应用BP神经网络方法区分油水层.docxVIP

张柏元(西安电子科技大学)赖学军夏克文(西安石油勘探仪器总厂)张柏元,赖学军,夏克文.应用BP神经网络方法区分油水层.石油仪器,2002,16(2):30～32摘要测井解释的一项主要任务是区分油气水层,目前采用的方法主要是基于统计学理论的经验公式,因而或多或少存在一些不足。而人工神经网络方法具有高度自学、自适应和抗干扰等特点,能够有效地区分油水层。文章根据油水层物理特性,进行了BP算法改进。实际应用表明,其识别率远高于传统方法,效果令人满意。关键词测井解释神经网络BP算法油水层作者介绍张柏元工程师,1970年生,1993年毕业于西南石油学院勘探系应用地球物理专业。现为西安电子科技大学计算机软件专业硕士研究生,主要研究方向为软件工程。邮编:710061是通过反向传播误差而得名。它由输入层i,隐含层j,输出层k及其各层之间的节点连线构成1。输入层i的各节点输出值Oi与其输入值相等,隐含层j的输入为:引言测井曲线的形态特征反映了地层的物理特性,如密度、电阻率、孔隙度等。选择一定的地层特征作为输入量组成一定的训练队列,建立起一系列的测井相特征。根据这些测井曲线的形态与地层油水的关系,可以建立一套关系并以此为据,判断其它未知层的相应的物理特性。例如,利用自然伽马曲线来划分地层;利用自然电位曲线来求泥质含量等。而这种解释建模是以统计学作为基础的,不能适应复杂的环境变化。但是,BP神经网络方法与传统解释方法相比,明显地表现出:1.能够识别带有噪声或变形的输入模式;2.具有很强的自学能力,通过对样本的学习,掌握模式变化的内在规律,进行分类和预测;3.能够把识别预测与一些预处理结合在一起进行识别,具有速度快、预测精度高等特点。因此,本文将利用BP神经网络方法对油水层进行识别。netj=∑WjiOi(1)其中,Wji为第i层的输入在第j层节点的权值。隐含层j的输出为:Oj=f(netj+θj)其中,θj为节点的阈值,f(x)型函数。输出层k的输入为:netk=∑WkjOj输出层k的输出为:Ok=f(netk+θk)(2)1=,1+e-x即S(3)(4)BP学习算法是通过一个使代价函数最小化过程完成输入到输出的非线性映射。代价函数通常定义为网络实际输出与期望输出的均方误差和。设对于输入样本XP,局部误差EP为:EP=1∑(tpk-Opk)2(5)2对所有学习样本,系统总误差为:BP神经网络方法1.传统BP网络方法神经网络方法较多,但是真正实用的为数不多,其中BP反向传播法就是使用最为广泛的一种,它1Opk)2∑∑(tpk-(6)Esys=2p因而误差率9EΔW=-η9W(7)应用BP神经网络方法区分油水层第16卷第2期张柏元等:应用BP神经网络方法区分油水层·31·式中,0η1,为比例系数,被称为学习率。从上述推导中容易看出下列连接权值修正量的计算式[2]:根据现代测井学的解释概念,除选取原始测井曲线外,还要选取以下参数3、4:1.利用平均粒径和GR的相对值ΔGR的统计关系划分储集层的岩性经过对岩芯资料的分析,不同的储集层与平均粒径有一定的对应关系。根据某油田的有关资料做出平均粒径MZ与ΔGR的统计关系,公式如下:ΔWmn=ηδmOm(8)式中,δ为n层输出在m层的误差。对于输出节点:δk=(tk-Ok)Ok(1-Ok)对于隐含节点:(9)MZ=-0.7129+1.7782log(ΔGR)(12)2.利用粘土含量、孔隙度、粒度中值、渗透率来评价储集层的物性,见表1(表中下标O为产油量,下标W为产水量)。从表1可以看出,粘土含量越低,孔隙度越大,粒度中值适中,渗透率越高,则产量越高。表1某地区地层物性表δj=Oj×(1-Oj)∑δkWkj(10)2.BP神经网络的改进对于上述的BP网络,一般算法容易陷入常见的极小状态,且其收敛的速度也很慢,通常要成千上万次迭代。为了克服这些不足,对式(9)、(10)进行修正得到:ΔWji(n+1)=ηδjOi+αΔWji(n)(11)渗透率10-3μm2井段m粘土含量%孔隙度粒度中值油或水t/d井号%ml/ml即后一次的权值更新应考虑到前一次的权值更新。实验证明,η取0.2～0.5,动量因子α取0.90～0.98,BP算法一般有较好的收敛性。因此取α=0.97,每次迭代后,总误差En按式(6)进行自适应调节。ΔWji(n+1)=ηnδjOi+0.97ΔWji(n)取η0=0.2,ηn的调节规则如下:若En≥En-1,则ηn=ηn-1-2ηs若EnEn-1,则ηn=ηn-1+ηs为使Oη1,η经上述调节后,再作如下限值:若ηn2ηs,则ηn=0.4若ηn0.9,则ηn=η0这些ηs一般为很小的正数,视具体情况而定。一般取0.005～0.01。本算法的学习效率η是依据误差的变化不断调节的。如果本次迭代误差呈减小趋势,让η