基于BP神經網絡的譜圖形態提取在水淹評價中的研究?

張方舟佘天威孫永穎韓樂

基于BP神經網絡的譜圖形態提取在水淹評價中的研究?

張方舟佘天威孫永穎韓樂

（東北石油大學計算機與信息技術學院大慶163318）

目前，我國大部分油田進入高含水后期開采階段，調整挖潛難度增大，亟需一種高效的油層水淹評價方法，解決水淹評價參數單一的難題。因此提出采用BP神經網絡對飽和烴氣相色譜圖進行形態擬合的方法，提取形態特征參數，應用于水淹層評價方法中。研究伽瑪分布函數提取單峰譜圖形態特征參數的方法，研究BP神經網絡擬合色譜圖原始形態的方法，將反映譜圖形態特征與反映含油性特征的參數結合，建立油層水淹評價圖版，經過在油田實際生產應用，提高了該區水淹層精細評價水平，為剩余油分布提供理論基礎。

飽和烴氣相色譜圖；BP神經網絡；水淹層；形態特征

Class NumberP631.84

1引言

飽和烴氣相色譜圖評價水淹程度，已經被人們關注，譜圖峰形的異常變化反映原油組分的變化，可以根據飽和烴氣相色譜的形態特征定性評價水淹程度，應用相對含量和峰面積參數建立水淹層評價圖版［1］。

目前，對譜圖曲線的擬合大多需要假定曲線類型，限制條件較多，通用性受約束［2］。本文采用伽瑪分布函數擬合單峰色譜圖形態，提取出特征參數，用于發現新的水淹評價方法；采用BP神經網絡擬合雙峰和三峰色譜圖形態，BP神經網絡具有擬合非線性連續函數的能力，能避免未知因素的影響，易于擬合出較為滿意的譜圖原始曲線。

2伽瑪分布函數

伽瑪分布是概率統計中一類重要的分布，它和指數分布、愛爾朗分布等一些常見的重要分布都有著密切的聯系［3］，伽瑪分布函數是非對稱并且連續的概率函數，整體形態與飽和烴氣相色譜圖形態近似，可以較好地反映單峰色譜圖形態特征，常用的計算方法如式（1）：

其中伽瑪函數中γ表示形態參數，β表示尺度參數。

2.1伽瑪函數提取譜圖形態特征的方法

伽瑪函數是一條向上凸起的指數曲線［4］，該函數的曲線形態與飽和烴氣相色譜圖相似，提取單峰譜圖特征的方法是通過伽瑪分布函數來對形態進行擬合，通過得到γ（形態參數）和β（尺度參數）來對單峰譜圖進行研究。

單峰譜圖形態提取的方法是：

1）根據飽和烴氣相色譜圖求取碳數和相對分數，其中碳數表示輸入參數（橫軸），相對分數表示輸出數據（縱軸），以此數據做散點圖，確定函數的形態，匹配相似的曲線方程。

2）根據實際觀測值數據對伽瑪函數進行變換，初步估計方程的待求參數，匹配方程如式（2）：

式中Γ(γ)表示伽瑪函數，X表示相對分數，γ表示形態參數，β表示尺度參數，γ和β決定分布函數的形態。

3）參數設定，形態參數和尺度參數都是大于0的實數，其中γ=1時，函數呈指數分布，γ=2時，函數形態逐漸趨近于譜圖形態。

4）用測試值與對應計算值的差值平方和，表示全部測試值與擬合曲線計算值的偏離程度，偏差值越小，擬合形態的效果越好，可以獲取譜圖的特征參數。

2.2色譜圖形態特征在水淹評價中的應用

飽和烴氣相色譜圖中各正構烷烴峰值反映巖石含油豐度，正構烷烴峰面積總和反映可動烴的含量，譜圖的峰形反映正構烷烴相對含量；根據色譜圖的碳數、相對分數、烴豐度、峰面積結合譜圖的特征參數和派生參數建立水淹層評價模型和評價標準；M井99層飽和烴氣相色譜圖如圖1所示。

1）原始譜圖橫軸是時間，縱軸是相應值，整理碳數和相對分數的數據，建立以碳數為橫坐標，相對分時為縱坐標的模型。

圖1 M井飽和烴氣相色譜圖

2）利用伽瑪分布的匹配方程，進行多次分析訓練，偏差值越小，擬合形態的效果越好，形態擬合對比圖如圖2所示。

圖2 形態擬合對比圖碳數

3）計算得到偏差值為0.00051，形態參數γ= 18.7，尺度參數β=16.3；根據譜圖數據和特征參數建立水淹評價圖版，單峰色譜圖水淹層評價圖版如圖3所示。

圖3 單峰色譜圖水淹層評價圖版

4）單峰譜圖的水淹層評價標準，如表1所示。

表1 單峰氣相色譜圖形態表征參數評價水淹層標準

3 BP神經網絡提取譜圖形態特征

人工神經網絡是基于模仿大腦神經網絡結構和功能而建立的一種信息系統。具有很強的自適應、自學習功能，其中，BP網絡是目前應用最為廣泛的一種網絡模型［5］。BP神經網絡是研究最多的網絡形式之一。BP網絡具有輸入層，輸出層，隱含層；每層上的神經元稱為節點或單元。BP網絡的神經元采用的傳遞函數通常是Sigmoid型函數，所以可以實現輸入和輸出間的任意非線性映射，這使得它在諸如函數逼近、模式識別、數據壓縮等領域有著廣泛的應用［6］。

3.1飽和烴氣相色譜圖雙峰形態特征

重質油飽和烴中餾分沸點較高、分布比較寬，溫度對分離實驗的影響較大，可以改變溫度，用面積歸一法得到實驗數據［7］，重質油一般表現為雙峰及三峰譜圖形態，N井221層飽和烴氣相色譜圖如圖4所示。

圖4 N井221層飽和烴氣相色譜圖

3.2雙峰譜圖特性曲線BP神經網絡模型

使用基于BP神經網絡的神經元網絡解決實際問題，其網絡結構的優化，決定了網絡的特性，提高雙峰譜圖的形態擬合效果［8］。

本文以色譜圖的時間為輸入信號，對應于輸入層節點個數；把譜圖的時間所對應的響應值變化作為輸出信號，同樣，對應輸出層節點個數。

隱含層節點數目選擇是比較復雜的問題［9］，需要根據經驗和多次實驗來確定。隱含層單元的數目選擇與數據形式、輸入和輸出層的節點數目具有一定的關系［10］。隱含層單元數目太多會增加學習時間、不能很好地訓練樣本，因此BP網絡模型存在一個最佳的隱含層單元數。

3.3提取雙峰譜圖特征在水淹評價中的應用

1）輸入信號：描繪譜圖包絡線，將譜圖從包絡線上第一個非負響應值開始，取出時間以及該時間的響應值，每隔0.5min取一個對應值，到最后一個非負響應值結束，本實驗選取37個輸入層節點個數。

2）選取隱含層節點個數為3，進行訓練。采用BP神經網絡擬合得到的特征曲線是連續的、無突兀的，擬合效果較好，可以表現譜圖的特征。雙峰

提取雙峰譜圖形態特征的方法如式（3）：譜圖的形態擬合圖如圖5所示。

圖5 雙峰色譜圖形態擬合圖

3）結果分析：得到計算參數a1=1.27，b1=0.09，a2=0.147，b2=0.18；用該參數建立水淹評價圖版效果不好，所以根據特征曲線的極值點、曲率、峰面積等特征，結合飽和烴氣相色譜圖響應值建立水淹層評價圖版；選取氣相色譜圖峰面積作為水淹層評價參數［11］，以擬合譜圖形態的頂點劃分區間，計算峰面積的方法如式（4）：

將該譜圖以頂點劃分成三部分，計算得到的峰面積為S1、S2、S3，經過實驗驗證，選取比值參數建立水淹層評價圖版，其圖版的分離度較好，可以區分水淹級別；雙峰水淹層評價圖版如圖6所示。

圖6 雙峰色譜圖水淹層評價圖版

4）雙峰譜圖的水淹評價標準，如表2。

表2 雙峰氣相色譜圖形態表征參數評價水淹層標準

4結語

本文利用伽瑪分布函數的單峰、非對稱、連續的特點，對飽和烴氣相色譜圖進行形態擬合；利用BP神經網絡對峰形為雙峰的飽和烴氣相色譜圖進行形態擬合，可以很好提取非連續的、無規則的氣相色譜圖特征數據，并結合派生參數和譜圖數據，設計了水淹層評價圖版。結果表明，以氣相色譜圖的特征參數設計水淹層模型，對水淹層評價效果明顯，具有實際應用價值。

［1］郎東升等.油田開發水淹層路徑評價技術［M］.北京：石油工業出版社，2006：1-9.

LANG Dongsheng.Evaluation method ofwater flooded lay?er in oilfield development［M］.Beijing：Petroleum indus?try press，2016：1-9.

［2］吳占濤，戴勝軍.基于BP神經網絡的凸輪升程曲線擬合研究［J］.微計算機信息，2011，27（3）：244-245.

WU Zhantao，DAI Shengjun.A study on the method of cam lifting curve fitting based on BP neural network［J］. Microcomputer Information，2011，27（3）：244-245.

［3］張艷，周圣武，韓苗.概率統計中“伽馬分布”的教學研究及探討［J］.教育教學論壇，2014（2）：57-58.

ZHANG Yan，ZHOU Shengwu，HAN Miao.Research and Discussion on the teaching ofgamma distribution in proba?bility and statistics［J］.Education Teaching Forum，2014（2）：57-58.

［4］M Aslam Chaudhry，Syed M Zubair.On a Class of Incom?plete Gamma Functions with Applications［M］.Boca Ra?ton：CRC Press，2002：25-31.

［5］陳朝陽，行小帥，李玥.共軛梯度BP算法在Matlab 7.0中的實現［J］.現代電子技術，2009，10（18）：125-127.

CHEN Zhaoyang，XING Xiaoshuai，LI Yue.Implement of Conjugate Gradient BP Algorithm in Matlab 7.0［J］.Mod?ern Electronics Technique，2009，10（18）：125-127.

［6］盛仲飆，同曉榮.BP神經網絡在曲線擬合中的應用［J］.科學技術與工程，2011，11（28）：18-20.

SHENG Zhongbiao，TONG Xiaoyong.The Application of BP Neural Networks in Curve Fitting［J］.Science Technol? ogy and Engineering，2011，11（28）：18-20.

［7］楊揚，陳炳和，尹芳華.重質油中飽和烴組成的氣相色譜分析［J］.江蘇工業學院學報，2005，17（1）：12-15.

YANG Yang，CHEN Binghe，YIN Fanghua.Study of Satu?rated Hydrocarbons in Heavy Oils by Gas Chromatography［J］.Journal of Jiangsu Polyetchnic University，2005，17（1）：12-15.

［8］歐陽金亮，陸黎明.綜合改進BP神經網絡算法在股價預測中的應用［J］.計算機與數字工程，2011，39（2）：57-59.

OUYAN Jinliang，LU Liming.Application of Integrative Improved BP Neural Network Algorithm in Stock Price Forecast［J］.Computer&Digital Engineering，2011，39（2）：57-59.

［9］沈花玉，王兆霞，高成耀.BP神經網絡隱含層單元數的確定［J］.天津理工大學學報，2008，24（5）：13-15.

SHEN Huayu，WANG Zhaoxia，GAO Chengyao.Determin?ing the number of BP neural network hidden layer units［J］.Journal of tianjin University of Technology，2008，24（5）：13-15.

［10］周晶，宋輝.基于徑向基神經網絡的船舶運動擬合方法研究［J］.計算機與數字工程，2015，43（9）：1588-1591.

ZHOU Jing，SONG Hui.Surface Vessel Motion Model Based on RBF Neural Networks［J］.Computer&Digital Engineering，2015，43（9）：1588-1591.

［11］謝逍，姜學慶，王琰.基于VB的工業氣相色譜儀譜圖處理系統［J］.化工自動化及儀表，2015，42（5）：544-549.

XIE Xiao，JIANG Xueqing，WANG Yan.VB-Based Spectrogram Processing System for Industrial Gas Chro?matograph［J］.Control and Instruments in Chemical In?dustry，2015，42（5）：544-549.

Feture of Chromatogram Based on BP Neural Network in Evalution of Water Flooded Layer

ZHANG Fangzhou SHE Tianwei SUN Yongying HAN Yue
（Schoolof Computer and Information Technology，Northeast Petroleum University，Daqing 163318）

At present，most of China's oil field stop into the late stage ofhigh water cut，itincreases difficulty for adjustment and tapping potential，iturgently need an efficientreservoir flooding evaluation method to solve the problem ofsingle parameters for evaluation ofwater flooded layer.By using the method of BP neuralnetwork to fitthe form ofchromatogram，extracting characteristic parameters from the chromatogram，the characteristic parameters are applied to the evaluation of water flooded layer.A method for extracting the characteristic parameters ofchromatogram by gamma function and BP neuralnetwork is proposed，using the character?istic parameters and the originaldata to create the water flooded layer evaluation chart，the evaluation effectofwater flooded layer is improved，theoreticalbasis forremaining oilis provided.

chromatogram，BP neuralnetwork，waterflooded layer，characteristic parameter

P631.84

10.3969/j.issn.1672-9722.2017.08.036

2017年2月7日，

2017年3月21日

重大工程關鍵技術裝備研究與應用項目（編號：2013E-38-09）資助。

張方舟，男，博士，教授，研究方向：計算機網絡。佘天威，男，碩士研究生，研究方向：數據庫與智能信息系統。孫永穎，女，碩士研究生，研究方向：數字媒體技術。韓樂，女，研究方向：數據庫系統。