相似度－遗传神经网络在储层物性预测中的应用

董兴朋

（中国地震局地震研究所，湖北武汉430071）

相似度－遗传神经网络在储层物性预测中的应用

董兴朋

（中国地震局地震研究所，湖北武汉430071）

传统的测井解释需要建立精确的数学模型，并常伴有严格的条件限制，因此很难得到真实反映储层特性的结果。采用遗传算法与BP神经网络相结合，利用遗传算法的全局寻优特点，优化神经网络的连接权值和阀值，提高网络的训练精度和预测精度，避免了BP算法易陷入局部极小的缺点，提高运算速度。将相似度的概念引入到测井中，定义相似度在测井中的计算公式，提出相似度与遗传神经网络相结合的方法。实例研究表明，预测准确性较高，可以有效控制预测精度，避免因储层差别大而造成的预测精度降低的现象。

地球物理测井；遗传算法；相似度；神经网络；储层物性；预测

0 引 言

通过岩心取样进行室内测试，获取岩心的孔隙度精度很高，但取样和测试的费用很高，致使获取的储层孔隙度数据有限，不能覆盖整个工区［1］。常规测井解释多通过经验公式或简化地质条件建立模型计算储层参数。然而测井资料具有不确定性和非结构化的特点，过去采用的统计方法未能摆脱线性方程的束缚，使求得的物性参数很难与实验数据建立良好的对应关系［2］。

BP神经网络［3］的学习基于梯度下降法，因此存在收敛速度慢及网络参数和计算参数难以确定等缺点［4］。遗传算法（Genetic Algorithm，GA）是一种借鉴生物界自然选择和自然遗传机制的搜索算法，它能在复杂空间中寻找最优解，且有算法简单、适用、鲁棒性强等优点。基于以上2种算法各自的优缺点，可以将遗传算法和BP神经网络结合，提高网络训练精度。利用GA－BP神经网络预测储层物性参数，具有综合利用多种测井参数，客观反映输入参数与储层参数之间复杂规律和无需选择测井解释参数等特点。

本文将相似度的概念引入到测井中，提出了相似度与遗传神经网络相结合，并在MATLAB中进行预测，可以有效控制预测精度，避免因储层差别大而造成的神经网络预测精度降低的现象。

1 遗传算法与神经网络

1.1 标准BP算法

BP（Back Propagation）网络是一种按误差逆传播算法训练的多层前馈网络，能学习和存储大量的输入－输出模式映射关系，无需事前揭示描述这种映射关系的数学方程。它的学习规则是最速下降法，通过反向传播不断调整网络的权值和阀值，使网络的误差平方和最小。理论证明，含有一个隐含层的BP网络可以实现以任意精度近似任何连续非线性函数［5］。但在实际应用过程中，存在易陷入局部极小和收敛速度慢等缺点。针对这些缺点，已有人对此提出了改进方案，如修正学习率、增加动量项、引入陡度因子及改进神经元激励函数等［3］。

1.2 遗传算法原理

遗传算法是借助生物的进化规律，使所要解决的问题从初始解一步步逼近最优解［6］。它是一种全局优化搜索算法，可以有效克服BP神经网络易陷入局部最优的不足。遗传算法一般包括选择、交叉和变异3个基本操作。适应度函数（目标函数）被用来评价个体解的优劣程度，从而对个体进行选择操作。控制GA处理效果的主要参数包括群体规模与交叉概率、变异概率。其流程见图1。

图1 遗传算法流程图

1.3 权值优化

用GA优化神经网络可以使得神经网络具有自进化、自适应能力，它主要包括网络权值的进化、网络拓扑结构的进化和学习规则的进化，而最主要的是用来优化网络的权值［7］。遗传算法优化神经网络权值的一般步骤如下。

（1）确定BP神经网络的拓扑结构和训练样本。

（2）对神经网络权值编码，遗传控制参数初始化，产生含P个个体的初始种群（权值）。

（3）适应度函数的确定。一般以误差函数的倒数作为染色体评价函数。误差越大适应度值越小。

（4）计算每个个体的适应度，选择若干适应度函数值大的个体直接进入小一代；适应度小的个体被淘汰。

（5）利用交叉、变异等遗传算子对当前新一代群体进行新一轮迭代，直到训练目标满足终止条件为止。重复步骤（2）、（3）、（4）、（5），对新一代群体进行新一轮迭代，直到训练目标满足终止条件为止。

2 相似度在测井中的应用

2.1 储层类型

影响储层孔隙度的地质因素有埋藏深度、构造位置、沉积环境、岩性变化、成岩程度等。沉积环境对储层物性的影响一直是定性说明，由于在不同的沉积环境中会形成不同的沉积序列，也就会有不同的砂地体积比值［8］。最常见的有3类：冲积扇沙砾岩储层、河流砂体储层和三角洲砂体储层。在相同的储层类型中，由于沉积环境相同，可以认为测井信息与储层参数之间的非线性映射是相似的。

2.2 相似度在测井中的定义

在相同的沉积环境（即冲积扇沙砾岩储层、河流砂体储层和三角洲砂体储层3类），取标准的储层模型i，该模型指标特征值的向量μi＝（μi1，μi2，…，μik），其中，μi1，μi2，…，μik分别为储层k种不同测井曲线值；取所要预测的储层为样本j，指标特征值向量为rj＝（rj1，rj2，…，rjk），k种不同的测井技术对储层物性影响的权重分别为wj1，wj2，…，wjk则样本j相对标准模型i的相似度为

有了相似度的定义，在进行储层相似度预测时就可以先计算所要预测储层与已知模型的相似度。若相似程度很高，就可以直接用经过已知模型训练的神经网络对未知储层的孔隙度进行预测。

3 GA－BP网络模型及MATLAB实现

用神经网络预测储层物性参数，就是寻求测井信息与储层物性参数之间的某种非线性映射。BP网络是一种按误差逆传播算法训练的多层前馈网络，很好地解决了输入和输出之间的关系和复杂的非线性问题，为储层参数的预测提供了一种有效的途径［2］。

MATLAB中的神经网络工具箱以神经网络为基础，利用MATLAB脚本语言构造出典型的神经网络激活函数，使设计者对所选网络的计算变成对激活函数的调用，为用户提供了极大方便［2］。基于MATLAB的GA－BP网络实现储层物性预测的一般步骤如下。

（1）原始资料的预处理。岩心实验数据及测井数据的预处理包括岩心数据和测井数据的深度归位，使得岩心分析所得的物性参数和测井信息来源于同一深度。

（2）选取学习样本。

（3）数据的归一化处理。使用premnmx函数进行归一化处理，使数据分布在［－1～1］之间。

（4）构建预测网络模型。根据神经网络的连续函数映射定理，具有3层（1个输入层、1个隐含层和1个输出层）的网络结构，即可实现任意连续函数从输入空间向输出空间的映射［3］。本文采用3层的神经网络结构，输入神经元数为测井参数的个数，输出神经元为1个（孔隙度或渗透率），隐含层节点数较难确定，节点数太多，网络训练时间长；节点太少，误差精度又达不到要求。用学习样本集训练网络，直到精度满足要求为止，保存网络，建立储层参数预测网络模型。

（5）应用上述建立的预测网络模型预测未知储层层段的物性参数。

4 孔隙度的预测

4.1 基于GA－BP神经网络的孔隙度预测

以宁东5井延长组目的层段的7个样本为训练样本作为神经网络的输入，岩心孔隙度作为训练样本输出值，选取反映储层孔隙度参数敏感的声波（AC）、密度（DEN）、中子测井（CNL）和自然伽马（GR）等4种测井曲线作为输入元，隐含层的神经元数为25，输出层神经元为1，建立GA－BP神经网络模型（样本训练数据见表1）。

表1 样本训练数据

GA－BP神经网络染色体编码采用实数编码，适应度函数为误差平方和的倒数。种群规模为50，遗传代数为100，网络最大训练次数为1 000，训练误差精度为0.000 1。用训练样本训练网络，经过100代遗传操作，得到遗传算法优化的BP网络初始权值和阀值，适应度函数值为2 300（见图2）；再用共轭梯度BP算法训练网络，经过35次迭代，均方差误差达到训练误差精度0.000 1（见图3）。

取3组数据作为测试样本进行预测。取训练样本与测井输入曲线的平均值作为标准储层模型的指标特征值，根据式（1），取权重均为0.25，计算3组测试样本的相似度。预测结果见表2，误差随相似度变化曲线见图4。

由表2和图4知，当所预测样本与训练样本的相似度高时，预测精度很高；反之，预测精度不高，存在较大的误差。随着相似度的增大，GA－BP神经网络预测的误差逐渐减小。因此，在孔隙度预测之前，须先计算预测样本的相似度，以判断是否适合，这样，可以有效控制预测精度，避免因储层差别很大而造成的神经网络预测精度降低的现象。

图4 误差随相似度的变化曲线

表2 GA－BP神经网络孔隙度预测数据表

4.2 GA－BP算法与标准BP算法预测结果对比

同样，以表2中3组样本为测试样本，采用标准BP算法对样本孔隙度值进行预测（预测结果见表3、图5）。由表3可知，采用标准BP算法得到的预测值的误差高于采用GA－BP算法的误差。样本1由于相似度较低，2种算法得到的误差都较高；样本2和3采用GA－BP算法得到的预测值的误差远小于标准BP算法，证明了GA－BP算法相对于传统的标准BP算法的优势；图5中，GA－BP算法和标准BP算法预测的误差都随着相似度的增加而减小，证明了将相似度引入到储层孔隙度预测中的必要性。

表3 GA－BP算法同标准BP算法预测结果对比

5 渗透率的预测

岩石渗透率受孔隙度、粒度、分选、磨圆、矿物组成和黏土分布等诸多因素直接或间接影响［2］。选取孔隙度以及自然伽马（GR）、电阻率（Rt）、声波（AC）、密度（DEN）、中子测井（CNL）等作为网络的输入，岩心渗透率为网络的输出。以宁东5井为例，选取7个样本为训练样本作为神经网络的输入，预测模型采用3层的神经网络，其中输入神经元6个，隐含层神经元25个，输出神经元1个。GA－BP神经网络设置与上文中孔隙度预测设置相同，求相似度时，自然伽马（GR）、电阻率（Rt）、声波（AC）、密度（DEN）、中子测井（CNL）权重均取0.15，孔隙度权重取0.25。训练样本数据和预测结果见表4和表5。可以看出，同孔隙度预测一样，随相似度的减小，GA－BP神经网络预测精度降低。

图5 GA－BP算法同标准BP算法预测结果对比图

表4 训练样本数据

表5 GA－BP神经网络渗透率预测数据表

6 结 论

（1）利用BP神经网络可以建立起测井响应和储层物性参数之间的非线性映射关系，将遗传算法与BP神经网络相结合，优化了神经网络的权值和阀值，避免了标准BP算法易陷入局部极小的缺点，为储层物性预测提供了一条很好的途径。

（2）通过MATLAB工具箱库函数的调用就可以很容易实现GA－BP神经网络的建模，免去了繁杂的编程，提高了研究效率。

（3）将相似度的概念引入到测井储层物性预测中。实例研究表明，相似度越高，GA－BP神经网络预测误差越小。因此，在储层物性参数预测之前，须先计算预测样本的相似度，以判断是否适合，这样可以有效地控制预测精度，避免因储层差别大而造成的神经网络预测精度降低的现象。

［1］ 连承波，李汉林，渠芳，等.基于测井资料的BP神经网络模型在孔隙度定量预测中的应用［J］.天然气地球科学，2006，17（3）：382－384.

［2］ 陈蓉，王峰.基于MATLAB的BP神经网络在储层物性预测中的应用［J］.测井技术，2009，33（1）：75－78.

［3］ 陈钢花，董维武.遗传神经网络在煤质测井评价中的应用［J］.测井技术，2011，35（2）：171－175.

［4］ 林香，姜青山，熊腾科.一种基于遗传BP神经网络的预测模型［J］.计算机研究与发展，2006，43（suppl.）：338－343.

［5］ 谢立春.BP神经网络算法的改进及收敛性分析［J］.计算技术与自动化，2007，26（3）：52－56.

［6］ 赵军，祁兴中，宋帆，等.遗传算法在测井识别凝析气藏中的应用［J］.测井技术，2006，30（4）：313－316.

［7］ 洪露，马长山，谢宗安.基于遗传算法的神经网络权值优化［J］.贵州工业大学学报：自然科学版，2003，32（6）：48－51.

［8］ 王朋岩.用神经网络预测储层的孔隙度［J］.大庆石油学院学报，2003，27（2）：5－7.

Application of Similarity－Genetic Neural Network to Reservoir Parameters Prediction

DONG Xingpeng
（Institute of Seismology，China Earthquake Administration，Wuhan，Hubei 430071，China）

Due to the anisotropy of reservoir，using the linear method it is difficult to get actual reservoir characteristics.On the basis of a combine of genetic algorithm and BP neural network，the global random hunting function of the genetic algorithm is used to optimize neural network connection weights and threshold，which enhances the network tranining precision and parameters prediction accuracy，and as well，increases computing speed by avoiding its disadvantages that standard BP algorithm is apt to trap in local minimal solution.At the same time，we define the similarity in well logging and its calculation formula，and propose a predicting method to combine similarity and Genetic Neural Network.Compared with real samples，the predictive accuracy is higher and effectively controlled，enhance the neural network prediction accuracy.

geophysics logging，genetic algorithm，similarity，neural network，reservoir physical property，prediction

P631

A

2011－12－05 本文编辑 李总南）

1004－1338（2012）03－0267－05

董兴朋，男，1988年生，在读研究生，研究方向为固体地球物理。