神經網絡法在變質巖巖性識別中的應用

摘 要：將神經網絡方法引入到測井資料的處理和解釋中，以遼河油田某取心井為實例， 建立神經網絡測井巖性識別模型，對混合花崗巖、混合片麻巖、角閃巖進行巖性識別預測。巖性識別正確率高達90%以上，說明了神經網絡方法的有效性。

關鍵詞：神經網絡法 測井資料 變質巖 巖性識別

中圖分類號：P631.84 文獻標識碼：A 文章編號：1672-3791（2013）02（b）-0096-01

測井在石油勘探中的作用和地位正在日益提高，測井參數值的差異主要取決于巖性。由于井下地質構造的復雜性和測井參數分布的模糊性，對于一組特定的測井參數值，它就必然對應著地層中的某一種或某幾種巖性。以往常用的人工解釋方法大多依賴于人的經驗，難以準確地反映測井資料與地層巖性的非線性映射關系，識別精度有限[1]。本文在總結前人利用神經網絡進行火成巖、沉積巖以及碳酸鹽巖的巖性識別基礎上，分析巖心和測井參數對應特征的基礎上，從各類巖石中讀取能夠代表巖樣的測井參數值，確定巖性與測井參數對應關系[2]，bfLaE0+dduAFt5+U7Gif2TPgj8CKt/JKA539fpxXSP0=利用神經網絡方法來對變質巖進行巖性識別。

1 神經網絡方法

（1）神經網絡方法處理測井解釋的原理。神經網絡的處理單元是與大腦中神經細胞結構相類似的節點，這些節點通過不同強度相互連接起來。每個神經元操作時，都對輸入信號乘以一個權值，再對加權后的輸入求和。神經網絡巖性識別模型是利用巖心分析資料和測井響應值，選擇神經網絡訓練樣本，經網絡設計、網絡學習、訓練得到識別巖性的神經網絡模型，然后利用網絡模型來根據測井曲線識別巖性。

（2）神經網絡結構的設計。在現有神經網絡學習算法中，誤差反向傳播 （Back—Propagation）[3]是目前使用最為廣泛的神經網絡模型，它因通過網絡反向傳播誤差而得名。反向傳播由兩步組成：信息前饋和誤差反向傳播。其實質就是調節各層的權值使網絡學會并記憶住學習樣本集。訓練過程由正向過程（計算節點誤差）和反向過程（調整連接權值）兩部分組成。本文所用的網絡由輸入層、一個隱層和輸出層組成。

選擇一定測井曲線形態特征，作為輸入向量，并用與此對應的巖性作為輸出向量，組成訓練對。多個訓練對組成樣本集，建立起一系列與實際地質狀況相對應的測井相特征。可見，神經網絡是一個非線性系統，它可以把具有i個分量的輸入量（如測井曲線）轉換成一個具有k個分量的輸出矢量（如巖性）。網絡經訓練好后，可以用來根據其他地層信息曲線確定巖性。

應用實例如下。

本次研究選擇了遼河油田幾口取心井的補償中子（CNL）、補償密度（DEN）和（DWSI）4條測井曲線作為研究對象，建立一個4×4×3的網絡，輸入為DEN、CNL和DWSI等測井曲線的特征值，輸出為混合花崗巖、混合片麻巖和角閃巖的巖性。

為了驗證所建立模型的正確性，選擇了另外6個已知巖性的樣本作為訓練好的神經網絡的測試數據，識別結果見表2。根據變質巖巖性識別結果的統計可知，樣本實際巖性與期望輸出值完全一致，準確率為100%。

2 結論

由驗證結果分析，神經網絡來進行變質巖測井巖性識別，方法簡單易操作，準確率高。相比于其他傳統的巖性識別方法，神經網絡方法是以自身特有的樣本學習能力獲得識別模式，從而克服了模糊數學法、灰色聚類法和多元統計法的缺陷。這為測井資料地質解釋提供了一個全新的方法，對于探尋和鑒別含油氣地產的精確性，在油氣資源開發領域具有實用意義。

參考文獻

[1]趙杰，李春華.基于神經網絡的兩種巖性識別方法的研究[J].科學計算與信息處理，2009，309：138～140.

[2]于代國，孫建孟，王煥增，等.測井識別巖性新方法——支持向量機方法[J].大慶石油地質與開發，2005，24（2）：93-95.

[3]胡守仁.神經網絡應用技術[M].國防科技大學出版社，1994.