王勝超 文漢云

[摘要] 測井?dāng)?shù)據(jù)處理與解釋的重要內(nèi)容之一是巖性研究。與常規(guī)測井資料相比，結(jié)合各種巖性分析化驗(yàn)結(jié)果及分類統(tǒng)計，發(fā)現(xiàn)線性回歸分析是其主要的研究手段。本文先介紹了人工神經(jīng)網(wǎng)絡(luò)。然后著重講述了BP神經(jīng)網(wǎng)絡(luò)的原理，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的方法，以及在巖性識別上的應(yīng)用研究。

[關(guān)鍵詞] BP神經(jīng)網(wǎng)絡(luò)；巖性識別；改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

[DOI] 10.13939/j.cnki.zgsc.2015.24.063

1 主要研究內(nèi)容

根據(jù)國內(nèi)外研究現(xiàn)狀，利用目前研究最透徹的人工神經(jīng)網(wǎng)絡(luò)技術(shù)-BP（ Back Propagation）人工神經(jīng)網(wǎng)絡(luò)，以C#.NET為軟件工具，通過合理地編寫程序，針對低阻、高放射等非常規(guī)儲層進(jìn)行識別與判別。主要利用常規(guī)測井資料，以實(shí)際的巖心、巖屑觀察、物性等分析測試資料、試油試產(chǎn)資料為測井參數(shù)約束的標(biāo)準(zhǔn)，針對儲層的巖性進(jìn)行預(yù)測、判斷。從而得出BP人工神經(jīng)網(wǎng)絡(luò)方法在測井?dāng)?shù)據(jù)處理與解釋中的優(yōu)勢所在，并指出其缺陷與不足之處。

2 BP神經(jīng)網(wǎng)絡(luò)

2.1 基本BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

基本BP算法包括兩個方面：信號的前向傳播和誤差的反向傳播。即計算實(shí)際輸出時按從輸入到輸出的方向進(jìn)行，而權(quán)值和閾值的修正從輸出到輸入的方向進(jìn)行。

2.2 BP神經(jīng)網(wǎng)絡(luò)算法步驟

（1） 初始化網(wǎng)絡(luò)權(quán)值，閾值，及有關(guān)參數(shù)（如學(xué)習(xí)因子）。

3 BP神經(jīng)網(wǎng)絡(luò)在巖性識別上的應(yīng)用

3.1 地層特征

在儲層測井響應(yīng)特征方面，本文研究油區(qū)的泥巖與砂質(zhì)泥巖均以高自然伽馬、正自然電位幅度、微電極無差異或差異幅度小為特征、并且有電阻率相對偏低和高聲波時差值的特征，較純的泥巖層往往還出現(xiàn)井徑擴(kuò)大現(xiàn)象。粉砂巖、泥質(zhì)砂巖以中.高自然伽馬和中一低負(fù)異常幅度自然電位及微電極差異幅度小或無差異為特征。視電阻率變化較大。細(xì)砂巖為主要儲集層，以自然電位高負(fù)異常幅度低自然伽馬值及微電極差異幅度大為特征。部分儲油砂層的自然伽馬值偏高。細(xì)砂巖含油后一般電阻率較高。

3.2 基本BP網(wǎng)絡(luò)的構(gòu)建與實(shí)現(xiàn)

3.2.1 測井?dāng)?shù)據(jù)的處理

由于各種測井?dāng)?shù)據(jù)量綱不一致，進(jìn)入網(wǎng)絡(luò)之前，無論是學(xué)習(xí)樣本或預(yù)測數(shù)據(jù)，都需先進(jìn)行歸一化處理，將它們置于統(tǒng)一的數(shù)值量綱范圍內(nèi)，如在[0，1]之間。對于具有近似線性特征的信息，可以采用線性歸一化公式：處理。

3.2.2 巖性參數(shù)的設(shè)置

由于在做巖性識別時，我們設(shè)置了相應(yīng)的參數(shù)。其中有聚類參數(shù)、自然加碼、井的深度等。其中聚類設(shè)置表示，自然加碼的設(shè)置是判斷輸入數(shù)據(jù)的合法性，井的深度和間隔有利于模仿底層結(jié)構(gòu)。

3.3 改進(jìn)的BP網(wǎng)絡(luò)（動量-自適應(yīng)）的實(shí)現(xiàn)

3.3.1 增加動量項(xiàng)

附加動量法使網(wǎng)絡(luò)在修正其權(quán)值時，不僅考慮誤差在梯度上的作用，且考慮在誤差曲面上變化趨勢的影響。在沒有附加動量的作用下，網(wǎng)絡(luò)可能陷入淺的局部極小值，利用附加動量的作用有可能滑過這些極小值。

帶有附加動量因子的權(quán)值和閾值調(diào)節(jié)公式為：

根據(jù)附加動量法的設(shè)計原則，當(dāng)修正的權(quán)值在誤差中導(dǎo)致太大的增長結(jié)果時，新的權(quán)值應(yīng)被取消而不被采用，并使動量作用停止下來，以使網(wǎng)絡(luò)不進(jìn)入較大誤差曲面；當(dāng)新的誤差變化率超過一個事先設(shè)定的最大誤差變化率時，也得取消所計算的權(quán)值變化。其最大誤差變化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在進(jìn)行附加動量法的訓(xùn)練程序設(shè)計時，必須加進(jìn)條件判斷以正確使用其權(quán)值修正公式。

訓(xùn)練程序設(shè)計中采用動量法的判斷條件為：

3.3.2 自適應(yīng)調(diào)節(jié)學(xué)習(xí)率

對于一個特定的問題，要選擇適當(dāng)?shù)膶W(xué)習(xí)速率不是一件容易的事情。通常是憑經(jīng)驗(yàn)或?qū)嶒?yàn)獲取，但即使這樣，對訓(xùn)練開始初期功效較好的學(xué)習(xí)速率，不見得對后來的訓(xùn)練合適。為了解決這個問題，人們自然想到在訓(xùn)練過程中，自動調(diào)節(jié)學(xué)習(xí)速率。通常調(diào)節(jié)學(xué)習(xí)速率的準(zhǔn)則是：檢查權(quán)值是否真正降低了誤差函數(shù)，如果確實(shí)如此，則說明所選學(xué)習(xí)速率小了，可以適當(dāng)增加一個量；若不是這樣，那么就應(yīng)該減少學(xué)習(xí)速率的值。下式給出了一個白適應(yīng)學(xué)習(xí)速率的調(diào)整公式：

3.3.3 引入陡度因子

誤差曲面上存在平坦區(qū)域，權(quán)值調(diào)整進(jìn)入平坦區(qū)的原因是神經(jīng)元輸出進(jìn)入了變換函數(shù)的飽和區(qū)，如果調(diào)整進(jìn)入平坦區(qū)沒法壓縮神經(jīng)元的凈輸入，就使其輸出退出變換函數(shù)的飽和。

3.3.4 動量-自適應(yīng)學(xué)習(xí)速率調(diào)整算法

當(dāng)采用前述的動量法時，BP算法可以找到全局最優(yōu)解，而當(dāng)采用自適應(yīng)學(xué)習(xí)速率時，BP算法可以縮短訓(xùn)練時間，采用這兩種方法也可以用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，該方法稱為動量-自適應(yīng)學(xué)習(xí)速率調(diào)整算法。

4 結(jié)論

本文最終結(jié)果發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)在儲層巖性及含油性預(yù)測的應(yīng)用完全可與其他常規(guī)測井解釋方法媲美，符合率甚至超過常規(guī)方法。隨著人工神經(jīng)網(wǎng)絡(luò)理論的深入研究及計算機(jī)技術(shù)的發(fā)展，可能會出現(xiàn)基于神經(jīng)網(wǎng)絡(luò)原理和方法的計算機(jī)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的規(guī)模將會逐漸加大，訓(xùn)練方法將會得到革命性的改進(jìn)。人工神經(jīng)網(wǎng)絡(luò)對于復(fù)雜地層情況的模擬將會越來越精確，預(yù)測結(jié)果的準(zhǔn)確性也會不斷提高。也可能會成為測井資料處理與解釋中可選的一種主要方法。