摘要:该文针对传统勘探方法不能准确预测剩余油气的问题,提出了基于模糊理论和自组织神经网络预测剩余油气的方法。利用模糊神经网络系统收敛较快,预测精度高的优势以及自组织神经网络无监督竞争式学习的机制,实现了对剩余油气的预测。神经网络的方法提高了预测精度,得到了较好预测的效果。
关键词:神经网络;预测;剩余油气;模式识别;训练
石油是国家经济发展的命脉,油气勘探开发则是石油工业的基础,在国民经济的地位举足轻重。随着地震勘探理论方法日趋成熟,我国各大油气田勘探程度相继提高,油气田已经被大幅度开采。然而我国的石油平均采收率并不高,约为30%多一点,还有近70%的油气并未采收,传统的油气勘探方法已经不能满足增加石油的采收率。当前我国各大油田的地质勘探工作已经进入中后期,迫切需要一些新的方法研究方法和技术,对油气田剩余油气的分布和变化趋势做出预测,以便在寻找新的勘探开发领域,同时也能继续对老油气田进行挖掘,从而提高油气产量。
近些年来,随着神经网络技术[1]的日趋成熟,基于模式识别的各类方法技术,如统计模式识别、神经网络、模糊判别等技术和理论在剩余油气预测方面都得到了较多的应用,也取得了较好的结果。其中模糊理论具有很强的表达能力并且容易被人理解,神经网络的自适应学习能力很强。由于模糊理论和人工神经网络各自的优点,常常被单独或者是组合起来运用到实践中,本文主要介绍神经网络的方法运用于预测剩余油气的工作中。
1 模糊理论
1.1 发展历程
1965年美国加州大学伯里克分校的扎德教授首先创立了模糊集合的数学理论,随后P.N.Marions也开始从事相关研究,于1966年发表了一份关于模糊逻辑的研究报告。1974年扎德教授作了模糊推理的研究报告,同年英国的E.H.Mamdanl运用模糊逻辑和模糊推理首次实现了蒸汽机的实验性控制,从此模糊理论的雏形形成了,随后模糊理论[2]掀起了一波热潮。
1.2 在剩余油气预测中的应用
在预测剩余油气[3]的实践中,首先对地震资料做初步的特征提取,然后将提取的样本用模糊理论的聚类方法进行训练,对训练样本进行几类。每类都有各自对应的神经网络,用专属于每类的样本依次训练各自对应的神经网络。具体步骤如下:
1)流体属性的提取
流体属性数据是三维数据,属性的提取方法依赖于具体的物理问题与数据网格的划分。三维数据场属性边界的提取所采用的方法是求出网格点的梯度,特征区域一般是梯度模值较大的区域。对于均匀的三维网格,估计其梯度的方法可采用三维差分。为得到网格点上的梯度值,简单的方法是利用前、后、左、右、上、下六个邻近点的场值进行简单的差分估计。在计算流体力学问题中,采用的网格大都是结构化网格,为计算网格点上的梯度,需将网格变换为均匀规则正交网格。设三维网格交换为[x=T1(ξ,η,?)],[y=T2(ξ,η,?)],[z=T3(ξ,η,?)],在点(m,n,p),其场值梯度在两种网格上的关系式为:
[?f?ξ?f?η?f??=?f?x?f?y?f?z?x?ξ?x?η?x???y?ξ?y?η?y???z?ξ?z?η?z??]
2)模糊系统处理流体属性
确定输入输出的学习样本[(αK,βK,γk)],k为样本个数。利用模糊聚类的方法将输入样本分成N类,N类样本对应N条神经网络。利用各自的样本训练各自的神经网络,选择合适的学习样本,系统经过多次样本训练和样本学习之后,优化出一部分识别精度高的样本,优选的样本到达能辨别精度后,将该样本输出,这样就可以被识别了。
2 自组织神经网络
2.1 结构与工作过程
自组织神经网络是上世纪80年代芬兰Helsink大学的Kohonen在Willshaw与Von der Malsberg在的工作上,结合对自然界中的生物神经系统的理解,创建Kohonen模型,又称Kohonen网络。自组织神经网络[4]的特征映射是基于生物的大脑神经系统,模拟它的自组织特征映射机制,在样本训练中有很强大学习能力,在组织学习中不需要监控,是一种无监督竞争式学习的前馈网络。自组织神经网络通过学习,从而提取某组数据中的某种重要特征或内在规律,按离散时间的方式进行分类。网络可以把任意高维的输入作为输入神经元,映射到低维空间得到输出神经元,并且使得输入神经元内部的某些相似性质表现为几何上邻近的特征映射,这就是人们常说的降维处理。这样输出神经元会聚集成一个输出层,输出层就可以绘制成一维或二维离散几何图形,并且其拓扑结构保持不变。此分类反映了样本集之间的本质区别,大幅度降低了一致性准则中的人为因素。
如图1所示,SOM网络是一种比较简单的双层网络, 由若干输入神经元和输出神经元组成。输入层与输出层各神经元之间实现了全部互相直接或间接的连接方式,每个输出神经元可通过可变连接权与所有输入神经元相连, 且输出神经元间存在局部相互连接。每个连接都具有对应的连接权值,用于表示该连接的强度。各个神经元的连接权值均具有一定的分布,每个输入神经元与输出神经元之间的联系通过连接权来传达。输出层的神经元之间实行侧向连接,相邻的神经元相互激励,距离较远的神经元则相互抑制,然而超过了一定的距离的神经元又具有较弱的激励作用,最后剩下的一个神经元或一组神经元,则反映该类样本的属性。
2.2 预测剩余油气的步骤
1)根据勘探数据体提取流体属性[5],并对其进行预处理。
2)优选出所要了解的流体属性,对其进行降维压缩,将压缩集作为模式识别的输入,以统计的油气储层参数作为输出来训练组组织神经网络。
3)利用模式识别[6]参数和降维压缩集对储层的油气进行预测,从而得到如今的剩余油气的分布。
3 结束语
本文针对传统油气勘探的方法难以满足预测油气田剩余油的难题,着重介绍了模糊理论和自组织神经网络的方法,这两种神经网络的方法各有优势。其中模糊神经网络的系统训练和学习速度快,收敛较快,预测的精度高。自组织神经网络的竞争模式起到了快速优选的作用,神经元之间的协作模式在某种意义上则缩短了整个流程的工作时间。总而言之,神经网络的技术与方法在预测油气田的剩余油气的实践中取得了不错的成果。
参考文献:
[1] 汪镭,周国兴,吴启迪.人工神经网络理论在控制领域中的应用综述[J].同济大学学报:自然科学版,2001,03:357-361.
[2] 王晓军,杨海峰,邱志平,等.基于测量数据的不确定性结构分析的模糊理论[J].北京航空航天大学学报,2010,08:887-891.
[3] 熊艳,包吉山,肖慈珣.模糊神经网络预测储层及油气[J].石油地球物理勘探,2000,02:222-227.
[4] 易荣庆,李文辉,王铎.基于自组织神经网络的特征识别[J].吉林大学学报:工学版,2009,01:148-153.
[5] 邹文,陈爱萍,陶正喜,等.流体属性敏感性分析研究[J].钻采工艺,2010(S1):151-152.
[6] 陈守煜.可变模糊聚类及模式识别统一理论与模型[J].大连理工大学学报,2009,02:307-312.