人工神经网络在岩性识别中的应用研讨.docx

?

?

人工神经网络在岩性识别中的应用研讨

?

?

摘要：岩性识别是复杂岩性油气藏储层评价的一个重要环节，针对常规测井交会图法识别岩性时常存在多解性和不确定性，岩性识别效果不理想等问题。本文系统分析和总结了近年来快速发展的人工神经网络技术在测井岩性识别中的应用，以期为岩性识别的准确预测提供一定的参考。

关键词：人工神经网络;深度信念网络;随机森林法、支持向量机;岩性识别

测井岩性识别是复杂岩性油气藏储层评价和预测的重要工作之一。传统的岩性识别方法有岩屑录井法、钻井取心法、常规交会图法等。直接对岩心进行实验测量是最准确的岩性识别方法，但需要耗费巨大的时间和金钱成本，且钻井取心难以做到对油田中测井剖面地层的完整描述，在实际生产应用中往往受到一定限制。测井曲线是地层沉积特征的反应，包含着丰富的地质储层信息，如何快速、高校的利用测井资料进行地层岩性信息的获取越来越受到研究人员的关注。

1人工神经网络

人工神经网络是对生物神经网络的一种模拟和近似，是由大量神经元通过相互连接而构成的自适应非线性动态网络系统。作为一个十余年来快速发展的领域，受到了越来越多研究者的重视，它在特征提取和建模上都有着较传统方法明显的优势。利用大量的数据训练模型，以学习复杂而有效的信息。不仅可以学习特征之间的关联，还能自动地从简单特征中提取更加复杂的特征，从而解决复杂的非线性问题。它有效解决了以前人工智能中难以解决的一些关键问题，且在目标检测、自动驾驶、自然语言处理、语音识别等领域成功应用，并且也成为地球科学特别是油气地球物理勘探领域的一个非常吸引人的新技术。近年来，无论国内还是国外，随着深度学习逐渐崛起，围绕深度神经网络的研究越来越多。很多学者进行了深入研究，提出了一些人工神经网络方法进行测井岩性识别。

2人工神经网络与岩性识别

2.1随机森林

随机森林法（RandomForests，RBF）于2001年由Breiman提出，并随之成为数据挖掘领域中的重要一员，可用于分类和回归分析。RF由多个决策树組合而成，相当于组合很多的非线性关系形成更加复杂的非线性关系，有效地克服了单一决策树容易出现过拟合的问题。决策树本质上是一种非参数非线性的智能算法，采用递归分割的方法将样本数据分割为不同的子样本集，形成一个类似于树状的模型。RBF具有很高的预测准确率，对异常值和噪声数据具有较高的容忍度，不容易出现过拟合，克服了传统预测方法信息和知识的获取方式间接、费时且效率低下的缺点，已在储层岩性识别中得到较广泛的应用[1]。

2.2支持向量机

支持向量机（Supportvectormachine，SVM）是Vapnik等人于20世纪90年代中期提出的一种基于统计学习理论的人工神经网络学习算法，是基于结构风险最小化原理的分类器。支持向量机在解决具有小样本、非线性一级高维非线性模式识别中具有许多较传统方法独特的优势，其综合考虑分类器的经验风险和置信风险，利用核函数解决非线性分类问题，能够保证模型获得全局最优解，从理论上有效克服了无法避免的局部极值问题，在一定意义下具有最好的泛化能力。利用支持向量机（SVM）结构简单、泛化性能高等优点，综合考虑测井资料与储层储层岩性之间的非线性映射关系，已有研究者将其应用于测井岩性识别，以挖掘地震数据中事先未知的、潜在的信息以预测油气藏的分布规律[2]。

2.3深度信念网络

深度信念网络（DeepBeliefNets，DBN）是由Hinton等人在2006年提出，是人工神经网络的一种。DBN作为一种特殊的人工神经网络，神经元是其必不可少的组成部分，其由若干层神经元构成，组成元件是受限玻尔兹曼机（RBM）。受限玻尔兹曼机（RBM）是一种神经感知器，由一个显层和一个隐层构成，显层与隐层的神经元之间为全连接。深度神经网络神经元间的连接模式受启发于动物视觉皮层组织，而深度信念网络则是其中一种广泛应用的结构，具有较强的鲁棒性以及容错能力，且也易于训练和优化。既可以用于非监督学习，类似于一个自编码机;也可以用于监督学习，作为分类器来使用。从非监督学习来讲，其目的是尽可能地保留原始特征的特点，同时降低特征的维度。从监督学习来讲，其目的在于使得分类错误率尽可能地小。而不论是监督学习还是非监督学习，DBN的本质都是FeatureLearning的过程，即如何得到更好的特征表达。基于这些优越的特性，DBN在各种信号和信息处理任务中的性能优于简单的神经网络结构，已有研究者成功将其应用于测井岩性识别，并取得了较传统方法更高的准确度[3]。

3结论与展望

本文主要介绍了随机森林法（RBF）、支持向量机（SVM）、深度信念网络（DBN）及其在测井岩性识别中的应用，各种方法均较传统方法获得了更高的识别准确率，但也存在一定的适用范围。近年来许多学者