神经网络法在测井曲线自动分层问题中的应用

合集下载

基于改进BP神经网络的地层划分方法

基于改进BP神经网络的地层划分方法

收稿日期:2019-11-01 修回日期:2020-03-04基金项目:国家重大科技专项(2017ZX 05019-005);黑龙江省自然科学基金(LH 2019F 004)作者简介:尚福华(1962-),男,博士,教授,CCF 会员(07338S ),从事人工智能㊁图像处理和油田智能软件等研究工作;李金成(1990-),男,硕士研究生,从事人工智能和油田智能软件等方面的研究工作㊂基于改进BP 神经网络的地层划分方法尚福华1,李金成1*,原 野2,曹茂俊1,杜睿山1(1.东北石油大学计算机与信息技术学院,黑龙江大庆163318;2.中国石油勘探开发研究院测井与遥感技术研究所,北京100083)摘 要:测井曲线分层是地球物理勘探利用测井资料了解地层情况首先要完成的基础工作㊂针对测井曲线自动分层问题,提出了一种基于改进BP 神经网络的地层划分方法㊂首先针对三层BP 神经网络模型,设计了改进的L-M 算法以提升其逼近能力㊂然后设计了基于BP 神经网络的地层划分方法㊂该方法精选了描述地层岩性类别的六个特征,将这些特征进行数据滤波和归一化后构造训练样本,实施网络训练,训练后的网络即可用于同类地区的地层划分㊂最后以辽河油田某区块的测井资料为基础数据进行地层划分,实验结果表明,与普通L-M 算法比较,基于改进L-M 算法的BP 神经网络,地层划分结果的准确率大约提升3~5个百分点㊂因此,提出的基于改进BP 神经网络的地层划分方法为测井曲线的自动划层提供了新思路㊂关键词:地层划分;测井曲线;自动分层;L-M 算法;神经网络中图分类号:TP391 文献标识码:A 文章编号:1673-629X (2020)09-0148-06doi:10.3969/j.issn.1673-629X.2020.09.027Stratigraphic Division Method Based on Improved BP Neural NetworkSHANG Fu -hua 1,LI Jin -cheng 1*,YUAN Ye 2,CAO Mao -jun 1,DU Rui -shan 1(1.School of Computer and Information Technology ,Northeast Petroleum University ,Daqing 163318,China ;2.Research Institute of Petroleum Exploration and Development ,PetroChina ,Beijing 100083,China )Abstract :Well logging curve stratification is the first basic work for geophysical exploration to understand the stratigraphic condition by using well logging data.In view of the problem of logging curves ’automatic stratification ,a method of stratigraphic division based on improved BP neural network is proposed.Firstly ,in the light of the three layer BP neural network model ,the improved L -M algorithm is designed to improve its approximation.Then the method of stratigraphic division based on BP neural network is designed.In this method ,six features describing the lithologic classification of strata are selected.After constructing training samples out of the filtered and normalized data ,the training of the neural network that can be used for stratigraphic classification in similar areas is carried out.Finally ,the stratigraphic division based on the logging data of a block in Liaohe Oilfield is carried out.The experiment shows that compared with the common L -M algorithm ,the BP neural network based on the improved L -M algorithm improves the accuracy of stratigraphic division by about 3%~5%.Therefore ,the proposed method provides a new idea for logging curves ’automatic stratification.Key words :stratigraphic division ;logging curves ;automatic stratification ;Levenberg -Marquardt algorithm ;neural network0 引 言在地球物理勘探中需要利用测井资料了解地下地质情况,例如测井相分析㊁储层划分㊁储层参数研究等,其中测井曲线分层是首先要完成的基础工作[1]㊂测井曲线分层的方法主要包括两种:第一种是人工分层㊂根据测井曲线的形态以及人工经验来找曲线的半幅点,完成测井曲线分层工作[2]㊂这种方法比较依赖工作人员的经验和能力,避免不了人为因素的影响;第二种是自动分层,通过计算机技术与测井解释理论的结合,利用计算机自动处理的特性来进行测井曲线的自动分层㊂目前,通过测井曲线自动划分地层的方法有很多,主要分为三类:数理统计方法㊁非数理统计方法㊁人工智能方法[3]㊂其中,数理统计法主要包含层内差异法㊁极值方差法㊁有序聚类分析法等;非数理统计的方法主要包含测井曲线活度函数法㊁小波变换法㊁Fourier 变换㊁Walsh 变换等;人工智能方法则主要包括第30卷 第9期2020年9月 计算机技术与发展COMPUTER TECHNOLOGY AND DEVELOPMENT Vol.30 No.9Sep. 2020模糊识别㊁神经网络等㊂文献[4-8]分别使用测井曲线自动分层方法进行地层的划分㊂不论根据哪种资料,使用哪种方法进行地层的划分,都要遵守的原则为:(1)小层要有一定规模的时空分布,避免把同一小层划分成若干层;(2)小层划分的结果应使其内部具有相对统一性(或相对均一性),具有实用性;(3)地层单位的上下界限在纵向上必须稳定,并且易于识别,保证分层的合理性和稳定性㊂鉴于上述原则,文中以岩性类别作为地层划分的依据㊂岩性的突变的采样点为小层的分层点㊂因此,岩性的识别是文中工作的重点㊂文献[9-13]上论述的方法,虽然识别率较高,但是在训练速度和识别速度上均一般㊂传统的L -M 算法既有牛顿法的局部收敛性,又有梯度下降法的全局搜索特性㊂在学习的过程中,传统的L -M 算法无法兼顾前期的全局探索与后期的局部开发,因此,针对算法的全局探索与局部开发的平衡问题,文中对L -M 算法做出部分改进,并将改进后的算法应用于神经网络中㊂综上所述,将以辽河油田某工区为实验区块,根据研究区块的区域特征建立了神经网络自动分层模型,学习算法使用改进的L -M 学习算法㊂利用该模型对该层进行小层的精细划分,并对自动分层模型进行分析评价㊂1 网络模型及学习算法1.1 BP 网络基本原理BP (back propagation )网络是1986年由Rinehart 和McClelland 为首的科学家小组提出的,是一种按误差反向传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一㊂它的学习规则是使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差最小㊂经典型3层BP 神经网络结构如图1所示,它是一个包含输入层㊁隐含层和输出层3层结构的多层前馈型神经网络㊂通过误差的反向传播及修正误差的方向,不断调整各层权值和阈值,使误差性能函数最小[14]㊂x x x 1y 2y my 图1 三层BP 神经网络模型令输入样本x l =[x l 1,x l2, ,x l n ],期望输出样本⎺y l =[⎺y l 1,⎺y l 2, ,⎺y l m ],l =1,2, ,L ,L 为学习样本个数,隐层权值为w ij ,输出层权值为v jk ㊂网络的输入输出关系可描述为y l k=f (∑p j =1v jk f (∑n j =1w ij x l i ))(1)其中,i =1,2, ,n ;j =1,2, ,p ;k =1,2, ,m ;l =1,2, ,L ㊂1.2 改进的L-M 学习算法L -M 算法是一种求解非线性最小二乘问题的有效方法㊂它是改变形式的牛顿法,既有牛顿法的全局搜索特性,又有梯度下降法的局部收敛性,从而使网络能有效收敛,特别适合于神经网络训练㊂记E =max1≤l ≤Lmax 1≤k ≤m|e lk|=max 1≤l ≤L max 1≤k ≤m|⎺y l k -y l k |㊂令h l j为第l 个样本第j个隐层节点的输出,根据梯度下降法,隐含层连接权的梯度计算式为:∂e l k∂w ij=-∑m k =1y l k (1-y l k)vjkh l j (1-h l j )x l i (2)∂e l k∂v jk=-y l k (1-y l k )h l j(3)令X 表示参数向量,V 表示误差向量,J 表示雅可比矩阵,分别定义如下:X T =[w 11, ,w np ,v 11, ,v pm ](4)V T (X )=[e 11, ,e 1m ,e 21, ,e 2m , ,e L 1, ,e Lm ](5)J (X )=∂e 11∂w 11 ∂e 11∂w np ∂e 11∂v 11 ∂e 11∂v pm ︙ ︙︙ ︙∂e 1m ∂w 11∂e 1m ∂w np∂e 1m ∂v 11∂e 1m ∂v pm ︙︙︙ ︙∂e L 1∂w 11 ∂e L 1∂w np∂e L 1∂v 11∂e L 1∂v pm ︙ ︙︙︙∂e Lm ∂w 11∂e L m ∂w np ∂e L m ∂v 11∂e L m ∂v éëêêêêêêêêêêêêêêêùûúúúúúúúúúúúúúúúpm (6)根据L -M 算法,网络参数调整的迭代方程为:X t +1=X t -[J T (X t )J (X t )+μt I ]-1J T (X t )V (X t )(7)其中,t 为迭代步数,I 为单位矩阵,μt 为一小正数,以使J T (X t )J (X t )+μt I 可逆㊂若E 小于给定阈值,迭代中止㊂为提高L -M 算法的全局搜索和局部寻优的性能,文中对L -M 算法做出部分改进㊂改进思路如下:将μt 的值由一个固定的小正数改变为随着迭代次数递增变化,即将μt 初始值设置为μ0,在迭代开始㊃941㊃ 第9期 尚福华等:基于改进BP 神经网络的地层划分方法使L-M算法更接近高斯牛顿法,从而进行大步的全局搜索;随着迭代次数的增加,μ的值也逐渐增大,使L-M算法更接近普通梯度下降法,从而进行小步的局部寻优㊂改进的L-M算法的全局探索能力和局部开发能力得到了有效的平衡,提高算法的搜索效率和寻优的准确性㊂为综合考察改进效果,文中采用如下几种递增模式㊂(1)线性模型㊂y=ax+b,a>0(8) (2)指数模型㊂y=a x,a>1(9) (3)对数模型㊂y=logax,a>1(10)在充分考虑开发和探索阶段的平衡及多次仿真实验的基础上,最终将μ的递增方式选择对数型㊂具体递增公式如下:μt =μ0+ln t TMax(11)其中,μ0为初始小整数,T Max为最大迭代步数,t为当前迭代次数㊂2 基于BP神经网络小层划分模型2.1 特征参数选择及小层类别确定文中使用神经网络来研究地层小层的精细划分,以地层岩性作为划分的依据㊂相邻的岩性一致的采样点即可划分在同一层内,岩性的突变点可以作为小层划分的分层点㊂在构造地层划分神经网络模型前,需要先确定输入和输出,即特征参数和地层的类别㊂根据测井资料集合专家经验解释,进行相关性分析及综合测试,寻求响应特征与地层类别之间的映射关系,从而选取对地层类别反映好的特征来构造特征参数样本[15]㊂一般情况下,自然伽马㊁自然电位等曲线对砂㊁泥岩及其粒度的变化反映灵敏,可以作为划分岩性的主要曲线㊂以辽河油田某区块为例,选取自然电位曲线㊁自然伽马曲线作为岩性划分的主要曲线,再参考电阻率㊁声波时差㊁密度㊁中子曲线特征,进行小层划分㊂因此,文中针对研究区块类型选取AC㊁CNL㊁DEN㊁GR㊁RT㊁SP为地层划分的输入特征参数㊂根据神经网络运算特性,在进行地层小层划分之前需要利用所研究区块标准井的小层来进行样本训练㊂为构造网络训练的输出样本集,首先需要明确研究区块所包含的地层类别,即构造地层类别集合,该集合中的每个元素作为神经网络模型的期望输出㊂以辽河油田某区块为例,根据专家分析结果,研究区域所包含的地层类别(即岩性类别)可划分为细砂岩㊁泥岩㊁粉砂岩三类㊂2.2 构造样本数据选择经典的三层神经网络结构,根据上节的讨论,选取6个输入神经元对应6个特征参数:AC㊁CNL㊁DEN㊁GR㊁RT㊁SP,其中每个特征参数均为长度相同的离散数据点㊂因此,神经网络的输入的特征样本为一个6行N列的矩阵(N为离散点个数)㊂期望输出样本为3维的{0,1}向量分别表示三类地层:{1,0,0}表示细砂岩,{0,1,0}表示粉砂岩,{0,0,1}表示泥岩㊂2.3 样本数据预处理不同的测井曲线测量值的量纲不同,因此,需要经过预处理才可以输入神经网络模型使用㊂具体预处理方法包括:(1)无效值处理:具体针对测井曲线每一个采样点,如果该点测井曲线值为空或者是设置好的无效值,则删除掉该条样本㊂(2)各类别样本序列长度统一处理:为了实现各类样本的均衡,采用统计的方法,选取一个适合于绝大多数类别数据点的序列长度,以此为基准,通过插值的方法实施数据点的加密和抽稀,从而使所有地层类别的特征值的序列长度达到统一㊂(3)数据归一化处理:使用最大最小值归一化方法,公式如下X'=X-X minX max-X min(12)其中,X'表示利用归一化方法计算后得到的测井曲线值,X'∈[0,1],X表示归一化前的原始测井曲线数据,X max表示原始测井曲线数据中的最大值,X min表示原始测井曲线数据中的最小值㊂2.4 基于BP神经网络小层划分过程预处理后的样本数据即可用于BP神经网络的训练㊂基于改进BP神经网络地层划分的基本过程如图图2 基于改进BP神经网络地层划分的基本过程关于神经网络地层分类模型:输入节点等于特征数(6个);由于当前研究区域地层类别分为3个类别,输出节点选择3个即可㊂隐含层的节点个数的选择至关重要,如果节点个数太少,则会导致训练结果很差,如果节点个数太多,则会造成训练时间较长,陷入局部㊃051㊃ 计算机技术与发展 第30卷最小值㊂因此,对于隐含层节点个数的确定,采用经验公式:H n =In+Ot+α(13)其中,H n表示隐含层节点数,I n表示输入层节点个数, Ot表示输出层节点个数,α表示1至10之间的整数㊂由于在实际应用中网络的输入和输出的映射关系是非线性的,所以隐含层激活函数选择tansig,输出层激活函数选择logsig㊂BP网络在实际的使用中利用改进的L-M算法的学习规则进行迭代训练,将网络的实际输出与期望输出的均方差作为网络的损失函数㊂训练好的网络即可用于地层的划分㊂关于神经网络模型分类结果的处理:对于训练后的神经网络,在预测的过程中输出的可能不是标准型,因此需要对预测输出进行一个判断㊂文中取输出最接近1的数和所在位置,然后判断它和1差值的绝对值是否比较小,如果比较小就认为该条样本数据的类别是该类,否则它不属于该类㊂然后判断相邻的输出,如果相邻的输出属于该类,那说明该条样本数据属于该类[16]㊂如果在输出中,有多个位置的值均与1接近,且与1的差值的绝对值都足够小,那么认为它是矛盾输出,对于这个矛盾输出的地层类型判定,采用以下方法:计算各个类别的输入样本的样本中心,将具有矛盾输出的样本的输入与各个类别的样本中心进行距离的计算,即该矛盾输出的地层类型与距离最小的样本中心所代表的地层类别一致㊂关于并层处理:对于分好类别的小层的并层处理采用以下规则:(1)将测试的样本数据按照深度进行排序,得到类别的序列;(2)相邻的同一类别归于同一个小层内;(3)单独出现的一个不同于其相邻样本类别的数据样本,将其划分于相邻的上一层中;(4)对于厚度太小的小层,将其划分于其相邻的上一层中㊂3 实际应用采用Matlab语言进行BP神经网络的编程,对辽河油田某区块的11口井的某层组进行小层划分仿真㊂该区块某标准井的部分特征参数原始样本数据如表1所示㊂表1 部分原始样本数据AC CNL DEN GR RT SP 208.701714.96572.620672.354976.544447.5245 204.909614.13722.635070.217585.869146.9931 201.916812.82442.657770.136186.216246.5210 195.60329.42502.695465.632095.224645.9312 194.55708.52142.693264.520479.103145.8059 196.47918.53612.677864.865180.022345.4726 199.80899.65962.645266.137284.670345.1699 204.235213.95652.564969.152060.972544.6752 当前研究区域作为训练样本的标准井的部分岩性解释如表2所示㊂表2 训练样本部分岩性解释顶深底深岩性4656.6254657.665细砂岩4657.6654657.805泥岩4657.8054658.045细砂岩4658.0454658.145泥岩4658.1454658.495粉砂岩4658.4954658.955细砂岩4658.9554659.905粉砂岩4659.9054660.285泥岩4713.0954713.205细砂岩续表2顶深底深岩性4713.2054713.925泥岩4713.9254714.025粉砂岩4714.0254714.125细砂岩4714.1254714.995细砂岩4714.9954715.325泥岩3.1 数据预处理首先,作为训练样本的标准井,根据岩性的解释将作为特征的6条测井曲线进行分类,每条曲线均有1200个数据点㊂分类的结果显示,细砂岩类别包含的数据点多达765,泥岩类别包含的数据点则少至156㊂为了便于神经网络的统一处理,采用三次样条插值将全部类别的数据点均设置为300个㊂然后将数据进行㊃151㊃ 第9期 尚福华等:基于改进BP神经网络的地层划分方法归一化,每个类别随机选取60个数据点作为测试样本㊂最后,将剩下的样本数据构造成训练样本,用于神经网络的学习㊂3.2 实验结果对比隐藏节点个数的选择至关重要,根据经验公式(13)的计算方法,文中取折中的思想,将隐含节点个数分别设置为6㊁7㊁8㊁9㊁10分别进行仿真实验,其中损失函数的计算公式为:MSE=1N∑N i=1∑M j=1(y'ij-y ij)2(14)其中,N表示样本个数,M表示地层类别个数,y'表示神经网络预测输出样本,y表示真实输出㊂神经网络的学习算法分别使用L-M算法和改进的L-M算法,不同个数隐含节点的神经网络模型的测试集的误差和正确率,每个隐含节点均进行多次实验,准确率取平均值,具体情况如表3所示㊂表3 测试集误差和准确率隐含层节点个数L-M误差改进L-M误差L-M正确率/%改进L-M正确率/%61.39*10-33.48*10-480.2582.8974.63*10-41.89*10-486.2389.1681.26*10-41.05*10-490.2092.8691.39*10-32.32*10-488.3289.44104.63*10-42.67*10-484.2284.89 下面分析改进的L-M算法准确率较高的原因: (1)由于一部分的数据样本是根据原始样本使用插值算法获得的,因此在数据质量上会好一点; (2)地层类别是根据当前研究区域的特点进行分类的,因此地层类型并不全面,只适用于当前的研究区块㊂虽然上述实验有区块的局限性,但是对于当前研究的区块是比较符合的㊂因此根据上表的统计结果,本次研究的BP神经网络模型的隐含节点数最终确定为8个,学习算法使用改进的L-M算法㊂3.3 划分结果神经网络模型性能好坏的重要指标之一就是模型的泛化能力,为此采用同一工区中与训练和测试样本集不同的测井数据对该模型进行验证,验证井的部分结果如表4所示㊂表4 验证井部分输出结果输出1输出2输出3地层类型5.2278*10-61.00003.5527*10-1520.00161.00001.7521*10-82 3.0120*10-601.00003 2.8220*10-601.000030.074901.000030.650701.000031.00003.1107*10-82.9421*10-141 1.3421*10-80.99930.00242 1.1924*10-70.23370.89703 7.1856*10-91.1417*10-50.98823 根据并层处理规则和验证井的分类处理结果,将验证井进行小层的划分,得到的分层结果如图3所示㊂4 8004 775图3 验证井小层划分结果将分层结果与人工分层的结果进行对比,经过地质专家的分析认为,使用文中研究的自动分层神经网络模型对地层小层自动分层界面与人工分层的界面基本吻合,判断误差小于1m,且准确率较高,能够满足现场应用的要求㊂利用BP神经网络进行地层的划分过程中,划分的依据为地层的类别(即岩性类别),在神经网络的训练中,使用改进的L-M算法调整网络参数,与传统的L-M算法相比提高了分层的效率和准确率㊂实验结果表明,使用改进L-M算法的BP神经网络对地层划分问题的解决,具有很好的适用性㊂4 结束语利用神经网络的学习训练能力,成功建立了一个㊃251㊃ 计算机技术与发展 第30卷小层自动划分的BP网络模型,并以辽河油田某工区的测井数据为基础,进行了仿真实验,得到以下结论:(1)改进的L-M算法网络模型具有良好的泛化能力,网络系统运算稳定,具有较高的精确度与运算效率,有效克服了经典BP网络运算效率慢㊁计算误差大以及容易陷入局部最优的问题㊂(2)所建立的网络模型对地层自动划分的平均正确率较高,将本模型用于地层的小层自动划分,在误差允许的范围内可以代替人工分层㊂因此,本模型在地层自动划分方面具有良好的适用性与可行,具有一定的推广和使用价值㊂参考文献:[1] 肖 波,韩学辉,周开金,等.测井曲线自动分层方法回顾与展望[J].地球物理学进展,2010,25(5):1802-1810. [2] 朱立峰.火山碎屑岩层测井曲线自动分层方法研究[D].长春:吉林大学,2009.[3] 韩科龙.测井自动分层方法研究及其在岩性识别中的应用[D].北京:中国地质大学,2011.[4] 朱立峰,朱立坤.层内差异法与聚类分析结合法的自动分层方法在煤田中的应用[J].科技创业月刊,2015,28(12): 117-118.[5] 徐 伟,林振洲,潘和平,等.木里水合物测井曲线分层方法[J].物探与化探,2017,41(6):1081-1087. [6] 朱常坤,梁 杏.多参数层序地层的边缘最优智能划分算法及其应用[J].地球物理学进展,2015,30(1):466-470.[7] 周锦程,杨清亮,张 伟.基于高斯小波变换的测井曲线自动分层模型[J].黔南民族师范学院学报,2017,37(4):31-39.[8] PAN Y,MENG X,GE M,et al.Automatic stratificationstrategy of well logging curves based on wavelet transform[C]//2017international conference on smart grid and elec⁃trical automation(ICSGEA).Changsha:IEEE,2017. [9] 胡嘉良,高玉超,余继峰,等.基于PCA-BP神经网络的非常规储层岩性识别研究[J].山东科技大学学报:自然科学版,2016,35(5):9-16.[10]MOU D,WANG Z,HUANG Y,et al.Application of leastsquares support vector machine to lithology identification: taking intermediate/basaltic rocks of Liaohe Basin as an ex⁃ample[J].Journal of Jilin University,2015,45(2):639-648.[11]仲鸿儒,成育红,林孟雄,等.基于SOM和模糊识别的复杂碳酸盐岩岩性识别[J].岩性油气藏,2019,31(5):84-91.[12]赵 倩.基于主成分分析的BP神经网络岩性识别在YD油田中的应用[C]//西安石油大学㊁陕西省石油学会.2018油气田勘探与开发国际会议(IFEDC2018)论文集.西安:西安华线网络信息服务有限公司,2018:6. [13]WANG X,YANG S,ZHAO Y,et al.Lithology identificationusing an optimized KNN clustering method based on entropy-weighed cosine distance in Mesozoic strata of Gaoqing field, Jiyang depression[J].Journal of Petroleum Science and En⁃gineering,2018,166:157-174.[14]袁冰清,程 功,郑柳刚.BP神经网络基本原理[J].数字通信世界,2018(8):28-29.[15]陈 刚,汪凯斌,蒋必辞,等.随钻测井中岩性识别方法的对比及应用[J].煤田地质与勘探,2018,46(1):165-169.[16]刘春桃,李元军.神经网络法在测井曲线自动分层问题中的应用[J].高等函授学报:自然科学版,2011,24(5):63-65.㊃351㊃ 第9期 尚福华等:基于改进BP神经网络的地层划分方法。

BP神经网络在油井示功图识别中的应用

BP神经网络在油井示功图识别中的应用

BP神经网络在油井示功图识别中的应用摘要:在油井的管理中,对实时的示功图数据进行识别可以及时的发现抽油机井的异常情况,并及时的采取对应的措施,可以大幅度提高生产效率。

伴随自动化技术在油田的应用,可以采集到油井的实时生产数据,而传统的凭借采油工经验识别功图的方法已经不能满足现场应用需求,论文应用不变矩理论对十七种典型泵故障示功图形状分析,建立了神经网络训练样本库,使用神经网络方法识别油井示功图达到工况诊断的目的。

现场实施的结果显示该方法切实可行,具有一定的理论意义和实践价值。

关键词:示功图;BP神经网络;不变矩0 引言目前国内大部分油田识别示功图的方法还是凭借采油工的现场经验,这种方法具有很大的随机性。

由于监测抽油机井获取的实时生产数据过大,传统的凭借采油工经验的识别方法已经不符合现代油田数字化建设模式。

因此,如何利用远程监测系统采集的海量数据,进行准确的油井工况识别,及时采取生产措施是亟待解决的问题。

1 功图量油技术概况1.1 功图量油概述把抽油机井的有杆泵抽油系统视为一个的振动系统,通过建立波动方程,计算在井口条件下的泵示功图[1]。

对泵示功图进行平滑去噪、归一化分析等处理,可以判断得到阀开闭点位置,进而得到有效冲程,计算出泵的排液量,使用井口混合物体积系数,折算出地面的油井产量。

1.2 功图量油应用概况国内油田中,大港油田首先使用功图量油法计算油井产液量。

随后很快在吐哈油田,延长油田,大庆油田,等都取得了不错的效果。

长庆油田的《功图法油井计量装置》于2008年获国家发明专利。

功图量油技术发展到后期的主要侧重点由产液量计算转移到通过示功图对油井进行工况诊断。

2 BP神经网络识别示功图2.1 典型示功图特征样本库2.1.1 Hu不变矩在图形图像像素一定的条件下,Hu的7个不变矩具有图像旋转、平移和尺度变化都保持不变的特性。

这种特性使得其很够很好的识别一般图形图像,因而在图像识别的很多方面广泛使用[2]。

人工神经网络在石油勘探中的应用

人工神经网络在石油勘探中的应用

人工神经网络在石油勘探中的应用近年来,人工智能技术已经在各行各业中得到广泛应用,石油勘探也不例外。

特别是,人工神经网络(Artificial Neural Networks,ANNs)被视为一种非常有前途的方法,以其在预测和模拟方面的高效性而著称。

本文将探讨人工神经网络在石油勘探中的应用及其意义。

一、石油勘探中的挑战在石油勘探中,一个主要难点是如何确定地下石油储层的位置、形状和大小。

传统的方法通常是利用地球物理勘探技术,比如测量重力、磁异常和地震波传播等。

然而,这些技术在实际应用中存在许多局限性,比如测量结果受到噪声和干扰的影响,解析数据也需要专业知识和经验。

因此,这些方法不能一直准确地反映地下情况。

二、人工神经网络的优势和原理与传统勘探方法相比,人工神经网络(ANNs)算法具有更强的鲁棒性和精度。

ANNs是一种以生物神经元为模型,模拟人类神经系统的计算机程序。

ANNs可以通过从已有数据中学习并发现模式和关系,预测新数据的输出。

如果训练样本足够丰富,ANNs可以很好地处理非线性关系和复杂性问题。

三、人工神经网络在石油勘探中的应用1.油藏预测在石油勘探中,通常将地震数据与岩心样品进行对比,以预测地下油藏的存在和质量。

然而,这种方法不太精确,因为在现实环境中,地下油藏的分布不一定均匀,导致这种方法漏掉了很多潜在的油藏。

通过单个或多个电缆采集数据,ANNs可以建立一种新的方法,用于预测地下油藏的位置和质量。

2.油藏描述石油勘探人员经常需要对地下的油藏进行描述和建模,以便更好地开采。

这通常需要大量的地球物理测量和工程技术,但由于数据收集不完整,这种模型描述常常存在不确定性。

ANNs可以利用现有测量数据,并根据数据层次结构和特征提取来生成更准确和具有代表性的模型。

3.油藏分析在油藏分析中,石油勘探人员需要了解油藏内部的构成和特征,以确定更好开采油藏的方法。

这通常需要从地下采集数据和从地表进行实验室分析,并对数据进行特征提取和处理。

基于U-Net神经网络的声波测井曲线重构

基于U-Net神经网络的声波测井曲线重构

第53卷 第8期 2023年8月中国海洋大学学报P E R I O D I C A LO FO C E A N U N I V E R S I T YO FC H I N A53(8):086~092A u g.,2023基于U -N e t 神经网络的声波测井曲线重构❋李枫林1,刘怀山1,2❋❋,杨熙镭1,赵明鑫1,杨 宸1,张罗成1(1.中国海洋大学海洋地球科学学院,山东青岛266100;2.中国海洋大学海底科学与探测技术教育部重点实验室,山东青岛266100)摘 要: 本文提出了一种基于U -N e t 神经网络的声波测井曲线重构方法㊂通过编码器提取自然伽马(G R )㊁密度(R H O B )等测井曲线的数据特征,利用解码器建立数据特征与声波测井曲线之间的映射关系,实现了声波测井曲线的精准重构㊂实验结果表明,该方法在保留原始声波测井低频信息的基础上,兼顾了输入测井曲线的高频特征,实现了对原始声波测井泥岩层段数据噪音的有效压制,在渤中凹陷东南环测井数据重构中取得了良好的效果,验证了该方法较高的精度和实用性㊂关键词: 声波测井曲线;测井曲线重构;U -N e t 模型;深度学习;卷积神经网络中图法分类号: P 631.4 文献标志码: A 文章编号: 1672-5174(2023)08-086-07D O I : 10.16441/j.c n k i .h d x b .20220239引用格式: 李枫林,刘怀山,杨熙镭,等.基于U -N e t 神经网络的声波测井曲线重构[J ].中国海洋大学学报(自然科学版),2023,53(8):86-92.L i F e n g l i n ,L i uH u a i s h a n ,Y a n g Xi l e i ,e t a l .R e c o n s t r u c t i o n o f a c o u s t i c c u r v e b a s e d o nU -N e t n e u r a l n e t w o r k [J ].P e r i o d i c a l o fO c e a nU n i v e r s i t y of C h i n a ,2023,53(8):86-92. ❋ 基金项目:国家自然科学基金项目(91958206)资助S u p p o r t e d b yt h eN a t i o n a l N a t u r a l S c i e n c e F o u n d a t i o n o f C h i n a (91958206)收稿日期:2022-04-25;修订日期:2022-05-17作者简介:李枫林(1997 ),男,硕士,研究方向为地震资料处理㊂E -m a i l :l i f e n gl i n @s t u .o u c .e d u .c n ❋❋ 通讯作者:E -m a i l :l h s @o u c .e d u .c n声波测井曲线数据在地震地质标定和波阻抗反演中起着非常重要的作用[1]㊂然而,实际工作中由于受到泥浆浸泡㊁井筒污染㊁地层压实程度及测井仪器等多种因素的影响,声波测井曲线数据部分信息失真或被噪音数据掩盖,难以真实反映地下地层岩性变化,影响后续地球物理工作的开展[2],而重新钻探和测井不仅费用高昂且缺乏现实可行性㊂为此,探索声波测井曲线重构方法具有重要的现实意义㊂理论上可以通过测井曲线之间的内在关系,用多元回归分析的方法把畸变失真的曲线校正到真实的测量范围[3-4],但复杂的地下地质情况很难用简单的曲线相关关系来表达,故基于统计分析的常规测井曲线重构方法难以满足储层精细描述与精确解释的需要㊂近年来,随着深度学习方法在各个领域的广泛应用,利用数据驱动的方法解决之前难以解决的地质问题也成为了一种趋势[5-8]㊂本文利用的U -N e t 神经网络由R o n n e b e r ge r 等[9]在2015年提出,最初用于医疗图像分割任务㊂在地球物理勘探领域,丁建群等[10]基于U -N e t 网络进行了地震初至拾取方法的相关研究㊂W u 等[11]改进了U -N e t 模型,充分利用了三维地震数据特征进行地震断层识别;L i u 等[12]在U -N e t 模型的基础上引入残差模块,进一步提高了断层识别的精度㊂在测井曲线重构方面,杨志力等[13]基于B P 神经网络综合多条测井曲线信息对声波测井曲线进行重构㊂金永吉等[14]在传统B P 神经网络的基础上引入了遗传算法提高了B P 神经网络曲线重构精度㊂郑庆伟等[15]将聚类分析方法应用到了测井曲线重构中,利用该方法对测井曲线进行了保真重构;王俊等[16]兼顾了测井数据前后信息㊁储层深度信息之间的关联性,利用G R U神经网络对纵波曲线进行了预测;张海涛等[17]基于B i -L S T M 神经网络通过增加网络深度的方式增强了网络的表达能力,并评估了四种模型的曲线重构效果㊂测井曲线重构方法在深度学习技术的加持下相较于传统方法已经取得了长足的进步,然而上述方法在应用过程中存在对数据噪音的容忍度低㊁在复杂地质环境情况下的曲线重构精度低等问题,同时在曲线重构流程上未进行系统的重构效果分析,仅停留在神经网络学习效果分析与基本曲线对比㊂本文提出了一种基于U -N e t 网络的声波测井曲线重构方法和一套以深度学习技术为核心的测井曲线重构分析流程㊂利用U -N e t 网络高效的数据特征提取与映射的能力,建立自然伽马(G R )㊁密度(R H O B)等输入测井曲线与声波测井曲线之间的非线性映射关系,实现了声波测井曲线的精准重构㊂实验结果分析表明,Copyright ©博看网. All Rights Reserved.8期李枫林,等:基于U -N e t 神经网络的声波测井曲线重构U -N e t 网络在渤中凹陷东南环区域进行的声波测井曲线重构应用上取得了较好的效果㊂1 测井曲线重构理论与流程1.1数据集预处理与构建1.1.1测井曲线标准化 由于研究区内各测井的完钻时间㊁钻井设备㊁钻井技术存在一定差异,导致测井曲线存在系统误差,使得部分地下地质特征差异被掩盖,无法进行准确的弹性参数交会分析㊂针对这一情况,需要首先结合研究区测井数据质量情况,选择目的层段范围内扩径影响小㊁底层特征稳定㊁具备标志性岩性特征的井位数据,以该井位测井数据为基准对其他测井曲线利用频率直方图的形式进行标准化[18-19]㊂从而消除各测井曲线之间的系统误差,使得研究区内所有具有相似沉积背景的测井曲线拥有相似的分布特征㊂1.1.2曲线校正与归一化 为避免某条测井曲线的值主导整体声波测井曲线重构过程,不同曲线之间的权重差异过大影响神经网络训练过程的稳定性㊂需要保证研究区各条输入测井曲线具有统一的量纲,为此对输入网络的测井数据进行两个步骤的处理:一是对曲线在深度上存在的问题进行校正,比如泥岩基线校正等;二是采用以下方式对曲线数据进行统一的归一化处理:X i =x i -x m i nx m a x -x m i n㊂(1)其中:x i 为原测井曲线各样点值;x m a x 和x m i n 为选取测井曲线的最大值和最小值;X i 为归一化后的测井曲线各样点值㊂1.1.3数据集构建 在数据集构建过程中对不同性质的井位划分为测井曲线标准井(后称标准井)与网络模型泛化应用井(后称泛化井)两种类型㊂采用固定时窗随机取样的方法提取标准井非扩径段数据作为训练集数据,包括自然伽马(G R )㊁密度(R H O B )㊁自然电位(S P)等五条测井曲线㊂将标准井与泛化井全井段测井曲线数据采用与训练集相同时窗㊁相同曲线顺序取样的方法构建测试集,以便于后续网络模型的应用分析㊂1.2神经网络架构本文采用的U -N e t 网络如图1所示,主要由卷积层㊁池化层㊁反卷积层组成,五条测井曲线组成的5通道训练集数据组成网络输入,声波测井曲线作为网络输出㊂网络左侧为编码过程,利用卷积层与池化层进行将输入缩小为原来的1/2,数据通道扩展为原来的2倍,同时提取数据特征;网络右侧为解码过程,利用多组反卷积将数据扩展为原来的2倍,通道缩小为原来的1/2,然后通过c o n c a t e n a t e 函数将解码过程产生的特征图与编码过程提取的特征图进行组合,建立输入测井曲线数据与目标声波测井曲线之间的非线性映射关系,网络解码编码过程的卷积组数保持严格一致㊂通过U -N e t 网络对训练集进行训练,可以获得一个相对稳定的声波测井曲线重构参数模型,从而能够利用该模型对研究区其他井位数据进行声波测井曲线重构研究㊂图1 U -N e t 网络结构示意图F i g .1 S c h e m a t i c d i a gr a mo fU -N e t n e t w o r k s t r u c t u r e 1.3测井曲线重构的验证与分析为了尽可能准确地评价声波测井曲线重构效果,针对重构声波测井曲线,本文从以下三个方面进行定性与定量的分析㊂1.3.1曲线对比分析 以测井解释层位为基准,对比分析重构前后声波测井曲线在目的层段整体趋势走向㊁曲线异常值校正㊁砂泥岩薄互层位处曲线分辨率㊁曲线与测井解释层位匹配等问题㊂78Copyright ©博看网. All Rights Reserved.中 国 海 洋 大 学 学 报2023年1.3.2岩石物理交会分析 交会图法是一种快速直观解释岩性的方法,由于其形象直观的特性,适合嵌入测井曲线重构流程中的效果分析部分㊂以重构前后的声波数据与密度数据建立交会图,通过分析测井解释结果约束下的砂泥岩数据分布,判断重构前后曲线在岩性识别中的效果,可以比较直观的说明重构过程对于声波测井曲线的影响㊂1.3.3相关性分析 在进行声波测井曲线重构后,需要利用皮尔逊系数对重构前后的曲线进行相关性分析㊂相应的皮尔逊相关系数公式为:F R X A C ,X U n e t A C ()=ðX A C X U ne t A C -ðX A C ðX U n e t A C NðX 2A C -ðX A C ()2N æèçöø÷ðX 2U n e t A C -ðX U n e t A C ()2Næèçöø÷㊂(2)其中:X A C 为原始声波测井曲线;X U n e t A C 为重构声波测井曲线;N 为曲线样本点总数;R X A C ,X U n e t A C ()为原始声波测井曲线和重构声波测井曲线的相关系数,范围为-1到1㊂当两条曲线的相关系数为1时表示完全正相关,-1表示完全负相关,值为0表示两条曲线之间没有任何关系㊂1.4测井曲线重构的工作流程本文声波测井曲线重构包含四个步骤,具体流程图如图2所示㊂图2 曲线重构步骤流程图F i g .2 F l o wc h a r t o f c u r v e -r e c o n s t r u c t i o n s t e ps (1)划分标准井与泛化井,分别进行数据预处理,对已处理测井曲线数据划分训练集和测试集㊂(2)确定U -N e t 神经网络结构及算法参数㊂(3)采用训练集对神经网络进行训练,利用标准井测试集检验模型重构效果,进行曲线验证分析,若满足要求则进入步骤4,否则返回步骤2,调整网络参数,直到满足重构要求㊂(4)利用训练好的模型对泛化井测试集进行重构实验,得到对应泛化井声波测井曲线㊂2 网络训练与重构效果分析本文实验数据来源于渤中凹陷东南环,该区域储层发育特征复杂,测井资料时间跨度长,测井设备种类复杂㊂由于目的层段埋深较浅,在钻井过程中,出现井壁塌陷㊁泥浆浸泡等问题,目的层段存在严重的欠压实效应,不同含流体特征砂岩及围岩测井弹性参数数值范围重合,难以进行有效区分㊂依据研究区测井数据质量情况,结合标准井选取原则,最终选择研究区A 1井作为标准井进行神经网络训练㊂目的层段测井曲线对应深度为900~1300m ,数据采样间隔为0.125m ㊂利用固定时窗随机取样的方法构建大小为64的256组5通道数据集,损失函数采用M S E l o s s 算法,优化算法采用A d a m 算法,学习率设置为10-4㊂图3为对数据集进行训练的趋势图,可见训练误差在100次迭代之前迅速减小,在400次迭代之后趋近于0,达到所设定的训练精度㊂图3 训练收敛趋势图F i g .3 T r a i n i n gt r e n d c h a r t 神经网络输入与输出曲线如图4所示,包括自然伽马曲线(G R )㊁深侧向电阻率曲线(R D )㊁热中子孔隙曲线(T N P H )㊁密度曲线(R H O B )㊁自然电位曲线(S P ),网络输出为重构声波测井曲线(U n e t A C )㊂虽然不同的测井曲线具有不同的地球物理响应,但总体反映的是同一地质体,因此声波测井曲线与其它的测井曲线之间也存在某种映射关系,这种关系就给声波测井曲线重构带来了可能㊂88Copyright ©博看网. All Rights Reserved.8期李枫林,等:基于U -N e t神经网络的声波测井曲线重构图4 网络输入-输出测井曲线F i g .4 N e t w o r k i n p u t -o u t p u t l o gs 图5为A 1标准井测井曲线重构效果对比图,A C 为原始声波测井曲线,U n e t A C 为重构声波测井曲线,C A L 为井径曲线㊂对原始声波测井曲线A C 与重构声波测井曲线U n e t A C 进行相关性分析后得相关系数:R =0.896㊂在深度900~940m 的泥岩层段,原始声波测井曲线出现了强烈的数值跳跃现象,重构声波测井曲线更为稳定㊁一致,更符合该层位的地质规律;在深度990m ㊁深度1155m 处,受扩径影响,原始声波测井曲线出现较大异常值,重构声波测井曲线在该层位处曲线数值基本恢复正常;在深度950㊁1220m 砂泥岩薄互层处,重构声波测井曲线的泥岩低值与砂岩高值对比更为明显,对砂泥岩薄互层的指示效果相比原始曲线更好㊂在对重构前后曲线的分析中可以看出:重构声波测井曲线在与原始声波测井曲线整体趋势基本一致的基础上,在层位分界面处的分辨率更高,在泥岩段更加波动更小,基本避免了数值跳跃,在砂泥岩薄互层段的区分更为突出,相比于原始曲线更加符合地质规律㊂图6是以A 1标准井声波测井数据与密度测井数据为基础建立的交会图㊂原始曲线交会图(见图6(a )),A C -R H O B 的交会分布呈现散乱的状态,部分散点分布出现了明显的偏离,泥岩散点位分布范围为90~135μs /f t ,砂岩散点位分布范围为110~145μs /f t ,泥岩点位与砂岩点位分布难以区分;在对曲线进行重构之后(见图6(b )),U n e t A C -R H O B 的交会分布得到明显的改善,泥岩散点位分布范围为90~125μs /f t,砂岩散点位分布范围为125~145μs /f t,砂泥岩速度分图5 A 1标准井测井曲线重构效果图F i g .5 E f f e c t d i a g r a mo fw e l l A 1l o g g i n g cu r v e r e c o n s t r u c t i on 图6 A 1井重构前后声波-密度交会图F i g .6 C r o s s p l o t o f a c o u s t i c -d e n s i t y be f o r e a n d a f t e r r e c o n s t r u c t i o n o fw e l l A 198Copyright ©博看网. All Rights Reserved.中 国 海 洋 大 学 学 报2023年布区间更为合理,数据点位更加集中,偏离正常范围的数据也得以收束㊂说明对存在问题数据的声波测井曲线进行重构后,能够有效改善声波测井曲线质量,同时仍然能够基本保留地下岩性及含流体特征变化带来的曲线特征差异㊂3 实际数据应用与效果分析泛化井A 5㊁A 6㊁A 7位于标准井A 1附近,测井曲线种类与A 1井相同,但相比于A 1井,受欠压实效应影响更为严重,声波数据部分失真㊂3.1测井数据预处理图7是以声波㊁密度㊁自然伽马三条测井曲线为例,A 1井为标准井,对A 5㊁A 6㊁A 7井进行标准化前后的频率直方图对比㊂经过标准化处理,声波测井曲线(A C )的数值范围由77.84~157.37μs /f t 统一到了78.17~157.37μs /f t (见图7(a )和7(b )),密度(R H O B )的范围由1.31~2.53g /c m 3统一到了1.94~2.53g /c m 3(见图7(c )和7(d )),自然伽马(G R )的范围由68.41~215.35A P I 统一到了68.17~133.56A P I (见图7(e )和7(f ))㊂进行标准化处理之后,4口井的数值分布范围趋于统一,不同测井之间的系统误差得到一定程度地改善㊂3.2测井曲线重构效果分析在进行研究区目的层段数据特征提取的基础上,利用泛化井测井数据进行声波测井曲线重构实验㊂由于篇幅有限,文中仅以A 7井的实验结果为例进行重构图7 不同井位标准化前后数据频率直方图F i g .7 D a t a f r e q u e n c y h i s t o gr a mb e f o r e a n d a f t e r n o r m a l i z a t i o n f o r d i f f e r e n tw e l l 09Copyright ©博看网. All Rights Reserved.8期李枫林,等:基于U -N e t 神经网络的声波测井曲线重构效果分析㊂图8为A 7井测井曲线重构效果对比图,原始声波测井曲线A C 与重构声波测井曲线U n e t A C 的相关系数:R =0.734,表明重构曲线保留了泛化井原始声波测井曲线一部分特征的同时对曲线进行了相当程度地修正㊂在深度990㊁1011㊁1040m 处,重构声波测井曲线相比于原始曲线对于砂岩层段的响应更为明显;在1060~1110m 扩径泥岩层段,重构声波测井曲线消除了数值跳跃影响,相比于原始曲线更为稳定,更符合泥岩层段速度规律;在1110~1150m 的厚砂岩层段,原始声波测井曲线不清晰㊁不突出,厚砂岩层段难以和上下层段区分,重构声波测井曲线在消除了上下泥岩层段数值跳跃的影响之后对厚砂岩层段反映更为清晰;在深度1150m 处,相比于原始曲线,重构声波测井曲线在该扩径砂岩层段产生了较大的奇异值;在1170m 处,重构声波测井曲线校正了原始曲线的异常值㊂图8 A 7井测井曲线重构效果图F i g .8 E f f e c t d i a gr a mo fw e l l A 7l o g g i n g cu r v e r e c o n s t r u c t i o n 如图9所示,对A 7泛化井以声波测井曲线数据与密度曲线数据为基础建立交会图㊂与A 1标准井重构后岩石物理交会图类似,对A 7泛化井进行声波测井曲线重构后,U n e t A C -R H O B 分布效果得到明显的改善㊂原始测井曲线交会图(见图9(a))中砂岩声波分布更为散乱,在120~140μs /f t 范围内分布大量泥岩声波高值;在声波125μs /f t 附近,砂岩密度分散分布于1.8~2.2g /c m3之间范围;泥岩声波值与砂岩声波值在密度2.1~2.25g /c m3范围内数据,这些现象明显不符合地质规律认识㊂在对曲线进行重构之后(见图9(b)),泥岩声波值集中在95~120μs /f t,砂岩声波值集中在110~135μs /f t,数据分布相比重构之前更为集中㊂总的来说,重构声波测井曲线相比于原始声波测井曲线,砂泥岩点位分布相比原始曲线更为集中,原始曲线的泥岩声波高值得到一定程度的修正,砂泥岩速度分布更为符合实际地质规律认识㊂而网络模型的迁移应用也带来了部分问题:数据驱动的方法过分依赖于输入数据的质量,强烈扩径现象对自然伽马(G R )等输入曲线数据产生的巨大影响,造成了重构声波测井曲线在深度1150m 层段(见图8)产生范围155~165μs /f t 的部分奇异值点位㊂图9 A 7井重构前后声波-密度交会图F i g .9 C r o s s p l o t o f a c o u s t i c -d e n s i t y be f o r e a n d a f t e r r e c o n s t r u c t i o n o fw e l l A 74 结论(1)本文提出了一套以深度学习技术为核心的声波测井曲线重构流程㊂该流程从固定时窗随机取样的标准井数据出发,通过U -N e t 神经网络提取测井曲线数据的数据特征,将其应用于实际声波测井曲线重构㊂19Copyright ©博看网. All Rights Reserved.中国海洋大学学报2023年实验结果表明,研究区域重构声波测井曲线整体趋势保持和原始声波测井曲线基本一致的同时,相较于原始曲线,重构的测井曲线更加符合地层的真实情况㊂(2)本文中U-N e t神经网络的使用避免了常规测井曲线重构过程中的复杂计算,其网络中的编码-解码过程能够高效地利用训练集数据进行网络训练,在声波测井曲线重构的实验中证明了该网络进行测井数据间特征提取的准确性㊁实用性㊂参考文献:[1]朱国军.声波曲线重构技术在储层预测中的应用[J].物探化探计算技术,2017,39(3):383-387.Z h uG u o j u n.A p p l i c a t i o no f a c o u s t i c c u r v e r e c o n s t r u c t i o n i n r e s e r-v o i r p r e d i c t i o n[J].C o m p u t i n g T e c h n i q u e s f o rG e o p h y s i c a l a n dG e-o c h e m i c a l E x p l o r a t i o n,2017,39(3):383-387.[2]贺懿,刘怀山,毛传龙,等.多曲线声波重构技术在储层预测中的应用研究[J].石油地球物理勘探,2008(5):549-556.H eY i,L i uH u a i s h a n,M a oC h u a n l o n g,e t a l.S t u d y o n a p p l i c a t i o n o fm u l t i-c u r v e s o n i c r e c o n s t r u c t i v e t e c h n i q u e i n p r e d i c t i o n o f r e s e r-v o i r[J].O i l G e o p h y s i c a l P r o s p e c t i n g,2008(5):549-556. [3]廖茂辉.多元回归方法校正扩径对密度曲线声波曲线的影响[J].物探与化探,2014,38(1):174-179,184.L i a oM a o h u i.T h e a p p l i c a t i o n o fm u l t i p l e r e g r e s s i o nm e t h o d t o t h e c a l i b r a t i o n o f t h e i n f l u e n c eo f h o l e e n l a r g e m e n t o nd e n s i t y a n da-c o u s t i c l o g s[J].G e o p h y s i c a l a n dG e o c h e m i c a lE x p l o r a t i o n,2014, 38(1):174-179,184.[4]E s k a n d a r i H,R e z a e eMR,M o h a m m a d n i a.A p p l i c a t i o n o f m u l t i p l e r e g r e s s i o n a n d a r t i f i c i a l n e u r a l n e t w o r k t e c h n i q u e s t o p r e d i c t s h e a r w a v ev e l o c i t y f r o m w i r e l i n el o g d a t af o rac a r b o n a t er e s e r v o i r S o u t h-W e s t I r a n[J].C a n a d i a nS o c i e t y o fE x p l o r a t i o n G e o p h y s i-c i s t s,2004,29(7):42-48.[5]宋建国,李赋真,徐维秀,等.改进的神经网络级联相关算法及其在初至拾取中的应用[J].石油地球物理勘探,2018,53(1):8-16. S o n g J i a n g u o,L i F u z h e n,X u W e i x i u,e t a l.A n i m p r o v e dn e u r a l-n e t w o r k c a s c a d e-c o r r e l a t i o n a l g o r i t h ma n d i t s a p p l i c a t i o n i n s e i s m i c f i r s t b r e a k p i c k i n g[J].O i l G e o p h y s i c a l P r o s p e c t i n g,2018,53(1): 8-16.[6]杨熙镭,刘怀山.基于曲波噪声估计的K-S V D字典学习地震资料去噪[J].工程地球物理学报,2021,18(4):445-452.Y a n g X i l e i,L i uH u a i s h a n.K-S V Dd i c t i o n a r y l e a r n i n g s e i s m i c d a t a d e n o i s i n g t e c h n i q u e b a s e d o n c u r v e l e t n o i s e e s t i m a t i o n[J].C h i n e s e J o u r n a l o f E n g i n e e r i n g G e o p h y s i c s,2021,18(4):445-452. [7]李林伟,彭崯,童思友,等.L S T M神经网络在地震资料初至拾取中的应用[J].中国海洋大学学报(自然科学版),2022,52(2):87-93.L i L i n w e i,P e n g Y i n,T o n g S i y o u,e ta l.Af i r s tb r e a k p i c k i n g m e t h o d i n s e i s m i c p r o s p e c t i n g u s i n g L S T Mr e c u r r e n t n e t w o r k s[J].P e r i o d i c a l o fO c e a nU n i v e r s i t y o f C h i n a,2022,52(2):87-93.[8]范帅,邢磊,李倩倩.基于迭代收缩阈值网络的地震数据重构研究[J].工程地球物理学报,2021,18(6):873-880.F a n S h u a i,X i n g L e i,L iQ i a n q i a n.S t u d y o ns e i s m i cd a t ar e c o n-s t r u c t i o n b a s e do n i t e r a t i v e s h r i n k a g e t h r e s h o l dn e t w o r k[J].C h i-n e s e J o u r n a l o f E n g i n e e r i n gG e o p h y s i c s,2021,18(6):873-880.[9] R o n n e b e r g e rO,F i s c h e rP,B r o xT.U-N e t:C o n v o l u t i o n a lN e t-w o r k s f o rB i o m e d i c a l I m a g eS e g m e n t a t i o n[C].[s.l.]:M e d i c a lI m a g e C o m p u t i n g a n d C o m p u t e r-A s s i s t e d I n t e r v e n t i o n,2015:234-241.[10]丁建群,何永清,郭锐,等.基于U-N e t网络的地震数据初至自动拾取方法[C].[s.l.]:2019年油气地球物理学术年会论文集, 2019:132-136.D i n g JQ,H eYQ,G u oR,e t a l.A m e t h o d o f s e i s m i c d a t a f i r s ta r r i v a l a u t o m a t i c p i c k u pb a s e d o nU-N e t n e t w o r k[C].[s.l.]:P r o-c e ed i n g s o f t h e2019a c a de m i c c o nf e r e n c e o n p e t r o l e u mg e o ph y s-i c s,2019:132-136.[11]W uX i n m i n g,L i a n g L u m i n g,S h iY u n z h i,e ta l.F a u l t S e g3D:U s i n g s y n t h e t i cd a t as e t st ot r a i na ne n d-t o-e n dc o n v o l u t i o n a ln e u r a l n e t w o r k f o r3Ds e i s m i c f a u l t s e g m e n t a t i o n[J].G e o p h y s-i c s,2019,84(3):35-45.[12]L i uN,H eT,T i a nY,e t a l.C o m m o n-a z i m u t h s e i s m i c d a t a f a u l ta n a l y s i s u s i n g r e s i d u a lU N e t[J].I n t e r p r e t a t i o n,2020,8(3):25-37.[13]杨志力,周路,彭文利,等.B P神经网络技术在声波测井曲线重构中的运用[J].西南石油大学学报(自然科学版),2008(1):63-66.Y a n g Z h i l i,Z h o uL u,P e n g W e n l i,e t a l.A p p l i c a t i o n o f B P n e u r a l n e t w o r k t e c h n o l o g y i na c o u s t i c l o g g i n g c u r v e r e c o n s t r u c t i o n[J].J o u r n a l o f S o u t h w e s t P e t r o l e u m U n i v e r s i t y(S c i e n c e&T e c h n o l o-g y E d i t i o n),2008(1):63-66.[14]金永吉,张强,王毛毛.基于遗传神经网络算法的测井曲线重构技术[J].地球物理学进展,2021,36(3):1082-1087.J i nY o n g j i,Z h a n g Q i a n g,W a n g M a o m a o.W e l l l o g g i n g c u r v e r e-c o n s t r u c t i o n b a s ed o n ge n e t i c n e u r a l n e t w o r k[J].P r o g r e s s i nG e o-p h y s i c s,2021,36(3):1082-1087.[15]郑庆伟,王祝文,欧希阳,等.聚类分析方法在测井曲线重构中的应用[J].世界地质,2015,34(3):807-812.Z h e n g Q i n g w e i,W a n g Z h u w e n,O uX i y a n g,e t a l.A p p l i c a t i o n o fc l u s t e r i n g a n a l y s i s i nw e l l l o g g i n g c u r v e r e c o n s t r u c t i o n[J].G l o b a lG e o l o g y,2015,34(3):807-812.[16]王俊,曹俊兴,尤加春.基于G R U神经网络的测井曲线重构[J].石油地球物理勘探,2020,55(3):510-520.W a n g J u n,C a o J u n x i n g,Y o u J i a c h u n.R e c o n s t r u c t i o no f l o g g i n g t r a c e s b a s e do nG R Un e u r a l n e t w o r k[J].O i lG e o p h y s i c a l P r o s-p e c t i n g,2020,55(3):510-520.[17]张海涛,杨小明,陈阵,等.基于增强双向长短时记忆神经网络的测井数据重构[J].地球物理学进展,2022,37(3):1214-1222.Z h a n g H a i t a o,Y a n g X i a o m i n g,C h e nZ h e n,e t a l.A l o g d a t a r e-c o n s t r u c t i o nm e t h o db a s e do ne n h a n c e db id i re c t i o n a l l o n g s h o r t-t e r m m e m o r y n e u r a l n e t w o r k[J].P r o g r e s s i nG e o p h y s i c s,2022, 37(3):1214-1222.[18]徐延勇,邹冠贵,曹文彦,等.测井曲线标准化方法对比研究及应用[J].中国煤炭地质,2013,25(1):53-57.X uY a n y o n g,Z o u G u a n g u i,C a o W e n y a n,e ta l.C o m p a r a t i v e s t u d y a n d a p p l i c a t i o n o f l o g g i n g s t a n d a r d i z a t i o nm e t h o d s[J].C o a lG e o l o g y o f C h i n a,2013,25(1):53-57.[19]高春云,周立发,路萍.测井曲线标准化研究进展综述[J].地球物理学进展,2020,35(5):1777-1783.G a oC h u n y u n,Z h o uL i f a,L u P i n g.R e v i e wo f t h e d e v e l o p m e n t o fw e l l l o g n o r m a l i z a t i o n[J].P r o g r e s s i nG e o p h y s i c s,2020,35(5): 1777-1783.(下转第103页)29Copyright©博看网. All Rights Reserved.8期徐学范,等:海表浅层水体温度剖面测量设备研发与实现301D e v e l o p m e n t a n dR e a l i z a t i o n o f S u r f a c eS h a l l o w W a t e rT e m p e r a t u r eP r o f i l eM e a s u r e m e n t E q u i p m e n tX uX u e f a n,Z h a n g K a i l i n(C o l l e g e o fM a r i n eT e c h n o l o g y,F a c u l t y o f I n f o r m a t i o nS c i e n c ea n dE n g i n e e r i n g,O c e a n U n i v e r s i t y o fC h i n a,Q i n g d a o 266100,C h i n a)A b s t r a c t:S u r f a c ew a t e r t e m p e r a t u r e i s a n i m p o r t a n t f e a t u r e o f t h e o c e a n.I n o r d e r t o o b t a i n t h e v e r t i c a l t e m p e r a t u r e p r o f i l e o f s u r f a c ew a t e r,t h a t i s,0-10md e p t hb e l o wt h e s e a s u r f a c e,t h i s p a p e r d e s i g n e d a s u r f a c e s u r f a c ew a t e r t e m p e r a t u r e p r o f i l em e a s u r e m e n t d e v i c eb a s e do n t h e i n f r a r e d t e m p e r a t u r em e a-s u r e m e n t p r i n c i p l e.T h e s e a w a t e r t e m p e r a t u r ew a s o b t a i n e d i n d i r e c t l y b y m e a s u r i n g t h e t e m p e r a t u r e o f t h e t e m p e r a t u r e g u i d e p l a t e s i n c o n t a c tw i t h t h ew a t e r b y i n f r a r e d t h e r m a l i m a g e r,a n d t h ew a t e r t e m-p e r a t u r e p r o f i l ew i t hl o w v e r t i c a l r e s o l u t i o n w a so b t a i n e db yp l a c i n g m o r ed e n s et e m p e r a t u r e g u i d e p l a t e s,w i t h t h em i n i m u mt e m p e r a t u r em e a s u r e m e n t p o i n t s p a c i n g u p t o2c m.C o r r e c t i o n b l a c k b o d y i s u s e d i n s i d e t h e e q u i p m e n t f o r r e a l-t i m e c o r r e c t i o n,a n d t h em o r e a c c u r a t e t e m p e r a t u r e o f t h e t e m p e r a-t u r e g u i d e p l a t e i s o b t a i n e d.B l a c k-b o d y c a l i b r a t i o n e x p e r i m e n t a n d l a b o r a t o r y f l u m e s i m u l a t i o n e x p e r i-m e n t h a v e b e e n c a r r i e d o u t i n t h e l a b o r a t o r y,a n d t h e t e m p e r a t u r em e a s u r e m e n t a c c u r a c y c a n r e a c hʃ0.1ħ.T h e e x p e r i m e n t a l r e s u l t s s h o wt h a t t h e d e v i c e h a s a g o o d a c c u r a c y i nm e a s u r i n g w a t e r t e m p e r a-t u r e,a n d i t i s e a s y t od e p l o y,a n d t h e t e m p e r a t u r e p r o f i l ew i t h l o wv e r t i c a l r e s o l u t i o n c a nb e o b t a i n e d w i t h i n t h em e a s u r e m e n t r a n g e.T h e e q u i p m e n t c a n i m p r o v e t h e v e r t i c a l r e s o l u t i o n o f s e aw a t e r t e m p e r a-t u r e p r o f i l e t o a c e r t a i ne x t e n t a n d p r o v i d e r e f e r e n c e f o r f i e l dm e a s u r e m e n t o f S S Te r r o r c o r r e c t i o nb y s a t e l l i t e o b s e r v a t i o n.K e y w o r d s:s u r f a c ew a t e r t e m p e r a t u r e p r o f i l e;i n f r a r e d t h e r m a l i m a g e r;g u i d e t e m p e r a t u r e p l a t e;r e a l-t i m e c o r r e c t i o n;b l a c k b o d y责任编辑庞旻(上接第92页)R e c o n s t r u c t i o n o f A c o u s t i cC u r v eB a s e d o nU-N e t N e u r a l N e t w o r kL i F e n g l i n1,L i uH u a i s h a n1,2,Y a n g X i l e i1,Z h a oM i n g X i n1,Y a n g C h e n1,Z h a n g L u o c h e n g1(1.C o l l e g e o fM a r i n eG e o s c i e n c e s,O c e a nU n i v e r s i t y o f C h i n a,Q i n g d a o266100,C h i n a;2.T h eK e y L a b o r a t o r y o f S u b m a-r i n eG e o s c i e n c e s a n dP r o s p e c t i n g T e c h n i q u e s,Q i n g d a o266100,C h i n a)A b s t r a c t:L o g g i n g d a t a i s n o t o n l y t h e b a s i s o f i d e n t i f y i n g u n d e r g r o u n d l i t h o l o g i c c h a r a c t e r i s t i c s,b u t a l s o t h e c o r e o fw e l l s e i s m i c j o i n t i n v e r s i o n.D u e t o t h e i n f l u e n c e o f g e o l o g i c a l a n dc o n s t r u c t i o nc o n d i-t i o n s i n p r a c t i c a l w o r k,t h e a c o u s t i c l o g g i n g d a t a i s d i s t o r t e d o rm i s s i n g,w h i c h c a n n o t r e f l e c t t h e c h a n g e l a wo f f o r m a t i o n l i t h o l o g y,a f f e c t i n g t h e d e v e l o p m e n t o f s u b s e q u e n tw o r k.T h i s p a p e r p r e s e n t s a r e c o n-s t r u c t i o nm e t h o d o f a c o u s t i c l o g g i n g c u r v eb a s e do nU-N e t n e u r a l n e t w o r k.T h e d a t a c h a r a c t e r i s t i c s o f l o g g i n g c u r v e s(G R,R H O B)a r e e x t r a c t e d b y t h e e n c o d e r.T h em a p p i n g r e l a t i o n s h i p b e t w e e n d a t a c h a r-a c t e r i s t i c s a n d t h e a c o u s t i c l o g g i n g c u r v e i s e s t a b l i s h e d b y u s i n g t h e d e c o d e r,t h e n,a c c u r a t e r e c o n s t r u c-t i o n o f t h e a c o u s t i c l o g g i n g c u r v e i s r e a l i z e d.T h e r e s u l t s s h o w t h a t t h i sm e t h o d r e t a i n s t h e l o w-f r e q u e n-c y i n f o r m a t i o n o f t h e o r i g i n a l a c o u s t i c l o g g i n g,t a k e s i n t o a c c o u n t t h eh i g h-f r e q u e n c y c h a r a c t e r i s t i c s o f t h e i n p u t l o g g i n g c u r v e,a n d r e a l i z e s t h e e f f e c t i v e s u p p r e s s i o n o f t h e n o i s e o f t h e o r i g i n a l a c o u s t i c l o g g i n g m u d s t o n e i n t e r v a l d a t a.I t h a s a c h i e v e d g o o d r e s u l t s i n t h e l o g g i n g d a t a r e c o n s t r u c t i o no f t h e s o u t h e a s t r i mi nB o z h o n g s a g,w h i c h v e r i f i e s t h i sm e t h o d s h i g h a c c u r a c y a n d p r a c t i c a b i l i t y.K e y w o r d s:a c o u s t i c l o g g i n g c u r v e;c u r v e r e c o n s t r u c t i o n;U-N e t n e t w o r k;d e e p l e a r n i n g;C o n v o l u t i o n n e u r a l n e t w o r k(C N N)责任编辑徐环Copyright©博看网. All Rights Reserved.。

基于有序聚类分析的测井曲线自动分层策略

基于有序聚类分析的测井曲线自动分层策略

基于有序聚类分析的测井曲线自动分层策略武汉科技大学 邹奇林 胡卫 赵亚洲指导老师:李明摘要:测井曲线的分段要求样本分类时不打乱次序,本文基于有序最优分段的理论,针对样本过大的问题首先进行中值滤波处理进而运用边缘检测的方法压缩采样点数目,对于窗口大小的选择利用BP 神经网络自我反馈寻求最佳窗口大小,在综合各种测井曲线的基础上运用主成分分析法提取主因子作为样本指标,结合有序聚类分析初步确定拟划分地层数,然后运用爬山法并做出分层数目—总变差图寻求最佳分段数,从而获得全局最优解。

最后利用Fisher ’s 判别分析进行井的地层命名,通过对分类效果进行检测,结果表明该模型求解效果精确度较高。

关键词:总变差,最优分割,边缘检测,主成分分析,爬山法,BP 神经网络 ,Fisher ’s 判别分析。

一、最优分割的介绍:1.1、测井曲线的分层问题,可以等效为对一批有序样本进行划分分段问题,这类问题的提法如下:设有一批(N 个)按一定顺序排列的样品,每一个样品测得p 项指标,其原始资料矩阵:⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡=⨯x x x x x x x x x X Np N N p p P N212222111211)(其中元素x ij 表示第i 个样品第j 个指标的观测值。

如果把N 个样品按顺序(不破坏序列的连续性)进行分割,其所有的可能分割方法共有:121112111-=+++-----N N N N N c c c种。

现在要求在所有的分割中找出一种分割方法,这种分割方法满足各段内的差异最小,而各段间的差异最大。

称这样的一种分割方法为最优分割法。

各段内部差异最小,即各段内的数值变化最小。

段内数值变化可用变差(类的直径)表示,样品段{1,,i i j x x x + }的变差可以表示为: )()(x x x x d ij l Tij ji l l ij -∑-==,其中∑=+-=ji l lijx x i j 11d ij 表示样品段{1,,i i j x x x + }内样品间的差异情况,d ij 越小表示段内各样品之间的数值比较接近,反之,d ij 越大表示段内个各样品数值之间的差异大,要各段内的差异达到最小,即所分成各段内的变差总和(总变差)为最小。

基于深度学习的测井曲线预测和储层识别方法

基于深度学习的测井曲线预测和储层识别方法

基于深度学习的测井曲线预测和储层识别方法基于深度学习的测井曲线预测和储层识别方法随着油气资源勘探的日益深入和对储层性质的需要,利用地球物理测井数据进行储层识别和预测成为了一个重要的问题。

传统的测井曲线预测和储层识别方法在处理复杂的地质情况时效果不佳。

为了提高精度和效率,基于深度学习的测井曲线预测和储层识别方法应运而生。

本文将介绍这一方法的原理和应用。

深度学习是一种模拟人脑神经网络的方法,可以通过大量样本进行训练,从而学习复杂的特征和模式。

测井曲线是地球物理勘探中测量井中各种物性参数的曲线,包含了地下储层的信息。

传统的方法主要依靠人工经验和阈值技术进行储层识别,然而在复杂地质条件下,这些方法的准确性和稳定性往往难以保证。

基于深度学习的测井曲线预测和储层识别方法利用神经网络的强大学习能力和自动提取特征的能力,可以对测井数据进行自动化处理和分析。

首先,需要构建一个合适的神经网络模型。

在数据预处理阶段,将输入数据进行标准化处理,以便提高神经网络的收敛速度。

然后,选择合适的神经网络结构,并进行训练。

训练过程需要大量的标注数据,通过反向传播算法来调整网络参数,直到达到预定的识别和预测准确度。

最后,通过对新的测井数据进行输入,神经网络可以输出预测的结果。

深度学习方法在测井曲线的预测和储层的识别中取得了显著的成果。

通过构建合适的神经网络结构,可以学习到更多的地下储层特征,并提高识别的准确性。

此外,由于深度学习方法具有良好的泛化能力,可以处理复杂的地质情况,并在一定程度上提高了测井曲线的预测精度。

然而,基于深度学习的测井曲线预测和储层识别方法也存在一些挑战和限制。

首先,需要大量的标注数据来训练神经网络,而这些数据往往很难获取。

其次,神经网络模型的选择和参数的调整也需要经验和专业知识。

最后,深度学习方法在处理测井曲线时需要更多的计算资源和时间。

综上所述,基于深度学习的测井曲线预测和储层识别方法是一种应用前景广阔的方法。

bp

bp

3 人工神经网络在测井解释中的应用与优点[ 3 “在测井解释中应用B P模型,以取芯资料作为导师信号,实现由测井参数求取储层物性参数,或自动识别地层类型的高度非线性映射或划分的统一处理,其从理论上讲,是可行和可靠的。

通过对多个油区的实验应用表明,人工神经网计算,和传统方法类似,是建立测井信息与地层参数,或地层类型间的函数映射关系或模式对应关系,但其具有传统方法所不能及的优点。

首先是其高度的非线性映射能力,能更准确地描述实际测井解释中的复杂地质情况。

其次它对输入测井参数在理论上是无限制的,可充分利用测井信息,克服传统相关方法中的单一测井曲线相关弱点:输出参数是以取芯资料为刻度的,可充分利用岩芯资料,克服传统的基于建立模型的计算解释方法不能直接利用取芯资料的弱点。

第三,它具有自动学习的特点,不需事先建立任何理论模型,仅根据对提供的标准取芯参数的学习,自适应地建立测井响应与物性参数间的映射关系,克服传统测井解释方法中的非线性数学建模困难。

还有对于定量地层参数求取和定性地层类型划分,在B P网络模型中可得到高度的统一,仅根据提供的标准学习样本而定。

小结:人工神经网络的引人,将克服传统测井解释方法许多不能逾越的障碍,对发展、丰富和完善测井解释理论及方法具有很大的理论和实际意义。

4 应用人工神经网络模型进行油层孔隙度、渗透率预测嘲为建立孔隙度与渗透率预测模型,选用某地区两口相邻的取心检查井A井和B井资料进行研究,以A井获得的资料进行训练和学习,然后用建立的模型对B井进行孔隙度和渗透率的预测,检验实用效果。

首先对取心资料进行归位,读取相对均质段的孔隙度、渗透率平均值,做为期望输出结果,然后由测井曲线上读取各均质段的曲线值,选用的6条测井曲线分别为自然电位、微电极、0 .25 m和0 .4 5 m视电阻率、深三侧向、声波时差。

在此基础上建立一2 建立进化神经网络识别模型在测井解释中,学习样本的真实性、代表性和泛化性是决定识别效果的关键。

基于神经网络的元素录井岩性识别方法研究及应用

基于神经网络的元素录井岩性识别方法研究及应用

基于神经网络的元素录井岩性识别方法研究及应用随着我国对油田行业的不断勘探和钻井新工艺的应用,在钻井的过程中会遇到复杂的岩层,岩屑细小等问题,传统的录井识别已经无法满足常规的岩性识别,给岩性识别带来了挑战,在元素录井数据标准化的基础上,利用BP神经网络的元素来进行构建录井岩性识别方法,可以帮助提高岩性识别的准确度,说明该方法对提高录井岩性识别有着较好的效果。

标签:神经网络的元素;录井岩性;识别方法在油气钻井过程中需要保证施工参数、钻井安全,提高油气勘探的效率。

地层岩性识别技术是油气钻井工程中一项重要的内容,目前所采用的传统岩性识别方法主要是通过人工或者简单的光学仪器观察岩屑的组成成分,但是这种方法在使用的过程中会存在着一些差异,对于样品的定义或者特征描述会出现差错,甚至会对地层岩性造成错误理解。

因此需要更为先进的录井技术。

元素录井是一种比较先进的技术,通过人工神经网络方法,可以对元素录井进行岩性识别,提高复杂岩性识别的准确率。

1元素录井的原理及方法对于岩性元素的成分分析的X射线荧光分析仪主要分为两种,分别为波长色散型和能量色散型。

其中波长色散型分析仪是利用多个衍射晶体对各种岩石元素的特征进行波长分析,可以对元素进行全方位的测量。

而能量色散型分析仪其主要的作用是一个探测仪器,可以测量所有能量的X射线,在进行实验的过程中,需要将岩石样品的X射线能量和强度激发出来,就可以进行元素测量。

元素录井的样品主要为从油气钻井中所采取的岩屑,利用X射线对这些样品进行分析获得的元素信息主要包括谱图信息和元素含量信息。

在谱图信息中不同元素的电子跃迁能力会有所不同,谱图信息中的横坐标位置也会出现变化。

从元素含量信息中可知X射线强度与岩屑中元素含量呈正相关系,因此可以通过数学运算得出元素含量数据。

2元素含量与岩性的关系2.1元素含量与矿物含量岩石的主要成分为矿物,不同岩性的岩石所含有的矿物成分和含量不同,油气田地层中常见的岩石为石英、石灰岩、白云岩、钾长石、高岭石、云母等。

BP神经网络在测井解释中的应用研究

BP神经网络在测井解释中的应用研究

B P神经网络计算一般分为 2 个阶段: 学习阶段和 工作 阶段 】 ・ ] 。第 一 阶段 是 学 习 阶 段 , 此 时 各 计 算 单 元
状态 不变 , 各连 线上 的权值 可 通 过 学 习来 修 改 , 所 以这 个 阶段 的主 要 工 作 就 是 : 在 选 择 网络 模 型 和学 习规 则 后, 根据 已知 的输 入 和输 出学 习数 据 , 通 过 学 习 规则 确 定 神经 网 络 的权 值 叫 , 硼z … . , , 这 个 阶 段 的输 入是
中 图分类 号 : TE 3 5 8 文 献标识 码 : A 文 章编 号 : 1 0 0 4 -5 7 1 68 6年 以 Ru me l h a r t 和 Mc C e l l a n d为 首 的科 学 家 小组 提 出 B P( B a c k P r o p a g a t i o n ) 神 经 网络 l _ 1 ] 。它 是 一
成 归 一化 结果 的差 异 , 它 对 于所 建 解 释 模 型 ( 或 网络 权 值) 的特 征 , 特 别是 预测 结果 会带 来较 大影 响 。 对 于具有 近似 线性 特征 的输 入信 息 , 采 用线 性 归一
化公式 :
使用最速下降法, 通过反 向传播来不断调整网络的权值 和 阈值 , 使 网络 的误 差 平 方 和最 小_ 9 ] 。实 际应 用 中, 采 用 了基于 L e v e n b e r g — Ma r q u a r d t 算法 ( L M) , 又称为阻 尼最/ j  ̄ - - 乘算法 , 它是非线性最小二乘无约束优化的主
验, 通过 试 验 、 分析 , 最 终优 选模 型二 对各 井的孔 隙度进 行预 测 。分层 位制 作 了孔 隙度 平 面分布 图, 通

测井曲线预测方法研究

测井曲线预测方法研究

测井曲线预测方法研究测井曲线预测是石油勘探和开发中非常重要的一项任务,其主要目的是通过分析井壁岩石对地层地球物理属性的响应特征,来推断井下地层的性质和类型,为石油勘探和开发提供决策支持。

测井曲线预测方法是实现测井曲线预测的重要手段。

近年来,随着计算机技术的不断提升和地球科学的深入发展,测井曲线预测方法也不断得到了改进和完善。

本文将从测井曲线预测方法的基本原理、主要应用领域和研究现状等方面进行探讨。

一、基本原理测井曲线预测方法的核心在于建立地层电性或弹性模型,通过拟合和预测测井数据来获得地层属性。

具体来说,测井曲线预测方法主要依赖以下两种方法:1. 统计模型这种方法通过建立数学模型,对地层属性进行统计分析和描述,获得地层属性特征值。

统计模型的基本原理是将地层电性或弹性特征量化为数学模型,通过数学分析进行预测。

其中,最常用的是回归模型和统计学习模型。

回归模型是用来研究变量之间关系的一种基本方法。

在地层预测中,常用的回归模型包括多元回归、逐步回归、主成分回归等。

其中,多元回归是将地层属性与其他已知属性进行线性回归,拟合出地层属性的数学模型。

逐步回归则是通过逐步的回归分析,确定最终的预测模型。

主成分回归则是将原始数据转化为一组新的线性无关变量,通过回归建立地层预测模型。

统计学习模型则是一种基于经验风险最小化的模型学习方法。

这种方法在地层预测中广泛应用,主要有支持向量机、随机森林、神经网络等。

其中,支持向量机是一种基于最大间隔分割面的分类器,可用于分类和回归。

随机森林是一种用于解决分类和回归问题的集成学习方法,它可以处理高维数据和大量训练样本。

2. 地质模型这种方法则是通过建立地质模型,获取地层属性。

这种方法的基本思路是利用地层形态、物质组成、物性参数等地质特征,来获取地层资料,并进而预测地层属性。

地质模型中,常用的方法包括神经网络、反演等。

其中,神经网络是构建非线性模型的一种方法,可以通过学习获得地质属性信息。

神经网络在钻井动态预测中的应用

神经网络在钻井动态预测中的应用

神经网络在钻井动态预测中的应用周蕾编译周开吉审校摘要井底钻具组合(BHA)及钻头动态行为的实时监控,是提高钻井效率的重要因素。

这样可使司钻避免有害的钻柱振动,通过周期性地调整各种地面控制参数(例如大钩荷载,转速,流速及泥浆性能)而保持最优的钻进状态。

本文论述了采用神经网络来建立非线性,多输入/输出钻井系统模型。

这个模型为司钻提供量化的适当修正措施以使系统处于优化钻井状态。

神经网络模型的建立,采用油田测试的钻井动态资料。

油井测试包括了在不同岩层钻进时的各种测试。

基础模型的训练和调谐使用了钻进时实时记录的地面及井下动态数据。

BHA的动态测量数据由井下振动传感器获取。

这些数据,代表修正地面控制参数产生的影响,记录在井下工具的内存里。

这个测试数据集合中具有代表性的部分,连同相应的输入/输出数据集合,用来建立和训练这个模型。

测试的结果是肯定的:神经网络所预测的BHA动态行为和实际测量相当符合。

此外,测试确立了准则以选取最重要的输入/输出参数,并选取建立训练这一模型的代表性数据。

这个分析演示了一种模拟、预测复杂多参数钻井系统动态行为的可靠方法。

这种方法可能成为传统的分析或直接数值模型的替代者。

它的应用可以扩展到钻井动力学以外,而应用到钻井控制和优化这些领域。

关键词:神经网络井下钻具组合(BHA)动态预测控制参数钻井系统模型优化译自 SPE 56442引言钻井力学革命性的一步是智能井下振动“随钻测量”工具的发展和引入。

这些先进的工具实时地测量井下钻柱振动并传送主要的信息给司钻。

通过使用MW D工具而形成闭环钻井系统,这一革新性概念最初是由Hut chi nso n等人提出的。

Hesig 等人以油田现场的成果,发展和支持了这一概念。

这个方法的基本想法是实时地提供给司钻井底钻头和BHA的行为信息。

带有多个传感器的随钻测量工具获取并处理测量的数据,产生可以量化振动是否导致钻井故障的诊断参数。

这些参数通过自动测量记录立即传送到地面。

神经网络技术在测井曲线重构中的应用

神经网络技术在测井曲线重构中的应用
成 地 震 记 录 的 时 候 , 消 除 井 眼 垮 塌 对 测 井 曲线 的 影 响 ,得 到 反 映 地 层 真 实 物 性 的 曲 线 成 为 首 要 问题 。 基
于 神 经 网络 技 术 的 测 井 曲线 重 构 技 术 改 善 了合 成 地 震 记 录 质 量 ,得 到 了不 错 的效 果 。
【 H l)一 ( 下) ( 下) A( F H IH D
() 1
式 中 , H。 为井 眼垮 塌处 地 层 单 元 的速 度 , sp H。 ( ) m/ ;( )为 井 眼垮 塌 处 地 层 单 元 的密 度 ,/ m。 H ) gc ; ( 为井 眼垮 塌处 上部 相 邻 地 层 单 元 的 速 度 , sp H上)为井 眼垮 塌 处 上 部 相 邻 地 层 单 元 的 密 度 , /m。 m/ ;( gc ; ( )为井 眼垮 塌处下 部 相 邻地 层 单 元 的 速度 , s1 H下 H下 m/ ; ( )为井 眼 垮 塌 处下 部 相 邻 地 层 单元 的 密度 , 0

9 ・ O
石 油 天 然 气学 报 ( 汉 石 油 学 院 学 报 ) 江
2 1 年 3月 01
当用 雷克 子波对 反射 系数做 褶积 正演形 成合成 地震记 录 时 , 必有 :

T| 2
l (上)= l G() F rR上d < 0 r
( 波谷 )
( 4)
gc 。 / m。
由于 井眼垮 塌 的影响 , 密度 测井 仪器测 得 的 l Ho 、( ) l H下)满足 : 0 ( ) 1 H上 、( 0 0
f H。)< f( P) p( D H
{H) H ) ‘ < F p o (_ (

测井曲线自动分层问题

测井曲线自动分层问题

测井曲线自动分层问题
李佳钰;常乐;陆熙
【期刊名称】《能源与节能》
【年(卷),期】2011(000)009
【摘要】分析了井层剖面,叙述了编程和数据处理在Matlab和Excel中应用和绘图在“卡奔”地质研究软件中的应用,提出,模型的可行性以及有效性.
【总页数】2页(P60-61)
【作者】李佳钰;常乐;陆熙
【作者单位】重庆大学城市建设与环境工程学院,重庆401331;重庆大学城市建设与环境工程学院,重庆401331;重庆大学城市建设与环境工程学院,重庆401331【正文语种】中文
【中图分类】P631.81
【相关文献】
1.神经网络法在测井曲线自动分层问题中的应用 [J], 刘春桃;李元军
2.测井曲线自动分层问题 [J], 李佳钰;常乐;陆熙
3.测井曲线自动分层问题研究 [J], 李蓝天;王舒扬;杨勤璞
4.基于测井曲线自动分层的岩性识别方法研究 [J], 吴非;王卫;王佳琦
5.基于极差分析法在测井曲线自动分层问题中的研究 [J], 彭涓
因版权原因,仅展示原文概要,查看原文内容请购买。

BP神经网络在测井解释不同岩性识别中的应用研究的开题报告

BP神经网络在测井解释不同岩性识别中的应用研究的开题报告

BP神经网络在测井解释不同岩性识别中的应用研究的开题报告一、选题背景测井数据是油气勘探开发中不可或缺的手段之一。

而岩性识别是测井资料解释中的重要一环,可以帮助解释师快速准确地了解地层状况,优化井位和井筒设计。

基于传统的手工解释方法,需要依靠解释师的工作经验和专业知识进行判断,容易出现主观性和误判。

而 BP 神经网络作为一种强大的数据处理和分析工具,可以自动学习和适应大量的数据,并且不会出现主观误判,因此在岩性识别领域中具有广泛的应用前景。

二、研究内容本次研究旨在利用 BP 神经网络进行测井数据的岩性识别,包括以下具体内容:1. 数据采集和处理:收集不同区域的测井数据,进行数据清洗和预处理,如去除异常数据、缺失数据的填补等。

2. 数据特征提取:参考文献,了解研究成果,将测井数据转换为具有区分度的特征,并进行特征筛选和优化,提高模型的识别率。

3. 岩性分类模型的建立:将处理后的测井数据作为模型输入,选择适当的 BP 型神经网络进行建模,针对训练数据进行网络拓扑、权值和阈值的优化等。

4. 模型测试和分析:对建立的分类模型进行测试和分析,包括模型识别率、预测精度、泛化能力等指标的评估,为实际应用提供参考。

三、研究意义1. 提高测井解释效率:BP 神经网络可以自动学习、分类数据,减轻解释师的工作量,提高解释效率,降低油气勘探开发成本。

2. 提高岩性识别准确率:BP 神经网络具有自适应性和非线性映射的能力,使其可以更好地处理海量的测井数据,提高岩性识别准确性和可靠性。

3. 推广 BP 神经网络在石油勘探领域的应用:通过本次研究,进一步推广 BP 神经网络在石油勘探领域的应用前景,为行业的信息化建设和智能化探索提供支持和指导。

四、研究方法1. 理论研究:收集文献,了解 BP 神经网络的基本原理、特点和应用,进行理论研究和基础知识学习。

2. 数据采集和清洗:收集不同区域的测井数据,进行数据清洗和预处理,完成各项指标的归一化和标准化。

基于小波神经网络的测井自动分层(全文)

基于小波神经网络的测井自动分层(全文)

基于小波神经XX络的测井自动分层关键字:自组织特征映射神经XX络(SOM);小波分析;测井自动分层XX:1006-3315(20XX)08-140-0021.引言在地球物理勘探中需要利用测井资料了解地下地质情况,其中测井曲线分层是首先要完成的基础工作,马上测井曲线构制成规则的矩形化曲线[1,2],以便与地质单层相对应。

通常,根据地质结构的特点和地层的变化对井分层是通过人工来进行的,但人工分层存在诸多缺漏点。

相对于人工分层,自动分层可以幸免人为分层的随意性,并可在很大程度上提高工作效率。

另一方面,希望通过自动分层处理,与人工分层的结果进行比较分析,进一步提高分层精度。

2.数据背景本文所使用的数据均来自20XX年全国大学生数学建模夏令营C题。

3.小波神经XX络综合模型3.1数据预处理――小波变换去噪简单的归一化处理是必须的,但已不能完全满足数据处理精准度的要求,由于地质层物质的复杂性和打井器械剧烈抖动的影响,容易使得真实数据中参杂很多的噪声,因此对数据进行去噪很有必要。

测井参数曲线是一维的,故用小波的一维信号去噪。

含噪的一维信号模型可以表示如下:k式中s(k)为含噪信号,f(k)为有用信号,e(k)为噪声信号,r为噪声信号的强度系数。

s(k)通过小波变换后得到离散细节信号和离散逼近信号,噪声的离散细节信号的幅值和方差随着变换级数的增长而不断减少,对于所有尺度,自噪声的离散细节信号的系数方差随着尺度的增加会有规律地减少,但有用的信号小波变换的平均功率与尺度没有关系。

利用这一特性,可选择一阀值,对小波变换后的系数进行处理从而达到降噪目的。

3.2模型建立将测井曲线的数据进行预处理后,利用小波变换取得低频参数,在利用自适应神经XX络算法进行分层,最后给出模型的可靠性和稳定性的分析。

自组织神经XX络-小波变换:自组织特征映射(Self-Orgniztion Mp,SOM)神经XX络就是一种无导师监督学习XX络,它通过降维对输入层数据进行反复学习,使连接权矢量的空间分布能够反映输入模式的统计特性。

基于循环神经网络的测井曲线生成方法实验对比研究

基于循环神经网络的测井曲线生成方法实验对比研究

基于循环神经网络的测井曲线生成方法实验对比研究
邢强;王海霞;王志美
【期刊名称】《国外测井技术》
【年(卷),期】2024(45)2
【摘要】循环神经网络已广范应用于测井缺失曲线生成及孔渗饱等物性参数预测。

本文以存储式测井自然电位曲线生成为研究背景,构建Y油区数据集,包括训练集、验证集和测试集,分别采用RNN、GRU和LSTM网络,进行了实验研究。

通过实验数据的对比和分析,表明在本文的研究背景下,三种循环神经网络的性能基本一致。

【总页数】4页(P44-46)
【作者】邢强;王海霞;王志美
【作者单位】中石化经纬有限公司胜利测井公司
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于RSD方法随钻测井曲线实时对比技术研究
2.基于循环神经网络的测井曲线
生成方法3.基于测井曲线小波变换的煤系地层对比方法研究4.基于循环神经网络
的测井曲线重构技术研究5.基于循环神经网络的测井曲线生成方法实验对比研究因版权原因,仅展示原文概要,查看原文内容请购买。

计算机神经网络技术在综合录井油气层判别中的应用

计算机神经网络技术在综合录井油气层判别中的应用

计算机神经网络技术在综合录井油气层判别中的应用
罗平
【期刊名称】《录井技术》
【年(卷),期】1998(009)002
【摘要】利用神经网络技术B-P算法,把综合录井的多种数据综合起来,来解决过去油、气、水层判别准确率不高的问题。

该软件系统经45口井359个层位的数据训练,达到了预想的目标,通过实际验证和试生产,总体解释符合率达到94.5%,能够更有效地体现录井手段在现场快速评价油、气、水层方面的优势。

该技术的应用,提高了录井资料解释、应用的水平。

【总页数】5页(P22-26)
【作者】罗平
【作者单位】胜利石油管理局地质录井公司
【正文语种】中文
【中图分类】TE142
【相关文献】
1.录井资料在乌南-绿草滩油气层解释评价中的应用 [J], 张晓晖;严卫兵;张世扬
2.录井资料在王集油田西南缘油气层综合解释中的应用 [J], 周长春
3.地化录井油气层判别模型及其在科尔沁油田的应用 [J], 孟元林;肖丽华;张庆昌;侯创业;李太浩;郝翠娟;张崇刚;李戈
4.录井测井综合评价油气层方法研究及应用 [J], 高春绪;俞国鹏;章国华;吴华明;秦曦;肖新星
5.油气层录井测井结合评价中多元判别分析与应用 [J], 郭素杰; 黎铖; 姜维寨; 李毅逵; 蔡军; 王秋爱; 王志成
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

Vo . 4 N O 5 12 . 2 I 01

大 学教 学 ・
神 经 网络法 在 测 井 曲线 自动分 层 问题 中的应 用
刘 春 桃 李元 军
( 京 航 空 航 天 大 学 理 学 院 ,南 京 2 1 0 ) 南 1 10

要 : 地球 物 理 勘 探 中需要 利 用 剥 井 资 料 了解 地 下 地 质 情 况 , 中 测 井 曲 线 分 层 是 首 先 在 其
例 2 线 性 函 数 和 饱 和 线 性 函 数
对 于输 出层 , 有 0 ^一 f( e nt)
n e 一∑ y t
对 于 隐层 , 有
图 3 线 性 函数 和饱 和线 性 函数 图
( )为线性 函数 Y= ,( ) “ c = “ 一 , : ( 为 ) 饱 和 线 性 函 数 Y 一
要 完 成 的 基 础 工 作 。神 经 网 络 法 建 立 测 井 曲 线 自动 分 层 模 型 , 算 方 便 , 果 客 观 性 较 强 , 层 结 计 结 分
果精确 。
关 键 词 : 井 曲 线 ;自动 分 层 ;b 测 p神 经 网络 中图 分 类 号 : 6 1 P 3 文献标 识码 : A 文章 编 号 :0 6 3 3 2 1 ) 5 0 6 - 0 1 0 —7 5 ( 0 1 0 - 0 3 3
使用 l 3口井测 井 数 据类 型 的公 共 交 集 作 为测 井
原 始 数据 。 于一 些 无 效 数 据 较 多 的 行 , 其 作 对 将
为无 效 行 直 接 去 掉 , 免 对 分 层 的 准 确 度 造 成 以
影响。
2 数 据 的 处 理 2 1 一 般 神 经 元 .
U ∑ W. 厶 1 X i

r… r一 二二
图 2 硬极 限 出 数 的 两 种 情 形 图
.二 一 .一 : — — /
(为 厂 ) f < ,) 一 口 一 (一  ̄ (为 ) “ 1 。6 ,0 u 厂, g 一 , 。 c一 , f “ c
图 1 一 种 简 化 的 神 经 元 结 构 图

() z 2
其 中, W 一 ,o一一 1 X
2 2 神 经 元 的 不 同 输 出特 性 . 例 1 硬 极 限 函 数
人 工神 经 元是 神 经 网络 的基 本 处 理 单 元 。 它
是 对生 物神 经元 的简 化 和 模 拟 。 1给 出 了一 种 图 简化 的神 经元 结构 :
一 ( 1, … , O, 0, 0)
第 1 类 长 9 地 层 定 义 输 出 为 y 5 2
一 ( 0, , 1) O, … 0,
相 差 比较 大 , 过仍 然 在 可 接 受 范 围 内。 以我 不 所
们认 为 , 建 立 的模 型基 本 符 合 要 求 , 以投 入 所 可
出 层 第 k个 神 经 元 对 应 的权 向量 。
64
第 1类

长 3 地 层 定 义 输 出 为 y 1
( 0, … , 1, 0, 0)
第 2 4卷第 5期
21 0 1年 1 0月
高等 函授学 报 ( 自然 科学 版 )
J u n l fH ih rCo r s o d n e Ed c to Na u a ce c s o r a g e r e p n e c u ain( t r lS in e ) o
Vo . 4 No 5 12 .
2 l O 1

2 类
长 3 地 层 定 义 输 出 为 3

通 过 对 2 3 4号 中 自动分 层 和 人 工 分 层 结 、、 果 的对 比 , 现 自动 分 层 在 中 等 深 度 的 部 分 分 发 层 结果 与人 工 分 层 基 本 吻 合 , 较 深 与 较 浅 处 在
期 望 输 出 向量 为 d 一 ( , … , 输 人 层 到 。d , d ) 。 隐 层 之 间 的 权 值 矩 阵 用 y表 示 , 一 ( , … , V V。V , Vm , 中 列 向 量 V 为 隐 层 第 个 神 经 元 对 应 的 )其 权 向 量 ; 层 到 输 出 层 之 间 的 权 值 矩 阵 用 w 表 隐
Y — f(e J一 1 2 … , nt) ,, m
, 一
() 5
∑ z J , …, ( f 一1 , m 6 2 )
厂 )丢 1 1 I 1 (一 ( + “ I 一I — )
例 3 imod l函数 Sg ia

式 ( ) 式 ( )中 , 3, 5 转移 函数 f( 分 别为单 极 x、 性 Sg od函数 ( ) im i e 双极 性 Sg i 函数 ( ) imod , 。
要 判 断 , 文 中取 出输 出 y 最 近 1的 数 和所 在 位 本 置 i然后 判 断 它 和 1的绝 对 值是 否 比较 小 , 果 , 如 比较小 就认 为 它 属 于 第 i , 则 它 不 属 于 任 何 类 否
类 。 后判 断 相邻 的输 出 如 果 相邻 输 出基 本 属 于 然 第 i , 明这 个 区间 属于 第 i 。 t b 程 以 1 类 说 类 mal 编 a
反 向误差 传递 算法 求 出每个神 经元对 应 的输 人权
重 和 阈值 , 可得 到一个 训练 好的神经 网络 。 可 便 便
E 軎 d一 一 ∑{ 丌∑wfn ) i(t] 一 , e }
‘ ^一 1 一 、 一0 一
以用 它来 对共 他输 人参 数求解 。
丢1 一 j ∑ ^
应用 。
对 于 1号 井
开始 测 井 的深度 位 置到 8 7 8为 1 井 的样 5. 号
本空 间 。
下 面是 利用 建立 的模 型 对 1 一 1 O 3号 井 进行 自动 分层 的结果 。
第 1 长 3 地 层 对 应深 度 E o . 2 ,9 ] 类 1 2 1 4 5 2 4
首先将 长 3 、 3 、 3 、 4 、 4 、 6 、 1 长 2 长 3 长 1 长 2 长 1
长 6 、 6 、 7 、 7 、 7 长 8 、 8 长 2 长 3 长 1 长 2 长 3、 1 长 2、
9 、 9 地 层分 为 十五类 。 1长 2
示 , = ( , , , ) 其 中列 向量 W 为 输 W w。W。 … W ,
第 2类 长 3 地 层 对 应深 度 [ 9 ,3 ] 3 2 4 3 0

第 1 5类长 9 2地 层对 应 深度 [ 1 ,5 . ] 用 84 8 78 ,
这 些作 为样 本训 练 神 经 网络 。 对 于训 练后 的神 经 网络 , 预测 过 程 中输 出 在
的可 能不是 Y 一 1 一 0 ≠ 的标准 型 , , , 我需
1一
E ∑ ( fn )一 一告 一 (t e)
。 。
,( 一 “)


2 3 一 般 三 层 .
神 经 网络 框 架
丢f 厂, 伽。 、 [一 ( I 一
将式 ( ) 开至输 入层 , 8 展 有
() 8
B P神 经 网络 模 型 拓 扑 结 构包 括 输 入 层 、 隐 含层 和输 出层 。 给定 每层 神经元 的传递 函数 , 过 通
线 性元 件 , 其输 入 /输 出关 系可 描述 为
l 合 理 的假 设
为 了使研 究 方便 , 文 选 取 2 1 本 0 1年 辽 宁 、 吉
林、 黑龙 江等 三省 建模 C题 的数 据 进行 研究 , 何 如 进行 大 量数据 处理 , 出所 需数 据 , 研究 能否 成 提 是

第 2 4卷 第 5期 21 0 1年 1 O月
高 等 函授学 报 ( 自然科 学版 )
J u n lo ih rCo r s 0 d n eEd c to ( aurlS in e ) o r a fH g e r e p n e c u a in N t a ce c s
从 图 2中可见 , 它是 一个 多输 入 、 输 出 的非 单
收 稿 日期 : 0 1 0 —0 . 2 1- 7 1 作 者 简 介 : 元 军 ( 9 6 ) 男 , 读 硕 士 研 究 生 , 究 方 向 : 算 数 学 李 18~ , 在 研 计
6 3
第 2 4卷第 5期
21 0 1年 1 O月
功 的一个 关 键 所在 , 此 , 出如 下 合 理 假 设 : 为 做 ① 在所 研究 的范围 内 , 一 种地 层 具 有 一 组 特定 的 每 测井 参数 值 。 在所研 究 的范 围 内 , 地层 性质 的分 布
是 均 匀 的 。 为 了 保 证 测 井 标 准 的 统 一 性 , 以 ② 可
式 ( )~ () 同 构 成 了 三 层 神 经 网 络 的 3 6共
数 学模 型 。


24 .
网络 学 习算法 ( 差反 向传 播算 法) 误
£ I ●
I 1 ,
当网络输 出与 期望 不等 时 , 在输 出误 差 E, 存
定 义如下 : Y 一
E == 1 =


l Y一 厂( ) 其 中 ( = 1 2 … , 是从 其 它细胞 传来 的 , , )
输 入 信号 , 阈值 , 系数 W 为 权 表示 连 接 的强 度 , 说明 突触 的 负 载。 ( 厂 )称 为 激 发 函 数 或 作 用 函数 。
为 了方 便 , 时将 看成 是对应 恒 等于 1 有 的输 入 3 7 。的权值 , 时公 式 上式 的和式 变为 : 这


相关文档
最新文档