BP神经网络在天然气水合物化探中的应用

马金凤， 梁　建， 郭　军， 陈宏文

(1.国土资源部海底矿产资源重点实验室，广东广州510075； 2.广州海洋地质调查局，广东广州510075)



BP神经网络在天然气水合物化探中的应用

马金凤1，2， 梁建1,2， 郭军1,2， 陈宏文1,2

(1.国土资源部海底矿产资源重点实验室，广东广州510075； 2.广州海洋地质调查局，广东广州510075)

摘要：地球化学方法在天然气水合物勘探评价过程中的参数存在不确定性，且误差传递易导致结果不可信。运用BP神经网络技术，在天然气水合物勘探区域选取相关的应用切入点，通过训练建立神经网络模型，利用其非线性映射技术，揭示天然气水合物勘探评价中涉及的多个属性之间的非线性关系。计算结果显示，神经网络的分类方案有效弥补了当前地球化学评价方法存在的多解性等缺点，运用在地球化学数据的基础上建立的BP神经网络模型，对研究区块进行仿真预测，可以实现水合物矿藏的分等级评价。

关键词：地球化学分析；BP神经网络；网络训练；网络仿真

0引言

天然气水合物勘探对地球化学数据的处理通常采用传统的数理统计方法，针对单个元素异常进行计算，然后绘制单个元素异常等值线，确定勘探研究区域内的异常点；或通过叠合各个指标圈出的异常区域，用于分析异常组合特征以及异常的好坏。传统评价方法的缺点是只针对单个异常元素进行处理，并且仅仅是将异常数据的量值作为分析研究的对象。此外，在结合地球物理、地质资料以及地球化学指标分布异常的综合分析过程中，室内分析人员的专业技术知识与背景对分析结果有较大的影响，不同技术人员对同一资料的分析结果可能存在多解性差异(陈剑平，2008)。

BP(Back Propagation)神经网络是1986年由Rinehart和McClelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一(朱凯等，2010)。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

本次研究利用BP神经网络的非线性处理功能，针对在我国南海天然气水合物地球化学勘探中所取得的成果数据，训练建立BP神经网络模型，对数据实现分类与预测，为圈定天然气水合物赋存的区域分布特征提供新思路、新方法。

1BP神经网络结构

1.1BP网络神经元模型

BP网络神经元模型是对人脑神经元结构的抽象与简化(梁民等，1990)。如图1所示，包括1个R维向量的基本输入(p1，p2，p3，…pR)，1个线性累加

图1　有R个输入的BP网络神经元Fig.1　BP network neurons with R input variables

器∑，1个外部偏差b以及1个计算输出与神经元传递函数f(Wp+b)。神经元结构中有突起进行信息传递，而BP网络神经元中也包含传递函数。常用的神经元传递函数包括Log-Sigmoid型函数logsig(s)、Tan-Sigmoid型函数tansig(s)以及线性函数purelin(s)。

1.2BP神经网络结构

BP神经网络通常包括3层，即输入层、隐含层和输出层(侯媛彬等，2007)。图2是一个典型的具有3个神经元层的BP神经网络，隐含层传递函数为tansig函数，输出层传递函数为purelin函数(张国翊等，2011)。BP神经网络也可以包含多层的隐含层，但在理论上已经证明,在不限制隐含层神经元数量的情况下,1个3层(输入层、输出层以及1个隐含层)的BP网络已经可以解决任意非线性拟合问题(Krylov，2002)。

图2　由2层神经元构成的BP神经网络Fig.2　BP neural network formed by two layers of neurons

2网络的设计与训练

利用21个重力活塞取样站位的沉积物现场测定的地球化学信息作为网络的输入，结合多项室内分析数据后得出的分类结果信息作为网络输出，训练并建立BP神经网模型。其中，作为网络输入层的数据项包括重力活塞取样站位的空间纵横坐标值，样品顶部与底部的现场测定的空气甲烷含量、孔隙水营养盐(SiO3-Si、PO4-P、NH3-N)、总碱度(TA)等结果数据，共计12项。而训练网络的输出项则包括无明显指示水合物赋存的站位，一定程度指示水合物赋存的站位以及强烈指示水合物赋存的站位三大类。该分类结果是结合现场测试与室内测试所得的地球化学指标数据，对21个重力活塞取样站位进行重点研究后得出的分类结果。

在数据预处理过程中，为了统一数据的量纲，通常在数据预处理过程中对数据进行归一化处理(朱庆生等，2012)。归一化处理后的重力活塞取样站位训练数据如表1所示。

表1　网络训练采用归一化处理后的站位数据

隐含层神经元个数根据经验公式n=2n1+1(式中：n为隐含层节点数,n1为输入节点数)与实际情况不断调整最后确定(杨守建等，2013)。用相同的样本集进行训练，对比确定网络误差最小时对应的隐含层节点数为27。

输入层到隐含层的传递函数采用tansig，隐含层到输出层的传递函数采用logsig；最大训练步数为1 000，训练的目标误差为0.01；并选用Levenberg-Marquardt算法(赵弘等，2002)作为网络的训练方法，创建BP神经网络模型(图3)。

图3　BP神经网络模型Fig.3　BP neural network model

3网络仿真

当BP神经网络模型建立后，利用21个重力活塞取样数据生成的神经网络模型，输入87个重力柱取样数据进行分类预测。Levenberg-Marquardt的训练算法自动将实际输出值和期望值进行比较，得到误差信号，再根据误差信号从后(输出层)向前(输入层)逐层反转，调节每个神经层神经元之间的连接权重，直至误差减至满足要求为主。如表2所示，模型成功预测出3种既定类别，但也包含了少量预测失败的站位(即计算结果最终不收敛)。从预测数量上看，预测失败的类型占所有预测数据的12.6%，而从整个分布区域上看(图4)，该类型的区域只占全区域很小的一部分。

表2　预测结果统计

图4　仿真结果1-强烈指示; 2-一定程度指示; 3-无明显指示; 4-预测失败Fig.4　Simulation results

4建模解析及实验结果评价

传统评价方法主要是采用数理统计的方法对87个重力柱状取样站位现场测试结果进行统计：首先圈定CH4异常区，SiO3-Si异常区、PO4-P异常区、NH3-N异常区以及总碱度(TA)异常区；然后再对多个异常区进行叠合(邓希光等，2006)。结合21个重点分析重力活塞取样站位数据，以及地质与地球物理证据，最终圈定天然气水合物赋存的分布特征(图5a)。

所用的BP神经网络技术，首先收集研究区域的地球化学数据；然后根据重点分析的21个重力活塞取样站位资料，用神经网络技术进行训练，建立非线性模型；最后用该模型对研究区域内的87个重力柱状取样站位资料进行仿真分类预测。最终，根据BP神经网络的仿真数据结果，运用Surfer 7.0生成相应的仿真样本分布图，得出天然气水合物赋存预测结果(图5b)。

在社会主义法治社会的建设过程中，社会大众道德与法治意识的程度，特别是初中生的道德与法治意识，是衡量一个国家法制建设的重要标准。社会主义法制国家建设并不是一件一朝一夕就可以完成的任务，而是一项长期的任务。在初中道德与法治课教学中，注重激活学生的思维，促使其运用法治的思维处理与解决生活中遇到的问题。广大中学生是祖国未来发展的希望，更加肩负着社会主义法治社会建设的责任，因此，在初中道德与法治课中激活初中生的思维，有利于推动社会主义法治社会的建设。

图5　传统评价方法与BP神经网络仿真结果对比Fig.5　Comparison between the traditional evaluation method (a) and BP neural network simulation (b)

图5a是化探各指标的异常叠加图。在圈出各指标的异常并叠加后，整体可以得出3块异常区，即西南面的两大异常区及中北部异常区。但是经过异常叠加后，所反映的信息比较凌乱，有可能存在多解性，不同的研究人员会得出不同的结果，而且对地质、地球物理的解释结果依赖性比较大。

图5b是神经网络预测结果，所用的资料包括站位的空间纵横坐标值、现场测定的CH4含量、孔隙水营养盐(SiO3-Si、PO4-P、NH3-N)、总碱度(TA)等数据，整体上也能得出3个大的异常区，而从细分的角度可以明确显示出异常程度的变化，如强烈指示区域、一定程度指示区域或者无明显指示区域。如资料齐全，该模型能够把各种成藏指标通过非线性技术有效地融合在一起。所以BP神经网络技术在资料齐全、模型正确的情况下，比传统化探评价方法更有效、更直观。

5结论

人工神经网络的非线性运算能力非常适合于处理观测数据与地学本质之间的关系。利用构建的BP神经网络模型对调查范围内的87个重力柱取样数据进行分类预测，结果能够清晰显示研究区域内的水合物前景区域，为天然气水合物评价提供新的思路与方法。

BP神经网络结构的选择尚无统一而完整的理论指导，一般只能由经验选定，而网络结构直接影响网络的逼近能力及推广性质。因此，如何选择合适的网络结构是一个重要的问题。实验证明，神经网络的分类方案有效地弥补了当前地球化学评价方法存在的多解性等缺点，与传统的化探技术对比有其独特的优点。在补充相应地质与地球物理数据的基础上再建立BP神经网络模型，对研究区块内的地化数据进行仿真预测，其泛化能力与分类效果将会更好。

随着世界各国对天然气水合物资源的重视，我国将加大对领海范围内新型能源的勘查力度以及相关科研经费的投入。为了进一步深入了解我国天然气水合物资源的潜藏情况，加快从资源勘探迈向资源开发的步伐，我国将为海洋调查队伍配备更先进的海洋勘查装备与仪器，并在重点区域实施大规模的钻探取样。伴随着钻井数据与天然气水合物实物资料的不断丰富，训练样本将可以用钻井数据替代浅层的重力活塞样数据，BP网络模型的准确性将进一步提高。

参考文献：

陈剑平. 2008. 基于MATLAB的神经网络模式识别技术在油气化探中的研究及应用.北京：中国地质大学(北京).

邓希光,付少英,黄永祥,等.2006.南海北部东沙群岛HD196站位地球化学特征及其对水合物的指示.现代地质,20(1):92-102.

侯媛彬，杜京义，江梅.2007.神经网络. 陕西西安：西安电子科技大学出版社.

杨守建，陈恳. 2013.BP神经网络性能与隐藏层结构的相关性探究.宁波大学学报：理工版,26(1):48-52.

赵弘,周瑞祥，林廷圻.2002.基于Levenberg-Marquardt算法的神经网络监督控制.西安交通大学学报,36(5):523-527.

朱凯,王正林.2010.精通MATLAB神经网络.北京：电子工业出版社.

张国翊，胡铮.2011.改进BP神经网络模型及其稳定性分析.中南大学学报：自然科学版,42(1):115-124.

朱庆生,周冬冬,黄伟.2012.BP神经网络样本数据预处理应用研究.世界科技研究与发展,34(4):624-626.

KRYLOV N V. 2002. Introduction to the USA Theory of Random Processes. Providence, Rhode Island: American Mathematical Society.

Application of BP neural network to geochemical exploration of natural gas hydrates

MA Jinfeng1,2， LIANG Jian1,2， GUO Jun1,2， CHEN Hongwen1,2

(1. Key Laboratory of Marine Mineral Resources, Ministry of Land and Resources, Guangzhou 510075, Guangdong, China; 2. Guangzhou Marine Geological Survey, Guangzhou 510075, Guangdong, China)

Abstract：Geochemical methods used in the exploration of natural gas hydrates have uncertainty of parameters, and are in lack of result credibility due to the error transfer. This study applied the artificial neural network technology as a breakthrough point to explore natural gas hydrates, and established a neural network model through training. Using the nonlinear mapping technique, we revealed the nonlinear relationship among the multiple attributes during the evaluation of natural gas hydrates. The calculation suggests that the classification of the neural network can effectively remedy the defect of multiple solutions. It is illustrated that the BP neural network model based on geochemical data can simulate the study area and can further realize the classified evaluation of natural gas hydrates.

Keywords：geochemical analysis; BP neural network; network training; network simulation

doi:10.3969/j.issn.1674-3636.2016.01.113

收稿日期：2015-03-12；修回日期：2015-03-26；编辑：蒋艳

基金项目：中国地质调查局项目“天然气水合物专项数据库建设及战略研究”(GZH201100312)

作者简介：马金凤(1977—)，女，工程师，硕士，计算机专业，主要从事数据处理及数据库、数据挖掘技术研究与应用工作，E-mail： guai99@163.com

中图分类号：P628

文献标识码：A

文章编号：1674-3636(2016)01-0113-05