基于多ａｇｅｎｔ的分布式儲層地質統計分析系統的研究
2007-12-31 00:00:00王湘波王家華
計算機應用研究 2007年8期
摘要：對儲層建模方法進行了研究，針對儲層建模相關軟件的復雜度大、主觀性強、處理速度慢等普遍問題，提出了基于多agent的分布式儲層地質統計分析系統。對系統進行了多agent規劃，設計了分層的系統模型，并闡述了各個agent的功能，最后對該模型進行了面向agent的設計。
關鍵詞：代理;多代理;儲層地質統計分析系統;儲層建模
中圖分類號：TP311．5； TP18文獻標志碼：A
文章編號：1001－3695(2007)08－0258－04
0引言
儲層建模是一個復雜而專業的領域。正因為問題本身的復雜性和專業性，使得目前的儲層建模軟件(如RMS、GSLib、SGeMS等)大多步驟繁多、操作困難且速度較慢。軟件的操作群體一般局限于對這一領域非常了解的專家，并且在使用軟件前須經過長時間的培訓。在操作過程中，操作者憑自身經驗對各個環節加以干預，以便獲得理想的結果。然而即使操作者是這一領域的專家，對某一問題的看法也很難確保不會有失全面性。而操作者的任何失誤都將直接影響最終結果的準確性。這些阻礙了儲層建模軟件的應用和推廣，成為儲層建模軟件的瓶頸問題。
Agent 技術始于人工智能。人工智能的研究有四十來年的歷史。20世紀70年代，在分布式并行處理技術、面向對象技術、計算機網絡技術等領域飛速發展的影響下，人工智能領域提出了agent 技術[1]。Agent用于模擬人類個體的行為。通過一定的體系結構把agent組織起來形成多agent的系統（multiagent system），可以模擬群體而不僅僅是個體的行為。研究多agent系統的目的在于增強軟件的智能性，提高軟件的并行度從而最大限度地提高工作效率，減少軟件執行中的人為干預和主觀判斷，降低復雜軟件的操作難度，增強軟件對用戶的親切感。而這些正是傳統方法難以解決的瓶頸問題。多agent系統在遠程教學、電子商務、智能網絡游戲、地理信息服務、信息處理、移動計算等領域開始逐步應用開來。
多agent系統為解決儲層建模軟件的上述問題提供了比較完美的途徑。據此，本文提出了基于多agent的分布式儲層地質統計分析系統。
1基于多agent分布式儲層地質統計分析系統模型
大量科學家在面向agent的分析和設計方法上進行著探索。David Kinny等人提出了一種適應和擴展面向對象技術的agent和多agent建模技術，同時提出了清晰概念框架方法學以引導系統設計，并在此基礎上給出了一個實例，即ATM agent類和實例圖[2]。Wooldridge等人提出了一個面向agent的分析和設計方法學，并以具體案例(agentbased business process management system)闡述了其方法學[3]。Paolo Giorgini等人提出了以組織理論和企業組織結構為根據的適應于多Agent系統的一組架構[4]。Khanh Hoa Dam等人研究了大量的開發基于agent的系統方法學，并對三種突出的面向agent的方法學，即MaSE、Prometheus和Tropos進行了比較[5]。與此同時，多agent系統在行業內部已經應用開來。一般而言，從總體架構和功能上描述一個系統，然后逐層細化，比較符合人們的思維習慣。基于多agent的分布式儲層地質分析系統模型。
智能人機交互agent層：響應用戶的操作請求，顯示處理結果。
智能數據處理agent層：分析和解釋業務邏輯，對數據進行智能處理。
數據接口agent層：解釋外部數據與內部數據的格式，完成格式轉換工作。
系統采用目的驅動的方式運行，用戶從界面發出操作請求，告知要達到的最終目的，該請求被發送到合理的agent完成智能數據處理，并將處理后的結果交給智能人機交互agent層進行顯示。這樣，用戶可以不用了解具體的數據處理邏輯，就可獲得非常專業的數據、結果或圖形。除非專業用戶想了解具體的處理過程并希望加以人工干預時，才發出交互式計算可視化請求，達到控制數據處理過程的作用。
2模型的功能闡述
本系統主要建立在變異函數的基礎上，采用克里金估值技術和隨機模擬技術完成網格數據處理。下面對各agent的功能進行闡述。
2．1數據讀寫agent
測井文件沒有統一的格式，不同采油廠定義的測井文件格式一般不一樣。為適配這些異構數據，數據讀寫agent定義一個統一的XML模式(schema)，以便面對異構數據時不需修改程序，就能通過XML理解這些異構數據，從而將這些數據轉換成符合內部數據格式要求的數據。數據讀寫agent能從多種數據源(文件、數據庫)讀取數據，并進行智能容錯處理。
2．2數據統計agent
數據統計agent的功能是沉積相空間分布和物性參數空間分布（如孔隙度、滲透率和飽和度）進行直方圖等的分析，以顯示其統計性質。井距分析即分析井距的最大值、最小值、平均值；井距分析結果可用于確定網格步長。直方圖分析即分析某物性值(或值范圍)的出現次數占該物性值總出現次數的出現百分比。散點圖分析即分析兩個參數的二維空間分布圖，如井位x坐標與y坐標構成井位分布圖。物性與沉積相關系圖分析即分析沉積相及與該沉積相對應的某一物性參數的平均值統計。如要顯示統計結果，須將結果交給智能人機交互層進行二維顯示。結果顯示時分析結果數據的性質并根據顯示區域的大小智能確定坐標軸的刻度。
2．3數據變換agent
數據變換agent的功能包括正態變換、主成分分析、相組提取三大功能。
由于隨機建模要求所分析的數據服從正態分布或近似正態分布[6]，要對油田的主要物性參數進行相應的正態變換。這些參數包括滲透率、孔隙度、飽和度、泥質含量、頂面、底面、斷面等。二維變異函數需要頂面、底面的正態分析結果，而三維變異函數則需要孔隙度、滲透率、含油飽和度、泥質含量的正態變換結果。最后進行的反正態變換是在生成網格化數據后由系統自動完成。
主成分分析主要完成對沉積相的分析，就是對沉積相的相關變量進行分析，提取與統計無關的成分，然后對主成分進行分析。
為了便于數據處理，可對地質特征中若干相近的微相或亞相進行合并，形成相組，然后以相組為單位進行物性分析。相組提取提供對相進行智能組合的方法。智能組合需對沉積相對應的物性參數(如滲透率、孔隙度、飽和度、泥質含量)進行分析，然后以物性相近的原則進行模糊分類(分組)。
2．4二維變異擬合agent
本模塊完成二維實驗變異函數的計算和二維理論變異函數的智能擬合。變異函數可用來分析數據的空間相關性[7]。
目前常用的理論變異函數的擬合方法有帶加權系數的最小二乘法擬合、約束極大似然法擬合、模擬退火方法擬合等。
二維變異處理的參數有頂面、底面、斷面、地層厚度、有效頂面、有效底面、有效厚度、孔隙度、滲透率、飽和度、泥質含量。
2．5三維變異擬合agent
完成三維實驗變異函數的計算和三維理論變異函數的智能擬合。其方法和原理與二維變異擬合類似，只是搜索空間定義在三維空間中。
三維變異處理的參數有孔隙度、滲透率、飽和度、泥質含量、沉積相。
2．6構造分析agent
這是一個網格化的過程：根據擬合好的變異函數，求得各網格節點數據。它以變異函數確定的變程為基礎，確定搜索半徑。然后將搜索半徑內的已知數據代入變異函數，從而求得(估計出)網格未知點處的數據。
構造分析agent和隨機模擬agent是生成網格化數據的兩個agent。前者是針對二維物性空間，后者是針對三維物性空間。構造分析agent主要運用克里金方法生成二維矩形網格數據。
2．7二維顯示agent
二維網格化數據的顯示主要有各類等值線的繪制。例如等高線、孔隙度等值線、滲透率等值線、含油飽和度等值線以及泥質含量等值線，如圖2所示。
2．8隨機模擬agent
隨機模擬是一個建立精確的、等概率的、可供選擇的各種地質參數(包括孔隙度、滲透率、飽和度、沉積相等)的空間分布過程。它能得出一系列的模擬結果，每一種模擬結果被稱為一個實現。與克里金算法不同的是，隨機模擬優先考慮的是變量的整體特征及其統計特性（包括柱狀圖、協方差等）[6]，然后才是網格節點上的值。隨機模擬主要有以下方法：
a）指示主成分。適用于離散變量，用于沉積相分析。以三維理論變異函數為基礎，根據搜索半徑內的已知點估計未知網格點數據。
b）截斷高斯。適用于離散變量，用于沉積相分析。截斷高斯模型通過建立高斯隨機函數模型，對連續變化的高斯隨機函數模型進行截斷處理而獲得離散的隨機變量（如沉積相帶）的模擬結果。
c)隨機游走。適用于離散變量，用于沉積相分析。由于通常使用的網格化方法得到的數據結果往往呈團狀、塊狀或散亂狀，不適合條帶狀形體(如河道)的模擬。如何利用離散的沉積相信息構造出辮狀的連續河道，是一個值得探索的創新課題。隨機游走模塊正是用于完成對辮狀河道的模擬。它以非倒退隨機游走（nonreversing walk）、自回避隨機游走 (selfavoiding walk)，及在特定拓撲下的隨機游走（radom walk on graphics）等為理論基礎，根據空間距離信息、沉積相信息、儲層層厚信息、儲層滲透率信息等建立轉移概率模型，從而得出鄰近的各離散變量在某一局部方向上的相關性，模擬出辮狀河道。
d)物性空間分析。在進行物性空間分析之前，必須完成數據變換、數據的二維變異、三維變異以及頂面和底面的構造分析。若考慮沉積相對物性空間的影響，還需進行沉積相分析。
如果物性參數受沉積相影響較大，則必須在處理時考慮沉積相的影響。在作有沉積相物性模擬之前，必須先作沉積相分析，在此基礎上，再進行物性模擬。
據此，物性空間分析可分為無沉積相控制和有沉積相控制兩部分。處理完畢后，各自生成相應的三維網格化數據體，以備模型驗證模塊、圖形顯示模塊、儲量分析模塊的調用。
2．9模型驗證agent
模型驗證agent主要用于分析模型的精確性，從而評價系統預測參數的科學性。該模塊主要由兩個子模塊組成，即真偽井相關驗證和井網抽稀驗證。
真偽井相關驗證主要實現真偽井的物性參數對照圖。井網抽稀驗證就是任意在井位分布圖中去掉一口或數口井，得出新的測井數據文件和井位數據文件；然后對這些數據進行隨機模擬。模擬方法可采用有沉積相控制和無沉積相控制的模擬。隨機模擬完成之后得到新的網格數據文件。最后以直方圖來顯示抽稀前后的數據分布變化。
2．10網格粗化agent
通過模擬后得到各種物性參數的三維網格化數據。這些三維數據可以作為油藏三維可視化的輸入數據。但精細油藏模擬獲得的三維網格化數據的數據量往往十分龐大，通常達到數百萬個到千萬個。由于計算機能力的限制，普通個人電腦一般只能處理一百萬以內的網格化數據，必須智能分析并模糊判斷終端的處理能力，以便確定在何種程度上對網格化數據體進行粗化，減少其數據量，同時盡量保持油藏的非均質性。
網格粗化方法有代數平均、幾何平均、調和平均、基于地質統計學的加權平均、普通重整化、簡化重整化。
2．11控制agent
控制agent控制各agent的注冊、發布、調度。控制agent還接收界面層agent發來的目的驅動信息，分析和解釋其所需的業務邏輯；然后選擇適當的agent，并告知界面層agent直接與該選中的agent交流參數，直至獲得所需的結果。
2．12三維顯示agent
顯示隨機模擬(指示主成分、截斷高斯、有沉積相控制、無沉積相控制)后的三維結果；實現三維圖像的旋轉、平移、剖切、撥層顯示等操作，如圖3所示。
2．13儲量分析agent
獲得了層厚、孔隙度、滲透率、含油飽和度等參數的空間分布后，就可以計算天然氣儲量或原油儲量。計算儲量有時需要以滲透率作為判斷有效層的依據，所以儲量也與滲透率的空間分布有關。儲量計算可在指定的邊界范圍內進行。
3面向agent設計
Agent所具備的一些特性[1]，使得相對于軟件對象而言，軟件agent有很多優勢。Agent具有更多的智能，通常擁有自己的知識庫和推理機；對象則不要求具備智能性。Agent的行為具有主動性，能自主地決定是否響應消息，具有獨立性和自治能力；對象一般不能自主地響應消息，其行為取決于外部的方法調用，具有機械性。但agent技術并沒有排斥對象技術。Yoav Shoham將面向agent程序設計方法(AOP)看做是面向對象程序設計方法(OOP)的特殊化[8]。A. Zeid提出擴展UML以適應面向agent的分析和設計的方法[9]。Agent可以看做是一類特殊的對象，即具有自主性的智能對象。本系統在整體上進行多agent規劃，力求做到系統具備智能性、并行性和主動性等性能；而系統中的agent本身則通過對象技術構建，這也是目前構建agent的常用方法。面向agent的結構如圖4所示。
其中:原子agent為所有agent的基類(類為面向對象中的概念。為了與類有所區別，有人提出在面向agent的設計中用caste代替類)。其設計如圖5所示。
原子agent是一個抽象agent，它不能實例化。它里面定義了一些公用方法和大量的接口。這些接口需在實現它的agent中來實現。感知器用于感知環境的變化。本系統的agent主要為數據處理，故環境變化因素主要為數據的改變。反應器則反作用于環境，用于修改環境因素。本系統中主要是將數據處理結果或狀態寫入環境中。執行器則在感知器、通信器、推理機的協助下完成業務處理和數據計算，結果將傳給反應器或通信器，同時執行器還能不斷地更新知識庫，以累積經驗。原子agent的執行器在其實現agent中具體化為對具體業務的處理，如在隨機模擬agent中，執行器執行的是對數據的隨機模擬。
4結束語
通過分而治之的策略，多agent技術能簡化系統設計人員設計儲層地質統計分析系統的復雜度。由于agent具有一定的智能，能模擬人的思維，從而代替人完成一部分工作，多agent系統能簡化用戶操作儲層地質統計分析系統的復雜度，增強人機交互的友好感，減少操作個體的主觀隨意性，增強預測的準確度和可靠性。并行處理技術更使得多agent系統具有高效并行性，能提高儲層地質統計分析系統的數據處理速度。 多agent系統的引入將使儲層地質統計分析系統進一步完善，使之在同類軟件中脫穎而出，為石油產業作出更大的貢獻。
參考文獻：
［1］WOOLDRIDGE M，JENNINGS N R.Intelligent agents:theory and practice[J].Knowledge Engineering Review，1995，10(2):115152.
［2］KINNY D，GEORGEFF M.Modeling and design of multiagent systems[EB/OL].(2006－05).http://www.upv.es/sma/teoria/metodologias/articulos/technote59.pdf.
［3］WOOLDRIDGE M，JENNINGS N R，KINNY D.A methodology for agentoriented analysis and design[EB/OL].(1998－05).http://www.csc.liv.ac.uk/~mjw/pubs/agents99.pdf.
［4］GIORGINI P，KOLP M，MYLOPOULOS J.Multiagent and software architectures:a comparative case study[EB/OL].(2006－01).http://www.jamesodell.com/AOSE02papers/aose02－37.pdf.
［5］DAM K H，WINIKOFF M.Comparing agentoriented methodologies[EB/OL].(2006－05).http://www.cs.rmit.edu.au/agents/Papers/aois2003.pdf.
［6］王家華，張團峰.油氣儲層隨機建模 [M].北京：石油工業出版社，2001:45－67.
［7］王家華，高海余，周葉.可里金地址繪圖技術——計算機的模型和算法[M] 北京：石油工業出版社，1999： 45112.
［8］SHOHAM Y.Agentoriented programming[J].Artificial Intelligence，1993，60(1):51－92.
［9］ZEID A.An UML extension for agentoriented analysis and design[EB/OL].[2006－05].http://www.old.netobjectdays.org/pdf/02/papers/wsages/1014.pdf.
注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”
