人工神經(jīng)網(wǎng)絡(luò)在巖性識別中的應(yīng)用研討

摘要：巖性識別是復(fù)雜巖性油氣藏儲層評價的一個重要環(huán)節(jié)，針對常規(guī)測井交會圖法識別巖性時常存在多解性和不確定性，巖性識別效果不理想等問題。本文系統(tǒng)分析和總結(jié)了近年來快速發(fā)展的人工神經(jīng)網(wǎng)絡(luò)技術(shù)在測井巖性識別中的應(yīng)用，以期為巖性識別的準(zhǔn)確預(yù)測提供一定的參考。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò);深度信念網(wǎng)絡(luò);隨機(jī)森林法、支持向量機(jī);巖性識別

測井巖性識別是復(fù)雜巖性油氣藏儲層評價和預(yù)測的重要工作之一。傳統(tǒng)的巖性識別方法有巖屑錄井法、鉆井取心法、常規(guī)交會圖法等。直接對巖心進(jìn)行實(shí)驗測量是最準(zhǔn)確的巖性識別方法，但需要耗費(fèi)巨大的時間和金錢成本，且鉆井取心難以做到對油田中測井剖面地層的完整描述，在實(shí)際生產(chǎn)應(yīng)用中往往受到一定限制。測井曲線是地層沉積特征的反應(yīng)，包含著豐富的地質(zhì)儲層信息，如何快速、高校的利用測井資料進(jìn)行地層巖性信息的獲取越來越受到研究人員的關(guān)注。

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是對生物神經(jīng)網(wǎng)絡(luò)的一種模擬和近似，是由大量神經(jīng)元通過相互連接而構(gòu)成的自適應(yīng)非線性動態(tài)網(wǎng)絡(luò)系統(tǒng)。作為一個十余年來快速發(fā)展的領(lǐng)域，受到了越來越多研究者的重視，它在特征提取和建模上都有著較傳統(tǒng)方法明顯的優(yōu)勢。利用大量的數(shù)據(jù)訓(xùn)練模型，以學(xué)習(xí)復(fù)雜而有效的信息。不僅可以學(xué)習(xí)特征之間的關(guān)聯(lián)，還能自動地從簡單特征中提取更加復(fù)雜的特征，從而解決復(fù)雜的非線性問題。它有效解決了以前人工智能中難以解決的一些關(guān)鍵問題，且在目標(biāo)檢測、自動駕駛、自然語言處理、語音識別等領(lǐng)域成功應(yīng)用，并且也成為地球科學(xué)特別是油氣地球物理勘探領(lǐng)域的一個非常吸引人的新技術(shù)。近年來，無論國內(nèi)還是國外，隨著深度學(xué)習(xí)逐漸崛起，圍繞深度神經(jīng)網(wǎng)絡(luò)的研究越來越多。很多學(xué)者進(jìn)行了深入研究，提出了一些人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行測井巖性識別。

2 人工神經(jīng)網(wǎng)絡(luò)與巖性識別

2.1 隨機(jī)森林

隨機(jī)森林法（Random Forests，RBF）于2001年由Breiman提出，并隨之成為數(shù)據(jù)挖掘領(lǐng)域中的重要一員，可用于分類和回歸分析。RF由多個決策樹組合而成，相當(dāng)于組合很多的非線性關(guān)系形成更加復(fù)雜的非線性關(guān)系，有效地克服了單一決策樹容易出現(xiàn)過擬合的問題。決策樹本質(zhì)上是一種非參數(shù)非線性的智能算法，采用遞歸分割的方法將樣本數(shù)據(jù)分割為不同的子樣本集，形成一個類似于樹狀的模型。RBF具有很高的預(yù)測準(zhǔn)確率，對異常值和噪聲數(shù)據(jù)具有較高的容忍度，不容易出現(xiàn)過擬合，克服了傳統(tǒng)預(yù)測方法信息和知識的獲取方式間接、費(fèi)時且效率低下的缺點(diǎn)，已在儲層巖性識別中得到較廣泛的應(yīng)用[1]。

2.2 支持向量機(jī)

支持向量機(jī)（Support vector machine，SVM）是Vapnik 等人于20世紀(jì)90年代中期提出的一種基于統(tǒng)計學(xué)習(xí)理論的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，是基于結(jié)構(gòu)風(fēng)險最小化原理的分類器。支持向量機(jī)在解決具有小樣本、非線性一級高維非線性模式識別中具有許多較傳統(tǒng)方法獨(dú)特的優(yōu)勢，其綜合考慮分類器的經(jīng)驗風(fēng)險和置信風(fēng)險，利用核函數(shù)解決非線性分類問題，能夠保證模型獲得全局最優(yōu)解，從理論上有效克服了無法避免的局部極值問題，在一定意義下具有最好的泛化能力。利用支持向量機(jī)（SVM）結(jié)構(gòu)簡單、泛化性能高等優(yōu)點(diǎn)，綜合考慮測井資料與儲層儲層巖性之間的非線性映射關(guān)系，已有研究者將其應(yīng)用于測井巖性識別，以挖掘地震數(shù)據(jù)中事先未知的、潛在的信息以預(yù)測油氣藏的分布規(guī)律[2]。

2.3 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)（Deep Belief Nets，DBN）是由Hinton 等人在2006 年提出，是人工神經(jīng)網(wǎng)絡(luò)的一種。DBN作為一種特殊的人工神經(jīng)網(wǎng)絡(luò)，神經(jīng)元是其必不可少的組成部分，其由若干層神經(jīng)元構(gòu)成，組成元件是受限玻爾茲曼機(jī)（RBM）。受限玻爾茲曼機(jī)（RBM）是一種神經(jīng)感知器，由一個顯層和一個隱層構(gòu)成，顯層與隱層的神經(jīng)元之間為全連接。深度神經(jīng)網(wǎng)絡(luò)神經(jīng)元間的連接模式受啟發(fā)于動物視覺皮層組織，而深度信念網(wǎng)絡(luò)則是其中一種廣泛應(yīng)用的結(jié)構(gòu)，具有較強(qiáng)的魯棒性以及容錯能力，且也易于訓(xùn)練和優(yōu)化。既可以用于非監(jiān)督學(xué)習(xí)，類似于一個自編碼機(jī);也可以用于監(jiān)督學(xué)習(xí)，作為分類器來使用。從非監(jiān)督學(xué)習(xí)來講，其目的是盡可能地保留原始特征的特點(diǎn)，同時降低特征的維度。從監(jiān)督學(xué)習(xí)來講，其目的在于使得分類錯誤率盡可能地小。而不論是監(jiān)督學(xué)習(xí)還是非監(jiān)督學(xué)習(xí)，DBN的本質(zhì)都是Feature Learning的過程，即如何得到更好的特征表達(dá)。基于這些優(yōu)越的特性，DBN在各種信號和信息處理任務(wù)中的性能優(yōu)于簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，已有研究者成功將其應(yīng)用于測井巖性識別，并取得了較傳統(tǒng)方法更高的準(zhǔn)確度[3]。

3 結(jié)論與展望

本文主要介紹了隨機(jī)森林法（RBF）、支持向量機(jī)（SVM）、深度信念網(wǎng)絡(luò)（DBN）及其在測井巖性識別中的應(yīng)用，各種方法均較傳統(tǒng)方法獲得了更高的識別準(zhǔn)確率，但也存在一定的適用范圍。近年來許多學(xué)者嘗試將各種人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行結(jié)合以期取得更好的識別效果。目前RBM和SVM的結(jié)合模型已在巖性識別中得到很好的應(yīng)用[4]，CNN和LSTM的結(jié)合體（C-LSTM）在自然語言處理、計算機(jī)視覺等領(lǐng)域成功應(yīng)用，但還未在巖性識別中得到應(yīng)用，這將是下一步的研究方向。

參考文獻(xiàn)

[1]王志宏，韓璐，戚磊.隨機(jī)森林分類方法在儲層巖性識別中的應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版），2015，34（09）：1083-1088.

[2]牟丹，王祝文，黃玉龍，等.基于SVM測井?dāng)?shù)據(jù)的火山巖巖性識別——以遼河盆地東部坳陷為例[J].地球物理學(xué)報，2015，58（05）：1785-1793.

[3]李國和，鄭陽，李瑩，等.基于深度信念網(wǎng)絡(luò)的多采樣點(diǎn)巖性識別[J].地球物理學(xué)展，2018，33（04）：1660-1665.

[4]吳施楷，曹俊興.基于連續(xù)限制玻爾茲曼機(jī)的支持向量機(jī)巖性識別方法[J].地球物理學(xué)進(jìn)展，2016，31（02）：821-828.

作者簡介：王俊（1992.02-），男，貴州遵義人，碩士研究生，研究方向為：機(jī)器學(xué)習(xí)，地震數(shù)據(jù)深度學(xué)習(xí)。