相似度－遺傳神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層物性預(yù)測(cè)中的應(yīng)用

董興朋

（中國地震局地震研究所，湖北武漢430071）

相似度－遺傳神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層物性預(yù)測(cè)中的應(yīng)用

董興朋

（中國地震局地震研究所，湖北武漢430071）

傳統(tǒng)的測(cè)井解釋需要建立精確的數(shù)學(xué)模型，并常伴有嚴(yán)格的條件限制，因此很難得到真實(shí)反映儲(chǔ)層特性的結(jié)果。采用遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，利用遺傳算法的全局尋優(yōu)特點(diǎn)，優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閥值，提高網(wǎng)絡(luò)的訓(xùn)練精度和預(yù)測(cè)精度，避免了BP算法易陷入局部極小的缺點(diǎn)，提高運(yùn)算速度。將相似度的概念引入到測(cè)井中，定義相似度在測(cè)井中的計(jì)算公式，提出相似度與遺傳神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法。實(shí)例研究表明，預(yù)測(cè)準(zhǔn)確性較高，可以有效控制預(yù)測(cè)精度，避免因儲(chǔ)層差別大而造成的預(yù)測(cè)精度降低的現(xiàn)象。

地球物理測(cè)井；遺傳算法；相似度；神經(jīng)網(wǎng)絡(luò)；儲(chǔ)層物性；預(yù)測(cè)

0 引 言

通過巖心取樣進(jìn)行室內(nèi)測(cè)試，獲取巖心的孔隙度精度很高，但取樣和測(cè)試的費(fèi)用很高，致使獲取的儲(chǔ)層孔隙度數(shù)據(jù)有限，不能覆蓋整個(gè)工區(qū)［1］。常規(guī)測(cè)井解釋多通過經(jīng)驗(yàn)公式或簡(jiǎn)化地質(zhì)條件建立模型計(jì)算儲(chǔ)層參數(shù)。然而測(cè)井資料具有不確定性和非結(jié)構(gòu)化的特點(diǎn)，過去采用的統(tǒng)計(jì)方法未能擺脫線性方程的束縛，使求得的物性參數(shù)很難與實(shí)驗(yàn)數(shù)據(jù)建立良好的對(duì)應(yīng)關(guān)系［2］。

BP神經(jīng)網(wǎng)絡(luò)［3］的學(xué)習(xí)基于梯度下降法，因此存在收斂速度慢及網(wǎng)絡(luò)參數(shù)和計(jì)算參數(shù)難以確定等缺點(diǎn)［4］。遺傳算法（Genetic Algorithm，GA）是一種借鑒生物界自然選擇和自然遺傳機(jī)制的搜索算法，它能在復(fù)雜空間中尋找最優(yōu)解，且有算法簡(jiǎn)單、適用、魯棒性強(qiáng)等優(yōu)點(diǎn)。基于以上2種算法各自的優(yōu)缺點(diǎn)，可以將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合，提高網(wǎng)絡(luò)訓(xùn)練精度。利用GA－BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層物性參數(shù)，具有綜合利用多種測(cè)井參數(shù)，客觀反映輸入?yún)?shù)與儲(chǔ)層參數(shù)之間復(fù)雜規(guī)律和無需選擇測(cè)井解釋參數(shù)等特點(diǎn)。

本文將相似度的概念引入到測(cè)井中，提出了相似度與遺傳神經(jīng)網(wǎng)絡(luò)相結(jié)合，并在MATLAB中進(jìn)行預(yù)測(cè)，可以有效控制預(yù)測(cè)精度，避免因儲(chǔ)層差別大而造成的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度降低的現(xiàn)象。

1 遺傳算法與神經(jīng)網(wǎng)絡(luò)

1.1 標(biāo)準(zhǔn)BP算法

BP（Back Propagation）網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能學(xué)習(xí)和存儲(chǔ)大量的輸入－輸出模式映射關(guān)系，無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是最速下降法，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閥值，使網(wǎng)絡(luò)的誤差平方和最小。理論證明，含有一個(gè)隱含層的BP網(wǎng)絡(luò)可以實(shí)現(xiàn)以任意精度近似任何連續(xù)非線性函數(shù)［5］。但在實(shí)際應(yīng)用過程中，存在易陷入局部極小和收斂速度慢等缺點(diǎn)。針對(duì)這些缺點(diǎn)，已有人對(duì)此提出了改進(jìn)方案，如修正學(xué)習(xí)率、增加動(dòng)量項(xiàng)、引入陡度因子及改進(jìn)神經(jīng)元激勵(lì)函數(shù)等［3］。

1.2 遺傳算法原理

遺傳算法是借助生物的進(jìn)化規(guī)律，使所要解決的問題從初始解一步步逼近最優(yōu)解［6］。它是一種全局優(yōu)化搜索算法，可以有效克服BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)的不足。遺傳算法一般包括選擇、交叉和變異3個(gè)基本操作。適應(yīng)度函數(shù)（目標(biāo)函數(shù)）被用來評(píng)價(jià)個(gè)體解的優(yōu)劣程度，從而對(duì)個(gè)體進(jìn)行選擇操作?？刂艷A處理效果的主要參數(shù)包括群體規(guī)模與交叉概率、變異概率。其流程見圖1。

圖1 遺傳算法流程圖

1.3 權(quán)值優(yōu)化

用GA優(yōu)化神經(jīng)網(wǎng)絡(luò)可以使得神經(jīng)網(wǎng)絡(luò)具有自進(jìn)化、自適應(yīng)能力，它主要包括網(wǎng)絡(luò)權(quán)值的進(jìn)化、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的進(jìn)化和學(xué)習(xí)規(guī)則的進(jìn)化，而最主要的是用來優(yōu)化網(wǎng)絡(luò)的權(quán)值［7］。遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值的一般步驟如下。

（1）確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和訓(xùn)練樣本。

（2）對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值編碼，遺傳控制參數(shù)初始化，產(chǎn)生含P個(gè)個(gè)體的初始種群（權(quán)值）。

（3）適應(yīng)度函數(shù)的確定。一般以誤差函數(shù)的倒數(shù)作為染色體評(píng)價(jià)函數(shù)。誤差越大適應(yīng)度值越小。

（4）計(jì)算每個(gè)個(gè)體的適應(yīng)度，選擇若干適應(yīng)度函數(shù)值大的個(gè)體直接進(jìn)入小一代；適應(yīng)度小的個(gè)體被淘汰。

（5）利用交叉、變異等遺傳算子對(duì)當(dāng)前新一代群體進(jìn)行新一輪迭代，直到訓(xùn)練目標(biāo)滿足終止條件為止。重復(fù)步驟（2）、（3）、（4）、（5），對(duì)新一代群體進(jìn)行新一輪迭代，直到訓(xùn)練目標(biāo)滿足終止條件為止。

2 相似度在測(cè)井中的應(yīng)用

2.1 儲(chǔ)層類型

影響儲(chǔ)層孔隙度的地質(zhì)因素有埋藏深度、構(gòu)造位置、沉積環(huán)境、巖性變化、成巖程度等。沉積環(huán)境對(duì)儲(chǔ)層物性的影響一直是定性說明，由于在不同的沉積環(huán)境中會(huì)形成不同的沉積序列，也就會(huì)有不同的砂地體積比值［8］。最常見的有3類：沖積扇沙礫巖儲(chǔ)層、河流砂體儲(chǔ)層和三角洲砂體儲(chǔ)層。在相同的儲(chǔ)層類型中，由于沉積環(huán)境相同，可以認(rèn)為測(cè)井信息與儲(chǔ)層參數(shù)之間的非線性映射是相似的。

2.2 相似度在測(cè)井中的定義

在相同的沉積環(huán)境（即沖積扇沙礫巖儲(chǔ)層、河流砂體儲(chǔ)層和三角洲砂體儲(chǔ)層3類），取標(biāo)準(zhǔn)的儲(chǔ)層模型i，該模型指標(biāo)特征值的向量μi＝（μi1，μi2，…，μik），其中，μi1，μi2，…，μik分別為儲(chǔ)層k種不同測(cè)井曲線值；取所要預(yù)測(cè)的儲(chǔ)層為樣本j，指標(biāo)特征值向量為rj＝（rj1，rj2，…，rjk），k種不同的測(cè)井技術(shù)對(duì)儲(chǔ)層物性影響的權(quán)重分別為wj1，wj2，…，wjk則樣本j相對(duì)標(biāo)準(zhǔn)模型i的相似度為

有了相似度的定義，在進(jìn)行儲(chǔ)層相似度預(yù)測(cè)時(shí)就可以先計(jì)算所要預(yù)測(cè)儲(chǔ)層與已知模型的相似度。若相似程度很高，就可以直接用經(jīng)過已知模型訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)未知儲(chǔ)層的孔隙度進(jìn)行預(yù)測(cè)。

3 GA－BP網(wǎng)絡(luò)模型及MATLAB實(shí)現(xiàn)

用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層物性參數(shù)，就是尋求測(cè)井信息與儲(chǔ)層物性參數(shù)之間的某種非線性映射。BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，很好地解決了輸入和輸出之間的關(guān)系和復(fù)雜的非線性問題，為儲(chǔ)層參數(shù)的預(yù)測(cè)提供了一種有效的途徑［2］。

MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，利用MATLAB腳本語言構(gòu)造出典型的神經(jīng)網(wǎng)絡(luò)激活函數(shù)，使設(shè)計(jì)者對(duì)所選網(wǎng)絡(luò)的計(jì)算變成對(duì)激活函數(shù)的調(diào)用，為用戶提供了極大方便［2］?；贛ATLAB的GA－BP網(wǎng)絡(luò)實(shí)現(xiàn)儲(chǔ)層物性預(yù)測(cè)的一般步驟如下。

（1）原始資料的預(yù)處理。巖心實(shí)驗(yàn)數(shù)據(jù)及測(cè)井?dāng)?shù)據(jù)的預(yù)處理包括巖心數(shù)據(jù)和測(cè)井?dāng)?shù)據(jù)的深度歸位，使得巖心分析所得的物性參數(shù)和測(cè)井信息來源于同一深度。

（2）選取學(xué)習(xí)樣本。

（3）數(shù)據(jù)的歸一化處理。使用premnmx函數(shù)進(jìn)行歸一化處理，使數(shù)據(jù)分布在［－1～1］之間。

（4）構(gòu)建預(yù)測(cè)網(wǎng)絡(luò)模型。根據(jù)神經(jīng)網(wǎng)絡(luò)的連續(xù)函數(shù)映射定理，具有3層（1個(gè)輸入層、1個(gè)隱含層和1個(gè)輸出層）的網(wǎng)絡(luò)結(jié)構(gòu)，即可實(shí)現(xiàn)任意連續(xù)函數(shù)從輸入空間向輸出空間的映射［3］。本文采用3層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入神經(jīng)元數(shù)為測(cè)井參數(shù)的個(gè)數(shù)，輸出神經(jīng)元為1個(gè)（孔隙度或滲透率），隱含層節(jié)點(diǎn)數(shù)較難確定，節(jié)點(diǎn)數(shù)太多，網(wǎng)絡(luò)訓(xùn)練時(shí)間長(zhǎng)；節(jié)點(diǎn)太少，誤差精度又達(dá)不到要求。用學(xué)習(xí)樣本集訓(xùn)練網(wǎng)絡(luò)，直到精度滿足要求為止，保存網(wǎng)絡(luò)，建立儲(chǔ)層參數(shù)預(yù)測(cè)網(wǎng)絡(luò)模型。

（5）應(yīng)用上述建立的預(yù)測(cè)網(wǎng)絡(luò)模型預(yù)測(cè)未知儲(chǔ)層層段的物性參數(shù)。

4 孔隙度的預(yù)測(cè)

4.1 基于GA－BP神經(jīng)網(wǎng)絡(luò)的孔隙度預(yù)測(cè)

以寧東5井延長(zhǎng)組目的層段的7個(gè)樣本為訓(xùn)練樣本作為神經(jīng)網(wǎng)絡(luò)的輸入，巖心孔隙度作為訓(xùn)練樣本輸出值，選取反映儲(chǔ)層孔隙度參數(shù)敏感的聲波（AC）、密度（DEN）、中子測(cè)井（CNL）和自然伽馬（GR）等4種測(cè)井曲線作為輸入元，隱含層的神經(jīng)元數(shù)為25，輸出層神經(jīng)元為1，建立GA－BP神經(jīng)網(wǎng)絡(luò)模型（樣本訓(xùn)練數(shù)據(jù)見表1）。

表1 樣本訓(xùn)練數(shù)據(jù)

GA－BP神經(jīng)網(wǎng)絡(luò)染色體編碼采用實(shí)數(shù)編碼，適應(yīng)度函數(shù)為誤差平方和的倒數(shù)。種群規(guī)模為50，遺傳代數(shù)為100，網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1 000，訓(xùn)練誤差精度為0.000 1。用訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò)，經(jīng)過100代遺傳操作，得到遺傳算法優(yōu)化的BP網(wǎng)絡(luò)初始權(quán)值和閥值，適應(yīng)度函數(shù)值為2 300（見圖2）；再用共軛梯度BP算法訓(xùn)練網(wǎng)絡(luò)，經(jīng)過35次迭代，均方差誤差達(dá)到訓(xùn)練誤差精度0.000 1（見圖3）。

取3組數(shù)據(jù)作為測(cè)試樣本進(jìn)行預(yù)測(cè)。取訓(xùn)練樣本與測(cè)井輸入曲線的平均值作為標(biāo)準(zhǔn)儲(chǔ)層模型的指標(biāo)特征值，根據(jù)式（1），取權(quán)重均為0.25，計(jì)算3組測(cè)試樣本的相似度。預(yù)測(cè)結(jié)果見表2，誤差隨相似度變化曲線見圖4。

由表2和圖4知，當(dāng)所預(yù)測(cè)樣本與訓(xùn)練樣本的相似度高時(shí)，預(yù)測(cè)精度很高；反之，預(yù)測(cè)精度不高，存在較大的誤差。隨著相似度的增大，GA－BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的誤差逐漸減小。因此，在孔隙度預(yù)測(cè)之前，須先計(jì)算預(yù)測(cè)樣本的相似度，以判斷是否適合，這樣，可以有效控制預(yù)測(cè)精度，避免因儲(chǔ)層差別很大而造成的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度降低的現(xiàn)象。

圖4 誤差隨相似度的變化曲線

表2 GA－BP神經(jīng)網(wǎng)絡(luò)孔隙度預(yù)測(cè)數(shù)據(jù)表

4.2 GA－BP算法與標(biāo)準(zhǔn)BP算法預(yù)測(cè)結(jié)果對(duì)比

同樣，以表2中3組樣本為測(cè)試樣本，采用標(biāo)準(zhǔn)BP算法對(duì)樣本孔隙度值進(jìn)行預(yù)測(cè)（預(yù)測(cè)結(jié)果見表3、圖5）。由表3可知，采用標(biāo)準(zhǔn)BP算法得到的預(yù)測(cè)值的誤差高于采用GA－BP算法的誤差。樣本1由于相似度較低，2種算法得到的誤差都較高；樣本2和3采用GA－BP算法得到的預(yù)測(cè)值的誤差遠(yuǎn)小于標(biāo)準(zhǔn)BP算法，證明了GA－BP算法相對(duì)于傳統(tǒng)的標(biāo)準(zhǔn)BP算法的優(yōu)勢(shì)；圖5中，GA－BP算法和標(biāo)準(zhǔn)BP算法預(yù)測(cè)的誤差都隨著相似度的增加而減小，證明了將相似度引入到儲(chǔ)層孔隙度預(yù)測(cè)中的必要性。

表3 GA－BP算法同標(biāo)準(zhǔn)BP算法預(yù)測(cè)結(jié)果對(duì)比

5 滲透率的預(yù)測(cè)

巖石滲透率受孔隙度、粒度、分選、磨圓、礦物組成和黏土分布等諸多因素直接或間接影響［2］。選取孔隙度以及自然伽馬（GR）、電阻率（Rt）、聲波（AC）、密度（DEN）、中子測(cè)井（CNL）等作為網(wǎng)絡(luò)的輸入，巖心滲透率為網(wǎng)絡(luò)的輸出。以寧東5井為例，選取7個(gè)樣本為訓(xùn)練樣本作為神經(jīng)網(wǎng)絡(luò)的輸入，預(yù)測(cè)模型采用3層的神經(jīng)網(wǎng)絡(luò)，其中輸入神經(jīng)元6個(gè)，隱含層神經(jīng)元25個(gè)，輸出神經(jīng)元1個(gè)。GA－BP神經(jīng)網(wǎng)絡(luò)設(shè)置與上文中孔隙度預(yù)測(cè)設(shè)置相同，求相似度時(shí)，自然伽馬（GR）、電阻率（Rt）、聲波（AC）、密度（DEN）、中子測(cè)井（CNL）權(quán)重均取0.15，孔隙度權(quán)重取0.25。訓(xùn)練樣本數(shù)據(jù)和預(yù)測(cè)結(jié)果見表4和表5?？梢钥闯觯紫抖阮A(yù)測(cè)一樣，隨相似度的減小，GA－BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度降低。

圖5 GA－BP算法同標(biāo)準(zhǔn)BP算法預(yù)測(cè)結(jié)果對(duì)比圖

表4 訓(xùn)練樣本數(shù)據(jù)

表5 GA－BP神經(jīng)網(wǎng)絡(luò)滲透率預(yù)測(cè)數(shù)據(jù)表

6 結(jié) 論

（1）利用BP神經(jīng)網(wǎng)絡(luò)可以建立起測(cè)井響應(yīng)和儲(chǔ)層物性參數(shù)之間的非線性映射關(guān)系，將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，優(yōu)化了神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，避免了標(biāo)準(zhǔn)BP算法易陷入局部極小的缺點(diǎn)，為儲(chǔ)層物性預(yù)測(cè)提供了一條很好的途徑。

（2）通過MATLAB工具箱庫函數(shù)的調(diào)用就可以很容易實(shí)現(xiàn)GA－BP神經(jīng)網(wǎng)絡(luò)的建模，免去了繁雜的編程，提高了研究效率。

（3）將相似度的概念引入到測(cè)井儲(chǔ)層物性預(yù)測(cè)中。實(shí)例研究表明，相似度越高，GA－BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差越小。因此，在儲(chǔ)層物性參數(shù)預(yù)測(cè)之前，須先計(jì)算預(yù)測(cè)樣本的相似度，以判斷是否適合，這樣可以有效地控制預(yù)測(cè)精度，避免因儲(chǔ)層差別大而造成的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度降低的現(xiàn)象。

［1］ 連承波，李漢林，渠芳，等.基于測(cè)井資料的BP神經(jīng)網(wǎng)絡(luò)模型在孔隙度定量預(yù)測(cè)中的應(yīng)用［J］.天然氣地球科學(xué)，2006，17（3）：382－384.

［2］ 陳蓉，王峰.基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層物性預(yù)測(cè)中的應(yīng)用［J］.測(cè)井技術(shù)，2009，33（1）：75－78.

［3］ 陳鋼花，董維武.遺傳神經(jīng)網(wǎng)絡(luò)在煤質(zhì)測(cè)井評(píng)價(jià)中的應(yīng)用［J］.測(cè)井技術(shù)，2011，35（2）：171－175.

［4］ 林香，姜青山，熊騰科.一種基于遺傳BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型［J］.計(jì)算機(jī)研究與發(fā)展，2006，43（suppl.）：338－343.

［5］ 謝立春.BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及收斂性分析［J］.計(jì)算技術(shù)與自動(dòng)化，2007，26（3）：52－56.

［6］ 趙軍，祁興中，宋帆，等.遺傳算法在測(cè)井識(shí)別凝析氣藏中的應(yīng)用［J］.測(cè)井技術(shù)，2006，30（4）：313－316.

［7］ 洪露，馬長(zhǎng)山，謝宗安.基于遺傳算法的神經(jīng)網(wǎng)絡(luò)權(quán)值優(yōu)化［J］.貴州工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2003，32（6）：48－51.

［8］ 王朋巖.用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層的孔隙度［J］.大慶石油學(xué)院學(xué)報(bào)，2003，27（2）：5－7.

Application of Similarity－Genetic Neural Network to Reservoir Parameters Prediction

DONG Xingpeng
（Institute of Seismology，China Earthquake Administration，Wuhan，Hubei 430071，China）

Due to the anisotropy of reservoir，using the linear method it is difficult to get actual reservoir characteristics.On the basis of a combine of genetic algorithm and BP neural network，the global random hunting function of the genetic algorithm is used to optimize neural network connection weights and threshold，which enhances the network tranining precision and parameters prediction accuracy，and as well，increases computing speed by avoiding its disadvantages that standard BP algorithm is apt to trap in local minimal solution.At the same time，we define the similarity in well logging and its calculation formula，and propose a predicting method to combine similarity and Genetic Neural Network.Compared with real samples，the predictive accuracy is higher and effectively controlled，enhance the neural network prediction accuracy.

geophysics logging，genetic algorithm，similarity，neural network，reservoir physical property，prediction

P631

A

2011－12－05 本文編輯 李總南）

1004－1338（2012）03－0267－05

董興朋，男，1988年生，在讀研究生，研究方向?yàn)楣腆w地球物理。