High resolution seismic inversion by convolutional neural network. Oil Geophysical Prospecting, 49(6): 1165~1169 (in Chinese with English abstract).
-
Zhang Fanchang, Zhu Lei, Xu Xunyong. 2024. A knowledge-embedded close-looped deep-learning framework for intelligent inversion of multisolution problems. Geophysics, 89(2): A17~A21.
-
Zhang Guoyin, Wang Zhizhang, Chen Yangkang. 2018. Deep learning for seismic lithology prediction. Geophysical Journal International, 215: 1368~1387.
-
Zhang Ye, Wallace B. 2015. A sensitivity analysis of (and practitioners' guide to) convolutional neural networks for sentence classification. arXiv preprint. doi: 10. 48550/arXiv. 15101. 03820.
-
Zhao Gaishan. 2019. Road to intelligent petroleum geophysical exploration: From automatic to intelligent. Geophysical Prospecting for Petroleum, 58(6): 791~810 (in Chinese with English abstract).
-
Zheng Mianping, Qi Wen, Zhang Yongsheng. 2006. Present situation of potash resources and direction of potash search in China. Geological Bulletin of China, 25(11): 1239~1246 (in Chinese with English abstract).
-
Zheng Mianping, Zhang Yongshen, Yuan Heran, Liu Xifang, Chen Wenxi, Li Jinsuo. 2010. Regional distribution and prospects of potash in China. Acta Geologica Sinica, 84(11): 1523~1553 (in Chinese with English abstract).
-
Zheng Mianping, Zhang Yongsheng, Shang Wenjun. 2018. Discovery of a new type of polyhalite potassium ore in Puguang region, northeastern Sichuan. Geology in China, 45(5): 1074~1075 (in Chinese with English abstract).
-
常德宽, 雍学善, 王一惠, 杨午阳, 李海山. 2021. 基于深度卷积神经网络的地震数据断层识别方法. 石油地球物理, 56(1): 1~8+230.
-
顾雯， 徐敏， 梁虹. 2017. 川东杂卤石的地球物理响应特征及地震勘探技术. 成都理工大学学报(自然科学版), 44(5): 521~528.
-
林年添, 张栋, 张凯. 2018. 地震油气矿层的小样本卷积神经网络学习与预测. 地球物理学报, 61(10): 4110~4125.
-
慎国强， 王玉梅， 张繁昌. 2021. 基于人工智能的川东北三叠系杂卤石地震识别. 地学前缘, 28(6): 155~161.
-
王钰清, 陆文凯, 刘金林, 等. 2019. 基于数据增广和CNN的地震随机噪声压制. 地球物理学报, 62(1): 421~433.
-
吴正阳， 莫修文， 柳建华. 2018. 裂缝性矿层分级评价中的卷积神经网络算法研究与应用. 石油物探, 57(4): 618~626.
-
杨晓玉, 阎建国, 侯磊. 2012. 地震勘探在四川盆地富钾卤水资源评价中的应用效果分析. 地质找矿论丛, 27(4): 509~515.
-
张繁昌, 刘汉卿, 钮学民. 2014. 褶积神经网络高分辨率地震反演. 石油地球物理勘探, 49(6): 1165~1169.
-
张繁昌, 印兴耀. 2004. 用多层前馈网络进行三维矿层参数反演的方法. 石油大学学报(自然科学版), (1): 31~35.
-
赵改善. 2019. 石油物探智能化发展之路: 从自动化到智能化. 石油物探, 58(6): 791~810.
-
郑绵平, 齐文, 张永生. 2006. 中国钾盐地质资源现状与找钾方向初步分析. 地质通报, (11): 1239~1246.
-
郑绵平, 袁鹤然, 张永生. 2010. 中国钾盐区域分布与找钾远景. 地质学报, 84(11): 1523~1553.
-
郑绵平, 张永生, 商雯君. 2018. 川东北普光地区发现新型杂卤石钾盐矿. 中国地质, 45(5): 1074~1075.
-
摘要
四川盆地钾盐资源储量大，因此对钾盐资源分布的勘探评价尤为重要。钾盐在地层中有卤水和新型杂卤石两种赋存形式，其中新型杂卤石是固相形式，而卤水以液相形式存在，易开采，是优质钾盐矿层。由于钾盐含量与地震响应之间没有直接关系，无法建立明确的特征方程，所以目前对钾盐矿层的地震勘探认识仍局限于地震反射特征的分析，缺乏钾盐表征的有效技术手段。为此，本文以川东北地区地质认识为先验信息，构建具有投影变换层的卷积神经网络，挖掘地震数据与钾盐矿层之间的关系，获得钾盐矿层表征特征参数，对钾盐矿层进行预测。在钾盐矿层表征的基础上，通过分析钾盐含量曲线和电阻率曲线，发现卤水矿层具有钾盐含量高、电阻率低的特点，而新型杂卤石矿层不仅钾盐含量高，电阻率也高。因此，进一步基于投影变换卷积神经网络，获得目标层段电阻率数据体。这样，由投影变换卷积神经网络预测的钾盐含量和电阻率两个数据体，划分出目标地区卤水和新型杂卤石矿层的发育位置。
Abstract
The Sichuan basin holds large potash reserves, making the exploration and evaluation of these resources crucial. Potash exists in two subsurface forms: potassium brine and new polyhalite. Potassium brine is a liquid, high-quality reservoir that is easy to mine. while new polyhalite is a solid form. Due to the lack of a direct relationship between potash reservoirs and seismic data, establishing definitive characteristic equations cannot be built. Therefore, current potash reservoir interpretation relies primarily on analyzing seismic reflection characteristics, lacking specialized prediction technologies. To address this limitation, we propose a convolutional neural network (CNN) incorporating a projection layer, using geological knowledge as prior information. This projected CNN is utilized to obtain characteristic parameters for potash reservoirs. By analyzing potash content and resistivity logs derived from the CNN, we observe distinct characteristics: potassium brine layers exhibit high potash content and low resistivity, while new polyhalite layers display high potash content and high resistivity. Therefore, by comparing predicted potash content and resistivity data from the projected CNN, we can effectively delineate the spatial locations of potassium brine and new polyhalite reservoirs.
