劉凌云,許少華,2

(1.東北石油大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163000；2.山東科技大學(xué) 信息科學(xué)與工程學(xué)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(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院，黑龍江 大慶 163000；2.山東科技大學(xué) 信息科學(xué)與工程學(xué)院，山東 青島 266000)

迄今，現(xiàn)有的油田進(jìn)行沉積微相模式識(shí)別時(shí)大多選取測(cè)井曲線的靜態(tài)定量數(shù)據(jù)，其難以反映測(cè)井相的深度累積效應(yīng)對(duì)沉積微相模式識(shí)別的影響。針對(duì)上述不足，選取測(cè)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(shí)現(xiàn)沉積微相的判別。該模型基于模糊集理論對(duì)測(cè)井相的定性信息進(jìn)行定量處理，以簡(jiǎn)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(cè)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(shì)，通過不斷優(yōu)化過程神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制來提高沉積微相判別的準(zhǔn)確度。實(shí)驗(yàn)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(shí)別方法精度高、速度快，是一種比較實(shí)用的沉積微相識(shí)別方法。

模糊推理；過程神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)算法；沉積微相判別

0 引 言

對(duì)于正在進(jìn)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(chǔ)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(chǔ)集相帶的難度，為解決這一難題，就必須對(duì)儲(chǔ)層進(jìn)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(jìn)行分析[3]，而且，通過對(duì)儲(chǔ)層內(nèi)部的非均質(zhì)性及其變化進(jìn)行預(yù)測(cè)，提高了油氣采收率[4]。

近年來，伴隨著計(jì)算機(jī)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(shí)別方法。但對(duì)于復(fù)雜多變的地層環(huán)境來說，測(cè)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]。現(xiàn)有的微相識(shí)別模型大都只依賴于小層定量測(cè)井曲線數(shù)據(jù)，難以融合專家認(rèn)知和區(qū)域地質(zhì)特征，魯棒性和容錯(cuò)能力也較差[6]。并且，測(cè)井相隨深度不斷變化的過程實(shí)際上是一個(gè)不斷隨深度進(jìn)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(biāo)實(shí)際存在的累積效應(yīng)對(duì)其產(chǎn)生的影響[7]。

針對(duì)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(cè)井相到地質(zhì)相轉(zhuǎn)換的模糊性，還能與專家知識(shí)相融合，并且可以利用過程神經(jīng)元的學(xué)習(xí)機(jī)制來實(shí)現(xiàn)對(duì)模糊信息或領(lǐng)域規(guī)則的動(dòng)態(tài)信息進(jìn)行模糊推理，從而提高預(yù)測(cè)精度。以自動(dòng)判別地質(zhì)研究中的測(cè)井沉積微相為例，結(jié)合實(shí)際資料，模糊推理過程神經(jīng)網(wǎng)絡(luò)模型處理結(jié)果驗(yàn)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(xué)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(hào)是由定量和定性信息組成的，僅用單一的數(shù)值運(yùn)算對(duì)其處理過程進(jìn)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(lì)信號(hào)后，結(jié)合神經(jīng)系統(tǒng)內(nèi)已有的知識(shí)，采用自身的信號(hào)處理識(shí)別模式來實(shí)現(xiàn)對(duì)輸入信息的邏輯運(yùn)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(yīng)與輸入脈沖的相對(duì)定時(shí)有關(guān)，即輸出動(dòng)作變化依賴于持續(xù)一段時(shí)間內(nèi)的輸入過程[10]。

結(jié)合實(shí)際問題進(jìn)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(dòng)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(shì)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(jìn)行融合，反復(fù)對(duì)過程神經(jīng)元進(jìn)行訓(xùn)練，進(jìn)而實(shí)現(xiàn)對(duì)過程性數(shù)值與模糊混合信號(hào)的自適應(yīng)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(jī)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(hào)的模糊集[13]。在此類能夠進(jìn)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(shí)”,帶有模糊性和過程性的輸入信號(hào)經(jīng)加權(quán)聚合處理后得到一個(gè)模糊謂詞,當(dāng)規(guī)則真度滿足應(yīng)用閾限時(shí),依據(jù)推理規(guī)則產(chǎn)生相應(yīng)的“過程動(dòng)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(shí)環(huán)境不斷學(xué)習(xí)的特性和模糊推理機(jī)制等特點(diǎn)，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(yīng)實(shí)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(duì)應(yīng)，模糊推理過程神經(jīng)網(wǎng)絡(luò)模型由多個(gè)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(gè)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(gè)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(gè)模糊過程推理的前件作為模型輸入，m個(gè)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(dá)的是一個(gè)帶有時(shí)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(shí)庫[18]。

在現(xiàn)實(shí)應(yīng)用中，對(duì)于通過對(duì)特定相關(guān)數(shù)據(jù)進(jìn)行分析，進(jìn)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(diǎn)和連接權(quán)的形式加入其中。伴隨著對(duì)研究問題學(xué)習(xí)的不斷深入，越來越多的推理知識(shí)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(jìn)而提高該模型解決實(shí)際問題的能力。

1.3學(xué)習(xí)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(jì)算問題進(jìn)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(shí)際情況最為接近，是以此判別模型達(dá)到與之相對(duì)應(yīng)的泛化要求，為此，選取大量的學(xué)習(xí)樣本對(duì)模型進(jìn)行訓(xùn)練，故僅考慮k>n的情況即可。因此，需要解一個(gè)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(jìn)行整理，得：

(7)

(8)

式(8)將超定方程組轉(zhuǎn)換為含n2個(gè)未知數(shù)的n2個(gè)方程的正規(guī)方程組，目前，對(duì)于式(8)的求解方法已經(jīng)相當(dāng)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(shí)別中的應(yīng)用

在油田開發(fā)研究中，依據(jù)測(cè)井資料對(duì)小層沉積微相進(jìn)行識(shí)別是一項(xiàng)很重要的工作，其方法是基于多個(gè)隨深度變化、反映油層物理性質(zhì)的測(cè)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(duì)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(chǎng)統(tǒng)計(jì)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(cè)井量化測(cè)量數(shù)據(jù)，以及小層相對(duì)厚度h、沉積韻律S等測(cè)井曲線定性形態(tài)特征。測(cè)井曲線如圖3所示。

圖3 測(cè)井曲線

采用FRPN進(jìn)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(cè)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(duì)應(yīng)j=1,2,3,4),通過高斯隸屬度函數(shù)對(duì)網(wǎng)絡(luò)輸入進(jìn)行模糊化處理，即:

(10)

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

由此，將訓(xùn)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(rèn)識(shí)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(yīng)用到油田，訓(xùn)練樣本集由10口取心井的測(cè)井曲線及部分地質(zhì)報(bào)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(shí)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(gè)樣本構(gòu)成訓(xùn)練集，測(cè)試集由剩下的198個(gè)樣本組成。在資料數(shù)據(jù)處理時(shí)，按照油田規(guī)范對(duì)小層各測(cè)井?dāng)?shù)據(jù)進(jìn)行取值，小層曲線形態(tài)特征根據(jù)實(shí)驗(yàn)油田已建立的沉積韻律測(cè)井曲線模板庫實(shí)現(xiàn)自動(dòng)識(shí)別。由此，輸入函數(shù)經(jīng)模糊處理后得到5個(gè)新的輸入謂詞，還有結(jié)論中4個(gè)輸出謂詞,即該模型共涉及9個(gè)謂詞。所以，超定方程組中的方程個(gè)數(shù)為81。針對(duì)訓(xùn)練集中5類函數(shù)樣本，分別計(jì)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(yīng)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(xué)習(xí)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(cè)試樣本集對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行測(cè)試，輸入50個(gè)樣本，判別正確的樣本個(gè)數(shù)為42，識(shí)別正確率為84%。因此，判別結(jié)果較好。

3 結(jié)束語

對(duì)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(fù)雜關(guān)系。除此之外，傳統(tǒng)的沉積微相判別預(yù)測(cè)方法又難以反映測(cè)井相指標(biāo)實(shí)際存在的深度累積效應(yīng)對(duì)其產(chǎn)生的影響。針對(duì)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(shí)驗(yàn)結(jié)果表明，該模型對(duì)于處理沉積微相模式識(shí)別問題具有很好的識(shí)別效果，顯著提高了預(yù)測(cè)精度，是一種比較實(shí)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(shí)別系統(tǒng)[D].長(zhǎng)春:吉林大學(xué)，2004.

[2] 耿 茜.安塞油田橋19井區(qū)長(zhǎng)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(xué)，2015.

[3] 程 超,胡望水,秦 剛,等.精細(xì)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(yīng)用測(cè)井資料定量識(shí)別碳酸鹽巖沉積微相的方法研究[D].成都:成都理工大學(xué)，2013．

[5] 孫鐵軍,馮慶付,劉 浩,等.利用測(cè)井資料計(jì)算機(jī)自動(dòng)識(shí)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(jì)算神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].計(jì)算機(jī)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(biāo)預(yù)測(cè)[J].計(jì)算技術(shù)與自動(dòng)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(xué),2014.

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

[10] 吳雅娟,許少華.一種模糊計(jì)算過程神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[J].東北林業(yè)大學(xué)學(xué)報(bào),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(yīng)用[D].大慶:東北石油大學(xué)，2006．

[13] 許少華,張亞光,李學(xué)貴.一種基于逆向云變換的混合推理神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)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(shí)別中的應(yīng)用[J].計(jì)算機(jī)應(yīng)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(jìn)粒子群算法的模糊神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)系統(tǒng)應(yīng)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(chǔ)層沉積微相識(shí)別[J].大慶石油學(xué)院學(xué)報(bào)，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(xué)院學(xué)報(bào):自然科學(xué)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(shí)方法[J].科學(xué)技術(shù)與工程,2007,7(23):5998-6003.

[21] 徐士良.計(jì)算機(jī)常用算法[M].第2版.北京:清華大學(xué)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(shí)間

時(shí)間：2017-07-11

黑龍江省教育科學(xué)技術(shù)研究資助項(xiàng)目(12541086)

劉凌云(1990-)，女，碩士，研究方向?yàn)檐浖こ?；許少華，教授，博士生導(dǎo)師，研究方向?yàn)樯窠?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