范存辉基于测井参数的遗传BP神经网络识别火山岩岩性

红色字体是需要作者补充、修改和确认的，请作者在本文基础上用红色字体修改！不要修改格式。基于测井参数的遗传BP神经网络识别火山岩岩性——以准噶尔盆地西北缘中拐凸起石炭系火山岩为例范存辉（西南石油大学资源与环境学院，四川成都610500）姚卫江（新疆油田公司勘探开发研究院地球物理研究所，新疆乌鲁木齐830013）赵玲（中石化西南油气分公司工程监督中心，四川德阳618000）秦启荣（西南石油大学资源与环境学院，四川成都610500）摘要：准噶尔盆地西北缘中拐凸起石炭系火山岩储层岩石类型复杂多样，既有火山熔岩、火山碎屑岩，又有侵入岩，造成该区岩性识别难度较大。为此，引入了遗传算法的BP神经网络，遗传BP神经网络是以自身特有的样本学习能力获得识别模式，识别结果客观可靠。利用测井参数对中拐凸起石炭系火山岩储集层的岩性进行识别研究，选取典型井的测井参数训练遗传BP神经网络，以获得网络神经元的连接权值。获得满意的权值后，通过输入其他已知井的测井数据对其进行检验，检验结果表明，该方法识别火山岩岩性的可信度高，具有较强的可行性。（摘要做了删减，请重新核对英文摘要！）关键词:遗传BP神经网络；火山岩；岩性识别中图分类号：P631.84基金项目：国家油气重大专项（2008ZX05001）；四川省重点学科建设项目(SZD0414)。作者简介：范存辉（1980-），男，2002年大学本科毕业，讲师，现主要从事油气地质、构造地质、地质工程方面的教学与科研工作。火山岩油气藏已成为世界油气田勘探开发的一个新领域，在我国的新疆克拉玛依油田、辽河油田、胜利油田等均发现了该类储层且储量十分可观，是我国油气增储上产的一个重要组成部分。对于火山岩储层而言，岩性决定了火山岩的基本储集性能和主要的孔隙类型，并且岩性是其储集空间后期演化的物质基础，控制着裂缝和孔洞的发育程度，进而控制着储集性、含油性和油层的分布规律。因此，对火山岩储层进行研究时，对其岩性的识别显得尤为重要。目前对于火山岩岩性的识别方法有很多，其中利用测井参数识别火山岩岩性是应用较广的方法之一，但是由于井下地质构造的复杂性和测井参数分布的模糊性，传统的岩性识别方法往往误差较大。遗传BP神经网络是以自身特有的样本学习能力获得识别模式，克服了模糊数学法、灰色聚类法和多元统计法的缺陷。它具有自组织、自学习、自适应、容错及抗干扰能力，识别结果客观可靠。基于测井参数的遗传BP神经网络识别火山岩岩性，其结果更为准确和客观，具有较高的可行性和可信性[1,2]。笔者以准噶尔盆地西北缘中拐凸起石炭系火山岩储层为例，选取工区典型井的测井参数，利用遗传BP神经网络对中拐凸起石炭系火山岩岩性进行解释研究。1遗传BP神经网络基本理论1.1遗传BP神经网络的基本思想人工神经网络是一个具有高度非线性的动力学系统，它在预测复杂非线性系统的行为中已经获得了广泛的应用[3~5]。遗传算法是基于生物进化原理的一种全新的自适应全局优化搜索算法，是把求解问题的自变量看作基因，进行编码构成染色体，在个体的集合内根据个体适应度的大小进行最优评价；在搜索过程中不断通过选择、交叉、变异3个遗传算子进行个体的产生与繁殖，最后得出最优个体。该算法具有随机性、全局性、适用于并行处理以及可操作性强的特点，已广泛应用于神经网络、优化调度、信号处理及自适应控制等领域。遗传算法用于神经网络主要是用遗传算法学习BP神经网络的权重和学习神经网络的拓朴结构，也就是用遗传算法来取代一些传统的学习算法[6~8]。采用遗传算法优化网络初始权重，实际上是将整个网络训练分成了两部分：首先采用遗传算法优化网络的初始权重；然后利用BP算法最终完成网络训练。遗传BP神经网络所采用的学习过程由正向传播处理和反向传播处理2部分组成，采用的网络体系结构由3层组成：输入层、隐含层(或称中间层)和输出层；相同层的神经元之间没有连接，通过信息样本对神经网络进行训练，不断改变处理单元间的连接强度，调整神经元间的连接权和神经元的阈值，根据误差反向传播来不断修正连接权和阈值，使误差沿梯度方向下降，最后进入稳定状态[9～11]。1.2遗传BP神经网络的计算过程遗传BP神经网络的计算首先利用遗传算法对BP神经网络的初始权值和阈值进行快速优化，在解空间中定位出一个较好的搜索空间，并将此作为其后采用神经网络搜索的初始权值和阈值，然后利用BP神经网络的局部搜索能力强的特点在解空间中搜索出最优解[12]。其过程如下：①产生一组随机的分布，对该组中的每个权值进行编码；②计算所产生神经网络的误差函数，确定其适应度函数值，适应度函数值误差越大，表示其适应度越小；③从若干适应度函数值中选取函数值最大的个体，直接遗传给下一代；④利用交叉、变异等遗传操作算子处理当前代的群体，产生下一代群体；⑤重复以上步骤，直到得到满意解为止。具体遗传算法的步骤如下[13]：1）染色体编码对设计的BP神经网络各层进行连接，组成向量：12(,,...,...)inPpppp（1）式中，P是网络权值；pi是神经网络连接的权值，采用实编码，将网络的权值、阈值按顺序编成一个长形的染色体个体，然后随机生成初始群体。2）适应度函数在遗传算法中用适应度函数值来体现个体的优劣，定义适应度函数为：TKZ（2）121/()iiZRNP（3）式中，T为适应度函数；K是常数，可根据具体问题选定；Z是网络的实际输出值与期望输出值之间的均方误差；R是训练样本总数；Ni是网络的实际输出值；Pi是网络的期望输出值。将编码串构成神经网络，计算训练样本通过该网络产生的误差，确定每个个体的适应度值。3）选择、交叉、变异根据每个个体适应度值进行选择、交叉和变异操作，生成下一代群体。然后选择比例算子，每一类中个体被选中的概率与其适应度函数成比例。该次研究采用两点交叉实现交叉算子，交叉概率一般为0.5~1，在该次研究中取交叉概率为0.6；变异概率一般取0.001~0.1，该次研究中变异概率为0.01。再计算每个个体的适应度值，重复选择、交叉和变异操作过程，直到训练目标达到要求为止。2应用效果分析该次研究以准噶尔盆地西北缘中拐凸起石炭系火山岩为例，中拐凸起位于准噶尔盆地西北缘克-乌断裂带和红车断裂带的转换部位，是在石炭纪至早二叠世挤压应力场作用下形成的宽缓鼻状古隆起，目前为止在石炭系已发现了多个油气藏和出油气点，显示出了良好的勘探前景。工区石炭系主要储集岩类为火山岩，由于岩石类型复杂多样，既有火山熔岩、火山碎屑岩，又有侵入岩，造成该区岩性识别难度较大。考虑到中拐凸起石炭系测井资料的分辨能力及品质，主要采用自然伽马（GR）、声波时差（AC）、中子孔隙度（CNL）、密度（DEN）、电阻率（Rt）共5条常规测井曲线作为训练样本的研究对象，选取薄片鉴定、岩心资料比较完整的金龙5井、克021井、红019井、598井等井的典型样本68个（包括安山岩、玄武岩、火山角砾岩、凝灰、花岗岩等）作为遗传BP神经网络的学习训练样本（表1）。表1研究区典型测井参数样本集及训练结果序号井号GR/APIAC/μs·ft－1DEN/g·cm－3CNL/%Rt/Ω·m岩性（薄片鉴定）期望输出1金龙532.36153.572.6680.0664080.137花岗岩(1，0，1)2拐1633.41957.8932.8610.0864164.223花岗岩(1，0，1)3金龙519.72359.8462.57822.654188.115玄武岩(0，1，0)4金龙519.76458.982.56520.1457181.446玄武岩(0，1，0)558948.301277.77352.6619119.031520.0028安山岩(0，0，1)658949.756178.41922.7121718.324821.0287安山岩(0，0，1)………………………65红01952.69775.62.3510.31420.594凝灰岩(1，1，0)66红01950.48775.9592.3520.31620.583凝灰岩(1，1，0)67克02124.19853.9372.7816.29172.462火山角砾岩(1，0，0)68克02125.88853.972.77415.72676.558火山角砾岩(1，0，0)这些常规测井参数与岩性之间存在着一种确定的映射关系，采用遗传神经网络来确定它们之间的映射关系，其神经网络结构如图1。输入层（LI）隐含层（LH）输出层（LO）X（t-1）X（t-i）X（t-n+1）X（t）图1遗传BP神经网络模型（这个图没有和实际应用结合在一起，应根据文中内容“输入层设计5个节点（神经元），隐含层设4个节点（神经元），输出层设3个节点（神经元）”来绘图，且应该将文中所述的“自然伽马（GR）、声波时差？（AC）、中子孔隙度？（CNL）、密度（DEN）、电阻率（Rt）”等实际应用的内容绘制在图中。神经网络共用3层：输入层、隐含层和输出层。根据该次研究的实际情况，输入层设计5个节点（神经元），隐含层设4个节点（神经元），输出层设3个节点（神经元）；训练初始参数为：学习步长d=0.8；动量参数a=0.15；极限误差为0.01。根据构建的遗传BP神经网络，对工区典型井的68个样本进行训练，其训练结果如表1。安山岩、玄武岩、火山角砾岩、凝灰岩、花岗岩是工区火山岩主要的岩石类型，根据薄片鉴定及岩心资料解释结果，设定学习样本的5个期望输出值，其中安山岩(0，0，1)，玄武岩(0，1，0)，火山角砾岩(1，0，0)，凝灰岩(1，1，0)，花岗岩(1，0，1)。根据建立的样本训练模型，选取该区拐10井、克007井等井的测井参数作为识别样本，对其岩性进行目标识别（表2）。将识别的结果和镜下薄片鉴定的结果相比较可以看出，除个别井段外，绝大多数待判样品的岩性识别结果与对应井段的薄片鉴定结果是一致的，其符合率达94%，识别率较高。表2研究区待判样品岩性识别结果3结论1）利用遗传BP神经网络对中拐凸起石炭系火山岩进行岩性解释，解释结果与实际的薄片鉴定结果相对比，符合率达94%，取得了良好的解释效果，说明该方法具有较强的可行性。2）在遗传BP神经网络的岩性判别与解释中，合理选取训练样本（典型性和全面性）是提高岩性判别与解释精度的关键。因此，在进行解释过程中，要充分利用基础地质资料和测井参数信息建立全面、合理的训练样本，根据不同测井曲线响应对样本的敏感性差异选择权重，优选出代表性的测井参数，才能使判别和解释结果符合客观实际。3）遗传BP神经网络具有较好的自组织、自学习、抗干扰能力和较强的自适应非线性映射并行学习判释能力，在处理测井响应与实际地层各组成部分之间的复杂的非线性映射关系时，表现出了比传统解释方法更明显的优越性。参考文献[1]潘和平,刘国强.应用BP神经网络预测煤质参数及含气量[J].地球科学—中国地质大学学报,1997,22(2)：210～214..[2]霍进,陈珂,黄伟强,等.古16井区火山岩储层测井评价[J].西南石油学院学报,2003,25(6):5～8.[3］侯斌,桂志先,许辉群,等.用多属性神经网络方法预测油气［J］.岩性油气藏，2010,22（3）:118～120.[4]郑春雷,史忠科.基于神经网络的油气预测方法[J].西北工业大学学报,2003,21(5):574～577.[5]汤小燕,刘之的,王兴元,等.基于多测井参数的火山岩裂缝识别方法研究[J].测井技术,2009,33(4):368～370.[6]杨斌,匡立春,孙中春，等.神经网络及其在石油测井中的应用[M].北京:石油工业出版社,2005.100～126.[7]黄隆基,范宜仁.火山岩测井评价的地质和地球物理基础[J].测井技术,1997,21(5):341～344.[8]武斌,张淳,丁彦.BP神经网络在工程测井反演中的应用研究[J].工程地球物理学报,2006,3(4):257～260.[9]杜美华,程国建,李中亚.基于广义回归神经网络的油气层识别模型[J].石油矿场机械,2007,36(11):2～3.[10]汤小燕,刘之的,邹正银,