4110802范存辉-基于测井参数的遗传BP神经网络识别火山岩岩性.docVIP

红色字体是需要作者补充、修改和确认的，请作者在本文基础上用红色字体修改！ 不要修改格式。 基于测井参数的遗传BP神经网络识别火山岩岩性 ——以准噶尔盆地西北缘中拐凸起石炭系火山岩为例 范存辉（西南石油大学资源与环境学院，四川 成都 610500） 姚卫江（新疆油田公司勘探开发研究院地球物理研究所通过信息样本对神经网络训练，不断改变处理单元间的连接强度， （1） 式中，P是网络权值；pi是神经网络连接的权值，采用实编码，将网络的权值、阈值按顺序编成一个长形的染色体个体，然后随机生成初始群体。 2）适应度函数 在遗传算法中用适应度函数值来体现个体的优劣，定义适应度函数为： （2） （3） 式中，T为适应度函数；K是常数，可根据具体问题选定；Z是网络的实际输出值与期望输出值之间的均方误差；R是训练样本总数；Ni是网络的实际输出值；Pi是网络的期望输出值。将编码串构成神经网络，计算训练样本通过该网络产生的误差，确定每个个体的适应度值。 3）选择、交叉、变异 根据每个个体适应度值进行选择、交叉和变异操作，生成下一代群体。然后选择比例算子，每一类中个体被选中的概率与其适应度函数成比例。该次研究采用两点交叉实现交叉算子，交叉概率一般为0.5~1，在该次研究中取交叉概率为0.6；变异概率一般取0.001~0.1，该次研究中变异概率为0.01。再计算每个个体的适应度值，重复选择、交叉和变异操作过程，直到训练目标达到要求为止。 2应用效果分析 该次研究以准噶尔盆地西北缘中拐凸起石炭系火山岩为例，中拐凸起位于准噶尔盆地西北缘克-乌断裂带和红车断裂带的转换部位在石炭纪至早二叠世挤压应力场作用下形成的宽缓鼻状古隆起良好的勘探前景。 AC /μs·ft－1 DEN /g·cm－3 CNL /% Rt /Ω·m 岩性（薄片鉴定） 期望输出 1 金龙5 32.361 53.57 2.668 0.066 4080.137 花岗岩 (1，0，1) 33.419 57.893 2.861 0.086 4164.223 花岗岩 (1，0，1) 19.723 59.846 2.578 22.654 188.115 玄武岩 (0，1，0) 19.764 58.98 2.565 20.1457 181.446 玄武岩 (0，1，0) 48.3012 77.7735 2.66191 19.0315 20.0028 安山岩 (0，0，1) 49.7561 78.4192 2.71217 18.3248 21.0287 安山岩 (0，0，1) …… … … … … … … … 65 红019 52.697 75.6 2.351 0.314 20.594 凝灰岩 (1，1，0) 50.487 75.959 2.352 0.316 20.583 凝灰岩 (1，1，0) 24.198 53.937 2.78 16.291 72.462 火山角砾岩 (1，0，0) 25.888 53.97 2.774 15.726 76.558 火山角砾岩 (1，0，0) 图1 遗传BP神经网络模型（这个图没有和实际应用结合在一起，应根据文中内容“输入层设计5个节点（神经元），隐含层设4个节点（神经元），输出层设3个节点（神经元）”来绘图，且应该将文中所述的“自然伽马（GR）、声波时差？（AC）、中子孔隙度？（CNL）、密度（DEN）、电阻率（Rt）”等实际应用的内容绘制在图中。 神经网络共用3层：输入层、隐含层和输出层。根据该次研究的实际情况，输入层设计5个节点（神经元），隐含层设4个节点（神经元），输出层设3个节点（神经元）；训练初始参数为：学习步长d=0.8；动量参数a=0.15；极限误差为0.01。根据构建的遗传BP神经网络，对工区典型井的68个样本进行训练，其训练结果如表1。安山岩、玄武岩、火山角砾岩、凝灰岩、花岗岩是工区火山岩主要的岩石类型，根据薄片鉴定及岩心资料解释结果，设定学习样本的5个期望输出值，其中安山岩(0，0，1)，玄武岩(0，1，0)，火山角砾岩(1，0，0)，凝灰岩(1，1，0) ，花岗岩(1，0，1)。 根据建立的样本训练模型，选取该区拐10井、克007井等井的测井参数作为识别样本，对其岩性进行目标识别（表2）。将识别的结果和镜下薄片鉴定的结果相比较可以看出，除个别井段外，绝大多