基于神经网络算法的人工蜂群算法在地层岩性识别中的应用.pdfVIP

第 卷 第 期 重庆科技学院学报 自然科学版 年 月 基于神经网络算法的人工蜂群算法 在地层岩性识别中的应用 张庆丰 周子杰 杨贵康 张密华.青海油田公司边远油田开发公司.敦煌; .西南石油大学,成都 摘 要:合理确定地层岩性对合理选择钻头类型、快速建立岩性剖面、及时发现油气层和卡准取心层位有着重要意 义。以录井资料为基础,结合已钻井的测井资料,根据 神经网络和人工蜂群算法,建立基于 神经网络算法的人 工蜂群算法模型。应用该模型在青海油田某区块进行地层岩性随钻识别试验,试验结果与测井资料解释结果相比, 符合率可达 . %。 关键词: 神经网络;人工蜂群算法;岩性;测井资料 中图分类号: 文献标识码: 文章编号: ? ? ?地层岩石的物理力学性质和矿物成分性质是实 高精度的非线性数学模型隐式。因此,选用三层现科学快速钻井的基础数据,它直接反映了岩石在 神经网络 图 ,如公式 所示:输人为声波测井、 外力作用下,从变形到破坏过程中表现出来的特性。 伽马测井和密度测井的数据,隐层选 个神经元,输 钻井地层岩石是矿物颗粒的集合体.每种矿物在岩 出层为岩性参数。 石中的含量、分布状况、组织结构以及岩石的成因是 ∑∑ 一岩石分类的基础。岩石矿物成分鉴定分析为破岩工 卢 具设计和选择.钻井参数和钻井液的设计提供了理 式中: 一均方差; 输出节点; 一样本总数; 卜 论依据。近年来,神经网络算法应用于地层岩性的 期望输出值;】,, 一实际输出值。 识别取得了较好的效果,但该方法仍有较大的误 隐层 差。本文建立了基于 神经网络的人工蜂群算法. 输入层 输出层 用于预测地层岩性。 神经网络 测井曲线与岩性之间的关系非常密切.且十分 复杂,是高度非线性的,很难用一些确定的表达式来 加以定量描述。神经网络具有很强的学习功能、容 错性和抗干扰能力.能够完成输入与输出之间复杂 图 地层岩性 神经网络预测模型 的非线性映射。可以充分利用岩性与测井响应之间 的关系和神经网络来求解这类问题.不需要建立模 人工蜂群算法 型。也可避免分析过程中人为的误差。 由于 神经网络既不需要对测井变量进行复 人工蜂群算法是一种启发式算法。通过模拟自 杂的变换,又不需要预先人为给定某种回归公式如 然界蜂群觅食过程来解决现实中的优化问题。算法 对数或指数形式来进行多次筛选,就能够建立一种 中将每只蜜蜂看做一个智能体,若干智能体间相互 收稿日期: ? 基金项目:青海油田公司边远油田开发公司项目 ?作者简介:张庆丰 一 ,男,河北保定人,硕士,工程师,研究方向为油田开发。张庆丰,周子杰,杨贵康,张密华:基于神经网络算法的人工蜂群算法在地层岩性识别中的应用 解新的蜂源位置 通过 选择和评价;④确定放 合作,高效地完成对目标的搜索、优化。在蜂群搜索 弃的解 食物源位置 ,如果存在,则采用式 随 食物源的过程中,搜索和采集同时进行,侦察蜂执行 机生成一新的解‰替换它。 搜索任务,引领蜂和跟随蜂执行采集任务。引领蜂 步骤 :条件满足,循环中止。 和跟随蜂的数量等于蜂群数量。当引领蜂的食物源 采用人工蜂群算法优化 算法的连接权值 被采集完后.它就变成侦察蜂。 年? 人工蜂群算法允许食物源包括许多单独的个 将 蜂 群算 法体,这些个体概率均需在规定的准则下发展,直至食应用到工程问题上。 ~ 年 物源满足最大的设定值。优化后的目标要使其均方提出系统的蜂群算法.并采用蜂群算法 训练人工神经网络,取得良好的应用效果Ⅲ。在人 差最小。人工神经网络的学习过程由两个阶段组成: 首先.人工蜂群算法为 神经网络搜索最优的或 工蜂群算法中,食物源的位置表示待优化问题的一 个可行解,食物源的丰富程度代表解的质量,即适 接近最优的连接权值和门槛值:然后使用 神经 网络学习准则和训练算法,以适应最终的权值。我们 应度 。搜索过程 定义一个训练样品的最佳函数: 随机生成 个可行解并计算函数值。将函数值从优到劣排名。前 %作为蜜源位置即引领蜂,后 当人工蜂群算法在神经网络的进化权值中使用%为跟随蜂。随机生成一个解 ,其中 , ,? , 时,每一个蜜蜂产生一个权重。 // ,为 维解向量的某个分量。侦察蜂发现一新的 地层岩性预测算例 食物源可用式 表示: 一? ,将青海油田某区块的 口井的声波测井、伽马 蜜蜂记录自己到目前为止的最优值。并在当前 测井和密度测井数据作为输入层,对该区块的岩性 蜜源附近展开临域搜索,产生一个新位置替代前一 进行计算。图 为某 井 ~ 井段的岩 位置的公式为: 性与伽马、声波和密度的分布图。该层段以泥岩为? ?主,夹砂岩、泥页岩,砂岩中钻速较高,泥岩和泥页岩 式中: 一随机生成且 ≠; 为一 , 之间的随 中钻速较低。 机数。 机械钻