BP神經(jīng)網(wǎng)絡(luò)在天然氣水合物化探中的應(yīng)用

馬金鳳， 梁　建， 郭　軍， 陳宏文

(1.國土資源部海底礦產(chǎn)資源重點實驗室，廣東廣州510075； 2.廣州海洋地質(zhì)調(diào)查局，廣東廣州510075)

?

BP神經(jīng)網(wǎng)絡(luò)在天然氣水合物化探中的應(yīng)用

馬金鳳1，2， 梁建1,2， 郭軍1,2， 陳宏文1,2

(1.國土資源部海底礦產(chǎn)資源重點實驗室，廣東廣州510075； 2.廣州海洋地質(zhì)調(diào)查局，廣東廣州510075)

摘要：地球化學(xué)方法在天然氣水合物勘探評價過程中的參數(shù)存在不確定性，且誤差傳遞易導(dǎo)致結(jié)果不可信。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)技術(shù)，在天然氣水合物勘探區(qū)域選取相關(guān)的應(yīng)用切入點，通過訓(xùn)練建立神經(jīng)網(wǎng)絡(luò)模型，利用其非線性映射技術(shù)，揭示天然氣水合物勘探評價中涉及的多個屬性之間的非線性關(guān)系。計算結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)的分類方案有效彌補(bǔ)了當(dāng)前地球化學(xué)評價方法存在的多解性等缺點，運(yùn)用在地球化學(xué)數(shù)據(jù)的基礎(chǔ)上建立的BP神經(jīng)網(wǎng)絡(luò)模型，對研究區(qū)塊進(jìn)行仿真預(yù)測，可以實現(xiàn)水合物礦藏的分等級評價。

關(guān)鍵詞：地球化學(xué)分析；BP神經(jīng)網(wǎng)絡(luò)；網(wǎng)絡(luò)訓(xùn)練；網(wǎng)絡(luò)仿真

0引言

天然氣水合物勘探對地球化學(xué)數(shù)據(jù)的處理通常采用傳統(tǒng)的數(shù)理統(tǒng)計方法，針對單個元素異常進(jìn)行計算，然后繪制單個元素異常等值線，確定勘探研究區(qū)域內(nèi)的異常點；或通過疊合各個指標(biāo)圈出的異常區(qū)域，用于分析異常組合特征以及異常的好壞。傳統(tǒng)評價方法的缺點是只針對單個異常元素進(jìn)行處理，并且僅僅是將異常數(shù)據(jù)的量值作為分析研究的對象。此外，在結(jié)合地球物理、地質(zhì)資料以及地球化學(xué)指標(biāo)分布異常的綜合分析過程中，室內(nèi)分析人員的專業(yè)技術(shù)知識與背景對分析結(jié)果有較大的影響，不同技術(shù)人員對同一資料的分析結(jié)果可能存在多解性差異(陳劍平，2008)。

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rinehart和McClelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一(朱凱等，2010)。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。

本次研究利用BP神經(jīng)網(wǎng)絡(luò)的非線性處理功能，針對在我國南海天然氣水合物地球化學(xué)勘探中所取得的成果數(shù)據(jù)，訓(xùn)練建立BP神經(jīng)網(wǎng)絡(luò)模型，對數(shù)據(jù)實現(xiàn)分類與預(yù)測，為圈定天然氣水合物賦存的區(qū)域分布特征提供新思路、新方法。

1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.1BP網(wǎng)絡(luò)神經(jīng)元模型

BP網(wǎng)絡(luò)神經(jīng)元模型是對人腦神經(jīng)元結(jié)構(gòu)的抽象與簡化(梁民等，1990)。如圖1所示，包括1個R維向量的基本輸入(p1，p2，p3，…pR)，1個線性累加

圖1　有R個輸入的BP網(wǎng)絡(luò)神經(jīng)元Fig.1　BP network neurons with R input variables

器∑，1個外部偏差b以及1個計算輸出與神經(jīng)元傳遞函數(shù)f(Wp+b)。神經(jīng)元結(jié)構(gòu)中有突起進(jìn)行信息傳遞，而BP網(wǎng)絡(luò)神經(jīng)元中也包含傳遞函數(shù)。常用的神經(jīng)元傳遞函數(shù)包括Log-Sigmoid型函數(shù)logsig(s)、Tan-Sigmoid型函數(shù)tansig(s)以及線性函數(shù)purelin(s)。

1.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)通常包括3層，即輸入層、隱含層和輸出層(侯媛彬等，2007)。圖2是一個典型的具有3個神經(jīng)元層的BP神經(jīng)網(wǎng)絡(luò)，隱含層傳遞函數(shù)為tansig函數(shù)，輸出層傳遞函數(shù)為purelin函數(shù)(張國翊等，2011)。BP神經(jīng)網(wǎng)絡(luò)也可以包含多層的隱含層，但在理論上已經(jīng)證明,在不限制隱含層神經(jīng)元數(shù)量的情況下,1個3層(輸入層、輸出層以及1個隱含層)的BP網(wǎng)絡(luò)已經(jīng)可以解決任意非線性擬合問題(Krylov，2002)。

圖2　由2層神經(jīng)元構(gòu)成的BP神經(jīng)網(wǎng)絡(luò)Fig.2　BP neural network formed by two layers of neurons

2網(wǎng)絡(luò)的設(shè)計與訓(xùn)練

利用21個重力活塞取樣站位的沉積物現(xiàn)場測定的地球化學(xué)信息作為網(wǎng)絡(luò)的輸入，結(jié)合多項室內(nèi)分析數(shù)據(jù)后得出的分類結(jié)果信息作為網(wǎng)絡(luò)輸出，訓(xùn)練并建立BP神經(jīng)網(wǎng)模型。其中，作為網(wǎng)絡(luò)輸入層的數(shù)據(jù)項包括重力活塞取樣站位的空間縱橫坐標(biāo)值，樣品頂部與底部的現(xiàn)場測定的空氣甲烷含量、孔隙水營養(yǎng)鹽(SiO3-Si、PO4-P、NH3-N)、總堿度(TA)等結(jié)果數(shù)據(jù)，共計12項。而訓(xùn)練網(wǎng)絡(luò)的輸出項則包括無明顯指示水合物賦存的站位，一定程度指示水合物賦存的站位以及強(qiáng)烈指示水合物賦存的站位三大類。該分類結(jié)果是結(jié)合現(xiàn)場測試與室內(nèi)測試所得的地球化學(xué)指標(biāo)數(shù)據(jù)，對21個重力活塞取樣站位進(jìn)行重點研究后得出的分類結(jié)果。

在數(shù)據(jù)預(yù)處理過程中，為了統(tǒng)一數(shù)據(jù)的量綱，通常在數(shù)據(jù)預(yù)處理過程中對數(shù)據(jù)進(jìn)行歸一化處理(朱慶生等，2012)。歸一化處理后的重力活塞取樣站位訓(xùn)練數(shù)據(jù)如表1所示。

表1　網(wǎng)絡(luò)訓(xùn)練采用歸一化處理后的站位數(shù)據(jù)

隱含層神經(jīng)元個數(shù)根據(jù)經(jīng)驗公式n=2n1+1(式中：n為隱含層節(jié)點數(shù),n1為輸入節(jié)點數(shù))與實際情況不斷調(diào)整最后確定(楊守建等，2013)。用相同的樣本集進(jìn)行訓(xùn)練，對比確定網(wǎng)絡(luò)誤差最小時對應(yīng)的隱含層節(jié)點數(shù)為27。

輸入層到隱含層的傳遞函數(shù)采用tansig，隱含層到輸出層的傳遞函數(shù)采用logsig；最大訓(xùn)練步數(shù)為1 000，訓(xùn)練的目標(biāo)誤差為0.01；并選用Levenberg-Marquardt算法(趙弘等，2002)作為網(wǎng)絡(luò)的訓(xùn)練方法，創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型(圖3)。

圖3　BP神經(jīng)網(wǎng)絡(luò)模型Fig.3　BP neural network model

3網(wǎng)絡(luò)仿真

當(dāng)BP神經(jīng)網(wǎng)絡(luò)模型建立后，利用21個重力活塞取樣數(shù)據(jù)生成的神經(jīng)網(wǎng)絡(luò)模型，輸入87個重力柱取樣數(shù)據(jù)進(jìn)行分類預(yù)測。Levenberg-Marquardt的訓(xùn)練算法自動將實際輸出值和期望值進(jìn)行比較，得到誤差信號，再根據(jù)誤差信號從后(輸出層)向前(輸入層)逐層反轉(zhuǎn)，調(diào)節(jié)每個神經(jīng)層神經(jīng)元之間的連接權(quán)重，直至誤差減至滿足要求為主。如表2所示，模型成功預(yù)測出3種既定類別，但也包含了少量預(yù)測失敗的站位(即計算結(jié)果最終不收斂)。從預(yù)測數(shù)量上看，預(yù)測失敗的類型占所有預(yù)測數(shù)據(jù)的12.6%，而從整個分布區(qū)域上看(圖4)，該類型的區(qū)域只占全區(qū)域很小的一部分。

表2　預(yù)測結(jié)果統(tǒng)計

圖4　仿真結(jié)果1-強(qiáng)烈指示; 2-一定程度指示; 3-無明顯指示; 4-預(yù)測失敗Fig.4　Simulation results

4建模解析及實驗結(jié)果評價

傳統(tǒng)評價方法主要是采用數(shù)理統(tǒng)計的方法對87個重力柱狀取樣站位現(xiàn)場測試結(jié)果進(jìn)行統(tǒng)計：首先圈定CH4異常區(qū)，SiO3-Si異常區(qū)、PO4-P異常區(qū)、NH3-N異常區(qū)以及總堿度(TA)異常區(qū)；然后再對多個異常區(qū)進(jìn)行疊合(鄧希光等，2006)。結(jié)合21個重點分析重力活塞取樣站位數(shù)據(jù)，以及地質(zhì)與地球物理證據(jù)，最終圈定天然氣水合物賦存的分布特征(圖5a)。

所用的BP神經(jīng)網(wǎng)絡(luò)技術(shù)，首先收集研究區(qū)域的地球化學(xué)數(shù)據(jù)；然后根據(jù)重點分析的21個重力活塞取樣站位資料，用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行訓(xùn)練，建立非線性模型；最后用該模型對研究區(qū)域內(nèi)的87個重力柱狀取樣站位資料進(jìn)行仿真分類預(yù)測。最終，根據(jù)BP神經(jīng)網(wǎng)絡(luò)的仿真數(shù)據(jù)結(jié)果，運(yùn)用Surfer 7.0生成相應(yīng)的仿真樣本分布圖，得出天然氣水合物賦存預(yù)測結(jié)果(圖5b)。

在社會主義法治社會的建設(shè)過程中，社會大眾道德與法治意識的程度，特別是初中生的道德與法治意識，是衡量一個國家法制建設(shè)的重要標(biāo)準(zhǔn)。社會主義法制國家建設(shè)并不是一件一朝一夕就可以完成的任務(wù)，而是一項長期的任務(wù)。在初中道德與法治課教學(xué)中，注重激活學(xué)生的思維，促使其運(yùn)用法治的思維處理與解決生活中遇到的問題。廣大中學(xué)生是祖國未來發(fā)展的希望，更加肩負(fù)著社會主義法治社會建設(shè)的責(zé)任，因此，在初中道德與法治課中激活初中生的思維，有利于推動社會主義法治社會的建設(shè)。

圖5　傳統(tǒng)評價方法與BP神經(jīng)網(wǎng)絡(luò)仿真結(jié)果對比Fig.5　Comparison between the traditional evaluation method (a) and BP neural network simulation (b)

圖5a是化探各指標(biāo)的異常疊加圖。在圈出各指標(biāo)的異常并疊加后，整體可以得出3塊異常區(qū)，即西南面的兩大異常區(qū)及中北部異常區(qū)。但是經(jīng)過異常疊加后，所反映的信息比較凌亂，有可能存在多解性，不同的研究人員會得出不同的結(jié)果，而且對地質(zhì)、地球物理的解釋結(jié)果依賴性比較大。

圖5b是神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果，所用的資料包括站位的空間縱橫坐標(biāo)值、現(xiàn)場測定的CH4含量、孔隙水營養(yǎng)鹽(SiO3-Si、PO4-P、NH3-N)、總堿度(TA)等數(shù)據(jù)，整體上也能得出3個大的異常區(qū)，而從細(xì)分的角度可以明確顯示出異常程度的變化，如強(qiáng)烈指示區(qū)域、一定程度指示區(qū)域或者無明顯指示區(qū)域。如資料齊全，該模型能夠把各種成藏指標(biāo)通過非線性技術(shù)有效地融合在一起。所以BP神經(jīng)網(wǎng)絡(luò)技術(shù)在資料齊全、模型正確的情況下，比傳統(tǒng)化探評價方法更有效、更直觀。

5結(jié)論

人工神經(jīng)網(wǎng)絡(luò)的非線性運(yùn)算能力非常適合于處理觀測數(shù)據(jù)與地學(xué)本質(zhì)之間的關(guān)系。利用構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型對調(diào)查范圍內(nèi)的87個重力柱取樣數(shù)據(jù)進(jìn)行分類預(yù)測，結(jié)果能夠清晰顯示研究區(qū)域內(nèi)的水合物前景區(qū)域，為天然氣水合物評價提供新的思路與方法。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇尚無統(tǒng)一而完整的理論指導(dǎo)，一般只能由經(jīng)驗選定，而網(wǎng)絡(luò)結(jié)構(gòu)直接影響網(wǎng)絡(luò)的逼近能力及推廣性質(zhì)。因此，如何選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)是一個重要的問題。實驗證明，神經(jīng)網(wǎng)絡(luò)的分類方案有效地彌補(bǔ)了當(dāng)前地球化學(xué)評價方法存在的多解性等缺點，與傳統(tǒng)的化探技術(shù)對比有其獨(dú)特的優(yōu)點。在補(bǔ)充相應(yīng)地質(zhì)與地球物理數(shù)據(jù)的基礎(chǔ)上再建立BP神經(jīng)網(wǎng)絡(luò)模型，對研究區(qū)塊內(nèi)的地化數(shù)據(jù)進(jìn)行仿真預(yù)測，其泛化能力與分類效果將會更好。

隨著世界各國對天然氣水合物資源的重視，我國將加大對領(lǐng)海范圍內(nèi)新型能源的勘查力度以及相關(guān)科研經(jīng)費(fèi)的投入。為了進(jìn)一步深入了解我國天然氣水合物資源的潛藏情況，加快從資源勘探邁向資源開發(fā)的步伐，我國將為海洋調(diào)查隊伍配備更先進(jìn)的海洋勘查裝備與儀器，并在重點區(qū)域?qū)嵤┐笠?guī)模的鉆探取樣。伴隨著鉆井?dāng)?shù)據(jù)與天然氣水合物實物資料的不斷豐富，訓(xùn)練樣本將可以用鉆井?dāng)?shù)據(jù)替代淺層的重力活塞樣數(shù)據(jù)，BP網(wǎng)絡(luò)模型的準(zhǔn)確性將進(jìn)一步提高。

參考文獻(xiàn)：

陳劍平. 2008. 基于MATLAB的神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)在油氣化探中的研究及應(yīng)用.北京：中國地質(zhì)大學(xué)(北京).

鄧希光,付少英,黃永祥,等.2006.南海北部東沙群島HD196站位地球化學(xué)特征及其對水合物的指示.現(xiàn)代地質(zhì),20(1):92-102.

侯媛彬，杜京義，江梅.2007.神經(jīng)網(wǎng)絡(luò). 陜西西安：西安電子科技大學(xué)出版社.

楊守建，陳懇. 2013.BP神經(jīng)網(wǎng)絡(luò)性能與隱藏層結(jié)構(gòu)的相關(guān)性探究.寧波大學(xué)學(xué)報：理工版,26(1):48-52.

趙弘,周瑞祥，林廷圻.2002.基于Levenberg-Marquardt算法的神經(jīng)網(wǎng)絡(luò)監(jiān)督控制.西安交通大學(xué)學(xué)報,36(5):523-527.

朱凱,王正林.2010.精通MATLAB神經(jīng)網(wǎng)絡(luò).北京：電子工業(yè)出版社.

張國翊，胡錚.2011.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型及其穩(wěn)定性分析.中南大學(xué)學(xué)報：自然科學(xué)版,42(1):115-124.

朱慶生,周冬冬,黃偉.2012.BP神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)預(yù)處理應(yīng)用研究.世界科技研究與發(fā)展,34(4):624-626.

KRYLOV N V. 2002. Introduction to the USA Theory of Random Processes. Providence, Rhode Island: American Mathematical Society.

Application of BP neural network to geochemical exploration of natural gas hydrates

MA Jinfeng1,2， LIANG Jian1,2， GUO Jun1,2， CHEN Hongwen1,2

(1. Key Laboratory of Marine Mineral Resources, Ministry of Land and Resources, Guangzhou 510075, Guangdong, China; 2. Guangzhou Marine Geological Survey, Guangzhou 510075, Guangdong, China)

Abstract：Geochemical methods used in the exploration of natural gas hydrates have uncertainty of parameters, and are in lack of result credibility due to the error transfer. This study applied the artificial neural network technology as a breakthrough point to explore natural gas hydrates, and established a neural network model through training. Using the nonlinear mapping technique, we revealed the nonlinear relationship among the multiple attributes during the evaluation of natural gas hydrates. The calculation suggests that the classification of the neural network can effectively remedy the defect of multiple solutions. It is illustrated that the BP neural network model based on geochemical data can simulate the study area and can further realize the classified evaluation of natural gas hydrates.

Keywords：geochemical analysis; BP neural network; network training; network simulation

doi:10.3969/j.issn.1674-3636.2016.01.113

收稿日期：2015-03-12；修回日期：2015-03-26；編輯：蔣艷

基金項目：中國地質(zhì)調(diào)查局項目“天然氣水合物專項數(shù)據(jù)庫建設(shè)及戰(zhàn)略研究”(GZH201100312)

作者簡介：馬金鳳(1977—)，女，工程師，碩士，計算機(jī)專業(yè)，主要從事數(shù)據(jù)處理及數(shù)據(jù)庫、數(shù)據(jù)挖掘技術(shù)研究與應(yīng)用工作，E-mail： guai99@163.com

中圖分類號：P628

文獻(xiàn)標(biāo)識碼：A

文章編號：1674-3636(2016)01-0113-05