人工神经网络技术在储层描述中的应用.doc

石油实验地质EXPERIMENTAL PETROLEUM GEOLOGY1999年 第21卷 第2期 No.2 Vol.21 1999 人工神经网络技术在储层描述中的应用 邱立伟　康志江 　　摘要：建立在经验公式和线性假设基础上的常规测井解释方法其精度和成功率都较低。人工神经网络技术具有自适应、自学习的功能，其在测井解释研究中具有良好的应用前景。本文以实例说明了神经网络技术在测井孔隙度解释中所取得的成果。　　关键词：人工神经网络；BP网络；测井解释；孔隙度　　中图分类号：TE19　　　文献标识码：A APPLICATION OF ARTIFICIAL NEURAL NETWORKS TO RESERVOIR DESCRIPTION QIU Liwei　KANG Zhijiang(Institute of petroleum, CNSPC, Beijing 100083, China) Abstract　The normal logging explaination methods based on experience formulas and the linear hypothesis show lower accuracy and successful rate. The artificial neural networks technique can adapt itself, learn itself. It has well prospect in logging explaination. This paper provides a case to illustrate the advantage of the artificial neural network technique in logging porosity explaination.Key words:artificial neural networks; BP nets; logging explaination; porosity 　　储层物性参数的确定，是储层描述研究中的一个重要内容。对于很多研究区，取心资料少，物性分析资料不全，储层研究所需的物性(孔隙度、渗透率等)参数则要大量依赖测井解释成果。　　然而，传统的测井解释方法往往有很大的缺陷。笔者在塔里木盆地雅克拉下白垩统储层描述研究中，发现该区用传统的测井解释方法求取的各井孔隙度(渗透率)值精度较低，遂采用近年来在国内外迅速发展的新兴技术——人工神经网络技术对该区进行了测井解释研究，重点进行了孔隙度值的确定，取得了良好的效果。 1　方法介绍 　　用神经网络法确定储层参数，不需要建立任何测井响应方程，也不需要提供任何经验公式，只需利用一定的网络模型，通过选取研究地区有代表性的已知样本对网络进行训练，然后就可作出对未知的预测。1.1　神经网络的工作原理　　本研究采用的是误差反向传播网络(BP网络)。它是一种层状结构的前馈神经网络。它由一个输入层，一个输出层和在输入层与输出层之间的一个或若干个隐含层构成。常见的连接方式是：每个神经元只与它相邻层内的神经元相连接，同一层的神经元之间不连接(如图1)，信息只由输入层向输出层方向传递。 图1　最基本的网络结构Fig.1　The most fundamental structureof neural networks 　　BP算法的基本要领是：把网络输出的误差归结为各连接权的“过错”，通过把输出的误差逐层向输入层逆向传播以“分摊”给各层单元，从而获得各层单元的参考误差，以便调整相应的连接权。如此反复进行权的调整，直到网络输出与期望输出之间的误差减小到允许范围内为止。　　具体来说，学习过程如下：　　(1)给LA层单元到LB层单元的连接权Vhi、LB层单元到LC层单元的连接权Wij以及LB层单元的阈值LC层单元的阈值rj赋予［－1，＋1］区间的随机值；　　(2)对于每个模式对(AK，CK)(K＝1，2……，m)进行下列操作：　　a.将AK的值送到LA层单元，再将LA层单元的激活值ah通过连接值矩阵V送到LB层单元，得到LB层单元新的激活值：　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　（1）式中i=1，2，……，p；f为式(6)的S型函数。　　b.计算LC层单元的激活值　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　（2）式中j=1,2,…，q。　　c.计算LC输出层各单元的一般化误差　　　　　　　　　　　　　　　　　dj=Cj(1－Cj）（Ckj－Cj)　　　　　　　　　　　（3）式中Ckj为LC层单元j相对于第k个样本输入Ak的期望输出值，j=1,2,…，q。