李建國　張衛(wèi)東　劉冠男

摘 要：深度學(xué)習(xí)也被稱為深度神經(jīng)網(wǎng)絡(luò)，是機(jī)器學(xué)習(xí)的最新研究結(jié)果，在2006年Geoffrey Hinton提出訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的方法以后，其在語音和圖像處理的領(lǐng)域迅速發(fā)展，并取得了很好的成績。由于深度學(xué)習(xí)優(yōu)良的特征提取性質(zhì)，所以在這里把深度學(xué)習(xí)用在地球物理測井巖性的識別中，對四川西部川科1井的巖性進(jìn)行識別。

關(guān)鍵詞：深度學(xué)習(xí)；測井；巖性識別；儲層預(yù)測

引言

儲層預(yù)測是尋找油氣資源，評估油氣儲量基礎(chǔ)的工作之一。由于井下地質(zhì)構(gòu)造的復(fù)雜性和測井參數(shù)分布的模糊性，傳統(tǒng)的巖性識別方法往往識別精度有限，很多時(shí)候?qū)θ说慕?jīng)驗(yàn)要求比較高。前人應(yīng)用神經(jīng)網(wǎng)絡(luò)在測井巖性識別上做了大量的研究，取得了很好的結(jié)果，但是前人的研究中主要是使用BP神經(jīng)網(wǎng)絡(luò)對巖性預(yù)測，盧新衛(wèi)，金章東對勝利油田某測井巖性用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識別[1]，以及范訓(xùn)禮等用BP網(wǎng)絡(luò)對塔里木油田TZ4測井的巖性進(jìn)行了自動識別[2]，侯俊勝、王穎利用BP網(wǎng)絡(luò)對煤氣層測井資料進(jìn)行了定量解釋識別[3]，識別準(zhǔn)確率不是很高。BP神經(jīng)網(wǎng)絡(luò)有一個(gè)致命的缺點(diǎn)就是容易陷入局部最小值，特別是隨著神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，其陷入局部最小值的可能性大大增加，相對而言深度學(xué)習(xí)就可以很好的克服這個(gè)缺點(diǎn)，取得很好的結(jié)果。

1 深度學(xué)習(xí)發(fā)展

在Geoffrey Hinton 2006年提出深度學(xué)習(xí)[4]之后的短短數(shù)年里，深度學(xué)習(xí)就以其強(qiáng)大的對數(shù)據(jù)內(nèi)部結(jié)構(gòu)的表征能力贏得了國際學(xué)術(shù)界的廣泛重視，各個(gè)互聯(lián)網(wǎng)巨頭如：百度，google，騰訊，紛紛成立深度學(xué)習(xí)的研究實(shí)驗(yàn)室，美國國防高級研究計(jì)劃局也于2009年成立了深度學(xué)習(xí)項(xiàng)目組。微軟公司已經(jīng)成功地將深度學(xué)習(xí)方法應(yīng)用于自己的語音識別系統(tǒng)當(dāng)中，它能夠?qū)卧~錯(cuò)誤率相較之前的最優(yōu)方法降低約30%。 因此，深度學(xué)習(xí)被認(rèn)為是繼1997年的隱馬爾科夫（Hidden Markov Model， HMM）模型之后，語音識別領(lǐng)域的又一次重大突破[5]。

2 深度學(xué)習(xí)理論簡介

到目前為止深度學(xué)習(xí)主要有三種方法：卷積神經(jīng)網(wǎng)絡(luò)，限制玻爾茲曼機(jī)，自動編碼機(jī)，在這里我們主要使用的是受限玻爾茲曼機(jī)（RBM）。

RBM是第一個(gè)由統(tǒng)計(jì)力學(xué)推導(dǎo)出來的多層學(xué)習(xí)機(jī)，機(jī)器的命名認(rèn)可了神經(jīng)網(wǎng)絡(luò)的自身動力學(xué)行為和RBM原始關(guān)于統(tǒng)計(jì)熱力學(xué)工作形式上的等價(jià)性?；旧险f，RBM可以對給定數(shù)據(jù)集的固有概率的分布進(jìn)行建模，這樣在諸如模式完備和模式分類的任務(wù)中所使用的條件分布就可以推導(dǎo)出來了。在對比散度出現(xiàn)以前我們一般用MCMC求解，但是那樣的話其學(xué)習(xí)過程是慢得難以忍受，所以在這以前其根本沒有任何實(shí)用價(jià)值，直到Hinton發(fā)明對比散度以后其才得以飛速發(fā)展，特別是在語音和圖像上取得了很大的成功。

3 能量模型作用

在RBM中使用了能量模型，其原因有幾個(gè)：

（1）RBM網(wǎng)絡(luò)是一種無監(jiān)督學(xué)習(xí)的方法，無監(jiān)督學(xué)習(xí)的目的是最大可能的擬合輸入數(shù)據(jù)，所以學(xué)習(xí)RBM網(wǎng)絡(luò)的目的是讓RBM網(wǎng)絡(luò)最大可能地?cái)M合輸入數(shù)據(jù)。

（2）在馬爾科夫隨機(jī)場（MRF）中能量模型主要扮演著兩個(gè)作用：全局解的度量（目標(biāo)函數(shù)），和能量最小時(shí)的解（各種變量對應(yīng)的配置）為目標(biāo)解。換句話說，使用能量模型使得學(xué)習(xí)一個(gè)數(shù)據(jù)的分布變得容易可行了。能否把最優(yōu)解嵌入到能量函數(shù)中至關(guān)重要，決定著我們具體問題求解的好壞。統(tǒng)計(jì)模式識別主要工作之一就是捕獲變量之間的相關(guān)性，同樣能量模型也要捕獲變量之間的相關(guān)性，變量之間的相關(guān)程度決定了能量的高低。把變量的相關(guān)關(guān)系用圖表示出來，并引入概率測度方式就構(gòu)成了概率圖模型的能量模型。RBM作為一種概率圖模型，引入了概率就可以使用采樣技術(shù)求解，在對比散度算法中采樣部分扮演著模擬求解梯度的角色。能量模型需要一個(gè)定義能量函數(shù)，RBM的能量函數(shù)的定義如下：

這個(gè)能量函數(shù)的意思就是，每個(gè)可視節(jié)點(diǎn)和隱藏節(jié)點(diǎn)之間的連接結(jié)構(gòu)都有一個(gè)能量，通俗來說就是可視節(jié)點(diǎn)的每一組取值和隱藏節(jié)點(diǎn)的每一組取值都有一個(gè)能量。

4 公式推導(dǎo)

在這里我們的能量函數(shù)不是以前的二項(xiàng)分布的能量函數(shù)了，而是具有高斯分布的能量函數(shù)了，如下所示：

寫成向量的形式如下：

因?yàn)樵谶@里我們的V是高斯分布，其是連續(xù)分布的不是二項(xiàng)分布的，所以

經(jīng)過很多步化簡可以得到以下結(jié)果

由以上公式可以推導(dǎo)出：

所以可視節(jié)點(diǎn)是由u=bi+？撞jwi，jhj？滓i為均值，？滓i為方差的高斯分布。

5 研究結(jié)果

本次研究以川西地區(qū)川科1井來驗(yàn)證巖性的識別結(jié)果，川科1井是開拓四川盆地海相勘探新領(lǐng)域具有重要戰(zhàn)略意義的科學(xué)探索井。選擇了聲波測井（AC），井徑1（CAL1）， 井徑2（CAL2），密度（DEN），自然伽瑪（GR），5條測井曲線作為研究對象，選取有巖芯資料的樣本45個(gè)，作為深度學(xué)習(xí)的輸入樣本，在這45個(gè)樣。

文章中我們以30個(gè)作為訓(xùn)練的樣本，15個(gè)作為測試的樣本在這個(gè)神經(jīng)網(wǎng)絡(luò)中通過不同的參數(shù)對深度學(xué)習(xí)的影響，選擇最優(yōu)的參數(shù)，最后得出結(jié)果，當(dāng)層數(shù)為5層時(shí)，每層的節(jié)點(diǎn)個(gè)數(shù)為10個(gè)時(shí)所得到的結(jié)果最好。個(gè)別樣本測試結(jié)果的誤差較大，其余的與期望輸出值完全一致，巖性識別正確率高達(dá)90%以上。

6 結(jié)束語

在通過大量的測試發(fā)現(xiàn)深度學(xué)習(xí)可以得到很好的結(jié)果，相對于的傳統(tǒng)BP網(wǎng)絡(luò)其克服了收斂慢和發(fā)散的問題，也體現(xiàn)了其特征提取的優(yōu)越性。但是由于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)參數(shù)初始化的隨機(jī)性，有時(shí)候相同的測試參數(shù)可能得到不同的測試結(jié)果，所以深度學(xué)習(xí)訓(xùn)練有一定的困難性。

研究表明采用深度學(xué)習(xí)來進(jìn)行測井巖性識別，方法簡單易操作，且識別準(zhǔn)確率相當(dāng)高。這為測井資料地質(zhì)解釋提供了一個(gè)全新的方法，對于探尋和鑒別含油氣地層的精確性，在油氣資源開發(fā)領(lǐng)域非常具有實(shí)用意義。

參考文獻(xiàn)

[1]盧新衛(wèi)，金章東.前饋神經(jīng)網(wǎng)絡(luò)的巖性識別方法[J].石油與天然氣地質(zhì)，1999，3.

[2]范訓(xùn)禮，戴航，張新家，等.神經(jīng)網(wǎng)絡(luò)在巖性識別中的應(yīng)用[J].測井技術(shù)，1999，1.

[3]侯俊勝，王穎.神經(jīng)網(wǎng)絡(luò)方法在煤氣層測井資料解釋中的應(yīng)用[J].地質(zhì)與勘探，1999，5.

[4]Hinton，G.E.Osindero，S.and Teh，Y.A fast learning algorithm for deep belief nets[J].Neural Computation，2006，18：1527-1554.

[5]曾黃麟，虞厥邦，曾謙.基于主成分分析的特征簡化[J].四川輕化工學(xué)院學(xué)報(bào)，1999，12（1）.

作者簡介：李建國（1987-），男，成都理工大學(xué)地球物理學(xué)院在讀碩士研究生，地球探測與信息技術(shù)，主要研究方向?yàn)樯疃葘W(xué)習(xí)在地球物理方面的應(yīng)用。