基于模糊推理過程神經網絡的沉積微相判別

劉凌云,許少華,2

(1.東北石油大學 計算機與信息技術學院，黑龍江 大慶 163000；2.山東科技大學 信息科學與工程學院，山東 青島 266000)

基于模糊推理過程神經網絡的沉積微相判別

劉凌云1,許少華1,2

(1.東北石油大學 計算機與信息技術學院，黑龍江 大慶 163000；2.山東科技大學 信息科學與工程學院，山東 青島 266000)

迄今，現有的油田進行沉積微相模式識別時大多選取測井曲線的靜態定量數據，其難以反映測井相的深度累積效應對沉積微相模式識別的影響。針對上述不足，選取測井曲線中可處理的定量與定性混合過程信息，構建并提出了模糊推理和過程神經網絡相結合的判別模型，以實現沉積微相的判別。該模型基于模糊集理論對測井相的定性信息進行定量處理，以簡化判別規則，并提取有效的判別數據，從而提高沉積微相判別的精度；根據測井相數據隨深度變化的特征曲線，采用過程神經網絡的過程式輸入優勢，通過不斷優化過程神經網絡的學習機制來提高沉積微相判別的準確度。實驗結果表明，基于模糊推理過程神經網絡模型的沉積微相模式識別方法精度高、速度快，是一種比較實用的沉積微相識別方法。

模糊推理；過程神經網絡；學習算法；沉積微相判別

0 引 言

對于正在進行勘探開發的油田，沉積微相判別有助于工作人員了解油井的地下油層結構并分析儲層特性[1]；隨著油氣田勘探開發程度的逐年提高，越發增加了尋找儲集相帶的難度，為解決這一難題，就必須對儲層進行沉積微相分析[2]。通過分析沉積微相的特性，不僅有利于從形成原因對砂體的展布、幾何形態、大小、縱橫向連通性等特征進行分析[3]，而且，通過對儲層內部的非均質性及其變化進行預測，提高了油氣采收率[4]。

近年來，伴隨著計算機及人工智能技術的飛速發展,沉積相解釋中也采用基于神經網絡的模式識別方法。但對于復雜多變的地層環境來說，測井相的定量數據轉化為地質相數據往往存在誤差[5]。現有的微相識別模型大都只依賴于小層定量測井曲線數據，難以融合專家認知和區域地質特征，魯棒性和容錯能力也較差[6]。并且，測井相隨深度不斷變化的過程實際上是一個不斷隨深度進行累積的過程。但是現有的沉積微相判別方難以反映深度指標實際存在的累積效應對其產生的影響[7]。

針對上述方法的局限性，提出了新的判別模型—基于模糊推理的過程神經網絡模型。該模型不僅考慮到測井相到地質相轉換的模糊性，還能與專家知識相融合，并且可以利用過程神經元的學習機制來實現對模糊信息或領域規則的動態信息進行模糊推理，從而提高預測精度。以自動判別地質研究中的測井沉積微相為例，結合實際資料，模糊推理過程神經網絡模型處理結果驗證了算法的可行性和有效性[8]。

1 模糊推理過程神經網絡基本原理

神經生物學的相關研究顯示[9]，生物的神經系統所處理的混合模擬信號是由定量和定性信息組成的，僅用單一的數值運算對其處理過程進行解釋是片面的，比較全面的說法是在生物神經系統接收到外部環境的激勵信號后，結合神經系統內已有的知識，采用自身的信號處理識別模式來實現對輸入信息的邏輯運算和推理；并且，生物神經元作為生物神經體系的組成部分，突觸收到外界刺激后作出的反應與輸入脈沖的相對定時有關，即輸出動作變化依賴于持續一段時間內的輸入過程[10]。

結合實際問題進行分析，為使判別模型能夠像生物神經那樣處理含有過程性領域規則或模糊信息的動態信息，提出了模糊推理的過程推理神經元模型。模糊推理過程神經元與過程神經元相比，其優勢在于處理的信息不在是單一信息，而是將數值型過程信息與模糊過程推理的相關規則進行融合，反復對過程神經元進行訓練，進而實現對過程性數值與模糊混合信號的自適應模糊推理[11-12]。

1.1模糊推理過程神經元模型

以模糊加權過程推理的規則為核心處理機制的模糊推理過程神經元(FRPN),其輸出結果和輸入條件的定性謂詞中包含過程信號的模糊集[13]。在此類能夠進行模糊推理的過程神經元中,用模糊邏輯規則來表示論域的“過程知識”,帶有模糊性和過程性的輸入信號經加權聚合處理后得到一個模糊謂詞,當規則真度滿足應用閾限時,依據推理規則產生相應的“過程動作”[14]。FRPN的結構如圖1所示。

圖1 過程神經元

依據圖1可得,在FRPN中，模糊過程推理所描述的規則為：

(1)

模糊推理過程神經元由于具備神經元向現實環境不斷學習的特性和模糊推理機制等特點，因而選擇不同的模糊聚合算子和調整模糊權值來適應實際問題。模糊過程推理規則與加權模糊推理過程神經元一一對應，模糊推理過程神經網絡模型由多個模糊過程神經元按照一定的結構關系組成，即構成一個模糊過程推理系統(規則集)[12,16]。

1.2模糊推理過程神經網絡模型

模糊推理過程神經網絡是指將若干個加權模糊推理過程神經元按照既定的推理規則組織構建的網絡模型[17]。如有n個模糊過程推理的前件作為模型輸入，m個推理結果作為模型輸出，該模型結構如圖2所示。

圖2 模糊推理過程神經元模型

加權模糊推理過程神經網絡模型在本質上表達的是一個帶有時間信息的加權模糊邏輯規則集，也可以理解為規則知識庫[18]。

在現實應用中，對于通過對特定相關數據進行分析，進而獲得滿足需求的新的模糊推理規則來說，則可以在原來的推理網絡的基礎上，通過加入新的節點和連接權的形式加入其中。伴隨著對研究問題學習的不斷深入，越來越多的推理知識將被加入到加權模糊推理過程神經元網絡模型中，進而提高該模型解決實際問題的能力。

1.3學習算法

模糊推理過程神經網絡模型的推理過程在一定程度上可以與如下方程組的真值計算問題進行相互轉化。

(2)

其中，cfj為第j條模糊推理規則的信度因子；T(Pi(t))為前提的真度；T(Qj(t))為結論的真度。

為使判別結果與實際情況最為接近，是以此判別模型達到與之相對應的泛化要求，為此，選取大量的學習樣本對模型進行訓練，故僅考慮k>n的情況即可。因此，需要解一個超定線性方程組來定網絡模型中的參數,利用加權模糊邏輯推理的含義將式(2)轉化為如下的超定方程組：

(3)

將解上述方程組轉化為解線性規劃問題即可，誤差方程為:

(4)

依據最小二乘原理，使式(4)誤差平方和最小,即:

(5)

基于多元函數極值需要滿足的充分條件得出:

(6)

將上述方程進行整理，得：

(7)

(8)

式(8)將超定方程組轉換為含n2個未知數的n2個方程的正規方程組，目前，對于式(8)的求解方法已經相當成熟，高斯-賽德爾迭代法[19]的迭代式如下：

(9)

2 模糊推理過程神經網絡模型在沉積微相模式識別中的應用

在油田開發研究中，依據測井資料對小層沉積微相進行識別是一項很重要的工作，其方法是基于多個隨深度變化、反映油層物理性質的測井變量[20]，根據其連續采樣數據的幅值和形態特征及其組合關系來確定小層微相類型。對于層狀砂巖油田來說，砂體沉積的主要微相類型分為主體河道砂、小型河道砂、廢棄河道砂、河間薄層砂[21]，根據理論分析和現場統計結果,能反映沉積微相的主要變量是隨深度不斷變化的自然電位(SP)、2.5 m電阻率(R25)、微電極之差(Rmt-Rmd)等測井量化測量數據，以及小層相對厚度h、沉積韻律S等測井曲線定性形態特征。測井曲線如圖3所示。

圖3 測井曲線

采用FRPN進行沉積微相判別。網絡模型輸入謂詞為隨深度變化的測井函數，輸出謂詞為主體河道砂、小型河道砂、廢棄河道砂、河間薄層砂(分別對應j=1,2,3,4),通過高斯隸屬度函數對網絡輸入進行模糊化處理，即:

(10)

其中，x(h)為測井曲線函數；由高斯隸屬度函數的定義,在對歸一化連續輸入信號進行模糊化處理時，具有對輸入曲線與典型特征曲線進行模態相似性比對的特性。

由此，將訓練樣本集中的同類函數樣本歸為一類，取其隸屬度的平均值作為規則的真度。

專家認識可歸納如表1所示。

表1 沉積微相特征歸納表

將上述判別模型應用到油田，訓練樣本集由10口取心井的測井曲線及部分地質報告數據組成。所選樣本在一定程度上滿足不同厚度、不同沉積韻律的要求，同時按比例較為均勻覆蓋了沉積微相的4種類型[22]。抽取樣本集中412個樣本構成訓練集，測試集由剩下的198個樣本組成。在資料數據處理時，按照油田規范對小層各測井數據進行取值，小層曲線形態特征根據實驗油田已建立的沉積韻律測井曲線模板庫實現自動識別。由此，輸入函數經模糊處理后得到5個新的輸入謂詞，還有結論中4個輸出謂詞,即該模型共涉及9個謂詞。所以，超定方程組中的方程個數為81。針對訓練集中5類函數樣本，分別計算樣本隸屬度并求其平均值，得到各規則真度為0.75,0.81,0.72，0.70，0.78；規則應用閾限均取0.65。采用高斯-塞德爾迭代算法求解式(8)，最大學習次數設為5 500，迭代精度設為0.009，模型迭代1 543次后收斂。用測試樣本集對訓練好的網絡模型進行測試，輸入50個樣本，判別正確的樣本個數為42，識別正確率為84%。因此，判別結果較好。

3 結束語

對于油田，由于影響沉積微相判別的因素很多，各種因素之間通常是不確定、非線性的復雜關系。除此之外，傳統的沉積微相判別預測方法又難以反映測井相指標實際存在的深度累積效應對其產生的影響。針對上述問題，為滿足定量與定性混合過程信息的融合信息處理要求，在分析研究基礎上，提出了結合過程神經網絡的定量信息處理技術與模糊邏輯推理方法的模糊推理過程神經網絡模型。實驗結果表明，該模型對于處理沉積微相模式識別問題具有很好的識別效果，顯著提高了預測精度，是一種比較實用的判別模型。

[1] 宋 翔.基于神經網絡與圖形處理技術的沉積微相識別系統[D].長春:吉林大學，2004.

[2] 耿 茜.安塞油田橋19井區長3油層組沉積相與油氣聚集規律研究[D].西安:西安石油大學，2015.

[3] 程 超,胡望水,秦 剛,等.精細油藏描述中的沉積微相研究—以吉林油田大208區黑帝廟油層為例[J].石油地質與工程,2009,23(2):26-28.

[4] 高憲偉.應用測井資料定量識別碳酸鹽巖沉積微相的方法研究[D].成都:成都理工大學，2013．

[5] 孫鐵軍,馮慶付,劉 浩,等.利用測井資料計算機自動識別沉積微相方法研究[J].西北地質,2010,43(3):132-140.

[6] 許少華,陳 妍,許 辰,等.一種基于正向云變換的混合計算神經網絡及其應用[J].計算機與數字工程,2014,42(12):2284-2288.

[7] 許少華,畢聰聰,張 宇,等.基于徑向基過程神經網絡的油田開發指標預測[J].計算技術與自動化,2015，34(3):52-54.

[8] 張亞光.基于云變換的信息融合方法及智能推理模型的研究[D].大慶:東北石油大學,2014.

[9] 陳惟昌,王自強,陳志華,等.神經信息學的原理與展望[J].生物物理學報，2001，17(4):613-620.

[10] 吳雅娟,許少華.一種模糊計算過程神經元網絡及其應用[J].東北林業大學學報,2008,36(8):43-44.

[11] Shang L,Liu G,Zhang R,et al.An information fusion algorithm for integrated autonomous orbit determination of navigation satellites[J].Acta Astronautica,2013,85(4):33-40.

[12] 李小紅.信息Agent在CSCW中的應用[D].大慶:東北石油大學，2006．

[13] 許少華,張亞光,李學貴.一種基于逆向云變換的混合推理神經網絡[J].計算機技術與發展,2015,25(3):118-121.

[14] Pavlin G,Oude P D,Maris M,et al.A multi-agent systems approach to distributed Bayesian information fusion[J].Information Fusion,2010,11(3):267-282.

[15] 李盼池,許少華.加權模糊推理網絡及在水淹層識別中的應用[J].計算機應用,2004,24(10):105-107.

[16] Tiruneh A T.Higher order aitken extrapolation with application to converging and diverging gauss-seidel iterations[J].Journal of Applied Mathematics & Physics,2013,5(11):128-143.

[17] 衣治安,牟春苗,孫寅萍.基于改進粒子群算法的模糊神經網絡[J].計算機系統應用,2014,23(6):135-140.

[18] 董煥忠.基于加權模糊推理網絡的河流-三角洲儲層沉積微相識別[J].大慶石油學院學報，2005,29(1):24-27.

[19] 裴琴娟.解線性方程組的共軛梯度法[J].新鄉學院學報:自然科學版,2011,28(4):309-310.

[20] 王金海,丁 鋒.CARMA模型離線最小二乘迭代辨識方法[J].科學技術與工程,2007,7(23):5998-6003.

[21] 徐士良.計算機常用算法[M].第2版.北京:清華大學出版社,1995:95-101.

[22] Messaoudi S,Messaoudi K,Dagtas S.Bayesian data fusion for smart environments with heterogenous sensors[J].Journal of Computing Sciences in Colleges,2010,25(5):140-146.

Pattern Recognition of Sedimentary Microfacies with Fuzzy Inference Process Neural Network

LIU Ling-yun1，XU Shao-hua1,2

(1.College of Computer and Information Technology,Northeast Petroleum University,Daqing 163000,China;2.College of Information Science and Engineering,Shandong University of Science and Technology,Qingdao 266000,China)

So far,the static quantitative data of well logging curves have been mostly used to identify the sedimentary microfacies in the existing oil fields,which is difficult to reflect the influence of logging depth accumulation on pattern recognition of sedimentary microfacies.Taken into the above shortcomings account,a discriminant model combining fuzzy inference and process neural network is established and proposed to realize the judgment of sedimentary microfacies,on the basis of selection of information on quantitative and qualitative mixing process in the logging curve,which has been quantitatively processed to simplify the discriminant rule and extract the valid discriminant data so as to improve the accuracy of the sedimentary microfacies discrimination.Considered that the logging data is characteristic of the curve with depth the advantage in process input of the process neural network is introduced and then accuracy of sedimentary microfacies discrimination by continuously optimizing the learning mechanism of process neural networks is improved.The experimental results show that it has high accuracy and high rate,which is a practical method for the identification of sedimentary microfacies.

fuzzy reasoning;process neural network;learning algorithm;sedimentary microfacies discrimination

2016-04-14

：2016-08-17 < class="emphasis_bold">網絡出版時間

時間：2017-07-11

黑龍江省教育科學技術研究資助項目(12541086)

劉凌云(1990-)，女，碩士，研究方向為軟件工程；許少華，教授，博士生導師，研究方向為神經網絡、優化算法。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170711.1452.014.html

TP301

:A

:1673-629X(2017)09-0161-05

10.3969/j.issn.1673-629X.2017.09.035