基于径向基神经网络的测井资料岩性识别.pdfVIP

维普资讯 第 10卷 第 3期 重庆科技学院学报 (自然科学版) 2008年6月 基于径 向基神经网络的测井资料岩性识别 陈 潮 魏茂安 (1．浙江警察学院，杭州 310053；2．胜利油田钻井工艺研究院信息中心，东营257017) 摘 要：测井资料中包含丰富的地层岩性信息，是岩性分析的基础资料。数理统计等传统方法难以准确地反映测 井资料与地层岩性的非线性映射关系，而具有分布处理 、自学习、自组织和高度非线性的神经网络能够较好地解决 这个问题。将径 向基神经网络应用到测井资料岩性识别 中，结合准噶尔盆地某井的实际测井资料和岩性剖面资 料 ，建立基于径向基神经网络的岩性识别模型。实际应用表明，径向基神经网络可以用来进行岩性识别 ，收敛速度 快 ，且识别正确率较高。 关键词：径向基神经网络；测井资料 ；岩性识别 中图分类号：TE357 文献标识码：A 文章编号：1673—1980(2008)03—0008—02 自从 1982年Wolf等人首次提出根据测井资料 1 径向基神经网络 自动判定地层岩性以来，利用计算机 自动进行岩性 识别已成为测井技术和钻井技术发展的重要方向。 径向基神经网络是由输入层、隐含层和输出层 目前，主要有以下几种岩性识别方法：(1)概率统计 构成的三层前向网络，如图 1所示。其中输入层和 方法_1；(2)聚类分析方法[；(3)人工神经网络方 输出层分别对应输入向量空间和分类模式，隐含层 法。人工神经网络方法以其 自身特有的样本学习能 由径向基函数节点构成，通常采用的基函数为高斯 力获得识别模式，以与岩性相关的测井资料作为神 核函数，形式如下 经网络的输入参数，已知岩性种类作为输出总数。 (z)一exp(一上 )，(一1，2，…，)(1) 前两种数理统计方法，两者的差别只是参数选择的 、 ， 要求不同。人工神经网络具有很强的自组织性、自 其中：，为隐层第 个单元的输出；5ff为输入向量； 适应性、容错性和推理思维能力，人们运用神经网络 Cj为隐层第 个高斯单元的中心；E为lt×1的单位 在测井资料岩性识别领域做了大量的研究。卢新 向量； 为 半 径； f1．ff表 示 范 数，通 常 取 卫、金章东_l2]对胜利油田某测井岩性用 BP神经网 llz～cjElI一 (z—cjE)(z～c，E)。 络进行识别，范训礼[3]等用 BP神经网络对塔里木 油田TZ4测井的岩性进行了自动识别。大部分 BP 神经网络应用，识别的正确率都较高。但是基本 BP 算法存在一些局限性，比如网络训练的收敛速度很 慢 ，容易陷入局部极小值点，容易陷入Sigmoid函数 的饱和区，网络的学习和记忆不稳定等；它的一些改 进算法也很复杂。 本文将 径 向基 函数 (radiusbasisfunction， RBF)神经网络应用于测井资料岩性识别，实际应用 表明，该方法克服了BP算法的一些缺点，收敛速度 图1 径向基函数神经网络结构示意图 快，且具有较高的识别正确率。 RBF网络对应于第 k个输出节点的输出为隐 收稿 日期 ：2008—01—12 基金项目：中石化重大科技项 目“基于钻井工程地质数据库的钻井模拟”资助 (JPO4O14)，胜利石油管理局博士后基金资助。 作者简介：陈潮 (1980一)，男，浙江诸暨人 ，浙江警察学院公共基础部教师，硕士，主要从事智能信息处理、模式识别研究。 · 8 · ·