遺傳神經網絡在煤質測井評價中的應用

陳鋼花,董維武

(中國石油大學地球資源與信息學院,山東青島266555)

遺傳神經網絡在煤質測井評價中的應用

陳鋼花,董維武

(中國石油大學地球資源與信息學院,山東青島266555)

煤層氣儲層具有很強的非均質性和各向異性,使得測井資料解釋結果具有多解性、模糊性和不確定性。提出了將遺傳算法和神經網絡相結合的方法,利用遺傳算法優化神經網絡的連接權值及閾值,從而提高網絡訓練精度和煤層氣儲層評價精度。該方法避免了標準BP算法易陷入局部最小和遺傳算法局部搜索能力較差的缺點,提高了運算速度。介紹了利用遺傳算法優化網絡連接權值及閾值的步驟和煤質參數預測步驟。通過選取學習樣本、確定網絡結構、歸一化處理數據,建立了基于 GA-BP神經網絡的煤層氣儲層煤質測井評價模型。對26個樣本數據的分析對比表明,該算法具有較高的預測精度和較快的運算速度。10多口井的實際應用表明,GA-BP神經網絡模型預測結果與煤心測試數據匹配很好,且與體積模型計算結果具有良好的一致性。

測井解釋;煤層氣;煤質分析;地球物理測井;BP神經網絡;遺傳算法

0 引 言

煤層氣儲層具有很強的非均質性和各向異性,造成儲層地質特征和測井響應之間的關系復雜,表現出明顯的非線性特征,使得測井資料解釋結果具有多解性、模糊性和不確定性[1]。煤層煤質參數的計算是煤層氣儲層評價的重要方面,是影響煤層物性和含氣性的重要因素。利用統計模型法和體積模型法評價煤質參數只能用“顯式”的函數表達式表達測井參數與煤層參數間關系,是對二者之間復雜關系的簡化,且較難合理選擇煤質組分測井響應參數,所以有時會產生較大誤差。

BP神經網絡是目前應用最為廣泛的神經網絡之一[2]。由于BP算法是基于梯度最大下降的搜索方法,其缺陷是易陷入局部極小點,從而影響網絡訓練精度。遺傳算法是模仿自然界生物進化思想而得出的自適應啟發全局搜索算法,它具有很強的全局搜索能力,但其不足之處在于,當搜索到最優解附近時,無法精確地確定最優解的位置,即局部搜索能力較差。因此,考慮將遺傳算法和BP神經網絡結合,使二者取長補短,提高網絡訓練精度。利用GA-BP神經網絡評價煤層氣儲層煤質參數,具有綜合利用多種測井參數,客觀反映輸入參數與煤層參數之間復雜規律和無需選擇測井解釋參數等優點。

1 神經網絡與遺傳算法

1.1 BP神經網絡

標準BP算法是基于梯度下降法的學習算法,學習過程是通過調整權值和閾值,使輸出期望值和神經網絡實際輸出值的均方誤差趨于最小而實現。在實際應用中存在易陷入誤差函數的局部最優、收斂速度慢、網絡的學習記憶具有不穩定性等不足。針對這些缺點,目前已有不少人對此提出了改進方案,如修正學習率、增加動量項、引入陡度因子及改進神經元激勵函數等[3]。

1.2 用遺傳算法優化BP神經網絡權值及閾值

遺傳算法是一種全局優化搜索算法,可以有效克服BP神經網絡易陷入局部最優的不足。利用遺傳算法優化BP網絡權值及閾值的基本思想是利用遺傳算法全局搜索能力強的特點,先用遺傳算法對神經網絡的初始權值進行粗略的全局優化,并在解空間中定位出較好的搜索空間;然后利用BP算法在這些小的解空間局部搜索,最終使其快速搜索到全局最優值[5]。

遺傳算法優化網絡權值及閾值的一般步驟:

(1)確定BP網絡結構及網絡訓練樣本;

(2)對神經網絡權值及閾值進行編碼,初始化遺傳算法控制參數,產生含 P個個體的初始種群(權值);

(3)確定適應度函數,一般以誤差函數的倒數作為適應度函數,誤差越小,適應度越大;

(4)輸入樣本訓練集,經BP前向傳播得到網絡實際輸出;

(5)計算每個個體的適應度,根據適應度的大小對種群中的個體進行優選操作;

(6)對優選出來的個體進行交叉、變異等遺傳操作,生成新一代群體;

(7)重復步驟(4)～(6),一代一代繁殖種群,直到滿足終止條件為止,得到經遺傳算法優化的網絡權值及閾值;

(8)將上述經遺傳算法全局優化的權值及閾值,作為BP網絡的初始權值及閾值,利用BP算法局部搜索能力強的特點進一步優化網絡權值,訓練網絡,直至滿足終止條件為止。

2 GA-BP神經網絡在煤質測井評價中的應用

2.1 煤質參數預測的一般步驟

(1)煤心實驗數據及測井數據的預處理包括煤心數據和測井數據的深度歸位,測井數據的標準化、環境校正和歸一化處理等;

(2)選取網絡訓練樣本集;

(3)構建 GA-BP網絡,用學習樣本集訓練網絡,直到滿足精度要求為止,保存網絡,建立煤質參數預測網絡模型;

(4)應用上述網絡預測模型,預測未知煤層層段的煤質參數。

2.2 學習樣本的選取

用神經網絡評價煤質參數,就是尋求測井信息與煤質參數之間的某種非線性映射或擬合,通過給定的訓練樣本集進行學習得到解釋模型。可見,網絡的訓練樣本集的選取至關重要,它直接影響到網絡訓練的效果和預測模型的建立。學習樣本選取應遵循的原則:①剔除個別明顯異常的數據點;②適當減少相同特征點數;③適當補充特征明顯的典型樣點;④適當控制訓練樣本總量;⑤盡量避免選擇在薄層和巖層界面處的數據點。

2.3 網絡結構的確定

根據神經網絡的連續函數映射定理,具有3層(1個輸入層、1個隱含層和1個輸出層)的網絡結構,即可實現任意連續函數從輸入空間向輸出空間的映射。本文采用3層 GA-BP神經網絡進行煤質參數的測井評價,輸入層神經元數等于輸入測井參數個數,輸出層神經元個數為4個(即4種工業組分含量),隱含層神經元個數較難確定,無統一規律,一般通過反復試驗確定。確定隱含層神經元數的經驗公式為

式中,n1為隱含層神經元數;m、n分別為輸入層和

輸出層神經元數;k為0～10之間的常數。

2.4 數據的歸一化處理

由于各種測井數據量綱不一致,進入神經網絡之前,無論是學習訓練樣本還是預測數據,都需先進行歸一化處理,使其數值在一定范圍之內,如[0,1]之間。對于具有近似線性特征的輸入參數,如密度、中子、聲波和自然伽馬等,可以采用如下線性歸一化公式

式中,X、X＊分別是歸一化前后測井值;Xmax、Xmin分別為該段測井曲線的極大值、極小值。

對于具有非線性對數特征的輸入參數,如電阻率等,可以采用式(3)對數歸一化公式

在歸一化過程中,測井曲線的極大值、極小值的選取至關重要,不同的取值可造成歸一化結果的差異,進而影響預測結果。一種較好的選取方法是在需歸一化的層段內,將占據數據點總點數α%的較大值、較小值,按 Hodges-Lehmann統計均值原則,自動選取該層段極大、極小值。其中,α一般取1～5。

3 實例分析

選取反映煤質參數敏感的體積密度(D EN)、聲波時差(AC)、補償中子(CNL)和自然伽馬(GR)等4種測井參數作為網絡的輸入,煤心實驗室工業分析參數(固定碳、灰分、揮發分和水分)作為網絡的輸出,構建一個輸入層神經元數為4、隱含層神經元數為10、輸出層神經元數為4的3層 GA-BP神經網絡,預測煤質參數。

將26個樣本數據分為訓練樣本集(20個樣本數據)和測試樣本集(6個樣本數據)2組。前者用于訓練神經網絡,后者用于測試網絡的訓練效果及網絡的泛化能力。表1列出了經歸一化處理后的全部樣本數據。

GA-BP神經網絡的主要參數設計為:染色體編碼采用實數編碼,適應度函數為誤差平方和的倒數,種群規模為50,遺傳代數為100,網絡最大訓練次數為100,訓練誤差精度為1×10-5。

用訓練樣本訓練網絡,經過100代遺傳操作,得到遺傳算法優化的BP網絡初始權值和閾值,適應度函數值為0.45(見圖1)。再用改進的BP算法訓練網絡,經35次迭代,網絡總誤差達到精度要求(1 ×10-5),網絡訓練停止(見圖2)。

圖1 GA-BP網絡適應度變化曲線

圖2 GA-BP網絡總誤差傳播曲線

為了測試網絡預測煤質參數的效果,分別用訓練樣本的測試樣本作為訓練好的網絡的輸入,網絡輸出結果及其與期望輸出的對比見表2。從表2可見,訓練樣本輸出結果的絕對誤差都很低,說明網絡的訓練精度較高;訓練樣本輸出結果的絕對誤差較前者有所增加,固定碳含量誤差最大,但也只有0.020 5,說明網絡具有很好的泛化能力,對訓練樣本之外的數據也可以給出較準確的預測結果。

利用該方法對研究區10多口井煤層煤質進行了評價,取得了較好的效果。圖3為研究區B井某煤層煤質評價成果圖。可見神經網絡模型預測結果與煤心測試數據能夠很好地匹配(見表3),且與體積模型計算結果具有很好的一致性,說明利用 GABP網絡預測煤質參數是可行的,且具有較高的精度。

表1 GA-BP網絡樣本數據(已歸一化)

表2 網絡測試結果及誤差分析表

表3 研究區B井煤質分析對比表

圖3 研究區B井某煤層煤質評價成果圖

4 結 論

(1)將遺傳算法應用到BP神經網絡中,通過優化神經網絡的連接權值及閾值,解決了由于BP神經網絡初始權值的隨機性以及標準BP算法易陷入局部最小的問題,網絡訓練精度及運算速度都得到提高。

(2)將GA-BP神經網絡引入煤質測井評價中,基于GA-BP神經網絡的煤質參數預測方法可不考慮具體數學模型,可以綜合利用多種測井參數,能夠“隱式”表達出煤質參數與測井響應信息間的復雜非線性關系,且避開了選擇測井解釋參數的難點。

(3)應用 GA-BP神經網絡模型對研究區10多口井煤層進行了煤質測井分析,預測結果與煤心測試資料能夠很好匹配,具有較高的預測精度。但這種方法對樣本數據具有很大的依賴性,當樣本資料較少或代表性較差時,網絡的判斷能力差,預測效果便會降低。另外,樣本數據的選取及預處理、網絡結構及網絡參數的確定也很關鍵,有待進一步研究。

[1] 侯俊勝.煤層氣儲層測井評價方法及應用[M].北京:冶金工業出版社,2000.

[2] 章立清.基于遺傳神經網絡的煤層瓦斯含量預測[J].煤礦安全,2007(9):23-25.

[3] 魏俊超.BP神經網絡算法改進研究[C]∥山東省計算機學會2005年信息技術與信息化研討會論文集, 2005.

[4] 雷英杰,張善文,李繼武,等.MA TLAB遺傳算法工具箱及應用[M].西安:西安電子科技大學出版社, 2005.

[5] 劉明軍.遺傳BP神經網絡模型在彬長礦區測井數據巖性識別中的應用研究[D].北京:煤炭科學研究總院,2009.

Application of Genetic Neural Network to Coal Quality Evaluation Based on Log Data

CHEN Ganghua,DONGWeiw u
(College of Geo-resources and Info rmation,China University of Petroleum,Qingdao,Shandong 266555,China)

Coalbed methane reservoir log data interp retation results often show multi-solutions, ambiguity and uncertainty due to its heterogeneity and anisotropy.Put fo rw ard is amethod to imp rove network training accuracy and coalbed methane reservoir evaluation accuracy by combining genetic algorithm and neural network.Thismethod uses genetic algorithm to op timize neural network connection weights and threshold.It increases computing speed by avoiding its disadvantages that standard BP algo rithm is ap t to trap in local m inimal solution,and genetic algo rithm is w eak at the locally searching capability.Introduced is the p rocess for op timizing neural network connection weights and threshold and coal quality parameters forecast.Established is a coal quality log evaluation model based on GA-BP neural network,learning-samp les selection and network structure determination,and data no rmalizing.Comparative analysis of 26 samp les show s that this algo rithm has higher accuracy and faster p rocessing speed.Practical app lications in mo re than 10 w ells indicate that the p rediction resultsof GA-BPmethod match w ellw ith coal co re test data, and have good consistency w ith volume model calculation results.

log interp retation,coalbed methane,coal quality analysis,geophysical logging,BP neural network,genetic algorithm

P631.84 文獻標識碼:A

十一五國家重大科技專項“煤層氣地球物理勘探關鍵技術”(項目編號2008ZX05035)

陳鋼花,女,1963年生,教授,主要從事測井數據處理與綜合解釋方面的教學與科研工作。

2010-10-18 本文編輯 王小寧)