神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)剩余油氣中的應(yīng)用

夏巍

摘要：該文針對(duì)傳統(tǒng)勘探方法不能準(zhǔn)確預(yù)測(cè)剩余油氣的問題，提出了基于模糊理論和自組織神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)剩余油氣的方法。利用模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)收斂較快，預(yù)測(cè)精度高的優(yōu)勢(shì)以及自組織神經(jīng)網(wǎng)絡(luò)無監(jiān)督競爭式學(xué)習(xí)的機(jī)制，實(shí)現(xiàn)了對(duì)剩余油氣的預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)的方法提高了預(yù)測(cè)精度，得到了較好預(yù)測(cè)的效果。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)；剩余油氣；模式識(shí)別；訓(xùn)練

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）09-0200-02

Abstract： The paper is aimed at the problem of traditional exploration methods can not predict the remaining oil and gas accurately， the methods of fuzzy theory and self-organizing map are approached. It takes the advantage of Fuzzy neural network system converging faster and higher prediction accuracy， as well as the unsupervised competitive learning mechanism of self-organizing map， it achieves the goal of predicting the remaining oil and gas. The method of neural network improve the precision of remaining oil and gas， it obtains better effect of prediction.

Key words： neural network； predict； remaining oil and gas； pattern recognition； train

石油是國家經(jīng)濟(jì)發(fā)展的命脈，油氣勘探開發(fā)則是石油工業(yè)的基礎(chǔ)，在國民經(jīng)濟(jì)的地位舉足輕重。隨著地震勘探理論方法日趨成熟，我國各大油氣田勘探程度相繼提高，油氣田已經(jīng)被大幅度開采。然而我國的石油平均采收率并不高，約為30%多一點(diǎn)，還有近70%的油氣并未采收，傳統(tǒng)的油氣勘探方法已經(jīng)不能滿足增加石油的采收率。當(dāng)前我國各大油田的地質(zhì)勘探工作已經(jīng)進(jìn)入中后期，迫切需要一些新的方法研究方法和技術(shù)，對(duì)油氣田剩余油氣的分布和變化趨勢(shì)做出預(yù)測(cè)，以便在尋找新的勘探開發(fā)領(lǐng)域，同時(shí)也能繼續(xù)對(duì)老油氣田進(jìn)行挖掘，從而提高油氣產(chǎn)量。

近些年來，隨著神經(jīng)網(wǎng)絡(luò)技術(shù)[1]的日趨成熟，基于模式識(shí)別的各類方法技術(shù)，如統(tǒng)計(jì)模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、模糊判別等技術(shù)和理論在剩余油氣預(yù)測(cè)方面都得到了較多的應(yīng)用，也取得了較好的結(jié)果。其中模糊理論具有很強(qiáng)的表達(dá)能力并且容易被人理解，神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力很強(qiáng)。由于模糊理論和人工神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，常常被單獨(dú)或者是組合起來運(yùn)用到實(shí)踐中，本文主要介紹神經(jīng)網(wǎng)絡(luò)的方法運(yùn)用于預(yù)測(cè)剩余油氣的工作中。

1 模糊理論

1.1 發(fā)展歷程

1965年美國加州大學(xué)伯里克分校的扎德教授首先創(chuàng)立了模糊集合的數(shù)學(xué)理論，隨后P.N.Marions也開始從事相關(guān)研究，于1966年發(fā)表了一份關(guān)于模糊邏輯的研究報(bào)告。1974年扎德教授作了模糊推理的研究報(bào)告，同年英國的E.H.Mamdanl運(yùn)用模糊邏輯和模糊推理首次實(shí)現(xiàn)了蒸汽機(jī)的實(shí)驗(yàn)性控制，從此模糊理論的雛形形成了，隨后模糊理論[2]掀起了一波熱潮。

1.2 在剩余油氣預(yù)測(cè)中的應(yīng)用

在預(yù)測(cè)剩余油氣[3]的實(shí)踐中，首先對(duì)地震資料做初步的特征提取，然后將提取的樣本用模糊理論的聚類方法進(jìn)行訓(xùn)練，對(duì)訓(xùn)練樣本進(jìn)行幾類。每類都有各自對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)，用專屬于每類的樣本依次訓(xùn)練各自對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)。具體步驟如下：

1）流體屬性的提取

流體屬性數(shù)據(jù)是三維數(shù)據(jù)，屬性的提取方法依賴于具體的物理問題與數(shù)據(jù)網(wǎng)格的劃分。三維數(shù)據(jù)場(chǎng)屬性邊界的提取所采用的方法是求出網(wǎng)格點(diǎn)的梯度，特征區(qū)域一般是梯度模值較大的區(qū)域。對(duì)于均勻的三維網(wǎng)格，估計(jì)其梯度的方法可采用三維差分。為得到網(wǎng)格點(diǎn)上的梯度值，簡單的方法是利用前、后、左、右、上、下六個(gè)鄰近點(diǎn)的場(chǎng)值進(jìn)行簡單的差分估計(jì)。在計(jì)算流體力學(xué)問題中，采用的網(wǎng)格大都是結(jié)構(gòu)化網(wǎng)格，為計(jì)算網(wǎng)格點(diǎn)上的梯度，需將網(wǎng)格變換為均勻規(guī)則正交網(wǎng)格。設(shè)三維網(wǎng)格交換為[x=T1（ξ，η，?）]，[y=T2（ξ，η，?）]，[z=T3（ξ，η，?）]，在點(diǎn)（m，n，p），其場(chǎng)值梯度在兩種網(wǎng)格上的關(guān)系式為：

[?f?ξ?f?η?f??=?f?x?f?y?f?z?x?ξ?x?η?x???y?ξ?y?η?y???z?ξ?z?η?z??]

2）模糊系統(tǒng)處理流體屬性

確定輸入輸出的學(xué)習(xí)樣本[（αK，βK，γk）]，k為樣本個(gè)數(shù)。利用模糊聚類的方法將輸入樣本分成N類，N類樣本對(duì)應(yīng)N條神經(jīng)網(wǎng)絡(luò)。利用各自的樣本訓(xùn)練各自的神經(jīng)網(wǎng)絡(luò)，選擇合適的學(xué)習(xí)樣本，系統(tǒng)經(jīng)過多次樣本訓(xùn)練和樣本學(xué)習(xí)之后，優(yōu)化出一部分識(shí)別精度高的樣本，優(yōu)選的樣本到達(dá)能辨別精度后，將該樣本輸出，這樣就可以被識(shí)別了。

2 自組織神經(jīng)網(wǎng)絡(luò)

2.1 結(jié)構(gòu)與工作過程

自組織神經(jīng)網(wǎng)絡(luò)是上世紀(jì)80年代芬蘭Helsink大學(xué)的Kohonen在Willshaw與Von der Malsberg在的工作上，結(jié)合對(duì)自然界中的生物神經(jīng)系統(tǒng)的理解，創(chuàng)建Kohonen模型，又稱Kohonen網(wǎng)絡(luò)。自組織神經(jīng)網(wǎng)絡(luò)[4]的特征映射是基于生物的大腦神經(jīng)系統(tǒng)，模擬它的自組織特征映射機(jī)制，在樣本訓(xùn)練中有很強(qiáng)大學(xué)習(xí)能力，在組織學(xué)習(xí)中不需要監(jiān)控，是一種無監(jiān)督競爭式學(xué)習(xí)的前饋網(wǎng)絡(luò)。自組織神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)，從而提取某組數(shù)據(jù)中的某種重要特征或內(nèi)在規(guī)律，按離散時(shí)間的方式進(jìn)行分類。網(wǎng)絡(luò)可以把任意高維的輸入作為輸入神經(jīng)元，映射到低維空間得到輸出神經(jīng)元，并且使得輸入神經(jīng)元內(nèi)部的某些相似性質(zhì)表現(xiàn)為幾何上鄰近的特征映射，這就是人們常說的降維處理。這樣輸出神經(jīng)元會(huì)聚集成一個(gè)輸出層，輸出層就可以繪制成一維或二維離散幾何圖形，并且其拓?fù)浣Y(jié)構(gòu)保持不變。此分類反映了樣本集之間的本質(zhì)區(qū)別，大幅度降低了一致性準(zhǔn)則中的人為因素。

如圖1所示，SOM網(wǎng)絡(luò)是一種比較簡單的雙層網(wǎng)絡(luò)， 由若干輸入神經(jīng)元和輸出神經(jīng)元組成。輸入層與輸出層各神經(jīng)元之間實(shí)現(xiàn)了全部互相直接或間接的連接方式，每個(gè)輸出神經(jīng)元可通過可變連接權(quán)與所有輸入神經(jīng)元相連， 且輸出神經(jīng)元間存在局部相互連接。每個(gè)連接都具有對(duì)應(yīng)的連接權(quán)值，用于表示該連接的強(qiáng)度。各個(gè)神經(jīng)元的連接權(quán)值均具有一定的分布，每個(gè)輸入神經(jīng)元與輸出神經(jīng)元之間的聯(lián)系通過連接權(quán)來傳達(dá)。輸出層的神經(jīng)元之間實(shí)行側(cè)向連接，相鄰的神經(jīng)元相互激勵(lì)，距離較遠(yuǎn)的神經(jīng)元?jiǎng)t相互抑制，然而超過了一定的距離的神經(jīng)元又具有較弱的激勵(lì)作用，最后剩下的一個(gè)神經(jīng)元或一組神經(jīng)元，則反映該類樣本的屬性。

2.2 預(yù)測(cè)剩余油氣的步驟

1）根據(jù)勘探數(shù)據(jù)體提取流體屬性[5]，并對(duì)其進(jìn)行預(yù)處理。

2）優(yōu)選出所要了解的流體屬性，對(duì)其進(jìn)行降維壓縮，將壓縮集作為模式識(shí)別的輸入，以統(tǒng)計(jì)的油氣儲(chǔ)層參數(shù)作為輸出來訓(xùn)練組組織神經(jīng)網(wǎng)絡(luò)。

3）利用模式識(shí)別[6]參數(shù)和降維壓縮集對(duì)儲(chǔ)層的油氣進(jìn)行預(yù)測(cè)，從而得到如今的剩余油氣的分布。

3 結(jié)束語

本文針對(duì)傳統(tǒng)油氣勘探的方法難以滿足預(yù)測(cè)油氣田剩余油的難題，著重介紹了模糊理論和自組織神經(jīng)網(wǎng)絡(luò)的方法，這兩種神經(jīng)網(wǎng)絡(luò)的方法各有優(yōu)勢(shì)。其中模糊神經(jīng)網(wǎng)絡(luò)的系統(tǒng)訓(xùn)練和學(xué)習(xí)速度快，收斂較快，預(yù)測(cè)的精度高。自組織神經(jīng)網(wǎng)絡(luò)的競爭模式起到了快速優(yōu)選的作用，神經(jīng)元之間的協(xié)作模式在某種意義上則縮短了整個(gè)流程的工作時(shí)間?？偠灾?，神經(jīng)網(wǎng)絡(luò)的技術(shù)與方法在預(yù)測(cè)油氣田的剩余油氣的實(shí)踐中取得了不錯(cuò)的成果。

參考文獻(xiàn)：

[1] 汪鐳，周國興，吳啟迪.人工神經(jīng)網(wǎng)絡(luò)理論在控制領(lǐng)域中的應(yīng)用綜述[J].同濟(jì)大學(xué)學(xué)報(bào)：自然科學(xué)版，2001，03：357-361.

[2] 王曉軍，楊海峰，邱志平，等.基于測(cè)量數(shù)據(jù)的不確定性結(jié)構(gòu)分析的模糊理論[J].北京航空航天大學(xué)學(xué)報(bào)，2010，08：887-891.

[3] 熊艷，包吉山，肖慈珣.模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)儲(chǔ)層及油氣[J].石油地球物理勘探，2000，02：222-227.

[4] 易榮慶，李文輝，王鐸.基于自組織神經(jīng)網(wǎng)絡(luò)的特征識(shí)別[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版，2009，01：148-153.

[5] 鄒文，陳愛萍，陶正喜，等.流體屬性敏感性分析研究[J].鉆采工藝，2010（S1）：151-152.

[6] 陳守煜.可變模糊聚類及模式識(shí)別統(tǒng)一理論與模型[J].大連理工大學(xué)學(xué)報(bào)，2009，02：307-312.