一种基于SOPNN的分类模型及其在测井水淹层识别中的应用.pdfVIP

大 庆 石 油 学 院 学 报 第 32卷 第6期 2008年 12月 JOURNAIOFDAQINGPETROLEUM INSTITUTE VoI_32 No．6 Dec． 2008 一 种基于SOPNN的分类模型及其 在测井水淹层识别 中的应用 邹涛峰 (大庆油 田有限责任公司 第七采油厂 ，黑龙江 大庆 163517) 摘 要 ：针对测井曲线小层水淹层 自动识别 ，提出一种基于 自组织过程神经 网络 (Self—OrganizationPNN，SOPNN) 的动态判别模型和方法．SOPNN 由输入层和竞争层组成 ，其输入和连接权为与时间有关的函数．网络可将小层连续测 井曲线作为输入 ，自动提取曲线所对应 的形态和幅值特征，并对其进行 自组织 ，在竞争层将分类结果表示 出来．给 出 SOPNN竞争学习和有教师示教2种学习算法，对实际测井水淹层资料进行处理，正确识别率可达79．25 ． 关 键 词 ：SOPNN}学 习算法 ；模式识别 ；测井曲线 ；水淹层 中图分类号 ：TP183 文献标识码 ：A 文章编号 ：1000—1891(2008)06—0097—03 0 引言 基于测井资料的水淹层判别 ，其依据是反映地层地球物理性质随深度变化的各种测井 曲线的形态和 幅值特征及其组合关系，输 出为水淹级别 川‘．因此，建立能够实际反映研究 区域内油层水淹状况与测井响 应曲线之间对应关系的判别模型，以及完整 、客观地提取测井曲线形态特征是进行水淹层 自动识别的关 键_l2]．自组织过程神经网络 (self—OrganizationProcessNeuralNetwork，SOPNN)是一种能够直接处 理时变过程信号的人工神经网络模型口 ]，输人是时变信号 ，输出为模式类别．SOPNN是一种两层结构 的过程神经网络模型，采用 自组织竞争学习算法 ，可从一组时变数据中提取有意义的特征或 内在的规律 性 ，在机制上对过程模式分类和优化组合等问题具有很好的适应性．笔者提出一种基于 SOPNN 的测井 水淹层 自动识别方法 ，建立适合于测井资料实际处理的信息处理模型，对敖包塔地区油田加密井测井资料 进行处理 ，应用效果 良好． 1 SOPNN模型 SOPNN 由输入层和过程神经元组成的竞争层构成．输入层各节点与竞争层各节点之间实行全互连 接，其输人信号和网络连接权可为时间函数．网络 自适应提取输入函数所隐含的模式特征，并对其进行 自 组织 ，在竞争层将作用结果表现出来． wr) 设网络输入层有 个时变信号输人节点，输入信号空间属于 (C [0，T])”，[0，T]为信号输入过程 区间；竞争层包括 个过程神经 m 元，输出为代表模式类别的向量．设系统输入函数为 X(￡)一(z (f)， 2 (￡)，…，z(￡))，网络拓扑结构见图 1．其中，W (￡)(i—l，2，…，； 一1，2，…，)为输人层节点 i与竞争层过程神经元节点 的连接权 函数 ，Y，为过程神经元 的输出．由图 1可得，输入层各节点 向竞 输入层 竞争层 图1 自组织过程神经网络 收稿 日期 ：2008—1O一10；审稿人 ：刘显德 ；编辑 ：郑丽芹 基金项目：黑龙江省 自然科学基金项 目(ZA2006—11)；黑龙江省科技攻关项 目(GZ07A103)；黑龙江省普通高等学校骨干教师创新能 力计划项 目(105GO02) 作者简介 ：邹涛峰(1975一)．男 ，工程师 ，主要从事油藏工程、油田动态分析方面的研究． ·97 · 大 庆 石 油 学 院 学 报