基于GA- BP 神经网络岩石可钻性预测模型

杜宇 潘遥

（1、中国地质大学（武汉）工程学院，湖北 武汉430074 2、中南财经政法大学财政税务学院，湖北 武汉430073）

岩石可钻性指的是岩石抵抗钻凿破碎的能力, 是探矿钻井工程不可或缺的一个指标,具有重要的价值意义。对于岩石可钻性的评价方法也受到学者越来越多的关注。目前对于岩石可钻性的研究方法主要有三类: 微钻实验法、Dc 指数法和利用测井参数预测法[4]。其中前两种方法都为钻后评价法,脱离了岩心所处的真实的高温高压环境,钻取的岩心不具有代表性等缺点。利用测井资料评价法既能较好的反应地层实际的环境, 又能全面的反应一个地区(某口井)的可钻性性质,还具有经济环保等优点。在可钻性预测模型研究里,有一种通过利用测井资料建立神经网络模型来对岩石可钻性进行预测的方法, 这样既能反应岩石地层岩石实时钻进环境, 又能更加方便快捷的建立可钻性与岩石所处环境的之间的联系。

人工神经网络是一种运算模型,它在解决非线性、多参数的拟合问题有较好的效果。而BP 神经网络作为常见的神经网络,它常被研究者用于地层可钻性的预测研究中。夏宏泉等人基于BP 神经网络利用测井资料建立岩石可钻性预测模型,为钻头选型提供了较好的依据[3]。沙林秀等人提出基于自适应双链量子遗传算法优化BP 神经网络结构的岩石可钻性提取建模方法[10]。周启成等人把测井数据作为输入参数, 可钻性极值作为输出参数,利用BP 神经网络建立涪陵页岩气区块输入参数与输出参数之间的映射关系[8]。董青青等人提出了基于粒子群算法优化的BP 神经网络岩层可钻性预测模型,具有较高的精度[7]。

BP 网络模型具有良好的自适应性、自学习性和极强的非线性逼近、容错能力等优点。但是在用于网络的初始权值和阈值都是随机生成的,就可能会导致结果陷入局部最优。因此本文提出一种基于遗传算法优化的BP 神经网络岩石可钻性预测模型,以地层的测井资料作为网络的输入参数, 地层可钻性级值作为输出建立BP 神经网络,然后利用遗传算法BP 神经网络的初始权值和阈值进行优化,提高了模型的收敛速度和预测精度。

1 GA-BP 神经网络基本原理

1.1 GA(遗传算法)基本原理

遗传算法(Genetic Algorithms,GA)在1962 年由美国人提出,它是通过模拟遗传学的机理和达尔文生物进化论而形成的一种并行随机搜索最优化方法。与自然界中“优胜略汰,适者生存”的生物进化原理相似, 遗传算法就是将需要优化的参数进行编码成染色体并入种群群体中,选择合适的适应度函数,对种群中的个体进行选择、交叉和变异操作,保留适应度值好的个体,适应度差的个体被淘汰。这样反复循环操作,直至满足所需要的条件。

首先先对参数进行编码, 将需要优化的参数编码含有N 个个体的种群X={X1,X2,…,Xn},其中Xi是种群个体的基因值也即是需要的参数值。然后就是确定一个适应度函数为种群大小,来评价参数优化后的,预测精度。

1.2 BP 神经网络基本原理

BP(Back Propagation)神经网络是用误差逆向传播算法(Error Back Propagation)进行训练的,是一种多层前馈神经网络。结构主要包括三个部分,输入层、输出层和若干个隐含层,处于同一层的神经元是相互独立的,它们之间没有信息传递,不同层之间的神经元则是通过神经网络网络参数(权值和阈值)相互连接。基本BP 算法包括信息前向传播过程和误差反向传播过程。正向传播时, 输入信号由输入层向前传递到隐含层再到输出层得到输出信号,得到的输出信号与期望输出不符,则计算它们之间的误差,转入误差的反向传播过程。误差反向传播则是将得到的误差反向作用于各层神经元的网络参数。如此循环反复学习训练,直到实际输出与期望输出达到要求的精度为止,训练即告停止。

2 优化预测模型建立

2.1 建立BP 网络结构

遗传算法优化BP 神经网络模型分为3 个部分, 分别为BP神经网络结构确定、GA 优化权值与阈值和BP 神经网络预测。由文献[3～5]可知影响岩层的可钻性级别的因素主要包括声波时差Δt、地层密度ρ、电阻率Rt以及泥质质量分数Vsh等。我们将与地层可钻性密切相关的参数(声波时差、地层密度、泥质质量分数、电阻率)作为网络的输入量,以地层可钻性级别Kd作为网络的输出,建立岩石可钻性预测模型如图1 所示。

图1 可钻性预测模型

BP(Back Propagation)神经网络是一种采用误差反向传播算法(Error Back Propagation)的前馈神经网络模型,实质上就是求误差最小问题, 通过模式顺传播和误差传播反复进行网络记忆训练直到收敛。我们可以采用均误差MSE(Mean Squared Error)来作为网络的拟合函数:

式中:Fi表示神经网络的预测值(i=1,2, …,n);Yi表示目标值(期望结果)。

基于GA 优化的BP 神经网络是对初始值和阈值进行优化得到的预测模型。我们利用文献[3]数据中的地层参数,作为BP神经网络的输入数据和输出数据,然后使用MATLAB 软件先构建不同节点数的BP 神经网络,采用默认初始值各模拟5000 次,计算得到每个神经网络的误差MSN,如图2 所示。从图中可以看出在隐含层为7 时样本误差MSE 值最小,并且误差比较稳定,所以选择7 个节点最优,因此BP 神经网络结构为n-7-1,n 为输入层节点数(对应地层的各个参数),7 为隐含层个数,输出层个数为1(表示可钻性级值)。

图2 不同隐含层的对应的MSE 值

2.2 迭代求解最佳初始阀值和权值

基于遗传算法和BP 神经网络理论,在MATLAB 中实现基于GA 优化的BP 神经网络岩石可钻性预测模型。遗传算法中的参数设置: 种群规模设为100, 进化次数设为200 次, 交叉概率为0.4,变异概率为0.2。进化次数在50 次左右适应度就已接近平缓了,为了保守起见将进化代数设置为200。模型的网络结构一共有有4 个输入参数、1 个输出参数, 所以设置的BP 神经网络结构为4-7-1,即输入层有4 个节点,隐含层7 个节点,输出层1 个节点,网络结构中共有4×7+7×1=35 个权值,7+1=8 个阈值。可以确定遗传算法个体的编码长度为35+8=43。

3 预测结果与对比分析

将优化好的初始权值和阈值对所建好的模型进行训练,并将文献中的后10 组数据进行回判预测,再将文献[1]中预测数据进行对比分析,得到回判结果,将所得结果绘制成曲线如图3 所示。由图3 可看出基于GA 优化的BP 神经网络对地层可钻性的预测误差不超过1%,比未经优化的BP 神经网络拟合效果更好,而且误差波动较小。

图3 三种预测地层可钻性模型的曲线对比

4 结论

4.1 通过预测值对比结果分析可以看出,GA-BP 的相对误差的平均值为0.17,BP 的相对误差的平均值为3.26。GA-BP 模型预测精度比BP 模型要高,克服了BP 网络容易陷入极小值的缺点,为可钻性级值预测提供了一种高精度的模型。

4.2 利用已钻的测井资料建立训练模型,然后利用未钻区域的测井资料输入模型中即可预测未钻区域的可钻性级值, 为地层岩石可钻性评价提供了一种新的方案,具有适用性广的特点。