用自组织特征映射神经网络识别岩相.docVIP

用自组织特征映射神经网络识别岩相 　　摘要：为了解决测井岩性识别问题，引入有较强的聚类和容错能力的自组织特征映射（SOFM）神经网络。文中说明了SOFM网络的模型，并结合实际探井资料，用MATLAB语言建立SOFM网络岩性识别模型，并进行了具体的应用研究。通过与已知资料的对比，证明该方法是一种行之有效的岩相识别方法，且具有良好的应用前景。 　　关键词：自组织特征映射；人工神经网络；岩性识别；测井资料 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)26-1764-03 　　The Logging Lithological Identification by Using Self-organizing Feature Map Neural Networks 　　SHI Xiao-song, CHENG Guo-jian 　　(School of Computer Science,Xian Shiyou University, Xian 710065, China) 　　Abstract: The self organizing feature map (SOFM) neural network has superior clustering and fault-tolerant ability. In this paper SOFM was used to solve the well-logging lithological identification. We described firstly SOFM network modeling and then, by combined it with a set of actual well-log data, a lithological identification model was set up by Matlab programming and the specific research on this field was carried on. By compared the SOFM-based results with some known well-logging information, it was shown that the SOFM modeling is very effective and efficiency for the well-logging lithological identification. It is also shown thatSOFM modeling has a good prospect for the petroleum reservoir engineering. 　　Key words: self organizing feature map; artificial neural network; lithological identification; logging data 　　 　　1 引言 　　 　　近年来，各国的油气需求量都在急剧增加。测井在油气勘探中被比喻成人的眼睛，测井资料所携带的地质信息是确定地层含油储藏量的重要依据，因此，利用测井资料进行岩性识别在油气勘探中非常重要。 　　传统的岩性识别方法主要有交会图快速识别方法和统计学方法等；应用BP神经网络，识别的准确率较高。但是BP算法有一些局限性，如收敛速度慢，容易陷入局部极小值点等。本文将自组织特征映射网络用于测井岩性识别，岩性识别结果完全正确，表明此方法有较好的应用效果。 　　 　　2 SOFM神经网络的基本思想、拓扑结构及学习规则 　　 　　人工神经网络（Artificial Neural Network, 简称ANN）是近年来发展起来的模拟人脑生物过程的人工智能技术。它由大量简单的神经元广泛互连形成复杂的非线性系统,不需要任何先验公式，就能从已有数据中自动地归纳规则，获得这些数据的内在规律，具有很强的自学习、自组织、自适应和非线性映射能力,特别适合于因果关系复杂的非线性推理、判断、识别和分类等问题。 　　自组织特征映射（Self Organizing Feature Map,也称Kohonen映射）神经网络（简称SOFM 神经网络），是由Kohonen教授提出的对神经网络的数值模拟方法。这种方法有降维的功能，是人工神经网络的重要分支之一。 　　自组织特征映射网络（SOFM）是自组织网络中的一种，所谓的自组织过程是指学习的结果总是使聚类区内各神经元的权重向量保持向输入向量逼近的趋势，从而使具有相近特性的输入向量聚集在一起。这种结构的网络能够从输入信息中找出规律以及关系，并且