[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.