CN109165737A - 基于条件随机场和bp神经网络的孔隙度预测方法 - Google Patents

Abstract

本发明公开了一种基于条件随机场和BP神经网络的孔隙度预测方法，包括以下步骤：S1、构建BP神经网络；S2、利用条件随机场模型，结合神经网络对标签数据的拟合残差，在置信度回归算法中对隐藏层的相循环性修正。本发明把条件随机场和神经网络两种模型结合在一起，借鉴了EM算法的思想，两个模型参数循环迭代求解模型参数和条件随机场隐藏层，构成一种半监督机器学习方法，能够使用较少的标记孔隙度数据和阻抗数据对孔隙度和岩相分布进行预测。

Description

基于条件随机场和BP神经网络的孔隙度预测方法

技术领域

本发明属于油气勘探与开发技术领域，特别涉及一种基于条件随机场和BP神经网络的孔隙度预测方法。

背景技术

孔隙度是储层研究的主要内容之一，对油气勘探与开发具有十分重要的意义，早已成为石油物探工作者的热门研究课题。经过多年研究已经发展出了数种用地震数据求取孔隙度的方法。以前研究的主要方法大致可以分为三类：(1)用Wyllie时间平均方程或修正了的Wyllie公式求孔隙度，此方法原理简单，应用方便，但仅根据速度参数求取孔隙度容易出现多解性。(2)井数据约束反演与非井约束反演方法，因假设条件难以满足，通常效果欠佳。(3)Cokriging及其改进方法。其精度取决于测井孔隙度于储层崔志旅行时间的关联程度。近年来人工智能和机器学习学科兴起和发展十分迅速，对各工程领域产生了深刻影响，地球物理领域也不例外。

孔隙度信息可以在井处进行直接测量，但是考虑到钻井代价十分高昂，所以一般传统的预测方式是通过声波反演得到的阻抗信息对孔隙度进行预测，以下三个因素决定了精确预测孔隙度困难性。

1.隐藏的相决定了回归关系

孔隙度的预测需要依靠孔隙度和声波阻抗之间的近似比例关系，而这种近似的比例关系又由不同的沉积相决定，因此，一旦隐藏的相结构确定，我们就可以通过回归关系预测到孔隙度信息，然而，由于储层相存在多个复杂的几何形状，相估计是一项复杂的任务。

2.地震阻抗本身不能单独用于相位估计

我们可能希望可以从地震阻抗单独估计相，然而，阻抗的边缘分布不能提供足够的用于估算相的信息。

3.缺少标记样本：以储层中井点处孔隙度的测量值作为标记数据，利用该模型对回归模型进行训练，如果这些标记的数据足够密集，则可以较为精确的通过使用局部回归模型估计孔隙率。然而,由于钻井代价十分高昂,我们不能得到十分密集的标记数据,我们只能的到井处的少量标签数据。

发明内容

本发明的目的在于克服现有技术的不足，提供一种把条件随机场和神经网络两种模型结合在一起，能够使用较少的标记孔隙度数据和阻抗数据对孔隙度和岩相分布进行预测的基于条件随机场和BP神经网络的孔隙度预测方法。

本发明的目的是通过以下技术方案来实现的：基于条件随机场和BP神经网络的孔隙度预测方法，包括以下步骤：

S1、构建BP神经网络，BP神经网络由输入层、一个或多个隐藏层和输出层组成，每个层由多个神经元组成，隐藏层和输出层上的神经元的输出由以下公式决定：

f_j(Net_j)＝f_j(k_ijx_j+θ_j) (1)

其中f_j为神经元j的激励函数，设激励函数为：

其中θ_j为神经元的阈值，x_j为神经元j的输入，k_ij为神经元链接的权重；

给出标签数据集为：

非标签数据集为：

其中为输入变量，代表输入的声波阻抗值，表示D维实数域；为输出变量，代表孔隙度的值，表示实数域，m表示非标签点的数量，n表示标签点的数量；

隐藏层数分两个相，对输入声波阻抗数据使用K-means的聚类结果，把标签数据分为两个集合：

把两个标签数据集合通过网络训练得到两个不同的BP神经网络模型model₁和model₂；

S2、利用条件随机场模型，结合神经网络对标签数据的拟合残差，在置信度回归算法中对隐藏层的相循环性修正。

进一步地，所述步骤S2具体实现方法为：

条件随机场概率模型公式如下：

表示的概率值，表示条件随机场特征函数映射，表示υ和的內积，表示隐藏层点i的状态值，表示整数域；

对模型参数引入高斯先验信息相当于对模型加入L2正则化项，模型参数的先验信息为：

其中为正则化常数，并且：

为规范化因子函数，拥有先验信息和条件概率，把条件随机场函数变为求解最大后验概率:

上式等价于：

上式中存在两个隐藏变量：模型参数变量υ和隐藏层变量第一个参数υ利用基于梯度求解，第二个参数利用多圈置信度传播法求解；

在求解参数前，给出条件随机场特征函数映射Ψ(·)，定义无向图G＝(V,E)，二值0-1边E，顶点V，每一个定点表示一个样本，隐藏层的状态空间为联合特征函数映射为：

模型参数变量υ估计：采用拟牛顿法在条件随机场模型中对参数进行估计，为了实现梯度下降，需要对目标L_CRF进行计算，还需对公式(8)对参数υ求梯度，求导得到：

其中E[·]为期望，式(8)包含规范化因子函数梯度(10)式包含期望用pseudolikelihood算法对式(10)进行逼近计算，得到模型参数变量υ；

条件随机场隐藏层变量估计：

使用多圈置信度回归算法，在条件随机场模型中的更新隐藏层元素π_i，通过迭代把信息传递给当前点的邻居节点，迭代的将从点i传到点j的信息量M_ij(s)，此信息传递过程中信息量被证明是单调下：

其中λ为归一化常数，N(i)代表点i周围的邻居节点，其中

ζ_ij(s,t)＝υ_st

其中model_l为在l相中训练出的BP神经网络模型，l＝1,2；

信息量传递稳定之后，每个节点的最大边缘概率密度μ_i(t)，由下式计算：

最后用每个点的最大边缘概率密度预测每个隐藏层的状态；

最后将隐藏层的预测结果作为相的预测结果，不同相中不同神经网络的预测结果作为孔隙度的预测结果。

本发明的有益效果是：本发明把条件随机场和神经网络两种模型结合在一起，借鉴了EM算法的思想，两个模型参数循环迭代求解模型参数和条件随机场隐藏层，构成一种半监督机器学习方法，能够使用较少的标记孔隙度数据和阻抗数据对孔隙度和岩相分布进行预测，在模拟数据和实际数据取得了良好的效果。

附图说明

图1为神经网络简易结构图；

图2为条件随机场的结构图；

图3为本发明的孔隙度预测方法流程图；

图4为本发明的不同相的回归模型训练流程图。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

本发明把条件随机场和神经网络两种模型结合在一起，借鉴了EM算法的思想，两个模型参数循环迭代求解模型参数和条件随机场隐藏层，构成一种半监督机器学习方法，在模拟数据和实际数据取得了良好的效果。

图1基本构成了神经网络的基本机构，反应了在同一相中声波阻抗和孔隙度之间的拟合的关系。图2中的结构是一个三层的结构，其中第一层和第二层构成条件随机场模型结构，第一层和第三层构成一个基于神经网络的回归模型，第一层x为输入的生波阻抗值，第二层中的π为条件随机场的隐藏层数据，第三层为孔隙度数据，其中深色部分为标签井数据。

如图3所示，基于条件随机场和BP神经网络的孔隙度预测方法，包括以下步骤：

S1、构建BP神经网络，BP神经网络由输入层、一个或多个隐藏层和输出层组成，每个层由多个神经元(节点)组成。每个节点的输出值由输入值、函数和阈值确定，网络的学习过程由前向传播和误差传播两个过程组成。在前向传播过程中，输入信息通过隐藏层传输到输出层。运行激活函数后，产生输出值与期望值之间的误差。然后，误差沿着原始连接路径反向传播。该方法对神经元R各层的权值进行修正，以减少误差，在输出结果满足精度条件的情况下，该环路不会停止。隐藏层和输出层上的神经元的输出由以下公式决定：

f_j(Net_j)＝f_j(k_ijx_j+θ_j) (1)

其中f_j为神经元j的激励函数，设激励函数为：

其中θ_j为神经元的阈值，x_j为神经元j的输入，k_ij为神经元链接的权重；

给出标签数据集为：

非标签数据集为：

其中为输入变量，代表输入的声波阻抗值，表示D维实数域；为输出变量，代表孔隙度的值，表示实数域，m表示非标签点的数量，n表示标签点的数量；

隐藏层数分两个相，对输入声波阻抗数据使用K-means的聚类结果，把标签数据分为两个集合：

把两个标签数据集合通过网络训练得到两个不同的BP神经网络模型model₁和model₂如图4所示。

S2、利用条件随机场模型，结合神经网络对标签数据的拟合残差，在置信度回归算法中对隐藏层的相循环性修正。具体实现方法为：

条件随机场概率模型公式如下：

表示的概率值，表示条件随机场特征函数映射，表示υ和的內积，表示隐藏层点i的状态值，表示整数域；

对模型参数引入高斯先验信息相当于对模型加入L2正则化项，模型参数的先验信息为：

其中为正则化常数，并且：

表示笛卡尔乘积；

为规范化因子函数，拥有先验信息和条件概率，把条件随机场函数变为求解最大后验概率:

上式等价于：

上式中存在两个隐藏变量：模型参数变量υ和隐藏层变量第一个参数υ利用基于梯度求解，第二个参数利用多圈置信度传播(Loopy Belief PropagationApproximation(Weiss and Freeman,2000))法求解；

在求解参数前，给出条件随机场特征函数映射Ψ(·)，定义无向图G＝(V,E)，二值0-1边E，顶点V，每一个定点表示一个样本，隐藏层的状态空间为联合特征函数映射为：

模型参数变量υ估计：采用拟牛顿法(imited-memory Broyden-Fletcher-GoldfarbShanno)在条件随机场模型中对参数进行估计，为了实现梯度下降，需要对目标L_CRF进行计算，还需对公式(8)对参数υ求梯度，求导得到：

其中E[·]为期望，式(8)包含规范化因子函数梯度(10)式包含期望用pseudolikelihood算法对式(10)进行逼近计算，得到模型参数变量υ；

条件随机场隐藏层变量估计：

使用多圈置信度回归算法，在条件随机场模型中的更新隐藏层元素π_i，通过迭代把信息传递给当前点的邻居节点，迭代的将从点i传到点j的信息量M_ij(s)，此信息传递过程中信息量被证明是单调下：

其中λ为归一化常数，N(i)代表点i周围的邻居节点，其中

ζ_ij(s,t)＝υ_st

其中model_l为在l相中训练出的BP神经网络模型，l＝1,2；

信息量传递稳定之后，每个节点的最大边缘概率密度μ_i(t)，由下式计算：

最后用每个点的最大边缘概率密度预测每个隐藏层的状态；

最后将隐藏层的预测结果作为相的预测结果，不同相中不同神经网络的预测结果作为孔隙度的预测结果。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.基于条件随机场和BP神经网络的孔隙度预测方法，其特征在于，包括以下步骤：

S1、构建BP神经网络，BP神经网络由输入层、一个或多个隐藏层和输出层组成，每个层由多个神经元组成，隐藏层和输出层上的神经元的输出由以下公式决定：

f_j(Net_j)＝f_j(k_ijx_j+θ_j) (1)

其中f_j为神经元j的激励函数，设激励函数为：

其中θ_j为神经元的阈值，x_j为神经元j的输入，k_ij为神经元链接的权重；

给出标签数据集为：

非标签数据集为：

其中为输入变量，代表输入的声波阻抗值，表示D维实数域；为输出变量，代表孔隙度的值，表示实数域，m表示非标签点的数量，n表示标签点的数量；

隐藏层数分两个相，对输入声波阻抗数据使用K-means的聚类结果，把标签数据分为两个集合：

把两个标签数据集合通过网络训练得到两个不同的BP神经网络模型model₁和model₂；

S2、利用条件随机场模型，结合神经网络对标签数据的拟合残差，在置信度回归算法中对隐藏层的相循环性修正。

2.根据权利要求1所述的基于条件随机场和BP神经网络的孔隙度预测方法，其特征在于，所述步骤S2具体实现方法为：

条件随机场概率模型公式如下：

表示的概率值，表示条件随机场特征函数映射，表示υ和的內积，表示隐藏层点i的状态值，表示整数域；

对模型参数引入高斯先验信息相当于对模型加入L2正则化项，模型参数的先验信息为：

其中为正则化常数，并且：

为规范化因子函数，拥有先验信息和条件概率，把条件随机场函数变为求解最大后验概率:

上式等价于：

上式中存在两个隐藏变量：模型参数变量υ和隐藏层变量第一个参数υ利用基于梯度求解，第二个参数利用多圈置信度传播法求解；

在求解参数前，给出条件随机场特征函数映射Ψ(·)，定义无向图G＝(V,E)，二值0-1边E，顶点V，每一个定点表示一个样本，隐藏层的状态空间为联合特征函数映射为：

模型参数变量υ估计：采用拟牛顿法在条件随机场模型中对参数进行估计，为了实现梯度下降，需要对目标L_CRF进行计算，还需对公式(8)对参数υ求梯度，求导得到：

其中_E[·]为期望，式(8)包含规范化因子函数梯度(10)式包含期望用pseudolikelihood算法对式(10)进行逼近计算，得到模型参数变量υ；

条件随机场隐藏层变量估计：

使用多圈置信度回归算法，在条件随机场模型中的更新隐藏层元素π_i，通过迭代把信息传递给当前点的邻居节点，迭代的将从点i传到点j的信息量M_ij(s)，此信息传递过程中信息量被证明是单调下：

其中λ为归一化常数，N(i)代表点i周围的邻居节点，其中

ζ_ij(s,t)＝υ_st

其中model_l为在l相中训练出的BP神经网络模型，l＝1,2；

信息量传递稳定之后，每个节点的最大边缘概率密度μ_i(t)，由下式计算：

最后用每个点的最大边缘概率密度预测每个隐藏层的状态；

最后将隐藏层的预测结果作为相的预测结果，不同相中不同神经网络的预测结果作为孔隙度的预测结果。