测井识别岩性的新方法：自组织神经网络法.pdfVIP

维普资讯 江 汉 石 油职 工 大 学 学报 2006年 11月 JournalofJianghanPetroleumUniversityofStaffandWorkers 第 19卷 第6期 测井识别岩性的新方法：自组织神经网络法 贺新蔚 ，杜 飙 ，王建伟。，马火林 (1．中国地质大学(北京)，北京 100083~2．中国石化集团江汉石油管理局测录井工程公司，湖北 潜江 433123； 3．中国石化塔里木油田分公司勘探开发研究院，新疆 库尔勒 841000) [摘 要] 利用 自组织神经网络对测井数据进行岩性识别，具有较强的自组织性、适应性和较高的容错能力，与其他 神经网络算法相比，计算量小、收效速度快。实验结果表明：自组织特征映射神经网络对测井数据进行岩性识别是可 行的，而且识别率较高，是一种行之有效的岩性识别的好方法。 [关键词] 测井资料；神经网络；岩性识别；模式识别 [中图分类号] TE357．8 [文献标识码] B [文章编号] 1o09—301X(2o06)06一o054—02 利用测井资料识别岩性是一种特殊的模式识别问 的匹配程度。如果要求最佳匹配，须满足： 题。传统的岩性识别技术主要基于交会图技术和统计学 y晴(￡)一rnin(y~(￡))，= 1，2…，c (2) 理论，如主成分分析、聚类分析等。近年来人工神经网络 (2)然后，在该节点及其拓朴邻域下调整权系数 方法如反向传播算法等应用于岩性识别，取得了一定的 (￡+ 1)一 (￡)+a(￡)×(X (￡)一W (￡))，∈ 效果[1]。本文利用自组织神经网络对测井数据进行岩性 NE (￡)，1≤ ≤M (3) 识别，该方法具有较强的自组织性、自适应性，有较高的 上式中a(t)为学习参数，NE(t)为节点j的拓扑近 容错能力，与其他神经网络算法相比较，计算量小，收效 邻。 速度快，且不需要已知的先验信息而自动确定分类。 下面是 自组织神经网络的学习算法： 1 基本原理 第一步 初始化权系数 (1≤i≤M，1 ≤c)为随机 1984年， Kohonen提出了著名的自组织特征映 小正实数，设置迭代次数T，初始化学习参数a(0)，0a 射人工神经网络，认为一个神经网络接受外界刺激时将 (0)1，初始化近邻NE(0)，置初始迭代次数t=O。 分为不同的区域，各区域对输入模式有不同的响应特征， 第二步 输入一新的模式 。 同时，这一过程是 自动完成的[2]。 第三步计算模式与各权矢量的距离 自组织神经网络是一种无监督的聚类网络，它所形 一 ∑(^一wo)，J=1，2…，c (4) 成的聚类中心能够映射到一个平面或曲面上而保持拓 第四步 选择dj最小的节点j为竞争获胜节点。 朴结构不变，可 以对 目标的固有特征作出客观的划 第五步 根据(3)式修改节点j及其近邻 (t)的 分[3-4]。自组织神经网络的结构如图1所示。 权系数。 第六步 判断是否已输入所有模式，否则转第二步。 第七步 t—t+1，修改学习参数a(t)及近邻NE(t)， 层 若 tT，转第二步，若 t=T则停止。 层)