基于滑动平均预处理的BP网络储层识别方法

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　

基于滑动平均预处理的ＢＰ网络储层识别方法　

张　洁－．２，卢德唐－－　，李道伦　，杜　奕－－　

ＺＨＡＮＧ　Ｊｉｅ　～．ＬＵ　Ｄｅ—ｔａｎｇ　～，ＬＩ　Ｄａｏ－ｌｕｎ　～，ＤＵ　Ｙｉ　’　

１冲国科学技术大学工程软件研究所，合肥２３００２７　２．安徽省汁算与通汛软件重点实验室，合肥２３０００１　

１．Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｓｃｉｅｎｃｅ　Ｓｏｆｔｗａｒｅ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　ｏｆ　Ｃｈｉｎａ，Ｈｅｆｅｉ　２３００２７，Ｃｈｉｎａ　

２．Ｋｅｙ　Ｌａｂ　ｏｆ　Ｃｏｍｐｕｔａｔｉｏｎ　ａｎ（１　Ｃｏｎｍｍｎｉｃａｔｉｏｎ　Ｓｏｆｔｗａｒｅ　ｏｆ　Ａｎｈｕｉ，Ｈｅｆｅｉ　２３０００１，Ｃｈｉｎａ　

Ｅ—ｍａｉｌ：ｊｉｅｚｈ＠ｍａｉｌ．ｕｓｔｃ．ｅｄｕ．ｅｎ　

ＺＨＡＮＧ　Ｊｉｅ，ＬＵ　Ｄｅ－ｔａｎｇ，Ｌ１　Ｄａｏ－ｉｕｎ，ｅｔ　ａｉ．ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｏｆ　ｒｅｓｅｒｖｏｉｒ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｍｏｖｉｎｇ—ｗｅｉｇｈｔｅｄ—　ａｖｅｒａｇｅ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ．２００７，４３（３１）：１９９－２０１．　

Ａｂｓｔｒａｃｔ：Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉＳ　ｏｎｅ　ｏｆ　ｔｈｅ　ｅｆｆｉｃｉｅｎｔ　ｔｏｏｌｓ　ｉｎ　ｔｈｅ　ｆｉｅｌｄ　ｏｆ　ｒｅｓｅｒｖｏｉｒ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ．Ａ　ｎｅｗ　ｍｅｔｈｏｄ　ｆｏｒ　ｒｅｓｅｒｖｏｉｒ　

ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｉｓ　ｐｒｏｐｏｓｅ（１　ｗｈｉｃｈ　ｉｓ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｃｏｍｂｉｎａｔｉｏｎ　ｏｆ　ｔｈｅ　ａｐｐｒｏｘｉｍａｔｉｏｎ　ｐｒｉｎｃｉｐｌｅ　ｏｆ　ＢＰ　ｎｅｔｗｏｒｋ　ａｎｄ　ｔｈｅ　ｔｅｃｈｎｏｌｏｇｙ　ｏｆ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅ　ｍｅｔｈｏｄ，ｆｉｒｓｔ　ｓｅｌｅｃｔｓ　ｔｈｅ　ｐｒｏｐｅｒ　ｎｅｉｇｈｂｏｒ　ｐｏｉｎｔｓ　ｆｕｒ　ｅｖｅｒｙ　ｔｒａｉｎｉｎｇ　ｓａｍｐｌｅ　ａｃｃｏｒｄｉｎｇ　ｔｏ　ｔｈｅ　ｃｅｒｔａｉｎ　ｒｕｌｅ，ｔｈｅｎ　

ｃａｌｃｕｌａｔｅｓ　ｔｈｅ　ｎｅｗ　ｔｒａｉｎｉｎｇ　ｄａｔａ　ｗｉｔｈ　ｍｏｖｉｎｇ—ｗｅｉｇｈｔｅｄ—ａｖｅｒａｇｅ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｔｈｅ　ｓｅｌｅｃｔｅｄ　ｐｏｉｎｔｓ，ａｎｄ　ｆｉｎａｌｌｙ　ｏｂｔａｉｎｓ　ｔｈｅ　ｉｄｅｎｔｉｆｙｉｎｇ　ｒｅｓｕｌｔｓ．　ｒｈｉｓ　ｍｅｔｈｏｄ　ｈａｓ　ｆａｓｔｅｒ　ｌｅａｒｎｉｎｇ　ｓｐｅｅｄ　ａｎｄ　ｈｉｇｈｅｒ　ｐｒｅｄｉｃｔｉｏｎ　ｐｒｅｃｉｓｉｏｎ　ｔｈａｎ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｍｅｔｈｏｄ　

ｗｉｔｈｏｕｔ　ｐｒｅｐｒｏｅｅｓｓｉｎｇ，ｗｈｉｃｈ　ｕｓｅｓ　ｏｎｅ　ｏｒ　ｔｗｏ　ｈｉｄｄｅｎ　ｌａｙｅｒｓ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｃａｎ　ｒａｐｉｄｌｙ，ａｃｃｕｒａｔｅｌｙ　ｉｄｅｎｔｉｆ．　Ｋｅｙ　ｗｏｒｄｓ：ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；ｒｅｓｅｒｖｏｉｒ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｍｏｖｉｎｇ—ｗｅｉｇｈｔｅｄ—ａｖｅｒａｇｅ　

摘要：在油气勘探开发领域的储层识别研究中，神经网络技术是一种有效的工具。根据ＢＰ神经网络的逼近原理，提出了基于滑　动平均预处理的ＢＰ神经网络储层识别方法。首先对学习样本中的每一组样本数据按照一定规则选取近邻点，然后根据近邻点信　息，使用滑动平均的方法进行预处理得到新的样本数据，最后使用新的学习样本训练ＢＰ网络，进行储层判识。实验结果表明，该方　法具有简单、高效、学习速度快的优点，能极大提高识别速度和预测精度。　

关键词：ＢＰ神经网络；储层识别；滑动平均　

文章编号：１００２—８３３ｌ（２００７）３ｌ一０１９９—０３　文献标识码：Ａ　中网分类号：ＴＰ１８３　

１　引言　

人工神经网络技术由于具有自学习，非线性模式识别，联　想能力以及很强的泛函逼近能力，因此被广泛应用于石油、金　

融、工业控制等很多行业中。在石油工业中，通过有限的地质勘　

测资料（气测、地化、测井资料）进行参数预测和地层评价，即对　

不同的储层进行识别来提高油气层发现率，是油田勘探开发领　

域的重要研究方向ｆ１，２１。由于地质条件的复杂性、不确定性，难以　精确地确定储层类别与地质资料的函数关系。应用神经刚络进　

行储层识别，可以不用考虑具体的数学模型，就能用“隐式”表　

达出储层参数与储层类别之　的复杂关系，实现储层识别，避　免了各种不确定Ｌ大Ｊ素的影响。　

目前，ＢＰ神经网络是在储层识别中应用最广的网络模型　

但由于标准ＢＰ算法在实际应用中存在着易于陷入局部最小　

值、收敛速度慢和易发散等　题，人们提出了一些对ＢＰ算法　

的改进　『。文献【３　改了权重调整公式；文献ｆ４鼢每个连接权　加一个很小的随机数；文献【５】调整学习速率和动量凶子　以上　

方法在某些特定方面有一定提高，但改进后的某些性能还是受　限的。如文献［３】需要使用两个隐层，学习时间较长；文献『４—６】　需要上万次甚至更多的学习次数否则预测结果就达不到精度　要求。　本文将基于滑动平均的数据预处理思想应用于ＢＰ网络，　提出一种新的方法。即从ＢＰ网络的逼近原理出发，根据ＢＰ网　

络对不同函数逼近的难易程度，在待识别数据进行函数映射　时，对学习样本数据进行平滑处理，使ＢＰ网络更易于逼近，提　高了收敛速度。且该方法能帮助提高预测时数据区间划分的准　确性，继而进一步提高网络预测精度。实验结果表明，这种方法　在处理储层识别问题上具有很好的效果。　

２　ＢＰ网络模型　

ＢＰ算法是基于梯度搜索技术的最小均方差（ＬＭＳ）算法，　ＢＰ网络的学爿过程是一个全局极小值的搜索过程，ＢＰ网络从　

所提供的学习样本（每个样本由输入向量和教师数据对组成）　出发，通过模式的顺传播和误差的逆传播两个过程不断调节和　修正权重与阈值，使实际输出和期望输出之间的误差达到最小　而获得各层神经元之间的连接权值。　

作者简介：张洁（１９８０一）．女。硕七研究生。研究方向：神经Ｍ络、模式识别；卢德唐，教授，博导；李道伦，博士研究生；杜奕，博士研究生。

　维普资讯 http://www.cqvip.com Ｃｏｍｐｕｔｅｒ　Ｅｎｇｔｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　

３基十滑动平均预处理的储层识别网络　

３．１储层识别网络模型　

对于储层识别问题，输入数据为地质参数如含油饱和度、　可动流体、渗透率、孔隙度等；输出数据为储层类别如干层、水　层、油层等　

在储层识别网络模型中，输入层节点数等于输入向量的样　本数目；理论和实践已经证明ｌｌｌ，只含一个隐层的ＢＰ网络就可　以分割任意复杂的分类界面隐含层的节点数根据情况设定，输　

出层节点数为１，输出的数值映射成储层类型作为最终的解释　结果。对于这种具有ｎ个输入神经元、１个输出神经元的网络，　输入与输出之问的关系可以看作是ｎ维欧氏空间到一维欧氏　空问的一个映射。以ｎ＝２为例，可以用ｚ－－ｆ（　，Ｙ）标识输入数据　

与目标输出之间的非线性关系，输入节点　表示含油饱和度、，　表示可动流体，函数值Ｚ为储层类别（干层、水层、低产油层、油　水同层、油层）。储层类别以不同的标记表示，如图ｌ：　

Ｎ７４块含油饱和度与可动流体交绘图　水　曾　・油层　【　油　ｆ丢　区　｝由水『　层区　●　－低产油层　■　▲▲　▲于层　●Ｉ　二　矗Ｉ　．　嘞由水同层　…●　—　誓　ｒ　．　水层　Ｉ　●　。　ｌ　Ｉ　奄　‘　’　ｌ含油水层　－＇　●．广１　ｌ　一　－一Ｉ一　●・　含油　Ｋ层　一　＿１＝广１　■■　ｌ　低产　ｉ＿ｌ　

Ｊ－　干：▲　｛　『　｝▲　ｒ　【　

０　５　ｌ０　１　５　２Ｏ　２５　３Ｏ　３５　４Ｏ　４５　５Ｏ　５５　６Ｏ　６５　含油饱和度／％　图１储层分类　

训练时，将储层类型映射为（０，１）区问的实数，即函数值由　储层类别变成了实数值。预测时，再将输出实数映射为相应的　

储层类型。　定义１将储层类别（干层、水层、油水同层、油层等）向０～１　间实数进行映射的过程称为正映射；将输出的预测数据（０～１　

之间的实数值）向储层类别映射的过程称为逆映射。　由于储层类别有限，函数值ｚ呈离散分布，跳跃性大，在边　界区域对自变量变化非常敏感，ＢＰ网络不易于逼近。因此引入　

滑动平均思想对学习样本进行预处理，平滑空间中的部分教师　数据点。一方面使目标函数呈现一定的连续性，使网络易于逼　

近，加快收敛；另一方面储层预测是在划分数据区间基础上进　行的，预处理基本未改变区间分布，所以不仅不会对预测结果　

有不利影响，还因为区间划分准确性的提高，使预测精确度得　

到提高。　

３．２预处理方法　

预处理方法的核心是采用滑动平均方法处理学习样本中　的教师数据。对预处理过程的设计可以基于以下３个原则：　

（１）确保映射可逆，即平滑后的任一教师数据只唯一的对　

应一个储层；　（２）对于各储层的边界点，在滑动平均处理过程中应考虑　

其他储层区域的影响；　（３）在滑动平均过程中，与待处理点距离越远的近邻点其　权重越小，距离越近其权重越大。　根据以上３个原则，提出以下３个具体的数学处理规则。　规则１单调性规则：由于单调函数是可逆的，且离散单调　

函数在滑动平均后仍单调，在对储层赋实数值时，使用单调映　射：将距离坐标原点较近的储层类别映射成的较小实数值，距　离坐标原点较远的映射成的较大的实数值。　

为直观起见，在图１基础上，将　，Ｙ）映射到三维空间　（含油饱和度为　轴，可动流体为ｌ，轴，储层值为ｚ轴），函数　值就落在了不同高度的立方体柱的最上层的柱面上。如果函数　在Ｚ轴方向是单调递增的，则在Ｚ轴某个区间段【ｎ，６】（０＜ｎ＜６＜　１）中的一点没有或仅有一组（　Ｋ）与其对应，这样就为逆映射　

时数据区间的准确划分提供了依据。若不遵守规则１，ｚ轴某个　区问段中的一点可能有不止一组（Ｘ　，Ｙｉ）与其对应，这样在将实　数向储层类别映射时就无法保证其映射的准确性。例如，若位　

于ｆｎ，６】段中的点　对应有ｘ　，Ｙ　）（　ｙ２）两组，根据映射区间的　划分［。，６１段为油水同层区，即（　¨）（　ｎ）均应解释为油水同　层，但实际上（　ｖ１）应解释为低产油层，见图２。　

图２剖面示例图　

规则２采用划分象限的方法，选取待处理点的适当近邻　点并保存近邻点信息（近邻点对应的输入向量，该向量的函数　

值，待处理点与近邻点的距离）　如果只取最近邻的几个点求权值不一定能达到平面块与　

平面块之问平滑的目的（最近邻的几个点可能在同一储层），而　在不同的方向选取近邻点能起到边界区域平滑的目的。本文中　采用分象限取近邻点的方法：以待处理点为中心点，将周围空　

间划分成２ｎ个象限（ｎ为输入向量的个数），在每个象限中各取　

一个距待处理点最近的点（称为适当近邻点）。象限的划分是以　各点特征量相对于中心点特征量的大小界定的。例如，以（　

ｖ０）为待处理点，首先设置该点为中心点，取４个象限，将ｘｉ＞ｘ。，　ｙ　ｙ。的点划分到第一象限，依次类推。然后通过比较分别寻找　在４个象限中距离（ｘ。，　）最近的４个点作为该点的适当近邻　点。例如（图３），第一象限中的点均是在　方向大于　Ｙ　方向　大于ｙｏ的，图中的（　，　）是（　）在第一象限距离最近的点，