基于神經(jīng)網(wǎng)絡(luò)自學技術(shù)在油藏描述中的應用研究

摘 要：本文介紹了基于網(wǎng)格網(wǎng)絡(luò)自學技術(shù)在油藏描述中的應用研究和網(wǎng)格網(wǎng)絡(luò)自學技術(shù)算法，以及這些算法的具體實現(xiàn)過程和油藏描述的特點及此算法的實現(xiàn)過程，最后介紹了神經(jīng)網(wǎng)絡(luò)自學技術(shù)的應用特點。

關(guān)鍵詞：神經(jīng)網(wǎng)格 油藏描述 級聯(lián)算法

引言

目前，由于易于尋找油氣藏的減少，油氣資源勘探已趨向巖性、地層等隱蔽油氣藏方向，油藏描述方法技術(shù)就成為油氣資源勘探開發(fā)工程中必不可少的核心技術(shù)之一，而油藏參數(shù)的分析和預測是油藏描述的最重要方面。比較準確的、精細的油藏參數(shù)預測無疑能夠回答勘探實踐中的一些重要問題。

級聯(lián)算法就是一種典型的構(gòu)造性神經(jīng)網(wǎng)絡(luò)。運用級聯(lián)算法，對油藏各參數(shù)進行分析、抽象，可以最大限度地把地下油藏的三維特征描述清楚，而且更重要的是利用較少的資料能較準確地預測出地下油藏的滲透率、飽和度和孔隙度，能夠比較準確地描述出各種開發(fā)屬性三維空間的具體細節(jié)。因此本文將探索的利用構(gòu)造性神經(jīng)網(wǎng)絡(luò)預測油藏參數(shù)是很有意義的。

關(guān)于神經(jīng)網(wǎng)絡(luò)自學技術(shù)應用于“油藏參數(shù)的預測”的意義

1.油藏描述技術(shù)

油藏描述是以石油地質(zhì)學、沉積學、地震地層學和測井地質(zhì)學為基礎(chǔ)，以數(shù)學地質(zhì)學和計算機自動繪圖技術(shù)為手段，最大限度地利用地震、鉆井、測井、試油和分析化驗等資料，對油藏進行綜合研究和描述的新技術(shù)。它表現(xiàn)出了以下重要的特點:

(1)階段性:油藏描述貫穿于勘探開發(fā)的全過程，從第一口發(fā)現(xiàn)井到油田最后廢棄為止，多次分階段滾動進行。

(2)先進性:現(xiàn)代油藏描述盡量采用各種先進實用的科學技術(shù)和方法，如現(xiàn)代數(shù)學方法和理論的大量應用，包括地質(zhì)統(tǒng)計學及隨機模擬、模式識別、模糊數(shù)學、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、分形幾何等。

(3)早入性:油藏描述應從油田第一口發(fā)現(xiàn)井開始就開展工作。油田發(fā)現(xiàn)后，開發(fā)工作人員介入得越早，油藏描述工作開始得越早越好。

為了把油藏描述的結(jié)果準確、詳細、直觀地表達出來，應在石油勘探開發(fā)中進行科學的管理和決策。油藏參數(shù)是一些很重要的指標，因此油藏參數(shù)的預測是否準確，繪出的圖樣是否合理，直接影響到油藏描述的效果。“神經(jīng)網(wǎng)絡(luò)自學技術(shù)”就是以重點對油藏參數(shù)進行分析、預測，增強了油藏描述技術(shù)的可靠性。

2.推出神經(jīng)網(wǎng)絡(luò)自學技術(shù)的工作機制

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)學習算法，其具體步驟為：

(1)初始化。確定神經(jīng)元的轉(zhuǎn)換函數(shù)(通常取為Sigmoid函數(shù))，給定精度控制參數(shù)ε(ε＞0)，學習率L及動量系數(shù)。

(2)計算網(wǎng)絡(luò)輸出y 。

(3)計算誤差函數(shù)E，如果E＜ε轉(zhuǎn)(5)，否則轉(zhuǎn)(4)。

(4)調(diào)整輸出層和隱層的權(quán)值，轉(zhuǎn)(2)。

(5)存儲最優(yōu)權(quán)值W ，算法結(jié)束。

這里需要注意的是權(quán)值調(diào)整是在誤差向后傳播過程中逐層進行的，當網(wǎng)絡(luò)的所有權(quán)都被更新一次后，我們說網(wǎng)絡(luò)經(jīng)過了一個學習周期。

網(wǎng)絡(luò)經(jīng)過若干次訓練（迭代）后，得到了網(wǎng)絡(luò)的最優(yōu)權(quán)值Ｗ 。

本文所采用的構(gòu)造性學習算法——CC算法是一種監(jiān)督學習方式，它融合了兩個觀點：第一個是重疊結(jié)構(gòu)，該結(jié)構(gòu)中我們每次只添加一個隱層單元，而且添加后都不改變；第二個是學習算法，它創(chuàng)造和裝載了新的隱層單元。對于每一個新隱層單元，該方法嘗試去最大化新單元輸出與網(wǎng)絡(luò)殘留誤差信號之間的聯(lián)系。其生長過程如下圖所示：

算法重復直到網(wǎng)絡(luò)的全體誤差小于某個給定值。

我們的目標是訓練輸出權(quán)重使平方和最小，即

3.神經(jīng)網(wǎng)絡(luò)自學技術(shù)的初步應用

Rajesh Parekh、Jihoon Yang和Vasant Honavar三位研究了神經(jīng)網(wǎng)絡(luò)自學技術(shù)在模式識別方面的應用，研究得到了美國科學基金、John Deere基金、美國安全局和IBM公司的支持。

該研究使用了幾十倍的交叉確認方法。每一個數(shù)組都被分成10等份，而且對于每一個數(shù)組，每個方法的獨立運行都是受控的。對于第i個運動，第i個包是按照測試包來設(shè)計的，而剩余的9個包中的樣品被用來訓練。在訓練的最后，網(wǎng)絡(luò)的普遍性是在測試包上測試。單獨的TLU的是用熱感知器方法來訓練的。每個神經(jīng)元的權(quán)值按一定間隔隨機地被初始化為一個新，以適應在整個6個點中輸入到神經(jīng)元的平均網(wǎng)格。

圖2總結(jié)了實驗的結(jié)果，該實驗是設(shè)計來測試構(gòu)造性學習算法的收斂性。它列舉出了實驗用的方法和網(wǎng)絡(luò)尺寸（隱藏和輸出神經(jīng)元的數(shù)目）的標準偏差、訓練的精確度，以及建立在3個周期和電離層數(shù)組上的M Pyramid-real和M Tiling-real方法的測試精確度。為了區(qū)別，我們包含了運用熱感知器方法訓練單層網(wǎng)絡(luò)的結(jié)果。感知器方法在兩個數(shù)組的訓練精確度都少100%（這鞏固了數(shù)組的非線性可分離性）。這些結(jié)果表明不僅僅構(gòu)造性算法訓練集上收斂于0分類誤差，而且它們在未知數(shù)據(jù)上也可以清楚地推斷出來。

這樣在油藏描述中，我們在缺少單一資料的情況下也可以很準確地得到油藏屬性值。比如在計算空隙度時缺少了一個單一的聲波時差，我們可以使用級聯(lián)算法，計算出空隙度。并且使用神經(jīng)網(wǎng)絡(luò)自學算法，可以更準確地得到需要使用迭代方法得到的參數(shù)值。這樣得到的參數(shù)，使用計算機圖形庫，就可以很快地形成三維的地質(zhì)圖形，使得油藏描述更為精確。

對于神經(jīng)網(wǎng)絡(luò)自學技術(shù)未來的研究點如下：

1.預測構(gòu)造性學習算法的表現(xiàn)，

2.混合構(gòu)造性學習算法，

3.合并構(gòu)造性學習和特征選擇，

4.運用助推和錯誤糾正輸出碼來改善普遍化，

5.從訓練的構(gòu)造性神經(jīng)網(wǎng)絡(luò)的知識萃取。

結(jié)束語

為了把油藏描述的結(jié)果準確、詳細、直觀地表達出來，應在石油勘探開發(fā)中進行科學的管理和決策。油藏參數(shù)是一些很重要的指標，因此油藏參數(shù)的預測是否準確，繪出的圖樣是否合理，直接影響到油藏描述的效果。本文采用“神經(jīng)網(wǎng)絡(luò)自學技術(shù)”就是以重點對油藏參數(shù)進行分析、預測，增強了油藏描述技術(shù)的可靠性。運用級聯(lián)算法，對油藏各參數(shù)進行分析、抽象，可以最大限度地把地下油藏的三維特征描述清楚，而且更重要的是利用較少的資料能較準確地預測出地下油藏的滲透率、飽和度和孔隙度，能夠比較準確地描述出各種開發(fā)屬性三維空間的具體細節(jié)，可以更快、更準確地得到結(jié)果，應用更加方便。

參考文獻：

[1]鄔長武，于浩業(yè)，沈楠，尹東迎.神經(jīng)網(wǎng)絡(luò)在彩南油田油藏描述中的應用.新疆石油地質(zhì)，2003年03期.

[2]謝叢姣，關(guān)振良，馬正.低滲油藏油層產(chǎn)出能力的神經(jīng)網(wǎng)絡(luò)預測方法.成都理工學院學報，1998年S1期.

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