BP神经网络算法在火成岩泥质含量计算中的应用

BP神经网络算法在火成岩泥质含量计算中的应用
杨晓辉;王祝文;王文华;郑武;周大鹏
【摘要】火成岩泥质含量的计算对火成岩储层孔隙度、饱和度等参数的确定以及储层测井解释研究起着十分重要的作用.为准确计算火成岩泥质含量,在辽河盆地东部凹陷区域,以玄武岩为例,以10口井、40个数据点的岩芯X射线衍射泥质含量资料为基础,采用多元回归分析方法和BP神经网络算法计算火成岩泥质含量.结果表明,BP神经网络算法和多元回归分析方法均有较高的准确度.BP神经网络算法可以应用到火成岩泥质含量计算的领域.
【期刊名称】《世界地质》
【年(卷),期】2015(034)004
【总页数】5页(P1120-1124)
【关键词】火成岩;泥质含量;辽河盆地;多元回归分析;BP神经网络
【作者】杨晓辉;王祝文;王文华;郑武;周大鹏
【作者单位】吉林大学地球探测科学与技术学院,长春130026;吉林大学地球探测科学与技术学院,长春130026;吉林大学地球科学学院,长春130061;吉林大学地球探测科学与技术学院,长春130026;吉林大学地球探测科学与技术学院,长春130026
【正文语种】中文
【中图分类】Q212.1;P539.5
近些年来，火成岩油气藏作为油气勘探的一个新领域，已引起了石油界学者的普遍关注和高度重视[1,2]。

相比于其它岩性，火成岩油气藏具有更加复杂的地质条件，开发难度更大[3]。

火成岩在一定的地质条件下会发生蚀变现象，蚀变产物通常为
黏土矿物，这使得火成岩泥质含量计算的工作变得尤为重要，能否准确地计算火成岩泥质含量，直接关系到储集层孔隙度、饱和度等参数的求取，直接影响火成岩油气藏的开发与利用[4]。

辽河盆地东部凹陷区域广泛发育火成岩油气藏，该区火成
岩具有普遍蚀变的特点，火成岩泥质含量的确定是该区火成岩储层测井解释评价工作的基础，准确地计算火成岩泥质含量有利于火成岩油气藏的研究。

一直以来，许多学者都致力于火成岩泥质含量计算的研究，在计算岩石泥质含量方面，主要有经验公式法、交会图法以及岩芯拟合分析法等方法，本文采用的是岩芯拟合分析法。

在利用岩芯数据求取火成岩泥质含量方面，多元回归分析方法已被普遍应用，取得了较好的效果[5]；BP神经网络学习算法适合解决存在某种潜在联系但又无法确切表达的问题，该方法在常规及非常规砂泥岩储层物性参数、岩性、含油性参数预测应用方面是可行有效的，在测井解释领域中被广泛应用，但在火成岩泥质含量计算工作中应用较少。

本文针对辽河盆地东部凹陷区域，以玄武岩为例，以10口井、40个数据点的岩芯X射线衍射泥质含量资料为基础，综合运用多元
回归分析方法和BP神经网络算法，计算火成岩泥质含量。

回归分析的基本思想：因变量和自变量之间没有明确的数学关系，但可以按照某种方法，找到相应的数学表达形式，最大限度地反应他们之间的关系[6,7]。

一种现
象通常是多种因素共同作用的结果，将多个自变量组合起来共同预测因变量，比只用一个自变量进行预测更加准确有效，更加符合实际[8]。

测井数据中，深侧向电
阻率、补偿中子等曲线均包含泥质含量，对于火成岩泥质含量的计算，相比于一元回归分析，多元回归分析方法更加合理。

多元回归分析方法是研究多个变量之间相互关系的一种回归分析方法，按照因变
量与自变量的数量对应关系，可以分为单因变量对多自变量的回归分析和多因变量对多自变量的回归分析。

按照回归模型的类型，可以分为线性回归分析与非线性回归分析[9,10]。

根据本区的实际情况，本文采用的是一个因变量对多个自变量的线性回归分析。

设指标y与m个指标x1,x2,x3,…,xm有关，其线性回归方程为：
确定b0,b1,b2,…,bm的原则是使残差平方和最小，采用的方法是最小二乘法，由此得出下列方程组，用它求得b0,b1,b2,…,bm。

到目前为止，人们已经提出了上百种神经网络计算模型，学习算法多种多样。

但是，在神经网络的应用方面，研究最多的有十多种，其中，最为广泛且最具有代表性的一种网络是BP(Back Propagation)神经网络[11,12]。

该神经网络具有优良的计算能力，即较强的非线性映射能力、高度自学习和自适应的能力以及将学习成果应用于新知识的能力，同时，它还具有一定的容错能力。

正是因为BP神经网络的这些优点，使得这一算法具有较强的应用范围[13,14]。

BP神经网络是一种多层前馈的神经网络，该神经网络的主要特点是信号和误差的
传递方式，即信号前向传递、误差反向传递。

前向传递过程中，输入信号从输入层经过隐含层逐层进行处理，直至输出层。

每一层的神经元状态只会影响下一层神经元状态。

如果出现输出层得不到期望输出的情况，则转入反向传递，根据预测误差调整神经网络的权值和阈值，从而使BP神经网络的预测输出不断逼近期望输出[15,16]。

如图1所示，BP神经网络分为输入层、隐含层以及输出层。

BP神经网络算法的步骤为：
第一步：权值初始化：ωsq=Random(·),sq为ij,jk；
第二步：依次输入待研究的P个学习样本。

设当前的输入为p个学习样本；
第三步：依次计算网络各层的输出：xj,yk,j=1,2,…,n,k=1,2,…,m；
第四步：求各层的反传误差：
并记下各个的值；
第五步：记录已学习过的样本数p。

如果p<P，转到第二步继续计算;如果p=P，转到第六步;
第六步：按照权值修正公式修正各层的权值和阈值；
第七步：按照新的权值再计算,yk和EA，若对每个p和k都满足|<ε(或EA<ε)，
或达到最大学习次数,则终止学习,否则转到第二步继续新一轮的学习[17]。

在辽河盆地东部凹陷区域，本文选取10口取芯井，以这10口取芯井的40个数
据点的岩芯X射线衍射泥质含量资料和常规测井资料为基础，选取深侧向电阻率、声波时差、补偿中子以及密度这四个测井参数，利用多元回归分析方法和BP神经网络算法计算玄武岩泥质含量。

对于多元回归分析方法，利用40个点的岩芯X射线衍射泥质含量数据，以及四个测井参数建立回归分析方程。

对于BP神经网络算法，从中选取30组数据作为训练样本，用于网络训练，剩余10组数据作为测试
数据，用于测试网络的拟合性能。

本文利用的目标井测井数据均是经过环境校正、标准化等测井数据预处理后的数据，并且由于各个测井参数具有不同的物理意义，其量纲和数量级有很大差别，因此，在进行计算前需对数据进行归一化处理。

本文采用的归一化方法为最大最小法，其函数形式如下：
式中，xmin为数据序列中的最小值；xmax为数据序列中的最大值。

以岩芯X衍射泥质含量数据为因变量，以其对应的深侧向电阻率、声波时差、补
偿中子以及密度这四个测井参数为自变量，建立回归方程：
其中，x1,x2,x3,x4分别为四个测井参数值，为拟合值，b0,b1,b2,b3,b4为待求的参数。

利用最小二乘法使残差平方和为岩芯X射线衍射泥质实测值)最小的原理，
即可解得b0,b1,b2,b3,b4，进而得到回归方程。

根据实际数据，按照本文的方法，求得辽河盆地火成岩多元回归计算的泥质含量与
岩芯分析的泥质含量的平均绝对误差为4.64%，平均相对误差为23.4%。

图2为岩芯与回归计算泥质含量的关系图，并且求得的回归方程为：
其中，RLLD,AC,DEN,CNL分别为深侧向电阻率、声波时差、补偿中子以及密度这四个测井参数， Vsh为回归计算泥质含量。

以30组数据作为训练样本，选取BP神经网络的结构为4--8--1，即输入层有4个节点，隐含层有8个节点，输出层有1个节点，用于网络训练，利用训练好的网络对具有代表性的10组数据进行运算，结果如图3所示。

多元回归分析方法是一种线性拟合方法，通过寻找因变量与自变量的最佳拟合线性关系计算目标参数；而BP神经网络算法不依赖于线性关系，该方法可以描述没有确定表达式的关系，从而计算目标参数。

泥质含量与各测井参数之间一定存在某种联系，但这种联系不一定是线性的，故BP神经网络算法更加适合计算火成岩泥质含量。

通过对辽河油田东部凹陷区域10口井玄武岩的40块样品进行实际处理，如表1所示，当用多元回归分析方法计算泥质含量时，平均绝对误差为4.46%，平均相对误差为23.4%；利用BP神经网络算法计算泥质含量时，平均绝对误差为
2.09%，平均相对误差为8.41%。

根据两种方法的计算结果，在本工作区中，多元回归分析方法和BP神经网络算法在利用岩芯资料计算火成岩泥质含量时具有一定的准确度。

同时，相比于传统的多元回归分析方法， BP神经网络算法计算结果具有更高的准确度，这与本文的分析是相符合的。

但是，这一现象是否受工作区和样本选择的限制还需要进一步的验证。

(1)在辽河盆地东部凹陷区域，在计算火成岩泥质含量方面，BP神经网络算法和多元回归分析方法均有较高的准确度。

(2)BP神经网络算法可以应用到计算火成岩泥质含量这一领域中，具有一定的实用
性。

【相关文献】
[1]裴福萍, 许文良, 靳克. 延边地区晚三叠世火山岩的岩石地球化学特征及其构造意义 [J]. 世界地质,2004, 23(1): 6-13.
PEI Fu-ping, XU Wen-liang, JIN Ke. Petro-geochemical characteristics and tectonic significance of Late Triassic volcanic rocks in Yanbian area, northeastern China [J]. Global Geology, 2004, 23(1): 6-13.
[2]王璞珺, 侯启军, 刘万洙, 等. 松辽盆地深层火山岩储层岩相特征和天然气的来源 [J]. 世界地质, 2007,26(3): 319-325.
WANG Pu-jun, HOU Qi-jun, LIU Wan-zhu, et al. Characteristics of volcanic facies and genesis of natural gases in deep Songliao Basin, NE China [J]. Global Geology, 2007, 26(3): 319-325.
[3]王志国. 徐家围子断陷安达地区营城组火山岩喷发期次及其形成演化规律 [J]. 世界地质, 2014, 33(2): 247-254.
WANG Zhi-guo. Volcanic eruption stages and formation-evolutionary rule in Yingcheng Formation of Anda area in Xujiaweizi fault depression [J]. Global Geology, 2014, 33(2): 247-254.
[4]高鹏程, 边伟华, 刘鑫, 等. 辽河盆地东部凹陷东营组火山岩特征及油气封盖作用 [J]. 世界地质, 2015, 34(2): 445-453.
GAO Peng-cheng, BIAN Wei-hua, LIU Xin, et al. Characteristics of volcanic rocks from Dongying Formation and their sealing effects in eastern depression of Liaohe Basin [J]. Global Geology,2015, 34(2): 445-453.
[5]王鹏, 莫修文, 王英武, 等. 火山碎屑岩储层泥质含量的计算 [J]. 吉林大学学报: 地球科学版, 2008, 38(增刊): 133-136.
WANG Peng, MO Xiu-wen, WANG Ying-wu, et al. Research on shale content calculation method of volcaniclastic rock reservoir [J]. Journal of Jilin University : Earth Science Edition, 2008, 38(Suppl): 133-136.
[6]孙振宇. 多元回归分析与Logistic回归分析的应用研究: 硕士学位论文 [D]. 南京: 南京信息工程大学, 2008.
SUN Zhen-yu. Discussion of the application of multiple regression analysis and logistic regression analysis: master’s degree thesis [D]. Nanjing: Nanjing University of Information Science & Technology, 2008.
[7]徐群. 非线性回归分析的方法研究: 硕士学位论文 [D]. 合肥: 合肥工业大学, 2009.
XU Qun. The research on non-linear regression analysis methods: master’s degree thesis
[D]. Hefei: Hefei University of Technology, 2009.
[8]王黎明，陈颖，杨楠. 应用回归分析[M]. 上海: 复旦大学出版社, 2008: 1-288.
WANG Li-ming, CHEN Ying, YANG Nan. Applied regression analysis [M].Shanghai: Fudan University Press, 2008: 1-288.
[9]高惠璇. 应用多元统计分析 [M]. 北京: 北京大学出版社, 2005: 1-419.
GAO Hui-xuan. Applied multivariate statistical analysis [M]. Beijing: Peking University Press, 2005: 1-419.
[10]张尧庭, 方开泰. 多元统计分析引论 [M]. 北京: 科学出版社, 1982: 1-580.
ZHANG Yao-ting, FANG Kai-tai. Introduction of multivariate statistical analysis [M]. Beijing: Science Press,1982: 1-580.
[11]夏玫. BP神经网络泛化能力改进研究: 硕士学位论文 [D]. 太原: 太原科技大学, 2009.
XIA Mei. Research on improving generalization of BP neural network: master’s degree thesis [D]. Taiyuan: Taiyuan University of Science and Technology, 2009.
[12]高鹏毅. BP神经网络分类器优化技术研究:博士学位论文 [D]. 武汉: 华中科技大学, 2012.
GAO Peng-yi. Study on the optimization of back propagation neural network classifier: doctor’s degree thesis[D]. Wuhan: Huazhong University of Science a nd Technology, 2012.
[13]魏海坤. 神经网络结构设计的理论与方法 [M]. 北京: 国防工业出版社, 2005: 1-234.
WEI Hai-kun. Design theory and method of neural network structure [M]. Beijing: China National Defense Industry Press, 2005: 1-234.
[14]王正勤, 刘富强. 基于遗传BP网络的快速分类算法的构建 [J]. 计算机应用与软件, 2008, 25(4): 60-63.
WANG Zheng-qin, LIU Fu-qiang. Construction of classifier algorithm based on genetic algorithms and BP neural network[J]. Computer Applications and Software, 2008, 25(4):
60-63.
[15]刘天舒. BP神经网络的改进研究及应用: 硕士学位论文 [D]. 哈尔滨: 东北农业大学, 2011.
LIU Tian-shu. The research and application on BP neural network improvement: master’s degree thesis [D]. Haerbin: Northeast Agricultural University, 2011.
[16]王小川, 史峰, 郁磊, 等. MATLAB神经网络43个案例分析 [M]. 北京: 北京航空航天大学出版社, 2013: 1-412.
WANG Xiao-chuan, SHI Feng, YU Lei, et al. Forty-three cases of neural network by MATLAB[M]. Beijing: Beijing University of Aeronautics and Astronautics Press, 2013: 1-412.
[17]黄丽. BP神经网络算法改进及应用研究: 硕士学位论文 [D]. 重庆: 重庆师范大学, 2008. HUANG Li. BP Neural network algorithm improvement and application research: master’s degree thesis [D]. Chongqing: Chongqing Normal University, 2008.。