常規(guī)曲線(xiàn)裂縫相識(shí)別

1、.;常規(guī)曲線(xiàn)裂縫相識(shí)別盡管裂縫在各常規(guī)曲線(xiàn)上具有相應(yīng)的響應(yīng)特征，很難找到一個(gè)線(xiàn)性關(guān)系式或通過(guò)邏輯判斷來(lái)進(jìn)行常規(guī)曲線(xiàn)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(chēng)ANN)是在人類(lèi)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(xiàn)性，能夠進(jìn)行復(fù)雜的邏輯操作和非線(xiàn)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?zhuān)▓D4-4）：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(xiàn)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?zhuān)ㄓ捎诔Ｒ?guī)曲線(xiàn)無(wú)方位信息），其解釋的高角度裂縫密度仍不能滿(mǎn)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(xiàn)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(xiàn)，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(xiàn)分解為Ne、Ns、Nw三個(gè)方向的裂縫密度曲線(xiàn)。 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(zhuān)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(lèi)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(xiàn)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(chēng)為標(biāo)準(zhǔn)誤差逆?zhèn)鞑ニ惴ǎ簿褪菍?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(xiàn)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(xiàn)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(xiàn)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(xiàn)裂縫相識(shí)別結(jié)果（3）裂縫密度解釋?zhuān)▓D4-4）：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(xiàn)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?zhuān)ㄓ捎诔Ｒ?guī)曲線(xiàn)無(wú)方位信息），其解釋的高角度裂縫密度仍不能滿(mǎn)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(xiàn)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