自组织竞争网络在测井资料岩性识别中的应用.docVIP

自组织竞争网络在测井资料岩性识别中的应用 　　摘要：利用自组织神经网络自组织自学习的学习能力的特点，在分析影响岩性识别因子的基础上，建立了基于MATLAB的自组织竞争网络模型。通过比较基本竞争型网络和自组织特征映射网络两种网络结构实现岩性分类。实验结果表明，利用自组织竞争网络模型对测井资料岩性识别是可行的，正确率高，为岩性识别的研究提供了新方法。 　　关键词：自组织竞争网络；测井资料岩性识别；MATLAB 　　中图分类号：TE319 文献标识码：A文章编号：1007-9599 (2011)05-0000-02 　　Application of Self-organization Competition Network in Log Data Lithological Identification 　　Zong Chunmei 　　(Xinzhou Teachers University,Xinzhou034000,China) 　　Abstract:Using self-organizing and self-learning ability of self-organizing neural network,analyze the impact factor to establish self-organizing competitive network model based on MATLAB.By comparing the two structures of basic competitive network and self-organizing competitive network to achieve lithology classification.Experimental results show that the use of self-organizing network model of competition test well lithology identification information is feasible,the correct rate,for the lithology of the research to identify new methods. 　　Keywords:Self-organizing competitive network;Log data lithology identification;MATLAB 　　一、引言 　　目前，岩性识别主要有以下几种方法：(1)概率统计方法；(2)聚类分析方法；(3)人工神经网络方法。人工神经网络方法以其自身特有的样本学习能力获得识别模式，以与岩性相关的测井资料作为神经网络的输入参数，已知岩性种类作为输出总数。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、自适应性、容错性和推理思维能力，人们运用神经网络在测井资料岩性识别领域做了大量的研究，取得良好效果。 　　二、自组织竞争神经网络原理 　　自组织竞争网络是以无教师教学的方式进行网络训练，具有自组织功能，网络通过自身训练，自动对输入模式进行分类，让网络竞争层中的各种神经元通过竞争来获取对输入的响应机会，最后仅剩一个神经元成为竞争的获胜者，并对那些与获胜神经元有关的各连接全部朝着更有利于它竞争的方向调整，这一获胜神经元的输出则代表对输入模式的分类，正是自组织竞争神经网络具有自组织能力、自适应能力和较高的容错能力的特点，为测井资料岩性识别提供了新的方法。在竞争层中，神经元之间相互竞争，最终只有一个或者几个神经元获胜，以适应当前的输入样本。竞争胜利的神经元就代表着当前输入样本的分类模式。 　　三、样本数据的获取 　　（一）样本的选取 　　样本包括样本特征选取及样本数目的确定。本文样本源于北方某地区2004年的测井资料，该地区属于碳酸盐地层，因此需要判断的岩性有三种，即泥岩、砂岩和石灰岩。通过对已知井段测井数据进行学习，来预测同一地区其他井段的岩性。 　　（二）样本数据的预处理 　　测井资料的样本数据中包含了影响岩性的5个重要因子，即补偿中子空隙度CNL、补偿密度曲线DEN、声波时差DTC、自然伽玛GR和微电阻率RT。归一化后的数据如表3.1所示。 　　表3.1 归一化后的岩性影响因子 　　序号 CNL DEN DEC GR GT 岩性 　　1 0.4036 0.4365 0.4860 0.5161 0.3419 泥岩 　　2 0.4154 0.4711 0.4639 0.4981 0.3806 　　3 0.5352 0.6408 0.6145 0.6299 0.7154 砂岩 　　4 0.55