馬 奎

?

基于BP神經(jīng)網(wǎng)絡(luò)自動(dòng)識(shí)別沉積微相方法

馬 奎

（中國(guó)石油勘探開發(fā)研究院，北京100083）

基于測(cè)井?dāng)?shù)據(jù)的深度挖掘性，提出了前饋式（BP）人工神經(jīng)網(wǎng)絡(luò)的沉積微相識(shí)別方法。在測(cè)井?dāng)?shù)據(jù)較少、井多的條件下深入挖掘有限的測(cè)井?dāng)?shù)據(jù)，得到具有沉積學(xué)意義的樣本指標(biāo)，對(duì)比不同沉積微相指標(biāo)，找到各自特征。通過訓(xùn)練樣本的優(yōu)選，建立了訓(xùn)練樣本集，對(duì)BP人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)選擇和網(wǎng)絡(luò)訓(xùn)練方法進(jìn)行分析和試驗(yàn)，總結(jié)了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)置方法和成長(zhǎng)型網(wǎng)絡(luò)訓(xùn)練方法。實(shí)現(xiàn)了在測(cè)井?dāng)?shù)據(jù)不足、微相特征復(fù)雜的條件下實(shí)現(xiàn)了高效率、高準(zhǔn)確度的沉積微相識(shí)別，其獨(dú)特優(yōu)勢(shì)在石油地質(zhì)研究中有著廣泛的應(yīng)用前景。

BP神經(jīng)網(wǎng)絡(luò)；沉積微相；測(cè)井?dāng)?shù)據(jù)；訓(xùn)練樣本

在地質(zhì)研究中分析沉積微相，目前采用的常規(guī)手段是通過建立單井解釋模版，結(jié)合井位分布與亞相分布控制按照地質(zhì)研究人員的經(jīng)驗(yàn)進(jìn)行判別。工作量大，操作復(fù)雜，不利于工作開展，且不同地質(zhì)研究人員對(duì)工區(qū)地質(zhì)特征認(rèn)識(shí)有不同，判定結(jié)果也有出入。近年來，有學(xué)者開始采用其他方法進(jìn)行沉積微相判別，具代表性的有：①靳松等利用不同沉積微相對(duì)應(yīng)測(cè)井曲線段之間實(shí)測(cè)數(shù)據(jù)的變差函數(shù)（變程、主方向、次方向）特征差異進(jìn)行微相判別[1]，將地質(zhì)統(tǒng)計(jì)學(xué)算法中經(jīng)典的變差函數(shù)[2]引入到沉積微相判別中，利用不同微相測(cè)井?dāng)?shù)據(jù)的數(shù)值變異特征進(jìn)行判別。但是在實(shí)際應(yīng)用中還是存在著操作難度大，識(shí)別特征不明顯等問題；②唐為清等利用（多層前饋式）神經(jīng)網(wǎng)絡(luò)算法進(jìn)行沉積微相判別[3-4]。通過不同微相的樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練完成之后將待分析樣本投入到網(wǎng)絡(luò)中去計(jì)算，即可得出判別結(jié)果，操作難度大為減小，判別正確率也很可觀（在訓(xùn)練樣本準(zhǔn)備合理時(shí)可達(dá)90%[5]）。利用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行沉積微相判別實(shí)質(zhì)上是應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的模式識(shí)別和非線性映射的能力，通過神經(jīng)網(wǎng)絡(luò)建立起樣本參數(shù)與沉積微相的映射，來達(dá)到微相判別的目的。前饋式（BP）神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射和容錯(cuò)能力，只要建立起合適的神經(jīng)網(wǎng)絡(luò)，即可進(jìn)行高效的預(yù)測(cè)工作。是目前進(jìn)行沉積微相判別的一種較為理想的算法。

目前也面臨的問題：①樣本數(shù)據(jù)的準(zhǔn)備難度大。已進(jìn)行的多種測(cè)井曲線的數(shù)值預(yù)測(cè)[6]，將儲(chǔ)層的四性特征作為判斷指標(biāo)。但是在大多數(shù)油田，不同年代不同技術(shù)標(biāo)準(zhǔn)和儀器測(cè)得的數(shù)據(jù)差異性很大，不能一概而論，采用的分析指標(biāo)也極其有限，所以在訓(xùn)練樣本準(zhǔn)備中存在一定的困難。②測(cè)井?dāng)?shù)據(jù)利用率不高。許少華等人在對(duì)測(cè)井?dāng)?shù)據(jù)進(jìn)行樣本化處理的時(shí)候采用了二值點(diǎn)陣法[4]。在處理過程中不得不遺漏部分測(cè)點(diǎn)數(shù)據(jù)，容易造成數(shù)據(jù)失真。③樣本選取過程復(fù)雜。就神經(jīng)網(wǎng)絡(luò)而言，訓(xùn)練樣本的多少直接關(guān)系到網(wǎng)絡(luò)收斂速度，同類樣本之間的差異性也影響收斂速度[7]。目前，樣本數(shù)量巨大，怎樣選取適量代表性樣本是一個(gè)問題。④神經(jīng)網(wǎng)絡(luò)規(guī)模和拓?fù)浣Y(jié)構(gòu)難以確定，需要學(xué)習(xí)過程中進(jìn)行優(yōu)化[8]，有的學(xué)者將研究重點(diǎn)放在網(wǎng)絡(luò)收斂速度上，而忽視了預(yù)測(cè)準(zhǔn)確性的提高。

1 訓(xùn)練樣本準(zhǔn)備與測(cè)井?dāng)?shù)據(jù)深度挖掘

1.1 研究區(qū)狀況

勝利油田坨七區(qū)塊為三角洲相，主要亞相為三角洲前緣，發(fā)育的沉積微相有：水下分流河道、河口壩、河道間（也作泥巖）、前緣席狀砂、遠(yuǎn)岸灘壩、近岸灘砂等沉積微相。各沉積微相特征復(fù)雜，單個(gè)樣本特征不明顯，測(cè)井?dāng)?shù)據(jù)偏少，主要有自然電位(SP)、自然伽馬(Gr)、微梯度(ML1)、微電位(ML2)四種曲線，其他曲線較少，不能作為全局指標(biāo)。另外，Gr曲線也有一定程度的缺失。區(qū)內(nèi)共有井576口。對(duì)泥巖相統(tǒng)計(jì)其曲線特征，提取其不同測(cè)井?dāng)?shù)據(jù)文件中的SP、Gr、ML1均值和變異性（已歸一化[10]）得到其分布特征。

由此可見，區(qū)內(nèi)SP、Gr、ML1、ML2四種曲線應(yīng)用最廣，Gr在少部分井中缺失；其他測(cè)井?dāng)?shù)據(jù)則針對(duì)性強(qiáng)，總量太少，不能作為全區(qū)微相判別指標(biāo)。根據(jù)現(xiàn)有資料，僅有Gr、SP、電阻率和含油性等資料是不足以訓(xùn)練滿足要求的神經(jīng)網(wǎng)絡(luò)的。為了克服這個(gè)問題，需要對(duì)現(xiàn)有的測(cè)井曲線特征進(jìn)行深入挖掘，提取更多的曲線特征和地質(zhì)信息。與此同時(shí)，不同沉積微相的各項(xiàng)指標(biāo)會(huì)有不同的組合特征，但在個(gè)體中表現(xiàn)不明顯，圖1中顯示了個(gè)體之間的跳躍性和分段性特征，形成這個(gè)特征主要是因?yàn)閺臏\到深不同自然電位要發(fā)生基線偏移，且不同深度的儲(chǔ)層有不同的巖性、物性特征。由不同測(cè)井?dāng)?shù)據(jù)文件中提取的數(shù)據(jù)列在圖1中顯示出跳躍性。若采用線性方法進(jìn)行判別，需要進(jìn)行復(fù)雜的數(shù)據(jù)處理，不僅難以得到適當(dāng)?shù)闹笜?biāo)的系數(shù)，而且難以達(dá)到合格的準(zhǔn)確率。

圖1 泥巖相Gr(1)、SP(2)、ML1(3)、ML2(4)層段均值分布

圖2 三種沉積微相自然樣本SP-Gr均值交會(huì)圖

因此，選定神經(jīng)網(wǎng)絡(luò)進(jìn)行判別是一種優(yōu)勢(shì)方案，建立具有良好映射能力的神經(jīng)網(wǎng)絡(luò)需要有足夠信息量和數(shù)量的訓(xùn)練樣本群體。樣本包含信息不足將導(dǎo)致映射關(guān)系模糊，過多的樣本會(huì)影響網(wǎng)絡(luò)的收斂速率。進(jìn)行訓(xùn)練樣本準(zhǔn)備的時(shí)候需要對(duì)現(xiàn)有測(cè)井曲線資料進(jìn)行深入挖掘，并合理選取適量有代表性的樣本。

1.2 樣本優(yōu)選方法

基于不同沉積微相樣本統(tǒng)計(jì)指標(biāo)之間的差異性和單一樣本指標(biāo)的跳躍性，制定了綜合性的樣本優(yōu)選方法，在去掉奇異值的前提下提取兩類樣本：統(tǒng)計(jì)型樣本和單一自然樣本。統(tǒng)計(jì)樣本是將樣本的主要指標(biāo)進(jìn)行統(tǒng)計(jì)，并按數(shù)值大小將樣本分為低值、中間值、高值三個(gè)區(qū)間，對(duì)每個(gè)區(qū)間計(jì)算樣本指標(biāo)計(jì)算均值得到的指導(dǎo)性樣本，在訓(xùn)練中加大其權(quán)重。單一自然樣本則是根據(jù)樣本的跳躍性特征，選取的不同特征的單一樣本，在進(jìn)行選取時(shí)主要考慮單一樣本在樣本總體中的廣度和規(guī)律性。如圖1中，不同層段的樣本有不同的測(cè)井響應(yīng)，選樣過程中需要兼顧到隔層段的樣本。

在完成樣本選取之后對(duì)不同樣本進(jìn)行交會(huì)分析，比較各個(gè)指標(biāo)，對(duì)出現(xiàn)沖突的訓(xùn)練樣本進(jìn)行再分析，修正沖突樣本。在油田范圍內(nèi)，微相的各項(xiàng)指標(biāo)在一定范圍內(nèi)浮動(dòng)，選定較少的指標(biāo)進(jìn)行交會(huì)分析通常容易出現(xiàn)沖突。但是在多指標(biāo)控制下，沖突大大減少。結(jié)合神經(jīng)網(wǎng)絡(luò)的非線性映射能力，能夠進(jìn)行高效合理的判別。

表1 測(cè)井曲線對(duì)應(yīng)的樣本指標(biāo)

1.3 測(cè)井?dāng)?shù)據(jù)深度挖掘

前人研究中由于各種測(cè)井資料齊備，沒有進(jìn)行測(cè)井資料的深度挖掘，在本研究中，由于工區(qū)井?dāng)?shù)量大，測(cè)井資料較少，且多為原始數(shù)據(jù)，通過傳統(tǒng)方式提取的數(shù)據(jù)有限，難以建立具有足夠精度的映射關(guān)系的神經(jīng)網(wǎng)絡(luò)，需要進(jìn)行測(cè)井?dāng)?shù)據(jù)的深度挖掘。從沉積學(xué)和統(tǒng)計(jì)學(xué)的角度出發(fā)，設(shè)計(jì)了曲線幅度均值、含油性、韻律指數(shù)、厚度系數(shù)等多個(gè)指標(biāo)。

表1中各項(xiàng)指標(biāo)：①變異系數(shù)：反映層內(nèi)隔夾層出現(xiàn)頻率，指示層內(nèi)非均質(zhì)性；②變差函數(shù)主方向：指示曲線形態(tài)特征[1]，采用混合編程方法[11]，將GSLIB程序庫中的gam.f[12]程序整合到基于MFC的數(shù)據(jù)采集軟件中去，一次性提取變差函數(shù)指標(biāo)；③韻律指數(shù)：反映水體進(jìn)退特征,選用SP較為平滑的曲線；④厚度系數(shù)：為單層厚度，每層厚度變化較大，在大量樣本存在的情況下服從統(tǒng)計(jì)學(xué)特征，能夠起到一定的約束作用。

以上共有9個(gè)可選指標(biāo)，因此設(shè)置輸入層為9個(gè)神經(jīng)元。據(jù)此可定義一個(gè)9×1的矩陣作為神經(jīng)網(wǎng)絡(luò)輸入模版。

2 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選定與網(wǎng)絡(luò)訓(xùn)練

2.1 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的選定

選定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)進(jìn)行是整個(gè)神經(jīng)網(wǎng)絡(luò)模型構(gòu)建中最基本的一環(huán)，主要包括層次結(jié)構(gòu)和單層神經(jīng)元數(shù)量關(guān)系。所選樣本的數(shù)量和復(fù)雜度一定程度上決定了所需神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。前人在對(duì)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與其收斂速率上進(jìn)行過初步的研究，認(rèn)為3層（即只有一個(gè)隱含層）的神經(jīng)網(wǎng)絡(luò)即可適應(yīng)沉積微相判別[13-15]。但是在實(shí)踐中，特別是測(cè)井?dāng)?shù)據(jù)不足的情況下，這種簡(jiǎn)易、局限的網(wǎng)絡(luò)設(shè)置方法并不能適應(yīng)網(wǎng)絡(luò)訓(xùn)練的需求。

圖3 三層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與訓(xùn)練耗時(shí)對(duì)比

圖4 四層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與訓(xùn)練耗時(shí)對(duì)比

針對(duì)神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與其收斂性關(guān)系，選取阿拉伯?dāng)?shù)字0-9的點(diǎn)陣模式作為訓(xùn)練樣本在不同神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)下進(jìn)行訓(xùn)練實(shí)驗(yàn)。樣本大小為6×7，每個(gè)模式（數(shù)字）1個(gè)樣本，誤差精度設(shè)為0.000001。在訓(xùn)練過程中觀測(cè)訓(xùn)練所需時(shí)間作為評(píng)價(jià)網(wǎng)絡(luò)收斂效率的指標(biāo)。整個(gè)測(cè)試分類兩個(gè)階段。

表2 多層神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與訓(xùn)練耗時(shí)

1）針對(duì)一個(gè)隱含層條件下，研究其神經(jīng)元數(shù)目對(duì)收斂效率的影響。選取20個(gè)不同值進(jìn)行實(shí)驗(yàn)，對(duì)結(jié)果進(jìn)行回歸分析。因此，在單隱含層的條件下，將隱含層神經(jīng)元個(gè)數(shù)設(shè)置為輸入層的0.4~6倍能夠較快收斂，隱含層神經(jīng)元數(shù)目過少將導(dǎo)致網(wǎng)絡(luò)無法收斂，而過多則會(huì)導(dǎo)致整個(gè)網(wǎng)絡(luò)復(fù)雜，無法在有限時(shí)間內(nèi)達(dá)到收斂。

2）在多個(gè)隱含層下對(duì)神經(jīng)網(wǎng)絡(luò)收斂特性研究，重點(diǎn)對(duì)4~6層的神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)?？紤]①中實(shí)驗(yàn)結(jié)論，設(shè)置第二層（第一隱含層）神經(jīng)元個(gè)數(shù)為50，對(duì)第二隱含層選取18個(gè)不同值實(shí)驗(yàn)，并對(duì)目標(biāo)函數(shù)收斂速度回歸分析。

因此，在多隱含層的條件下，隨著隱含層增加，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)越來月復(fù)雜，網(wǎng)絡(luò)訓(xùn)練過程中的正向傳播和誤差反饋過程計(jì)算量和調(diào)節(jié)力度都收到了限制，導(dǎo)致收斂時(shí)間逐步增加。隱含層數(shù)過多將導(dǎo)致訓(xùn)練時(shí)間過長(zhǎng)或無法收斂等問題，使得其失去實(shí)用意義。

綜上，對(duì)于神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)的設(shè)定，可以得出4點(diǎn)結(jié)論：

圖5 兩個(gè)三層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程

1）在進(jìn)行沉積微相識(shí)別等問題中，使用3-5層神經(jīng)網(wǎng)絡(luò)能夠達(dá)到較好的訓(xùn)練速度和精度，追求過多的隱含層和復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)會(huì)適得其反；

2）神經(jīng)網(wǎng)絡(luò)中，下層神經(jīng)元數(shù)量是其上層神經(jīng)元數(shù)量的0.4~6倍時(shí)，目標(biāo)函數(shù)收斂速度較快，能夠較快完成訓(xùn)練；

3）進(jìn)行沉積微相識(shí)別等工作中，網(wǎng)絡(luò)訓(xùn)練時(shí)間與網(wǎng)絡(luò)的復(fù)雜度有直接關(guān)系，實(shí)際應(yīng)用中，根據(jù)網(wǎng)絡(luò)復(fù)雜度設(shè)定一個(gè)收斂時(shí)間限制，如5層以下的神經(jīng)網(wǎng)絡(luò)，訓(xùn)練超過15分鐘未收斂則可能是網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)不適合訓(xùn)練樣本，需要中止訓(xùn)練并采用其他拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

4）網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)短不是重點(diǎn)，重點(diǎn)是找到能在有限時(shí)間內(nèi)收斂的網(wǎng)絡(luò)結(jié)構(gòu)。多種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行多重預(yù)測(cè)能夠提高預(yù)測(cè)確定性。

2.2 網(wǎng)絡(luò)訓(xùn)練

2.2.1 網(wǎng)絡(luò)訓(xùn)練的階段性和沖量調(diào)整策略

進(jìn)行網(wǎng)絡(luò)訓(xùn)練的時(shí)候觀察整個(gè)訓(xùn)練過程中發(fā)現(xiàn)，在前期，網(wǎng)絡(luò)誤差在90%以上的階段往往需要消耗整個(gè)調(diào)整過程的90%以上的訓(xùn)練時(shí)間，在達(dá)到一定的精度之后網(wǎng)絡(luò)收斂速度大大提高。圖5是兩個(gè)三層神經(jīng)網(wǎng)絡(luò)的收斂過程，按照一定的步長(zhǎng)進(jìn)行訓(xùn)練程度統(tǒng)計(jì)，得到其訓(xùn)練過程。

由圖5可見，在網(wǎng)絡(luò)訓(xùn)練初期，進(jìn)行權(quán)值調(diào)整具有一定的混亂性，而在后期調(diào)整中，出現(xiàn)了一定的調(diào)節(jié)失誤。這是由于在隨機(jī)權(quán)值的基礎(chǔ)上進(jìn)行調(diào)節(jié)有一定的盲目性和試探性，如果沖量因子過小，會(huì)限制權(quán)重調(diào)節(jié)的區(qū)間；而在后期調(diào)節(jié)中，網(wǎng)絡(luò)權(quán)值的調(diào)節(jié)幅度隨著網(wǎng)絡(luò)誤差的減小而減小，如果沖量因子較大，就會(huì)出現(xiàn)過調(diào)節(jié)行為。為此，可以在調(diào)整初期增大權(quán)重調(diào)節(jié)的力度，適當(dāng)增大沖量因子；而在網(wǎng)絡(luò)誤差達(dá)到80%以下之后適當(dāng)減小沖量因子，以免出現(xiàn)較大的調(diào)整失誤。

2.2.2 成長(zhǎng)型神經(jīng)網(wǎng)絡(luò)

所謂成長(zhǎng)型神經(jīng)網(wǎng)絡(luò)，就是在已經(jīng)訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上通過強(qiáng)化訓(xùn)練和拓展訓(xùn)練不斷拓展網(wǎng)絡(luò)的映射能力。在樣本總體發(fā)生改變，或者樣本內(nèi)部出現(xiàn)矛盾的情況下，之前的神經(jīng)網(wǎng)絡(luò)權(quán)值分布已經(jīng)不能適應(yīng)工作的需要，如果重新進(jìn)行樣本準(zhǔn)備和網(wǎng)絡(luò)訓(xùn)練將十分耗時(shí)，且有可能使網(wǎng)絡(luò)目標(biāo)函數(shù)難以收斂?？紤]到之前的神經(jīng)網(wǎng)絡(luò)能夠適應(yīng)大部分樣本，設(shè)計(jì)了成長(zhǎng)型神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法。主要分為以下三個(gè)方面：

1）對(duì)預(yù)測(cè)不準(zhǔn)確，或者出現(xiàn)沖突的樣本進(jìn)行分析，除去樣本集中的不良樣本，將最新確認(rèn)的樣本群加入到樣本集中，形成新的樣本集，在原有網(wǎng)絡(luò)權(quán)值的基礎(chǔ)上進(jìn)行網(wǎng)絡(luò)遷移訓(xùn)練，糾正之前不良樣本帶來的影響；

2）對(duì)新增的樣本類型（樣本指標(biāo)類型不變），為新增樣本制定新的導(dǎo)師信號(hào)之后投入到之前的網(wǎng)絡(luò)中進(jìn)行拓展訓(xùn)練，強(qiáng)化網(wǎng)絡(luò)的映射能力。

3）如果隨著應(yīng)用環(huán)境的變化，某些類型的樣本退出了預(yù)測(cè)，則在進(jìn)行網(wǎng)絡(luò)判別時(shí)應(yīng)當(dāng)屏蔽退出樣本對(duì)應(yīng)的導(dǎo)師信號(hào)，退出模式識(shí)別過程。網(wǎng)絡(luò)本身不需要進(jìn)行演化訓(xùn)練。

3 實(shí)例研究

對(duì)勝利油田坨七區(qū)的各種沉積微相的測(cè)井曲線特征進(jìn)行分析，按照上文方法提取個(gè)沉積微相各項(xiàng)指標(biāo)統(tǒng)計(jì)數(shù)據(jù)，具體如表3。

表3 三種沉積微相曲線特征及指標(biāo)統(tǒng)計(jì)

得到統(tǒng)計(jì)數(shù)據(jù)之后按照采集到的樣本指標(biāo)分布關(guān)系，選取足夠的自然樣本，形成自然樣本群，最后將統(tǒng)計(jì)樣本（基礎(chǔ)樣本）以一定的權(quán)重加入到樣本群中去，形成樣本集。

根據(jù)樣本種類和樣本指標(biāo)，選定三種神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)：A:9×15×7、B:9×15×20、C:9×15×20×30×7進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練和識(shí)別。檢驗(yàn)識(shí)別的標(biāo)準(zhǔn)有兩個(gè)：對(duì)訓(xùn)練樣本的識(shí)別準(zhǔn)確率(C2)和對(duì)其他自然樣本識(shí)別的準(zhǔn)確率(C1)。由實(shí)際檢驗(yàn)可得，對(duì)訓(xùn)練樣本，判斷的準(zhǔn)確率為100%；對(duì)其他自然樣本訓(xùn)練的綜合準(zhǔn)確率約為83%。在測(cè)井?dāng)?shù)據(jù)較少的條件下得到了良好的預(yù)測(cè)精度。

由于部分井缺少Gr數(shù)據(jù)，可將Gr相關(guān)指標(biāo)設(shè)置為無視狀態(tài)(在相應(yīng)指標(biāo)設(shè)置為“0”的條件下，各層神經(jīng)元對(duì)此指標(biāo)不進(jìn)行計(jì)算)。通過實(shí)際識(shí)別檢驗(yàn)，準(zhǔn)確率為81%。不僅說明神經(jīng)網(wǎng)絡(luò)具有良好的容差能力，也證明訓(xùn)練樣本選取具有很強(qiáng)的代表性。

4 結(jié)論與認(rèn)識(shí)

從神經(jīng)網(wǎng)絡(luò)在沉積微相識(shí)別等領(lǐng)域的應(yīng)用現(xiàn)狀入手，對(duì)網(wǎng)絡(luò)訓(xùn)練樣本的選取、測(cè)井?dāng)?shù)據(jù)的深度挖掘、神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的優(yōu)選與訓(xùn)練方法四個(gè)方面展開討論，并用大規(guī)模的實(shí)際數(shù)據(jù)進(jìn)行了實(shí)例研究。在測(cè)井?dāng)?shù)據(jù)不足、樣本總量巨大、樣本指標(biāo)組合規(guī)律不明顯的條件下得到了良好的沉積微相識(shí)別準(zhǔn)確度?？傮w上取得了如下研究成果：

1） BP神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射能力和容差能力，適合進(jìn)行沉積微相一類的模式識(shí)別工作。通過編寫應(yīng)用程序，使得BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用更加便捷，在石油地質(zhì)研究方面有很大的應(yīng)用空間，如進(jìn)行開發(fā)層系制定、流動(dòng)單元預(yù)測(cè)；

表4 樣本集構(gòu)成與識(shí)別結(jié)果

2）在樣本數(shù)據(jù)量大、包含信息量不足的條件下，進(jìn)行測(cè)井?dāng)?shù)據(jù)的深度挖掘和沉積學(xué)分析對(duì)于提取更多樣本指標(biāo)、更好地表征沉積微相測(cè)井響應(yīng)特征有積極意義而且勢(shì)在必行；

3）神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)應(yīng)當(dāng)與輸入層神經(jīng)元（樣本指標(biāo)數(shù)）和樣本復(fù)雜程度匹配，過于復(fù)雜和過于簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)都會(huì)給工作帶來困難；

4）神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與樣本的匹配存在一定的隨機(jī)性，按照神經(jīng)元個(gè)數(shù)從上層到下層依次遞增和增量約束的原則選取多種神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和識(shí)別是比較有效的方式；

5）學(xué)習(xí)型神經(jīng)網(wǎng)絡(luò)是一種有效的網(wǎng)絡(luò)訓(xùn)練方法，是進(jìn)行網(wǎng)絡(luò)糾錯(cuò)和優(yōu)化的有效手段。

雖然利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行沉積微相識(shí)別具有可行性，但在識(shí)別準(zhǔn)度上，特別是在樣本數(shù)據(jù)較少的條件下，需要進(jìn)一步提高識(shí)別的準(zhǔn)確率；且前人進(jìn)行模式識(shí)別時(shí)對(duì)輸出層與各導(dǎo)師信號(hào)的對(duì)比和匹配較為簡(jiǎn)單，還應(yīng)當(dāng)考慮整個(gè)輸出層的全局狀態(tài)，以免判定過于片面；神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)選定范圍尚不十分明確，需要進(jìn)一步探究。在實(shí)際應(yīng)用上，神經(jīng)網(wǎng)絡(luò)在地質(zhì)研究中的應(yīng)用范圍不斷擴(kuò)大，研究深度也不斷增大[16-20]，若在各種地質(zhì)分析軟件中集成神經(jīng)網(wǎng)絡(luò)模塊，將能促進(jìn)地質(zhì)分析工作的智能化和高效化。

[1] 靳松, 朱筱敏, 鐘大康. 變差函數(shù)在沉積微相自動(dòng)識(shí)別中的應(yīng)用[J]. 石油學(xué)報(bào), 2006, 27(03):57~60 .

[2] Deutsch,C.V,Journal,A.G. GSLIB:geostatistical Software Library and User’s Guide .New York,NY: Oxford University Press, 1992, :340pp .

[3] 唐為清, 郭榮坤, 王忠東嗎, 等. 沉積微相測(cè)井資料神經(jīng)網(wǎng)絡(luò)判別方法研究[J]. 沉積學(xué)報(bào), 2001, 19(04) :581~585.

[4] 許少華, 劉揚(yáng), 梁久禎, 等. 基于遺傳—BP算法和圖像處理的沉積微相識(shí)別[J]. 石油學(xué)報(bào), 2002,23 (03):48~51 .

[5] 許少華, 陳可為, 等. 基于遺傳—BP算法和圖像處理的沉積微相識(shí)別[J]. 大慶石油學(xué)院學(xué)報(bào),2001,25(03):51~54..

[6] E.M. Iloghalu, “Application of Neural Networks Technique in Lithofacies Classifications used for 3-D Reservoir Geological Modelling and Exploration Studies.-A Novel Computer-Based Methodology for Depositional Environment Interpretation”, AAPG Annual Convention, Salt Lake.City,Utah, May 2003, 11-14.

[7] 楊斌, 匡立春, 孫中春, 等. 神經(jīng)網(wǎng)絡(luò)及其在石油測(cè)井中的應(yīng)用[M]. 石油工業(yè)出版社, 2005.

[8] 張昭昭, 喬俊飛, 楊剛. 自適應(yīng)前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計(jì)[J]. 智能系統(tǒng)學(xué)報(bào), 2011,6(04):312~317.

[9] 王金榮, 劉洪濤. 測(cè)井沉積微相識(shí)別方法及應(yīng)用[J]. 大慶石油學(xué)院學(xué)報(bào), 2004, 28 (04): 18~20.

[10] 王楠. 測(cè)井曲線模式識(shí)別及其在地層對(duì)比中的應(yīng)用[D]. 黑龍江大學(xué)碩士論文. 2008

[11] 李君, 李少華, 毛平, 等. VC++結(jié)合Fortran升級(jí)地質(zhì)統(tǒng)計(jì)學(xué)算法[J]. 物探與化探,2009,33 (06):715~717.

[12] Carr J R, Miranda F P. The semivariogram in comparison to the co- occurrence matrix for classification of image texture .[C]IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(6) :1945-1952 .

[13] Funabashi K. On the approximate realization of continues mapping by neural networks.[J]Neural Networks,1989,2:183~192.

[14] Lippmann R P. Review of neural networks for speech recognition[J]Neural Computation, 1989,1:1~38.

[15] Cyberno G. Approximation by superpositions of a sigmoidal function. Mathematics of Control[J]Signals and Systems,1989,2(4):303~314.

[16] 孫魯平,首皓, 趙曉龍, 等. 基于微電阻率掃描成像測(cè)井的沉積微相識(shí)別[J]. 測(cè)井技術(shù), 2009,33(04): 379~383.

[17] 周金應(yīng), 桂碧雯, 李茂, 等. 基于巖控的人工神經(jīng)網(wǎng)絡(luò)在滲透率預(yù)測(cè)中的應(yīng)用[J]. 石油學(xué)報(bào), 2010,31(06):985~988 .

[18] K. Aminian, S. Ameri. Application of artificial neural networks for reservoir characterization with limited data[J] Journal of Petroleum Science and Engineering, 49 (2005) 212–222

[19] 宋延杰, 楊艷, 楊青山, 等. 過程神經(jīng)網(wǎng)絡(luò)在厚層細(xì)分水淹解釋中的應(yīng)用[J]. 測(cè)井技術(shù), 2009,33(04) :340~344.

[20] Anna Ilce ′a Fischetti, Andre ′ Andrade.Porosity images from well logs[J] Journal of Petroleum Science and Engineering 36 (2002) 149– 158.

Automatic Sedimentary Microfacies Identification Method Based On BP Neural Networks

MA Kui

(Research Institute of Petroleum Exploration & Development, PetroChina, Beijing 100083)

This paper puts forward a method of sedimentary micro-facies identification based on logging data and BP neural network. Firstly, to take advantage of limited logging data in order to get sedimentological sample indexes, and to compare different micro-facies indexes to find their own features. Then training samples are optimized and sample set is established. Secondly, network topology and train growth-network are summarized based on analysis and experiment of network topology choice and training method. Finally, a experiment on net training and micro-facies identification by use of sample set and natural samples is conducted, which shows an accuracy ratio for 83% and realizes both high efficiency and precision of micro-facies identification.

BP neural network; identification; microfacies; logging data; artificial neural network; training data

P628+.3；P618.13

A

1006-0995(2017)02-0325-06

10.3969/j.issn.1006-0995.2017.02.036

2016-03-04

馬奎（1988-），男，湖北黃岡人，在讀博士，主要研究方向：油氣藏形成與分布