胡嘉良，高玉超，余繼峰，盧 磊，張鴻君，楊子群

(1.山東科技大學(xué) 地球科學(xué)與工程學(xué)院,山東 青島 266590；2.兗礦東華建設(shè)有限公司 地礦建設(shè)分公司,山東 鄒城 273500)

?

基于PCA-BP神經(jīng)網(wǎng)絡(luò)的非常規(guī)儲(chǔ)層巖性識(shí)別研究

胡嘉良1，高玉超2，余繼峰1，盧 磊1，張鴻君1，楊子群1

(1.山東科技大學(xué) 地球科學(xué)與工程學(xué)院,山東 青島 266590；2.兗礦東華建設(shè)有限公司 地礦建設(shè)分公司,山東 鄒城 273500)

巖性識(shí)別一直是儲(chǔ)層測(cè)井解釋的關(guān)鍵問(wèn)題和難點(diǎn)之一。針對(duì)常規(guī)測(cè)井巖性識(shí)別準(zhǔn)確率不高的狀況，在分析測(cè)井資料的基礎(chǔ)上，以Matlab為平臺(tái)研究了基于主成分分析的PCA-BP神經(jīng)網(wǎng)絡(luò)，并以濟(jì)陽(yáng)坳陷非常規(guī)儲(chǔ)層實(shí)際測(cè)井資料為樣本，通過(guò)設(shè)計(jì)算法步驟進(jìn)行了實(shí)驗(yàn)仿真。由仿真結(jié)果得出非常規(guī)儲(chǔ)層巖性識(shí)別率為95.8%，高于BP神經(jīng)網(wǎng)絡(luò)，PCA-BP神經(jīng)網(wǎng)絡(luò)有效提高了識(shí)別率和運(yùn)行速度。經(jīng)過(guò)對(duì)濟(jì)陽(yáng)坳陷鉆井的巖性識(shí)別表明，該巖性識(shí)別方法可行并具有實(shí)用價(jià)值。

非常規(guī)儲(chǔ)層；濟(jì)陽(yáng)坳陷；巖性識(shí)別；主成分分析；BP神經(jīng)網(wǎng)絡(luò)

近年來(lái)，隨著我國(guó)油氣供求矛盾突出以及常規(guī)油氣資源不斷減少，非常規(guī)油氣的勘探與開(kāi)發(fā)逐漸受到重視，而非常規(guī)油氣儲(chǔ)層具有儲(chǔ)層結(jié)構(gòu)復(fù)雜、滲透性異常、埋藏較深、勘探開(kāi)發(fā)難度較大的特點(diǎn)，這對(duì)油氣勘探開(kāi)發(fā)技術(shù)提出了更高的要求[1]。精確高效的測(cè)井資料巖性識(shí)別技術(shù)能為油氣資源勘探開(kāi)發(fā)提供有力保障。隨著油氣勘探技術(shù)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)已經(jīng)成為測(cè)井巖性識(shí)別的重要手段之一，一些經(jīng)過(guò)優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型在測(cè)井巖性識(shí)別中取得了較好效果。周成當(dāng)[2]提出了模糊神經(jīng)網(wǎng)絡(luò)結(jié)合貝葉斯統(tǒng)計(jì)模式的巖性識(shí)別模型，并驗(yàn)證了該方法的可行性；范訓(xùn)禮等[3]應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)塔里木油田某取芯井的測(cè)井資料進(jìn)行了泥巖、砂巖和灰?guī)r的巖性識(shí)別，證實(shí)了神經(jīng)網(wǎng)絡(luò)在巖性識(shí)別中的有效性；金明霞等[4]利用快速BP算法訓(xùn)練了神經(jīng)網(wǎng)絡(luò)，并用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)某地區(qū)的測(cè)井資料進(jìn)行巖性識(shí)別，取得了相當(dāng)好的效果；羅德江等[5]考慮到BP神經(jīng)網(wǎng)絡(luò)的不足，結(jié)合小波變換，將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用到致密砂巖儲(chǔ)層參數(shù)的預(yù)測(cè)中，較為準(zhǔn)確地預(yù)測(cè)儲(chǔ)層孔隙度，為儲(chǔ)層參數(shù)預(yù)測(cè)提供了新思路；懷海寧等[6]利用神經(jīng)網(wǎng)絡(luò)模型對(duì)鎮(zhèn)原區(qū)塊儲(chǔ)層的物性參數(shù)進(jìn)行了預(yù)測(cè)，又一次證實(shí)了BP神經(jīng)網(wǎng)絡(luò)在測(cè)井參數(shù)預(yù)測(cè)應(yīng)用中的優(yōu)勢(shì)和潛力；張國(guó)英等[7]將主成分分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了基于主成分分析的BP網(wǎng)絡(luò)儲(chǔ)層巖性識(shí)別模型，并證實(shí)了該模型的優(yōu)越性能。

主成分分析(Principal Component Analysis, PCA)是一種較為常用的多變量統(tǒng)計(jì)方法，將多個(gè)變量轉(zhuǎn)換為少數(shù)的幾個(gè)主成分，將原始數(shù)據(jù)簡(jiǎn)化，起到了降維的效果。BP神經(jīng)網(wǎng)絡(luò)已較為廣泛地應(yīng)用于目標(biāo)分類(lèi)與預(yù)測(cè)識(shí)別。針對(duì)BP神經(jīng)網(wǎng)絡(luò)的缺陷與不足，防止BP神經(jīng)網(wǎng)絡(luò)由于前端輸入太多的樣本特征量，造成訓(xùn)練速度與效率降低，甚至不收斂的情況，結(jié)合主成分分析對(duì)輸入的樣本進(jìn)行降維[8]?；谥鞒煞址治龅腂P神經(jīng)網(wǎng)絡(luò)模型，結(jié)合二者的優(yōu)點(diǎn)，使網(wǎng)絡(luò)性能更高。該方法降低了神經(jīng)網(wǎng)絡(luò)的復(fù)雜度，減少了運(yùn)行時(shí)間，提高了計(jì)算精度[9-12]。

1 理論與方法簡(jiǎn)介

1.1 主成分分析原理

主成分分析方法的計(jì)算步驟[14-15]：

2)計(jì)算變量之間的相關(guān)系數(shù)矩陣R，R=XX′(N-1)-1；

3)計(jì)算R的特征值λj及其對(duì)應(yīng)的特征向量μj(j=1,2,…,p)；

4)計(jì)算主成分累計(jì)貢獻(xiàn)率，確定m(m

通常以大于85%的累計(jì)貢獻(xiàn)率來(lái)確定m的取值;

5)取前m個(gè)主成分并計(jì)算各個(gè)樣品在主成分上的得分，第i個(gè)樣品的第j個(gè)主成分為：Fij=μijx1i+μ2jx2i+…+μpjxpi，(i=1,2,…,n;j=1,2,…,m)；

1.2 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，它既有信號(hào)的前向傳遞又有誤差的反向傳遞，網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)分為輸入層、隱層和輸出層。在信號(hào)前向傳遞過(guò)程中，輸入信號(hào)從輸入層經(jīng)過(guò)隱層傳輸?shù)捷敵鰧?，進(jìn)行逐層處理，每一層的神經(jīng)元信號(hào)只能傳遞到下一層神經(jīng)元；如果輸出層的輸出結(jié)果未達(dá)到事先給定的期望輸出，則誤差轉(zhuǎn)入反向傳播，根據(jù)誤差的大小調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)能夠收斂到較小的均方誤差，從而使預(yù)測(cè)輸出不斷逼近期望輸出。這一神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過(guò)程使得網(wǎng)絡(luò)學(xué)習(xí)并儲(chǔ)存了輸入和輸出變量之間的映射關(guān)系。

BP網(wǎng)絡(luò)用于測(cè)井巖性識(shí)別的基本原理是：應(yīng)用參數(shù)井的測(cè)井信息與相應(yīng)巖層參數(shù)值對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，使其獲得判別井徑、自然伽瑪、自然電位、聲波時(shí)差等參數(shù)經(jīng)驗(yàn)，以及對(duì)預(yù)測(cè)參數(shù)的傾向性認(rèn)識(shí)。當(dāng)對(duì)未知巖性的井段測(cè)井參數(shù)進(jìn)行巖性識(shí)別時(shí)，網(wǎng)絡(luò)將利用已形成的映射關(guān)系，再現(xiàn)專(zhuān)家經(jīng)驗(yàn)，實(shí)現(xiàn)定性與定量的有效結(jié)合，保證巖性識(shí)別、分層的結(jié)果的客觀與準(zhǔn)確。

1.3 PCA-BP網(wǎng)絡(luò)結(jié)構(gòu)及識(shí)別步驟

PCA-BP網(wǎng)絡(luò)由兩部分構(gòu)成：一是主成分分析；二是BP神經(jīng)網(wǎng)絡(luò)。結(jié)構(gòu)圖如圖1所示。

圖1 PCA-BP網(wǎng)絡(luò)結(jié)構(gòu)

Fig.1 PCA-BP network structure

識(shí)別步驟：

1) 訓(xùn)練樣本數(shù)據(jù)主成分分析。合理選擇訓(xùn)練樣本測(cè)井參數(shù)，并進(jìn)行標(biāo)準(zhǔn)化。求取標(biāo)準(zhǔn)化后樣本數(shù)據(jù)的相關(guān)系數(shù)矩陣，計(jì)算相關(guān)矩陣的特征值和特征向量。選取累積貢獻(xiàn)率大于85%的前m個(gè)特征值及其對(duì)應(yīng)的特征向量，并計(jì)算出前m個(gè)主成分的得分。

2) 網(wǎng)絡(luò)訓(xùn)練，建立識(shí)別模型。以第一步得到的前m個(gè)主成分的得分為學(xué)習(xí)樣本，輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

3) 網(wǎng)絡(luò)測(cè)試。按照第一步和第二步的方法，取測(cè)試樣本測(cè)井參數(shù)數(shù)據(jù)，進(jìn)行主成分分析并將測(cè)試樣本測(cè)井參數(shù)的主成分得分輸入已經(jīng)建立好的PCA-BP網(wǎng)絡(luò)模型中，網(wǎng)絡(luò)模型按照已有學(xué)習(xí)經(jīng)驗(yàn)對(duì)測(cè)試樣本進(jìn)行巖性識(shí)別。

2 PCA-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及訓(xùn)練

2.1 樣本參數(shù)PCA處理

考慮到建立的神經(jīng)網(wǎng)絡(luò)模型應(yīng)具有合理性與泛化能力，樣本的選擇尤為重要。應(yīng)充分考慮巖性類(lèi)別與測(cè)井物性參數(shù)之間的內(nèi)在聯(lián)系和特定的區(qū)域地質(zhì)背景，選取標(biāo)準(zhǔn)的巖性樣本。以濟(jì)陽(yáng)坳陷渤93鉆測(cè)井?dāng)?shù)據(jù)為研究對(duì)象，選擇能夠敏感映射該區(qū)非常規(guī)儲(chǔ)層巖性的測(cè)井參數(shù)值，即井徑(CAL)、自然電位(SP)、聲波時(shí)差(AC)、補(bǔ)償中子(CNL)、地層真電阻率(RT)和自然伽瑪(GR)，用于分析識(shí)別泥巖、碳質(zhì)泥巖、煤層及細(xì)砂巖的巖性類(lèi)型。

圖2 測(cè)井參數(shù)的皮爾遜相關(guān)系數(shù)

Fig.2 Pearson correlation coefficient of log parameters

一般不同測(cè)井參數(shù)間的數(shù)值大小相差較大，為了消除測(cè)井?dāng)?shù)據(jù)在量綱與數(shù)量級(jí)上存在的差異，首先將測(cè)井?dāng)?shù)據(jù)進(jìn)行歸一化處理。處理后的測(cè)井?dāng)?shù)據(jù)沒(méi)有量綱并且其數(shù)值在[0,1]范圍內(nèi)變化。采用最常用的極值歸一化方法，公式為：Zij=(Xij-Xij min)(Xij max-Xij min)-1，其中：i=1,2,…,n；j=1,2,…,p；Zij為歸一化后的數(shù)據(jù)；Xij為原始數(shù)據(jù)；Xij max、Xij min分別為某曲線的最大值、最小值。

網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)越多，模型的泛化能力越好。選取160個(gè)樣本數(shù)據(jù)，將樣本數(shù)據(jù)的70%作為訓(xùn)練數(shù)據(jù)，15%作為驗(yàn)證數(shù)據(jù)，15%作為測(cè)試數(shù)據(jù)。將歸一化后的樣本測(cè)井?dāng)?shù)據(jù)，先進(jìn)行相關(guān)性檢測(cè)再進(jìn)行主成分分析。

由測(cè)井參數(shù)的皮爾遜相關(guān)系數(shù)(圖2)可見(jiàn)，除地層真電阻率(RT)以外的測(cè)井參數(shù)間呈正相關(guān)或弱的正相關(guān)，地層真電阻率(RT)與其余測(cè)井參數(shù)呈強(qiáng)的負(fù)相關(guān)。所以需要對(duì)測(cè)井參數(shù)進(jìn)行主成分分析以降維減小數(shù)據(jù)的冗余度。

表1、2、3及圖3、4為測(cè)井?dāng)?shù)據(jù)主成分分析后的部分結(jié)果。由表1及圖3可見(jiàn)，前三個(gè)主成分的累積貢獻(xiàn)率已達(dá)到93.6%，因此前3個(gè)主成分基本代表原有信息，后幾個(gè)主成分的貢獻(xiàn)率很小，可以將其忽略。由表2可見(jiàn)，PCA1主要反映測(cè)井參數(shù)CNL、AC和RT對(duì)測(cè)井巖性的綜合影響，PCA2反映測(cè)井參數(shù)GR、SP和CAL對(duì)測(cè)井巖性的綜合影響，PCA3主要反映SP、GR和RT對(duì)測(cè)井巖性的綜合影響。

表1 各主成分的特征值及貢獻(xiàn)率

Tab.1 Characteristic values of the principal component and the contribution rate

特征值差值貢獻(xiàn)率/%累積貢獻(xiàn)率/%第一主成分3.99093.050566.515866.5158第二主成分0.94040.255415.673982.1897第三主成分0.68500.481211.417093.6067第四主成分0.20380.06893.397497.0041第五主成分0.13490.09002.248399.2524第六主成分0.04490.7476100

表2 主成分系數(shù)

Tab.2 Coefficient of principal component

標(biāo)準(zhǔn)化變量PCA1PCA2PCA3CAL0.39110.61370.0698SP0.3746-0.5274-0.4466GR0.2964-0.37630.8661RT-0.44020.28180.2099CNL0.45660.3437-0.0281AC0.46550.0778-0.0247

表3 部分原始樣本及其主成分得分?jǐn)?shù)據(jù)

Tab.3 Part of the original sample data and principal component score data

編號(hào)測(cè)井原始數(shù)據(jù)CALSPGRRTCNLAC主成分得分PCA1PCA2PCA3錄井巖性126.96650.2598.1219.76917.241222.9970.80351.61820.0910泥巖226.96650.2478.2949.36217.472222.9970.89841.56190.1844泥巖326.96750.2478.7578.86217.748224.4871.09921.42540.4579泥巖426.96750.2478.9328.39317.923221.7791.14541.35130.5517泥巖526.40049.668.05712.39418.42213.9720.32251.73930.2063細(xì)砂巖626.29749.678.26212.25517.716217.0750.35981.60590.3285細(xì)砂巖726.33349.5158.43611.92817.026220.1970.42241.53070.4426細(xì)砂巖826.37349.6248.32511.65116.693222.660.45761.53120.3491細(xì)砂巖922.61852.6548.21111.3239.248206.795-0.9492-0.4419-0.0962煤層1022.54652.8088.17111.0239.328207.802-0.9057-0.4788-0.1537煤層1122.44352.9378.36510.7169.196208.844-0.8353-0.6016-0.0582煤層1222.29553.0668.22610.3988.94210.221-0.8503-0.6521-0.1791煤層1322.59152.8616.9315.66811.711207.013-1.40740.3049-0.7634碳質(zhì)泥巖1422.60552.756.62816.39712.424212.943-1.37430.5145-0.9246碳質(zhì)泥巖1522.52852.7126.39617.10312.728214.899-1.44550.6289-1.0455碳質(zhì)泥巖1622.33452.4875.76816.52111.986207.801-1.78250.6671-1.4504碳質(zhì)泥巖

圖3 貢獻(xiàn)率直方圖

Fig.3 Histogram contribution rate

圖4 主成分得分的散點(diǎn)圖

Fig.4 Principal component scores scatterplot

2.2 網(wǎng)絡(luò)訓(xùn)練及性能

構(gòu)建由3層神經(jīng)元組成的BP神經(jīng)網(wǎng)絡(luò)模型。輸入層為訓(xùn)練樣本的前3個(gè)主成分得分，輸出層是測(cè)井識(shí)別目標(biāo)值，由4個(gè)神經(jīng)元組成，即4種非常規(guī)儲(chǔ)層巖性(泥巖、碳質(zhì)泥巖、煤層和細(xì)砂巖)。隱層神經(jīng)元個(gè)數(shù)的確定采用網(wǎng)絡(luò)結(jié)構(gòu)增長(zhǎng)型方法，在建立網(wǎng)絡(luò)時(shí)，由于隱層神經(jīng)元激活函數(shù)采用了S型函數(shù)，輸出層的各個(gè)神經(jīng)元輸出只能無(wú)限接近1和0，而不能夠達(dá)到1和0，因此在對(duì)各訓(xùn)練樣本的期望值進(jìn)行編碼時(shí)，設(shè)置為0.99和0.01。對(duì)網(wǎng)絡(luò)期望輸出編碼如表4。

表4 網(wǎng)絡(luò)輸出編碼

Tab.4 Network output encoding

巖性期望輸出泥巖[0.99,0.01,0.01,0.01]細(xì)砂巖[0.01,0.99,0.01,0.01]煤[0.01,0.01,0.99,0.01]碳質(zhì)泥巖[0.01,0.01,0.01,0.99]

將主成分得分送入BP網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，選取f(x)=(1+e-x)-1為激活函數(shù)，初始步長(zhǎng)為1，動(dòng)量因子α=0.6，最大迭代次數(shù)為500次，目標(biāo)誤差ε=0.01，學(xué)習(xí)率為0.01，隱含層節(jié)點(diǎn)數(shù)為30個(gè)。采用Matlab2012b平臺(tái)，將訓(xùn)練樣本輸入計(jì)算機(jī)程序，對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練結(jié)果如下：

1)ROC曲線

圖5 ROC曲線圖

Fig.5 ROC plot

圖5受試者特征曲線(Receiver Operating Characteristic Curve，簡(jiǎn)稱(chēng)ROC曲線)，橫軸為虛報(bào)概率即錯(cuò)誤的判斷率，縱軸為擊中概率即正確的判斷率；ROC曲線下方面積(Area Under the ROC，簡(jiǎn)稱(chēng)AUC)在1.0和0.5之間。AUC越接近0.5說(shuō)明識(shí)別準(zhǔn)確性越差，AUC越接近于1說(shuō)明識(shí)別準(zhǔn)確性越好。圖5中顯示繪制的曲線都遠(yuǎn)離斜45°直線，AUC都大于0.9，說(shuō)明PCA-BP網(wǎng)絡(luò)模型的識(shí)別能力較好。

2)混淆矩陣

采用混淆矩陣(圖6)對(duì)識(shí)別結(jié)果加以說(shuō)明，矩陣的列分別表示某種巖性實(shí)際類(lèi)別，行表示識(shí)別結(jié)果。矩陣對(duì)角線上的數(shù)據(jù)代表被正確分類(lèi)的樣本個(gè)數(shù)，非對(duì)角線上的數(shù)據(jù)代表被混分的樣本個(gè)數(shù)；從圖看出，泥巖、細(xì)砂巖、煤層、碳質(zhì)泥巖被正確識(shí)別的樣本個(gè)數(shù)分別為57、62、16和20。以“1”所代表的“泥巖”為例，第1行中的“57”代表有57個(gè)樣本被識(shí)別為泥巖，“2”代表有2個(gè)細(xì)砂巖樣本被混淆識(shí)別為泥巖。即在識(shí)別結(jié)果中有被正確識(shí)別為泥巖的57個(gè)樣本和被錯(cuò)誤識(shí)別的2個(gè)樣本，其識(shí)別結(jié)果的符合率(被正確識(shí)別樣本數(shù)占該類(lèi)別識(shí)別結(jié)果總樣本數(shù)的比)為96.6%，第1列代表實(shí)際有60個(gè)泥巖樣本，其中3個(gè)被誤判為細(xì)砂巖，其識(shí)別結(jié)果的正確率(被正確識(shí)別樣本數(shù)占該類(lèi)別實(shí)際樣本數(shù)的比)為95%。細(xì)砂巖的識(shí)別結(jié)果符合率為95.4%、煤層為100%、碳質(zhì)泥巖為100%、總學(xué)習(xí)結(jié)果符合率為96.9%。泥巖和細(xì)砂巖出現(xiàn)混淆，識(shí)別符合率較低，這是因?yàn)槟鄮r與細(xì)砂巖巖性特征相近，不利于識(shí)別。

3)網(wǎng)絡(luò)訓(xùn)練收斂圖

由Matlab程序仿真得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂圖(圖7)，隨著訓(xùn)練步數(shù)的增加，均方誤差越來(lái)越小，訓(xùn)練曲線距離目標(biāo)誤差越來(lái)越接近，當(dāng)訓(xùn)練曲線與目標(biāo)誤差曲線相交時(shí)，本次訓(xùn)練收斂。PCA-BP神經(jīng)網(wǎng)絡(luò)的最佳表現(xiàn)性能在訓(xùn)練步長(zhǎng)為9步，均方誤差為0.052 097時(shí)取得。

4)線性回歸分析圖

把所有數(shù)據(jù)(訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)以及測(cè)試數(shù)據(jù))放到一個(gè)數(shù)據(jù)集中，通過(guò)網(wǎng)絡(luò)輸出和期望輸出進(jìn)行線性回歸分析，分析結(jié)果如圖8所示：所有數(shù)據(jù)的輸出相對(duì)于期望值都有較好的跟蹤，相應(yīng)的R值都達(dá)到0.8以上，網(wǎng)絡(luò)響應(yīng)效果較好。

注：1—泥巖，2—細(xì)砂巖，3—煤層，4—碳質(zhì)泥巖

圖6 混淆矩陣圖

Fig.6 Confusion matrix

圖7 網(wǎng)絡(luò)訓(xùn)練收斂圖

Fig.7 Network training convergence map

圖8 線性回歸結(jié)果圖

Fig.8 Linear regression results

表5 PCA-BP網(wǎng)絡(luò)與BP網(wǎng)絡(luò)識(shí)別結(jié)果比較

Tab.5 Recognition results compared to BP neural network

網(wǎng)絡(luò)類(lèi)型收斂步長(zhǎng)識(shí)別率/%BP神經(jīng)網(wǎng)絡(luò)1583.3PCA-BP神經(jīng)網(wǎng)絡(luò)995.8

2.3 網(wǎng)絡(luò)識(shí)別結(jié)果對(duì)比

測(cè)試數(shù)據(jù)用于驗(yàn)證網(wǎng)絡(luò)的識(shí)別率，由24個(gè)測(cè)試數(shù)據(jù)的識(shí)別結(jié)果發(fā)現(xiàn)，PCA-BP神經(jīng)網(wǎng)絡(luò)有1個(gè)數(shù)據(jù)識(shí)別錯(cuò)誤，BP神經(jīng)網(wǎng)絡(luò)有4個(gè)數(shù)據(jù)識(shí)別錯(cuò)誤。

綜合對(duì)比(表5)發(fā)現(xiàn)：PCA-BP神經(jīng)網(wǎng)絡(luò)的收斂步長(zhǎng)為9，BP神經(jīng)網(wǎng)絡(luò)為15，說(shuō)明PCA-BP神經(jīng)網(wǎng)絡(luò)收斂性好，效率更高；PCA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別率為95.8%，高于BP神經(jīng)網(wǎng)絡(luò)的83.3%，說(shuō)明PCA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別精度更高。

3 應(yīng)用實(shí)例

應(yīng)用以上建立的PCA-BP神經(jīng)網(wǎng)絡(luò)模型，另取濟(jì)陽(yáng)坳陷渤93鉆井2 850～2 943 m的測(cè)井?dāng)?shù)據(jù)為待識(shí)別樣本，將樣本送入已經(jīng)訓(xùn)練好的PCA-BP網(wǎng)絡(luò)巖性識(shí)別模型中進(jìn)行識(shí)別，識(shí)別結(jié)果如圖9所示。從圖9中可以看出，PCA-BP神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果與錄井巖性吻合，尤其是2 875～2 883 m泥巖段識(shí)別的結(jié)果更加精細(xì)，在2 884.5～2 886.5 m段識(shí)別出了煤夾層。

圖9 渤93鉆井2 850～2 943 m巖性識(shí)別結(jié)果

Fig.9 Wells Bo93 2 850-2 943 m lithology identification results

4 結(jié)論

利用主成分分析法對(duì)濟(jì)陽(yáng)坳陷測(cè)井樣本參數(shù)進(jìn)行優(yōu)化，減少了輸入維數(shù)，消除了各變量之間的自相關(guān)性，簡(jiǎn)化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。以濟(jì)陽(yáng)坳陷測(cè)井?dāng)?shù)據(jù)為研究對(duì)象建立的PCA-BP神經(jīng)網(wǎng)絡(luò)模型的收斂步長(zhǎng)為9，低于BP網(wǎng)絡(luò)的15，顯示出更好的收斂性，PCA-BP神經(jīng)網(wǎng)絡(luò)的運(yùn)行效率較高；PCA-BP神經(jīng)網(wǎng)絡(luò)識(shí)別準(zhǔn)確率為95.8%,高于BP神經(jīng)網(wǎng)絡(luò)的83.3%。在同一口井中，利用取芯段測(cè)井參數(shù)建立PCA-BP神經(jīng)網(wǎng)絡(luò)，可以對(duì)未取芯段進(jìn)行巖性識(shí)別。PCA-BP神經(jīng)網(wǎng)絡(luò)是一種經(jīng)濟(jì)高效的測(cè)井資料地質(zhì)解釋方法，可以作為非常規(guī)油氣資源開(kāi)發(fā)領(lǐng)域中實(shí)用的技術(shù)手段。

[1]趙靖舟.非常規(guī)油氣有關(guān)概念、分類(lèi)及資源潛力[J].天然氣地球科學(xué),2012,23(3):393-406. ZHAO Jingzhou.Conception,classification and resource potential of unconventional hydrocarbons[J].Natual Gas Geo-science,2012,23(3):393-406.

[2]周成當(dāng),成菊安.模糊神經(jīng)網(wǎng)絡(luò)巖性識(shí)別系統(tǒng)[J].江漢石油學(xué)院學(xué)報(bào),1993,15(4):40-44. ZHOU Chengdang,CHENG Ju′an.A lithology recognition system based on fuzzy neural network[J].Journal of Jianghan Petorleum Institute,1993,15(4):40-44.

[3]范訓(xùn)禮,戴航.神經(jīng)網(wǎng)絡(luò)在巖性識(shí)別中的應(yīng)用[J].測(cè)井技術(shù),1999,23(1):50-52. FAN Xunli,DAI Hang.Applications of neural network in lithology identification[J].Well Logging Technology,1999,23(1):50-52.

[4]金明霞,張超謨,劉小梅.基于MATLAB神經(jīng)網(wǎng)絡(luò)的巖性識(shí)別[J].江漢石油學(xué)院報(bào),2003,12(4):81-83. JIN Mingxia,ZHANG Chaomo,LIU Xiaomei.Lithologic identification based on MATLAB neural network[J].Journal of Jianghan Petorleum Institute,2003,12(4):81-83.

[5]羅德江,郭科.小波神經(jīng)網(wǎng)絡(luò)在致密砂巖儲(chǔ)層參數(shù)預(yù)測(cè)中的應(yīng)用[J].內(nèi)蒙古石油化工,2007,27(12):119-122. LUO Dejiang,GUO Ke.Application of WNN algorithm in reservoir prediction of compact sandstone[J].Inner Mongolia Petrochemical Industry,2007,27(12):119-122.

[6]懷海寧,劉建英.BP神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層物性預(yù)測(cè)中的應(yīng)用:以鄂爾多斯南部鎮(zhèn)原區(qū)塊為例[J].內(nèi)蒙古石油化工,2008,28(8):12-14. HUAI Haining,LIU Jianying.BP neural network in prediction of reservoir properties:A case investigation of Zhenyuan field in southern Ordos[J].Inner Mongolia Petrochemical Industry,2008,28(8):12-14.

[7]張國(guó)英,王娜娜,張潤(rùn)生,等.基于主成分分析的BP神經(jīng)網(wǎng)絡(luò)在巖性識(shí)別中的應(yīng)用[J].北京化工學(xué)院學(xué)報(bào),2008,16(3):43-46. ZHANG Guoying,WANG Nana,ZHANG Runsheng,et al.Application of principal component analysis and BP neural net-work in identifying lithology[J].Journal of Beijing Institute of Petro-chemical Technology,2008,16(3):43-46.

[8]李軍梅,胡以華,陶小紅.基于主成分分析與BP神經(jīng)網(wǎng)絡(luò)的識(shí)別方法研究[J].紅外與激光工程,2005,34(6):719-723. LI Junmei,HU Yihua,TAO Xiaohong.Recognition method based on principal component analysis and back-propagation neural network[J].Infrared and Laser Engineering,2005,34(6):719-723.

[9]楊靜,毛宗源.基于PCA和神經(jīng)網(wǎng)絡(luò)的識(shí)別方法研究[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(25):246-248. YANG Jing,MAO Zongyuan.Recognition method based on principal component analysis and neural network[J].Computer Engineering and Applications,2007,43(25):246-248.

[10]吳新生,謝益民,劉煥彬.主成分分析法用于化工過(guò)程人工神經(jīng)網(wǎng)絡(luò)建模[J].計(jì)算機(jī)與應(yīng)用化學(xué),1999,16(3):219-221. WU Xinsheng,XIE Yimin,LIU Huanbin.Application of principal components analysis in artificial neural network modeling of chemical process[J].Computers and Applied Chemistry,1999,16(3):219-221.

[11]梁賓橋,王繼宗,梁曉穎.高性能混凝土強(qiáng)度預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)-主成分分析[J].計(jì)算機(jī)工程與應(yīng)用,2004,18:192-195. LIANG Binqiao,WANG Jizong,LIANG Xiaoying.Principle component analysis and neural networks for strength forecast of high performance concrete[J].Computer Engineering and Application,2004,18:192-195.

[12]楊海瀾,蔡艷,陳庚軍.主成分分析結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)在焊接質(zhì)量控制中的應(yīng)用[J].焊接學(xué)報(bào),2003,24(4):55-58. YANG Hailan,CAI Yan,CHEN Gengjun.Principal component analysis based artificial neural networks for arcwelding quality control[J].Transactions of the China Welding Institution,2003,24(4):55-58.

[13]李岳,呂克洪.主成分分析在鐵譜磨粒識(shí)別中的應(yīng)用研究[J].國(guó)防科技大學(xué)學(xué)報(bào),2004,26(1):89-94. LI Yue,Lü Kehong.The application of the principal components analysis (PCA) to debris recognition[J].Journal of National University of Defense Technology,2004,26(1):89-94.

[14]范金城,梅長(zhǎng)林.數(shù)據(jù)分析[M].北京:科學(xué)出版社,2002:142-148.

[15]王學(xué)仁,王松桂.實(shí)用多元統(tǒng)計(jì)分析[M].上海:上海科學(xué)技術(shù)出版社,1990:270-330.

(責(zé)任編輯：高麗華)

Lithology Identification of Unconventional Reservoirs Based on PCA-BP Neural Network

HU Jialiang1,GAO Yuchao2,YU Jifeng1,LU Lei1,ZHANG Hongjun1,YANG Ziqun1

(1.College of Earth Science and Engineering,Shandong University of Science and Technology,Qingdao,Shandong 266590,China;2.Geological Mining Construction Branch,Donghua Construction Co.,Ltd of Yankuang Group,Zoucheng,Shandong,273500,China)

Lithology identification has been the key and difficult point of reservoir logging interpretation.Considering the low accuracy of conventional lithology identification methods,the BP neural network based on improved principal component analysis (PCA) was studied on the basis of logging data analysis and with Matlab as the platform.The actual logging data of unconventional reservoir in Jiyang sag was taken as sample,on which experiment simulation was performed by designing algorithm.The simulation results show that with the unconventional reservoir lithology identification rate of 95.8%,which is higher than BP neural network,PCA-BP neural network is effective to improve the identification rate and speed.The logging lithology identification in Jiyang sag proves that this lithology identification method is feasible and has practical values.

unconventional reservoirs;Jiyang sag;lithology identification;principal component analysis;BP neural network

2016-02-21

國(guó)家自然科學(xué)基金項(xiàng)目(41472092)

胡嘉良(1989—)，男，山東曲阜人，碩士研究生，主要從事地質(zhì)工程等方面研究.E-mail：jialhu@126.com 余繼峰(1964—)，男，安徽蕭縣人，教授，博士生導(dǎo)師，主要從事能源盆地分析、測(cè)井地質(zhì)定量解釋、旋回地層學(xué)等方面研究，本文通信作者.E-mail：yujifeng05@163.com

P631

A

1672-3767(2016)05-0009-08