基于神經網絡的兩種巖性識別方法的研究

趙 杰 李春華

摘 要:利用測井資料實現巖性識別對于儲層評價具有重要意義,采用概率神經網絡(PNN)和自組織特征映射神經網絡(SOM)的模式識別方法,分別建立測井巖性識別模型,并利用該模型對樣本進行預測。仿真結果表明,建立的模型用于巖性識別具有預測精度高、易收斂和自動聚類等特點,對于巖性類別的劃分是準確和可靠的,為相關領域的研究提供了新方法。

關鍵詞:自組織特征映射神經網絡;概率神經網絡;巖性識別;預測

中圖分類號:TP183

0 引 言

巖性識別是儲層評價的重要工作之一,是求解儲層參數的基礎。測井在勘探中的作用和地位正在日益提高,測井參數值是地下巖石的礦物成分、結構和孔隙度等的綜合反映,是巖性分析的基礎資料。對于一組特定的測井參數值,它就必然對應著地層中的某一種或某幾種巖性。在分析巖心和測井參數對應特征的基礎上,劃分巖心的巖石類型,并從各類巖石中讀取能夠代表巖樣的測井參數值,確定巖性與測井參數對應關系。

由于井下地質構造的復雜性和測井參數分布的模糊性,傳統的數理統計等方法難以準確地反映測井資料與地層巖性的非線性映射關系,識別精度有限,采用具有聚類功能的人工神經網絡——自組織特征映射網絡(SOM)和概率神經網絡(PNN)完成測井資料的巖性識別。采用神經網絡對測井數據進行巖性識別,具有較強的自組織和自適應性,有較高的容錯能力。

1 概率神經網絡(PNN)

概率神經網絡(Probabilistic Neural Network,PNN)是基于貝葉斯最小風險準則和Parzen窗的概率密度函數方法發展而來的一種并行算法,是徑向基函數模型的發展[3]。它直接考慮樣本空間的概率特性,以樣本空間的典型樣本作為隱含層的節點,其網絡權值是模式樣本的分布。

概率神經網絡由四個結構層組成:輸入層、樣本層、累加層和輸出層。輸入層的節點數是樣本向量的維數,將所有樣本不變地傳給樣本層后,樣本層將輸入向量的各個分向量進行加權求和,然后再用一個非線性算子進行運算,非線性算子取高斯函數:

式中:[WTHX]X為輸入向量;W[WTBX]為權值向量;1/R2為平滑因子。オ

然后將計算結果傳遞到累加層[5],累加層各個節點只與相應類別的樣本節點相連,計算同類樣本輸出值的和,權值都為1。網絡的輸出層,即競爭層采用勝者為王的學習規則,使具有最大概率的向量的輸出為1,其他類別的向量輸出為0。這樣網絡就按Bayes決策[6]將輸入的向量分配到具有最大后驗概率的類別中去。

2 自組織特征映射神經網絡(SOM)

自組織特征映射網絡(Self[CD*2]Organizing feature Map,SOM),接受外界輸入模式時,將會分為不同的對應區域,各區域對輸入模式具有不同的響應特征。自組織映射學習算法包含:競爭、合作和更新三個過程[7]。

(1) 在競爭過程中,確定輸出最大的神經元為獲勝神經元。由于神經元的激勵函數為線性函數,神經元的最大輸出取決于其輸入u琲=∑Nj=1w﹊j獂璲,即輸入向量[WTHX]X[WTBX]=猍x1,x2,…x璑]玊和權值向量[WTHX]W[WTBX]璱=[w﹊1,w﹊2,…w﹊N猐玊,i=1,2,…,M的內積。而該內積在輸入向量和權值向量均為歸一化向量時,等價于輸入向量和權值向量的歐氏距離最小。所謂歐氏距離就是n維歐氏空間中向量[WTHX]Y[WTBX]=[y1,y2,…,y璑]和向量[WTHX]Z[WTBX]=[z1,z2,…,z璑]的距離,其值為∑ni=1(y璱-z璱)2。所以當輸入向量為[WTHX]X[WTBX]且第c個神經元獲勝,滿足條件:‖[WTHX]X[WTBX]-[WTHX]W[WTBX]璫‖=┆玬in‖[WTHX]X[WTBX]-猍WTHX]W[WTBX]璱‖(i=1,2,…,M) 。И

(2) 在合作過程中,確定獲勝神經元的加強中心。拓撲鄰域的中心就是在競爭過程中得到的獲勝神經元,在鄰域范圍內的神經元為興奮神經元,即加強中心。

(3) 在更新過程中,采用Hebb學習規則[8]的改變形式,對網絡上獲勝神經元拓撲鄰域內的神經元進行權值向量的更新。

自組織特征映射神經網絡是一種競爭式學習網絡,共有兩層,輸入層各神經元通過權向量將外界信息匯集到輸出層的各神經元。采用Kohonen算法,獲勝神經元對其鄰近神經元的影響是由近及遠,由興奮逐漸轉變為抑制,其學習算法中不僅獲勝神經元本身要調整權向量,它周圍的神經元在其影響下也要程度不同地調整權向量,調整力度依鄰域內各神經元距獲勝神經元的遠近而逐漸衰減。最后使輸出層各神經元成為對特定模式類敏感的神經細胞,對應的內星權向量成為各輸入模式類的中心向量。并且當兩個模式類的特征接近時,代表這兩類的神經元在位置上也接近,從而在輸出層形成能夠反映樣本模式類分布情況的有序特征圖[9]。

3 基于神經網絡的巖性識別

通過對已知井段測井數據進行學習,來預測同一地區其他井段的巖性。

3.1 巖性樣本

為了探討神經網絡在巖性識別中的具體應用,選擇一批測井巖性數據用于巖性識別建模工作。選擇某地區的資料進行研究,該地區屬于碳酸鹽地層,選取的樣本巖性有3種,即泥巖、砂巖和石灰巖。影響巖性的重要因子有5個,補償中子空隙度CNL、補償密度曲線DEN、聲波時差DTC、自然伽瑪GR和微電阻率RT。通過對歷史資料的分析,獲得了6組樣本數據。

在各種測井工作中,由于不同的測井響應具有各自的測量量綱,數值大小不一,差異較大,無法直接進行定量比較,因而必須對測井數據進行處理,對其歸一化,將非地質因素校正到同一水平上。在歸一化處理后的測井響應值是沒有量綱的,而且其數值在[0,1]范圍內變化,消除了不同測井響應在量綱和數量級上的差異。原始數據歸一化后的結果數據列出如表1所示。

3.2 PNN網絡巖性識別仿真

建立PNN網絡,其輸入層有5個神經元,分別對應5個影響因子,選取的樣本有三種不同的巖性,利用二進制格式描述這三種巖性,作為目標向量。利用下面函數創建PNN網絡用于巖性識別。

net=newpnn([WTHX]P[WTBZ],[WTHX]T[WTBZ],SPREAD);其中:[WTHX]P[WTBZ]為輸入向量;[WTHX]T[WTBZ]為目標向量;SPREAD為分布密度。

運用建立的模型對學習樣本仿真,輸出結果如表1最后一列所示。

由表1的仿真結果可知,網絡成功地將巖性樣本分為三類,這與實際情況一致,并且可知第1類為泥巖,┑2類為砂巖,第3類為石灰巖。接下來用一組測試樣本,檢驗模型的未知巖性的識別能力。測試樣本數據如表2所示。

運用建立的模型對上表的巖性影響因子測試樣本進行仿真,輸出結果如表2最后一列所示。仿真結果顯示該組測試樣本屬于第3類,即為石灰巖,與期望輸出一致。可見,PNN網絡能夠正確識別未知巖性樣本。

3.3 SOM網絡巖性識別仿真

SOM神經元數的選取與樣本有多少模式有關。如果神經元數較少,對輸入樣本類別進行“粗分”,如果神經元數較多,可將輸入樣本類別“細化”。

選取競爭層神經元為2×3的組織結構,通過距離函數linkdist來計算距離,利用下面函數創建SOM網絡,用于巖性類別的“粗分”。

由于網絡的初始權值相同,權向量是重合的。利用表1的學習樣本對網絡訓練,訓練步數的大小影響網絡的聚類功能。不斷調整訓練步數,訓練100次后,神經元就可以自組織分布。網絡訓練結束后權值也就固定了,以后每輸入一組新的樣本,競爭層的神經元開始競爭,激活與之最為接近的神經元,從而實現巖性自動識別。運用建立的SOM網絡對學習樣本和測試樣本進行仿真,聚類結果如表3所示。樣本序號類別激發神經元索引

聚類結果表明學習樣本分為三類,序號為1,2的樣本為第1類,激活第5個神經元;序號為3,5的樣本為第2類,激活第4個神經元;序號為4,6的樣本為┑3類,激活第1個神經元。而測試樣本激活第1個神經元,屬于第3類,由學習樣本可知,為石灰巖。可見,SOM網絡能夠準確地劃分巖性類別。

將上述巖性樣本類別“細化”,或者增加更多不同類型的巖性樣本,那么應該增加競爭層神經元的數量。選取競爭層神經元為3×4的組織結構,創建SOM網絡,隨著神經元個數的增加,增加訓練次數,當訓練1 000次時,神經元就可以自組織分布。運用建立的SOM網絡對學習樣本和測試樣本進行仿真,聚類結果如表4所示。[JP]

參照樣本實際分布曲線,分析聚類結果,當競爭層的神經元數目較多時,幾乎每一個樣本都被劃分為┮煥唷＊從圖1可以看出,序號1和2樣本、序號3和5樣本分別在高維空間相近,而聚類后激活的相應神經元的位置也接近,序號4和6樣本相仿程度更高,聚類后激發了同一個神經元1,這和實際情況是吻合的。測試樣[LL]本與序號4和6樣本極為接近,聚類后激發了同一個神經元,即網絡的第1個神經元,所以樣本屬于第4類。增加競爭層神經元的數量,可以使巖性類別劃分更加詳細,巖性識別準確。

4 結 語

采用概率神經網絡和自組織特征映射神經網絡對巖性進行自動識別是準確的。PNN網絡不需要訓練,具有結構簡單、追加樣本容易的特點,是一種具有較強容錯能力和機構自適應調整的網絡,但需要預設目標向量。SOM網絡具有效率高,無需監督,能自動對輸入模式進行聚類的優勢,但輸出層的神經元數目多,網絡規模較大。仿真結果表明這兩種網絡用于巖性分類和識別是準確和可靠的,對用于油層、煤層及其勘探等領域,具有重要的參考價值。

參 考 文 獻

[1]于代國,孫建孟,王煥增,等.測井識別巖性新方法[CD2]支持向量機方法[J].大慶石油地質與開發,2005,24(2):93[CD*2]95.

[2]Gao T H,Cao J Y,Zhang M L,Qi J B.Lithology Recognition during Oil Well Drilling Based on Fuzzy[CD*2]adaptive Hamming Network [A].Proceedings of the Sixth International Conference on Intelligent Systems Design and Applications[C].2006:574[CD*2]578.

[3]Specht D F.Probabilistic Neural Network and General Regression Neural Network [M].McGraw-Hill,1996.

[4]Tao Song,Mo Jamshidi,Roland R Lee,玡t al.A Novel Weighted Probabilistic Neural Network for MR Image Segmentation[A].IEEE International Conference on System,Man and Cybernetics[C].2005,3:2 501[CD*2]2 506.

[5]Han J,Kanmber M.Data Mining:Concepts and Techniques[M].San Francisco:Academic Press,2001.

[6]Chuhee Lee,Euisun Choi.Bayes Error Evaluation of the Gaussian ML Classifier[J].IEEE Trans.on Geoscience and Remote Sensing,2000,38 (3):1 471[CD*2]1 475.

[7]楊建剛.人工神經網絡實用教程[M].杭州:浙江大學出版社,2001.

[JP2][8]Parag C,Pendharkar A.Data Envelopment Analysis[CD*2]based Approach for Data Preprocessing[J].IEEE Trans.on Knowledge and Data Engineering,2005,17(10):1 379[CD*2]1 388.[JP]

[9]韓力群.人工神經網絡教程[M].北京:北京郵電大學出版社,2006.

[10]飛思科技產品研發中心.神經網絡理論與Matlab 7實現[M].北京:電子工業出版社,2005.[HJ0][HJ]

作者簡介 趙 杰 女,1977年出生,黑龍江人,碩士研究生,講師。研究方向為自動化與智能控制。