基于自組織映射網(wǎng)絡(luò)的油藏表征模型

摘要:鑒于自組織映射的特征保持#65380;數(shù)據(jù)降維以及可視化功能，采用自組織映射對(duì)油藏參數(shù)進(jìn)行處理#65377;結(jié)合實(shí)際問(wèn)題，提出了一種新的基于自組織映射網(wǎng)絡(luò)的油藏表征技術(shù)模型，并對(duì)甘肅鎮(zhèn)原—涇川地區(qū)測(cè)井?dāng)?shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)#65377;結(jié)果表明該模型是一種操作簡(jiǎn)便#65380;易于實(shí)現(xiàn)#65380;性能良好的有效模型#65377;

關(guān)鍵詞:油藏表征; 自組織映射;聚類(lèi)分析;數(shù)據(jù)挖掘;巖性識(shí)別

中圖分類(lèi)號(hào):TP311

文獻(xiàn)標(biāo)志碼:A

文章編號(hào):1001-3695(2007)10-0232-03

0引言

隨著油田勘探開(kāi)發(fā)的不斷深入，常規(guī)的構(gòu)造解釋難以滿足開(kāi)發(fā)過(guò)程中地質(zhì)目標(biāo)描述的要求#65377;隨著投資和費(fèi)用的日益增加，勘探開(kāi)發(fā)難度也日趨加大#65377;這就要求石油地質(zhì)工作者應(yīng)盡可能全面地掌握油藏的各種參數(shù)及其分布，并建立反映當(dāng)前情況的不同規(guī)模地質(zhì)特征的油藏地質(zhì)模型，以對(duì)油藏進(jìn)行三維空間定量的一體化系統(tǒng)研究，即油藏表征，以致提高勘探開(kāi)發(fā)效率[1]#65377;目前，現(xiàn)代化的油藏管理中油藏表征已成為一項(xiàng)被廣泛應(yīng)用的技術(shù)，實(shí)際上油藏開(kāi)發(fā)的所有重要決策都是以油藏表征的部分結(jié)果為基礎(chǔ)的#65377;但一些油藏表征技術(shù)的應(yīng)用者在作出商業(yè)開(kāi)發(fā)決策前并

沒(méi)有充分認(rèn)識(shí)到油藏表征的重要價(jià)值，以致在有些情況下，因?yàn)椴磺‘?dāng)?shù)貞?yīng)用該技術(shù)作出不良的決策，錯(cuò)誤地應(yīng)用油藏表征技術(shù)所犯的高耗資決策錯(cuò)誤要比成功決策所付出的代價(jià)高得多[2]#65377;精確的油藏表征技術(shù)具有重要的意義#65377;但是在實(shí)際應(yīng)用和研究領(lǐng)域中，勘探#65380;鉆井#65380;測(cè)井#65380;錄井等過(guò)程中得到了大量的石油地質(zhì)數(shù)據(jù)，往往會(huì)產(chǎn)生數(shù)據(jù)冗余#65380;信息貧乏的現(xiàn)象#65377;這些數(shù)據(jù)集不但數(shù)量龐大，而且維數(shù)高#65380;特征多，所以對(duì)于此類(lèi)數(shù)據(jù)的有效開(kāi)發(fā)和理解比較困難，需要進(jìn)行數(shù)據(jù)挖掘，實(shí)現(xiàn)多變量分析#65380;降維以及數(shù)據(jù)約減#65377;如何通過(guò)有效的手段進(jìn)行準(zhǔn)確可靠的追蹤#65380;確定含油氣砂體的厚度#65380;邊界形態(tài)及分布，并深入了解其屬性，成為油藏描述的基礎(chǔ)工作之一#65377;本文通過(guò)對(duì)錄井和巖芯資料的分析，選擇自然電位SP#65380;自然伽馬GR#65380;聲波時(shí)差A(yù)C#65380;地層真電阻率RT四個(gè)參數(shù)進(jìn)行巖性的識(shí)別，為開(kāi)發(fā)者提供決策依據(jù)[3，4]#65377;

針對(duì)上述問(wèn)題，近年來(lái)，國(guó)內(nèi)外研究學(xué)者利用神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)井資料解釋?zhuān)讶〉靡恍╋@著效果#65377;但通過(guò)分析前人的研究工作不難看出，目前所采用的網(wǎng)絡(luò)大部分是BP神經(jīng)網(wǎng)絡(luò)模型#65377;雖然該網(wǎng)絡(luò)在一定條件下可以取得滿意的應(yīng)用效果，但還存在如下問(wèn)題:

a)BP網(wǎng)絡(luò)是監(jiān)督型學(xué)習(xí)，不能自學(xué)#65377;它的學(xué)習(xí)狀態(tài)和工作狀態(tài)是截然分開(kāi)的#65377;

b)學(xué)習(xí)過(guò)程中神經(jīng)網(wǎng)絡(luò)的所有權(quán)系數(shù)都要細(xì)加調(diào)整#65377;為了防止振蕩現(xiàn)象，學(xué)習(xí)步長(zhǎng)必須取較小的數(shù)值，尤其是在接近最優(yōu)解時(shí)步長(zhǎng)必須相當(dāng)小，這就會(huì)降低學(xué)習(xí)速度#65377;

c)BP網(wǎng)絡(luò)采用的是最優(yōu)化算法的快速下降法，極有可能會(huì)陷入均方誤差的局部極小點(diǎn)，從而造成錯(cuò)誤的分類(lèi)結(jié)果#65377;

自組織映射(SOM)網(wǎng)絡(luò)克服了這些不足[5，6]#65377;它可產(chǎn)生一個(gè)高維模式空間到低維拓?fù)浣Y(jié)構(gòu)的映射#65377;其主要優(yōu)點(diǎn)是特征保持#65380;數(shù)據(jù)降維及其可視化功能#65377;基于上述問(wèn)題，引入自組織映射神經(jīng)網(wǎng)絡(luò)，對(duì)輸入的高維數(shù)據(jù)進(jìn)行數(shù)據(jù)約減和降維，即在適當(dāng)數(shù)量的聚類(lèi)上總結(jié)出一些有意義的輸入數(shù)據(jù)項(xiàng)#65377;

1原理與方法

神經(jīng)網(wǎng)絡(luò)已成功地應(yīng)用在許多領(lǐng)域，如利用神經(jīng)網(wǎng)絡(luò)構(gòu)造專(zhuān)家系統(tǒng)#65380;漢語(yǔ)語(yǔ)音的識(shí)別和合成#65380;故障診斷#65380;圖像識(shí)別等#65377;尤其是在不精確推理和知識(shí)獲取等方面，神經(jīng)網(wǎng)絡(luò)占有較大優(yōu)勢(shì)#65377;神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)很多，如復(fù)雜系統(tǒng)#65380;并行處理#65380;分布存儲(chǔ)#65380;可變結(jié)構(gòu)#65380;高度容錯(cuò)#65380;非線性運(yùn)算#65380;自組織等#65377;因此，神經(jīng)網(wǎng)絡(luò)也能作為數(shù)據(jù)挖掘系統(tǒng)研究中極為重要的新技術(shù)和新方法#65377;本文利用神經(jīng)網(wǎng)絡(luò)的一種非監(jiān)督模型——自組織映射神經(jīng)網(wǎng)絡(luò)模型解決油藏表征問(wèn)題，它可以有效地處理不確定和模糊的輸入數(shù)據(jù)#65377;

1.1自組織映射神經(jīng)網(wǎng)絡(luò)

自組織映射神經(jīng)網(wǎng)絡(luò)是芬蘭赫爾辛基大學(xué)神經(jīng)網(wǎng)絡(luò)專(zhuān)家Kohonen于1981年提出的[4]#65377;與多層網(wǎng)絡(luò)不同，自組織映射神經(jīng)網(wǎng)絡(luò)除輸入層以外的全部神經(jīng)元都分布在相同的層上，它接受外界刺激時(shí)將分為不同的區(qū)域，各區(qū)域?qū)斎肽Ｊ接胁煌捻憫?yīng)特征，同時(shí)這一過(guò)程是自動(dòng)完成的，所以它適用于非監(jiān)督聚類(lèi)#65377;它所形成的聚類(lèi)中心能夠映射到一個(gè)平面或曲面上而保持拓?fù)浣Y(jié)構(gòu)不變，以此對(duì)目標(biāo)固有特征進(jìn)行客觀的劃分#65377;

自組織映射神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)訓(xùn)練后，如果訓(xùn)練充分且達(dá)到收斂，則自組織映射網(wǎng)絡(luò)具有如下功能:

a)自組織映射通過(guò)尋找最優(yōu)參考向量集合對(duì)輸入模式進(jìn)行聚類(lèi)#65377;

b)拓?fù)渑判?65377;自組織映射算法得到的映射是拓?fù)溆行虻?，輸出層上神?jīng)元位置對(duì)應(yīng)于輸入模式的特征和特定區(qū)域#65377;

c)密度匹配#65377;映射反映了輸入分布的統(tǒng)計(jì)變化#65377;在輸入空間中那些以高概率產(chǎn)生樣本的區(qū)域在輸出空間中被映射到較大的區(qū)域#65377;

d)特征選擇#65377;對(duì)于非線性分布輸入空間的數(shù)據(jù)，自組織映射可以選擇最好的特征集合來(lái)近似潛在的概率分布#65377;所以，自組織映射神經(jīng)網(wǎng)絡(luò)具有提取非線性數(shù)據(jù)內(nèi)在特征的功能#65377;

e)降維與可視化功能#65377;

1.2自組織映射神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

2實(shí)例測(cè)試

將該模型用于甘肅鎮(zhèn)原—涇川地區(qū)[7]#65377;鑒于這一地區(qū)是一個(gè)重要油氣勘探區(qū)塊，測(cè)井?dāng)?shù)據(jù)資料具有代表性，對(duì)模型的測(cè)試更有說(shuō)服力#65377;

選擇自然電位SP#65380;自然伽馬GR#65380;聲波時(shí)差A(yù)C#65380;地層真電阻率RT四個(gè)參數(shù)作為SOM網(wǎng)絡(luò)的輸入#65377;根據(jù)這些參數(shù)將巖性分為三類(lèi)，即sandstone—砂巖#65380;mud—泥質(zhì)#65380;coal seam—煤層#65377;共選取50個(gè)樣本#65377;

在模型中，首先是在U矩陣中顯示50個(gè)樣本的基本聚類(lèi)以及測(cè)試參數(shù)的分布情況，如圖1所示#65377;

從圖1可以看出，在U矩陣中明顯可以看出數(shù)據(jù)大致分了兩類(lèi)，深灰色的區(qū)域?yàn)榉纸邕吔?65377;這是因?yàn)樵趯?shí)例的分類(lèi)結(jié)果中，煤層的巖性占有很小一部分比例;泥質(zhì)的性質(zhì)與砂巖的性質(zhì)差別很大#65377;可以看到聚類(lèi)結(jié)果為泥質(zhì)和砂巖兩大類(lèi)#65377;U矩陣對(duì)應(yīng)的原始數(shù)據(jù)的分布在圖1中可以看到#65377;其中SP#65380;GR#65380;AC#65380;RT分別是自然電位#65380;自然伽馬#65380;聲波時(shí)差#65380;地層真電阻率的分布情況#65377;可以看出聲波時(shí)差和巖性分類(lèi)的分界面有高度的關(guān)聯(lián)關(guān)系#65377;

下面根據(jù)U矩陣和顏色映射得到顏色編碼，通過(guò)對(duì)網(wǎng)絡(luò)的進(jìn)一步訓(xùn)練，得到數(shù)據(jù)庫(kù)數(shù)據(jù)顏色編碼矩陣的主分量投影，如圖2所示#65377;從圖中可以看到數(shù)據(jù)分為三類(lèi)，說(shuō)明U矩陣不能完全準(zhǔn)確地反映數(shù)據(jù)之間的差異#65377;

圖3是各參數(shù)之間的關(guān)系以及對(duì)巖性聚類(lèi)的影響#65377;從這張圖可以得到大量的信息#65377;其中:1代表砂巖;2代表泥質(zhì);3代表煤層#65377;上三角是原始數(shù)據(jù)的關(guān)系;映射數(shù)據(jù)關(guān)系在下三角中顯示;對(duì)角線上的是每個(gè)參數(shù)和聚類(lèi)結(jié)果的柱狀圖:黑色的是數(shù)據(jù)庫(kù)數(shù)據(jù)，即原始數(shù)據(jù);灰色的是映射數(shù)據(jù)，即訓(xùn)練數(shù)據(jù)#65377;

圖4和5是使用自組織映射神經(jīng)網(wǎng)絡(luò)對(duì)巖性聚類(lèi)的結(jié)果，分別顯示在二維和三維圖中#65377;從二維波浪圖中可以看到，三類(lèi)分界面不是很清晰，它們之間還有過(guò)渡帶#65377;面積的大小只代表聚類(lèi)的密集程度，面積越大，說(shuō)明聚集不密集;反之聚集密集#65377;這一點(diǎn)在三維圖中可以得到驗(yàn)證#65377;從圖5顯示的結(jié)果看，筆者得到了滿意的聚類(lèi)結(jié)果#65377;數(shù)據(jù)按照預(yù)測(cè)的結(jié)果聚為三類(lèi)，精度達(dá)到92.666%#65377;

3結(jié)束語(yǔ)

自組織映射神經(jīng)網(wǎng)絡(luò)實(shí)質(zhì)上是從高維輸入到低維輸出的非線性映射#65377;在復(fù)雜映射中，這種映射方法可以解決數(shù)學(xué)方法所面臨的如何選取基函數(shù)以及求解函數(shù)系數(shù)等問(wèn)題，對(duì)于進(jìn)行變量間的復(fù)雜關(guān)系分析非常有效#65377;自組織映射神經(jīng)網(wǎng)絡(luò)技術(shù)與傳統(tǒng)的統(tǒng)計(jì)學(xué)相比， 具有其自身的優(yōu)勢(shì)#65377;石油地質(zhì)情況十分復(fù)雜， 所需要的信息量較大， 應(yīng)用自組織映射神經(jīng)網(wǎng)絡(luò)技術(shù)可以盡可能地利用各種地質(zhì)信息對(duì)研究目標(biāo)進(jìn)行評(píng)價(jià)#65377;

通過(guò)大量測(cè)井參數(shù)對(duì)巖性進(jìn)行聚類(lèi)可以看出，SOM網(wǎng)絡(luò)操作過(guò)程簡(jiǎn)便易行#65377;只要將有關(guān)數(shù)據(jù)提供給網(wǎng)絡(luò)， 網(wǎng)絡(luò)就會(huì)通過(guò)自身訓(xùn)練#65380;學(xué)習(xí)#65380;競(jìng)爭(zhēng)， 最后根據(jù)人的意愿輸出相應(yīng)的聚類(lèi)數(shù)目及對(duì)應(yīng)的聚類(lèi)結(jié)果#65377;筆者根據(jù)聚類(lèi)結(jié)果并結(jié)合實(shí)際情況作出更準(zhǔn)確的決策，并進(jìn)一步進(jìn)行油藏表征與描述#65377;但是此方法也具有一定的局限性，如參數(shù)選取#65380;樣本數(shù)量#65380;映射網(wǎng)絡(luò)大小選取等#65377;自組織映射神經(jīng)網(wǎng)絡(luò)在石油測(cè)井資料處理中的應(yīng)用還有待于進(jìn)一步的深入研究，在以后的科研工作中還要重點(diǎn)研究參數(shù)選取以及拓?fù)涞母倪M(jìn)問(wèn)題#65377;

參考文獻(xiàn):

[1]沙茨英格 R A， 喬丹 J F.儲(chǔ)層表征新進(jìn)展[M].宋新民，羅凱，張仲宏，等譯.北京:石油工業(yè)出版社，2002:311.

[2]MOHAGHEGH S， SAMAMERI R A，楊樺.人工神經(jīng)網(wǎng)絡(luò)在油藏特性研究中的應(yīng)用[J].國(guó)外油田工程，1998，14(2):1-3.

[3]韓家新，王家華，何華燦.基于表面模型的油藏儲(chǔ)層可視化算法研究[J].計(jì)算機(jī)工程，2003，29(16):2933.

[4]侯俊勝，尉中良.自組織映射神經(jīng)網(wǎng)絡(luò)在測(cè)井資料解釋中的應(yīng)用[J].測(cè)井技術(shù)，1996，20(3):197-200.

[5]魏蓮，肖慈，王旬.用自組織映射神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)測(cè)井相定量識(shí)別[J].物探化探計(jì)算技術(shù)，2001，23(4):324-327.

[6]楊世明，孫龍德，楊新華.自組織映射神經(jīng)網(wǎng)絡(luò)地質(zhì)巖相分析[J].新疆石油地質(zhì)，2004，25(5):32-35.

[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].北京:石油工業(yè)出版社，2005:250-280.

“本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文”