概率神经网络在丽水.docVIP

概率神经网络在丽水 　　摘要：由于海上钻井取芯较少，所以东海陆架盆地丽水—椒江凹陷古新统月桂峰组地层沉积微相识别存在局限。运用概率神经网络对研究区进行沉积微相识别。首先，通过地震相沉积相响应分析和测井曲线主成分分析，发现研究区地震相和沉积相之间存在耦合对应关系，因此选择地震相作为概率神经网络输入项中的范畴自变量参数，同时提取出能对沉积微相区分较好的自然伽马、自然电位、声波时差、密度测井、补偿中子、井径测井曲线值作为概率神经网络输入项的数值自变量；然后，选用2 199个学习样本对神经网络进行训练，经过65次试验，搜索出变量的最佳平滑因子，建立研究区20种沉积微相类型的判别模式；最后，利用建立的神经网络对研究区沉积微相进行识别。结果表明：跟岩芯分析的结果对比，运用概率神经网络识别的结果准确率达到90%以上，该方法应用于未取芯井区域沉积微相的识别具有可行性。 　　关键词：概率神经网络；沉积微相；地震相；判别模式；月桂峰组；丽水—椒江凹陷；东海陆架盆地 　　中图分类号：P628+.1；TE121.3 文献标志码：A 　　0引言 　　沉积相分析是研究沉积环境、寻找隐蔽油藏及油气评价中十分重要的问题。长期以来，沉积环境及沉积相研究主要是通过对钻井取芯、岩屑录井资料的分析来实现的，这不仅成本高、时效低，而且由于海上取芯难度大，取芯井很少，岩屑录井又不准，因而很难做到对油田各井剖面地层沉积相的精确划分和描述。利用地震相研究成果和测井曲线参数，通过神经网络进行沉积微相识别能解决这一问题。 　　神经网络是一种应用类似于大脑神经突触连接结构，进行分布式并行信息处理的算法数学模型，具有非线性、非局限性、非常定性、非凸性4个基本特征，其依靠改变内部结构来对输入和输出间复杂的关系进行建模。神经网络的结构是由大量神经元（又称节点或单元）之间相互连接构成的。每个神经元代表一种特定的输出函数，称为激励函数。每2个神经元间的连接都代表一个通过该连接信号的加权值，称之为权重，这相当于神经网络的记忆。神经网络的输出则因网络的连接方式、权重值和激励函数的不同而不同。因而，神经网络提供了一种取代传统统计判别方法的途径[17]。 　　各种神经网络在神经元内执行的计算以及训练算法上存在差异。在沉积微相识别中，相对于常用的BP神经网络[813]，概率神经网络训练速度快，容错性强，不需要指定拓扑结构（隐含层和隐含节点的数目），而且概率神经网络不仅可以用于分类，还可以返回样本落在其他因变量范畴的概率[14]。基于此，笔者利用概率神经网络对东海陆架盆地丽水—椒江凹陷古新统月桂峰组进行沉积微相识别，以期对该区下一步油气勘探部署、提交油气后备储量以及合理开发油气田提供借鉴。 　　1区域地质特征 　　东海陆架盆地是位于欧亚板块中国东部大陆架东缘的中新生代裂谷型复合盆地，是中国海域最大的含油气盆地之一[15]。丽水—椒江凹陷位于盆地的西南部，东部与雁荡凸起、福州凹陷、闽江凹陷相邻，西部和南部与闽江隆起区相隔，北部与钱塘凹陷相接，面积约23×104 km2（图1）。自中生代以来，该凹陷以聚敛型板块构造为特征，由一系列北东—南西向延伸、平行排列、形成时间向东逐渐变新的构造单元组成，主要包括丽东凹陷、丽南凹陷、丽西凹陷、椒江凹陷以及丽南凸起、灵峰凸起[1618]。古近纪时期，研究区接受巨厚的盖层沉积，自下而上发育古新统月桂峰组、灵峰组、明月峰组以及始新统瓯江组、温州组地层。 　　2沉积体系和沉积微相类型厘定 　　沉积体系指在某一段时间地层单元内，根据物源性质、搬运过程、沉积作用和发育演变，把有内在联系的各沉积相组成起来的一个连续体系，它能与相邻的体系区分开。沉积体系类型及其空间分布规律的研究，对于进行各种尺度的储层预测具有重要意义。沉积体系的空间分布特征主要取决于沉积动力学、气候和物源特征以及构造破坏活动及控制作用等[19]。丽水—椒江凹陷古新统月桂峰组主体为湖相沉积环境，西侧缓坡形成多个三角洲浅湖深湖沉积体系；东侧陡坡由雁荡凸起向西形成扇三角洲浅湖沉积体系（图2）。 　　在参照研究区沉积体系研究结果的基础上，根据有限的钻井取芯资料，依据岩性、沉积构造、生物化石、岩相类型及组合规律详细刻画了岩芯与沉积微相之间的关系和面貌；结合地震相，划分出东海陆架盆地丽水—椒江凹陷月桂峰组典型的沉积微相类型（表1）。 　　3概率神经网络原理 　　3.3训练算法 　　训练神经网络的目的是为了能用一组输入矢量通过预先确定的算法调整网络权值来产生一组所希望的输出矢量。在训练过程中，网络权值是慢慢变更的。训练概率神经网络就是优化平滑因子，以尽量降低训练集的误差，并使用多层感知器优化。训练时用来评估不同组平滑因子的误差标准是根据累加层神经元返回的所有训练样本的所有值计算出来的。这种标准不仅考虑