BP神經網絡在天然氣水合物化探中的應用

馬金鳳， 梁　建， 郭　軍， 陳宏文

(1.國土資源部海底礦產資源重點實驗室，廣東廣州510075； 2.廣州海洋地質調查局，廣東廣州510075)

?

BP神經網絡在天然氣水合物化探中的應用

馬金鳳1，2， 梁建1,2， 郭軍1,2， 陳宏文1,2

(1.國土資源部海底礦產資源重點實驗室，廣東廣州510075； 2.廣州海洋地質調查局，廣東廣州510075)

摘要：地球化學方法在天然氣水合物勘探評價過程中的參數存在不確定性，且誤差傳遞易導致結果不可信。運用BP神經網絡技術，在天然氣水合物勘探區域選取相關的應用切入點，通過訓練建立神經網絡模型，利用其非線性映射技術，揭示天然氣水合物勘探評價中涉及的多個屬性之間的非線性關系。計算結果顯示，神經網絡的分類方案有效彌補了當前地球化學評價方法存在的多解性等缺點，運用在地球化學數據的基礎上建立的BP神經網絡模型，對研究區塊進行仿真預測，可以實現水合物礦藏的分等級評價。

關鍵詞：地球化學分析；BP神經網絡；網絡訓練；網絡仿真

0引言

天然氣水合物勘探對地球化學數據的處理通常采用傳統的數理統計方法，針對單個元素異常進行計算，然后繪制單個元素異常等值線，確定勘探研究區域內的異常點；或通過疊合各個指標圈出的異常區域，用于分析異常組合特征以及異常的好壞。傳統評價方法的缺點是只針對單個異常元素進行處理，并且僅僅是將異常數據的量值作為分析研究的對象。此外，在結合地球物理、地質資料以及地球化學指標分布異常的綜合分析過程中，室內分析人員的專業技術知識與背景對分析結果有較大的影響，不同技術人員對同一資料的分析結果可能存在多解性差異(陳劍平，2008)。

BP(Back Propagation)神經網絡是1986年由Rinehart和McClelland為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一(朱凱等，2010)。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。學習規則是使用最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

本次研究利用BP神經網絡的非線性處理功能，針對在我國南海天然氣水合物地球化學勘探中所取得的成果數據，訓練建立BP神經網絡模型，對數據實現分類與預測，為圈定天然氣水合物賦存的區域分布特征提供新思路、新方法。

1BP神經網絡結構

1.1BP網絡神經元模型

BP網絡神經元模型是對人腦神經元結構的抽象與簡化(梁民等，1990)。如圖1所示，包括1個R維向量的基本輸入(p1，p2，p3，…pR)，1個線性累加

圖1　有R個輸入的BP網絡神經元Fig.1　BP network neurons with R input variables

器∑，1個外部偏差b以及1個計算輸出與神經元傳遞函數f(Wp+b)。神經元結構中有突起進行信息傳遞，而BP網絡神經元中也包含傳遞函數。常用的神經元傳遞函數包括Log-Sigmoid型函數logsig(s)、Tan-Sigmoid型函數tansig(s)以及線性函數purelin(s)。

1.2BP神經網絡結構

BP神經網絡通常包括3層，即輸入層、隱含層和輸出層(侯媛彬等，2007)。圖2是一個典型的具有3個神經元層的BP神經網絡，隱含層傳遞函數為tansig函數，輸出層傳遞函數為purelin函數(張國翊等，2011)。BP神經網絡也可以包含多層的隱含層，但在理論上已經證明,在不限制隱含層神經元數量的情況下,1個3層(輸入層、輸出層以及1個隱含層)的BP網絡已經可以解決任意非線性擬合問題(Krylov，2002)。

圖2　由2層神經元構成的BP神經網絡Fig.2　BP neural network formed by two layers of neurons

2網絡的設計與訓練

利用21個重力活塞取樣站位的沉積物現場測定的地球化學信息作為網絡的輸入，結合多項室內分析數據后得出的分類結果信息作為網絡輸出，訓練并建立BP神經網模型。其中，作為網絡輸入層的數據項包括重力活塞取樣站位的空間縱橫坐標值，樣品頂部與底部的現場測定的空氣甲烷含量、孔隙水營養鹽(SiO3-Si、PO4-P、NH3-N)、總堿度(TA)等結果數據，共計12項。而訓練網絡的輸出項則包括無明顯指示水合物賦存的站位，一定程度指示水合物賦存的站位以及強烈指示水合物賦存的站位三大類。該分類結果是結合現場測試與室內測試所得的地球化學指標數據，對21個重力活塞取樣站位進行重點研究后得出的分類結果。

在數據預處理過程中，為了統一數據的量綱，通常在數據預處理過程中對數據進行歸一化處理(朱慶生等，2012)。歸一化處理后的重力活塞取樣站位訓練數據如表1所示。

表1　網絡訓練采用歸一化處理后的站位數據

隱含層神經元個數根據經驗公式n=2n1+1(式中：n為隱含層節點數,n1為輸入節點數)與實際情況不斷調整最后確定(楊守建等，2013)。用相同的樣本集進行訓練，對比確定網絡誤差最小時對應的隱含層節點數為27。

輸入層到隱含層的傳遞函數采用tansig，隱含層到輸出層的傳遞函數采用logsig；最大訓練步數為1 000，訓練的目標誤差為0.01；并選用Levenberg-Marquardt算法(趙弘等，2002)作為網絡的訓練方法，創建BP神經網絡模型(圖3)。

圖3　BP神經網絡模型Fig.3　BP neural network model

3網絡仿真

當BP神經網絡模型建立后，利用21個重力活塞取樣數據生成的神經網絡模型，輸入87個重力柱取樣數據進行分類預測。Levenberg-Marquardt的訓練算法自動將實際輸出值和期望值進行比較，得到誤差信號，再根據誤差信號從后(輸出層)向前(輸入層)逐層反轉，調節每個神經層神經元之間的連接權重，直至誤差減至滿足要求為主。如表2所示，模型成功預測出3種既定類別，但也包含了少量預測失敗的站位(即計算結果最終不收斂)。從預測數量上看，預測失敗的類型占所有預測數據的12.6%，而從整個分布區域上看(圖4)，該類型的區域只占全區域很小的一部分。

表2　預測結果統計

圖4　仿真結果1-強烈指示; 2-一定程度指示; 3-無明顯指示; 4-預測失敗Fig.4　Simulation results

4建模解析及實驗結果評價

傳統評價方法主要是采用數理統計的方法對87個重力柱狀取樣站位現場測試結果進行統計：首先圈定CH4異常區，SiO3-Si異常區、PO4-P異常區、NH3-N異常區以及總堿度(TA)異常區；然后再對多個異常區進行疊合(鄧希光等，2006)。結合21個重點分析重力活塞取樣站位數據，以及地質與地球物理證據，最終圈定天然氣水合物賦存的分布特征(圖5a)。

所用的BP神經網絡技術，首先收集研究區域的地球化學數據；然后根據重點分析的21個重力活塞取樣站位資料，用神經網絡技術進行訓練，建立非線性模型；最后用該模型對研究區域內的87個重力柱狀取樣站位資料進行仿真分類預測。最終，根據BP神經網絡的仿真數據結果，運用Surfer 7.0生成相應的仿真樣本分布圖，得出天然氣水合物賦存預測結果(圖5b)。

在社會主義法治社會的建設過程中，社會大眾道德與法治意識的程度，特別是初中生的道德與法治意識，是衡量一個國家法制建設的重要標準。社會主義法制國家建設并不是一件一朝一夕就可以完成的任務，而是一項長期的任務。在初中道德與法治課教學中，注重激活學生的思維，促使其運用法治的思維處理與解決生活中遇到的問題。廣大中學生是祖國未來發展的希望，更加肩負著社會主義法治社會建設的責任，因此，在初中道德與法治課中激活初中生的思維，有利于推動社會主義法治社會的建設。

圖5　傳統評價方法與BP神經網絡仿真結果對比Fig.5　Comparison between the traditional evaluation method (a) and BP neural network simulation (b)

圖5a是化探各指標的異常疊加圖。在圈出各指標的異常并疊加后，整體可以得出3塊異常區，即西南面的兩大異常區及中北部異常區。但是經過異常疊加后，所反映的信息比較凌亂，有可能存在多解性，不同的研究人員會得出不同的結果，而且對地質、地球物理的解釋結果依賴性比較大。

圖5b是神經網絡預測結果，所用的資料包括站位的空間縱橫坐標值、現場測定的CH4含量、孔隙水營養鹽(SiO3-Si、PO4-P、NH3-N)、總堿度(TA)等數據，整體上也能得出3個大的異常區，而從細分的角度可以明確顯示出異常程度的變化，如強烈指示區域、一定程度指示區域或者無明顯指示區域。如資料齊全，該模型能夠把各種成藏指標通過非線性技術有效地融合在一起。所以BP神經網絡技術在資料齊全、模型正確的情況下，比傳統化探評價方法更有效、更直觀。

5結論

人工神經網絡的非線性運算能力非常適合于處理觀測數據與地學本質之間的關系。利用構建的BP神經網絡模型對調查范圍內的87個重力柱取樣數據進行分類預測，結果能夠清晰顯示研究區域內的水合物前景區域，為天然氣水合物評價提供新的思路與方法。

BP神經網絡結構的選擇尚無統一而完整的理論指導，一般只能由經驗選定，而網絡結構直接影響網絡的逼近能力及推廣性質。因此，如何選擇合適的網絡結構是一個重要的問題。實驗證明，神經網絡的分類方案有效地彌補了當前地球化學評價方法存在的多解性等缺點，與傳統的化探技術對比有其獨特的優點。在補充相應地質與地球物理數據的基礎上再建立BP神經網絡模型，對研究區塊內的地化數據進行仿真預測，其泛化能力與分類效果將會更好。

隨著世界各國對天然氣水合物資源的重視，我國將加大對領海范圍內新型能源的勘查力度以及相關科研經費的投入。為了進一步深入了解我國天然氣水合物資源的潛藏情況，加快從資源勘探邁向資源開發的步伐，我國將為海洋調查隊伍配備更先進的海洋勘查裝備與儀器，并在重點區域實施大規模的鉆探取樣。伴隨著鉆井數據與天然氣水合物實物資料的不斷豐富，訓練樣本將可以用鉆井數據替代淺層的重力活塞樣數據，BP網絡模型的準確性將進一步提高。

參考文獻：

陳劍平. 2008. 基于MATLAB的神經網絡模式識別技術在油氣化探中的研究及應用.北京：中國地質大學(北京).

鄧希光,付少英,黃永祥,等.2006.南海北部東沙群島HD196站位地球化學特征及其對水合物的指示.現代地質,20(1):92-102.

侯媛彬，杜京義，江梅.2007.神經網絡. 陜西西安：西安電子科技大學出版社.

楊守建，陳懇. 2013.BP神經網絡性能與隱藏層結構的相關性探究.寧波大學學報：理工版,26(1):48-52.

趙弘,周瑞祥，林廷圻.2002.基于Levenberg-Marquardt算法的神經網絡監督控制.西安交通大學學報,36(5):523-527.

朱凱,王正林.2010.精通MATLAB神經網絡.北京：電子工業出版社.

張國翊，胡錚.2011.改進BP神經網絡模型及其穩定性分析.中南大學學報：自然科學版,42(1):115-124.

朱慶生,周冬冬,黃偉.2012.BP神經網絡樣本數據預處理應用研究.世界科技研究與發展,34(4):624-626.

KRYLOV N V. 2002. Introduction to the USA Theory of Random Processes. Providence, Rhode Island: American Mathematical Society.

Application of BP neural network to geochemical exploration of natural gas hydrates

MA Jinfeng1,2， LIANG Jian1,2， GUO Jun1,2， CHEN Hongwen1,2

(1. Key Laboratory of Marine Mineral Resources, Ministry of Land and Resources, Guangzhou 510075, Guangdong, China; 2. Guangzhou Marine Geological Survey, Guangzhou 510075, Guangdong, China)

Abstract：Geochemical methods used in the exploration of natural gas hydrates have uncertainty of parameters, and are in lack of result credibility due to the error transfer. This study applied the artificial neural network technology as a breakthrough point to explore natural gas hydrates, and established a neural network model through training. Using the nonlinear mapping technique, we revealed the nonlinear relationship among the multiple attributes during the evaluation of natural gas hydrates. The calculation suggests that the classification of the neural network can effectively remedy the defect of multiple solutions. It is illustrated that the BP neural network model based on geochemical data can simulate the study area and can further realize the classified evaluation of natural gas hydrates.

Keywords：geochemical analysis; BP neural network; network training; network simulation

doi:10.3969/j.issn.1674-3636.2016.01.113

收稿日期：2015-03-12；修回日期：2015-03-26；編輯：蔣艷

基金項目：中國地質調查局項目“天然氣水合物專項數據庫建設及戰略研究”(GZH201100312)

作者簡介：馬金鳳(1977—)，女，工程師，碩士，計算機專業，主要從事數據處理及數據庫、數據挖掘技術研究與應用工作，E-mail： guai99@163.com

中圖分類號：P628

文獻標識碼：A

文章編號：1674-3636(2016)01-0113-05