基于儲層預測數據分布式處理的質控平臺研發

劉勝 李徯徯 蔣震 萬鑫

摘? 要：隨著我國企業信息化建設的不斷發展與石油勘探工作的持續深入，石油石化企業在生產管理智能化和勘測場景多樣化等方面面臨著更為嚴峻的挑戰。為應對這些問題，塔里木油田企業將儲層預測工作劃分成巖石物理、正演模擬、特殊處理及屬性分析、疊后反演、疊前反演5個工序，通過工作流程的分布式優化推動全局最優，在降低解釋工作復雜度的同時，縮短項目的處理周期。在此基礎上，針對各質控點制定詳細的處理工藝和精度要求，結合GeoEast-iEco數據解釋系統，研發一套智能質控平臺，實現儲層預測的高效率和高質量質控。

關鍵詞：儲層預測; 分布式處理; 智能質控；精度；質控效率

中圖分類號：P618.1? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）08-0024-05

Abstract： With the continuous development of enterprise information construction in China and the continuous deepening of oil exploration， petroleum and petrochemical enterprises are facing more severe challenges in the aspects of intelligent production management and diversification of survey scenes. In order to deal with these problems， the Tarim Oilfield Company divided the reservoir prediction work into five processes： petrophysics， forward simulation， special treatment and attribute analysis， post-stack inversion， and prestack inversion， and promoted the global optimization through the distributed optimization of workflow， while reducing the complexity of interpretation and shortening the processing cycle of the project. On this basis， this study made detailed processing technology and posed precision requirements for each quality control point and， combined with GeoEast-iEco data interpretation system， developed a set of intelligent quality control platform， in order to achieve high efficiency and high quality quality control of reservoir prediction.

Keywords： reservoir prediction; distributed processing; intelligent quality control; accuracy; quality control efficiency

近年來，隨著我國的石油勘探工作向復雜油氣藏[1]發展，對地下地質體速度求取精度的要求越來越高，儲層預測的需求也日益增加。塔里木油田自2021年以來，平均每年負責近20多個儲層預測數據的質控工作，每個儲層預測項目包括15個以上過程成果數據體需要質控，工作量巨大。傳統的人工質控方式存在質控過程繁瑣化、質控結果主觀化、質控效率低等問題。為此，本文提出了一種基于分布式處理的儲層預測質控系統。本系統在確保數據在傳輸過程中的安全性和完整性的同時，提高處理效率和保證結果質量。

傳統的儲層預測項目通常由單獨的承包商來閉環處理其對應的儲層預測全流程工作，包括巖石物理、正演模擬以及特殊處理及屬性分析等其他過程[2]。其中，特殊處理主要用于儲層預測數據增強，而其他過程則用于信息分析和解釋。工區閉環的處理模式能滿足一般的石油勘探工作，但其存在“木桶效應”，在探索成熟區域鄰近區及新區時，面臨著解釋周期不可控以及結果質量低等問題[3]。

儲層預測數據的安全傳輸方面，由于儲層預測數據[4]的保密性，確保項目雙方網絡通暢的同時，需要保障數據在傳輸過程中的安全性和完整性。虛擬專用網絡（Virtual Private Network，VPN）是一種通過在客戶機與網關之間建立加密的點對點連接的虛擬技術，可以確保數據在經過網絡傳輸時的安全性。然而，對于非頁面端的數據訪問，傳統的質控平臺通常依賴額外的應用軟件進行轉換，無法實現端到端的安全傳輸。

針對以上原因，本文基于儲層預測數據分布式處理新模式，結合GeoEast-iEco[5]數據解釋和處理平臺，構建了網頁端一體化智能質控平臺。該平臺實現了儲層預測數據處理的在線質控功能，能夠一鍵生成質檢表和質量控制報告，并支持質控項目的在線作業。同時，平臺建立了三級質檢在線管理等功能，實現了儲層預測質控流程的一體化和智能化。此外，通過建立項目專用的內部網絡部署，遠程用戶可以獲得安全接入地址，確保數據訪問的安全性和保密性。

1? 儲層預測數據質控新模式

隨著勘探工作的持續進行，所面臨的工作環境日益復雜，其難度也在不斷增加[6]。為了更有效地質控這些數據，本文提出了一種基于分布式處理平臺的儲層預測質控系統。這種系統通過將儲層預測全流程劃分為5個工序、15個質控任務，實現了儲層預測質控流程的一體化和智能化。

1.1? 儲層預測數據分布式處理

在本系統中，儲層預測包括5個主要步驟：巖石物理、正演模擬、特殊處理及屬性分析、疊后反演和疊前反演。在巖石物理階段，采用先進的數據清洗和校正技術，以確保數據的質量和準確性。在正演模擬、特殊處理及屬性分析階段，利用大數據技術和分布式計算框架，處理儲層預測數據。在其他解釋階段，對數據進行深入學習和復雜的數據分析，以更準確地獲取層速度等信息。最后，在質控階段，使用基于分布式處理平臺的儲層預測質控系統，監控和控制數據處理的質量和效率。

1.2? 儲層預測質控系統處理技術與精度要求

儲層預測質控系統基于分布式處理平臺，實現了儲層預測的全流程質控。系統在每個處理階段設置質控點，并通過質控任務對數據解釋進行監控和優化。通過這種方式，保證數據解釋質量的同時，提高項目周轉的效率。

根據多年的儲層預測項目經驗[7]，針對塔里木盆地的實際勘探場景，本文在儲層預測數據分布式處理的基礎上，制定了總體處理技術要求和過程質控要求，并從定性和定量2方面對工作精度要求制定了具體的質控標準。針對塔里木盆地的實際場景需求，結合以往的儲層預測經驗[8]，制定了適用于該地區的儲層預測質控流程，并梳理了重點試驗參數。此外，還統一規定了相應的測試范圍和區域的基準參數[9]。表1展示了儲層預測技術的部分要求，從而保障儲層預測的高質量，對各個質控模塊的實現進行具體化和模塊化。

1.3? 過程質控要求

對于儲層預測數據，以往質控方式人為主觀判斷的因素較多，對質控結果存在一定程度干擾。通過三級質檢的方式，可以極大降低人為因素所帶來的影響，以改善抽檢的質量[10]。為了確保儲層預測的高質量，針對每個項目采用三級質檢的方式完成項目檢驗，明確規定各個任務的關鍵步驟的檢驗點，制定合格標準以及不同級別的抽檢率標準，具體質檢流程如下。

一級質檢：由項目承包商自行進行自檢，確保自檢率達到100%。

二級質檢：由項目監督方進行抽檢，抽檢率不低于工序中定義的抽檢率要求。

三級質檢：由專業化小組進行抽檢，抽檢率不低于工序中定義的抽檢率要求。

同時，對每個質控點賦予不同的權重，以便根據各個質控點的考核情況進行綜合量化評價。按照從上到下逐級抽檢的方式，最終的合格率將根據三級質檢的合格率相乘得出。

2? 智能質控平臺建設

基于儲層預測數據分布式處理的組織模式，在降低勘探工作難度的同時，縮短了整體工作周期。然而，在質控方面，傳統的質控工作由于沒有統一的處理軟件，數據需要在不同平臺軟件之間進行傳輸[11]，造成資源浪費的同時，也大大影響了工作人員的質控效率以及項目的進度。同時，現有的質檢方式大都采用線下的方式進行，這導致了質控流程冗長、數據遷移困難等問題。為了解決以上問題，本文基于儲層預測數據分布式處理的組織模式搭建一體化智能質控平臺，以實現儲層預測數據處理項目的在線遠程質控，保障整個質控流程的質量和效率。

2.1? 總體設計

一體化智能質控平臺的搭建從數據載入、功能構建、用戶定制以及應用效果四個方面進行考慮。在數據載入方面，對于GeoEast-iEco平臺所處理的數據進行在線載入，而其他處理軟件則需要離線載入；在功能構建方面，實現質檢進度管理、質控報告及質檢記錄等功能；在用戶定制方面，實現項目承包商、監督方以及監督用戶聯合保障質檢；在應用效果方面，實現在線遠程質控、質控結果展示和定量評價。

2.2? 技術框架

為了提高儲層預測數據質控的效率，本文基于GeoEast-iEco平臺搭建了一個并行計算結構，該結構包括存儲層、資源管理與作業調度層、并行框架層、質檢算法層以及交互層。

在存儲層方面，采用了多維度動態道頭索引機制、緩存機制以及分布式讀寫機制，以實現高速數據讀取的能力。資源管理與作業調度層利用集群資源管理技術，確保算法能夠快速執行。并行框架層負責批量計算各類質檢模塊。質檢算法層則負責進行質檢的定量計算。最后，交互層采用GeoToolkit組件[12]為用戶提供各類地震成像展示、質檢報告生成等交互功能。

通過這樣的并行計算結構，能夠提高儲層預測數據處理的效率，使得儲層預測數據的質檢工作更加高效準確。

為確保儲層預測數據的安全性和完整性，采取了一系列安全措施。首先，部署了一個專用的內部網絡，使甲方員工能夠安全地訪問乙方公司的內部質控平臺服務器和Geoeast服務器，同時滿足甲方質檢員異地訪問的需求。

在實現這一目標時，乙方公司在公網IP上部署一個VPN路由器[13]，以便快速、便捷地實現異地用戶對乙方公司內網的訪問。不論用戶是在手機終端還是其他區域局域網用戶，都可以通過PPTP/L2TP協議進行訪問，并且訪問數據會進行加密，直接進入公司內網的質控平臺服務器，從而實現協同工作。

通過這樣的安全措施，能夠確保儲層預測數據在項目雙方網絡中的暢通無阻，同時保證數據的安全性和完整性。用戶可以安心地進行遠程訪問，并參與質控工作。

2.3? 質控作業批處理

對于質控作業的批處理，基于MapReduce框架[14]Map階段負責對數據進行分塊處理，而Reduce階段負責數據的歸并處理。通過這種方式，可以有效地完成質控作業的批處理。

用戶可以通過前端界面監管作業參數和狀態，查看儲層預測數據和質控項目的展示等功能。通過這個前端網頁，用戶可以方便地管理和監控質控作業的進度，并且查看相關數據和項目的展示。

3? 實現效果

3.1? 全量質控

根據質控指標以及定量檢測質控要求，從點、線、面及切片4個維度對儲層預測數據進行效果的對比分析。圖1的左側展示了執行波場分離后的Z分量在去噪前后時的對比，圖的右側展示了Z分量[15]在去噪前后的單炮信噪比，從圖中可以看出，Z分量的噪聲在去噪后從53.88%降低為44.07%，而信號占比從45.61%提高到55.32%?；谂幚硭惴K和內置信噪比計算模塊，實現儲層預測數據的快速信噪比分析計算；同時在Web前端頁面，實現分布式遠程信噪比分析計算功能，滿足了儲層預測數據處理解釋過程質量控制對信噪比分析計算的需求。

在測井時獲得的曲線，可反映出不同巖性、層位特征，相同區域測井曲線反映了本區域的地質特征，具有一定的規律性，通過定性展示特定區域的聯井曲線可以對測井曲線質量進行定性質控。圖2展示了巖石物理質控中的測井曲線[16]圖，其中，數據源為縱波層速度、橫波層速度、密度曲線等，可以定性分析測井曲線特征與巖性的吻合程度，為后續處理解釋工作提供了質量參考。

3.2? 三級質檢在線管理

經由本平臺創建的質控項目支持三級質檢的線上管理，質控項目信息包括油田質檢人員、項目承包人員以及專業監督人員，由甲方提供質檢需求，乙方進行質控意見的在線反饋，數據經由內部專用網絡進行存儲和轉發，并通過質控平臺查看相關質控數據報告以進行在線審核。

3.3? 質控報告在線生成

傳統的質控記錄工作通常是線下進行的，工作人員需要依賴專業軟件來記錄質檢數據，例如質檢數量、合格率等，并且需要進行線下的人工簽字。為了解決這個問題，智能質控平臺構建了一個網頁端的系統，可以在線生成質檢記錄和質控報告。

針對質檢過程的在線記錄，系統能夠自動獲取質檢用戶的信息以及所有的操作，并生成質檢記錄表。在這個過程中，系統會完成定量質控，而質檢人員則負責定性判斷。質檢表中的關鍵字段由平臺根據相應的數據自動生成，這不僅提高了質控處理的效率，也避免了人為主觀因素的影響。

另外，針對質控報告的在線生成，平臺會將質控點的處理數據進行存儲，并按照指定的模板生成相應的質控報告文檔。報告中會說明檢驗標準以及質控結果是否合格，從而簡化了工作人員的報告流程。

4? 結束語

通過對儲層預測數據分布式處理組織模式的探索，成功地制定了質控處理技術體系，并在此基礎上搭建了一體化智能質控平臺。平臺實現了在線質控、遠程質控、三級質檢在線管理、質控報告和質檢記錄的在線生成等功能，大大提高了質量和效率。研究結果表明，智能質控平臺對于改善質控流程、提升效率和質量具有重大價值。后續將進一步探索這個領域，包括利用深度學習技術如ResNet和GAN等深度神經網絡，來提高質控處理結果的精度。

參考文獻：

[1] 滕吉文，司薌，王玉辰.我國化石能源勘探，開發潛能與未來[J].石油物探，2021，60（1）：1-12.

[2] 李虹，蔡希玲，王學軍，等.海量地震數據處理方案與技術發展趨勢[J].中國石油勘探，2014，19（4）：48-55.

[3] 李鐵柱，韓文娜，王鐵成.VSP數據管理質量控制方法探討[J].中國信息界，2012（10）：41-43.

[4] HORNBY B E， YU J， SHARP J A， et al. VSP： Beyond time-to-depth[J]. The Leading Edge， 2006，25（4）：446-452.

[5] 王子蘭，王仕儉，李素閃，等.GeoEast處理解釋一體化應用[J].天然氣工業，2007（S1）：222-224.

[6] WANG X-W， QIN G-S， ZHAO W-F， et al. The application of forward modeling technique in seismic acquisition de-sign[J]. Progress in Geophysics， 2012，27（2）：642-650.

[7] WANG H， LI M， SHANG X. Current developments on micro-seismic data processing[J]. Journal of Natural Gas Science and Engineering， 2016（32）：521-537.

[8] 王喜雙，趙邦六，董世泰，等.油氣工業地震勘探大數據面臨的挑戰及對策[J].中國石油勘探，2014，19（4）：43.

[9] LONGDE S， CHAOLIANG F， LIMING S， et al. Innovation and prospect of geophysical technology in the exploration of deep oil and gas[J]. Petroleum Exploration and Development， 2015，42（4）：454-465.

[10] 郭樹祥，王立歆，韓文功.疊前地震數據優化處理技術分析[J].石油物探，2006，45（5）：497-502.

[11] 冷廣升.地震數據采集質量控制方法研究與應用[J].中國煤炭地質，2010，22（S1）：67-72，76.

[12] BALOVNEV O， BODE T， BREUNIG M， et al. The story of the GeoToolKit-an object-oriented geodatabase kernel system[J]. GeoInformatica， 2004，8（1）：5-47.

[13] SINGH K K V， GUPTA H. A New Approach for the Se-curity of VPN[C]//Proceedings of the Second International conference on Information and Communication Technology for Competitive Strategies， 2016：1-5.

[14] DEAN J， GHEMAWAT S. MapReduce： simplified data processing on large clusters[J]. Communications of the ACM， 2008，51（1）：107-113.

[15] LU J， WANG Y， CHEN J， et al. P-and S-mode separation of three-componentdata[J]. Exploration Geophysics， 2019，50（4）：430-448.

[16] MATEEVA A， ZWARTJES P. Depth calibration of DAS channels： A new data-driven method[C]//79th EAGE Conference and Exhibition 2017，2017：1-5.