神经网络技术在录井参数解释中的应用

摘 要： 近年来，随着计算机技术的飞速发展，涌现出许多新方法新技术，人工神经网络技术就是其中之一。神经网络模型的语言识别、图像处理等方面获得了有价值的应用和进展，其研究成果也很快被引入到油气田勘探开发领域，其中包括资料的处理及解释。将计算机神经网络技术应用于录井行业，处理受钻井条件影响大、地质条件复杂，油气水层识别有一定困难的录井资料解释中，已成为目前国内录井行业探索的一个方向。

关键词： 神经网络； 气测录井； 油气层识别； BP算法

中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）04?0021?04

Application of neural network technology in interpretation of well logging parameters

SHAN Yuan?wei1，2

（1. Xi’an Resesrch Institute Co.， Ltd of China Coal Technology & Engineering Group Corp， Xi’an 710054， China；

2.Xi’an University of Science and Technology， Xi’an 710054， China）

Abstract：Artificial neural network technology is one of the new methods and technologies springing up along with the rapid development of computer technology in recent years. Valuable application and progress of neural network model have been achieved in the fields of speech reorganization and image processing. Its research findings have been introduced to the oil and gas field exploration and development， including the processing and interpretation of documents. It has become a new direction of domestic investigation in well logging to apply the artificial neural network technology to the logging of well. It is capable of processing and explaining well logging documents collected from the wells which are greatly influenced by the condition of well drilling， located in complicated geological conditions， and are difficult in oil?gas?water layers identification.

Keywords： neural network； gas well logging； oil layer identification； BP algorithm

0 引 言

在对气测录井检测评价油气储层技术的研究中，录井作为一种直接手段，在我国石油勘探中发挥着重要的作用，为油田的发现和发展做出了重要贡献。随着录井技术的不断发展，录井解释评价方法也在不断进步，如三角图版法和3H比值法改变了早期的定性解释评价方法[1]、由于定性解释评价受人为因素影响很大，虽然这些方法是不错的有效方法，但在使用过程中并非完美。比如在同一油气区使用这两种解释方法总结出的数据不一定复合[2]。因此，为了进一步发现新油层，扩大地质储量，要求用更先进的录井解释配套技术来提高油气层发现率，满足油田勘探开发的需要。

基于神经网络的信号滤波、谱估计、信号检测、系统识别等技术[3]，在自动控制、石油勘探、机器人、通信、雷达等领域有着广泛的应用。神经网络主要有以下四种基本模型，即Hopfield神经网络、多层感知器、自组织神经网络和概率神经网络[4]。本文章涉及的神经网络是多层感知器。应用该技术进行油气层识别，目前已有成功的范例。

1 神经网络基本原理

多层感知器是最常用的一种神经网络。它由一个输入层、几个隐含层和一个输出层组成，每个层都由多个神经元组成，神经元的输入通过传递函数输出，各个层上的神经元用权值相互连接，构成网络系统[5]，如图1所示。

多层感知器属于映射型神经网络。它的信息处理功能实际上是把N0维欧几里德空间中的子空间A映射成Nm维欧几里德空间中的子空间f（A），如图2所示。比如，把输入样本（录井、测井数据）通过复杂的数学变换关系变换成输出样本[6]。

三层感知器是目前应用较多的一种，是一种典型的前神经馈网络，理论上也较为成熟[7]。它由输出层、隐含层、输出层组成，第k层的神经元Y（k）应具有下列输入/输出关系：

[Y（k）=f（W（k-1））×Y（k-1）-θ（k））] （1）

式中：f（·）为神经元的传递函数，[f（x）=1（1+e-（x-θ））]；W（K-1）为神经元之间的连接强度；q（k） 为对应神经元的阈值。

利用式（1）可以求出网络总输入与总输出的关系。实际上，代表输入/输出关系的有关信息主要分布在神经元之间的连接强度上，即不同的连接强度反映着不同的输入/输出关系[8]。