bp神经网络在测井岩性识别中的应用

《bp神经网络在测井岩性识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、BP神经网络在测井岩性识别中的应用段小秋匕刘少华*3(1•汕气资源与勘探技术教育部重点实验室，长江大学，湖北荆州，434023;2•长江大学地球科学学院，湖北武汉430100)［摘要］:在岩性识别方法中，人工神经网络方法由于其识别结果客观可靠，得到越來越广泛的应用。研究选用BP神经网络，对沈630-H1426测井的岩性进行了识别，岩浆岩和变质岩的预测精度很高。通过分析表明，用BP神经网络预测岩性是一个比较可靠的方法。［关键词］:测井数据,岩性识别,BP神经网络TheLithologyDiscriminationwithBack-PropagationNeuralNetworkMet

2、hodDuanXiaoQiu1,2,,LiuShaoHua1,2,(l.KeyLaboratoryofExplorationTechnologiesforOilandGasResourceMinistryofEducation,YangtzeUniversity,,jingzhou,Hubei,434023;2.CollegeofGeosciencesofYangtzeUniversity,jingzhou,Wuhan,430100)Abstract:Inlithologyidentificationmethod,artificialneuralnetworkrecognition

3、resultsdu-etoitsobjectiveandreliable,tobemorewidelyused.StudyselectionofBPneuralnetwork,Shen630-H1426logginglithologyidentification,predictionaccuracyof90%,withahigherpredictionaccuracymagmaticrocksandmetamorphiccrocks・Throughanalysissho・wsthatBPneuralnetworktopredictlithologyisamorereliablem

4、ethod・Keywords:loggingdata,lithologyidentification,Back-PropagationAlgorithm(BP)neuralnetwork0引言储层预测是寻找油气资源、评估油气储量最基础的工作之一。由于井下地址构造的复杂性和测井参数分布的模糊性，传统的岩性识别方法往往识别精度有限。人工神经网络方法是以自身特有的样木学习能力获得识别模式，克服传统岩性识别方法的缺陷。它具有H组织、H学习、H适应、容错及抗T•扰能力，识别结果客观可靠，运用这种方法识別岩性是测井岩性识別工作的改进。神经网络在测井岩性识别领域的应用，前人做了大量的研究。卢新卫

5、、金章东对胜利油田某测井岩性川BP神经网络进行识别⑴，以及范训礼等川BP网络对塔里木汕IIITZ4测井的岩性进行自动识别⑵，侯俊胜、王颖利用BP网络对煤气层测井资料进行了定呈解禅识别卩】，识别准确率都很高。然而，并没有涉及到BP网络算法的收敛性能这一重要问题。1BP神经网络1.1基本原理人工神经网络模型⑷有儿十种，在石汕工•业中应用最多的是典型的BP网络和Kohen字组织网络，在测井解释、地震资料处理中取得了很好的效呆。木研究目的是采用口然电位曲作者简单：段小秋(1992-),主要从事GIS算法研究；刘少华(1976-),通讯作者，主要从事三维地学建模,算法研究。基金项目：湖北省教

6、育厅科学技术研究项目资助(D20141301)：中国石油天然气集团公司科学研究与技术开发项目(2013E-3809)线、自然伽马曲线、声波时差曲线、电阻率曲线来预测岩石的岩性⑴，因此采用BP神经网络。该网络由Rumethart等人于1985年提出，是一种前馈网络，又称为谋旁反向传播网络。基本的神经网络由一个输入层、一个隐含层和一个输岀层组成的3层网络，如图1。三层BP网络输入层隐含层输出层Ai图1三层神经网络拓扑结构及计算示意图1.2基本步骤1)初始化网络:初始化学习率(1)、权重(w)以及偏倚(0)等学习参数。2)岩性数据归一化:△岩性「讐-岩冷"石-性mu-石性minmax3)

7、正向传播计算各层神经元输出(如图2)：计算输出：Ij=工iWijX汁GjXj=f(Ij)=l/(l+e®4)反向传播计算误差(如图3):计算输出层节点误差:EiTj=Oj(l・Oj)(Tj・Oj)(其中O尸X”Tj为实际输岀)隐含层节点j的误差:ErrpO/l-Oj)ErrkWjkW%是该节点到卜-层节点的权重,Em.是节点K的谋差)权重更新公式：△Wij=(l)ErrjOi，因此WipWij+AWij偏倚更新公式：AOpCDErrj,因此妒勺+如图3反向传播示意图算