法律状态公告日
法律状态信息
法律状态
2022-12-20
授权
发明专利权授予
技术领域
本发明属于地球物理数据处理技术领域，具体涉及一种基于遗传神经网络算法的测井曲线重构方法。
背景技术
在矿产勘探领域，需要测量多条不同类型的测井曲线以用于减少地质解译的多解性。
然而，实际中会经常遇到测井曲线失真或缺失的情况，例如，井径扩大或仪器遇卡，使得有些测井曲线失真或缺失。
早期的钻孔由于测井方法不完备，也可能会缺少某些重要的测井曲线，如声波测井，这都会给地质研究带来困难。
因此，如何准确地重构这些缺失或失真的测井数据，是值得探讨的问题。针对测井曲线的重构问题，目前较常用的方法是传统的BP神经网络算法，即先通过网络的学习训练，得到已知曲线之间的内在关联性，再完成对未知曲线的重构(Luisa Rolon et al.,2009)。
但传统BP神经网络存在其自身的缺点，如优化易陷入局部最小值等，导致测井曲线重构精度欠佳(郑庆生和韩大匡，2007)。
发明内容
针对以上不足，本发明的目的是提供一种基于遗传神经网络算法的测井曲线重构方法，能够取得更好的测井曲线重构效果，从而为后续的地质解译提供更精确的曲线参数。
本发明的技术方案如下：
一种基于遗传神经网络算法的测井曲线重构方法，该方法包括以下步骤：
步骤(1)、测井曲线标准化：由于不同类型测井测井曲线的单位和数量级各不同，在用于神经网络时，需要对数据按以下方式进行标准化处理：
其中，x
步骤(2)、建立神经网络结构并训练网络：将需要做训练的测井曲线数目作为神经网络的输入，将需要重构的测井曲线作为神经网络的输出，隐含层数目设置为1层，以此建立输入层、隐含层、输出层的三层神经网络结构，并训练网络；
步骤(3)、适应度函数的确定：首先利用训练好的神经网络计算预测结果与训练目标之间的误差:
||error||＝(|Y
其中：Y为BP算子预测结果；T为实际训练目标值；n为训练样本个数；
然后根据训练误差计算种群个体的适应度值，即预测结果与实际目标之间的误差越大其个体适应度越低，取训练误差的倒数为计算适应度的函数:
fitness＝1/error
步骤(4)、遗传操作：根据选择、交叉和变异三个遗传算子，通过适应度函数与神经网络建立联系实现对神经网络权值和阈值的优化；
步骤(5)、重构曲线：重复进行步骤(3)、(4)，直至满足边界条件，神经网络优化完毕，将优化好的神经网络结构和参数进行测井曲线重构，直到满足精度要求输出测井曲线重构结果。
所述步骤(2)中的训练网络通过MATLAB软件中神经网络工具箱中的BP算子对初始网络进行优化。
所述步骤(4)中遗传算法编码方式采用二进制基因编码。
所述步骤(4)中的选择、交叉和变异三个遗传算子，通过MATLAB软件中遗传算法工具箱实现。
所述变异算子通过设置变异概率来实现基因变异处理。
所述交叉算子采用在基因串中随机设置交叉点位，将该点前后个体进行互换形成新的基因串。
所述选择算子则采用轮盘赌选择法。
本发明的有益效果在于：
与现有技术相比，本发明的砂岩型铀矿深穿透地球化学电离弱信息提取方法的特色和优势表现在，本发明引入遗传算法对神经网络结构和权值阈值进行优化，实现自动化计算，避免冗余计算和传统神经网络法易陷入局部最小值等问题，具有操作简单、运行效率高、成本低、重构精度高等优点。
附图说明
图1为声波曲线重构效果对比图；
图2为本方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于遗传神经网络算法的测井曲线重构方法，该方法包括以下步骤：
步骤(1)、测井曲线标准化：由于不同类型测井测井曲线的单位和数量级各不同，在用于神经网络时，需要对数据按以下方式进行标准化处理：
其中，x
步骤(2)、建立神经网络结构并训练网络：将需要做训练的测井曲线数目作为神经网络的输入，将需要重构的测井曲线作为神经网络的输出，隐含层数目设置为1层，以此建立输入层、隐含层、输出层的三层神经网络结构，并训练网络。
步骤(3)、适应度函数的确定：首先利用训练好的神经网络计算预测结果与训练目标之间的误差:
||error||＝(|Y
其中：Y为BP算子预测结果；T为实际训练目标值；n为训练样本个数；
然后根据训练误差计算种群个体的适应度值，即预测结果与实际目标之间的误差越大其个体适应度越低，取训练误差的倒数为计算适应度的函数:
fitness＝1/error
步骤(4)、遗传操作：根据选择、交叉和变异三个遗传算子，通过适应度函数与神经网络建立联系实现对神经网络权值和阈值的优化。
步骤(5)、重构曲线：重复进行步骤(3)、(4)，直至满足边界条件，神经网络优化完毕，将优化好的神经网络结构和参数进行测井曲线重构，直到满足精度要求输出测井曲线重构结果。
作为优选，所述步骤(2)中的训练网络具体实施方法为，通过MATLAB软件中神经网络工具箱中的BP算子对初始网络进行优化。
作为优选，所述步骤(4)中遗传算法编码方式采用二进制基因编码。
作为优选，所述步骤(4)中的选择、交叉和变异三个遗传算子具体实施方法为，通过MATLAB软件中遗传算法工具箱实现。其中变异算子通过设置变异概率来实现基因变异处理。交叉算子采用在基因串中随机设置交叉点位，将该点前后个体进行互换形成新的基因串。选择算子则采用轮盘赌选择法。
实施例1：
(1)测井曲线标准化：首先准备神经网络训练数据，包含自然伽马、电阻率、密度、井径、声波测井曲线常规测井数据。由于不同测井曲线参数不同，代表意义不同，将其进行归一化处理，统一至0～1变化区间范围。
(2)建立神经网络结构并训练网络：此次以自然伽马、电阻率、密度、井径四条曲线作为输入，以声波测井单条曲线作为输出。通常将隐含层节点数设置为输入曲线数的两倍，由于此次使用遗传算法对神经网络结构进行优化，减少了冗余计算，所以此次隐含层初始节点个数设置为输入曲线个数的三倍，即12个，重构曲线的神经网络结构为4-12-1的三层结构。将神经网络迭代次数设置为8000次，学习速率为0.05，学习目标为0.01，最小下降梯度为0.01。
(3)适应度函数的确定：适应度函数确定采用MATLAB神经网络和遗传算法工具箱实现。
(4)遗传操作：通过MATLAB软件中遗传算法工具箱实现选择、交叉和变异三个遗传算子操作。其中遗传代数设置为100代，初始种群设置为50，交叉概率设置为0.07，变异系数设置为0.01。
(5)曲线重构：利用优化好的神经网络参数进行声波测井曲线重构，通过迭代计算，直到满足精度要求，输出声波曲线重构结果。
本发明公开实施例附图中，只涉及到与本公开实施例涉及到的方法，其他方法可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
机译： 基于遗传算法的神经网络集成选择处理测井数据
机译： 基于遗传算法的神经网络封装选择测井数据
机译： 基于遗传算法的神经网络封装选择测井数据
