自組織競爭網(wǎng)絡在測井資料巖性識別中的應用

丁 潔

（忻州職業(yè)技術學院計算機系，山西忻州 034000）

自從1982年Wolf等人首次提出根據(jù)測井資料自動判定地層巖性以來，利用計算機自動進行巖性識別已成為測井技術和鉆井技術發(fā)展的重要方向。目前，巖性識別主要有以下幾種方法:（1）概率統(tǒng)計方法;（2）聚類分析方法;（3）人工神經網(wǎng)絡方法。人工神經網(wǎng)絡方法以其自身特有的樣本學習能力獲得識別模式［1］，以與巖性相關的測井資料作為神經網(wǎng)絡的輸入?yún)?shù)，已知巖性種類作為輸出總數(shù)。前兩種數(shù)理統(tǒng)計方法，兩者的差別只是參數(shù)選擇的要求不同。人工神經網(wǎng)絡具有很強的自組織性、自適應性、容錯性和推理思維能力，人們運用神經網(wǎng)絡在測井資料巖性識別領域做了大量的研究，取得良好效果［2］。

論文主要研究利用自組織競爭神經網(wǎng)絡進行測井資料巖性識別的方法，概述了自組織競爭神經網(wǎng)絡的基本原理以及測井資料巖性識別的步驟，在考慮巖性影響因子的基礎上，對測井資料進行巖性識別。

1 自組織競爭神經網(wǎng)絡原理

1.1 自組織競爭神經網(wǎng)絡的結構

基本競爭型網(wǎng)絡結構如圖1所示。

圖1 基本競爭型神經網(wǎng)絡結構

由圖1可知，自組織競爭神經網(wǎng)絡包括輸入層（輸入測井數(shù)據(jù)信息）和競爭層（巖性分類模式）。上下層之間實現(xiàn)全連接，而每層神經元之間無連接。

1.2 自組織競爭神經網(wǎng)絡學習規(guī)則

自組織競爭網(wǎng)絡的學習規(guī)則以競爭型學習規(guī)則為主［3-5］。競爭型神經網(wǎng)絡可分為輸入層和競爭層，網(wǎng)絡結構如圖1所示，可以假定輸入層由N個神經元構成，競爭層由M個神經元構成。網(wǎng)絡的連接權值為wij，i=1，2，…，N，j=1，2，…，M，且滿足約束條件wij=1。

競爭型網(wǎng)絡的輸入樣本是二值向量，各元素取值0或1，競爭層神經元j的狀態(tài)可按公式（1）計算。

公式（1）中xi為輸入樣本向量的第i個元素。根據(jù)競爭機制，競爭層中具有最大加權值的神經元k贏得競爭勝利，輸出為:

競爭后的權值按照公式（3）進行修正，對于所有的i，有:

其中，α為學習參數(shù)，0＜α＜1，一般取為0.01～0.03;m為輸入層中輸出為1的神經元的個數(shù)，即m=Xi。權值公式項表示當x為1時，權值增加;而x當為0時，權值

ii減小。也就是說，當xi活躍時，對應的第i個權值就增加，否則就減小。由于所有權值的和為1，因此當?shù)趇個權值增加或者減少時，對應的其他權值就可能減小或增加。此外公式（3）還保證了權值的調整能夠滿足所有的權值調整量之和為0。

2 樣本數(shù)據(jù)的獲取

2.1 樣本的選取

樣本包括樣本特征選取及樣本數(shù)目的確定。樣本特征應能很好地反映這類問題的基本特征，不僅在訓練區(qū)內有代表性，而且在預測區(qū)內有普遍性。樣本數(shù)目過少可能無法充分地反應網(wǎng)絡性能，從而導致網(wǎng)絡外推的能力不夠;而樣本過多可能出現(xiàn)樣本的冗余，既增加了網(wǎng)絡的訓練負擔，也有可能出現(xiàn)包含信息量過剩?？傊?，樣本選取具有代表性的樣本資料。按照這一原則，采用北方某地區(qū)2009年的測井資料進行研究，該地區(qū)屬于碳酸鹽地層，因此需要判斷的巖性有三種，即泥巖、砂巖和石灰?guī)r。通過對已知井段測井數(shù)據(jù)進行學習，來預測同一地區(qū)其他井段的巖性。

2.2 樣本數(shù)據(jù)的預處理

樣本準備工作是非常重要的環(huán)節(jié)，因為它直接影響網(wǎng)絡的正確性和應用的可行性。取得的樣本數(shù)據(jù)不能直接用作神經網(wǎng)絡的輸入，需要對測井數(shù)據(jù)進行歸一化。將數(shù)據(jù)處理為區(qū)間［0，1］之間的數(shù)據(jù)。歸一化方法可采用歸一化公式:

式中:xi、ximax、ximin分別表示第i個測井數(shù)據(jù)及在樣本中的最大、最小值，ˉxi表示歸一化后的測井數(shù)據(jù)。

測井資料的樣本數(shù)據(jù)中包含了影響巖性的5個重要因子，即補償中子空隙度CNL、補償密度曲線DEN、聲波時差DTC、自然伽瑪GR和微電阻率RT。

歸一化后的數(shù)據(jù)如表1所示。

表1 歸一化后的巖性影響因子

測井數(shù)據(jù)的標準化使各類測井信息在研究區(qū)域內有一個統(tǒng)一的刻度標準，使可能影響原始測井數(shù)據(jù)的各種系統(tǒng)誤差減至最小，以消除非地質因素造成的測井響應的井間差異。通過對測井數(shù)據(jù)的歸一化，很大程度上減小了非地質因素導致的井間差異的影響。使學習樣本集具有真實性、全面性和代表性。這是用神經網(wǎng)絡解決好實際地質問題的關鍵。

3 測井巖性識別模型的建立

3.1 測井巖性識別算法

測井巖性識別流程圖如圖2所示。

圖2 測井資料巖性識別流程圖

圖2給出了應用自組織競爭網(wǎng)絡進行測井資料巖性識別的流程圖。

3.2 自組織競爭神經網(wǎng)絡結構設計

圖2設計了一個基于自組織競爭神經網(wǎng)絡的巖性識別模型，實現(xiàn)巖性分類首先選擇一個適當?shù)木W(wǎng)絡結構。論文選用自組織競爭網(wǎng)絡的兩種網(wǎng)絡模型比較網(wǎng)絡的性能。

自組織競爭網(wǎng)絡的神經網(wǎng)絡工具箱提供了大量的函數(shù)工具［3］。自組織競爭網(wǎng)絡由輸入層和競爭層組成。用newc函數(shù)創(chuàng)建一個競爭層，構建一個基本競爭型網(wǎng)絡。權值函數(shù)為negdist，輸入函數(shù)為netsum，初始化函數(shù)為midpoint或者initcon，訓練函數(shù)或者自適應函數(shù)為 trains和trainr，學習函數(shù)為learnk或者learncon函數(shù)。函數(shù)返回值是一個新的競爭層。由于需要識別的類別數(shù)目是3，神經元數(shù)目也設置為3，為了加快學習速度，將學習速率設置為0.1。用newsom函數(shù)創(chuàng)建一個自組織特征映射網(wǎng)絡。自組織特征映射網(wǎng)絡的輸入層中的每一個神經元，通過權與輸出層中的每一個神經元相連。構成一個二維平面陣列或一個一維陣列。輸入層和競爭層的神經元之間實現(xiàn)全互連接。利用基本競爭型網(wǎng)絡進行分類，需要首先設定輸入向量的類別總數(shù)，再由此確定神經元的個數(shù)。利用自組織競爭神經網(wǎng)絡進行巖性識別，不必對輸入的測井數(shù)據(jù)進行統(tǒng)計，只要將網(wǎng)絡自動分類號與相應的巖性對應，即可實現(xiàn)自動巖性分類識別。

4 在MATLAB環(huán)境下實現(xiàn)測井資料巖性識別

4.1 測井資料巖性識別的MATLAB實現(xiàn)

（1）用newsom函數(shù)創(chuàng)建一個自組織特征映射進行巖性分類:

①建立網(wǎng)絡

net=newsom（minmax（P），［6 5］）;% 網(wǎng)絡競爭層的神經元的組織結構6×5 plotsom（net.layers{1}.positions）;%繪制神經元初始位置

title（’神經元位置的初始分布’）

figure;

運行結果如圖3所示。

圖3 神經元初始位置圖

此時的神經元分布如圖3所示，此時的神經元位置是均勻分布的，也就是說，網(wǎng)絡還沒有對輸入向量進行分類的能力。

②測試

%對訓練步數(shù)為10時測試網(wǎng)絡性能

P_test=［0.7601 0.8123 0.8079 0.8450 0.8792］＇;

Y_test=sim（net，P_test）

Yc_test=vec2ind（Y_test）

運行結果:

Y_test=（1，1）1

Yc_test=1

分析結果表明該組數(shù)據(jù)為屬于石灰?guī)r。

③繪曲線圖

%繪制訓練后輸入向量分布圖

plot（P（1，:） ，P（2，:） ，＇.r＇，＇markersize＇，20）;

title（＇訓練10次后輸入向量分布＇）

figure;

運行結果如圖4所示。

圖4 訓練10次后輸入向量分布

圖4顯示，訓練了10次后輸入向量已經分類。

%繪制訓練10次后巖性分類曲線

Plot（Yc）;

title（’訓練次數(shù)為10時巖性分類’）

figure;

運行結果如圖5所示。

圖5 訓練10次后神經元分布

由圖5可知，經過10次訓練后，神經元的位置就發(fā)生了明顯的改變，神經元位置的分布情況表示它們已經對輸入向量進行分類了，此時再增加訓練次數(shù)已經沒有什么實際意義了。在實驗中重新運行上面的代碼時，結果可能不一致，因為每次激發(fā)的神經元不一樣，但是相似的類激發(fā)的神經元是鄰近的，差別很大的類激發(fā)的神經元相差較遠。

5 結束語

論文主要研究了自組織競爭神經網(wǎng)絡在測井資料巖性識別中的應用方法，介紹了自組織競爭神經網(wǎng)絡的原理、應用步驟及在測井資料自動分層中的應用，采用了MATLAB工具進行網(wǎng)絡的設計和處理。研究結果表明，采用自組織競爭網(wǎng)絡與自組織特征映射網(wǎng)絡進行測井資料巖性識別是可行的，識別率比較高。由于測井資料所攜帶的重要的地質信息可以確定地層含油儲量，而且還是制訂開采規(guī)劃的重要依據(jù)，因此利用自組織競爭網(wǎng)絡進行測井資料巖性識別具有很大的意義。

［1］陳祥光，裴旭東.人工神經網(wǎng)絡技術及應用［M］.北京:中國電力出版社，2003.

［2］高雋.人工神經網(wǎng)絡原理及仿真實例［M］.北京:機械工業(yè)出版社，2009.

［3］許東，吳錚.基于 MATLAB 6.x的系統(tǒng)分析與設計［M］.西安:西安電子科技大學出版社，2003.

［4］王洪元.人工神經網(wǎng)絡技術及其應用［M］.北京:中國石化出版社，2008.

［5］王鴻斌，胡志軍.人工神經網(wǎng)絡理論及其應用［J］.山西電子技術，2006（2）:41-43.