摘要：巖性識別是復(fù)雜巖性油氣藏儲層評價的一個重要環(huán)節(jié)，針對常規(guī)測井交會圖法識別巖性時常存在多解性和不確定性，巖性識別效果不理想等問題。本文系統(tǒng)分析和總結(jié)了近年來快速發(fā)展的人工神經(jīng)網(wǎng)絡(luò)技術(shù)在測井巖性識別中的應(yīng)用，以期為巖性識別的準(zhǔn)確預(yù)測提供一定的參考。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);深度信念網(wǎng)絡(luò);隨機森林法、支持向量機;巖性識別

測井巖性識別是復(fù)雜巖性油氣藏儲層評價和預(yù)測的重要工作之一。傳統(tǒng)的巖性識別方法有巖屑錄井法、鉆井取心法、常規(guī)交會圖法等。直接對巖心進行實驗測量是最準(zhǔn)確的巖性識別方法，但需要耗費巨大的時間和金錢成本，且鉆井取心難以做到對油田中測井剖面地層的完整描述，在實際生產(chǎn)應(yīng)用中往往受到一定限制。測井曲線是地層沉積特征的反應(yīng)，包含著豐富的地質(zhì)儲層信息，如何快速、高校的利用測井資料進行地層巖性信息的獲取越來越受到研究人員的關(guān)注。

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似，是由大量神經(jīng)元通過相互連接而構(gòu)成的自適應(yīng)非線性動態(tài)網(wǎng)絡(luò)系統(tǒng)。作為一個十余年來快速發(fā)展的領(lǐng)域，受到了越來越多研究者的重視，它在特征提取和建模上都有著較傳統(tǒng)方法明顯的優(yōu)勢。利用大量的數(shù)據(jù)訓(xùn)練模型，以學(xué)習(xí)復(fù)雜而有效的信息。不僅可以學(xué)習(xí)特征之間的關(guān)聯(lián)，還能自動地從簡單特征中提取更加復(fù)雜的特征，從而解決復(fù)雜的非線性問題。它有效解決了以前人工智能中難以解決的一些關(guān)鍵問題，且在目標(biāo)檢測、自動駕駛、自然語言處理、語音識別等領(lǐng)域成功應(yīng)用，并且也成為地球科學(xué)特別是油氣地球物理勘探領(lǐng)域的一個非常吸引人的新技術(shù)。近年來，無論國內(nèi)還是國外，隨著深度學(xué)習(xí)逐漸崛起，圍繞深度神經(jīng)網(wǎng)絡(luò)的研究越來越多。很多學(xué)者進行了深入研究，提出了一些人工神經(jīng)網(wǎng)絡(luò)方法進行測井巖性識別。

2 人工神經(jīng)網(wǎng)絡(luò)與巖性識別

2.1 隨機森林

隨機森林法（Random Forests，RBF）于2001年由Breiman提出，并隨之成為數(shù)據(jù)挖掘領(lǐng)域中的重要一員，可用于分類和回歸分析。RF由多個決策樹組合而成，相當(dāng)于組合很多的非線性關(guān)系形成更加復(fù)雜的非線性關(guān)系，有效地克服了單一決策樹容易出現(xiàn)過擬合的問題。決策樹本質(zhì)上是一種非參數(shù)非線性的智能算法，采用遞歸分割的方法將樣本數(shù)據(jù)分割為不同的子樣本集，形成一個類似于樹狀的模型。RBF具有很高的預(yù)測準(zhǔn)確率，對異常值和噪聲數(shù)據(jù)具有較高的容忍度，不容易出現(xiàn)過擬合，克服了傳統(tǒng)預(yù)測方法信息和知識的獲取方式間接、費時且效率低下的缺點，已在儲層巖性識別中得到較廣泛的應(yīng)用[1]。

2.2 支持向量機

支持向量機（Support vector machine，SVM）是Vapnik 等人于20世紀(jì)90年代中期提出的一種基于統(tǒng)計學(xué)習(xí)理論的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，是基于結(jié)構(gòu)風(fēng)險最小化原理的分類器。支持向量機在解決具有小樣本、非線性一級高維非線性模式識別中具有許多較傳統(tǒng)方法獨特的優(yōu)勢，其綜合考慮分類器的經(jīng)驗風(fēng)險和置信風(fēng)險，利用核函數(shù)解決非線性分類問題，能夠保證模型獲得全局最優(yōu)解，從理論上有效克服了無法避免的局部極值問題，在一定意義下具有最好的泛化能力。利用支持向量機（SVM）結(jié)構(gòu)簡單、泛化性能高等優(yōu)點，綜合考慮測井資料與儲層儲層巖性之間的非線性映射關(guān)系，已有研究者將其應(yīng)用于測井巖性識別，以挖掘地震數(shù)據(jù)中事先未知的、潛在的信息以預(yù)測油氣藏的分布規(guī)律[2]。

2.3 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)（Deep Belief Nets，DBN）是由Hinton 等人在2006 年提出，是人工神經(jīng)網(wǎng)絡(luò)的一種。DBN作為一種特殊的人工神經(jīng)網(wǎng)絡(luò)，神經(jīng)元是其必不可少的組成部分，其由若干層神經(jīng)元構(gòu)成，組成元件是受限玻爾茲曼機（RBM）。受限玻爾茲曼機（RBM）是一種神經(jīng)感知器，由一個顯層和一個隱層構(gòu)成，顯層與隱層的神經(jīng)元之間為全連接。深度神經(jīng)網(wǎng)絡(luò)神經(jīng)元間的連接模式受啟發(fā)于動物視覺皮層組織，而深度信念網(wǎng)絡(luò)則是其中一種廣泛應(yīng)用的結(jié)構(gòu)，具有較強的魯棒性以及容錯能力，且也易于訓(xùn)練和優(yōu)化。既可以用于非監(jiān)督學(xué)習(xí)，類似于一個自編碼機;也可以用于監(jiān)督學(xué)習(xí)，作為分類器來使用。從非監(jiān)督學(xué)習(xí)來講，其目的是盡可能地保留原始特征的特點，同時降低特征的維度。從監(jiān)督學(xué)習(xí)來講，其目的在于使得分類錯誤率盡可能地小。而不論是監(jiān)督學(xué)習(xí)還是非監(jiān)督學(xué)習(xí)，DBN的本質(zhì)都是Feature Learning的過程，即如何得到更好的特征表達(dá)。基于這些優(yōu)越的特性，DBN在各種信號和信息處理任務(wù)中的性能優(yōu)于簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，已有研究者成功將其應(yīng)用于測井巖性識別，并取得了較傳統(tǒng)方法更高的準(zhǔn)確度[3]。

3 結(jié)論與展望

本文主要介紹了隨機森林法（RBF）、支持向量機（SVM）、深度信念網(wǎng)絡(luò)（DBN）及其在測井巖性識別中的應(yīng)用，各種方法均較傳統(tǒng)方法獲得了更高的識別準(zhǔn)確率，但也存在一定的適用范圍。近年來許多學(xué)者嘗試將各種人工神經(jīng)網(wǎng)絡(luò)模型進行結(jié)合以期取得更好的識別效果。目前RBM和SVM的結(jié)合模型已在巖性識別中得到很好的應(yīng)用[4]，CNN和LSTM的結(jié)合體（C-LSTM）在自然語言處理、計算機視覺等領(lǐng)域成功應(yīng)用，但還未在巖性識別中得到應(yīng)用，這將是下一步的研究方向。

參考文獻

[1]王志宏，韓璐，戚磊.隨機森林分類方法在儲層巖性識別中的應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版），2015，34（09）：1083-1088.

[2]牟丹，王祝文，黃玉龍，等.基于SVM測井?dāng)?shù)據(jù)的火山巖巖性識別——以遼河盆地東部坳陷為例[J].地球物理學(xué)報，2015，58（05）：1785-1793.

[3]李國和，鄭陽，李瑩，等.基于深度信念網(wǎng)絡(luò)的多采樣點巖性識別[J].地球物理學(xué)展，2018，33（04）：1660-1665.

[4]吳施楷，曹俊興.基于連續(xù)限制玻爾茲曼機的支持向量機巖性識別方法[J].地球物理學(xué)進展，2016，31（02）：821-828.

作者簡介：王?。?992.02-），男，貴州遵義人，碩士研究生，研究方向為：機器學(xué)習(xí)，地震數(shù)據(jù)深度學(xué)習(xí)。