專利名稱：基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的地震屬性融合方法
技術(shù)領(lǐng)域：
本發(fā)明的示例性實施例通常涉及地球物理測井、油氣資源勘探領(lǐng)域，尤其涉及一種利用脈沖耦合神經(jīng)網(wǎng)絡(luò)以實現(xiàn)地震多屬性融合方法。
背景技術(shù)：
地震屬性可以對儲層空間分布范圍和儲層巖石物理特征參數(shù)的描述與預(yù)測，但當(dāng)利用各種地震屬性信息解釋復(fù)雜的地質(zhì)問題時，由于觀測條件和測量精度等限制因素，使用單一地震屬性信息參數(shù)解決地質(zhì)現(xiàn)象往往存在多解性。因此需要尋找一種方法，克服多解性問題。地震屬性融合就是通過利用地震資料中的多種單一屬性，用相應(yīng)的、適合探區(qū)地震地質(zhì)條件的數(shù)學(xué)關(guān)系將它們組合起來，形成能反映儲集層特性，反映油氣顯示為主的綜合信息的地震屬性。目前利用BP(Back-Propagation)神經(jīng)網(wǎng)絡(luò)法可以實現(xiàn)地震屬性的融合，其方法是首先將多種待融合的地震屬性導(dǎo)入，選取同一深度段的屬性并將其幅值分別規(guī)范到
區(qū)間；接著確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并把所選屬性作為訓(xùn)練樣本，把其中一種屬性作為目標(biāo)樣本；然后在初始化網(wǎng)絡(luò)連接權(quán)值(一般為I)、最小目標(biāo)誤差、訓(xùn)練速率、迭代次數(shù)(一般為幾千)后，對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練；網(wǎng)絡(luò)訓(xùn)練中通過不斷迭代來修改網(wǎng)絡(luò)連接權(quán)值，當(dāng)?shù)玫降木W(wǎng)絡(luò)輸出誤差小于設(shè)定的最小目標(biāo)誤差時，停止迭代，并保存所得的網(wǎng)絡(luò)連接權(quán)值；或者，當(dāng)網(wǎng)絡(luò)輸出誤差卻未達(dá)到設(shè)定的最小誤差值但已經(jīng)達(dá)到設(shè)定的迭代次數(shù)時，同樣保存所得的該網(wǎng)絡(luò)連接權(quán)值，從而獲得訓(xùn)練好的網(wǎng)絡(luò)；再分別將與訓(xùn)練網(wǎng)絡(luò)時不同深度段的歸一化處理的地震屬性、輸入該訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，利用訓(xùn)練好的網(wǎng)絡(luò)，得到幅值在
區(qū)間的屬性融合輸出，接著對其反歸一化處理，使其幅值的量綱和歸一化前的目標(biāo)樣本屬性量綱一致，從而實現(xiàn)多種地震屬性的融合。常規(guī)BP神經(jīng)網(wǎng)絡(luò)法的流程為A、導(dǎo)入待融合的屬性，選取任一深度段的屬性來訓(xùn)練網(wǎng)絡(luò)；B、屬性幅值的歸一化處理對導(dǎo)入的屬性分別進行歸一化處理，歸一化處理通過
下式進行
V — Χ,-ηι ιι(Χ,)* maxfX^-minfX,)⑴在式(I)中，Xi為第i種屬性的幅值，足為第i種屬性歸一化處理后的幅值；C、確定BP神經(jīng)網(wǎng)絡(luò)采用三層的網(wǎng)絡(luò)結(jié)構(gòu)，輸入層的神經(jīng)元個數(shù)為待融合的屬性個數(shù)，隱含層的神經(jīng)元個數(shù)依據(jù)經(jīng)驗一般選3 5個，輸出層的神經(jīng)元的個數(shù)為I，對應(yīng)屬性融合輸出，請參見

圖1，圖I為該BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；D、樣本選定選定的訓(xùn)練屬性樣本和目標(biāo)屬性樣本必須是同一深度段的；E、網(wǎng)絡(luò)的初始化網(wǎng)絡(luò)連接權(quán)值wjk、Wlj初始值為1，最小目標(biāo)誤差(依經(jīng)驗值為O. 001)，訓(xùn)練速率(依經(jīng)驗值為O. 05)，迭代次數(shù)(一般為幾千)；F、訓(xùn)練網(wǎng)絡(luò)網(wǎng)絡(luò)初始化后，每一次迭代，均運用wjk、Wlj及網(wǎng)絡(luò)傳遞函數(shù)f (U)=I/(1+e—u)，得到網(wǎng)絡(luò)輸出值與目標(biāo)樣本值之間的誤差值，式中u為函數(shù)的輸入變量，然后修改網(wǎng)絡(luò)連接權(quán)值F1、首先獲取輸出層神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值改變量Awlj:Awlj= η δ Yj ⑵在式(2)中δ = e X f; (X) (3)e = y-y (4)在式(2)-式(4)中，歹為輸出層的網(wǎng)絡(luò)輸出值，y為目標(biāo)樣本值，e為網(wǎng)絡(luò)輸出誤差值，X為輸出層的網(wǎng)絡(luò)輸入值，Γ (X)為輸出層的網(wǎng)絡(luò)傳遞函數(shù)的導(dǎo)數(shù)值，j為隱含層的第j個神經(jīng)元，δ為輸出層的訓(xùn)練誤差，η為訓(xùn)練速率，Yj為隱含層的第j個神經(jīng)元的輸出值，Awlj為輸出層與隱含層的第j個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值的改變量，當(dāng)?shù)趖次迭代結(jié)束后輸出層與隱含層的第j個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值Wlj (t+1) = Wlj ( ) + Δ Wlj^t) (5)在式(5)中，t為迭代次數(shù)，AWlJ(t)為第t次迭代時輸出層與隱含層的第j個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值的改變量，WljW為第t次迭代時輸出層與隱含層的第j個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值，Wlj (t+1)為第t次迭代結(jié)束后輸出層與隱含層的第j個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值，F(xiàn)2、然后獲取隱含層神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值改變量Awjk Awjk= η δ W1Jf; (Xj) Yk (6)在式(6)中，k為輸入層的第k個神經(jīng)元，為隱含層的網(wǎng)絡(luò)輸入值，f/ (Xj)為隱含層的網(wǎng)絡(luò)傳遞函數(shù)的導(dǎo)數(shù)值，Yk為輸入層的第k個神經(jīng)元的輸出值，Awjk為隱含層的第j個神經(jīng)元與輸入層的第k個神經(jīng)元之間的網(wǎng)絡(luò)連接權(quán)值的改變量，當(dāng)?shù)趖次迭代結(jié)束后隱含層的第j個神經(jīng)元與輸入層的第k個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值wJk (t+1) = wJk(t) + AwJk(t) (7)在式(7)中，wJk(t)為第t次迭代時隱含層的第j個神經(jīng)元與輸入層的第k個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值，wJk(t+1)第t次迭代結(jié)束后隱含層的第j個神經(jīng)元與輸入層的第k個神經(jīng)元的網(wǎng)絡(luò)連接權(quán)值，當(dāng)?shù)玫降木W(wǎng)絡(luò)輸出誤差小于設(shè)定的最小目標(biāo)誤差值時，停止迭代，并保存所得的網(wǎng)絡(luò)連接權(quán)值；或者，雖然達(dá)到設(shè)定的迭代次數(shù)，但當(dāng)網(wǎng)絡(luò)輸出誤差值未達(dá)到設(shè)定的最小目標(biāo)誤差值時，同樣保存所得的網(wǎng)絡(luò)連接權(quán)值，從而獲得訓(xùn)練好的網(wǎng)絡(luò)；G、實現(xiàn)屬性融合分別將與訓(xùn)練網(wǎng)絡(luò)時不同深度段的經(jīng)過歸一化處理的地震屬性、輸入步驟F已確定的BP神經(jīng)網(wǎng)絡(luò)，以得到幅值在
區(qū)間的屬性融合輸出，接著采用反歸一化處理方法，使其幅值的量綱和歸一化前的目標(biāo)樣本屬性量綱一致，從而實現(xiàn)多種地震屬性的融合。BP神經(jīng)網(wǎng)絡(luò)法運用神經(jīng)網(wǎng)絡(luò)的非線性處理功能，易于實現(xiàn)地震屬性的融合，但其參數(shù)比較多，需要迭代的次數(shù)比較多，且在迭代過程中網(wǎng)絡(luò)輸出誤差值e容易陷入極小值、即導(dǎo)致誤差值e在長時間內(nèi)的變化值不大，難以達(dá)到最小目標(biāo)值；因此上述BP神經(jīng)網(wǎng)絡(luò)法需要訓(xùn)練網(wǎng)絡(luò)的時間比較長，且對訓(xùn)練樣本的要求也比較高；而對于數(shù)據(jù)量較大的地震屬性，BP神經(jīng)網(wǎng)絡(luò)法效率亦不高。

發(fā)明內(nèi)容
本發(fā)明的示例性實施例的目的在于克服現(xiàn)有技術(shù)中的上述的和/或其他的問題。因此，本發(fā)明的示例性實施例提供了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的地震屬性方法，通過將多種地震屬性融合，以達(dá)到在快速實現(xiàn)屬性融合的同時，有效提高地質(zhì)巖性信息的準(zhǔn)確性、進而有效地提高對儲層空間展布形態(tài)、分布范圍和儲層巖石物理特征參數(shù)的描述與預(yù)測。根據(jù)本發(fā)明的一個示例性實施例，提供了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的地震屬性融合方法，所述方法可以包括下述步驟步驟A、導(dǎo)入待融合的地震屬性；步驟B、對導(dǎo)入的地震屬性的各幅值分別進行歸一化處理；步驟C、確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；步驟D、神經(jīng)網(wǎng)絡(luò)初始化；步驟E、分別統(tǒng)計每個地震屬性的各神經(jīng)元的輸出值為I的次數(shù)；步驟F、確定每個地震屬性的各神經(jīng)元的融合系數(shù)；步驟G、實現(xiàn)地震屬性融合。在步驟B，可以通過下面的式(8)進行歸一化處理
權(quán)利要求
1.一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的地震屬性融合方法，其特征在于，所述方法包括下述步驟 步驟A、導(dǎo)入待融合的地震屬性； 步驟B、對導(dǎo)入的地震屬性的各幅值分別進行歸一化處理； 步驟C、確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)； 步驟D、神經(jīng)網(wǎng)絡(luò)初始化； 步驟E、分別統(tǒng)計每個地震屬性的各神經(jīng)元的輸出值為I的次數(shù)； 步驟F、確定每個地震屬性的各神經(jīng)元的融合系數(shù)； 步驟G、實現(xiàn)地震屬性融合。
2.如權(quán)利要求I所述的方法，其特征在于，在步驟B，通過下式進行歸一化處理在式(8)中，Xi為第i種地震屬性的幅值，為第i種地震屬性歸一化處理后的幅值。
3.如權(quán)利要求I所述的方法，其特征在于，在步驟C，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中神經(jīng)元的個數(shù)為各個地震屬性的幅值個數(shù)，每個幅值對應(yīng)一個神經(jīng)元，并以此確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。
4.如權(quán)利要求I所述的方法，其特征在于，在步驟D，對各神經(jīng)元之間的系數(shù)矩陣、動態(tài)門限閾值、脈沖輸出，以及迭代次數(shù)分別賦值，以進行神經(jīng)網(wǎng)絡(luò)的初始化。
5.如權(quán)利要求4所述的方法，其特征在于，在步驟D，對各神經(jīng)元之間的系數(shù)矩陣賦值為[O. 707，I. 000，O. 707 ；1. 000，0，I. 000 ；0. 707，I. 000，O. 707]，動態(tài)門限閾值均為 0，脈沖輸出均為0，迭代次數(shù)為8-15。
6.如權(quán)利要求I所述的方法，其特征在于，在步驟E， 對每個地震屬性的各神經(jīng)元進行迭代處理，并分別確定各神經(jīng)元的內(nèi)部活動值和動態(tài)門限閾值， 如果對應(yīng)神經(jīng)元的內(nèi)部活動值大于其動態(tài)門限閾值，則該神經(jīng)元的輸出值為1，否則該神經(jīng)元的輸出值為0， 當(dāng)該神經(jīng)元的輸出值為I時，在該神經(jīng)元輸出值為I的次數(shù)上加1， 重復(fù)執(zhí)行上述操作至設(shè)定的迭代次數(shù)為止，從而得到該神經(jīng)元輸出值為I的次數(shù)，并因此分別得到每種屬性的各神經(jīng)元的輸出值為I的次數(shù)。
7.如權(quán)利要求6所述的方法，其特征在于，在步驟E，根據(jù)下式來確定各神經(jīng)元的內(nèi)部活動值、動態(tài)門限閾值、輸出值 內(nèi)部活動值 Unl [t] = Fnl [t] (1+ β Lnl [t]) (10) 動態(tài)門限閾值Enl [t] = exp(_a E)Enl[t_l]+VE Σ Yrs [t_l] (11) 輸出值 訃]=I1, m u2； 其中，F(xiàn)nl W = Ο3) Lnl [t] = Σ WnlrsYrs [t-1] (14) 在式(10)-式(14)中，nl表示當(dāng)前神經(jīng)元所處的位置，t表示第幾次的迭代次數(shù)，其值(10,Unl[t]為當(dāng)前神經(jīng)元第t次迭代時的內(nèi)部活動值，Enl[t]為當(dāng)前神經(jīng)元第t次迭代時的動態(tài)門限閾值，a E為衰減時間常數(shù)，Ve為固有電勢值，Wilrs當(dāng)前神經(jīng)元的系數(shù)值，Yrs為當(dāng)前神經(jīng)元系數(shù)Wnl 的輸出值，Ynl [t]為當(dāng)前神經(jīng)元第t次迭代時的輸出，F(xiàn)nl為當(dāng)前神經(jīng)元的常量輸入，足^為當(dāng)前屬性歸一化處理后的幅值，Lnl為當(dāng)前神經(jīng)元的連接輸入。
8.如權(quán)利要求6所述的方法，其特征在于，在步驟F，當(dāng)前地震屬性的各神經(jīng)元對應(yīng)的融合系數(shù)為其輸出值為I的次數(shù)與所有地震屬性對應(yīng)神經(jīng)元輸出值為I的次數(shù)之和的比值。
9.如權(quán)利要求6所述的方法，其特征在于，在步驟F，假設(shè)第i種地震屬性的神經(jīng)元nl的輸出為I的次數(shù)為Ninl,則其融合系數(shù)為 在式(15)中，i指示第i種地震屬性，P為總的屬性個數(shù)，Winl為第i種地震屬性的神經(jīng)元nl的融合系數(shù)。
10.如權(quán)利要求I所述的方法，其特征在于，在步驟G，將屬性融合的對應(yīng)幅值輸出為各地震屬性的各個幅值與其對應(yīng)的神經(jīng)元的融合系數(shù)的乘積之和，然后將得到的屬性融合的幅值經(jīng)反歸一化處理，使其幅值的量綱和歸一化前的地震屬性量綱一致，從而實現(xiàn)地震屬性的融合。
11.如權(quán)利要求10所述的方法，其特征在于，在步驟G，假設(shè)Znl為神經(jīng)元的融合輸出值，則有 Znl=T^nA1=1 ( 16) 在式(16)中，Iini為神經(jīng)元nl對應(yīng)的第i種地震屬性的歸一化處理后的幅值，Znl為神經(jīng)元nl的歸一化后屬性融合結(jié)果， 對由式(16)得到的屬性融合的幅值進行反歸一化處理，使其幅值的量綱和歸一化前的地震屬性的量綱一致，從而實現(xiàn)地震屬性的融合。
全文摘要
本發(fā)明提供了一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的地震屬性融合方法。根據(jù)本發(fā)明的基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的地震屬性融合方法，利用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的強大的非線性處理功能，實現(xiàn)了地震屬性的人工智能處理，通過確定神經(jīng)元模型，得到每個神經(jīng)元的脈沖輸出值為1的次數(shù)，從而確定此神經(jīng)元的融合系數(shù)，進一步得到此神經(jīng)元的融合輸出，從而實現(xiàn)了多地震屬性的融合。因此，解決了利用各種地震屬性信息解釋復(fù)雜地質(zhì)問題時單一地震屬性信息所帶來的多解性問題。
文檔編號G01V1/28GK102928876SQ201210455149
公開日2013年2月13日 申請日期2012年11月14日 優(yōu)先權(quán)日2012年11月14日
發(fā)明者周晶晶, 鄒文, 張洞君, 洪余剛, 彭真明, 李全忠, 劉璞 申請人:中國石油集團川慶鉆探工程有限公司地球物理勘探公司