神經網絡技術助力油氣層識別

□ 文/侯力

神經網絡技術助力油氣層識別

□ 文/侯力

人工神經網絡在石油勘探及開發的諸多方面有著廣闊的天地。

油氣勘探具有高投入、高風險的特點，如何利用現有勘探資料，采取切實可行的技術方法，增強測試層位的可靠性和準確性，對于擴大油氣儲量及提高已發現油氣藏的勘探價值具有重要意義。近年來用人工神經網絡對儲層進行識別與評價成為研究及應用的較為廣泛的方法。

時間延遲神經網絡

江漢石油學院劉瑞林等人在研究了目前已發展的幾種地震資料油氣識別技術后，提出了時間延遲神經網絡地震油氣識別方法即采用滑動時窗的辦法進行多時窗特征提取，以表達特征信息隨時間的變化，亦即地層層序等因素的變化。時間延遲神經網絡模型通過井旁道的標定，對于每一道就有一個多維特征串，這些特征串與地層含油氣與否的關系通過一個時間延遲神經網絡(TDNN)模型聯系起來，用于表達相應時窗特征信息與地層含油氣性的關系。時間延遲網絡進行油氣識別時增加了層序的約束，對于地震油氣識別來說是一種合理的方法。

前饋式神經網絡

簡稱BP神經網絡，它是目前應用最廣泛、研究最深入的一種多層前饋神經網絡。BP算法是一種監督式的學習算法，它是通過連續不斷地在相對于誤差函數斜率下降的方向計算網絡權值和偏差的變化而逐漸逼近目標的。它由信息的正向傳遞和誤差的反向傳播兩部分組成。

在第一階段，即信息的正向傳遞階段，給出輸入信息，通過神經網絡處理并計算每個神經元的實際輸出值；在第二階段，即誤差反向傳播階段，網絡在輸出層比較網絡輸出與目標值，若未能得到期望的輸出值，則逐層遞歸計算目標值與期望輸出之差(即誤差)，以此為根據調節權值。上述兩個過程反復進行，直到網絡輸出與目標匹配或誤差達到人們所希望的要求為止。

自組織特征映射SOM神經網絡

自組織特征映射網絡是一種競爭式學習網絡。這種網絡采用無導師監督的學習方式，以基本競爭網絡算法為基礎，通過網絡中鄰近神經元陽J的側向交互作用和相互競爭。在一維或二維輸出空間中形成輸入信號的特征分布拓撲圖，自適應的形成對輸入模式的不同響應，以完成對輸入信號的特征提取功能。

SOM模型是由輸入層和輸出層(競爭層)組成的兩層網絡。網絡中的權分為兩類：一類是層與層之間的權；另一類是層內互相抑制的權。SOM模擬了大腦信息處理的自組織、自學習和聚類功能，并以其高強度的特征判別優點在許多領域得到了廣泛應用。

基于模式識別技術的人工神經網絡雖然得到了廣泛的認識和探索，但應用尚處于初始階段。由于它具有傳統統計方法無法替代的功能，尤其是它能解決各種非線性問題，這為神經網絡在石油勘探及開發的諸多方面應用開辟了廣闊的天地。可以預料，隨著神經網絡這門學科的不斷完善，神經網絡方法將會滲透到石油科學的各分支學科中。

作者單位：中國石油吉林油田公司