（模式识别与智能系统专业论文）基于人工神经网络的储层参数预测研究.pdf

哈尔滨工程大学硕士学位论文 摘要 非线性时间序列预测是近年发展起来的一个备受关注的研究领域。传统 的预测方法已经越来越不适应现代要求，由于非线性系统本身的复杂性和神 经网络技术良好的适应性，基于人工神经网络的预测前景广阔。因此本文采 用神经网络的方法进行石油储层参数的预测。提高储层参数预测的精度对于 提高油田采收率、延长油田开发年限具有重要意义。 ( 1 ) 首先，本文阐述了一些基本的神经网络算法，其中着重研究了广义 回归神经网络算法和e l m a n 型回归神经网络算法。 ( 2 ) 然后，本文介绍了利用这两种算法进行预测建型，并研究了模型的 稳定性和推广能力。除此之外，还比较了g r n n 与b p 网络和r b f 网络的优缺 点。 ( 3 ) 在神经网络石油储层参数预测的实际应用中，对遇到问题进行了详 细的分析与探讨，突出的问题是训练样本大、训练时间长、收敛速度慢。 ( 4 ) 为了克服上述不足，本文提出将蚁群算法用于e l m a n 型回归网络的 算法中，对实际储层参数的仿真预测结构表明，该模型能够有效提高网络精 度，具有良好的稳定性和适应能力，其预测性能明显优于单纯的e l m a n 型回 归网络。 试验结果表明，基于人工神经网络的储层参数预测是可行的和有效的， 利用神经网络进行储层参数预测对于有效指导油田开采具有较大的参考价 值。 关键词：预测；神经网络；时间序列；蚁群算法 哈尔滨工程大学硕士学位论文 a b s t r a c t n o n - l i n e a rt i m e ss e r i e si sa na t t e n t i o nr e s e a r c hf i e l di nr e c e n ty e a r s i ti s r e v e a l e dt h a tt h et r a d i t i o n a lm e t h o d sa r eb e c o m i n gu n f i tf o rt h em o d e mn e e d ， b e c a u s e o f t h en o n - l i n e a rs y s t e mi sg o i n gt ob ee v e nm o r ec o m p l i c a t e dn o w a d a y s f o rt h ec o m p l e x i t yo ft h en o n - l i n e a rs y s t e ma n dt h eg o o dp e r f o r m a n c eo ft h e a n n ，t h ea n n b a s e dn o n - l i n e a rs y s t e mf o r e c a s t i n gh a sb e e nf o u n de n c o u r a g i n g i nt h i st h e s i s s ot h i sp a p e rp r e s e n t s 锄a r t i f i c i a ln e u t r a ln e t w o r kb a s e dr e s e r v o i r p a r a m e t e rp r e d i c t i o nm o d e lo fo i l i th a sa ni m p o r t a n tm e a n i n gt oi m p r o v e e x t r a c t i o nr a t i oo f o i lf i e l da n dp r o l o n gf i e l dd e v e l o p e ds e r v i c el i f e ( 1 ) f i r s t ，i nt h i st h e s i s 觚a n na l g o r i t h mi sw o r k e do u t ，a n dt h ea l g o r i t h m s b a s e do ng r n na n de l m a n n ni sp r e s e n t e di nd e t a i l s ( 2 ) s e c o n d l y ，t h ep r e d i c t i o nm o d e li sb u i l tb a s e do ng l 心n qa n de l m a n n n ， t h en e u r a ln e t w o r kp r o b l e m ss u c ha ss t a b l ea n dp o p u l a r i z a t i o nc a p a b i l i t ya n ds o o na r er e s e a r c h b e s i d e st h e s e e a c hr e l a t i v em e r i to fg r n n , r b f n na n db p n n i sc o m p a r e d ， ( 3 ) i na p p l i c a t i o no fa l la r t i f i c i a ln e u t r a ln e t w o r kb a s e dr e s e r v o i rp a r a m e t e r p r e d i c t i o nm o d e l ，t h ed i f f i c u l t ym o d e l i n ga n do t h e rp r o b l e m sw h i c hm a yb em e t i np r o c e s si sa n a l y z e da n dd i s c u s s e d 。t h em a i np r o b l e m sa r co v e rm a n yt r a i n i n g s a m p l e s ，t h u sr e s u l t i n gl o n gt r a i n i n gt i m ea n ds t o wc o n v e r g e n c es p e e d ( 4 ) t oo v e r c o m et h e s ed e f e c t s , a ne l m a n n nm o d e lb a s e do na n tc o l o n y o p t i m i z a t i o na l g o r i t h mi sp r o p o s e d 1 1 他s i m u l a t i o nr e s u l t sf o ra c t u a lr e s e r v o i r p a r a m e t e rs y s t e ms h o wt h a tt h ep r o p o s e dp r e d i c t i o nm o d e lc a ne f f e c t i v e l y i m p r o v et h ea c c l l r a c ya n dt h i sm o d e li s s t a b l ea n da d a p t a b l e i t sf o r e c a s t i n g p e r f o r m a n c ei sf a rb e t t e rt h a nt h a to f s i m p l ye l m a n n n t h er e s e a r c hr e s u l to ft h i sp a p e re x p r e s st h a tt h em e t h o do fu s i n gn e u r a l n e t w o r ko fr e s e r v o i rp a r a m e t e rp r e d i c t i o ni sv a l i da n dv i a b l e s o ，t h er e s e r v o i r p a r a m e t e rp r e d i c t i o ns t u d yb a s e do na n nh a sg o o dr e a l i s t i cm e a n i n g st ol a u n c h t h eo i lw e l l s k e yw o r d s ：p r e d i c t i o n ；n e u r a ln e t w o r k ；t i m e ss e r i e s ；a n tc o l o n ya l g o r i t h m 哈尔滨工程大学 学位论文原创性声明 本人郑重声明：本论文的所有工作，是在导师的指导 下，由作者本人独立完成的。有关观点、方法、数据和文 献的引用已在文中指出，并与参考文献相对应。除文中已 注明引用的内容外，本论文不包含任何其他个人或集体已 经公开发表的作品成果。对本文的研究做出重要贡献的个 人和集体，均已在文中以明确方式标明。本人完全意识到 本声明的法律结果由本人承担。 作者( 签字) ： 益互遗 日期：咖7 年，月妒日 哈尔滨工程大学硕士学位论文 1 1 研究的目的和意义 第1 章绪论 人类在认识自然、认识社会和改造自然、改造社会的活动中，常常需要 对事物的未来状态进行预先测算，从微观角度来说，企业或个人在确定其发 展理念、编制计划、进行投资等方面的决策时，都应该以预测结果为依据， 预测的成功与否往往决定一个企业或一个人的生存与发展，从宏观角度来看， 预测已成为一个国家发展国民经济和科学技术所必须研究的领域，它的成败 将直接影响国民经济和科学技术的发展。“”“1 。以石油为例，目前国内大多 数油田己进入中、后期开发阶段，随着含水的上升，储层参数发生了一定变 化，开采初期取得的参数系统与目前储层实际状况不相符，为挖潜工作带来 了困难，因此需要预测出石油储层参数，使油藏描述更符合目前的储层现状， 更好的指导各项剩余油的挖潜工作。 神经网络技术为预测研究提供了一种新的研究思路和方法，它是一种非 线性识别方法，由于神经网络具有通过学习逼近任意非线性映射的能力，将 神经网络应用于非线性系统的建模与辨识，可以不受非线性模型的限制，便 于给出工程上易于实现的学习算法”1 。 本文的主要目是研究用神经网络预测储层岩性参数。储层岩性参数，如 孔隙度、饱和度、渗透率的分布直接影响油气的分布和开采。在油气勘探中， 储层岩性参数是地质工作者估计储层油气含量、确定井位的主要根据，开采 井位确定的好坏直接影响着油气的开采成本嘲。因此，对储层参数的预测一 直是模式识别方法在地质上应用研究的一个热点问题。 1 2 国内外研究现状 自1 9 4 3 年心理学家m c c u l l o c h 和数学家p i t t s 提出神经元生物学模型 ( 简称p 模型) 以来，至今已经有六十多年的历史了。1 9 4 4 年t l e b b 提出了 h e b b 学习规则，该规则至今仍是神经网络学习算法的一个基本规则：1 9 5 7 年r o s e n b l a t t 提出了感知机( p e r c e p t r o n ) 模型；1 9 6 2 年w i d r o w 提出了自适 应( a d a l i n e ) 线性元件模型等。上个世纪6 0 年代到7 0 年代，神经网络系统理 哈尔滨工程大学硕士学位论文 论的发展处于一个低潮时期，但仍有许多科学家在困难条件下坚持开展研究， s t e p h e ng r o s s b e r g 是这些人中最有影响力的，他深入研究了心理学和生物 学的处理，以及人类信息处理的现象，把思维和脑紧密地结合在一起，成为 了统一的理论；芬兰的k o h o n e n 在1 9 7 1 年开始了随机连接变化等方面的研究 工作，从次年开始，他将研究目标集中到联想记忆方面。k o h o n e n 将l v q 网 络应用到语音识别、模式识别和图像识别方面，取得了很大的成功。2 0 世纪 8 0 年代中期以来，人工神经网络以其独特的优点引起了人们的极大关注。 对于预测问题，神经网络的吸引力在于：能够充分逼近复杂的非线性映射 关系：能够学习与适应不确定系统的动态特性：所有定量或定性的信息都分布 存储于网络的各个神经元，所以有较强的鲁棒性和容错性；采用并行分布处 理方法，使得进行快速大量运算成为可能。神经网络的这些特点使其成为非 线性系统建模与预测的重要方法。 8 0 年代以来。神经网络在预测领域取得了丰硕的研究成果，自l a p e d e s t 和f a r b e r 首先应用了神经网络技术进行预测以来，神经网络的预测方法日益 戊为人们关注的热点。神经网络可与统计方法相结合进行储层岩性，储层参 数和储层含油气预测。p u n n e es i r i p i t a y a n a n o n 等0 1 将卜近邻法与前馈神经 网络相结合用地震属性预测岩性并最终建立地下岩层的分布。f a m i n z a d e h 等”1 利用测井曲线和地震资料预测砂层厚度。他们用卜重交叉检验法从有限 样本中获得人工神经网络预测某一参数的准确率及置信区间，并用统计方法 把数据从较高维投影到低维空间，使用降维后的数据训练神经网络，减少了 网络的训练时间并且提高了预测分类的准确率。龙建东嘲运用b p 神经网络通 过对已知井的数据学习自动模拟薄层与振幅，频率之间的关系，提高薄层预 测的精度。p a u lf m d eg r o o t o ”直接采用地震波对储层参数孔隙度进行预 测。m m s a g g a f 等“o “4 通过改变网络的性能函数，对b p 网络进行调整，然 后用调整的b p 网络处理地震波预测储层参数。p a n 等“”使用b p 神经网络以 地震波作为输入预测孔隙体积并从理论仁论述了神经网络对连续噪音具有适 应性，当训练样本中含有随机噪音时可以提高网络的鲁棒性，最后通过人工 合成地震波对此进行了验证。姜亮等m 1 利用k o h o n e n 自组织网络进行了油气 层的自动识别；刘力辉等“”对自组织网络进行了一些改进，把隶属度概念引 入学习过程，是收敛速度加快，并用改进后的网络化分地震微相。 许多地质工作者做了一些有益的尝试。f a m i n z a d e h 等”1 通过反复试验 的方法比较了几个不同结构的网络的测试准确率，认为在隐含层节点数相同 的情况下，双隐含层神经网络比单隐含层神经网络的预测效果好一些。彭真 2 哈尔滨工程大学硕士学位论文 明等“8 1 结合全局寻优的遗传算法和基于梯度下降的局部寻优反传算法相结 合训练网络，使网络在连接权的不断迭代过程中自适应演化。m m s a g g a f 等 n 1 】【”1 提出了一个光滑神经网络用于克服影响网络推广性能的过学习现象。 f m i n z a d e h 等”1 分别为训练集和测试集建立误差函数，用误差函数来控制 训练次数克服过学习现象。p a u l f md eg r o o t 1 ”建议采用“伪井”及与其 相应的合成地震资料加入训练集来解决这个问题。 现在神经网络技术在油气勘探中起着越来越重要的作用。它是一个正在 快速发展的新技术，近十年在石油勘探研究中得到了快速发展和应用，许多 地质工作者从不同层面上探索着它的应用，以期可以提高储层参数预狈0 的精 度。 1 3 本文主要研究内容 本文在查阅和分析了国内外大量文献的基础上，针对预测这一具有广阔 应用前景的先进算法中某些不足，结合神经网络在非线性系统辨识和优化计 算等方面的优点，研究了基于神经网络的预测理论和设计方法以及蚁群优化 算法，并将这两种算法结合用来解决储层参数预测中的难点问题，建立合理 的神经网络的石油储层参数预测模型，对储层参数进行预测及评价。 归纳起来，本文所做的工作主要可以概括为以下几个部分： 第一，介绍了预测技术的一些基本概念和方法，并对预测技术的难点和 未来的发展方向做了分析。 第二，介绍了神经网络的基本原理，并且着重研究了g r n n 和e t m a n 网络 建模理论，根据其特点研究了其在非线性系统辨识和优化计算中的应用。 第三，将神经网络应用到预测中，根据储层参数预测的特点，选择了基 于g r n n 建模的预测方法和基于e l m a n 网络建模的预测方法，提出了建模的总 体思想并将其通过计算机编程实现。 第四，通过对g r n n 和e l m a n 网络两种神经网络算法在预测过程中的应用 研究，分别总结了两种网络在其各自建模过程中的优缺点，并针对各自的不 足提出了改进办法。 第五，介绍了蚁群优化算法，并利用蚁群优化算法与e l m a n 网络相结合 进行储层参数的纵向建模，克服了单纯用e l m a n 网络建模过程中的一些不足， 取得了很好的仿真验证效果。 哈尔滨工程大学硕士学位论文 第2 章神经网络用于预测的基本概念 人工神经网络是以工程技术手段模拟人脑神经网络的结构和功能的一种 技术系统，它以大量的非线性并行处理起来模拟人脑的神经元，用处理器间 错综灵活的连接关系来模拟人脑神经元的突触行为。人工神经网络与传统的 预测方法相比，具有良好的自学功能、联想储存功能及高速寻找优化解的能 力，因此，将神经网络技术应用于预测方面逐渐成为近年来热点研究的领域。 2 1 预测的基本概念 预测技术提供了一种可能，即可以将预测和计划指标用预测模型进行模 拟试验，以预先比较政策和计划指标的优劣，最终确定其可行性。因此。用 预测技术分析事物发展过程和现象，可以指出事物发展的基本规律和趋向， 使得制定的发展方针、政策、方法更具合理性和科学性。 2 1 1 预测的概念 世界上的事物处于发展变化的运动过程之中，从表面上看，事物的发展 变化似乎是杂乱无章的，由各种偶然因素所决定。基于辩证唯物主义思想， 在本质上，偶然性和必然性都是事物发展过程中的客观存在。这就是预测概 念的依据所在所谓预测是指利用回归和相关分析等技术对自然界中尚未发 生和目前还不明确的事物和现象进行估计和分析，根据事物的历史和现状进 行分析和把握，对未知事件和不确定事件的未来发展进行推测和判断。它的 实质就是研究事物发展中的偶然因素推断必然趋势的过程。因此预测是很难 的，特别是对一些重要事件的预测。 虽然人们一直希望找到准确预测未来的方法，然而事实是由于人类认识 能力有限，对预测对象的了解不全面，以及偶然性因素的影响等诸多因素的 制约，预测的不准确性是客观存在的。因此预测的目的并不是消除未来的不 确定性，而是对未来提供各种可能的前景，使决策的不确定性减小，为决策 者提供科学的依据。 预测科学的技术基础是数学和计算机技术，数学是定量分析的工具，使 用数学方法是预测科学性的体现。数理统计方法，线性代数、线性规划，以 及建立各种预测数学模型是预测的基本手段。同时，预测成为- i j 学科，还 4 哈尔滨工程大学硕士学位论文 得益于计算机技术，没有计算机技术的迅速发展，就不可能有预测学的迅速 发展“”。本文所有的预测方法都是使用m a t l a b 语言进行编程并通过计算机 技术实现。 2 1 2 预测的基本步骤 由于预测科学具有很强的系统性，一个系统要达到对研究对象的预测目 的，必须按照一定的预测步骤进行。预测的基本步骤包括： ( 1 ) 准备阶段 根据目的和要求，提出预测方法，明确预测对象，预测目的，通过定量 或半定量化方法，确定预测方法和系统结构，落实相应的组织工作。 ( 2 ) 实施阶段 根据经验及对预测对象的观察，建立初级预测模型，收集预测对象的内 因资料及预测背景的外因资料，在此基础上，建立可靠且符合预测需要的模 型，利用此数学模型，形成预测。 ( 3 ) 验证阶段 对所得到的预测结果进行实际验证，若预测模型不完善，则要修改模型。 ( 4 ) 交付决策阶段 预测的目的就是可以为决策者提供决策的依据。因此经上述阶段所得到 的预测结果，就可以交付决策者作为进一步决策的科学依据。 2 1 ，3 预测的方法 按照预测方法和结果的表达方式不同，预测可以分为定性预测与定量预 测。定性预测是根据一定的事物发展理论，通过对事物发展的历史和现状做 出解释、分析和判断，从而能综合地指出事物发展的未来趋势的一种或多种 可能性。因此，定性预测主要是运用经验的或势力的分析判断方法，但并非 不运用数据，而是不运用成套的数学模型。定量预测也是在一定的事物发展 理论基础上，利用历史和现有的数据，建立有关的数学模型，对未来的事物 发展做出数量预测，且以其数学模型来表述事物发展的规德“”。 定性预测方法分为专家评估( d e l p h i ) 法、判断预测法、市场调查法和 类推法；定量预测方法分为时间序列分析法( 包括移动平滑法、指数平滑法 和随机时间序列法) 、因果关系分析法( 包括回归分析法、经济计量模型法 和灰色系统模型法) 和一些其他方法( 神经网络模型法、模糊法等) 。 传统方法大都集中在对其因果关系回归模型和时间序列模型的分析上， 哈尔滨工程大学硕士学位论文 所建立的模型不能全面和本质地反映所预测动态数据的内在结构和复杂特 性，从而丢失了信息量。人工神经网络作为一种并行的计算模型，具有传统 建模方法所不具备的很多优点，有很好的非线性映射能力，对被建模对象的 经验知识要求不多，一般不必事先知道有关被建模对象的结构、参数和动态 特性等方面的知识。因此，本文采用神经网络技术进行储层参数的预测。 2 2 神经网络的基本概念乜”嗍 神经网络是由大量的处理单元( 神经元) 互相连接而成的网络。为了模 拟大脑的基本特性，在神经科学的基础上，提出了神经网络的模型。但是， 实际上神经网络并没有完全反映大脑的功能，只是对生物神经网络进行某种 抽象、简化和模拟。神经网络的信息处理通过神经元的相互作用来实现。知 识与信息的存储表现为网络元件互连分布式的物理联系。神经网络的学习和 识别取决于神经元连接权系数的动态演化过程。 2 2 1 人工神经网络的概念 人工神经网络a n n ( a r t i f i c i a ln e u r a ln e t w o r k ) 是由人工建立的 以有向图作为拓扑结构的动态系统，它通过对连续或断续的输入做出状态响 应而进行信息处理。从拓扑上可以看成是以处理单元p e ( p r o c e s s i n ge l e m e n t ) 为节点，用加权有向弧连接而成的有向图。图2 1 是一个简化的神经元的结 构示意图。 图2 i 神经元的结构示意图 人工神经网络中的基本处理单元被称为神经元，它是对生物神经元的简 化与模拟，其权值标志着神经元间相互影响的强弱，对应于长期记忆；而神 经元应用非线性函数实现单元输入与输出间的非线性映射，则对应于短期记 6 卜 。八一r z 瓣 哈尔滨工程大学硕士学位论文 忆。人工神经网络模型即由大量这种神经元互相连接而成。图2 1 所示的神 经元是一个多输入、单输出的非线性元件，其输入输出关系可描述为式( 2 - 1 ) 所示： 弘：，隧州 j = o ( 2 1 ) 式中，( ) 为响应函数，它的作用是激活神经元，使其对输入产生影响。一 般利用以下函数表达式来表现网络的非线性特征： ( 1 ) 阚值型，为阶跃函数 尥，= 托： z ， ( 2 ) 分段线性型 i 1 坼毪 厂( 坼) = 口坼+ 6qs 0 u z ( 2 3 ) 【0 | m ( 3 ) s 型函数 八坼) = 1 + e x p ( - u , c ) 2 】- l ( 2 4 ) 其中，c 为常数。s 型函数反映了神经元的饱和特性，由于其函数连续可导， 所以调节曲线的参数就可以得到类似阈值函数的功能，因此，s 型函数是常 用函数。 ( 4 ) 高斯函数： 一芷 f ( u i ) = e 矿 ( 2 5 ) 式中，参数占被称为高斯函数的宽度或扩展函数。高斯函数也是极为重要的 一类激活函数，可以看出，万越大，函数曲线就越平坦；反之，占越小，函 数曲线就越陡峭。 2 2 2 神经网络的互连模式 神经网络的神经元之间的连接方式可以有任意形式，但常见的主要有如 下几种形式： 7 哈尔滨工程大学硕士学位论文 ( 1 ) 前向网络 前向网络结构如图2 2 所示，神经元分层排列，分别组成输入层、中间 层( 也称为隐含层，可以由若干层组成) 和输出层。每一层的神经元只接受来 自前一层神经元的输入，后面的层对前面层没有信号反馈。输入模式经过各 层次的顺序传播，最后在输出层上得到输出。 一一 图2 2 前向神经网络结构 ( 2 ) 有反馈的前向神经网络 图2 3 有反馈的前向神经网络结构 其结构如图2 3 所示，同前向神经网络，神经元也是分层排列，由输入 层、中间层和输出层组成，但是所不同的是从输出层到输入层有信息反馈， 这种网络可用于存储某种模式序列。 ( 3 ) 层内有相互结合的前向网络 其结构如图2 4 所示，通过层内神经元的相互结合，可以实现同一层内 神经元之间的横向抑制或兴奋机制。这样可以限制每层内可以同时动作的神 经元素，或者把每层内的神经元分为若干组，让每一层作为一个整体进行运 作。例如，可利用横向抑制机理把某层内具有最大输出的神经元挑选出来， 从而抑制其他神经元，使之处于无输出的状态。 8 哈尔滨工程大学硕士学位论文 图2 4 层内有相互结合的前向网络结构 ( 4 ) 相互结合型网络( 全互连或部分互连) 相互结合型网络结构如图2 5 所示，这种网络在任意两个神经元之间都 可能有连接。在无反馈的前向网络中，信号一旦通过某神经元，该神经元的 处理就结束了。而在相互结合网络中，信号要在神经元之间的反复传递，网 络处于一种不断改变状态的动态之中。信号从某初始状态开始，经过若干次 变化，才会达到某种平衡状态。根据网络的结构和神经元的特性，网络的运 行还有可能进入周期震荡或其他如混沌等平衡状态。 图2 5 相互结合型网络结构 2 2 3 神经网络的仿真、学习与训练概述 ( 1 ) 神经网络的仿真 神经网络的仿真过程实质上是神经网络根据网络输入数据，通过数值计 算得出相应网络输出值的过程。通过仿真，我们可以及时了解到当前神经网 络的性能，从而决定是否对网络进行进一步的训练。根据网络输入数据形式 和神经网络的不同类型，神经网络的仿真可采用不同形式。 对于静态神经网络，由于网络中不含有任何延迟或反馈环节，所以网络 输入数据的先后顺序对仿真结果没有任何影响。因此，网络数据不论是采用 9 哈尔滨工程大学硕士学位论文 矩阵形式还是序列形式，静态网络的仿真结果都是相同的。 对于动态神经网络，由于网络中含有反馈环节，因而网络的仿真输出不 仅与当前的网络输入数据有关，而且还与过去的输入数据有关，即与输入数 据的先后顺序有关。因此，当动态神经网络接受以序列形式描述的输入数据 时，即使只是序列中数据元素的顺序不同，仿真结果也会截然不同。 ( 2 ) 神经网络的学习 学习特性是神经网络的基本特性，神经网络的学习与训练是通过网络权 值与阈值的调节来实现的。根据学习过程的组织和管理方式不同，学习算法 可分为有监督学习和无监督学习两大类。 对于有监督学习如图2 6 所示，网络训练往往要基于一定数量的训练样 本，训练样本通常由输入矢量和目标矢量组成。在学习和训练过程中，神经 网络不断地将其实际输出与目标输出进行对比，并根据对比结果或误差，按 照一定地规则或算法对网络权值和阈值进行调节，从而使网络的输出值逐渐 接近目标值。 图2 。6 有监督学习原理框图 无监督学习是一种自组织学习，即网络的学习过程完全是一种自我学习 的过程，不需要提供学习样本或外界反馈。在学习过程中网络只需要响应输 入信号的激励，按照某种规则反复调节网络权值和阙值，直到最后形成某种 有序的状态。例如，在很多情况下，无监督学习算法可以用来做聚类分析， 即通过学习将输入模式划分为有限的模式识别。无监督学习算法的典型代表 是h e b b 学习律。 ( 3 ) 神经网络的训练。 根据每次网络训练任务量的不同，神经网络的训练方式可分为渐进式训 练和批量式训练。渐进式训练( i n c r e m e n t a lt r a i n i n g ) 是一种在线学习方 式，即神经网络每接收一对输入矢量和目标矢量，便对网络权值和阈值进行 适量调整。而批量( b a t c ht r a i n i n g ) 则是在所有的输入矢量和目标矢量集 哈尔滨工程大学硕士学位论文 准备完成之后才开始根据相应的学习算法对网络权值和阈值进行批量调整。 渐进式训练和批量式训练既适用于动态网络，也适用于静态网络。同一神经 网络采用两种不同的训练方式得出的训练结果是不同的。 在神经网络的学习和训练过程中，选用何种训练方式，采用何种训练函 数，应该根据具体的网络形式和具体问题的类型与要求而定。 2 2 4 神经网络的特性 a n n 模拟人的大脑，也是由大量的神经元广泛互连而成的系统，这一结 构特点决定着人工神经网络具有高速信息处理的能力。另外，人工神经网络 的知识存储容量很大，在神经网络中，知识与信息的存储表现为神经元之间 分布式的物理联系，它分散地表示和存储于整个网络内的各神经元及其连线 上。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。只 有通过各神经元的分布式综合效果才能表达出特定的概念和知识。由于人工 神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有 很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清， 神经网络仍然能够联想思维存在于记忆中的事物的完整图像。只要输入的模 式接近于训练样本，系统就能给出正确的推理结论。 虽然a n n 与真正的生物神经网络有差别，但由于它汲取了生物神经网络 的部分优点，因此具有一些固有的特性： ( i ) a n n 在结构上与目前的计算机本质不同，它是由很多小的处理单元 互相连接而成的，每个处理单元的功能简单，但大量简单的处理单元集体的、 并行的活动得到预期的识别、计算的结果，具有较快的速度。 ( 2 ) a n n 具有非常强的容错性，即局部的或部分的神经元损坏后，不会 对全局的活动造成很大的影响。 ( 3 ) a n n 记忆的信息是存储在神经元之间的连接权值上，从单个权值中 看不出存储信息的内容，因而是分布式的存储方式。 ( 4 ) a n n 的学习功能十分强大，它的连接权值和连接的结构都可以通过 学习得到。 2 3 神经网络在预测建模中的优势 2 3 1 现有参数数据的问题 哈尔滨工程大学硕士学位论文 本文需要建模的储层参数是石油勘探中比较重要的三个参数，分别是储 层的渗透率、孔隙度和饱和度。现有的储层参数数据主要有三方面的问题： ( 1 ) 数据的不全性。由于对历史数据保存不善或是受当时技术和环境的 影响，致使部分数据丢失或残缺。 ( 2 ) 数据的无效性。由于时间的变迁，历史中存在的油井，有些早已开 采完毕，如今已成枯井；而有些油井的位置可能发生了变化，所以只是现有 的数据中有些数据是无效的。 ( 3 ) 数据的精度低。这主要受测井技术的限制。由于储层分布的多相性 和非均质性，因此无论是直接或间接测量三个参数中的任何一个都是十分困 难和代价昂贵的工作。迄今为止，仍没有一套完美的技术，使得储层参数的 测量达到一个很好的精度。 2 3 2 神经网络在预测建模中的优势 在传统的统计方法中，判别分析和回归分析技术是一种常用的、受欢迎 的技术。由于储层参数与测井曲线或地震数据之间的关系是非线性的，没有 明确的一一对应关系，而判别分析和回归分析是一种线性的分析方法，虽然 简单，但需要把非线性关系线性化，因而误差较大，很难取得满意的预测效 果。相对于传统的预测方法，神经网络在处理这方面问题中有着独特的优势， 主要体现在： ( 1 ) 容错能力强。由于网络的知识信息采用分布式存储，个别单元的损 坏不会引起输出错误。这就使得预测或识别过程中容错能力强，可靠性高。 ( 2 ) 预测或识别速度快。训练好的网络在对未知样本进行预测或识别时 仅需要少量的加法和乘法，使得其运算速度明显快于其他方法。 ( 3 ) 避开了特征因素与判别目标的复杂关系描述，特别是公式的表述。 网络可以自己学习和记忆各输入量和输出量之间的关系。 ( 4 ) 适应性强。神经网络嵌入了一个可以通过调整自身突触权值以达到 适应外界变化的能力。 ( 5 ) 具有很强的不确定性信息处理能力。即使输入信息不完全、不准确 或模糊不清，神经网络仍然能够联想思维存在于记忆中的事物的完整图像。 2 4 神经网络预测储层参数的总体思想 基于以上原因，储层参数建模的总体设计要分成两步进行：首先，利用 哈尔滨工程大学硕士学位论文 三维位置坐标建立同年代井网储层参数的横向预测模型，此模型有两大作用： 一是可以补全储层参数数据中不全的部分，即所谓的插值；二是可以修正储 层参数中不精确的部分。用同年代数据建立横向预测模型容易消除储层参数 中外界的变化因素( 如开采量、季节变动等) 。然后，建立单井随年代变化 的储层参数的纵向预测模型。 用神经网络预测储层参数的总体思路如图2 7 所示。 i 用预测模型 l 进行预测 图2 7 神经网络预测储层参数的总体思路 ( 1 ) 确定预测目标、计划。首先要对预测对象进行分析研究，确定预测 目标，从决策的需求出发，紧密联系实际需要与可能，确定预测解决的问题； 预测计划是根据预测目的制定的预测方案，包括预测的内容、项目，预测所 需要的资料，准备选用的预测方法，预测的进程、组织实施等。只有目的明 确、计划科学的预测，才能保证预测的顺利进行。 ( 2 ) 收集并整理资料数据。准确地调查统计资料和数据是预测的基础， 所以要尽可能地收集全与预测目标相关的资料、数据以及已有的预测方法， 并将其整理。 ( 3 ) 网络模型的选择。对于不同的问题，采用不同的网络模型，其效果 哈尔滨工程大学硕士学位论文 是不同的，选择适当的方法是预测准确的关键。神经网络有多种算法，而且 各有优缺点，因此要根据收集整理的资料数据，确定有效的预测技术。为了 收到预期的预测效果，最好提出几种不同的预测方案，经过分析确定合适的 预测技术后方可制定最终的试验方案。 ( 4 ) 建立初步预测模型。在确定网络模型后，就可以将学习样本送入 选定的网络模型进行训练，得到用于预测的神经网络模型。 ( 5 ) 评价模型的可用性。由于储层参数的发展变化受多种因素的影响， 其中很多是难以预见的突发因素，因而存在着不确定性，必然存在误差。根 据模型的结果，分析该结果是否可以预测目标的未来发展趋势，如果可以， 继续步骤 6 ) ；如果不可以，魁返回步骤( 3 ) 。 ( 6 ) 用预测模型进行预测。根据选择的可用预测模型预测目标的未来发 展趋势。 ( 7 ) 输出预测结果。将结果通过计算机界面输出给用户，以便决策者根 据输出的结果进行科学的决策。 2 5 本章小结 本章阐述了预测技术的基本概念、步骤、方法和分类以及人工神经网络 的基本理论、特点，分析了用神经网络进行预测较传统预测方法的优势所在。 根据石油储层参数的特点，选用神经网络预测可以提高储层参数预测的分辨 率和可靠性，并介绍了用季申经网络进行储层参数预测的思路。为石油储层参 数的预测提供了一种新的方法。 1 4 哈尔滨工程大学硕士学位论文 第3 章几种常用神经网络模型 3 1b p 神经网络 3 1 1b p 网络结构 b p 网络是一种多层前馈神经网络，是目前应用最广的一种神经网络，该 算法是由r u m e l h a r t 等在1 9 8 6 年提出的。网络的神经元模型结构如图3 1 所示。b p 神经元与其他神经元类似，不同的是b p 神经元的传输函数为非线 性函数，最常用的函数是l o g s i g 和t a n s i g 函数。b p 网络是一种具有三层或 三层以上的神经网络，包括输入层、中间层( 隐层) 和输出层。上下层之间 实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神 经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得 网络的输入响应。在确定了b p 网络的结构后，要通过输入和输出样本集对网 络进行训练，亦即对网络的阂值和权值进行学习和修正，以使网络实现给定 的输入输出映射关系。 图3 1b p 网络神经元模型结构 b p 网络的学习过程分为两个阶段：第一个阶段是输入已知学习样本，通 过设置的网络结构和前一次迭代的权值和阈值，从网络的第一层向后计算个 神经元的输出。第二个阶段是对权值和阈值进行修改，从最后一层向前计算 个权值和阈值对总误差的影响( 梯度) ，据此对各权值和阈值进行修改。以 上两个过程反复交替，直到达到收敛为止。由于误差逐层往回传递，以修正 层与层间的权值和阈值，所以称该算法为“误差逆传播算法”，即b p 算法。 这种误差反传学习算法可以推广到有若干个中间层的多层网络，因此该多层 哈尔滨工程大学硕士学位论文 网络常称之为b p 网络。随着这种误差逆的传播修正不断进行，网络对输入模 式响应的正确率也不断上升。 3 1 2b p 算法 b p 算法也称误差反向传播算法( e r r o rb a c k p r o p a g a t i o na l g o r i t h m ) ， 是一类有导学习算法，用于b p 网的权值和阈值学习。下面讲述图3 1 所示 b p 网的权值调节算法，即著名的b p 算法。该网络是由一个输入层、两个隐 含层和一个输出层组成的四层网络。对b p 网的各计算节点，有： q = w 而一包 ( 3 1 ) i b | 其中： 厂f ( 吩) = 乃= ，( 叶) = 1 ( 1 + e x p ( 一机) ) ( 3 2 ) 2 , e x p ( - 2 u j ) 1 1 + e x p ( 一札) 1 + e x p ( - 2 u j ) = 旯( 1 一厂( 一”，( 叶) ( 3 3 ) 假设b p 网的输入矢量为工r ”，其中膏= ，五，毛) 7 ；第1 隐层有碍 个神经元，它们的输出为x e r l ，工l - j ，x l ，”，x _ - 1 ) 7 ；第2 隐层有恐个 神经元，输出为x 。e r 啦，工。- - - - ( x w 0 ，x j ，x s 1 ) 7 ；输出层有脚个神经元，输 w , y e r ”，y = ( y o ，m ，虼。) 7 。设输入层到第1 隐层的权为峋，阈值为巴； 第1 隐层到第2 隐层的权为w 业，阈值为t k ；第2 隐层到输出层的权为w ， 阈值为口l 。于是各层神经元输出为： 肌一l 乃= 厂( w “。屯胡j ) ， ；o x t ；：f 邕w 一tj - 8 t j j = o n - i x 0 = ，( 五呜) ， t - o 1 6 ，= 0 ，1 ，m 一1 k = o ，l ，慢- 1 ( 3 4 ) j = 0 ，1 ，m - 1 哈尔滨工程大学硕士学位论文 显然，它将完成疗维空间矢量到t n 维空间的映射。 3 1 3b p 算法的缺点 虽然b p 算法的提出开辟了神经网络研究的新局面，但是，在实际应用中 它还存在一些问题，主要有以下几个方面： ( 1 ) 学习率与稳定性的矛盾 梯度算法进行稳定学习要求的学习率较小，所以通常学习过程的收敛速 度很慢。虽然附加动量法通常比简单的梯度算法快，因为在保证稳定学习的 同时，它可以采用很高的学习率，但对于许多实际应用，仍然太慢。 ( 2 ) 学习率的选择缺乏有效的方法 对于非线性网络，选择学习率也是一个比较困难的事情。对于线性网络， 我们知道，学习率选择得太大，容易导致学习不稳定；反之，学习率选择得 太小，则可能导致无法忍受的过长的学习时间。不同于线性网络，我们还没 有找到一种简单易行的方法，以解决非线性网络选择学习率的问题。 ( 3 ) 训练过程可能陷入局部最小 从理论上说，多层b p 网络可以实现任意可实现的线性和非线性函数的映 射。克服了感知器和线性神经网络的局限性。但在实际应用中，b p 网络往往 在训练过程中，也可能找不到某个具体问题的解，比如在训练过程中陷入局 部最小的情况。 3 2 径向基神经网络 径向基神经网络( r a d i a lb a s i sf u n c t i o nn e u r a ln e t w o r k ，简称r b f ) 是一种比较新颖的网络类型。1 9 8 9 年m o o d y 和d a r k e n 提出了一种网络，即 径向基函数神经网络，同年，j a e k o n 论证了径囱基函数网络对非线性连续函 数的一致逼近性能。它可以根据问题确定相应的网络拓扑结构，学习速度快， 不存在局部最小问题，径向基网络的优良特性使得它具有更强的生命力和更 广阔的应用。 3 2 1r b f 网络的基本结构 构成径向基函数网络的基本思想是：用径向基函数作为隐层单元的基本 函数，构成隐层空间，这样就可以将输入矢量直接映射到隐空间。当径向基 函数的中心点确定后，这种映射关系就确定了，而隐含层空间到输出空间的 1 7 哈尔滨工程大学硕士学位论文 映射是线性的，即网络输出是隐单元输出的线性加权和。此处的权即为网络 可调参数。由此可见，从总体上网络由输入到输出的映射是非线性的，而网 络的输出对可调参数而言又是线性的。这样网络的权值可由线性方程直接解 出或递推计算，从而大大加快学习速度并避免局部极小问题。 a q o - j 图3 2r b f 网络神经元模型结构 径向基函数神经网由输入层、隐层和输出层组成的三层前馈网络。各层 有多个神经元，相邻两层单元之间单方向连接，结构如图3 - 2 所示。图中五 是输入层的输入，q 是隐层输出，j ：是输出层的输出。c j 是第，个隐层单元 基函数的中心，它是一个维向量，即q = ( q l ，一，q 。) 7 q 表示第 ，个隐含层单元基函数的宽度。既为第，个隐层单元与第f 个输出单元之间 的连接权。m ，厶分别表示输出单元、隐层单元和输入单元的数量；i , j ，k 分 别代表输出单元，隐层单元和输入单元。 第一层为输入层，单元数量同实际问题的输入维数一致。第二层为隐 含层，其单元层数工的选择是一个复杂的问题，视所描述问题的需要而定。 第三层是输出层，单元数量m 同实际问题的输出维数一致。 3 2 2r b f 的映射关系 r b