人工神經網絡在巖性識別中的應用研討

摘要：巖性識別是復雜巖性油氣藏儲層評價的一個重要環節，針對常規測井交會圖法識別巖性時常存在多解性和不確定性，巖性識別效果不理想等問題。本文系統分析和總結了近年來快速發展的人工神經網絡技術在測井巖性識別中的應用，以期為巖性識別的準確預測提供一定的參考。

關鍵詞：人工神經網絡;深度信念網絡;隨機森林法、支持向量機;巖性識別

測井巖性識別是復雜巖性油氣藏儲層評價和預測的重要工作之一。傳統的巖性識別方法有巖屑錄井法、鉆井取心法、常規交會圖法等。直接對巖心進行實驗測量是最準確的巖性識別方法，但需要耗費巨大的時間和金錢成本，且鉆井取心難以做到對油田中測井剖面地層的完整描述，在實際生產應用中往往受到一定限制。測井曲線是地層沉積特征的反應，包含著豐富的地質儲層信息，如何快速、高校的利用測井資料進行地層巖性信息的獲取越來越受到研究人員的關注。

1 人工神經網絡

人工神經網絡是對生物神經網絡的一種模擬和近似，是由大量神經元通過相互連接而構成的自適應非線性動態網絡系統。作為一個十余年來快速發展的領域，受到了越來越多研究者的重視，它在特征提取和建模上都有著較傳統方法明顯的優勢。利用大量的數據訓練模型，以學習復雜而有效的信息。不僅可以學習特征之間的關聯，還能自動地從簡單特征中提取更加復雜的特征，從而解決復雜的非線性問題。它有效解決了以前人工智能中難以解決的一些關鍵問題，且在目標檢測、自動駕駛、自然語言處理、語音識別等領域成功應用，并且也成為地球科學特別是油氣地球物理勘探領域的一個非常吸引人的新技術。近年來，無論國內還是國外，隨著深度學習逐漸崛起，圍繞深度神經網絡的研究越來越多。很多學者進行了深入研究，提出了一些人工神經網絡方法進行測井巖性識別。

2 人工神經網絡與巖性識別

2.1 隨機森林

隨機森林法（Random Forests，RBF）于2001年由Breiman提出，并隨之成為數據挖掘領域中的重要一員，可用于分類和回歸分析。RF由多個決策樹組合而成，相當于組合很多的非線性關系形成更加復雜的非線性關系，有效地克服了單一決策樹容易出現過擬合的問題。決策樹本質上是一種非參數非線性的智能算法，采用遞歸分割的方法將樣本數據分割為不同的子樣本集，形成一個類似于樹狀的模型。RBF具有很高的預測準確率，對異常值和噪聲數據具有較高的容忍度，不容易出現過擬合，克服了傳統預測方法信息和知識的獲取方式間接、費時且效率低下的缺點，已在儲層巖性識別中得到較廣泛的應用[1]。

2.2 支持向量機

支持向量機（Support vector machine，SVM）是Vapnik 等人于20世紀90年代中期提出的一種基于統計學習理論的人工神經網絡學習算法，是基于結構風險最小化原理的分類器。支持向量機在解決具有小樣本、非線性一級高維非線性模式識別中具有許多較傳統方法獨特的優勢，其綜合考慮分類器的經驗風險和置信風險，利用核函數解決非線性分類問題，能夠保證模型獲得全局最優解，從理論上有效克服了無法避免的局部極值問題，在一定意義下具有最好的泛化能力。利用支持向量機（SVM）結構簡單、泛化性能高等優點，綜合考慮測井資料與儲層儲層巖性之間的非線性映射關系，已有研究者將其應用于測井巖性識別，以挖掘地震數據中事先未知的、潛在的信息以預測油氣藏的分布規律[2]。

2.3 深度信念網絡

深度信念網絡（Deep Belief Nets，DBN）是由Hinton 等人在2006 年提出，是人工神經網絡的一種。DBN作為一種特殊的人工神經網絡，神經元是其必不可少的組成部分，其由若干層神經元構成，組成元件是受限玻爾茲曼機（RBM）。受限玻爾茲曼機（RBM）是一種神經感知器，由一個顯層和一個隱層構成，顯層與隱層的神經元之間為全連接。深度神經網絡神經元間的連接模式受啟發于動物視覺皮層組織，而深度信念網絡則是其中一種廣泛應用的結構，具有較強的魯棒性以及容錯能力，且也易于訓練和優化。既可以用于非監督學習，類似于一個自編碼機;也可以用于監督學習，作為分類器來使用。從非監督學習來講，其目的是盡可能地保留原始特征的特點，同時降低特征的維度。從監督學習來講，其目的在于使得分類錯誤率盡可能地小。而不論是監督學習還是非監督學習，DBN的本質都是Feature Learning的過程，即如何得到更好的特征表達?；谶@些優越的特性，DBN在各種信號和信息處理任務中的性能優于簡單的神經網絡結構，已有研究者成功將其應用于測井巖性識別，并取得了較傳統方法更高的準確度[3]。

3 結論與展望

本文主要介紹了隨機森林法（RBF）、支持向量機（SVM）、深度信念網絡（DBN）及其在測井巖性識別中的應用，各種方法均較傳統方法獲得了更高的識別準確率，但也存在一定的適用范圍。近年來許多學者嘗試將各種人工神經網絡模型進行結合以期取得更好的識別效果。目前RBM和SVM的結合模型已在巖性識別中得到很好的應用[4]，CNN和LSTM的結合體（C-LSTM）在自然語言處理、計算機視覺等領域成功應用，但還未在巖性識別中得到應用，這將是下一步的研究方向。

參考文獻

[1]王志宏，韓璐，戚磊.隨機森林分類方法在儲層巖性識別中的應用[J].遼寧工程技術大學學報（自然科學版），2015，34（09）：1083-1088.

[2]牟丹，王祝文，黃玉龍，等.基于SVM測井數據的火山巖巖性識別——以遼河盆地東部坳陷為例[J].地球物理學報，2015，58（05）：1785-1793.

[3]李國和，鄭陽，李瑩，等.基于深度信念網絡的多采樣點巖性識別[J].地球物理學展，2018，33（04）：1660-1665.

[4]吳施楷，曹俊興.基于連續限制玻爾茲曼機的支持向量機巖性識別方法[J].地球物理學進展，2016，31（02）：821-828.

作者簡介：王?。?992.02-），男，貴州遵義人，碩士研究生，研究方向為：機器學習，地震數據深度學習。