常規(guī)曲線裂縫相識(shí)別

1、.;常規(guī)曲線裂縫相識(shí)別盡管裂縫在各常規(guī)曲線上具有相應(yīng)的響應(yīng)特征，很難找到一個(gè)線性關(guān)系式或通過(guò)邏輯判斷來(lái)進(jìn)行常規(guī)曲線裂縫解釋。本次研究，在上述成像測(cè)井裂縫解釋成果作為標(biāo)定的基礎(chǔ)上采用自適應(yīng)能力很強(qiáng)的神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了裂縫相識(shí)別。 人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network簡(jiǎn)稱ANN)是在人類對(duì)其大腦神經(jīng)網(wǎng)絡(luò)認(rèn)識(shí)理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。它是理論化的人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型，是基于模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立的一種信息處理系統(tǒng)。它實(shí)際上是由大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。典型的神經(jīng)網(wǎng)

2、絡(luò)結(jié)構(gòu)如圖4-2所示。 在眾多的人工神經(jīng)網(wǎng)絡(luò)模型中，最常用的是BP(Back Propagation)模型，即利用誤差反向傳播算法求解的多層前向神經(jīng)網(wǎng)絡(luò)模型。BP網(wǎng)絡(luò)在故障診斷、模式識(shí)別、圖像識(shí)別、管理系統(tǒng)等方面都得到了廣泛的應(yīng)用。 圖4-2典型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖（3）裂縫密度解釋（圖4-4）：與裂縫相識(shí)別相似，利用5口具有成像測(cè)井解釋成果的井作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)解釋裂縫密度，網(wǎng)絡(luò)輸入數(shù)據(jù)同樣為自然伽馬、深淺側(cè)向電阻率及其幅度差、密度、聲波時(shí)差及補(bǔ)償中子，并對(duì)輸入曲線進(jìn)行主組分變換。但由于成像資料與常規(guī)測(cè)井探測(cè)深度的差別，二者在裂縫密度定量解釋上差別更大些，相關(guān)系數(shù)為0.46，對(duì)于裂縫解釋來(lái)說(shuō)相關(guān)系

3、數(shù)屬正常。 上述常規(guī)測(cè)井裂縫解釋只能對(duì)高角度裂縫及低角度裂縫進(jìn)行識(shí)別，無(wú)法對(duì)高角度裂縫進(jìn)行方位分組解釋（由于常規(guī)曲線無(wú)方位信息），其解釋的高角度裂縫密度仍不能滿足分組建立高角度裂縫模型的需要。 研究過(guò)程中，曾嘗試求取來(lái)自成像測(cè)井解釋的各方位裂縫密度曲線與相應(yīng)方位斷裂距離的關(guān)系，進(jìn)而計(jì)算各井的不同方位裂縫密度，但因二者的級(jí)差太大，導(dǎo)致相關(guān)性很差。 最終采用統(tǒng)計(jì)方法按方位分解高角度裂縫密度曲線，即根據(jù)成像測(cè)井各方位裂縫密度所占比例（Ne：Ns：Nw = 8.5：6：1）將高角度裂縫密度曲線分解為Ne、Ns、Nw三個(gè)方向的裂縫密度曲線。 首先需要進(jìn)行知識(shí)的獲取，將數(shù)據(jù)分為兩部分，一部分用于訓(xùn)練網(wǎng)絡(luò)，

4、另一部分用于測(cè)試。將訓(xùn)練網(wǎng)絡(luò)的數(shù)據(jù)按一定順序編碼，分別賦給網(wǎng)絡(luò)輸入、輸出節(jié)點(diǎn)，通過(guò)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法對(duì)樣本進(jìn)行學(xué)習(xí)，經(jīng)過(guò)網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修正權(quán)值，直到達(dá)到所要求的學(xué)習(xí)精度為止。此時(shí)在大量神經(jīng)元之間聯(lián)結(jié)權(quán)值上就分布著專家知識(shí)和經(jīng)驗(yàn)。訓(xùn)練完畢后，再將測(cè)試網(wǎng)絡(luò)的數(shù)據(jù)從初始狀態(tài)出發(fā)，向前推理，將顯示出的故障結(jié)果與實(shí)際的測(cè)試數(shù)據(jù)結(jié)果相比較，如果誤差很小，說(shuō)明網(wǎng)絡(luò)的權(quán)值建立正確；如果誤差較大，說(shuō)明網(wǎng)絡(luò)的權(quán)值建立有誤，需要重新進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。 將訓(xùn)練樣本訓(xùn)練完畢后，即可對(duì)各井進(jìn)行預(yù)測(cè)判斷。只要實(shí)際輸入模式接近于某一個(gè)訓(xùn)練時(shí)的學(xué)習(xí)樣本的輸入模式，則可產(chǎn)生出接近學(xué)習(xí)樣本的輸出結(jié)果，也就是所謂的自聯(lián)想功能。同

5、時(shí)，由于網(wǎng)絡(luò)計(jì)算上的大量并行性，當(dāng)機(jī)器運(yùn)行狀況改變，出現(xiàn)網(wǎng)絡(luò)學(xué)習(xí)未考慮的情況時(shí)，系統(tǒng)亦能給出正確分類結(jié)果。同時(shí)將新數(shù)據(jù)并入網(wǎng)絡(luò)，實(shí)現(xiàn)系統(tǒng)的自適應(yīng)。一般來(lái)說(shuō)，學(xué)習(xí)的樣本越多，診斷結(jié)果的準(zhǔn)確率越高。 BP算法因其簡(jiǎn)單、易行、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn)，是目前神經(jīng)網(wǎng)絡(luò)訓(xùn)練采用最多也是最成熟的訓(xùn)練算法之一。BP算法的實(shí)質(zhì)是求解誤差函數(shù)的最小值問(wèn)題，由于它采用非線性規(guī)劃中的梯度下降法（Gradient Descent），按誤差函數(shù)的負(fù)梯度方向修正權(quán)值。其主要思路是如果求出訓(xùn)練網(wǎng)絡(luò)的指標(biāo)函數(shù)誤差： 一般的BP算法稱為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴?，也就是?duì)應(yīng)每一次輸入都校正一次權(quán)值。這種算法不是全局誤差意義上的梯度下降

6、計(jì)算。對(duì)各個(gè)神經(jīng)元的輸出求偏導(dǎo)數(shù)，那么就可以算出誤差對(duì)所有連接權(quán)值的偏導(dǎo)數(shù)，從而可以利用梯度下降法來(lái)修改各個(gè)連接權(quán)值。真正的全局誤差意義上的梯度下降算法是在全部訓(xùn)練模式都學(xué)習(xí)完后才校正連接權(quán)和閾值。 利用5口具有成像測(cè)井解釋成果的井作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，網(wǎng)絡(luò)輸入數(shù)據(jù)為自然伽馬、深淺側(cè)向電阻率及其幅度差、密度、聲波時(shí)差及補(bǔ)償中子，為避免曲線之間各自的相關(guān)性對(duì)網(wǎng)絡(luò)訓(xùn)練的影響，對(duì)輸入曲線進(jìn)行主組分變換，即正交變換，網(wǎng)絡(luò)訓(xùn)練的相關(guān)系數(shù)為0.67，對(duì)于裂縫解釋來(lái)說(shuō)相關(guān)系數(shù)比較高。 神經(jīng)網(wǎng)絡(luò)裂縫相訓(xùn)練相關(guān)系數(shù)表裂縫相識(shí)別結(jié)果與成像測(cè)井解釋結(jié)論有較好的對(duì)應(yīng)關(guān)系（圖4-3），只是裂縫相識(shí)別的裂縫發(fā)育段多于成像測(cè)井

7、解釋結(jié)論，分析原因?yàn)?，由于本區(qū)裂縫非常發(fā)育，而成像資料的探測(cè)半徑相對(duì)于常規(guī)測(cè)井來(lái)說(shuō)非常小，常規(guī)曲線能夠探測(cè)到成像測(cè)井探測(cè)不到的裂縫存在。 圖4-3常規(guī)曲線裂縫相識(shí)別結(jié)果（3）裂縫密度解釋（圖4-4）：與裂縫相識(shí)別相似，利用5口具有成像測(cè)井解釋成果的井作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)解釋裂縫密度，網(wǎng)絡(luò)輸入數(shù)據(jù)同樣為自然伽馬、深淺側(cè)向電阻率及其幅度差、密度、聲波時(shí)差及補(bǔ)償中子，并對(duì)輸入曲線進(jìn)行主組分變換。但由于成像資料與常規(guī)測(cè)井探測(cè)深度的差別，二者在裂縫密度定量解釋上差別更大些，相關(guān)系數(shù)為0.46，對(duì)于裂縫解釋來(lái)說(shuō)相關(guān)系數(shù)屬正常。上述常規(guī)測(cè)井裂縫解釋只能對(duì)高角度裂縫及低角度裂縫進(jìn)行識(shí)別，無(wú)法對(duì)高角度裂縫進(jìn)行方位分組解釋（由于常規(guī)曲線無(wú)方位信息），其解釋的高角度裂縫密度仍不能滿足分組建立高角度裂縫模型的需要。研究過(guò)程中，曾嘗試求取來(lái)自成像測(cè)井解釋的各方位裂縫密度曲線與相應(yīng)方位斷裂距離的關(guān)系，進(jìn)而計(jì)算各井的不同方位裂縫