神经网络技术助力油气层识别

□ 文/侯力

神经网络技术助力油气层识别

□ 文/侯力

人工神经网络在石油勘探及开发的诸多方面有着广阔的天地。

油气勘探具有高投入、高风险的特点，如何利用现有勘探资料，采取切实可行的技术方法，增强测试层位的可靠性和准确性，对于扩大油气储量及提高已发现油气藏的勘探价值具有重要意义。近年来用人工神经网络对储层进行识别与评价成为研究及应用的较为广泛的方法。

时间延迟神经网络

江汉石油学院刘瑞林等人在研究了目前已发展的几种地震资料油气识别技术后，提出了时间延迟神经网络地震油气识别方法即采用滑动时窗的办法进行多时窗特征提取，以表达特征信息随时间的变化，亦即地层层序等因素的变化。时间延迟神经网络模型通过井旁道的标定，对于每一道就有一个多维特征串，这些特征串与地层含油气与否的关系通过一个时间延迟神经网络(TDNN)模型联系起来，用于表达相应时窗特征信息与地层含油气性的关系。时间延迟网络进行油气识别时增加了层序的约束，对于地震油气识别来说是一种合理的方法。

前馈式神经网络

简称BP神经网络，它是目前应用最广泛、研究最深入的一种多层前馈神经网络。BP算法是一种监督式的学习算法，它是通过连续不断地在相对于误差函数斜率下降的方向计算网络权值和偏差的变化而逐渐逼近目标的。它由信息的正向传递和误差的反向传播两部分组成。

在第一阶段，即信息的正向传递阶段，给出输入信息，通过神经网络处理并计算每个神经元的实际输出值；在第二阶段，即误差反向传播阶段，网络在输出层比较网络输出与目标值，若未能得到期望的输出值，则逐层递归计算目标值与期望输出之差(即误差)，以此为根据调节权值。上述两个过程反复进行，直到网络输出与目标匹配或误差达到人们所希望的要求为止。

自组织特征映射SOM神经网络

自组织特征映射网络是一种竞争式学习网络。这种网络采用无导师监督的学习方式，以基本竞争网络算法为基础，通过网络中邻近神经元阳J的侧向交互作用和相互竞争。在一维或二维输出空间中形成输入信号的特征分布拓扑图，自适应的形成对输入模式的不同响应，以完成对输入信号的特征提取功能。

SOM模型是由输入层和输出层(竞争层)组成的两层网络。网络中的权分为两类：一类是层与层之间的权；另一类是层内互相抑制的权。SOM模拟了大脑信息处理的自组织、自学习和聚类功能，并以其高强度的特征判别优点在许多领域得到了广泛应用。

基于模式识别技术的人工神经网络虽然得到了广泛的认识和探索，但应用尚处于初始阶段。由于它具有传统统计方法无法替代的功能，尤其是它能解决各种非线性问题，这为神经网络在石油勘探及开发的诸多方面应用开辟了广阔的天地。可以预料，随着神经网络这门学科的不断完善，神经网络方法将会渗透到石油科学的各分支学科中。

作者单位：中国石油吉林油田公司