一種基于SOM網(wǎng)絡(luò)預(yù)測剩余油分布的方法

鄢棟云

摘要：該文針對(duì)基于地球物理的勘探方法不能有效地定量預(yù)測剩余油，提出了一種基于SOM網(wǎng)絡(luò)的方法來預(yù)測剩余油。本文闡述了SOM網(wǎng)絡(luò)的工作過程、算法的訓(xùn)練過程以及SOM網(wǎng)絡(luò)聚類的方法。通過對(duì)含油飽和度敏感的屬性進(jìn)行聚類分析，可以及時(shí)預(yù)測剩余油的分布，對(duì)提高石油產(chǎn)量具有非常重要的現(xiàn)實(shí)意義。

關(guān)鍵詞：剩余油；SOM網(wǎng)絡(luò)；聚類分析

中圖分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）02-0161-02

Abstract： This paper is aimed at the exploration methods which are based on geophysics can not predict the remaining oil accurately and quantitatively， a method which is based on SOM network is approached to predict the remaining oil. The paper briefly introduces SOM network work process， algorithm training process and cluster method. Through the sensitive attribute of oil saturation for clustering analysis， can predict the distribution of remaining oil in time which has very important practical significance to improve the oil production.

Key words： Remaining Oil； SOM Network； Clustering Analysis

隨著經(jīng)濟(jì)的發(fā)展，生活水平的提高，人們?cè)絹碓诫x不開石油。在常規(guī)的油田預(yù)測中，一般用井中地震數(shù)據(jù)隨時(shí)間的變化研究油田的動(dòng)態(tài)變化，如油田中剩余油的變化。常規(guī)油田監(jiān)測方法有一定局限性， 它無法獲得大量井間信息?，F(xiàn)階段我國各大油田較易開采的工區(qū)幾乎被開采殆盡，較難開采的工區(qū)仍然有大量石油剩余。國家歷來重視較難開采工區(qū)剩余油的分布作出測，一些傳統(tǒng)的勘探方法無法有效定量預(yù)測工區(qū)中剩余 的石油，這一直是地質(zhì)工作者和專家關(guān)注的焦點(diǎn)。因此，迫切需要一些新的方法對(duì)較難開采的工區(qū)中剩余油進(jìn)行預(yù)測，以便提高石油采收率，從而增加石油油產(chǎn)量，為國民經(jīng)濟(jì)發(fā)展作出貢獻(xiàn)。近來越來越多基于神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用到剩余油預(yù)測的領(lǐng)域中，這些方法在一定程度上獲得不錯(cuò)的效果。因此本文引入自SOM網(wǎng)絡(luò)，利用其學(xué)習(xí)和自適應(yīng)能力強(qiáng)的優(yōu)點(diǎn)，并利用SOM聚類的方法實(shí)現(xiàn)對(duì)剩余油的分布作出預(yù)測。該方法不僅能夠?qū)κＳ嘤瓦M(jìn)行定量分析，而且還可獲取剩余油的分布情況。

1 SOM網(wǎng)絡(luò)簡介

SOM（Self-Organizing Map）是自組織神經(jīng)網(wǎng)絡(luò)的意思，由芬蘭學(xué)者Kohonen在20世紀(jì)80年代初期模擬真實(shí)存在的生物神經(jīng)系統(tǒng)，并且結(jié)合前人在20世紀(jì)70年代的工作建立了的，因此也稱為Kohonen映射。

Kohonen映射的結(jié)構(gòu)可以認(rèn)為是由輸入層和輸出層構(gòu)成的雙層網(wǎng)絡(luò)，其拓?fù)浣Y(jié)構(gòu)是網(wǎng)絡(luò)上的所有神經(jīng)元接受不同刺激時(shí)做出不同的反應(yīng)，即不同形式的興奮狀態(tài)下形成的整體。雙層網(wǎng)絡(luò)之間連接是通過一系列的權(quán)值實(shí)現(xiàn)的，如果這些權(quán)值變得收斂或者相對(duì)穩(wěn)定，輸出層的某個(gè)神經(jīng)元上就會(huì)接受到來自輸入層的信號(hào)，這就是SOM網(wǎng)絡(luò)多維數(shù)據(jù)聚類的基礎(chǔ)。SOM網(wǎng)絡(luò)的聚類性質(zhì)是按幾何特征進(jìn)行的，一般以幾何中心作為參照，此外SOM具有很強(qiáng)的自組織學(xué)習(xí)能力。

SOM網(wǎng)絡(luò)在無監(jiān)督的學(xué)習(xí)方式由以下幾個(gè)機(jī)制組成：

1）競爭機(jī)制：映射中的神經(jīng)元計(jì)算所有輸入的信號(hào)（也稱為模式），分別得到它們判別函數(shù)的值，為神經(jīng)元之間的競爭提供了基礎(chǔ)。網(wǎng)絡(luò)中輸出層的神經(jīng)元之間互相競爭以求被激活，任一時(shí)刻都有且只有一個(gè)神經(jīng)元被激活，這個(gè)神經(jīng)元稱之為競爭獲勝神經(jīng)元，競爭過程中選擇勝利者的標(biāo)準(zhǔn)是具有判別函數(shù)最大值的特定神經(jīng)元。

2）協(xié)作機(jī)制：興奮神經(jīng)元的拓?fù)溧徲虻目臻g位置是由成為勝利者的神經(jīng)元所決定的，提供了類似的相鄰神經(jīng)元協(xié)作的基礎(chǔ)。

3）權(quán)值的調(diào)節(jié)機(jī)制：興奮神經(jīng)元通過對(duì)它們權(quán)值的適當(dāng)調(diào)節(jié)，以增加其關(guān)于該輸入模式的判別函數(shù)值。所做的調(diào)節(jié)增強(qiáng)了成為勝利者的神經(jīng)元對(duì)以后相似的輸入模式的響應(yīng)。

2 SOM算法

設(shè)δij 是輸入層各個(gè)節(jié)點(diǎn)i到輸出層的神經(jīng)元j的連接權(quán)向量， λ=（λ1，λ2，…，λn）是一個(gè)輸入為n維的向量。SOM算法如下：

1）初始化。對(duì)輸出層的各權(quán)向量δij隨機(jī)賦值，范圍在0到1之間，其中δij的值兩兩不相等。

2）接受輸入。從輸入集中隨機(jī)選取一個(gè)模式，并對(duì)其做歸一化處理。

3）計(jì)算神經(jīng)元的激活值。即尋找勝利者的神經(jīng)元。從初始輸入集按一定的方式選取初始網(wǎng)絡(luò)訓(xùn)練樣本集φ，對(duì)每一輸入向量λ（λ∈φ）， 使用歐幾里得距離作為不相似性度量， 計(jì)算輸出層各神經(jīng)元的激活值。

5）接受新的輸入，重復(fù)步驟（2）（3）（4）直到到達(dá)預(yù)設(shè)的循環(huán)次數(shù)為止，即可完成SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

3 預(yù)測工區(qū)中剩余油

利用SOM聚類分析的特點(diǎn)，將時(shí)移地震數(shù)據(jù)與一次地震數(shù)據(jù)分別做一系列的處理，然后比較其中的差異，即可得到工區(qū)中剩余油的分布。如圖所示，大體可分為以下4個(gè)步驟：

1）優(yōu)選出對(duì)含油飽和度敏感的屬性

首先對(duì)工區(qū)中所有井進(jìn)行勘測獲得其基本的儲(chǔ)層參數(shù)，即原始含油飽和度。經(jīng)過一段時(shí)間的開采，分別在兩個(gè)不同的時(shí)間對(duì)所有井進(jìn)行勘測，第一次獲得數(shù)據(jù)稱為一次地震數(shù)據(jù)，第二次獲得的數(shù)據(jù)稱為二次地震數(shù)據(jù)，也稱時(shí)移地震數(shù)據(jù)。然后對(duì)一次地震數(shù)據(jù)做加權(quán)平均計(jì)算出每個(gè)儲(chǔ)層井點(diǎn)含油飽和度的原始值，其中不乏一些差異較大的值，根據(jù)統(tǒng)計(jì)儲(chǔ)層參數(shù)的分布的真實(shí)性去除這些異常值，并把其他的值作為樣本。在樣本中提取儲(chǔ)層的流體屬性并進(jìn)行預(yù)處理，優(yōu)選出對(duì)含油飽和度敏感的流體屬性。

2）儲(chǔ)層參數(shù)預(yù)測的預(yù)處理

為了簡化處理工作，對(duì)優(yōu)選出的敏感屬性進(jìn)行降維壓縮，以便獲取壓縮的敏感屬性集合。SOM網(wǎng)絡(luò)的輸入節(jié)點(diǎn)是壓縮后的敏感屬性集，輸出節(jié)點(diǎn)為統(tǒng)計(jì)的儲(chǔ)層參數(shù)。經(jīng)過網(wǎng)絡(luò)的訓(xùn)練，得到模式識(shí)別的參數(shù)，結(jié)合降維后的敏感屬性壓縮集合來預(yù)測儲(chǔ)層參數(shù)的分布情況。

3）工區(qū)的預(yù)測結(jié)果校正

對(duì)原始預(yù)留的樣本和測井?dāng)?shù)據(jù)擬合地理幾何信息進(jìn)行檢驗(yàn)，若預(yù)測的效果跟實(shí)際情況不符合，應(yīng)重新提取和處理儲(chǔ)層流體屬性，直至重新預(yù)測的結(jié)果跟實(shí)際情況相差無幾。

4）多屬性的SOM聚類差異化

獲得時(shí)移地震數(shù)據(jù)后，首先提取其中的敏感性流體屬性并對(duì)它做預(yù)處理，分析敏感性流體集合，并對(duì)該集合做優(yōu)化處理。將時(shí)移前后的敏感流體屬性優(yōu)化組合相比較，可以得出屬性差異集。再將該差異集進(jìn)行SOM類聚處理可以得出時(shí)移后的含油飽和度的變化圖，與時(shí)移前儲(chǔ)層參數(shù)分布圖相比較，得到剩余油分布的預(yù)測圖。

參考文獻(xiàn)：

[1] 高興軍，于興河，李勝利，等. 利用神經(jīng)網(wǎng)絡(luò)技術(shù)預(yù)測剩余油分布[J]. 石油學(xué)報(bào)，2005（3）：60-63.

[2] 石小松，程國建. BP神經(jīng)網(wǎng)絡(luò)在剩余油分布預(yù)測中的應(yīng)用研究[J]. 電腦知識(shí)與技術(shù)，2008（36）：2706-2708.

[3] Kai Xie， Zhijun Bai， Wenmao Yu，F(xiàn)ast Seismic Data Compression Based on High-efficiency SPIHT， ELECTRONICS LETTERS，50（5）， pp365-366，2014.

[4] 丁露，崔平.SOM聚類算法在文本分類上的應(yīng)用[J]. 現(xiàn)代情報(bào)，2007（9）：162-164.

[5] 于鷃.基于一維SOM神經(jīng)網(wǎng)絡(luò)的聚類及數(shù)據(jù)分析方法研究[D].天津大學(xué)，2009.