基于模糊推理過程神經(jīng)網(wǎng)絡(luò)的沉積微相判別

劉凌云,許少華,2

(1.東北石油大學 計算機與信息技術(shù)學院，黑龍江 大慶 163000；2.山東科技大學 信息科學與工程學院，山東 青島 266000)

基于模糊推理過程神經(jīng)網(wǎng)絡(luò)的沉積微相判別

劉凌云1,許少華1,2

(1.東北石油大學 計算機與信息技術(shù)學院，黑龍江 大慶 163000；2.山東科技大學 信息科學與工程學院，山東 青島 266000)

迄今，現(xiàn)有的油田進行沉積微相模式識別時大多選取測井曲線的靜態(tài)定量數(shù)據(jù)，其難以反映測井相的深度累積效應對沉積微相模式識別的影響。針對上述不足，選取測井曲線中可處理的定量與定性混合過程信息，構(gòu)建并提出了模糊推理和過程神經(jīng)網(wǎng)絡(luò)相結(jié)合的判別模型，以實現(xiàn)沉積微相的判別。該模型基于模糊集理論對測井相的定性信息進行定量處理，以簡化判別規(guī)則，并提取有效的判別數(shù)據(jù)，從而提高沉積微相判別的精度；根據(jù)測井相數(shù)據(jù)隨深度變化的特征曲線，采用過程神經(jīng)網(wǎng)絡(luò)的過程式輸入優(yōu)勢，通過不斷優(yōu)化過程神經(jīng)網(wǎng)絡(luò)的學習機制來提高沉積微相判別的準確度。實驗結(jié)果表明，基于模糊推理過程神經(jīng)網(wǎng)絡(luò)模型的沉積微相模式識別方法精度高、速度快，是一種比較實用的沉積微相識別方法。

模糊推理；過程神經(jīng)網(wǎng)絡(luò)；學習算法；沉積微相判別

0 引 言

對于正在進行勘探開發(fā)的油田，沉積微相判別有助于工作人員了解油井的地下油層結(jié)構(gòu)并分析儲層特性[1]；隨著油氣田勘探開發(fā)程度的逐年提高，越發(fā)增加了尋找儲集相帶的難度，為解決這一難題，就必須對儲層進行沉積微相分析[2]。通過分析沉積微相的特性，不僅有利于從形成原因?qū)ι绑w的展布、幾何形態(tài)、大小、縱橫向連通性等特征進行分析[3]，而且，通過對儲層內(nèi)部的非均質(zhì)性及其變化進行預測，提高了油氣采收率[4]。

近年來，伴隨著計算機及人工智能技術(shù)的飛速發(fā)展,沉積相解釋中也采用基于神經(jīng)網(wǎng)絡(luò)的模式識別方法。但對于復雜多變的地層環(huán)境來說，測井相的定量數(shù)據(jù)轉(zhuǎn)化為地質(zhì)相數(shù)據(jù)往往存在誤差[5]?，F(xiàn)有的微相識別模型大都只依賴于小層定量測井曲線數(shù)據(jù)，難以融合專家認知和區(qū)域地質(zhì)特征，魯棒性和容錯能力也較差[6]。并且，測井相隨深度不斷變化的過程實際上是一個不斷隨深度進行累積的過程。但是現(xiàn)有的沉積微相判別方難以反映深度指標實際存在的累積效應對其產(chǎn)生的影響[7]。

針對上述方法的局限性，提出了新的判別模型—基于模糊推理的過程神經(jīng)網(wǎng)絡(luò)模型。該模型不僅考慮到測井相到地質(zhì)相轉(zhuǎn)換的模糊性，還能與專家知識相融合，并且可以利用過程神經(jīng)元的學習機制來實現(xiàn)對模糊信息或領(lǐng)域規(guī)則的動態(tài)信息進行模糊推理，從而提高預測精度。以自動判別地質(zhì)研究中的測井沉積微相為例，結(jié)合實際資料，模糊推理過程神經(jīng)網(wǎng)絡(luò)模型處理結(jié)果驗證了算法的可行性和有效性[8]。

1 模糊推理過程神經(jīng)網(wǎng)絡(luò)基本原理

神經(jīng)生物學的相關(guān)研究顯示[9]，生物的神經(jīng)系統(tǒng)所處理的混合模擬信號是由定量和定性信息組成的，僅用單一的數(shù)值運算對其處理過程進行解釋是片面的，比較全面的說法是在生物神經(jīng)系統(tǒng)接收到外部環(huán)境的激勵信號后，結(jié)合神經(jīng)系統(tǒng)內(nèi)已有的知識，采用自身的信號處理識別模式來實現(xiàn)對輸入信息的邏輯運算和推理；并且，生物神經(jīng)元作為生物神經(jīng)體系的組成部分，突觸收到外界刺激后作出的反應與輸入脈沖的相對定時有關(guān)，即輸出動作變化依賴于持續(xù)一段時間內(nèi)的輸入過程[10]。

結(jié)合實際問題進行分析，為使判別模型能夠像生物神經(jīng)那樣處理含有過程性領(lǐng)域規(guī)則或模糊信息的動態(tài)信息，提出了模糊推理的過程推理神經(jīng)元模型。模糊推理過程神經(jīng)元與過程神經(jīng)元相比，其優(yōu)勢在于處理的信息不在是單一信息，而是將數(shù)值型過程信息與模糊過程推理的相關(guān)規(guī)則進行融合，反復對過程神經(jīng)元進行訓練，進而實現(xiàn)對過程性數(shù)值與模糊混合信號的自適應模糊推理[11-12]。

1.1模糊推理過程神經(jīng)元模型

以模糊加權(quán)過程推理的規(guī)則為核心處理機制的模糊推理過程神經(jīng)元(FRPN),其輸出結(jié)果和輸入條件的定性謂詞中包含過程信號的模糊集[13]。在此類能夠進行模糊推理的過程神經(jīng)元中,用模糊邏輯規(guī)則來表示論域的“過程知識”,帶有模糊性和過程性的輸入信號經(jīng)加權(quán)聚合處理后得到一個模糊謂詞,當規(guī)則真度滿足應用閾限時,依據(jù)推理規(guī)則產(chǎn)生相應的“過程動作”[14]。FRPN的結(jié)構(gòu)如圖1所示。

圖1 過程神經(jīng)元

依據(jù)圖1可得,在FRPN中，模糊過程推理所描述的規(guī)則為：

(1)

模糊推理過程神經(jīng)元由于具備神經(jīng)元向現(xiàn)實環(huán)境不斷學習的特性和模糊推理機制等特點，因而選擇不同的模糊聚合算子和調(diào)整模糊權(quán)值來適應實際問題。模糊過程推理規(guī)則與加權(quán)模糊推理過程神經(jīng)元一一對應，模糊推理過程神經(jīng)網(wǎng)絡(luò)模型由多個模糊過程神經(jīng)元按照一定的結(jié)構(gòu)關(guān)系組成，即構(gòu)成一個模糊過程推理系統(tǒng)(規(guī)則集)[12,16]。

1.2模糊推理過程神經(jīng)網(wǎng)絡(luò)模型

模糊推理過程神經(jīng)網(wǎng)絡(luò)是指將若干個加權(quán)模糊推理過程神經(jīng)元按照既定的推理規(guī)則組織構(gòu)建的網(wǎng)絡(luò)模型[17]。如有n個模糊過程推理的前件作為模型輸入，m個推理結(jié)果作為模型輸出，該模型結(jié)構(gòu)如圖2所示。

圖2 模糊推理過程神經(jīng)元模型

加權(quán)模糊推理過程神經(jīng)網(wǎng)絡(luò)模型在本質(zhì)上表達的是一個帶有時間信息的加權(quán)模糊邏輯規(guī)則集，也可以理解為規(guī)則知識庫[18]。

在現(xiàn)實應用中，對于通過對特定相關(guān)數(shù)據(jù)進行分析，進而獲得滿足需求的新的模糊推理規(guī)則來說，則可以在原來的推理網(wǎng)絡(luò)的基礎(chǔ)上，通過加入新的節(jié)點和連接權(quán)的形式加入其中。伴隨著對研究問題學習的不斷深入，越來越多的推理知識將被加入到加權(quán)模糊推理過程神經(jīng)元網(wǎng)絡(luò)模型中，進而提高該模型解決實際問題的能力。

1.3學習算法

模糊推理過程神經(jīng)網(wǎng)絡(luò)模型的推理過程在一定程度上可以與如下方程組的真值計算問題進行相互轉(zhuǎn)化。

(2)

其中，cfj為第j條模糊推理規(guī)則的信度因子；T(Pi(t))為前提的真度；T(Qj(t))為結(jié)論的真度。

為使判別結(jié)果與實際情況最為接近，是以此判別模型達到與之相對應的泛化要求，為此，選取大量的學習樣本對模型進行訓練，故僅考慮k>n的情況即可。因此，需要解一個超定線性方程組來定網(wǎng)絡(luò)模型中的參數(shù),利用加權(quán)模糊邏輯推理的含義將式(2)轉(zhuǎn)化為如下的超定方程組：

(3)

將解上述方程組轉(zhuǎn)化為解線性規(guī)劃問題即可，誤差方程為:

(4)

依據(jù)最小二乘原理，使式(4)誤差平方和最小,即:

(5)

基于多元函數(shù)極值需要滿足的充分條件得出:

(6)

將上述方程進行整理，得：

(7)

(8)

式(8)將超定方程組轉(zhuǎn)換為含n2個未知數(shù)的n2個方程的正規(guī)方程組，目前，對于式(8)的求解方法已經(jīng)相當成熟，高斯-賽德爾迭代法[19]的迭代式如下：

(9)

2 模糊推理過程神經(jīng)網(wǎng)絡(luò)模型在沉積微相模式識別中的應用

在油田開發(fā)研究中，依據(jù)測井資料對小層沉積微相進行識別是一項很重要的工作，其方法是基于多個隨深度變化、反映油層物理性質(zhì)的測井變量[20]，根據(jù)其連續(xù)采樣數(shù)據(jù)的幅值和形態(tài)特征及其組合關(guān)系來確定小層微相類型。對于層狀砂巖油田來說，砂體沉積的主要微相類型分為主體河道砂、小型河道砂、廢棄河道砂、河間薄層砂[21]，根據(jù)理論分析和現(xiàn)場統(tǒng)計結(jié)果,能反映沉積微相的主要變量是隨深度不斷變化的自然電位(SP)、2.5 m電阻率(R25)、微電極之差(Rmt-Rmd)等測井量化測量數(shù)據(jù)，以及小層相對厚度h、沉積韻律S等測井曲線定性形態(tài)特征。測井曲線如圖3所示。

圖3 測井曲線

采用FRPN進行沉積微相判別。網(wǎng)絡(luò)模型輸入謂詞為隨深度變化的測井函數(shù)，輸出謂詞為主體河道砂、小型河道砂、廢棄河道砂、河間薄層砂(分別對應j=1,2,3,4),通過高斯隸屬度函數(shù)對網(wǎng)絡(luò)輸入進行模糊化處理，即:

(10)

其中，x(h)為測井曲線函數(shù)；由高斯隸屬度函數(shù)的定義,在對歸一化連續(xù)輸入信號進行模糊化處理時，具有對輸入曲線與典型特征曲線進行模態(tài)相似性比對的特性。

由此，將訓練樣本集中的同類函數(shù)樣本歸為一類，取其隸屬度的平均值作為規(guī)則的真度。

專家認識可歸納如表1所示。

表1 沉積微相特征歸納表

將上述判別模型應用到油田，訓練樣本集由10口取心井的測井曲線及部分地質(zhì)報告數(shù)據(jù)組成。所選樣本在一定程度上滿足不同厚度、不同沉積韻律的要求，同時按比例較為均勻覆蓋了沉積微相的4種類型[22]。抽取樣本集中412個樣本構(gòu)成訓練集，測試集由剩下的198個樣本組成。在資料數(shù)據(jù)處理時，按照油田規(guī)范對小層各測井數(shù)據(jù)進行取值，小層曲線形態(tài)特征根據(jù)實驗油田已建立的沉積韻律測井曲線模板庫實現(xiàn)自動識別。由此，輸入函數(shù)經(jīng)模糊處理后得到5個新的輸入謂詞，還有結(jié)論中4個輸出謂詞,即該模型共涉及9個謂詞。所以，超定方程組中的方程個數(shù)為81。針對訓練集中5類函數(shù)樣本，分別計算樣本隸屬度并求其平均值，得到各規(guī)則真度為0.75,0.81,0.72，0.70，0.78；規(guī)則應用閾限均取0.65。采用高斯-塞德爾迭代算法求解式(8)，最大學習次數(shù)設(shè)為5 500，迭代精度設(shè)為0.009，模型迭代1 543次后收斂。用測試樣本集對訓練好的網(wǎng)絡(luò)模型進行測試，輸入50個樣本，判別正確的樣本個數(shù)為42，識別正確率為84%。因此，判別結(jié)果較好。

3 結(jié)束語

對于油田，由于影響沉積微相判別的因素很多，各種因素之間通常是不確定、非線性的復雜關(guān)系。除此之外，傳統(tǒng)的沉積微相判別預測方法又難以反映測井相指標實際存在的深度累積效應對其產(chǎn)生的影響。針對上述問題，為滿足定量與定性混合過程信息的融合信息處理要求，在分析研究基礎(chǔ)上，提出了結(jié)合過程神經(jīng)網(wǎng)絡(luò)的定量信息處理技術(shù)與模糊邏輯推理方法的模糊推理過程神經(jīng)網(wǎng)絡(luò)模型。實驗結(jié)果表明，該模型對于處理沉積微相模式識別問題具有很好的識別效果，顯著提高了預測精度，是一種比較實用的判別模型。

[1] 宋 翔.基于神經(jīng)網(wǎng)絡(luò)與圖形處理技術(shù)的沉積微相識別系統(tǒng)[D].長春:吉林大學，2004.

[2] 耿 茜.安塞油田橋19井區(qū)長3油層組沉積相與油氣聚集規(guī)律研究[D].西安:西安石油大學，2015.

[3] 程 超,胡望水,秦 剛,等.精細油藏描述中的沉積微相研究—以吉林油田大208區(qū)黑帝廟油層為例[J].石油地質(zhì)與工程,2009,23(2):26-28.

[4] 高憲偉.應用測井資料定量識別碳酸鹽巖沉積微相的方法研究[D].成都:成都理工大學，2013．

[5] 孫鐵軍,馮慶付,劉 浩,等.利用測井資料計算機自動識別沉積微相方法研究[J].西北地質(zhì),2010,43(3):132-140.

[6] 許少華,陳 妍,許 辰,等.一種基于正向云變換的混合計算神經(jīng)網(wǎng)絡(luò)及其應用[J].計算機與數(shù)字工程,2014,42(12):2284-2288.

[7] 許少華,畢聰聰,張 宇,等.基于徑向基過程神經(jīng)網(wǎng)絡(luò)的油田開發(fā)指標預測[J].計算技術(shù)與自動化,2015，34(3):52-54.

[8] 張亞光.基于云變換的信息融合方法及智能推理模型的研究[D].大慶:東北石油大學,2014.

[9] 陳惟昌,王自強,陳志華,等.神經(jīng)信息學的原理與展望[J].生物物理學報，2001，17(4):613-620.

[10] 吳雅娟,許少華.一種模糊計算過程神經(jīng)元網(wǎng)絡(luò)及其應用[J].東北林業(yè)大學學報,2008,36(8):43-44.

[11] Shang L,Liu G,Zhang R,et al.An information fusion algorithm for integrated autonomous orbit determination of navigation satellites[J].Acta Astronautica,2013,85(4):33-40.

[12] 李小紅.信息Agent在CSCW中的應用[D].大慶:東北石油大學，2006．

[13] 許少華,張亞光,李學貴.一種基于逆向云變換的混合推理神經(jīng)網(wǎng)絡(luò)[J].計算機技術(shù)與發(fā)展,2015,25(3):118-121.

[14] Pavlin G,Oude P D,Maris M,et al.A multi-agent systems approach to distributed Bayesian information fusion[J].Information Fusion,2010,11(3):267-282.

[15] 李盼池,許少華.加權(quán)模糊推理網(wǎng)絡(luò)及在水淹層識別中的應用[J].計算機應用,2004,24(10):105-107.

[16] Tiruneh A T.Higher order aitken extrapolation with application to converging and diverging gauss-seidel iterations[J].Journal of Applied Mathematics & Physics,2013,5(11):128-143.

[17] 衣治安,牟春苗,孫寅萍.基于改進粒子群算法的模糊神經(jīng)網(wǎng)絡(luò)[J].計算機系統(tǒng)應用,2014,23(6):135-140.

[18] 董煥忠.基于加權(quán)模糊推理網(wǎng)絡(luò)的河流-三角洲儲層沉積微相識別[J].大慶石油學院學報，2005,29(1):24-27.

[19] 裴琴娟.解線性方程組的共軛梯度法[J].新鄉(xiāng)學院學報:自然科學版,2011,28(4):309-310.

[20] 王金海,丁 鋒.CARMA模型離線最小二乘迭代辨識方法[J].科學技術(shù)與工程,2007,7(23):5998-6003.

[21] 徐士良.計算機常用算法[M].第2版.北京:清華大學出版社,1995:95-101.

[22] Messaoudi S,Messaoudi K,Dagtas S.Bayesian data fusion for smart environments with heterogenous sensors[J].Journal of Computing Sciences in Colleges,2010,25(5):140-146.

Pattern Recognition of Sedimentary Microfacies with Fuzzy Inference Process Neural Network

LIU Ling-yun1，XU Shao-hua1,2

(1.College of Computer and Information Technology,Northeast Petroleum University,Daqing 163000,China;2.College of Information Science and Engineering,Shandong University of Science and Technology,Qingdao 266000,China)

So far,the static quantitative data of well logging curves have been mostly used to identify the sedimentary microfacies in the existing oil fields,which is difficult to reflect the influence of logging depth accumulation on pattern recognition of sedimentary microfacies.Taken into the above shortcomings account,a discriminant model combining fuzzy inference and process neural network is established and proposed to realize the judgment of sedimentary microfacies,on the basis of selection of information on quantitative and qualitative mixing process in the logging curve,which has been quantitatively processed to simplify the discriminant rule and extract the valid discriminant data so as to improve the accuracy of the sedimentary microfacies discrimination.Considered that the logging data is characteristic of the curve with depth the advantage in process input of the process neural network is introduced and then accuracy of sedimentary microfacies discrimination by continuously optimizing the learning mechanism of process neural networks is improved.The experimental results show that it has high accuracy and high rate,which is a practical method for the identification of sedimentary microfacies.

fuzzy reasoning;process neural network;learning algorithm;sedimentary microfacies discrimination

2016-04-14

：2016-08-17 < class="emphasis_bold">網(wǎng)絡(luò)出版時間

時間：2017-07-11

黑龍江省教育科學技術(shù)研究資助項目(12541086)

劉凌云(1990-)，女，碩士，研究方向為軟件工程；許少華，教授，博士生導師，研究方向為神經(jīng)網(wǎng)絡(luò)、優(yōu)化算法。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170711.1452.014.html

TP301

:A

:1673-629X(2017)09-0161-05

10.3969/j.issn.1673-629X.2017.09.035