基于小波神经网络的测井自动分层

彭鸿鑫　陈育兴　林其锋　陈杰正　刘海东

摘 要：本文主要研究了小波神经网络在测井曲线自动分层中的应用问题。对于测井曲线自动分层的讨论，已有许多不同的分析方法，本文试图通过自组织特征映射神经网络算法与小波变换方法的结合，从点与类两个不同的角度，建立一种新的分层模型来实现对测井曲线进行自动分层，并结合实际的测井数据对该模型的可靠性与稳定性进行分析，得到此模型具有较强的实践性，能快速准确的对井进行自动分层，与人工分层结果极为接近。该模型有望成为测井分层的得力工具。

关键字：自组织特征映射神经网络（SOM）； 小波分析； 测井自动分层

中图分类号：O29 文献标识码：A 文章编号：1006-3315（2013）08-140-002

1.引言

在地球物理勘探中需要利用测井资料了解地下地质情况，其中测井曲线分层是首先要完成的基础工作，即将测井曲线构制成规则的矩形化曲线[1，2]，以便与地质单层相对应。

通常，根据地质结构的特点和地层的变化对井分层是通过人工来进行的，但人工分层存在诸多缺漏点。相对于人工分层，自动分层可以避免人为分层的随意性，并可在很大程度上提高工作效率[3]。另一方面，希望通过自动分层处理，与人工分层的结果进行比较分析，进一步提高分层精度。

2.数据背景

本文所使用的数据均来自2011年全国大学生数学建模夏令营C题。

3.小波神经网络综合模型

3.1数据预处理——小波变换去噪

简单的归一化处理是必须的，但已不能完全满足数据处理精准度的要求，由于地质层物质的复杂性和打井器械剧烈抖动的影响，容易使得真实数据中参杂很多的噪声，因此对数据进行去噪很有必要。

测井参数曲线是一维的，故用小波的一维信号去噪。含噪的一维信号模型可以表示如下：

k式中s（k）为含噪信号，f（k）为有用信号，e（k）为噪声信号，r为噪声信号的强度系数。s（k）通过小波变换后得到离散细节信号和离散逼近信号，噪声的离散细节信号的幅值和方差随着变换级数的增长而不断减少，对于所有尺度，自噪声的离散细节信号的系数方差随着尺度的增加会有规律地减少，但有用的信号小波变换的平均功率与尺度没有关系。利用这一特性，可选择一阀值，对小波变换后的系数进行处理从而达到降噪目的。

3.2模型建立

将测井曲线的数据进行预处理后，利用小波变换取得低频参数，在利用自适应神经网络算法进行分层，最后给出模型的可靠性和稳定性的分析。

自组织神经网络-小波变换：自组织特征映射（Self-Organization Map，SOM）神经网络就是一种无导师监督学习网络，它通过降维对输入层数据进行反复学习，使连接权矢量的空间分布能够反映输入模式的统计特性。

还有一个待解决的问题是：自组织映射神经网络对数据有很高的灵敏度，但测井分层所关注的是层与层之间的分界点（图1），若将图1的数据输入神经网络，会造成很大的误差，而且图1表示的测井曲线在高频域的系数，也会给神经网络的分层造成很大的影响。

为此，首先采用小波分析对曲线进行N层尺度的分解；然后对N层低频系数进行重构，通过高频滤波器将曲线震荡偏幅厉害的高频段进行过滤，留下信号的近似信号。

3.3模型求解

以一号井为标准井建立自组织神经网络模型。其中网络的输入节点为n=8个，分别对应与选定的8条曲线，对应深度的数据组成一个特征向量，依次出入到神经网络中，对其进行训练。

对一号井进行了足够次数的训练并与实际数据的对比，可以确定数据的小波变换需要分解的层数N和神经网络的学习系数

h（t），以最好地把测井数据的分层体现出来，避免导致系统的不稳定和收敛速度过慢，达不到误差要求。其中选择sym6小波基对一号井参数曲线进行8层的分解和低频系数重构。

4.结论

本文主要应用小波分析与自组织特征神经网络结合的方法，并利用Matlab软件来对物理测井分层进行研究。通过小波分析和自组织特征映射神经网络，从点与类的不同角度，分别对测井数据进行粗划分，然后结合两者的结果，对井层进行更加精确的划分。最后得出的结果显示，两个模型结合，得到优势上的互补，使结果更加符合实际。

参考文献：

[1]冯敬英.测井资料的自动分层和岩性识别[J]成都地质学院学报，1991，18（2）：97-102

[2]张辛耘，王敬农，郭彦军.随钻测井技术进展和发展趋势[J] 测井技术，2006，01：10-15+100

[3]肖波，韩学辉，周开金等.测井曲线自动分层方法回顾与展望[J]地球物理学展，2010，25（5）：1802-1810

[4]李广场，李江林.有序聚类分析在声波测井自动分层中的应用[J]工程勘察，2007，08：73-75