用自組織特征映射神經網絡識別巖相

摘要：為了解決測井巖性識別問題，引入有較強的聚類和容錯能力的自組織特征映射（SOFM）神經網絡。文中說明了SOFM網絡的模型，并結合實際探井資料，用MATLAB語言建立SOFM網絡巖性識別模型，并進行了具體的應用研究。通過與已知資料的對比，證明該方法是一種行之有效的巖相識別方法，且具有良好的應用前景。

關鍵詞：自組織特征映射；人工神經網絡；巖性識別；測井資料

中圖分類號：TP183文獻標識碼：A文章編號：1009-3044(2008)26-1764-03

The Logging Lithological Identification by Using Self-organizing Feature Map Neural Networks

SHI Xiao-song， CHENG Guo-jian

(School of Computer Science，Xi'an Shiyou University， Xi'an 710065， China)

Abstract: The self organizing feature map (SOFM) neural network has superior clustering and fault-tolerant ability. In this paper SOFM was used to solve the well-logging lithological identification. We described firstly SOFM network modeling and then， by combined it with a set of actual well-log data， a lithological identification model was set up by Matlab programming and the specific research on this field was carried on. By compared the SOFM-based results with some known well-logging information， it was shown that the SOFM modeling is very effective and efficiency for the well-logging lithological identification. It is also shown thatSOFM modeling has a good prospect for the petroleum reservoir engineering.

Key words: self organizing feature map; artificial neural network; lithological identification; logging data

1 引言

近年來，各國的油氣需求量都在急劇增加。測井在油氣勘探中被比喻成人的眼睛，測井資料所攜帶的地質信息是確定地層含油儲藏量的重要依據，因此，利用測井資料進行巖性識別在油氣勘探中非常重要。

傳統的巖性識別方法主要有交會圖快速識別方法和統計學方法等；應用BP神經網絡，識別的準確率較高。但是BP算法有一些局限性，如收斂速度慢，容易陷入局部極小值點等。本文將自組織特征映射網絡用于測井巖性識別，巖性識別結果完全正確，表明此方法有較好的應用效果。

2 SOFM神經網絡的基本思想、拓撲結構及學習規則

人工神經網絡（Artificial Neural Network， 簡稱ANN）是近年來發展起來的模擬人腦生物過程的人工智能技術。它由大量簡單的神經元廣泛互連形成復雜的非線性系統，不需要任何先驗公式，就能從已有數據中自動地歸納規則，獲得這些數據的內在規律，具有很強的自學習、自組織、自適應和非線性映射能力，特別適合于因果關系復雜的非線性推理、判斷、識別和分類等問題。

自組織特征映射（Self Organizing Feature Map，也稱Kohonen映射）神經網絡（簡稱SOFM 神經網絡），是由Kohonen教授提出的對神經網絡的數值模擬方法。這種方法有降維的功能，是人工神經網絡的重要分支之一。

自組織特征映射網絡（SOFM）是自組織網絡中的一種，所謂的自組織過程是指學習的結果總是使聚類區內各神經元的權重向量保持向輸入向量逼近的趨勢，從而使具有相近特性的輸入向量聚集在一起。這種結構的網絡能夠從輸入信息中找出規律以及關系，并且根據這些規律來相應地調整網絡，使得以后的輸出與之相適應。

2.1 自組織特征映射網絡的（SOFM）基本思想

SOFM 網絡中神經元的拓撲組織就是它最根本的特征。對于拓撲相關而形成的神經元子集，權重的更新是相似的。且在這個學習過程中，這樣選出的子集將包含不同的神經元。

通過訓練，我們要建立起這樣一種布局，它使得每個權值向量都位于輸入向量聚類的中心。一旦SOFM完成訓練，就可以用于對訓練數據或其它數據進行聚類。

2.2 SOFM網絡的拓撲結構：

SOFM 神經網絡是一個兩層網絡，即由輸入層和競爭層組成，輸入層接收樣本，競爭層對樣本進行分類，這兩層的神經元進行完全相互連接，競爭層的神經元按二維形式排列成一個節點矩陣，一般輸入層節點數等于能夠代表分類問題模式的維數，輸出節點數根據

具體問題來決定。SOFM網絡的拓撲結構圖， 如圖1所示：

2.3 網絡的學習規則

網絡根據其學習規則，對輸入模式進行自動分類，即在無師示教的情況下，通過對輸入模式的自組織學習，抽取各個輸入模式的特征，在競爭層將分類結果表示出來。當輸入樣本分屬多個類型時，N維特征空間就會呈現出多個集群狀分布的特點 。每個集群代表一個類型，集群的中心就是聚類中心。同屬一類的樣本與該類聚類中心的距離比與另一類聚類中心的距離要小。

具體的聚類過程是先將輸入向量和連接權值向量正規化，再計算該輸入向量和各輸出單元連接權值的距離，有最小值者即為獲勝單元。然后以獲勝單元為中心定義其鄰近區域，只要是在此鄰近區域內的輸出單元，其相關權值皆參與更新。在網絡學習過程中，鄰近區域將隨時間減小，學習速率也隨時間減小。最終，當各輸入向量與連接權值的最小歐氏距離總和達到一定閾值時，將認為網絡收斂，學習結束，各連接權值到達各聚類的中心。

3 巖相的識別

MATLAB的NN Toolbox提供了豐富的函數建立經網絡，主要包括神經網絡函數、權值函數、網絡的輸入函數、傳遞函數、初始化函數、性能函數、學習函數、自適應函數、以及訓練函數等。因此熟練掌握好建立、學習、訓練網絡的NN Toolbox非常必要，下面以一個具體的實例說明SOFM網絡實現巖相的識別的全過程。

SOFM 的基本結構中網絡的輸出層為二維的平面結構 。輸入層與競爭層各神經元之間實現全互連。本例選取某地區的資料進行研究。該地區屬于碳酸鹽地層，因此需要判斷的巖性有3種，即熒光灰巖，泥質粉砂巖和砂礫屑灰巖。通過對歷史資料的分析和現場實驗可知，選擇自然伽瑪(GR) 、聲波(AC) 、自然電位(SP) 、井徑(CAL) 、微梯度(RLML) 、微電位(RNML) 和電阻率(RT) 這7 項測井參數來指示巖性。

表1列出了15組，接下來就利用這15組樣本作為網絡的訓練樣本。表3列出了7組用來進行測試。

利用函數NEWC創建一個自組織競爭網絡，需要區分的數目為15，因此神經元的數目為15，學習速率設為0.8。

把輸入模式輸入SOFM網絡，進行網絡權值訓練，網絡競爭層各神經元對輸入模式的響應機會，最后僅有一個神經元成為競爭的勝者，并對那些與獲勝神經元有關的各連接權朝著更有利于它競爭的方向調整，這一獲勝神經元就表示對輸入模式的分類。輸入模式樣本與獲勝神經元的對應關系見表一中最后一列。這樣，巖性與競爭層獲勝神經元就建立了對應關系，見表2，SOFM網絡巖性識別模型就建立起來了。

MATLAB代碼為：

P=[ 25.4 28.4 29.6 27.8 21.8 116.7 115.8 123.1 129.2 151.9 66.1 65.2 64.2 65.6 66.6 ;

166.2170.2 161.2 158.8 164.3 207.2 206.8 201.8 201.7 200.5 175.1 160.1 156.8 160.7 162.7;

22 22 21.8 21.7 21.4 74.8 74.8 75 74.8 74.6 54.3 54.3 54.3 54.3 54.3 ;

21.6 22.122.7 22.4 21.2 23.3 23.3 23.5 23.523.7 19.9 19.9 19.9 19.4 19.4;

10.1 9.2 7.6 8.3 9.2 9.5 9.8 8.7 8.8 9 9.1 6.2 6.5 6.5 6.5 ;

10.9 10 7.9 9 9.2 8.9 8.4 7.9 7.7 7.7 11.4 9.2 9.2 9.2 9.2;

1097.5 1087.9 1026.3 1029.7 1098.3 58.2 57.2 59.6 61 62.3 388.9 387.8 388.4 387.4 387.7]

plot(P(1，:)，P(7，:)，'.');

title('初始巖相分布') ;%見圖2。

net = newc(minmax(P)，15，0.80)%網絡創建結束后，接下來需要對網絡進行訓練：

net = init(net)

net.trainParam.epochs=3000

net=train(net，P)

%當達到最大訓練次數時，訓練停止。為了檢驗網絡的分類性能，可以利對網絡進行測 %試。用仿真函數檢驗網絡對上述巖性的分類。

Y=sim(net，P)

%利用函數vec2ind將Y轉換為串行數據：

Y1=vec2ind(Y)

運行結果為：

111112222212711710

% 把結果可視化 ，見圖3。

figure;

for i=1:15

if Y1(i)==1

plot(P(1，i)，P(7，i)，'紅'，'markersize'，15);

elseifY1(i)==2

plot(P(1，i)，P(7，i)，'黃'，'markersize'，15);

else ； plot(P(1，i)，P(7，i)，'綠'，'markersize'，15); end

title('熒光灰巖:（1 紅)泥質粉砂巖:（2 黃)砂礫屑灰巖:(5-15 綠)') ;

hold on;end

分為3類

由此可見，網絡成功地對上述巖性模式進行了分類，其中P的前5組數據（列向量）為一類，中間5組數據為一類，最后5組數據為一類，這與表的數據是吻合的。

4 巖相及效果分析

巖性與競爭層獲勝神經元的對應關系如表2所示：

現有一組石灰石的影響因子，接下來利用該組數據對網絡進行測試，看網絡能否成功地對它進行識別。

MATLAB代碼為：

P_test=[29.5 ;167.1 ;21.9 ;22.5 ;8.2 ;9.1 ;1060.8 ;];

Y_test= sim (net，P_test);

Yc_test= vec2ind(Y_test)

.......

結果為：

Yc_test =1，1，1，2，2，2，10，8.

得到8個未知巖性樣品的巖性識別結果，見表3倒數第一行。經檢驗，巖性識別結果完全正確結果和表3相符，由此可見，網絡成功的識別了該組數據，因此可以說，網絡的性能是不錯的。

通過調節網絡的有關參數，使網絡對輸入敏感，可以劃分的巖相類別數目多而細致。但也不能使其過于敏感而失去意義。在一個地區，讓網絡處于最佳狀態，依據所建立的分類號與巖相的對應關系，就可以用在區類的其它的井中，利用自組織神經網絡快速方便的分類。

5 結語

SOFM網絡的訓練過程是一種自組織特征映射神經網絡(SOFM)模擬大腦神經系統的自組織特征映射功能，是一種非監督競爭式學習的前饋網絡 ，在訓練中能無監督自組織學習 。它通過學習可以提取一組數據中的重要特征或某種內在規律，按離散時間方式進行分類 。網絡可以把任意高維的輸入映射到低維空間，并且使得輸入數據內部的某些相似性質表現為幾何上鄰近的特征映射。這樣，就在輸出層映射成一維或二維離散圖形，并保持其拓撲結構不變 。在SOFM網絡巖性識別模型的建立過程中，15個7維數據輸入模式樣本，在輸出層映射成一個一維離散圖形，將15個樣本聚集成3類，分別聚集在神經元1上，神經元2上，神經元5，8，10，15上，這種分類反映了樣本集的本質區別，大大減弱了一致性準則中的人為因素。這與應用傳統方法將15個巖樣分為熒光灰巖、泥制粉砂巖和砂爍屑灰巖相互應證，也說明了通過映射圖形聚類也是一種SOFM網絡巖性識別方法，并且該網絡有快速方便的特點，能較可靠的對各種巖相的測井響應進行自動劃分。

參考文獻：

[1] 葛哲學，孫志強.神經網絡理論與MATLABR2007實現[M].北京:電子工業出版社，2007.

[2] 薛林福，潘保芝.用自組織神經網絡自動識別巖相[J].長春科技大學學報，1999，29(2):144-146.

[3] 張治國，楊毅恒，夏立顯.自組織特征映射神經網絡在測井巖性識別中的應用[J].地球物理學進展，2005，20(2):332-336.