[摘 要]有机碳含量(TOC)是评价生油的重要指标,也是重要的参数之一。传统的计算方法往往采用拟合的方法,只考虑了单一的测井响应并且对岩心的依赖很大,得出的模型往往不适用于该地区,推广性不强。本文主要采用BP神经网络的方法建立模型评价有机碳含量。
[关键词]有机碳含量评价 神经网络
中图分类号:TP183 文献标识码:A 文章编号:1009-914X(2015)45-0356-01
1 BP神经网络基本原理
BP神经网络,即误差反传误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息,并传递给中间层各神经元;中间层是内部信息处理层,负责信息变换,根据信息变化能力的需求,中间层可以设计为单隐层或者多隐层结构;最后一个隐层传递到输出层各神经元的信息,经进一步处理后,完成一次学习的正向传播处理过程,由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者预先设定的学习次数为止。
2 BP神经网络工作机理
2.1 正向传播
图中,表示神经元的输入,表示输入层与隐含层之间权值,为隐含层与输出层之间的权值,f()为传递函数,为第k个神经元输出。假设BP神经网络输入层有n个节点,隐含层有q个节点,输出层m个节点。
隐含层第k个神经元的输入:
经过传递函数f()后,则隐含层第k个神经元的输出:
其中f()为单调递增且有界,所以一定有最大值。
输出层第j个神经元输出:
2.2 反向传播
输入P个学习样本,通过传入网络后,输出,第P个样本误差:
式中:期望
全局误差E:
输出层权值的变化,通过调整,使得全局误差E最小,得出输出层神经元权值调整公式:
隐含层神经元的调整公式:
3 应用实例
选择AC,DEN,CNL,GR,PE,RD作为输入曲线。XX井的53个点的岩心数据,从中选出30个点作为训练样本,23个点作为预测,构建网络,对全井段处理。结果对比(如图3-1),发现神经网络计算的TOC比传统的法计算的TOC效果好。其中TOC_NN为神经网络预测TOC,TOC_DaltalogR_AC为法计算的TOC。
4 结论
BP神经网络预测TOC克服了常规解释模型的缺陷,不用选择解释参数,计算结果与解释人员经验无关,预测结果精度有较大幅度的提高。利用多种测井解释数据及岩心分析资料作为网络训练样本,通过网络的训练、学习,建立了BP网络TOC模型,并利用该模型预测该地区新井的TOC值,实验证明用该模型进行TOC预测是可行的。
参考文献
[1]杨斌。神经网络及其在石油测井中的应用[M].北京:石油工业出版,2005:111-115.
[2]罗利,姚声贤。神经网络及模式识别技术在测井解释中的应用[J].测井技术,2002.
[3]王向公,张超谟,黄文新,等。神经网络在地层对比中的应用[J].国外油气科技,1995.
[4]金明霞,张超谟,刘小梅。基于MATLAB神经网络的岩性识别[J].江汉石油学院学报,2003.
|