神经网络在油气层识别技术中的应用及进展

摘要：近年来用人工神经网络对储层进行识别与评价成为研究及应用的较为广泛的方法。它模拟人脑的结构，通过对外界事物的感知及认识实现其判别过程，神经网络具有很强的自适应学习能力。神经网络对储层进行识别和预测，有着巨大的社会效益和经济效益。

关键词：神经网络 油气层识别 进展

油气勘探具有高投入、高风险的特点，如何利用现有勘探资料，采取切实可行的技术方法，增强测试层位的可靠性和准确性，对于扩大油气储量及提高已发现油气藏的勘探价值具有重要意义。首先精确地判识油气层位，可以大大减少试油成本及减少投资损失。其次对于新的勘探区域，如能准确地判识出油气层，则有助于新的油气藏的发现。因此，对储层进行识别和预测，有着巨大的社会效益和经济效益。

油气层综合解释的任务是要判断储层中所含流体的性质，从而为准确地发现油气层和确定试油层位提供依据。目前油田常用的解释方法主要有定性解释法和交汇图法，其前者不足是受人为因素影响较大，自动化、系统化程度较低；而后者在解释时只能对参数成对考虑，无法同时综合多个有效参数。鉴于上述方法的诸多不足，近年来用人工神经网络对储层进行识别与评价成为研究及应用的较为广泛的方法。

1、概述

神经网络具有很强的自适应学习能力。它模拟人脑的结构，通过对外界事物的感知及认识实现其判别过程，如加利福尼亚技术学院J．J．Hopfield提出的Hopfield网络用于地震模式识别油气层系统。

用从有噪声干扰的模拟地震记录中检测亮点模式，识别能力是十分惊人的。Poultion M．M等人在给定油气层的电磁椭圆图像情况下，用神经网络方法来估算良导体的位置、深度和导电率与面积乘积，效果也是很好的。

模糊识别的优点： ①利用测井多参数模糊识别储层时，各测井参数反映储层类型所包含的信息不同，因此综合储层模糊隶属度中各参数所加权值应根据曲线对模式识别贡献的大小来确定。②模糊识别方法是一种多参数的模式识别方法，具有思想简单、计算速度快、模式识别符合率较高等优点。缺点：建模过程中需要较多的建模样本，对于井资料较少的井不容易识别。目前在油气层识别中的应用比较普遍的神经网络方法有以下几种：

2、结构风险最小神经网络油气识别理论

中国科学院地质与地球物理研究所张向君在深入研究了神经网络系统处理信息的能力之后，针对神经网络油气识别中网络结构设计、提高识别结果准确性等问题，提出了结构风险最小神经元网络方法，在理论上提出了神经网络结构设计方法即网络“修剪"方法，该方法要求首先训练一个大的网络，然后逐渐去掉隐层中多余的节点：Waug和Massimo等的研究结果表示：含有一个隐层的位置、深度和导电率与面积乘积，效果也是很好的。

Hashem和Schmeiser为提高网络训练精度，提出一优化组合方法，即对一训练样本分别独立地用若干网络训练，然后通过对已训练网络的输出加权合并，将各个独立的部分网络组合在一起；Jacobs和Jordan发展了一种分级混合结构网络，它首先将一个复杂问题分解成各种简单问题，再对每一个简单的问题分别由一个网络单独处理，最后再将各个网络组合在一起解决整体复杂问题。结构风险最小神经元网络运用串行训练算法能自适应地扩展网络容量并使网络的结构风险达到最小，提高了储层识别结果的准确性。研究表明，训练样本一定时，神经网络的结构越简单，其风险越小，识别结果愈可靠，并且使神经网络的结构风险达到最小。

3、时间延迟神经网络地震油气识别方法

江汉石油学院刘瑞林等人在研究了目前已发展的几种地震资料油气识别技术后认为通常采用孤立模式分类方法一般先根据目的层的位置选取一个包含目的层的时窗，接着对这个时窗内的地震信号进行特征提取，然后对这些特征信息用相应的分类方法进行分类。特征信息与地层含油气情况的关系是静态的映射关系，方法本身没有考虑特征信息随时间的变化与地层油气聚集的联系，容易产生误识问题。针对以上现象提出了时间延迟神经网络地震油气识别方法即采用滑动时窗的办法进行多时窗特征提取，以表达特征信息随时间的变化，亦即地层层序等因素的变化。时间延迟神经网络模型通过井旁道的标定，对于每一道就有一个多维特征串，这些特征串与地层含油气与否的关系通过一个时间延迟神经网络(TDNN)模型联系起来，用于表达相应时窗特征信息与地层含油气性的关系。时间延迟网络进行油气识别时增加了层序的约束，对于地震油气识别来说是一种合理的方法。

4、前馈式(Back Propagation)神经网络

简称BP神经网络，它是目前应用最广泛、研究最深入的一种多层前馈神经网络。该种网络采用有导师监督的学习方式和广义的Delta学习规则，即误差反传播算法，对非线性可微分函数进行网络权值训练。它经常使用的激活函数是S型对数或正切函数以及线性函数。BP算法是一种监督式的学习算法，它是通过连续不断地在相对于误差函数斜率下降的方向计算网络权值和偏差的变化而逐渐逼近目标的。它由信息的正向传递和误差的反向传播两部分组成。在第一阶段，即信息的正向传递阶段，给出输入信息，通过神经网络处理并计算每个神经元的实际输出值；在第二阶段，即误差反向传播阶段，网络在输出层比较网络输出与目标值，若未能得到期望的输出值，则逐层递归计算目标值与期望输出之差(即误差)，以此为根据调节权值。上述两个过程反复进行，直到网络输出与目标匹配或误差达到人们所希望的要求为止。

5、自组织特征映射(seIf-organiZingfeaturemap)SOM神经网络

自组织特征映射网络是一种竞争式学习网络。这种网络采用无导师监督的学习方式，以基本竞争网络算法为基础，通过网络中邻近神经元阳J的侧向交互作用和相互竞争。在一维或二维输出空间中形成输入信号的特征分布拓扑图，自适应的形成对输入模式的不同响应，以完成对输入信号的特征提取功能。SOM模型是由输入层和输出层(竞争层)组成的两层网络。网络中的权分为两类：一类是层与层之间的权；另一类是层内互相抑制的权。一般来讲，它们是固定的，如果满足一定的分布关系，距离近的抑制强，距离远的抑制弱，它是一种对称权。SOM网络将学习过程分成两部分来进行：一是选择最佳匹配神经元，二是权向量的自适应更新过程。SOM模拟了大脑信息处理的自组织、自学习和聚类功能，并以其高强度的特征判别优点在许多领域得到了广泛应用。

6、改进的组合进化算法的神经网络

成都理工大学张学庆等针对使用神经网络进行计算的过程中，神经网络的收敛速度慢、容错能力差、算法不完备等缺点。在充分分析了基于遗传算法的神经网络具有强的全局搜索能力，基于进化规划的神经网络具有强的局部寻优能力的特点后，将组合进化算法应用于油水层测井解释中，降低了误判率。

组合进化算法的过程如下：设立一个竞争池，将所有父代个体放入池中，然后进行杂交和变异操作，并用神经网络进行训练。将产生的个体也放入竞争池，对竞争池中的个体按适应值进行排序，进行确定性选择，保留最好的前n个个体。这样就完成了一次种群进化，重复这一过程，直到满足条件为止。改进的组合进化算法的神经网络具有遗传算法的较强的全局搜索能力和进化规划的较强的局部寻优能力，应用于油气水层测井解释中，效果好。

7 、结语

基于模式识别技术的人工神经网络虽然得到了广泛的认识和探索，但应用尚处于初始阶段。由于它具有传统统计方法无法替代的功能，尤其是它能解决各种非线性问题，这为神经网络在石油勘探及开发的诸多方面应用开辟了广阔的天地。可以预料，随着神经网络这门学科的不断完善，神经网络方法将会渗透到石油科学的各分支学科中。